毕业设计-基于深度学习的图像质量评价

最新推荐文章于 2025-03-24 20:48:39 发布

HaiLang_IT

最新推荐文章于 2025-03-24 20:48:39 发布

阅读量2.9k

点赞数 3

分类专栏：机器学习毕业设计深度学习推荐算法毕业设计文章标签：课程设计深度学习人工智能计算机视觉算法

本文链接：https://blog.csdn.net/qq_37340229/article/details/128434402

版权

深度学习同时被 3 个专栏收录

149 篇文章

订阅专栏

机器学习毕业设计

81 篇文章

订阅专栏

推荐算法毕业设计

17 篇文章

订阅专栏

前言

📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战。为帮助大家顺利通过和节省时间与精力投入到更重要的就业和考试中去,学长分享优质的选题经验和毕设项目与技术思路。

🚀对毕设有任何疑问都可以问学长哦!

选题指导: https://blog.csdn.net/qq_37340229/article/details/128243277

大家好,这里是海浪学长毕设专题,本次分享的课题是

🎯XXXX

课题背景和意义

图像质量评价是对图像或视频的视觉质量的一种度量。目前，该类算法的基础模型主要包括深度卷积神经网络、深度生成对抗网络和变换器，其性能通常高于传统的图像质量评价算法。图像质量评价是图像处理和计算机视觉领域的一个研究热点问题之一。数字图像在获取、压缩存储、传输过程中受到诸多因素的干扰，造成失真或降质，从而影响人类的视觉体验或者图像的后处理效果。只有对图像质量做出正确评价，才能确定后续的增强或控制方法。另外，数字图像处理算法性能优劣的分析和数字图像处理系统的性能评估都需要对图像质量做出评价。近年来，随着生物科学、解剖学、神经心理学等学科的发展，人类对视觉系统的认识逐步深入。采用人工方法对失真图像的质量进行主观评测具有效率低、成本高的特点，难以实现准确和实时的质量评估，因此研究客观图像质量评价算法是必然的趋势。随着人工智能的发展，为利用计算机模拟人类视觉系统的感知过程提供了可能。

实现技术思路

一、图像质量评价方法的分类

根据图像视觉信息处理过程的不同，可以把 IQA 算法分为两类：基于自下而上（Bottom-up ）和基于自上而下（Top-down ）的 IQA 模型。

根据是否有参考信息，数字图像质量评价方法可以分为 3 类：全参考图像质量评测（ Full-Reference ImageQuality Assessment， FR- IQA ）、半参考图像质量评测（Reduced-Reference Image Quality Assessment ， RR-IQA）和无参考的图像质量评测（ No-Reference Image Quality Assessment， NR-IQA ）。

二、基于深度学习的IQA模型

深度神经网络的最大优点是把图像特征提取和回归过程整合在一个优化框架内，真正实现端到端的学习。基于深度学习的 IQA 方法正在逐渐成为主流的图像质量评价算法。在传统的算法中，特征提取需要依赖设计人员的经验，构建过程比较复杂。深度神经网络通过数据驱动，学习图像特征，对图像的描述更准确。

基于卷积神经网络的IQA方法

CNN 是一种前馈神经网络，通常由卷积层、池化层和全连接层构成。卷积层和池化层抽取降维的特征图，全连接层回归质量分数。CNN成功的关键是引入了归纳偏置（inductive bias ），采用卷积核权值共享的方式减少网络参数的数量。

基于生成对抗网络的IQA方法

生成对抗网络是一种由生成网络和判别网络组成的神经网络结构，通过生成网络和判别网络之间的不断博弈学习产生更好的输出。 GAN 网络通过对抗学习同时训练两个模型：生成模型和判别模型，训练过程中，生成模型利用添加了随机噪声的输入图像，生成模拟的参考图，试图欺骗判别模型；相反，被训练过的判别模型试图辨别出模拟参考图和理想参考图。

在深入研究了深度对抗神经网络之后，提出基于增强型对抗学习的 IQA 算法（ En-hanced Adversarial Learning based Image Quality As-sessment，EAL-IQA）传统的GAN 用 1 个判别网络输出判别结果，改进后的 GAN 网络结构增加了1个判别网络，实现增强型对抗学习。