PCA和GA-ELM在立體圖像質(zhì)量客觀評(píng)價(jià)中的應(yīng)用.pdf

1、隨著立體成像技術(shù)的不斷成熟，如何有效評(píng)價(jià)立體圖像質(zhì)量已成為立體成像技術(shù)領(lǐng)域的研究熱點(diǎn)和難點(diǎn)問(wèn)題之一。立體圖像質(zhì)量評(píng)價(jià)方法一般可以分為兩種：主觀評(píng)價(jià)和客觀評(píng)價(jià)。前者主要是測(cè)試人員憑主觀感受來(lái)評(píng)價(jià)被測(cè)試圖像的質(zhì)量，盡管這種方法能夠獲得較準(zhǔn)確的圖像評(píng)價(jià)結(jié)果，但它花費(fèi)時(shí)間長(zhǎng)、成本高，而且難以操作。因此建立一套有效的立體圖像質(zhì)量客觀評(píng)價(jià)標(biāo)準(zhǔn)已成為立體成像技術(shù)的重要研究課題之一。
　　本論文研究了立體圖像質(zhì)量評(píng)價(jià)的研究背景、發(fā)展現(xiàn)狀與趨勢(shì)以及

2、其他相關(guān)理論，鑒于人們對(duì)人眼視覺(jué)系統(tǒng)認(rèn)知的局限性，本文提出采用極端學(xué)習(xí)機(jī)（Extreme Learning Machine,ELM）對(duì)立體圖像質(zhì)量進(jìn)行客觀評(píng)價(jià)，極端學(xué)習(xí)機(jī)是單隱層前饋神經(jīng)網(wǎng)絡(luò)的泛化，輸入權(quán)重可以隨機(jī)賦值并通過(guò)解析獲得輸出權(quán)值。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法相比，極端學(xué)習(xí)機(jī)具有參數(shù)選擇簡(jiǎn)單、學(xué)習(xí)速度快及泛化性能好等優(yōu)點(diǎn)，在函數(shù)逼近和模式分類領(lǐng)域都有廣泛應(yīng)用。針對(duì)立體圖像信息量大、復(fù)雜度高等特點(diǎn)，該文首先采用主成分分析方法對(duì)立體圖像進(jìn)行

3、降維處理，其次，利用遺傳算法對(duì)極端學(xué)習(xí)機(jī)的參數(shù)進(jìn)行優(yōu)化即GA-ELM，進(jìn)一步提高極端學(xué)習(xí)機(jī)的分類識(shí)別精度。
　　本文實(shí)驗(yàn)共選取362幅等級(jí)不同的立體圖像，其中選取121幅圖像作為訓(xùn)練樣本，241幅圖像作為測(cè)試樣本，實(shí)驗(yàn)結(jié)果表明，極端學(xué)習(xí)機(jī)分類器以sigmoid為激勵(lì)函數(shù)，對(duì)241幅不同等級(jí)的立體圖像測(cè)試樣本進(jìn)行測(cè)試，其正確等級(jí)分類率達(dá)到93.85％，當(dāng)采用遺傳算法對(duì)極端學(xué)習(xí)的參數(shù)優(yōu)化后，正確等級(jí)分類率提高到95.85%。同時(shí)，論文