图像在采集、存储以及传输的过程中,由于图像采集设备、存储设备、传输设备的影响,图像的失真是无法避免的。因此,有一个稳定可靠的图像质量评价算法能够在图像可能出现失真的环节对图像的质量进行有效的监控和反馈显得极其重要。此外,在其它图像处理过程(例如图像恢复)中,图像质量评价方法可以用于定量地评价算法的优劣。本文利用符合人类视觉系统(Human Vision System,HVS)特性的图像特征对全参考图像客观质量评价方法开展研究,旨在找到一种既能更接近人的主观评价结果并且高效稳定的图像质量客观评价方法。根据图像频域相位谱数据比幅度谱数据包含了更多的图像结构信息这一特点,以及梯度特征在图像质量评价问题中的有效性,结合结构相似性理论和图像显著性特点,本文提出了一种基于图像频域特征和梯度特征的图像质量评价新方法(Image Quality Assessment based on Frequency Domain Feature and Gradient Feature,简称为FGSIM)。该方法采用的图像频域特征是由幅度特征和相位特征线性组合而成,通过加大相位特征的线性组合系数,来体现相位特征的重要性。在此基础上,又通过实验发现:在频域中,幅度值越大的地方所对应的相位特征对图像质量评价的贡献度越高,因此,本方法又利用频域幅度谱数据对相位特征进行了加权。为了利用人眼特性,本文提出了首先对R、G、B三个彩色分量分别计算质量得分,然后根据人眼对颜色的敏感性函数对三个得分进行加权平均的方法计算得到彩色图像的质量得分。另外,还利用了图像显著性系数对图像的局部得分进行加权得到整个彩色图像的得分。根据图像频域相位谱数据中比幅度谱数据包含了更多的图像结构信息这一特点,以及梯度特征在图像质量评价问题中的重要性,结合结构相似性理论和图像显著性特点,本文提出了一种基于图像频域特征和梯度特征的图像质量评价方法(Image Quality Assessment based on Frequency Domain Feature and Gradient Feature,FGSIM)。通过实验发现:在频域中,幅度值越大的地方所对应的相位特征对图像质量的贡献度越高。因此,利用频域幅度谱数据对相位特征进行了加权。另外,本文还针对已有的FSIMc模型的一点问题进行了分析,提出了首先对R、G、B三个彩色分量分别计算质量得分,然后根据人眼对颜色的敏感性函数对三个得分进行加权平均的方法得到彩色图像的质量得分。由于机器学习算法具有强大的非线性拟合能力和自学习能力,本文引入了广义回归神经网络(Generalized Regression Neural Network,GRNN)来构建图像特征与主观质量得分之间的映射模型。首先分别在R、G、B三个色度分量上提取图像的相位特征、幅度特征和梯度特征。对比训练图像和参考图像的上述三类特征得到二者之间的相似性测度值,然后利用广义回归神经网络学习一个相似性测度值与客观评价得分的映射模型以计算测试图像的客观评价得分。该方法被称为基于广义回归神经网络图像质量评价方法(Image Quality Assessment based on Generalized Regression Neural Network,简称GIQA)。本文针对上述提出的两种方法,采用图像质量客观评价研究中常用的三个数据库(LIVE数据库、CSIQ数据库、TID2013数据库)做了相应的实验,以验证其有效性。实验主要以五种性能指标的形式展现了文中所提方案的评价结果,并与目前国际上最有影响的三个全参考图像质量客观评价模型(VIF模型、SSIM模型、FSIM模型)做了对比实验。实验表明:文中所提方法在准确率上有不错的表现。