一图胜千言。随着互联网的高速发展,数字图像和视频由于具有直观的表现形式,正逐渐成为信息的主要载体。用户作为各种电子设备的最终接收者,往往希望看到的影像能具有高清晰度和高分辨率。然而,在实际环境中对图像进行采集和处理的过程难免会引入外界干扰,从而导致图像质量的退化和用户视觉体验的降低。为了衡量图像的失真程度,研究人员提出利用计算机自动评价图像质量的方法。通过对图像质量进行准确评估,能更好地优化和指导图像处理算法、系统,进而改善图像质量。因此,有效的图像质量评价方法对于提升人们的视觉体验质量乃至生活质量是至关重要的。现有的图像质量评价算法根据所需参考图像的信息量,可大致分为全参考、部分参考和无参考三种类型。全参考算法在评价过程中需要依赖参考图像的所有信息,能在较低的计算复杂度下取得优越的性能,本论文不涉及此类算法的研究。部分参考和无参考算法由于缺乏足够多的参考信息,其设计难度较大,评价性能尚有很大的提升空间,是本文的研究重点。本文通过分析人眼视觉系统的感知特性,探索不同强度和类型的失真对图像质量产生的影响,根据评价算法对参考信息的依赖程度,从部分参考到无参考展开研究。针对现有评价算法中存在的某些不足,做出了一些改进。本文的主要工作和创新点可概括为:(1)提出一种基于离散余弦变换(Discrete Cosine Transform,DCT)域熵差异的部分参考图像质量评价方法。现有的部分参考算法往往面临着参考信息数据量和评价性能之间的矛盾,要得到准确的评价结果就必须利用较多的参考图像特征信息,而当参考数据量减少时评价性能也随之降低。针对上述问题,本文提出一种基于DCT域熵差异的部分参考评价方法:第一步通过分块DCT分别对待测试图像及其参考图像进行分解,并根据频率大小对变换系数进行重组和合并;第二步分别计算待测试图像和参考图像各频带系数的信息熵;第三步比较待测试图像和参考图像在各频带上熵的差异,并根据人眼对图像不同频率信息的敏感性,计算各频带上熵差异的加权和,得到待测试图像的质量值。所提算法通过分别衡量图像各频带信息的失真情况,并结合人眼的视觉特性,仅根据极少量(8个)参考图像特征数据就能取得较好的评价性能。(2)提出一种基于改良自然场景统计(Natural Scene Statistics,NSS)模型的无参考图像质量评价方法。目前,基于NSS模型的无参考算法假设失真图像和自然图像都满足自然统计规律,并根据失真引起的图像统计特性变化来衡量图像质量衰减。然而,当失真较严重时图像并不能较好地服从NSS模型,其真实分布与NSS模型之间存在着误差,会影响评价的准确度。针对上述问题,本文提出一种基于改良NSS模型的无参考评价方法。所提方法利用NSS模型拟合图像的统计分布,通过计算NSS模型的拟合参数、拟合误差及相应的似然概率提取图像的特征。给定已知主观质量值的训练图像集,通过支持向量机学习图像特征与主观质量值及失真类型之间的对应关系。对于待测试图像,计算其特征并基于训练模型预测出质量值。所提算法详细分析了失真对图像统计规律的影响,弥补了现有基于NSS模型无参考算法的不足,其评价结果与人眼感知具有较好的一致性。(3)提出一种基于词包模型和局部量化模式的无参考图像质量评价方法。无参考算法常采用图像结构信息作为图像特征,但现有特征表示方法不能较好地表达图像的空域相关性,因此很难准确估计失真强度。针对上述问题,本文提出一种基于词包模型和局部量化模式的无参考评价方法。首先,给定一个自然图像集合,计算所有图像的局部量化模式并通过词包模型构建视觉词典。然后,给定已知主观质量值的失真图像训练集,基于视觉词典计算各失真图像的特征直方图。接着,采用支持向量机构建失真图像的特征与其主观质量值之间的映射关系。最后,计算待测试图像的特征并通过回归模型预测其质量。所提算法利用图像的局部结构信息和空域像素相关性进行特征提取,能有效反映图像的失真强度,评价结果与人眼感知高度一致。