随着物联网、云计算、大数据、人工智能等信息技术的推广,图像作为重要的信息载体被广泛使用。而拍摄环境、传输存储方式等因素会引起图像失真,进而影响图像的视觉效果(图像质量)。图像质量客观评价是利用计算机模仿人类视觉感受评估图像质量的好坏,其中,盲图像质量评价是指在无原始图像信息情况下,不需考虑失真的类型和数量,直接对图像质量进行评价。盲评价更加接近人的主观评价方式,具有良好的通用性和扩展性,研究价值更高,应用前景更广。在高分辨率对地观测系统重大专项中,多光谱立体图像压缩项目提出使图像主客观一致性达到95%以上的研究课题。本文以提高评价方法的主客观一致性为目的,首先结合HVS特性提出多种盲图像质量评价方法,然后提出联合迁移学习的评价方法,最后给出可在嵌入式硬件平台上实现的评价方法。具体包括以下研究内容:首先,结合HVS的视觉注意和稀疏表示特性,提出了盲图像质量评价的显著区稀疏特征(SFOSR)方法。该方法从三个部分对基于码本的CORNIA方法进行了改进。第一部分是利用显著性信息有条件地筛选图像局部特征描述子,取代了随机提取方式,有效剔除图像冗余信息,增加字典对局部关键信息的表达能力,在保证评价效果的同时减少了字典原子数量。第二部分是利用稀疏编码算法训练超完备字典并计算编码系数,较聚类分析和主成分分析的编码系数,稀疏编码的表达系数更加适合量化图像失真程度,也符合HVS的稀疏表示特性。第三部分提出了 Max-Pooling联合l1范数的特征提取模型,输出高效鲁棒特征。实验证明,SFOSR评价方法降低了字典原子数量,提高了评价的主客观一致性,且具有良好泛化能力。其次,从HVS多信道特性和系数矩阵分解角度出发,提出了盲图像质量评价的双尺度稀疏系数能量拆分特征(DSSESF)方法。对于交叉下采样二叉树结构的图像集合,分别进行稀疏编码,得到图像的双尺度稀疏系数。双尺度分析符合HVS多信道特性,较SFOSR方法的单尺度分析,改善了对信息描述能力不足问题。针对Max-Pooling联合l1范数的特征提取方式会造成信息丢失和浪费问题,DSSESF采用基于奇异值的能量拆分法分解每个表达系数矩阵,然后执行特征提取操作,此方式有效降低了信息丢失。实验表明,结合了人眼多信道特性的DSSESF方法进一步提高了对图像质量的预测精度,但泛化能力没有明显提升,且稳定性略有下降。再次,SFOSR与DSSESF在处理高维空间小样本时,随着特征维数升高,针对传统机器学习方法训练的预测模型稳定性下降,且泛化能力得不到显著提升问题,提出了稀疏特征联合样本实例迁移的盲图像质量评价方法。完成知识迁移需要构建辅助数据集,辅助数据集由辅助样本库(VOC-Distortion)的特征集和客观标注集(Predicted-Labels)组成,通过失真处理生成辅助样本,通过客观评价辅助样本得到Predicted-Labels。VOC-Distortion包含大量样本,利用样本实例迁移学习算法TrAdaBoost.R2从辅助数据集中迁移有用知识,帮助高维特征训练预测模型。迁移学习利用数据集之间的相关性提高了预测模型拟合效果,有效克服传统方法处理高维空间小样本时的局限性,既提升模型预测精度又增强了稳定性和泛化能力。此外,还提出了一种基于特征自学习迁移的评价方法,即在VOC-Distortion上学习空域特征字典,在特征字典上采用自学习迁移方式得到鲁棒性更强的空域重建特征(Reconstruction Features Of Spatial Domain,RFOSD),然后利用传统机器学习方法训练预测模型。实验结果证明,迁移学习改善了高维空间小样本学习的有效性和稳定性,联合了迁移学习的评价方法获得了更高的主客观一致性,具有较强的稳定性和泛化能力。最后,针对目前盲评价算法计算复杂,硬件实现困难等问题,提出基于小规模超完备字典投影特征(SSODPF)的评价方法。SSODPF计算输入图像在小规模字典上的投影特征,利用其与标准投影特征间的距离来量化图像质量,有效减少了计算量。以高分辨率对地观测系统拍摄的多光谱压缩图像作为实验对象,结果表明,对同一场景固定压缩类型失真图像,SSODPF方法的质量预测分值随压缩比呈单调变化,主客观一致性满足项目需求。在多核嵌入式平台TMS320C6678上,采用特征拆分方式完成硬件并行加速,进一步减少算法计算量,最终实现SSODPF方法对多光谱压缩图像质量的实时评估。本文从特征提取和预测模型构建两个部分对盲图像质量评价展开研究,本文方法具有较好的鲁棒性和实时性,其中联合迁移学习的评价方法为盲图像质量评价领域的研究提供了一个新的思路。