图像的最终接受者为人眼,而随着软硬件技术的发展,人们对图像质量的要求也越来越高。然而,图像在处理过程中会无法规避地引入各种不同类型的失真,从而导致图像质量的下降。因此,研究图像失真与图像质量的关系,进而判断失真对人眼主观感受的影响,在现实环境中有重要的应用。本文在对图像感知特征提出的基础上,研究了图像质量的客观评价方法,分别针对全参考型、模糊失真无参考型和通用无参考型提出了三种图像质量评价方法,具体研究内容如下:一、基于高斯差(DoG)能灵活地捕捉图像的结构和有效地表述各种失真类型的图像,提出了一种基于多尺度结构表达的全参考型图像质量评价方法。在尺度空间中,利用DoG信号来表示图像的局部结构变化。在不同的尺度中,分别比较DoG信号的相似度来评价图像的质量。同时结合人类视觉系统(HVS)特征,利用基于图像信息内容加权的方法计算得到图像的最终质量分数。实验结果表明,该方法能准确地评价图像的质量,且与主观评价结果的一致性很高。二、稀疏表示已经被证明与人脑处理信息的机制一致。在对图像进行稀疏分解时,稀疏表示系数的大小与图像的清晰程度有直接关系。在此基础上提出了一种基于稀疏表示的无参考图像清晰度评价方法。首先利用自然图像训练过完备字典。对待评价的图像,首先进行分块处理并计算分块的梯度和方差;然后采用字典对各分块进行稀疏分解,得到稀疏表示系数,进而根据稀疏系数计算能量;最后利用方差对能量进行归一化处理,得到图像的清晰度评价分数。实验结果表明,该方法能准确地评价图像的清晰度,且与主观评价结果的一致性很高,性能优于目前的主流算法。三、由于图像失真主要表现为图像结构的退化,而字典能较好地捕捉图像中潜在的结构,因此能有效地评价图像的质量。在此基础上提出了一种基于梯度字典的通用无参考型图像质量评价方法。首先,用K-means聚类算法对自然图像的梯度信息进行训练得到梯度字典。然后,利用梯度字典对图像进行欧式范数编码和最大值加权生成该图像的特征。接着SVM算法对图像特征及与之对应的主观分数和失真类型分别训练得到一个失真分类模型和几种不同失真类型的质量分数回归模型。在预测图像质量时,分类模型用来预测图像属于何种失真类型的概率,质量分数回归模型则用来预测图像属于特定失真类型的质量分数。最后,不同失真类型的概率与之对应的质量分数加权平均得到图像的最终质量分数。该方法用相对小的字典能准确地评价图像的质量,且与主观评价结果的一致性很高。