图像质量评估算法不仅在学术研究中应用广泛,如图像压缩、图像降噪、图像融合等算法性能的评估,还在实际通信系统中对于系统参数的配置、资源的分配及性能的优化等起着非常重要的作用。本文主要针对全参考图像质量评估算法进行研究,具体的研究成果如下:考虑到实际应用场景中对算法准确性和计算复杂度的要求,而经典算法通常无法兼具这两方面,所以本文对已有的高效算法GMSD(Gradient Magnitude Similarity Deviation)进行改进,使其满足评估准确性要求的同时保持较低的计算复杂度。针对GMSD算法在评估彩色图像时仅仅利用亮度分量进行计算,对色彩失真却无法分辨的缺点,本文引入了色度相似性来度量图像色彩的失真,同时结合多尺度空间理论,形成多尺度梯度特征来更准确地模拟HVS感知图像质量的方式。将色度相似性和多尺度梯度特征线性结合,池化策略采用标准差方法,形成了改进算法MS-GMSDc(Multi-Scales GMSD with Color)。最后在三个主流的数据集上,对改进算法与经典算法从准确性和计算复杂度两个方面进行了对比分析。准确性结果表明相比于GMSD,MS-GMSDc算法能够准确评估图像色彩失真;和经典算法相比,MS-GMSDc算法整体评估准确性有所提升,同时对不同的失真类型都有较好的评估结果;交叉数据集对比结果表明MS-GMSDc算法具有良好的鲁棒性。同时在计算复杂度方面,与GMSD相比,MS-GMSDc因提高准确性而增加的计算复杂度是在可接受范围内;同比经典算法,其计算复杂度降低了很多。最终得出结论:改进的算法满足实际应用场景对准确性和计算复杂度的要求。将视觉显著性应用在图像质量评估是近年来的研究热点。本文总结了目前研究所面临的问题及挑战,并就所存在的两个问题——失真会导致图像的视觉显著性转移和简单的显著性加权平均集成策略会抑制非显著区域失真对图像质量造成的影响——从局部失真估计和全局失真估计两方面进行解决。因为视觉显著性转移是由图像纹理变化引起的,所以本文利用原始图像和失真图像HOG(Histograms of Oriented Gradient)特征的直方图相交距离来度量局部失真,同时利用log-Gabor滤波器从多尺度多方向分解图像得到各个子频带能量图,并计算原始图像和失真图像对应能量图的卡方距离来度量全局失真,结合局部失真与全局失真,用失真系数来表示图像的失真程度。在此基础上,本文提出了一种显著性集成策略:当失真系数超过阈值时,不使用显著性,反之,用结合了原始图像和失真图像的非线性显著性进行加权平均。这样既能够避免加权平均方法对非显著性区域失真的抑制,又能够反映图像不同部分对其质量的不同影响。经过验证,该集成策略能够提高已有算法评估的准确性。最后将该策略与MS-GMSDc算法的LQM(Local Quality Map)步骤结合,形成NSSI(New Strategy for Saliency Integration)算法,并在不同数据集上与不同的算法进行对比分析。结果表明NSSI算法评估准确性较经典算法有所提升,交叉数据集验证表明该算法鲁棒性较强。