全文总字数：7189字

1. 研究目的与意义及国内外研究现状

伴随计算机网络技术的迅猛发展，数字图像和数字视频作为信息的重要载体在人们生活工作中扮演者越来越重要的角色。在目标检测、语义分割等图像处理的高层次研究领域高速发展，计算机视觉更是将数字图像的应用开拓到了一个非常广阔的地步。而图像从采集到显示在人们眼前要经过多个处理阶段，数字图像的采集，存储，压缩，传输，复现等在每个阶段都可能引入失真，这就很可能降低最终的显示质量；丢失一些重要的信息从而可能导致无法满足系统应用的要求。特别是高速发展的计算机技术和日益普及的智能手机让每一个人都能轻易的获得数字图像，然而受运动、带宽传输成本等各种因素，图像失真在各种场合发生，例如：图像拍摄过程中的运动模糊，压缩过程中高频信号的丢失，编码过程中掺杂随机的噪音信号，传输过程中由于物理器件的不稳定性导致的丢包压缩，重构过程中的随机干扰等一系列随机性的失真。除了上述所列的情况，还有各种各样无法预测的失真情况。因此，建立一个对失真图像敏感的的图像质量评价系统具有十分重大的意义。

一个能够测量图像或视频的质量以及衡量不同阶段失真的方法会吸引人们的兴趣。由于这些图像或者视频信号是用于人类消费的所以确定图像或视频质量的一个显而易见的方法是征求人类观察员的意见。但是，在这个大数据时代，世界各地每时每刻都能产生数以亿计的数字图像，受限于人力，物力，标准的问题，这种靠人眼睛评价质量的方法在实际的生产实践活动中难以应用，我们也不可能把每一幅图拿出来找图像专家评审，所以研究一种能够将质量评价技术嵌入到各种应用场景下的新算法具有重要的实际意义。

同时近几年人工智能领域蓬勃发展，数据集的的建立成为人工人工智能的关键一环。我国在《新一代人工智能发展规划的通知》中确立了“三步走”目标：到2020年人工智能总体技术和应用与世界先进水平同步；到2025年人工智能基础理论实现重大突破、技术与应用部分达到世界领先水平；到2030年人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心。作为人工智能的重要组成部分——计算机视觉的实现依赖于较大的图像数据集（例如mnist手写数据集、imagenet深度学习数据集、coco图像识别语义分割数据集、pascal voc视觉对象检测数据集和cifar-10数据集等），通过建立多层卷积深度神经网络，将数以万计的图像数据集进行模型训练，从而达到图像分类，目标识别，语义分割的目标。一个优质的图像数据集是训练准确性较高模型的基础。国内外大部分科研人员都集中于研究如何训练一个好的模型，而训练模型的重点在于要有一个优质的图像数据集。通常制作数据集将会耗费很大的人力物力，成本高昂。数字图像数据集作为模型训练地基性材料，控制它的质量就尤为关键。研究设计一套能够判断数据集中图像的质量机器算法，对于训练泛化能力强的模型有着重要意义。

2. 研究的基本内容

1. 图像质量评价的分类 ： 按照是否需要人的参与，图像质量评价体系可主要分为两大类：主观图像质量评价（subjective image quality assessment, siqa）和客观图像质量评价（objective image quality assessment ,oiqa）。见文知义，主观图像质量评价是通过人眼的视觉感受对图像进行评价，与之对应，客观图像质量评价是通过设计一种特定算法，采用特征计算的方式对图像各项指标进行统计量化自动打分。主观质量评价一般由大量观察人员对所看到的图像打分，由于人类易受到自身喜好或外界环境的干扰，也会因为观察者的学识、标准不同，从而产生主观随机性强的结果。尽管主观质量评价方式真实贴近人类自身感受，但耗费人力物力，难以广泛应用。而客观图像质量评价则无需人工参与，具有稳定性，在传输系统、算法性能测试、实时图像系统中得到了广泛应用。可以看到研究高效率、资源节约型的图像评价算法具有很强的现实意义
2. 主观图像质量评价 ： 主观图像质量评价由多位观察者在不同测试环境，对测试图像的质量进行评价打分，然后将所有结果分析整理，去掉异常分数值，再求取平均值作为图像最终质量分数的评分。实际上由于测试人员，测试环境，测试时间的不同，同一批次的图像所的到的质量分数并不完全一致。这反映了主观图像质量评价的不稳定性，受干扰较大。因此主观评价方法虽然可以获得人眼感受的质量结果，但是在实际应用中存在很大的缺点。随着智能手机，便携相机等可移动成像设备发展，对实时的图像质量评价系统的需求量越来越大，人工打分形式的图像质量评价方法已经无法跟随时代潮的发展和生产实际。首先人工打分不具有实时性，例如：我们使用手机拍摄照片的时候，迫切希望能够马上自动的得到一个有关所拍摄照片的质量评价水平，如果质量分数低则立刻自动提示重新拍摄。尽管基于拍摄者的主观感受可以大致判断图像的质量，随着工业化的推进，智能时代的到来，客观质量评价终归会取代人类自身评价。基于这些原因人们在主观评价的基础上逐渐研究出了更具有实用价值的与效果更佳的客观图像质量评价方法。
3. 客观图像质量评价的分类根据能够得到原始图像的信息量的多少，我们将客观图像质量评价分为种类型：全参考质量评价方法、半参考质量评价方法、无参考质量评价方法。

• 全参考图像质量评价方法：这种质量评价算法可以访问图像或视频的“原始版本”来比较“失真版本”，“原始版本”通常来自高质量的采集设备，是未经压缩损失或者传输错误等失真的版本。然而，参考图像或视频通常比失真版本需要更多的带宽、存储资源，因此全参考图像质量评价通常仅用于实验室内测试的图像和评价视频处理算法的工具，并且不能广泛推广应用。
• 半参考图像质量评价方法：这种算法又称为减参考图像质量评价算法，其中有关于“原始版本”的部分信息可用。在数据传输中将原始信号的一部分质量信息存在一个旁路信道中，通过该旁路信道可以将关于“完美版本”的一些信息可用于质量评价算法，以此来判断失真信号的质量。
• 无参考图像质量评价方法：这种算法只能访问失真后的信号，并且必须在不知道“原始版本”的情况下评测信号的质量，或者说无参考图像质量评价的对象是没有原始版本的图像。由于无参考的方法不需要任何参考信息，它们可以灵活的用于需要质量测量的任何应用。然而，这种灵活性所付出的代价是根据算法做出准确质量预测的能力不足，有些失真图像无法正确的给出评价分数，同时也具有很大的研究空间。

3. 实施方案、进度安排及预期效果

本课题实施方案：查阅大量图像评价文献，了解国内外无参考图像发展的进程，学习live实验室教授等人的工作，学习数字图像的基础知识，本课题的实施对数字图像的处理知识要求较高，不仅需要较为扎实的数字图像的基础知识掌握，而且对编程要求较高。因此本课题实施方案，进度安排，预期效果如下：

1. 学习冈萨雷斯编写的《数字图像处理第三版》；
2. 学习MATLAB软件编程；
3. 学习冈萨雷斯编写的《MATLAB版本数字图像处理》；
4. 学习机器学习算法，研究支持向量机模型（svm）在实际建模中的应用；
5. 调查国内外图像评价领域近些年的优秀论文；
6. 从国外优秀论文中挑选一篇优秀的论文，通过自己编程建模将评价系统实现出来
7. 使用国内外通用的数字图像测试集对模型进行测试；
8. 对模型分析，总结，改进；

4. 参考文献

[1]kai hu,an image filter based on shearlet transformation and particle swarm optimization algorithm, mathematical problems in engineering,vol 2015, article id 414561, page9, doi:10:1155/2015/ 414561;(sci)

[2]assembly,ituradiocommunication. methodologyforthesubjectiveassessmentofthe

[3]quality of television pictures. international telecommunication union, 2003.