在这个信息共享的互联网时代,人们每天都会接触到不同形式的信息。图像作为视觉信息的来源,蕴含其他类型信息无法比拟的直观且准确的优势。图像最终呈现在人们视线中需经历很多处理环节,图像失真和质量下降也就随之产生。因此对图像质量进行评价是高效地获取图像信息极关重要的一部分,已经引起图像处理领域研究者的科研兴趣。现阶段,图像质量的客观评价方法根据依赖参考图像信息的程度可以分为三类:全参考(FR)、半参考(RR)、无参考(NR)图像质量评价(IQA)方法。之所以无参考评价方法的研究成为目前研究的热点是因为通常情况下原始图像无法获得,因此研究无参考图像质量评价方法更符合实际情况。本文提出了两种基于经验模态分解的无参考图像质量评价算法并将其应用于太阳能光伏电池缺陷识别,具体研究内容如下:(1)对Liu等人提出的基于图像局部空间熵和频谱熵特征的SSEQ算法进行改进,将其空间信息熵变为梯度信息熵,提出了一种结合信息熵和经验模态分解的EEMD算法。首先对图像进行经验模态分解得到前两个固有模态函数,对原图像和前两个固有模态函数图像的灰度值按秩序重新排序,在排序后的原图像和排序后的前两个固有模态函数上提取梯度信息熵的均值和偏度以及频谱信息熵的均值和偏度;然后对排序后的原图像和排序后的前两个固有模态函数依次与Scharr算子和LOG算子进行卷积,在卷积后的图像上提取频谱信息熵的均值和偏度以及分布统计特征。最后利用支持向量机构建无参考图像质量评价模型并在LIVE图像数据库进行训练测试实验。结果表明,EEMD算法对SSEQ算法进行改进得到较高的质量评价精度。SROCC值的中值为0.9442,PLCC值的中值为0.9500,RMSE值的中值为7.2068,SROCC值,PLCC值和RMSE值的标准差分别为0.0197,0.0189,1.0056,图像分类准确率为87.89%,优于PSNR、BIQI、BLIINDS-Ⅱ和SSEQ这4种主流图像质量评价算法。(2)提出了一种基于经验模态分解的多特征融合的EMDMFF算法。该算法首先利用经验模态分解对图像进行分解得到前两个固有模态函数,并利用分数阶微分算子对其进行增强,在增强后的原图像和增强后的前两个固有模态函数上提取三部分特征:一是亮度归一化系数所拟合的统计特征,二是梯度加权LBP直方图特征,三是结构相似度特征;然后,利用支持向量机构建基于经验模态分解的无参考图像质量评价模型;最后在LIVE图像数据库进行1000次迭代训练测试实验。结果表明,EMDMFF算法采用多模态多特征融合的方法,使得EMDMFF算法在图像质量评价方面具有较高的精度。1000次测试结果SROCC值的中值为0.9568,PLCC值的中值为0.9575,RMSE值的中值为6.6221,1000次测试结果SROCC值,PLCC值和RMSE值的标准差分别为0.0062,0.0074,0.5877,图像分类准确率为92.62%,均优于PSNR,SSIM,BIQI,BLIINDS-Ⅱ,BRISQUE,BIQA,SSEQ和WPD这8种主流图像质量评价算法。EMDMFF算法与这8种算法相比具有一定的竞争性,且在主观质量感知上一致性更高。(3)利用EEMD算法和EMDMFF算法识别太阳能光伏电池图像是否存在缺陷以及缺陷类型。将20幅无缺陷和382幅有缺陷的太阳能光伏电池图像构造成类似LIVE图像库的太阳能光伏电池图像库,用EEMD算法和EMDMFF算法对该光伏电池图像库进行训练测试实验,可以得到图像缺陷分类识别的结果分别为70.24%和72.19%,经过性能比较发现EMDMFF算法在太阳能光伏电池的缺陷识别上有一定的应用价值,并且可以利用评价得到的图像质量分数对图像的缺陷等级进行判定。