图像质量评价使用数学计算模型来测量与主观评估一致的图像质量,它是计算机视觉领域中一项基础且重要的任务。图像质量评价主要是为了使图像的评估可以契合人类视觉系统,同时还能够避免因为个人主观情绪对事物的评估存在偏差所带来的影响。它在指导压缩编码、网络流量监控、如何选择相机参数和对图像的处理等方面有重要作用。其中图像质量评价根据参考图像信息的多少,分为全参考图像质量评价、半参考图像质量评价和无参考质量评价。在过去的十多年中,心理学家,神经生物学家和计算机科学家对视觉显著性进行了广泛而深入的研究。近年来,研究学者在图像质量评价方向中引入了视觉显著性特征来帮助算法提升性能。视觉显著性体现了人类视觉系统对图像中物体的关注度,并且能够帮助人们提取图像中的关键信息。基于视觉显著性的全参考图像质量评价算法更加符合人类视觉系统对图像的感知,所以性能更加优秀。但仅使用视觉显著性特征评价图像质量在准确程度上难以令人满意,全参考图像质量评价中除视觉显著性特征外仍然融合多种基础特征以获得更好的评价性能。本文对视觉显著性、梯度幅度和颜色相似度进行深入研究,现有算法在计算梯度幅度时忽略了梯度方向的不同这会对评测结果造成一定的影响而且还存在颜色相似度计算效率低得缺点。基于以上两个问题,本文提出了一种全参考图像质量评价改进算法。首先,本文在计算亮度通道的梯度幅度时,对亮度通道进行融合,并且分别参考图像和待测图像对于融合后的亮度通道的梯度幅度相似度,综合求出最后的梯度幅度相似度,解决了现有算法关于梯度的问题。其次,本文在计算颜色相似度的时候,联合两种颜色通道计算颜色相似度,减少了两种颜色通道独立计算颜色相似度的复杂程度,增加了计算效率。这种计算颜色相似度的方式也对总体的算法性能带来了提升。最后,本文算法通过结合视觉显著性、改进的梯度幅度和融合后的颜色相似度在四个业内使用比较广泛的图像质量评价数据库上进行测试,实验结果证明了本文所提出的算法性能更有竞争力。近年来基于卷积神经网络的无参考质量评价算法开始逐渐参考全参考质量评价算法,算法通过预测得到图像的失真图。但参考的算法是基于基础特征全参考质量评价算法,没有应用视觉显著性。这种算法不能很好的契合人类视觉系统对图像质量的感知。本文在基于基础特征的预测上,引入了视觉显著性特征。通过在图像质量评价数据库上的实验,结果表明本文提出的基于卷积神经网络的图像质量评价算法在一定程度上更契合人类视觉系统对图像质量的感知。