随着计算机软硬件尤其是智能机器视觉技术的发展,与视频相关的网络多媒体应用得到了迅猛的发展,尤其以视频监控、网络电视为代表的大规模联网,需要效仿人类视觉智能,在缺少原始场景信息的前提下进行无参考的降质图像评价。通常情况下,图像噪声和图像模糊是造成图像质量低下最普遍的两种失真,本文主要针对图像噪声和图像模糊失真对图像质量降低的影响,展开了对无参考降质图像评价方法的研究。论文重点以蚁群算法为突破点,通过简单智能个体的协同演化,实现群智能性并摆脱统计方法对退化模型精确性描述及估计束缚。上述理论成果可用于优化相关图像处理算法,并在安防监控领域进行实验验证。本论文主要工作包括:1)提出了基于图像空间特征一致性的降质图像盲估计方法。基于图像空间特征一致性的降质图像盲估计包括两个研究内容:基于颜色特征一致性的降质图像噪声估计和基于纹理特征一致性的降质图像噪声估计。基于颜色特征一致性的降质图像噪声估计算法是基于块相似度特征的噪声参数估计方法,利用图像块内像素间存在一定的一致性原理,根据块相似度选择图像中的平滑块,通过加权平均的方法估计整个图像的噪声方差,然后根据图像噪声方差自适应选取阈值,并结合人眼视觉掩盖效应对盲图像噪声进行评价。基于纹理特征一致性的降质图像噪声估计算法首先提出了一种根据纹理强弱程度来衡量图像的平滑程度,从而选择弱纹理的图像块;其次提出了一种运用特征值分析来进行图像噪声估计方法。通过仿真实验证明,这两种方法的提出验证了图像特征一致性估计对图像质量评价的有效性。2)提出了基于可变蚁群算法的降质图像盲评价方法。结合图像特征一致性,文章进一步提出基于可变蚁群算法的降质盲图像评价算法(Deformable Ant Colony Optimization,DACO)。DACO 算法根据图像颜色特征一致性计算得到蚂蚁食物,并充分考虑到蚂蚁在觅食的过程中,体积自适应变化的机制。对于越平滑的区域(食物多的区域),蚂蚁不仅留下的信息素越多,而且蚂蚁的体积会增大。同时,蚂蚁体积越大,需要的食物就越多。这样体积与食物之间形成一个负反馈机制。实验结果证明,提出可变蚁群算法性能优于常规方法,能提供更准确的噪声统计估计,并能对仿真图像和现实生活中的实际噪声图像进行一致性的图像质量评价。3)提出了基于蚁群最短路径的降质视频盲评价方法。传统的蚁群算法目的在于找噪声图像中的平滑区域,基于蚁群最短路径的盲视频质量评价算法(Modified Ant Shortest Path,MASP)充分考虑到蚂蚁在觅食过程中的路径信息,认为“过程比结果更重要”。MASP方法利用图像梯度信息,通过结合最短路径思想生成蚂蚁的运动路径,针对蚂蚁在不同质量视频/图像上的不同运动路径这一特性,完成对失真图像的盲识别。通过在标准图像库和安防监控视频库中实验测试表明,基于蚁群最短路径的降质图像评价与人眼主观评分能够获得较高的一致性,并且开辟了基于蚁群路径算法的新路。4)提出了基于类间蚂蚁竞争模型的降质图像清晰度感知方法。蚂蚁在觅食过程中会出现群聚现象,群与群之间通过某种方式交换有用信息的同时,种群之间存在相互竞争关系,促使种群之间的协同进化。本文受双种群思想的启发,结合种群竞争思想,提出一种基于类间蚂蚁竞争模型的盲图像清晰度感知算法(Ants Competition Model Algorithm,ACMA),首先设定两类蚂蚁,根据每类蚂蚁设定食物目标不同,两类蚂蚁相互竞争,“优胜劣汰”,最终找到各自的食物。具体来讲,一类蚂蚁以图像强边缘区域为食物,另一类蚂蚁以图像平滑区域为食物,两类蚂蚁竞争寻找食物,最终根据两类蚂蚁分泌的信息素竞争得到最终的结果。通过与典型方法对比结果表明,基于类间蚂蚁竞争模型的降质图像清晰度感知具有很高的主客观一致性。