视觉信号，特别是图像信号在人们的日常生活中起着越来越重要的作用。而随着智能手机等廉价设备的普及，图像的获取也变得越来越方便。然而，在采集、存贮、传输等各个环节中，图像都有可能受到各种不同的结构失真，从而造成主观体验的大大降低。为了评价图像所具有的这种主观体验的满意程度，图像质量评价算法应运而生。另外，图像质量评价也可以在其他领域得到广泛的应用，如图像处理算法与系统的测试、图像处理算法与系统的设计和优化、在线视频服务质量监控以及网络资源分配与优化等。由于其巨大的实际应用价值，近年来图像质量评价得到广泛的研究。
针对现有的图像质量评价研究中存在的问题，本论文以人类视觉系统的初级视觉特征梯度特征和高斯拉普拉斯信号（Laplacian　of　Gaussian,　LOG）为出发点，从不同的角度给出简单有效的解决方案。本论文的主要研究工作包括以下几个方面。
1）提出基于图像梯度模值相似度离差的评价模型。论文中分析了原始图像和失真图像梯度模值的逐点相似图对图像的局部细节保留程度的刻画能力；基于图像局部质量的变化程度可以反映图像的整体质量的假设，提出采用局部质量的离差计算对失真图像整体退化程度进行估计的方法。该方法不但预测性能准确，而且具有很少的计算复杂度，可以有效且快速的对图像质量进行评价，易于实时系统应用。
2）在图像的LOG信号域和非线性归一化的LOG信号域分别提出相似性计算和均方误差（Mean　Squared　Error,　MSE）计算的全参考图像质量评价模型。论文中对LOG算子在自然图像和失真图像的白化能力进行分析，提出了LOG信号相似性的计算模型，可以得到明显有效的图像质量预测性能。在进一步结合人类视觉系统的非线性之后，建立可以去除LOG信号高阶冗余的非线性归一化模型，并在此基础上采用简单的MSE计算模型（NLOG-MSE）。该方法不但具有出色的质量评价能力，同时具有MSE计算所带来的良好的数学性质，大大方便图像质量评价算法在其他领域的应用。对于所提出的NLOG-MSE方法，从信息论出发，证明其局部质量预测结果与图像在LOG域互信息之间的等效性，从而在一定程度上说明NLOG-MSE对局部质量预测的合理性。
3）提出了可以评价图像退化程度的距离度量指标：结构均方误差和感知一致性均方误差。论文通过引入图像中的结构误差对传统的误差评价方法MSE进行改进，得到可以预测图像质量的结构均方误差模型（SMSE）；经过进一步的理论证明，我们发现同时采用梯度和拉普拉斯两个结构算子时，结构均方误差即可近似等效为图像高斯平滑后的均方误差，本论文中命名为感知一致性均方误差（PAMSE）。SMSE和PAMSE都是符合距离度量指标的评价方法，从而为图像信号提供新的基于感知评价指标的误差度量准则。
4）提出基于高斯梯度模值和LOG信号联合统计特性的图像质量感知特征。该特征通过高斯梯度算子和LOG算子对视觉神经元感受野进行模拟，通过联合自适应归一化对图像中大范围的对比度变换进行均衡。在此基础上通过梯度模值和LOG信号之间的互相作用以及各自的边缘概率分布对图像的质量进行预测。大量的实验证明该特征对于盲图像质量预测的有效性，以及优秀的数据库泛化能力。
5）提出基于图像自相似性统计特性的图像质量感知特征计算框架。该框架利用图像的尺度间自相似性和尺度内自相似性对图像中的冗余性进行度量，其中相似性计算可以采用任何已经发表的全参考评价方法或者MSE进行。通过对现有的几种有效的图像质量感知特征进行二维可视化分析，验证本论文所提出特征在图像质量评价任务中的有效性。论文中对三种相似性计算方式rNSE、SSIM和MSE分别进行分析，当应用在盲图像质量评价中时，基于这三种计算的自相似性特征都可以取得非常有效的图像质量预测性能。
6）提出基于感知质量聚类的无需图像主观质量评分进行训练的盲图像质量评价模型。该模型从两个方面对图像局部块进行描述：局部块质量和局部结构。对于局部块质量，该模型创新性的利用全参考评价算法对大量的样本图像块进行质量估计并按照质量等级分组；对于局部结构，该模型在每一个质量等级内对所有图像块样本进行聚类学习，得到一系列可以作为码书的聚类中心。对测试图像采用具有感知质量等级的码书字典表示，得到对图像中每个块的局部质量预测，进而通过平均得到整幅图像的质量预测结果。该方法的图像质量预测性能在大量实验中得到验证，其不依赖与主观评分的特性将很大的盲图像质量评价方法在实际系统中的应用。
本文的研究成果揭示了初级视觉特征在图像质量感知过程中的重要作用，在一定程度上验证了人类视觉系统的早期处理机制，包括初级视觉特征的提取，空域对比度掩盖效应模型以及视觉系统的去冗余性，具有重要的理论意义。无论是全参考图像质量评价还是盲图像质量评价，本文所提出的方法从对图像质量预测的准确性以及方法本身的计算效率方面都有了很大的提高，为图像质量评价方法在其他领域的广泛应用提供可能，具有重要的应用价值。