题目：基于机器学习的通用型无参考图像质量评价方法研究

数字图像、视频日益成为人们日常生活中离不开的媒体信息。在数字图像的获取、处理、编码、存储、传输和重建的每一个步骤中，通常都会对图像的质量产生影响。因此，图像质量评价算法的研究既有重要的理论意义，同时具有广泛的应用背景，已经成为图像处理领域重要的基础研究课题之一。图像质量的客观评价算法根据是否需要参考图像的信息分为三类：全参考、半参考和无参考评价方法。其中无参考评价方法又可分为针对特定失真类型和应用场合的专用型方法和对任何失真及场合均有效的通用性方法。在很多实际应用中，不仅无法获得原始图像作为参考源，常常也没有图像失真类型等先验知识。因此，本文致力于不需要先验知识和参考图像的通用型无参考图像质量评价方法研究。

由于目前人类对自身视觉机理认识的局限性，现在还难以建立详细描述视觉评价机制的模型。然而利用机器学习的方法可以忽略内部评价机理简化模型，获得与人眼评价结果较高的一致性。本文重点研究了用于图像客观质量评价的局部特征提取及融合方法，提出了一种用于通用型无参考图像质量评价的学习框架。框架中采用了基于图像显著性的特征提取方法和基于视觉词袋模型的编码计算方法，获得了更加符合人眼视觉特性的全局特征。最后以该全局特征向量作为输入构建了机器学习框架，以主观评价分值作为训练目标进行回归学习，用对图像主观评价分值进行预测的方式实现了无参考图像质量的客观评价。

实验结果表明，本文提出的方法对各种失真类型，包括混合失真类型的图像，与主观质量评价结果保持了良好的一致性，而且具有极快的运算速度。