1. 研究目的与意义（文献综述）

随着新时代的到来，互联网、计算机和通信技术的不断发展，人类社会己经全面进入信息时代，其中，“图像”作为视觉信息的载体，是人类社会活动中最普遍的信息传播方式。图像质量代表了图像的核心价值，图像质量的高低决定着图像衍生应用的适用范围以及完成质量。然而，由于受到设备本身及外界环境因素的影响，图像在获取、储存、压缩、传输、显示等各个环节中，都会无法避免地出现失真现象，最终影响用户的服务体验。例如：在拍照过程中，设备抖动、聚焦不准及热噪声等可能造成生成图像不清晰的现象，因此同一场景会拍摄多张类似照片，存在大量的照片冗余。另外在图像存储、传输过程中，为提高效率而进行的有损压缩编码，会导致块效应、振铃效应、模糊等图像退化现象，需要进行适当的质量筛选。因此本课题为了解决此现象所产生的问题，设计选择最优质量的照片筛选系统，帮助人们清理空间，提出基于深度学习的图像质量筛选系统。

目前国内外针对图像评价的研究主要有两大方面。一是主观评价，分为绝对评价和相对评价。绝对评价是指评分者根据对单一图像的直观感觉给出分数，采用“全优度尺度”，而相对评价是指评分者先观察一批图像之后，根据图像之间的对比给出相应的评分，采用“群优度尺度”。主观评价虽然充分考虑了充分考虑了对图像感知充分考虑了对图像感知和理解，但耗时、费力、成本高，易受主观因素影响。

与主观评价相对应的是客观评价，具有费用低、速度快、实用性强等优点。其包括全参考评价、半参考评价和无参考评价三种类型。 全参考评价分为四类，一是通过峰值信噪比（psnr）和均方误差（mse）判断图像质量，但这样忽略了图像本身的结构特点和图形意义；二是基于可察觉误差（jnd）模型的图像评价机制，通过测量失真图像之间的可感知差异来判定图像质量，是目前被公认为比较成功的图像质量评价模型；三是利用结构相似度算法（ssim）来判断图像质量，革命性的将结构度量纳入图像评价的范畴，再此基础上延伸出mssim、fsim、iw-ssim等改进算法；最后一种是通过视觉保真度算法（nss）将信息论引入图像质量评价领域，建立视觉质量和图像信息之间的联系，具有非常重要的意义。全参考质量评价方法可获得更准确可靠的评价结果，但是必须应用于可获取原图像的基础上，应用范围较小。

2. 研究的基本内容与方案

本设计是为了实现在完全不借助其他信息的基础上，对照片实现质量评价筛选的功能。需要结合主观评价标准、数字图像处理、机器学习等各方面知识、技术的融合，由此我提出如下技术方案：

首先，对失真图像进行主观评价，利用双刺激损伤评估法、单刺激连续质量评估法、双刺激连续质量评估法等方法进行等级评价，用于为客观评价做评价标准。

第二，学习研究全参考图像质量评价的4种常规方案（psnr、ssim、jnd、vif）,分别利用四种方案对图像进行质量评价，结合主观评价数据，进行横向比较，并获得图像质量评价中可提取的重要参数。

3. 研究计划与安排

1－4周：查阅相关文献资料，熟悉题目含义及基本研究内容，初步了解图片质量评价体系、机器学习深度学习等知识，撰写开题报告。

5－8周：完成图片质量评价算法及深度学习理论学习等内容，学习无参考、半参考和全参考质量评价算法。

9－12周：设计一个基于卷积神经网络的无参考图像质量评价算法，设计并实现深度学习的照片智能筛选系统，测试该系统的可用性和有效性，撰写论文初稿。

4. 参考文献（12篇以上）

1. 李琳,余胜生.基于深度学习模型的图像质量评价方法[J].华中科技大学学报(自然科学版),2016,44(12):70-75.
2. Michele A. Saad,Alan C. Bovik,Christophe Charrier，Blind Image Quality Assessment: A Natural Scene Statistics Approach in the DCT Domain. IEEE Transactions on Image Processing,2012.
3. 贾惠珍,孙权森,王同罕. 结合感知特征和自然场景统计的无参考图像质量评价[J]. 中国图象图形学报. 2014(06).
4. 王啸晨. 基于机器学习的图像质量评价研究[D].天津大学,2016.
5. 周扬，王健.视皮层分区及其fMRI研究进展[J].现代生物医学进展，2006, 09期:79-81.
6. Lubin J, Lubin J，A visual discrimination model for imaging system design and evaluation[J].E Peli Visual Models for Target.Detectionamp;Recognition World Scientific,1995.
7. 陈曦，孟放.一种针对高清图像的JND模型改进方法[J].电视技术，2009, 04期(4):95-97.
8. 崔力,浩明．基于视觉注意机制的图像质量评价[J].东南大学学报:自然科学版,2012,42(5):854－858.
9. 李洪均．根据小波系数分布参数进行图像质量无参考评价[J].应用科学学报,2013,31(2):170－176.
10. 金波,李朝锋,吴小俊.结合NSS和小波变换的无参考图像质量评价[J］.中国图象图形学报,2012,17( 1):33－39.
11. 桑庆兵，李朝锋，吴小俊．灰度共生矩阵的无参模糊图像质量评价[J].模式识别与人工智能,2013, 26(5):492－497.
12. 李朝锋,唐国凤,吴小俊.学习相位一致特征的无参图像质量评价[J]．电子与信息学报,2013,35(2):484－488．.
13. 殷莹．基于广义回归神经网络无参考模糊图像质量评价[J].激光与红外,2013,43(4):466－470.
14. F. Yang, H. Lu, M.-H. Yang, "Robust superpixel tracking", IEEE Trans. Image Process., vol. 23, no. 4, pp. 1639-1651, Apr. 2014.
15. Srivastava, N. et al., Dropout: A simple way to prevent neural networks from overfitting, J. Mach. Learning Res., 2014.
16. Hua, K.L., Hsu, C.H., Hidayati, S.C., Cheng, W.H., Chen, Y.J., Computer-aided classification of lung nodules on computed tomography images via deep learning technique, OncoTargets Therapy, 2014.