视觉信息是人类获取信息的最重要和最主要途径,而图像是传递视觉信息的一种重要载体。从图像(或视频)的获取,处理,存储,传输,重构到显示的每个步骤中都需要对图像的质量进行监控。图像的质量评价分为主观评价和客观评价,主观评价是最可靠的(用来作为基准的),但同时也是最昂贵和最耗时的,且不能用到实时系统中,因此研究和开发能自动,可靠和精确预测主观图像质量的客观评价算法具有非常重要的意义。传统的客观图像质量评价算法(峰值信噪比,PSNR),在预测主观图像质量时效果比较差。尽管目前已有很多取代的算法,也取得了一些研究成果,但是还没有一个广泛适用的,高精度的,能线形预测主观图像质量的算法。针对目前两大类(基于视觉特性的和基于构造的)全参考客观图像质量评价算法的各自的优缺点,本文将寻找一个最佳的结合点(也即视觉上的重要图像特征),避免这两种方法的缺点,且拥有两种方法的优点,从而达到完全实用的目的。本文研究发现,在主观图像质量评价方面,梯度在视觉上的重要性比灰度值或颜色值要大得多。根据对梯度的视觉特性研究,本文发现,人眼对梯度幅值的感知强度也符合Stevens的幂定律,梯度方向对图像的主观质量也有着重要的影响,其它象图像质量分布的均匀性,人眼能感知的梯度幅值阈值,以及随频率而变化的对比灵敏度特性也会影响主观质量评价。根据所观察到的所有梯度方面的视觉特性,本文建立了一个全参考图像质量评价模型,也即多尺度下的视觉梯度相似指标(VGS)。它采用了三个阶段的计算：第一阶段,分别对测试图像和参考图像进行低通金字塔分解,并对分解的每一层计算梯度,然后校准测试图像和参考图像之间的对比度。第二阶段,计算每一尺度下的局部的点状梯度相似,即将点状的梯度方向相似与梯度幅值相似进行相乘。第三阶段,进行尺度内的局部质量合并和尺度间的质量合并,这个阶段还将对比度校准因子和质量均匀度因子作用于每一尺度下的单一质量,尺度间合并时可以考虑对比度灵敏度随频率变化的特性方程。VGS的参数值是通过训练数据库得到的,而它的好的效果是通过交叉验证证实的。在对七个权威的数据库的测试中,实验结果显示了与代表当前技术水平的算法相比,VGS在多个方面上都很有竞争力,包括预测精度,可靠性,线形预测性,简单性以及低的计算成本。这些结果很大程度上依赖于梯度相对于其它图像特征的直观性(而使它容易将视觉特性包括进来)和简单性。由于显著的梯度主要集中图像边界上,为了保护这些主要的梯度特征,本文还提出了基于边界提升小波变换的图像压缩方法。研究这个这个方法的目的是克服传统小波变换用于图像压缩时造成的低码率下的模糊和振铃效应。这个方法的基本思想是将图像分成两部分：边界区域(或边界带)以及剩余图像区域。然后用一维边界小波变换和二维边界小波变换分别作用这两部分,并对边界信息和变换后的系数进行编码。为提高编码效率,边界的前处理过程也很重要,第一是对间距小的近似平行的两条边界用一条脊线取代,第二是用光滑尖锐比对已经检测和折线表达后的边界线和脊线进行修剪。实验结果显示了该方法相比于JPEG2000能明显提高低码率下的视觉质量。