在信息化时代,数字图像已成为人们工作和生活中重要的信息载体。图像在采集、压缩、传输、恢复和处理等过程中,有可能产生不同类型的失真,引起视觉质量的下降,造成视觉信息的损失,并对后续图像处理任务产生不利的影响。同时,失真的类型和程度不同,图像的视觉效果也会不同。因此,需要对图像的视觉质量的进行定性和定量分析。定性分析的目的是对图像中的失真进行检测和类型识别。定量分析的目的是对图像的视觉质量给出量化评分。图像失真检测可以帮助分析引起图像质量下降的原因,为图像处理系统的改进提供参考。图像质量评价可以帮助监控数字化产品的服务质量。此外,图像质量对图像语义信息的理解有非常大的影响,研究这种影响,可以为一些图像处理任务的改进提供帮助。针对绝大多数失真检测方法只能检测单一失真的现状,本文将多标记学习和深度学习相结合,实现了对图像和图像处理系统中多重失真的检测。在训练基于深度学习的图像质量评价模型时,经常采用对图像进行分块的方法扩充训练数据。然而,图像块的真实标记是无法获取的,这一缺陷限制了模型的性能。本文将多实例学习和深度学习相结合,克服了这一缺陷。此外,本文还通过降低图像质量来影响模型对正常模式和异常模式的理解,从而提升了图像异常检测的性能。本文所取得的主要研究成果概况如下:1.提出一种基于深度多标记学习的图像多重失真检测算法。由于失真的遮掩效应,很难准确地检测和识别多重失真的类型。本文提出的算法将图像多重失真检测看作是多标记分类问题,通过分而治之的方法将其分解为多个规模更小、更容易解决的子问题,并为每个子问题分配一个多类别分类器。同时,提出一种基于多任务学习的深度卷积神经网络架构,能够对所有分类器同时进行优化。为了提高算法在不同失真场景下的鲁棒性,本文创建了图像多重失真数据集,涵盖了所有的失真排列场景。该算法能够针对无失真、单一失真和多重失真的图像做出准确的检测。此外,本文提出的网络架构具有良好的可扩展性,可以根据不同检测需求灵活设置分类器和网络分支的数量。2.提出一种基于多视角图像质量评价的系统失真检测算法。现有的研究主要集中在对单幅图像中的失真进行识别的任务上,目前还没有关于检测系统固有失真的研究出现。本文提出的算法采用多幅锚点图像测试特定的图像处理系统,实现对系统中失真的检测。该算法针对不同的失真类型,分别预训练了多个基于深度学习的图像质量评价模型,从不同失真的视角对锚点图像进行质量评价,随后从多个质量评分序列中提取相关性特征,并采用字典学习和多标记分类算法检测系统固有的多重失真。为了提高模型针对不同系统的检测能力,本文创建了系统多重失真数据集。该算法能够对产生多重失真的图像处理系统做出准确的检测。3.提出一种基于深度多实例回归的盲图像质量评价算法。大多数基于深度学习的图像质量评价算法都是基于图像块训练模型。这种方法存在一个严重的缺陷,即图像块的真实标记是无法获取的,这导致了训练出来的图像质量评价模型是次优的。本文提出的算法将基于深度学习的图像质量评价算法嵌入多实例回归框架,利用弱监督学习克服了图像块标记缺失的难题。此外,本文还提出了条件期望最大化算法,简化了深度多实例回归模型的训练过程。该算法有效地提升了图像质量评价模型的性能,并且对不同网络架构具有良好的通用性。4.提出一种基于降质图像修复的异常检测算法。基于重建的算法是一种重要的异常检测算法。然而,深度自编码器具有良好的泛化能力,能够很好地重建异常图像,这使得通过比较重建误差进行检测的方法很难检测出异常图像。本文提出的算法通过添加噪声的方法降低输入图像的质量,引导自编码器从降质图像中学习更加鲁棒的正常性特征;此外,图像质量的下降在视觉上拉近了正常图像和异常图像之间的距离,引导自编码器在测试阶段更多地依据所学到的正常性重建图像。该算法提升了图像异常检测和图像异常分割的性能。5.提出了两种基于异常检测的产品缺陷检测算法。现有的产品缺陷检测采用有监督学习算法,它的缺点是很难收集到足够多的有缺陷的训练样本。本文采用基于无监督学习的异常检测算法进行产品缺陷检测,包括基于球心修正的深度支持向量数据描述算法和基于降质图像修复的检测算法,在训练中只需要正常样本,降低了数据采集的人力成本。本文将这两种算法应用到实际的拉链缺陷在线检测当中,其测试结果验证了两种方法的有效性。综上所述,本文对图像质量的定性分析、定量分析,以及图像质量对图像语义信息理解的影响进行了深入研究,提出了具有创新性的算法。所提出的算法具有重要的研究价值和广阔的应用前景。