图像增强算法旨在针对不同的应用场景,有目的地增强图像的部分感兴趣区域,从而提升其视觉效果和感知质量。现阶段增强算法的性能评价指标大多基于增强前后图像的像素误差来设计。然而,这类基于像素误差的质量标准仅依赖于增强前后图像像素值的平均差异来度量增强效果的好坏,从而无法描述不同增强算法在增强过程中产生的各类局部特异性失真以及图像感知质量变化。因此,其对于不同增强算法的性能度量结果往往不符合人类的主观判断。针对上述问题,本文从多曝光图像融合和超分辨率重建这两种增强算法出发,探究其增强手段、增强目的和增强过程中易产生的特异性失真,分别对这两种增强算法构建合理的质量度量模型,具体研究成果如下:针对当前超分辨重建算法所产生的各类特异性失真无法被有效度量的问题,提出一种基于广域失真维度集成的超分辨重建质量评价算法。首先,该算法对输入图像进行多尺度缩放,并分别在不同尺度上提取颜色域、纹理域等多个感知域的失真特征描述子。接着,对不同尺度下的同类特征和同一尺度不同特征分别建立对应的系数回归模型以生成各感知域下的失真占比系数。最后,该算法构建了一种两阶段集成策略,将所得占比系数进行融合来得到增强图像的广域失真质量描述特征,并将该特征映射为图像的质量预测分数。实验结果表明,该算法对于重建过程中产生的多种特异性失真具有精准地描述能力,其对不同超分辨算法增强效果的评估结果也与人类主观感受之间存在很高的一致性。针对当前超分辨率算法所使用的基于像素误差的优化函数将导致整体像素分布过于平均,从而不能有效提升重建图像真实感知质量这一问题,提出了一种基于感知自适应的图像超分辨重建算法。首先,构建感知特征提取块,并通过对该特征提取块进行堆叠构建质量感知网络。然后,该算法利用质量评价公开数据集对所提出的质量感知网络进行预训练以完成参数分布的初始化。接着,将质量感知网络参数固定,并利用感知网络的浅层和深层输出分别作为纹理质量描述特征和语义质量描述特征。之后,利用超分辨重建图像在这两种特征上的重建误差作为质量感知损失,并使用该感知损失自适应地指导超分辨率重建模型的训练。最后,将训练过的重建模型用于低分辨率图像恢复。实验结果表明,本章算法重构出的超分辨率图像具有更真实的纹理细节和更加锐利的边缘轮廓,具有更好的视觉感受,明显优于现有主流的超分辨率增强算法。针对多曝光融合图像亮度分布和美学感知分布在融合过程中易被破坏,严重影响融合图像亮度一致性和美学特性的问题,提出一种基于亮度分布模式和美感测评的多曝光融合图像质量评价算法。首先,该算法利用了多通路孪生网络构建亮度误差回归器,并利用质量评价数据库中的主观标签值之间的相对大小构造百万组图像排序对数据集,并使用该排序对数据集对亮度误差回归器进行预训练。然后,利用预训练后的亮度误差回归器捕获多曝光融合图像的亮度分布模式特征。接着,将基于VGG16改进的多任务美感测评器在大型美学数据库上预训练后并固定参数作为特征提取器,利用该美学特征提取器获得融合图像的美学感知分布特征和美学类标。最后,使用浅层综合网络将上述特征进行融合,并学习融合后特征与主观分数标签之间的映射函数。实验结果表明,该算法可以对融合图像的亮度分布模式和美学感知分布进行可靠量化,进而得到准确的感知质量预测,并且对不同融合算法之间的性能比较结果与主观判断具有良好的一致性。