随着移动设备、大容量存储设备和互联网服务的日益普及,人们可以更加方便地生成、存储、传输和分享图像、视频等多媒体数据。图像数据的爆炸性增长不仅给我们带来了大量的资源,也给图像处理算法和计算机视觉应用提出了更高的挑战。图像的获取、编码、存储、传输和显示过程都可能造成图像质量的下降,从而影响人的视觉感受或者计算机视觉算法的性能。如何评价图像的视觉质量是计算机视觉领域的一个基础性研究课题。目前研究较多的是无需人工参与的客观图像质量评价方法。这类算法一般从空域或者DCT、Wavelet等变换域提取图像的底层特征或者统计特征,不考虑图像的语义等高层信息。针对现有方法的不足,本文提出了一种同时使用图像底层特征和高层语义信息的无参考图像质量评价方法。本文的主要工作和创新点如下(1)研究和实验分析了图像质量和图像高层语义信息之间的关系。我们研究了人的视觉系统特性,发现人在观察图像时会先关注图像中的目标等高层语义区域,而图像语义信息的变换也会影响人对图像质量的感受。我们通过深度神经网络的分类和语义区域分析实验,发现图像失真会使图像的语义不清晰,且更难以找出其语义区域。(2)本文设计了一种结合图像高层语义信息和底层细节信息的图像质量评价框架。本文采用Object Proposal检测算法得到类别无关的目标区域。这些区域的得分反映了图像的语义清晰度,被用作图像的高层语义特征。同时从这些区域中随机选择一定量的图像块,将它们编码到视觉码本上,将pooling后的编码值用作底层质量特征。这两种特征融合之后,用支持向量回归模型将其映射为图像的质量分值。本文提出的图像质量评价算法在性能上超过了现有的评价算法,且跨平台实验证明本文所提的算法框架有一定的通用性,在和已有算法结合后,可以提高现有算法的性能。