全文总字数：1919字

1. 研究目的与意义及国内外研究现状

多媒体技术的发展，立体图像/视频给我们带来了极大的视听享受。人们越来越追求高清画质/丰富多彩的试听体验以及更加出色的人机交互。视觉信息的处理通常伴随着获取、压缩、增强和传输，这代表着图像信息的损失。我们需要可靠的图像质量评价方法来判断图像的质量。可靠的图像质量评价标准可用于监控网络视频的服务状况、分配压缩算法中的比特率参数、校准图像采集和处理系统等。简单靠人眼来对图像进行质量评价，程序繁琐。同时,如果按照传统的信号误差统计方法如psnr和mse等方法评价，结果并不能很好的符合人眼的主观感受。因此为了进一步推动图像处理技术的发展,需要研究基于人眼视觉感知的图像感知质量评价方法。所以我们需要更加可靠的客观质量评价方法来对图像质量做出统一的判断。所以如果能够提出一种合适的算法，充分考虑图像本身的结构特征以及人眼的视觉感受，便能够得到一种能够更加精准判别图像质量的评价方法。

国内外研究现状

由于人类视觉系统是大多数真实应用中感官信息的最终接收者，因此基于主观测试进行评估是siqa最可靠的方法。然而，主观测试费时较长，过程繁琐，人力代价很高。

2. 研究的基本内容

实验决定结合图像的SSIM图、Sobel算子下的图像边缘图、深度图、以及SDSP模型下的显著图。将这四类特征图作为卷积神经网络的输入，充分读取特征图像中的信息，得到图像质量评价分数。最后计算图像客观质量评价分数和主观质量评价分数之间的相关性，来评价此图像质量评价方法的好坏。SSIM是经典的图像质量评价方法。它把物体结构相关的亮度和对比度作为图像结构信息的定义。图像边缘信息是图像的一个重要特征，在图像中显示为图像信息变化剧烈，且容易被人眼捕捉到。模仿人眼对于信息的处理是提取图像边缘信息的意义所在。与前两种特征信息的提取不太一样，深度图体现了左右眼图像两者之间的关系，涵盖左右眼图两者之间的视觉关系，体现了物体在现实环境中的位置关系，对深度图进行特征学习可以学习到立体图像中的立体信息。显著图的提取则是试图将左右眼图像融为一体，结合人眼的视觉特性，例如人眼会更加关注视觉中心的图像，人会被暖色图像吸引。

3. 实施方案、进度安排及预期效果

实施方案：利用matlab提取特征图。利用tensorflow搭建卷积神经网络，对特征图进行处理，得到较好的图像质量评价分数。进度安排：

2018年10月：收集相关资料，确定设计总体方案，完成开题报告。

2018年12月~2018年1月：查阅资料，完成开题报告。

4. 参考文献

[1]李秋珍,栾朝阳,汪双喜.基于卷积神经网络的人脸图像质量评价[j].计算机应用,2019,39(03):695-699.

[2]瞿晨非. 基于cnn的无参考立体图像质量评估算法的研究与实现[d].山东大学,2016.