图像质量评价旨在评估成像系统还原拍摄主体真实色彩及纹理的能力。结合评价结果,图像效果工程师可以针对性地优化图像处理算法及其参数,尽可能地提升用户对图像的主观感受。近年来研究领域多采用深度学习的方式评价图像质量,这类方法能够在现有数据集上获得较高的准确率,但是因为神经网络仍存在很多不可解释性,很难应用于工程领域指导图像处理算法的优化过程。工程领域在解决图像质量评价问题时通常采用以像质专家为中心的解决方案,但是专家在整个流程中会不同程度地引入自己的个人想法,有时不能得到客观的结果。而且人工评价图像相当耗时,导致实际工程中单次迭代周期很长,效率低下。因此有必要设计一套基于数字图像处理和机器学习模型的自动化像质评价辅助决策系统,在提升专家评测效率的同时使用多种客观参数保证专家评价结果的有效性。在手机图像质量评价辅助决策系统的研制与开发任务中,本文进行了如下工作:(1)分析工程领域图像质量评价项目的一般流程,总结工程项目中存在的问题:评测结果受专家主观情绪干扰,不同专家结果不一致,评测周期长,像质专家数量不足;(2)根据工程项目流程设计了手机图像质量评价辅助决策系统的系统架构,使用场景描述,关注区域检测,图像质量评价和像质打分四个模块模拟像质专家在评测过程中进行的操作,以标准化图像文件为输入,输出辅助专家决策的像质评价结果;(3)对辅助决策系统各模块进行功能设计,技术选型和算法实现。其中包括:场景描述模块,使用图像分类网络为每组图像赋予场景描述;关注区域分割模块:使用语义分割,人脸检测和基于边缘信息的分割方法将原图分割成待评价的若干图像子块;图像质量评价,应用数字图像处理技术针对五个评价项评价图像质量;像质打分,设计了一套能够自学习各个关注区域的权值和定性问题判断的阈值的统计模型。单级测试结果表明,系统各模块所选用的算法均能实现对应的功能。工程数据集的整体实验结果表明,使用自学习参数的系统能够能够一定程度上地得到与专家相似的像质评价结果,可以完成辅助专家完成像质评价的任务。