一、引言

图像质量分类所使用的方法几乎都依赖于手工特征设计建模，一方面，这些特征基于通用图像质量参数或结构图像质量参数，在新的数据集上泛化能力差，无法应用于较大数据集。另一方面，尽管专家依靠HVS的能力来识别质量差的眼底图像，并且能够适用于新的数据集，但是这种评估在实际中带有很大的主观因素。除此之外，目前基于手工特征的方法不能利用HVS的特点来提高IQA的性能。为了克服上述缺点，我们提出一种基于HVS的图像质量分类方法，该方法将基于卷积神经网络的监督信息与基于显著图的无监督信息结合，并利用这两种特征训练分类器进行图像质量分类。我们使用一种基于全分辨率的显著图，它能够获取与IQA相关的局部以及全局特征，并且在卷积神经网络的学习中利用迁移学习原理，使用微调（fine-tuning）深度卷积神经网络的方法来提高IQA的性能。