En los sistemas de visión industrial, el modelo de evaluación objetiva con referencia completa es un tema de investigación importante en el área de evaluación de la calidad de imagen. Este artículo propone un modelo de evaluación de calidad de imagen con referencia completa guiado por la información de detalles de la imagen a doble escala. La imagen de prueba se convierte a un espacio de color específico, separando los canales de luminancia y crominancia. Basado en la interacción de gradientes entre la imagen de referencia, la imagen distorsionada y su imagen fusionada, se construye un componente de similitud de gradiente del canal de luminancia, y junto con el análisis de consistencia direccional del canal de crominancia se genera un componente de similitud de color. Mediante la fusión del residuo espectral del canal de luminancia, la información de bordes y las características de contraste adaptativo, se construye un componente acumulativo de detalles de la imagen a doble escala para describir el efecto acumulativo de la información detallada. Finalmente, mediante coeficientes de características, se realiza una fusión ponderada de las desviaciones estándar de los componentes anteriores para obtener el resultado final de la evaluación. Para validar la fiabilidad de este modelo, se realizaron pruebas basadas en cuatro criterios de evaluación: coeficiente de correlación de rango de Spearman (SROCC), coeficiente de correlación lineal de Pearson (PLCC), coeficiente de correlación de rango de Kendall (KROCC) y error cuadrático medio (RMSE) en las bases de datos LIVE, CSIQ, TID2008, TID2013 y KADID-10K. Los resultados experimentales muestran que el valor mínimo de PLCC medido por el modelo en las bases de datos mencionadas fue de 0.8768 (KADID-10K) y el máximo alcanzó 0.9678 (LIVE), el valor mínimo de SROCC fue 0.8648 (TID2013) y el máximo llegó a 0.9610 (CSIQ). En comparación con diversos modelos típicos y de aprendizaje profundo de evaluación objetiva de calidad de imagen con referencia completa, el modelo presenta ventajas evidentes en eficiencia computacional, mostrando al mismo tiempo un buen rendimiento integral en precisión de predicción y generalización.

evaluación de calidad de imagen;referencia completa;doble escala;información de detalles de imagen