今、産業界で、画像の品質を高精度に計測する方法が求められております。これまでの、多くの人に評価値を求め、それらを集計していく主観的評価方法から、コンピュータに自動的に評価値を算出してもらう客観的評価法へとシフトして行っています。しかしながら、特に国内では、客観的評価方法の中の PSNR などのごく限られた評価方法しか用いられていないことがよくありますが、現在では様々な方法が存在してします。本セミナーでは、その基礎から最先端の方法までを丁寧に解説し、どのような利用の仕方があるのかをご紹介致します。今では、画像処理と連動させることができます。
　画像品質評価を行うためのデータベースがいくつか存在します。そこには、それぞれの画質においての主観評価値が付けられますが、その方法をまず解説します。講師の研究室で取り組んでいるデータベース構築についても言及する予定です。
　画像品質の客観的評価方法は、元画像を利用するスタイルによって、リファレンス型、低減リファレンス型、ノンリファレンス型に区分できます。それぞれに特徴があり、それらを解説していきます。また、1枚の画像のみが与えられたときに、1000 人分の主観評価値とほぼ同じ値を算出する、ノンリファレンス型の畳み込みニューラルネットワーク法を講師の研究室で開発したのですが、その内容をご紹介致します。デモもお見せする予定です。このような方法を用いると、大量の画像の中から、高品質な画像のみを自動抽出したり、画像の品質の順位付けを自動に行ったりすることができるようになります。また、動画への利用についても言及する予定です。これらを用いると、 画像が入力されれば、その劣化の種類を自動判別することも可能になります。
　画像処理手法の開発などにも出力画像の評価が必要です。場合によると、特定の劣化パターンに対応する評価が必要かもしれません。OCR との兼ね合いも最近重要視されています。比較的軽視されがちな画像の品質評価について、その重要性と将来性をお伝えできればと考えております。

1. はじめに
   1. 最近の画像処理技術の動向
   2. 画像品質評価の位置付け
2. 画像の品質評価
   1. 主観評価
   2. 客観的評価
3. 客観的評価方法
   1. フルリファレンス型
   2. 低減リファレンス型
   3. ノンリファレンス型
4. 画像データベース
   1. 代表的な画像データベース
   2. 劣化の種類と程度
   3. 主観値の付与
5. フルリファレンス型
   1. PSNR (Peak Signal to Noise Ratio)
   2. SSIM (Structural Similarity)
   3. FSIM (Feature Similarity)
   4. 組み合わせ法
6. 低減リファレンス法
7. ノンリファレンス型
   1. BRISQUE (Blind/Referenceless Image Spatial QUality Evaluator)
   2. 畳み込みニューラルネットワーク法 (CNN)
   3. 最近の方法
8. 応用例
   1. 高品質な画像のみを自動選択
   2. 画像品質の自動順位付け
   3. 画像劣化タイプの自動分類
   4. 車載などの動画へ利用
   5. 画像処理との連動 等
9. 今後の発展