摘要： 无论噪声来源如何，自然图像中存在的噪声通?；嵬ü敫咂邓婊煞掷锤扇湃嗣嵌酝枷裰柿康母兄痹肷现厥?，甚至会掩盖图像内容。除极低水平（此时可能具有特定作用）外，噪声往往令人厌烦。无失真自然图像与含噪图像之间存在显著的统计差异，这种差异在比较它们的离散小波变换（DWT）系数的经验概率分布直方图时会变得明显：低噪声或无噪声自然图像的DWT系数呈现尖峰厚尾的高狭峰分布；而含噪图像则倾向于呈现低狭峰、尖峰较平缓且尾部较浅的分布。样本峰度是衡量随机变量分布尖峰程度和尾部权重的自然指标。本研究探讨了图像小波系数样本峰度作为驱动特征的有效性，该特征用于训练极限学习机，使其学会将峰度值映射为感知质量评分。我们在LIVE、CSIQ、TID2008和TID2013等图像质量数据库中的五种噪声图像（包括加性高斯白噪声、加性高斯彩色噪声、脉冲噪声、掩蔽噪声以及高频噪声）上对模型进行训练和测试。实验结果表明，相比现有盲噪声评估模型，训练后的模型对含噪图像的质量评估性能更优，同时也优于通用盲评估方法和全参考图像质量评估方法。