图像质量评价（Image Quality Assessment, IQA）是图像处理、计算机视觉领域的基础研究方向，核心是通过算法量化图像的视觉失真程度与主观观感一致性。目前行业内已形成主观评价 与客观评价 两大体系，其中客观评价算法 又依据是否依赖原始参考图像，分为全参考、半参考、无参考三类，以下为该领域各维度的经典算法，按成熟度与行业认可度逐一梳理。
一、基础分类体系
图像质量评价算法的核心分类逻辑，决定了算法的适用场景与设计思路，具体如下：
| 评价类型 | 核心定义 | 优势 | 局限性 |
|---|---|---|---|
| 主观评价 | 依托人类观察者对图像质量打分，是质量评价的"金标准" | 完全贴合人眼视觉感知 | 成本高、效率低、易受环境与个体差异影响，无法工程化实时使用 |
| 全参考IQA | 需完整的原始无失真参考图像，通过对比失真图与参考图的差异计算质量分数 | 评价精度高，算法成熟，适合有原始图像的场景 | 必须获取原始参考图，无法适配无原始图的实际场景（如网络传输、监控抓拍） |
| 半参考IQA | 仅提取原始图像的部分特征作为参考，无需完整原图 | 兼顾精度与实用性，对存储、传输成本要求低 | 评价精度略低于全参考，特征设计的合理性直接影响效果 |
| 无参考IQA（盲评） | 无任何原始参考信息，仅通过失真图像本身的特征预测质量分数 | 工程实用性极强，适配绝大多数无原始图的真实场景 | 算法设计难度高，早期传统方法精度有限，是当前研究的核心方向 |
二、经典主观评价方法
主观评价是客观算法的校验基准，行业通用的经典方案主要为：
- 平均意见分（Mean Opinion Score, MOS）
- 核心规则：组织多名观察者，对图像按5分制（1分=极差，5分=极佳）独立打分，最终取所有分数的算术平均值作为图像质量分数。
- 应用：是图像、视频质量评价的国际通用标准，广泛用于客观算法的训练与验证数据集构建。
- 差分平均意见分（Differential Mean Opinion Score, DMOS）
- 核心规则：观察者直接对比失真图像与原始参考图像，对二者的质量差异打分，最终取平均差分分数，更聚焦"失真程度"而非绝对质量。
- 应用：多用于全参考评价算法的性能验证，能更精准地反映算法对失真的检测能力。
三、全参考类经典算法
全参考算法是图像质量评价领域发展最早、体系最成熟的分支，以下为行业公认的里程碑式经典方法：
1. 基础像素级算法
- 均方误差（Mean Squared Error, MSE）
核心原理：计算失真图像与参考图像对应像素灰度值的均方误差，数值越小代表图像失真越小。
特点：计算极简、复杂度极低，是最基础的质量评价指标，但完全未考虑人眼视觉特性，对人眼不敏感的像素差异过度敏感，与主观观感一致性差。 - 峰值信噪比（Peak Signal-to-Noise Ratio, PSNR）
核心原理：基于MSE推导，公式为 PSNR=10log10((2n−1)2MSE)PSNR = 10\log_{10}\left(\frac{(2^n-1)^2}{MSE}\right)PSNR=10log10(MSE(2n−1)2)（n为图像位深，通常为8），数值越大代表图像质量越好。
特点：目前工程领域最常用的基础评价指标，广泛用于图像压缩、传输、重构的初步质量校验，缺点与MSE一致，与人眼视觉感知存在偏差。
2. 基于人眼视觉特性的经典算法
- 结构相似性（Structural Similarity Index, SSIM）
提出者：Zhou Wang等，2004年，是全参考IQA领域里程碑式的经典算法 ，彻底改变了传统像素级评价的思路。
核心原理：认为人眼对图像的亮度、对比度、结构信息 最为敏感，从三个维度分别计算相似度，最终融合得到SSIM分数（取值0~1，越接近1质量越好），公式为：
SSIM(x,y)=[l(x,y)]α⋅[c(x,y)]β⋅[s(x,y)]γ SSIM(x,y) = [l(x,y)]^\alpha \cdot [c(x,y)]^\beta \cdot [s(x,y)]^\gamma SSIM(x,y)=[l(x,y)]α⋅[c(x,y)]β⋅[s(x,y)]γ
其中l(x,y)l(x,y)l(x,y)为亮度相似度，c(x,y)c(x,y)c(x,y)为对比度相似度，s(x,y)s(x,y)s(x,y)为结构相似度。
特点：大幅贴合人眼视觉感知，计算效率高，成为后续绝大多数IQA算法的基准，至今仍广泛应用于图像复原、超分辨率、压缩等领域的质量评价。 - 多尺度结构相似性（Multi-Scale SSIM, MS-SSIM）
核心原理：SSIM的经典改进算法，对图像进行多尺度高斯金字塔分解，在不同尺度下分别计算SSIM，再通过加权融合得到最终分数。
特点：解决了SSIM对图像分辨率、尺度变化敏感的问题，对不同尺寸、不同失真类型的图像评价鲁棒性更强，是SSIM的工业级优化版本。 - 特征相似性（Feature Similarity Index, FSIM）
核心原理：基于人眼对图像相位一致性 和梯度幅值 的敏感性，提取这两类核心视觉特征计算相似度，同时引入权重系数强化重要特征的影响。
特点：评价精度显著优于SSIM，对多种常见失真（高斯模糊、噪声、压缩失真等）的适应性更强，是全参考算法中高精度的经典代表。 - 视觉信息保真度（Visual Information Fidelity, VIF）
核心原理：基于信息论与自然场景统计模型，将图像视为信息载体，计算失真图像相对于参考图像的视觉信息传递效率，分数越高代表信息保真度越好。
特点：从信息传递的本质角度评价质量，与人眼主观观感的一致性极高，尤其适合复杂失真场景的评价。
四、半参考类经典算法
半参考算法兼顾精度与实用性，经典方法多基于变换域特征提取，核心代表如下：
- 基于DCT的半参考IQA算法
核心原理：对原始图像与失真图像分别进行离散余弦变换（DCT），提取中频、高频关键DCT系数作为参考特征，对比二者系数的统计差异计算质量分数。
特点：计算复杂度低，系数传输开销小，适合图像网络传输过程中的实时质量监控。 - 基于小波变换的半参考IQA算法
核心原理：利用小波变换的多分辨率特性，提取原始图像小波子带的均值、方差、能量等统计特征作为参考，对比失真图像对应子带的特征偏差。
特点：对图像的纹理、边缘失真敏感，适配遥感图像、医学图像等专业场景的半参考评价。 - 基于关键特征点的半参考IQA算法
核心原理：提取原始图像的SIFT、SURF等关键特征点及描述子，仅传输少量特征点信息作为参考，匹配失真图像的特征点，通过匹配率与特征偏差评价质量。
特点：参考数据量极小，鲁棒性强，适合带宽受限的移动终端、物联网设备的图像质量评价。
五、无参考类经典算法
无参考IQA是当前工程应用的核心方向，经典算法分为基于自然场景统计（NSS）的传统方法 与基于深度学习的方法两类，其中传统方法为领域奠基性成果：
1. 基于自然场景统计的经典盲评算法
- BRISQUE（Blind/Referenceless Image Spatial Quality Evaluator）
提出者：Mittal等，2012年，是无参考IQA领域最具代表性的经典算法之一 。
核心原理：基于自然场景的高斯统计特性，提取图像局部归一化亮度的均值、方差、偏度、峰度等统计特征，通过支持向量机（SVM）训练回归模型，预测图像质量分数。
特点：无需依赖失真类型先验信息，对多种常见失真均有良好评价效果，计算效率高，是传统盲评算法的基准。 - NIQE（Natural Image Quality Evaluator）
核心原理：完全无监督的经典盲评算法，无需人工标注的MOS分数训练，通过构建多元高斯模型拟合高质量自然图像的统计分布，计算失真图像与该模型的拟合偏差，偏差越小代表质量越好。
特点：无需训练数据，通用性极强，适合无标注数据集的图像质量快速评价，是无监督盲评的里程碑方法。 - BIQI（Blind Image Quality Index）
核心原理：先基于小波域特征对图像的失真类型进行分类，再针对不同失真类型（如JPEG压缩、高斯噪声、模糊等）设计专属的质量评价模型，最终输出分数。
特点：分类型评价提升了精度，是早期针对性盲评的经典方案。 - BLIINDS-II
核心原理：基于离散余弦变换域的自然场景统计特征，提取DCT系数的高阶统计量，结合回归模型预测质量，对JPEG、JPEG2000等压缩失真的评价效果尤为突出。
2. 基于深度学习的经典无参考算法
随着深度学习的发展，基于神经网络的IQA算法成为新的经典，代表性方法包括：
- CNN-IQA：首个基于卷积神经网络的端到端无参考质量评价模型，直接通过CNN提取图像深层视觉特征，回归预测质量分数，开启了深度学习IQA的研究方向。
- DIQA（Deep Image Quality Assessment）：构建多分支CNN网络，分别提取图像的全局与局部特征，融合后进行质量预测，精度大幅超越传统NSS类算法。
- HyperIQA：基于高阶特征交互的深度学习IQA模型，通过捕捉特征间的关联关系，进一步提升对复杂失真的评价能力，是当前高精度盲评的经典深度学习方案。
六、经典算法的应用场景总结
| 算法类别 | 经典代表 | 核心应用场景 |
|---|---|---|
| 全参考基础算法 | MSE、PSNR | 图像压缩、传输、重构的快速初步校验，工程化基础指标 |
| 全参考高精度算法 | SSIM、MS-SSIM、FSIM、VIF | 图像超分辨率、去噪、复原、修复的算法效果验证 |
| 半参考算法 | DCT-based、小波-based RR-IQA | 网络图像传输实时监控、带宽受限设备的质量检测 |
| 无参考传统算法 | BRISQUE、NIQE、BIQI | 监控抓拍、手机拍摄、网络传播等无原始图的场景质量评价 |
| 无参考深度学习算法 | CNN-IQA、HyperIQA | 复杂失真场景、专业医学/遥感图像的高精度盲评 |