图像质量评价作为一个跨学科问题,涉及诸如计算心理学、生理物理学、信号处理、统计学乃
至行为学等众多领域，具有很高的研究价值。
客观图像质量评价方法根据参考原始图像的程度分为三类：
1) 全参考图像质量评价(full reference, FF-IQA)。需要完整的原始图像和待评价图像进行
比较，是目前研究最为成熟的方法。经典的算法有 Structural Similarity(SSIM)
[2]，visual information fidelity (VIF)[9]等，这类方法的最大的优势是通过参考图像使得评价准确度高，与
主观感知一致性强。但是由于传输的各种途径都几乎不可能使参考图像保持原状，限制了全
参考方法在实际中的应用。
2) 半参考图像质量评价(reduced reference, RR-IQA)。现时通信系统中，接收端一般无法
收到参考图像的全部信息，所以利用辅助信道传递少量辅助信息的部分参考型质量评价方法
应运而生。该类方法的思想是针对一个通信传输系统，增设一条用于传送发送端提取的参考
图像特征的辅助信道，在接收端对经过信道传输的图像按照同样的方法提取对应的特征，并
与辅助信道传送的发送端特征进行比较，获得受损图像的质量评估。其典型的方法有 Li等人
[10]
提出的基于分裂式归一化变换(DNT: Divisive Normalization Transform)的方法，以及侯伟龙
等人[11]
提出的模糊分类评价算法。其最大的优点是在减小系统开销的同时保证较高的质量评价准确性。但是,传输原始图像部分信息的辅助信道仍然增加了系统开销，并且高效特征的提
取方法也成为该类方法发展的瓶颈。
3) 无参考图像质量评价(no reference, NR-IQA)。完全不借助原始图像，仅利用待评价图
像的信息进行评价的方法。由于现实生活中几乎没有完全不失真的原始图像，并且 HVS 也是
在没有任何参考图像的前提下进行评价的，为了使客观评价达到最大程度的拟人化，所以进
行无参考图像质量评价的研究势在必行。正是由于没有参考图像，大大增加了无参考评价的
难度，导致目前仍未达到理想的效果。
目前，在无参考图像质量评价领域，主流方法按照依据的基本原理可大致分为三类。a.
针对特定的失真类型[12]-[14]
。这类方法通过对特定的失真类型建模，去预测其质量评价分数。
这类方法因为其对于失真图像类型的局限性以及要求所处理图像仅受单一失真，这两年研究
的较少；b.机器学习的方法[15]-[16]
。这类方法主要通过对 HVS 特性的研究，对训练样本提取出
一些能够反映图像质量的特征并进行训练，并对测试图像进行分数拟合，预测其质量评价分
数。这类方法易产生高文的特征向量，数据量较大，不适合于实时应用；c.基于自然统计景
象(natural statistic scene, NSS)的评价方法。这类方法是基于自然图像的统计特性进行评价，因
为自然图像只是所有图像里面的一小部分，并且由于它们都具有特定类型的结构而很好辨认。
这类方法可根据模型是否训练了 MOS 值分为分数相关(opinion-aware, OA)和分数不相关
(opinion-unaware, OU)两类方法。其中 OA方法建立训练 MOS 值的模型[17]，而 OU模型仅提
取自然图像集的特征并通过计算待评价图像的特征与自然图像特征的距离来评价图像质量[18]。
1.2.2  遥感图像质量评价
遥感图像质量评价也分为主观评价和客观评价。
遥感图像的主观评价目前主要是依据美国提出的 NIIRS 评价标准。随后美国又开发出通
用图像质量方程 GIQE 来估计 NIIRS 等级。遥感图像的主观质量表现形式可有分数和等级两 基于自由能的遥感图像质量评价(3):http://www.youerw.com/jisuanji/lunwen_20072.html