目前已存在的图像质量评价方法可以分为两大类：主观评价方法和客观评价方法[1]。主观评价方法主要是观察者对图像质量主观上的感受。主观评价方法实验中，观测者被要求在特定的受控环境中对测试图像的质量进行评价。主观质量评分法(Mean Opinion Score, MOS)是图像质量评价中最具代表性的主观评价方法。主观质量评分法要求观测者对观测图像进行主观评价，然后将所有评分归一化得出图像质量评价的最终结果。一般情况下认为，主观评价方法得出的结论是最直接且最准确的。但是主观评价方法也有缺点，主观评价方法的耗时长、成本高额且极易受观察者的个人因素影响。这些缺点导致主观评价方法无法在实际应用中得到广泛使用。至此，客观评价方法的优势也因此体现出来。63872

客观评价方法的目标是设计一个能够自动预测和感知图像或者视频质量的指标。客观评价方法的一个重要的分类依据是质量评价算法对原始图像信息的依赖程度，由此可以分为全参考型(Full-Reference, FR)、部分参考型(Reduced-Reference, RR)和无参考型(No-Reference, NR)[1]。

全参考型评价方法需要无失真的原始图像(参考图像)，将失真图像与原始图像进行对比后得出图像质量评价结果。然而，现实中的信息交换过程中往往并不能获得原始无失真图像。因此，当全参考型评价方法不能适用时，就需要使用部分参考型评价方法或是无参考型评价方法。部分参考型评价方法不需要原始图像的全部信息，只需要与原始图像的某些特征进行对比就可以得出评价结果。部分参考型评价方法被视频质量专家组(Video Quality Expert Group, VQEG)[18]列为未来最有前途的发展方向之一。当没有任何原始图像，全参考型评价方法和部分参考型评价方法都无法发挥作用，这时就需要无参考型图像质量评价。无参考型评价方法不需要原始图像，直接对失真图像进行分析。人们在没有原始图像的状态下也是可以分辨图像质量的，但是人类视觉相当复杂，我们对其的了解只处于初步状态，因此无参考型图像质量评价方法存在很多难点。论文网

全参考型评价方法是目前最可靠、最具可信性的图像质量评价方法，为部分参考型评价方法和无参考型评价方法提供了理论基础。本论文主要围绕全参考型评价方法进行展开。

全参考型评价方法中最简单直接的方法就是直接通过数学统计来评价图像质量，如，均方误差(Mean Squared Error, MSE)和峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)。这类方法计算简单，运算速度快，但是其缺点也很明显。这类方法没有充分利用图像的位置信息，同等的对待图像上的每个点。因此这类方法不能很好的模拟人类视觉系统(Human Visual System, HVS)感知图像的方式，评价结果也不尽人意。研究人员为了更好的进行图像质量评估，又陆续提出新的图像质量评价指标。

Niranjan Damera-Venkata等人提出一种基于图像降质模型的客观质量评价方法，使用失真度(Distortion Measure, DM)和噪音质量测量(Noise Quality Measure, NQM) 进行图像质量评价[2]。Damon等人提出基于小波域的视觉信噪比(Visual Signal-to-Noise, VSNR)自然图像质量评价方法[3]。这两种方法都建立于人类视觉系统对不同视觉信号的敏感程度不同的基础上。

文献[4]中，Zhou Wang等人提出的基于结构相似度(Structural Similarity, SSIM)的全参考型图像质量评价方法。从图像形成的角度上，结构信息反映了场景中物体的结构，应当独立于图像的亮度和对比度[1]。SSIM的提出，让图像质量评价发展到基于结构的高度之上。在此基础上，研究人员对其进行了各方面的改进。文献[5]中，Zhou Wang等人又提出了结构相似度的多尺度增强，多尺度SSIM指标(Multi-Scale Structural Similarity, MS-SSIM)。Lin Zhang等人提出基于图像低层特征相似的全参考型图像质量评价方法，特征结构相似度指标(Feature Similarity Index, FSIM)[6]，将相位一致性(Phase Congruency, PC)作为主要低层视觉特性，图像的梯度幅值(Gradient Magnitude, GM)作为第二特征编码对比度信息。此外，作者还将FSIM扩展到彩色图像的质量评价，即FSIMC。