圖像質量評價（Image Quality Assessment,IQA）是圖像處理中的基本技術之一，主要通過對圖像進行特性分析研究，然后評估出圖像優劣（圖像失真程度）。
主要的目的是使用合適的評價指標，使得評價結果最符合人類主觀評價。
從有沒有人參與的角度區分，圖像質量評價方法有主觀評價和客觀評價兩個分支。
圖像質量主觀評價：
主觀圖像質量的評價方法是以人的主觀意識為判斷的評價方法，主觀評價方法主要可分為兩種：絕對評價和相對評價。
絕對評價： 評價指標是平均主觀分（MOS）,圖像質量的絕對評價都是觀察者參照原始圖像對待定圖像采用雙刺激連續質量分級法。將待評價圖像和原始圖像按一定規則交替播放持續一定時間給觀察者，然后在播放后留出一定的時間間隔供觀察者打分，最后將所有給出的分數取平均作為該序列的評價值，即該待評圖像的評價值，
國際上也對評價尺度做出了規定，對圖像質量進行等級划分並用數字表示，也稱為圖像評價的5分制“全優度尺度”（優：5分，良：4分，中：3分，差：2分，劣：1分）
相對評價：評價指標是差異平均主觀分（DMOS）,相對評價中沒有原始圖像作為參考，是由觀察者對一批待評價圖像進行相互比較，從而判斷出每個圖像的優劣順序，並給出相應的評價值。
通常，相對評價采用單刺激連續質量評價方法，將一批待評價圖像按照一定的序列播放，此時觀察者在觀看圖像的同時給出待評圖像相應的評價分值。相對於主觀絕對評價，主觀相對評價也規定了相應的評分制度，稱為“群優度尺度”。也是5分制。
主觀評價方法需要大量的專業人士，耗時費力，而且不適應於實際應用。
圖像質量客觀評價：
客觀質量評價方法是指脫離人的主觀意識判斷，主要通過函數擬合或者機器學習的方法來建立一個模型，對待評圖像進行相關的處理運算，得到圖像的評價值。
優秀的圖像質量算法應該具有三個特點：與人眼感知相符；具有通用性；結果具有單調性，穩定性。
圖像質量客觀評價可分為全參考（Full-Reference,FR），部分參考（Reduced-Reference,RR）和無參考（No-Reference,NR）三種類型。
全參考： 比較適合作為評價指標，全參考圖像質量評價是指在選擇理想圖像作為參考圖像的情況下，比較待評圖像與參考圖像之間的差異，分析待評圖像的失真程度，從而得到待評圖像的質量評估。
基於圖像像素統計基礎的有： 峰值信噪比（Peak-Signal to Noise Ratio,PSNR）和均方誤差（Mean Square Error,MSE）。PSNR與MSE都是通過計算待評圖像與參考圖像之間像素誤差的全局大小來衡量圖像質量好壞的。PSNR值越大，表明待評圖像與參考圖像之間的失真較小，圖像質量較好。而MSE的值越小，表明圖像質量越好。這類算法比較簡單且容易實現，但與主觀評價方法有很大的差異。
基於信息論中信息熵基礎，有人提出來了信息保真度准則（Information Fidelity Criterion,IFC）和視覺信息保真度（Visual Information Fidelity,VIF）兩種算法。通過計算待評圖像與參考圖像之間的互信息來衡量待評圖像的質量優劣。但這類方法對於圖像的結構信息沒有反應。
基於結構信息基礎：提出了一種符合人眼視覺系統特性的圖像質量客觀評判標准-結構相似度（Structure Similaruty,SSIM）。SSIM值越大，失真圖像質量越好。該指標算法實現簡單，質量評估性比較可靠。 平均結構相似度算法（MSSIM）,基於SSIM改進的一種算法，把原始圖像和失真圖像分成相同的小塊，分別求SSIM，然后再求出整幅圖的相似度。MSSIM值越大，失真圖像質量越好。
還有基於人類視覺系統（HSV）的圖像質量評價方法，這種方法提高了客觀質量評價方法與主觀評價方法的一致性。
部分參考：以理想圖像的部分特征信息作為參考，對待評圖像進行比較分析，從而得到圖像質量評價結果。部分參考方法可分為基於原始圖像特征方法、基於數字水印方法和基於Wavelet域統計模型的方法等。部分圖像參考的重點和難點在於尋找合適的特征信息。
無參考：無參考方法也稱為盲圖像質量評價（BIQA），無參考圖像評價方法實現比較復雜，但因為一般的理想圖像很難獲得，所以這類方法偏重於實際應用。 比較簡單的評價算法有：
均值：均值是指圖像像素的平均值，它反映了圖像的平均亮度，平均亮度越大，圖像質量越好。
標准差：標准差是指圖像像素灰度值相對於均值的離散程度。如果標准差越大，表明圖像中灰度級分別越分散，圖像質量也就越好，
平均梯度：平均梯度能反映圖像中細節反差和紋理變換，它在一定程度上反映了圖像的清晰程度。
熵：熵是指圖像的平均信息量，它從信息論的角度衡量圖像中信息的多少，圖像中的信息熵越大，說明圖像包含的信息越多。
研究點：
針對特定失真時，現階段有很多質量評價算法的結果和主觀評價值相差不大，但對其他類型的失真則可能結果並不理想。
除了設計質量評價算法外，還有一個方法是設計機器學習模型。基於機器學習方法主要是通過從已知質量的圖像中提取出能夠反映圖像質量的特征參數，並進行訓練學習，建立一個分析模型，然后把待評測圖像的相應的特征參數輸入到分析模型中，預測失真圖像的質量。這種方法的評測結果一般優於函數擬合預測出來的結果，但是機器學習有學習過程，會花費大量時間。
現今的圖像質量評價的重點研究主要是針對無參考圖像的研究，分為3類：
面向特定失真圖像質量評價方法、非特定失真圖像質量評價和基於機器學習圖像質量評價方法。
特定失真：
失真類型：圖像模糊、圖像噪聲、JPEG壓縮、JPEG2000壓縮和塊效應等。
圖像模糊： 基於邊緣信息差異的：根據檢測到的不同邊緣強度信息進行計算模糊度的圖像質量評價算法（A no-reference perceptual blur metric based on complex edge analysis[C]），基於可察覺模糊和HVS計算圖像模糊度的圖像質量評價算法(Human visual system based on-reference objective image sharpness metric[C] )。基於Sobel算子計算圖像的平均邊緣寬度(A no-reference perceptual blur metric[C] )。
基於像素統計信息的：基於圖像相鄰像素域的灰度信息變化來計算圖像模糊度的圖像質量平均算法(The blur effect: perception and estimation with a new no-reference perceptual blur metric[C] )。基於圖像相鄰灰度的差異方差的變化大小來計算模糊度的圖像質量評價算法(Efficient method of detecting globally blurry or sharp images[C] )。
基於變化域的：基於8*8大小的離散余弦變換來估計圖像模糊度的圖像質量評價算法(Blur determination in the compressed domain using DCT information[C])。
噪聲失真：根據不同分辨率的方差差異計算出圖像的噪聲方差的圖像質量評價算法(A fast parallel algorithm for blind estimation of noise variance[J])。根據Sobel算子計算圖像結構的邊緣閾值(A fast method for image noise estimation using laplacian operator and adaptive edge detection[C] )。
JPEG失真： 基於塊邊界的統計圖像質量評價算法(Using edge direction information for measuring blocking artifacts of images[J])。
基於非特定失真圖像的質量評價：
盲圖像質量指標（BIQI）(A two-step framework for constructing blind image quality indices[J])：分為兩步，先將各種圖像進行失真的分類，然后評估失真圖像的質量。
自然圖像質量評價方法(NIQE)(No-reference image blur assessment using multiscale gradient[J])：采用96*96塊間無重合的方式對圖像對比度歸一化進行分塊。計算每個塊的局部對比度的均值。
基於失真辨識的圖像真實性和完整性評價算法（DIIVINE）(Blind image quality assessment: From natural scene statistics to perceptual quality[J] )：首先對失真圖像使用金字塔小波變換，然后對這些參數進一步統計特性。
基於機器學習方法的：
利用卷積神經網絡的模型對圖像質量進行評價(Convolutional neural networks for no-reference image quality assessment[C])。
利用廣義回歸神經網絡（GRNN）的模型對圖像的質量進行評價(Blind image quality assessment using a general regression neural network[J])。
圖像質量評價算法評價指標和常用數據庫：
算法的評價效果是否較好，需要一個統一的標准來衡量。
幾個比較常用的數學評價指標：
斯皮爾曼等級相關系數（SPOCC）
線形皮爾森相關系數（LPCC）
KL散度/KL距離/相對熵（KLD）
離出率（OR）
離群值距離（OD）
常用圖像質量評價數據庫：
之前的研究者通過主觀評價方法評價很多圖像，並給出了它們的主觀平均值，一起組成一個公開的圖像質量評價數據庫。典型的有：LIVE2, CSIQ和TID2013.
LIVE2圖像質量評價數據庫是美國德州大學奧斯丁分校圖像與視頻工程實驗室開發的。
CSIQ圖像質量評價數據庫是美國俄克拉荷馬州立大學開發的。
TID2013圖像質量評價數據庫是烏克蘭航空航天大學開發的。