图像质量评价方法可分为：
    1.主观评价方法：主观评价由观察者对图像质量进行主观评分, 一般采用平均主观得分 (Mean opin-ion score, MOS) 或平均主观得分(Differentialmean opinion score, DMOS) (即人眼对无失真图像和有失真图像评价得分的差异) 表示, 但主观评价工作量大、耗时长, 使用起来很不方便。

    2.客观评价方法：是由计算机根据一定算法计算得到图像的质量指标, 根据评价时是否需要参考图像又可以分为全参考 (Full reference, FR)、半参考 (部分参考) (Reduced reference, RR) 和无参考 (No refer-ence, NR) 等三类评价方法.

    根据是否需要参考图像又可以分为：
    1.全参考。
    2.半参考。
    3.无参考。
    全参考方法 (FR) ：
    评价失真图像时, 需要提供一个无失真的原始图像, 经过对二者的比对, 得到一个对失真图像的评价结果, 如信噪比 (Signal noise ratio, SNR)、峰值信噪比 (Peak signal noise ratio, PSNR)、均方误差 (Mean square error, MSE)、平均结构相似度(Mean structure similarity, MSSIM)、视觉信息保真度 (Visual information fidelity, VIF)、视觉信噪比 (Visual signal-to-noise ratio, VSPR)
    、最显著失真 (Most apparent distortion, MAD)、图像差异预测 (Image difference prediction, IDP)等。

    无参考方法 (NR):
    也称为盲图像质量 (Blind image quality, BIQ) 评价方法, 则完全无需参考图像, 根据失真图像的自身特征来估计图像的质量. 有些方法是面向特定失真
    类型的, 如针对模糊、噪声、块状效应的严重程度进行评价; 有些方法先进行失真原因分类, 再进行定量评价; 而有些方法则试图同时评价不同失真类型的
    图像.

    下面主要对无参考方法进行简单的描述：
    一.图像模糊度的评价
    1.基于边缘分析的方法
    1.1一般来说, 图像模糊会造成边缘展宽, 因此有很多模糊估计算法以分析边缘的宽度为基础.
    1.2为排除噪声和某些孤立点的影响, 许多算法对边缘进行了数据拟合和阈值处理。
    1.3根据阶跃边缘估计线扩散函数和点扩散函数, 以点扩散函数的半径作为图像模糊度的度量。
    缺点：基于边缘分析进行模糊度评价方法的优点是概念直观、计算相对简便, 后续的方法考虑了人眼视觉的特点; 其缺点是对图像内容有一定的依赖性, 当原始图像中缺少锐利边缘时会导致估计不准确.

    2.基于变换域的方法
    考虑到各种变换域对图像特征表示的有效性,以及图像模糊在频率域具有一定的表现形式 (比如高频信号衰减), 有许多方法在不同的数据变换域, 如离散余弦变换 (Discrete cosine transform,DCT)、离散小波变换 (Discretewavelet transform,DWT) 进行模糊评价, 有些算法综合利用空间域和变换域信息.

    优点：基于变换域的模糊度评价方法综合了图像的频域特性和多尺度特征, 有些方法同时利用了空间信息, 与单一利用边缘信息相比, 对模糊度的估计具有较好的准确性和鲁棒性。

    3.基于像素统计信息的方法
    有些模糊度评价算法虽然在空间域进行估计,但不进行局部边缘展宽分析, 而是依赖于图像像素的一些统计信息及其相对变化。
    比如图像模糊时相邻灰度差异的方差会变小, 通过全图抽样和分块计算差异方差后, 根据它们是否满足一定阈值条件及相互之间的6 期 王志明: 无参考图像质量评价综述 1067关系将图像的模糊程度分为整体锐利、平均质量、整体模糊等三类
    优缺点：基于像素的模糊度评价方法的优点是利用了图像的统计信息, 鲁棒性好; 缺点是忽略了像素的位置信息, 图像中的噪声 (尤其是脉冲噪声) 会形成较强的梯度值, 从而对估计造成较大的影响.
    ————————————————
    版权声明：本文为CSDN博主「SilenceHell」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
    原文链接：https://blog.csdn.net/Du_Shuang/article/details/83591251