有参评价指标
(1)均方误差（MSE）和峰值信噪比（PSNR）
均方误差（Mean Squared Error, MSE）通过取两幅图像的均方差来计算“平均误差”，是一种较方便简单的图像质量评价方法，可以评价数据间的差异程度。
峰值信噪比（Peak Signal to Noise Ratio ，PSNR）一种广泛使用的客观图像质量评价标准。取原始图像与失真图像间的均方差相对于 的对数值(其中 为每个采样值的比特数，8位图通常取255)。
(2) 结构相似度（SSIM）
Zhou Wang 等人提出了结构相似度（Structural Similarity，SSIM）的质量评价方法。图像的结构信息能够反映场景中物体的结构，与图像的亮度及对比度独立。它们的亮度、对比度和结构的相似度表示为：
综合这三种相似性准则得到SSIM，表示为：
(3)特征相似度（FSIM）
Lin Zhang等人提出了基于低层视觉特性相似的特征结构相似度（Feature Similarity Index，FSIM）评价方法。由于图像中的视觉信息往往是冗余的，人类视觉系统理解图像主要与它的低层特性有关。FSIM主要利用低层视觉特性中的相位一致性（Phase Congruency，PC），而相位一致性具有相对不变性的特点，因此以图像的梯度强度（Gradient Magnitude，GM）当作次要特征来计算对比度信息。最终使用相位一致性特征加权相似度图和梯度相似度图加权综合得到图像质量。
无参评价指标
(1)BIQI（Blind Image Quality Indices）
该方法主要包含两个步骤：第一步首先根据从图像质量评价算法。该方法主要包含两个步骤：第一步首先根据图像中提取的基于自然场景统计（Natural Scene Statistics, NSS）特性判断图像中包含的失真类型以及相应的概率；第二步利用不同类型失真的质量评价算法计算相应的质量分数；最后结合不同失真的概率和分数通过加权处理得到整体的质量分数。他们综合1考虑了JPEG压缩、JPEG2000压缩、白噪声、高斯模糊和快速衰减5种失真类型。
(2)BRISQUE（Blind/referenceless image spatial quality evaluator）
该方法是一种基于空间域的通用型无参考图像质量评价算法。该方法通过对图像中局部像素归一化后的统计特性进行建模，来描述由于失真带来的图像“自然性”的降低，进而描述图像的整体质量。该方法不需要对图像进行变换，而是直接在空间域进行运算，因此计算复杂度较低，适合于实时应用的场合。
(3) CNN IQA
Convolutional Neural Networks for No-Reference Image Quality Assessment
提出了一种基于卷积神经网络的无参考图像评价方法，主要是使用一个卷积层和Pooling层作为特征提取的方法，然后连接两个全连接层和一个输出神经元，输出神经元作为图像块的评价，最后将所有图像块的评价作为整个图像的评价。
主要处理流程如下：将图像进行灰度化，进行归一化，然后进行不重叠的分块。将每一个块输入到CNN中，获得每一个块的得分后，计算图像的平均值，作为最终的质量评价得分。由于作者是使用图像块作为CNN的输入的，所以可以很方便地拓展为对于整体图像中某个质量比较差的图像块进行检测，对于图像块的检测结果看起来效果还是挺好的。
