有參評價指標
(1)均方誤差（MSE）和峰值信噪比（PSNR）
均方誤差（Mean Squared Error, MSE）通過取兩幅影象的均方差來計算“平均誤差”，是一種較方便簡單的影象質量評價方法，可以評價資料間的差異程度。

峰值信噪比（Peak Signal to Noise Ratio ，PSNR）一種廣泛使用的客觀影象質量評價標準。取原始影象與失真影象間的均方差相對於 的對數值(其中 為每個取樣值的位元數，8點陣圖通常取255)。

(2) 結構相似度（SSIM）
Zhou Wang 等人提出了結構相似度（Structural Similarity，SSIM）的質量評價方法。影象的結構資訊能夠反映場景中物體的結構，與影象的亮度及對比度獨立。它們的亮度、對比度和結構的相似度表示為：

(3)特徵相似度（FSIM）
Lin Zhang等人提出了基於低層視覺特性相似的特徵結構相似度（Feature Similarity Index，FSIM）評價方法。由於影象中的視覺資訊往往是冗餘的，人類視覺系統理解影象主要與它的低層特性有關。FSIM主要利用低層視覺特性中的相位一致性（Phase Congruency，PC），而相位一致性具有相對不變性的特點，因此以影象的梯度強度（Gradient Magnitude，GM）當作次要特徵來計算對比度資訊。最終使用相位一致性特徵加權相似度圖和梯度相似度圖加權綜合得到影象質量。

無參評價指標

(1)BIQI（Blind Image Quality Indices）
該方法主要包含兩個步驟：第一步首先根據從影象質量評價演算法。該方法主要包含兩個步驟：第一步首先根據影象中提取的基於自然場景統計（Natural Scene Statistics, NSS）特性判斷影象中包含的失真型別以及相應的概率；第二步利用不同型別失真的質量評價演算法計算相應的質量分數；最後結合不同失真的概率和分數通過加權處理得到整體的質量分數。他們綜合1考慮了JPEG壓縮、JPEG2000壓縮、白噪聲、高斯模糊和快速衰減5種失真型別。

(2)BRISQUE（Blind/referenceless image spatial quality evaluator）
該方法是一種基於空間域的通用型無參考影象質量評價演算法。該方法通過對影象中區域性畫素歸一化後的統計特性進行建模，來描述由於失真帶來的影象“自然性”的降低，進而描述影象的整體質量。該方法不需要對影象進行變換，而是直接在空間域進行運算，因此計算複雜度較低，適合於實時應用的場合。

(3) CNN IQA
Convolutional Neural Networks for No-Reference Image Quality Assessment
提出了一種基於卷積神經網路的無參考影象評價方法，主要是使用一個卷積層和Pooling層作為特徵提取的方法，然後連線兩個全連線層和一個輸出神經元，輸出神經元作為影象塊的評價，最後將所有影象塊的評價作為整個影象的評價。
主要處理流程如下：將影象進行灰度化，進行歸一化，然後進行不重疊的分塊。將每一個塊輸入到CNN中，獲得每一個塊的得分後，計算影象的平均值，作為最終的質量評價得分。由於作者是使用影象塊作為CNN的輸入的，所以可以很方便地拓展為對於整體影象中某個質量比較差的影象塊進行檢測，對於影象塊的檢測結果看起來效果還是挺好的。