图像质量评估不同于传统意义上的图像识别，其本身是一项主观性较强的任务，无法单纯通过评判准确性来衡量算法模型的性能。其性能好坏通常是评估主观评分和算法评分的相关度，如果两者相关度较高，则说明质量评估算法性能较好，反之则较弱。
常用的用于图像质量评估的指标主要有四个：PLCC，SROCC，KROCC 和 RMSE。
1. PLCC
关于 PLCC（Pearson Linear Correlation Coefficient）皮尔逊线性相关系数的解读，可参考博主另一篇博客：如何通俗易懂地理解皮尔逊相关系数？。
需要注意的是，在没有特殊说明的情况下，PCC=LCC=PLCCPCC=LCC=PLCCPCC=LCC=PLCC。
2. SROCC
SROCC（Spearman Rank Order Correlation Coefficient）Spearman 秩序相关系数被认为是最好的非线性相关指标。其计算的是排序后变量的 PLCC，设有两组序列 X 和 Y，其秩序为 R(X) 和 R(Y)，则
SROCC(X,Y)=PLCC(R(X),R(Y))SROCC(X, Y) = PLCC(R(X), R(Y))SROCC(X,Y)=PLCC(R(X),R(Y))
SROCC 用于衡量秩序的相关性，只与序列中元素的排序有关，因此 X 和 Y 被任何单调非线性变换作用（如对数、指数等）都不会对其值造成任何影响，这与 PLCC 不同，后者只有在变量之间具有线性关系时才是完全相关的。
3. KROCC
KROCC（Kendall Rank Order Correlation Coefficient）Kendall 秩序相关系数判断的是数据的和谐程度，其值为同序对和异序对之差与总对数 (n*(n-1)/2) 的比值。不太好理解，举个例子：
同序对：
对学生1，其性别小于学生5，身高也小于学生5，则学生1和5是一致的一对。
同理，学生1与学生3也能结成一致性的一对，这时一致性对数等于2。
对学生6，其一致性对数为2，以此类推，总的同序对为4.
异序对：
对学生1，其性别小于学生4，身高大于学生4，则学生1和4是不一致的一对。
同理，学生6和学生4也能结成不一致的一对。以此类推，总的异序对为4。
总对数为15，KROCC = （同序对数-异序对数）/ 总对数 = (4-4) / 15 = 0。
由于数据是随意填写的，这里显示出在该样本情况下性别与身高没有相关性。
4. RMSE
RMSE（Root Mean Square Error）均方根误差比较容易理解，其计算方式为主观评分与算法评分偏差的平方和与评分次数 m 比值的平方根，：
RMSE(X,Y)=∑1m(Xi−Yi)2mRMSE(X, Y)=\sqrt{\frac{\sum_1^m(X_i-Y_i)^2}{m}}RMSE(X,Y)=m∑1m(Xi−Yi)2
RMSE 用于衡量算法评分值与主观评分值之间的偏差，其对异常值较敏感，偏差越小即算法性能越好。
如果觉得《图像质量评估常用评价指标总结》对你有帮助，请点赞、收藏，并留下你的观点哦！
