数字图像在压缩、传输、存储、显示和处理等过程中会引入或产生一定程度的误差。图像质量评价可以用来衡量各种图像处理算法的优劣,为各类图像系统的算法优化提供参考。因此,在图像处理和应用领域建立有效的图像质量评价体系具有重要的意义。本文结合图像尺度不变特征和结构相似性,对图像质量评价方法进行了研究。尺度不变特征(Scale Invariant Feature Transform, SIFT)是一种图像局部特征的描述形式,对于图像的平移、缩放、旋转具有不变性,广泛应用于图像匹配、图像检索乃至视频处理等领域。SIFT特征在图像的仿射变换、视角变化、光照变化及噪声等方面具有很强的鲁棒性。本文通过高斯模糊和降采样等处理建立图像的高斯金字塔,并在多尺度空间内检索符合要求的SIFT特征点；通过穷举匹配和筛选,建立原图像和目标图像的SIFT特征点匹配关系。研究了基于结构相似性的图像质量评价方法(Structural Similarity Index Measure, SSIM),在一定的邻域内分别计算图像间的对比度、照度和结构三个方面的相似程度,累加每对像素点的相似度获得全局图像的质量评价结果。在此基础上,将SSIM算法拓展到多尺度空间内,在高斯金字塔内建立具有结构信息的像素点匹配关系。结合SIFT特征点匹配和SSIM算法,研究了一种模拟人类视觉系统的客观评价方法。在多尺度空间内,依照自顶向下的顺序,建立原图像和目标图像的SIFT特征点匹配关系；同时以图像的结构相似性为基准,建立两图像非特征点的局部匹配关系,在高斯金字塔内将像素对的匹配关系从粗糙水平传递到精确水平,层层递推,从全局结构至局部结构建立两幅图像的像素点匹配关系。考虑到不同重要性的像素点对整体图像质量评价的影响,引入显著图作为权重值进行相似度计算,获得图像质量评价的客观结果。本文选择CIE Lab色彩空间来处理彩色图像,为了验证算法的合理性,本文进行了相关的主观评价实验。实验表明,本文的客观评价方法能够量化评价目标图像的质量,与主观评价结果趋于一致。