如今深度学习广泛应用在各个领域，在IQA领域深度学习也得到了广泛运用，做任何一种视觉任务都需要相应的评价指标来评判算法效果的好坏，以下就是我总结的图像质量评价领域的评价指标。
一、SROCC
全称斯皮尔曼等级相关系数( Spearman rank-order correlation coefficient，SROCC) ， 也有一部分文献写成SRCC或 “斯皮尔曼秩相关系数”。
SROCC对两个目标数组的秩次大小作线性相关分析（两组数据的等级相关性），常被认为是两个对象分别经过排列后的皮尔逊线性相关系数，适用范围比较广泛。取值范围为 0~1，性能值等于 1 时，表明两组数据完全一致（在图像质量评价领域不可能达到吧。。）。
N 表示样本数量，di 表示第 i 幅图像主观质量分数排名与客观质量分数排名的差值（假设主观评价值数组为 x，客观评价值数组为 y，首先将 x、y按照从大到小的顺序进行排列，记 xi、yi 为第 i 幅图像在排序之后各自数组中的位置，则 di = xi - yi ）。
二、PLCC
全称皮尔逊线性相关系数（Pearson linear correlation coefficient，PLCC）用于评估 IQA 模型预测的准确性，也有一些文献写成线性相关系数（Linear correlation coefficient，LCC）。
PLCC 描述两组数据之间的线性相关性，其取值范围为 -1~1。当 PLCC 的值为零时，表示两组数据完全不相关（图像的客观质量分数和主观质量分数相差很大）；当 PLCC 值为 1 或 -1 时，表明两组数据完全相关（图像的客观质量分数和主观质量分数一样）。PLCC 描述算法的客观评价分与人眼主观打分之间的相关性，衡量了IQA算法预测的准确性。
其中Q表示原始的客观质量分数，β1、β2、β3、β4、β5为模型参数（需要拟合的参数），p是经过回归操作的客观质量分数。式2 计算PLCC，si 和 pi 分别表示第 i 幅图像的主观质量分数和客观质量分数，sˉ 和pˉ 分别表示主观质量分数平均值和客观质量分数平均值。
三、KROCC
全称肯德尔等级相关系数（Kendall rank-order correlation coefficient，KROCC），在一些文献中写作 “肯德尔秩相关系数” ，与SROCC一样用来衡量 IQA 模型预测结果的单调性。
KROCC的数值越大, 说明两个信号数据之间的相关性越好，值越小说明相关性越差。
其中N 表示样本数量，Nc 是数据集中的一致对的个数（也叫作 “和谐对” ，指变量大小顺序相同的两个样本观测值，即 x 等级高低顺序与 y 等级高低顺序相同，否则称为 “不和谐” 或 “不一致” ），Nd 是数据集中的不一致对个数。两个数据序列中任何一对数据（xi， yi）和 （xj ， yj ），当 xi > xj 且 yi > yj 或 xi < xj 且 yi < yj ，则数据对一致（高低顺序一致）；当 xi > xj 且 yi < yj 或 xi < xj 且 yi > yj ， 则数据对不一致（高低顺序不一致）；当 xi = xj 或 yi = yj ， 则既不是一致的，也不是不一致的。
以上就是常用的图像质量评价的评级指标，其他的还有RMSE（均方根误差） 、SSIM、PSNR等。读者有兴趣可以自己去探索一下，这里就介绍这些。