图像质量在日常生活中已经变得愈发重要,而且有待提高。这主要归因于两个因素:一是随着生活水平的提高,人们对图像质量的要求也水涨船高;另一方面,在图像的处理或者传输的过程中,图像的质量无法得到保证。例如,由于传输中的带宽限制,图像往往经历了一系列的压缩等。因此,图像质量评价也经常被用来监视图像的质量,或者被用以评价图像处理算法的性能。广泛的说,基于原始图像的存在与否,客观图像质量评价算法被分为三类,即:全参考型,半参考型,以及无参考型。本篇论文主要讨论了半参考型图像质量评价算法,以及一种特殊的图像失真类型:模糊图像的质量评价问题。具体说来,为了达成目标,我们结合了神经科学中的自由能理论与稀疏表示模型。首先,自由能理论提出了这样一个假设:大脑试图利用内在生成模型,对输入的外在图像进行解释。而此幅图像与之对应的大脑解释后的图像之间的差异可以被定量被图像的自由能所刻画。进一步地,我们认为此差异的大小与图像的感官质量有着密切的关系。为了计算自由能和提高运算速度,我们利用了稀疏表示这一工具。稀疏表示不仅已经广泛用在了不同的图像处理领域中,而且在神经科学中,也有对应的生理依据。根据以上分析,我们利用自由能理论,定义了一个模糊图像与其对应原始图像之间的视觉距离,用以评价模糊图像的质量。与传统的基于边缘信息或频率信息的方法不同,本文算法考虑了大脑的内在机制,理论上更加充分。本篇论文提出的图像质量评价算法需要原始图像提供信息,属于半参考型算法。我们在三个公开的数据库LIVE,TID2013和CSIQ上对本文算法进行了实验。结果表明本客观算法与主观评价分数有较高的一致性,性能上优于目前有代表性的图像质量评价算法。