信息技术和计算机技术的发展极大的丰富了人们获取信息,分享信息的能力。在传递信息方面,图像相比其他形式如文本,音频等更加直观方便。众所周知在图像产生和传输过程中不可避免的会引入噪声,造成图像质量下降。噪声图像质量评价主要包括两方面内容:噪声图像失真程度评价和噪声类型识别及噪声强度估计。图像失真程度的评价可以确定图像失真的程度,严重失真的图像没有使用价值,因此通过失真程度的评价可以确定对图像是否进行下一步处理或者丢弃。本文详细介绍了图像质量评价的相关知识,包括人类视觉特性系统、主观评价、客观评价、有参考评价,无参考评价,主客观评价结果的一致性等等。很多图像噪声滤除方法都需要关于图像噪声的一些先验知识,如噪声类型和噪声强度。在得到这些先验知识后,选择合适的噪声滤除算法并设计合适的滤波器,针对性的进行噪声滤除可以获得质量更好的图像。目前这些先验知识大多通过人们主观推测和观察获得,缺乏系统的客观的推导过程,有一定的盲目性。因此,有效的评价噪声图像具有重要的研究意义,有利于减少图像处理系统的盲目性和增强图像处理系统的处理结果。本文简要讨论了噪声图像失真程度评价,重点放在噪声类型识别和强度估计上,在分析总结前人研究成果的基础上,提出了两个改进算法:1.基于小波变换的图像噪声类型识别和参数估计算法。算法利用图像小波变换分离低频信号与高频信号,且噪声属于高频信号的特点,利用不同类型噪声对高频信号影响不同的特点,根据高频信号的直方图信息对噪声类型进行识别。利用噪声强度对高频信号能量的影响,估计噪声强度。该算法难点在于图像的细节信息,边缘信息,纹理信息和噪声都属于高频信号,并且相互混叠。因此合理的选取高频信息分量对于估计结果的精度非常重要。实验结果表明本文算法相较张旗等人算法的识别准确率和估计噪声强度的精确度均有所提高,其中估计的精度提高约3%~6%。2.基于分块图像结构特征度的噪声强度估计算法。算法对图像进行分块,利用五个方向的特征向量对图像块内的像素的采样关系进行研究,并结合图像边缘检测得到的边缘点数占图像块总像素数的比例来确定简单平滑块,并得到该图像块的特征度,结合该图像块方差,最后加权求出最终的估计结果。该算法由于结合了边缘检测的结果,计算量略有所增加,算法的估计精度也高于王静等人算法。最后,利用计算机仿真了本文算法,验证本文算法的有效性和准确性。本文算法涉及多个阈值选取和针对两种典型的噪声:高斯噪声和椒盐噪声的识别和估计,未来研究方向应该在算法阈值自适应性和其它类型噪声的识别和估计中等。