随着多客户端交互多媒体应用的快速发展,屏幕内容图像(Screeen content image,SCI)的分发和处理需求与日俱增。与传统自然图像不同,屏幕内容图像包含的媒体形式较多,蕴含更多信息。屏幕内容图像一般同时包含图像和文本等媒体形式。图像质量评价课题的研究是其它许多应用的基础,例如它可以为视频编码标准的制定建立先验理论知识,至今图像质量评价研究的重点是传统自然图像。由于屏幕内容图像区别于传统自然图像的一些特性,当针对传统自然图像的评价算法运用到屏幕内容图像上时很难达到在传统自然图像上同样的性能,为了促进屏幕内容图像相关应用的发展,针对屏幕图像质量评价的研究就变的非常迫切和必要。客观图像质量评价算法的提出的基础建立在标准图像质量评价数据库上。因此,本文首先采用单激励连续质量评价主观评价方法(Single stimulus continuous quality evaluation,SSCQE)建立了一个大规模的标准屏幕内容图像质量评价数据库(Immersive Media Laboratory screen content image quality database,IMLSCIQD)。IML-SCIQD数据库包含25张参考图像以及经过10种失真每种失真5个失真等级处理的1250张失真图像。IML-SCIQD数据库选取的参考图像保证了视觉内容和不同媒体形式布局的多样性,同样失真类型也具有多样性。IML-SCIQD数据库将会是第一个大规模的屏幕内容图像质量评价数据库SIQAD(screen image quality assessment database)数据库的一个非常好的补充。目前已经有理论指出人对屏幕内容图像的文本区域和图像区域的视觉感知是不同的。在本文中,我们进一步发现屏幕内容图像的文本区域和图像区域的统计特性也不同,即使在遭受失真的情况下也是如此。对于单个区域,文本区域或图像区域,在不同的失真影响下,单个区域的统计特性也不同。以建立的数据库为基础,基于以上事实以及在基于自然场景统计的无参考方法思想的启发下,本文提出了针对屏幕内容图像的无参考评价算法(Natural scene statistics based no reference screen content image quality assessment metric,NSNRS)。NSNRS算法首先将屏幕内容图像划分为文本区域和图像区域,然后分别计算这两个区域的质量分数,最后将这两个区域的质量分数结合起来得到整幅失真图像的质量分数。本文最后将NSNRS算法与其它12种经典的客观评价算法在IML-SCIQD数据库和SIQAD数据库上进行了性能测试和对比,结果表明NSNRS算法相比较12种评价算法中的5种经典的基于自然场景的统计的无参考方法在性能上有较大提升。NSNRS算法相比较12种评价算法中的7种经典的针对传统自然图像和屏幕内容图像的全参考和部分参考评价算法在性能上还有一定差距,毕竟本文提出的是无参考方法。但是相比于上面的全参考方法和部分参考方法,在某些特性的失真类型上,本文提出的无参考算法甚至超越了某些全参考算法。