Wir schlagen ein auf natürlichen Szenenstatistiken basierendes, verzerrungsgenerisches blindes/kein-Referenz-(NR)-Bildqualitätsbewertungsmodell vor, das im räumlichen Bereich arbeitet. Das neue Modell, das als blind/referenceless image spatial quality evaluator (BRISQUE) bezeichnet wird, berechnet keine verzerrungsspezifischen Merkmale wie Ringing, Verschmierung oder Blockierung, sondern nutzt stattdessen Szenenstatistiken lokal normalisierter Helligkeitskoeffizienten, um mögliche Verluste an „Natürlichkeit“ im Bild aufgrund von Verzerrungen zu quantifizieren und somit eine umfassende Qualitätsmaßzahl zu erzeugen. Die zugrundeliegenden Merkmale leiten sich aus der empirischen Verteilung lokal normalisierter Helligkeiten sowie aus Produkten lokal normalisierter Helligkeiten unter einem räumlichen natürlichen Szenenstatistikmodell ab. Im Gegensatz zu früheren NR-IQA-Ansätzen ist keine Transformation in einen anderen Koordinatenraum (z. B. DCT, Wavelet) erforderlich. Trotz seiner Einfachheit zeigen wir, dass BRISQUE statistisch besser ist als das vollreferenzbasierte Peak-Signal-zu-Rausch-Verhältnis (PSNR) und der strukturelle Ähnlichkeitsindex (SSIM), und sich hinsichtlich aller gegenwärtigen verzerrungsgenerischen NR-IQA-Algorithmen als äußerst konkurrenzfähig erweist. BRISQUE weist eine sehr geringe rechnerische Komplexität auf, was es besonders gut für Anwendungen in Echtzeit geeignet macht. BRISQUE-Merkmale können zudem zur Verzerrungserkennung verwendet werden. Um eine neue praktische Anwendung von BRISQUE zu demonstrieren, beschreiben wir, wie ein nicht-blindes Bildrauschunterdrückungsverfahren durch die Integration von BRISQUE zur blinden Bildrauschunterdrückung erweitert werden kann. Die Ergebnisse zeigen, dass die BRISQUE-Integration zu Leistungsverbesserungen gegenüber state-of-the-art-Methoden führt. Eine Software-Release von BRISQUE ist online verfügbar: http://live.ece.utexas.edu/research/quality/BRISQUE_release.zip für öffentliche Nutzung und Evaluation.