L’évaluation de la qualité d’image (IQA) vise à utiliser des modèles computationnels pour mesurer la qualité d’une image de manière cohérente avec les évaluations subjectives. L’indice de similarité structurelle, largement connu, a permis de faire évoluer l’IQA du niveau pixel à celui des structures. Dans cet article, nous proposons un nouvel indice de similarité de caractéristiques (FSIM) pour l’IQA à référence complète, fondé sur le fait que le système visuel humain (HVS) perçoit une image principalement à partir de ses caractéristiques de bas niveau. Plus précisément, la concordance de phase (PC), qui constitue une mesure sans dimension de l’importance d’une structure locale, est utilisée comme caractéristique principale dans FSIM. Étant donné que la PC est invariante par rapport au contraste, alors que l’information de contraste influence effectivement la perception de la qualité par le HVS, nous introduisons la grandeur du gradient d’image (GM) comme caractéristique secondaire dans FSIM. La PC et la GM jouent des rôles complémentaires dans la caractérisation de la qualité locale de l’image. Une fois la carte de qualité locale obtenue, nous utilisons à nouveau la PC comme fonction de pondération afin d’obtenir un score unique de qualité. Des expériences étendues menées sur six bases de données de référence pour l’IQA démontrent que FSIM atteint une cohérence bien supérieure avec les évaluations subjectives par rapport aux métriques d’IQA les plus avancées actuellement disponibles.