1.一种基于特征显著性的图像质量评价方法，其特征在于，包括下述步骤：S101、提取测试集中图像的低秩特征；

S102、将原始特征集降维到优选特征矩阵，从原始特征集中逐步提取最优特征并剔除特征干扰项，最终得到图像质量评价系统优选特征矩阵；定义最优特征抽取函数以及特征干扰项的筛选函数，计算添加新的特征前后损失函数的差值，衡量添加的特征的显著性；当最优特征抽取函数值越大时，说明对应的特征显著性越好；当特征干扰项的筛选函数值越大时，说明对应的特征为干扰项的置信度越高，需要被剔除；

S103、判断各个特征对于图像质量评价系统效果影响的显著性，定义系统信噪比作为衡量图像质量评价特征显著性的指标，当显著性指标值越大时，说明在对图像质量评价系统的影响越显著，对鲁棒的图像质量评价系统贡献越大，更容易被选出，更应该被优先选入特征集；

S104、将显著特征集代入学习网络，训练分类超平面，通过机器学习的方法训练输入样本数据，达到样本数据分类的目的；

S105、实现图像质量等级评价；在训练模型参数确立下来后，输入新的测试图像，得到的网络输出即为图像质量等级评价结果。

2.根据权利要求1所述的图像质量评价方法，其特征在于，步骤S101具体为：首先，从训练集图像中抽取原始特征集，其中每一张图片对应多个特征属性，这些特征对应图像色彩、结构、变换域方面的属性，依照图片序号建立特征数据集序列；

其次，求解这些候选的特征值之间的相关性，将特征属性值转化成低秩的特征矩阵；

最后，将特征矩阵输入到图像质量评价系统中进行计算。

3.根据权利要求1所述的图像质量评价方法，其特征在于，步骤S102中，显著特征提取的算法流程包括以下步骤：S201、初始化特征矩阵及参数，并求解第一个特征输入下的模型系数，初始化特征矩阵和特征显著性系数θ，将训练集和对应参数载入网络学习模型；

S202、判断是否满足学习精度或者达到特征个数上限，将优选的特征集 带入训练模型，计算图像质量评价系统精度，当满足系统鲁棒性要求或达到特征个数上限时，停止特征显著性检测并退出循环体；

S203、从特征集中抽取最优特征并剔除干扰项，带入分类模型计算特征显著性；

S204、判断新特征的引入，使得图像质量评价系统是否满足鲁棒的约束条件，利用测试特征集计算训练网络误差，当网络误差在预设的精度范围内时，退出特征选择的循环过程；

S205、从特征集中剔除不满足系统鲁棒约束条件所对应的特征，并指向下一个特征。

4.根据权利要求3所述的图像质量评价方法，其特征在于，步骤S203的具体方法为：第一步、确立图像质量评价中特征选择的目标函数，原始特征选择的通项可以表示为：其中，L(θ)为目标损失函数，θ为损失函数中每个特征对应的系数，为优选的显著特征对应的系数，p为总的特征个数，n为训练样本个数， 为训练数据集，s为给定的特征个数；

目标损失函数中，θ的值越大说明对应的特征越显著；

由于||θ||0≤s的约束条件，使得式(1)为一个NP-Hard问题，可以引入松弛优化的方法，将约束条件||θ||0≤s转化为最优近似||θ||1≤s，从而将原始目标函数通项近似定义为式(2)；

图像质量评价的学习机制具体表征为一个求解分类超平面的问题，选取图像质量评价中特征选择的目标函数，只需将式(2)中的目标损失函数L(θ)替换为具体的分类函数即可完成建模，标准logistic损失函数，定义为式(3)；

第二步、选择最优特征加入特征矩阵 定义最优特征抽取函数：

其中，i表示原始特征下标，θ+eiθi代表新一个特征增加到特征矩阵 中，式(4)表明在已选入最优特征集之外的特征中，添加新的特征前后损失函数的差值，当Gi越大时，说明对应的特征显著性越好，选择最优特征加入特征矩阵 即求解：第三步、移除特征干扰项，定义特征干扰项的筛选函数：

同理，式6中i表示原始特征下标，θ-eiθi代表新一个特征增加到特征矩阵 中，式(6)表明在已选入最优特征集之外的特征中，损失函数在添加新的特征后与添加前的差值，当Di越大时，说明对应的特征为干扰项的置信度越高，需要被剔除，需要指出的是，特征集元素的遍历过程中每次仅添加一个最优特征，却可能同时移除一个或多个干扰特征；

第四步、计算图像质量评价系统中特征选择的显著性，引入系统信噪比作为衡量图像质量评价特征显著性的指标，定义特征显著性指标为：其中， 为被优选出的显著特征系数，σ为被选取的特征集 的噪声离散方差，可用均方差代替，SIGj的值越大时，说明在优选特征集中越显著，对鲁棒的图像质量评价系统贡献越大。

5.根据权利要求1所述的图像质量评价方法，其特征在于，步骤S104训练网络学习的具体方法为：S301、特征抽取层，抽取输入测试集中图像所对应的原始特征，并以特征矩阵的形式存储，作为机器学习网络输入样本的候选特征集；

S302、显著特征提取，通过特征显著性检测手段，从候选特征集中提取显著的图像质量评价特征集；

S303、稀疏表达，通过稀疏表达的方式，对高维显著特征进行降维处理，并以此作为机器学习网络的输入样本集；

S304、拓扑学习机制的超平面分类，通过机器学习的方法训练输入样本数据，达到样本数据分类的目的；

S305、图像质量等级评价结果输出，基于学习机制的分类网络构建完成以后，输入新的待评价图像样本，重复S301、S302和S303的步骤，并将稀疏表达后的样本输入分类网络，最终输出图像质量评价的等级Qn。

6.根据权利要求5所述的图像质量评价方法，其特征在于，步骤S304中，针对特征输入的网络学习模型，用卷积神经网络训练分类超平面进行处理：S3041、初始化二维特征向量，建立N组分类数据标签；

S3042、数组内数据的池化处理，即将数组内传递参数相近的组别尽可能放在一起，进行区域重组，目的是减少中间层维度，降低上层的计算复杂度；

S3043、通过卷积层处理，将输入层的特征图与一个可学习的核进行卷积，卷积的结果经过激活函数后的输出形成这一层的特征图，其中，卷积层的数学描述为：l代表层数，k是卷积核，Mj代表选择的输入特征图集合，每一个输

出图有一个偏置b；

S3044、通过网络迭代，调整权值与阈值，当满足精度要求时，跳出迭代循环体，训练结束并将各层权值和阈值保存下来，形成固定的学习网络；

S3045，随机抽选N/3组数据对网络精度进行验证，满足精度要求则输出最终网络结构，完成所述分类超平面训练。