1.一种基于广义回归神经网络的无参考立体图像质量评价方法，其特征在于包括以下步骤：

①令Sdis表示待评价的失真立体图像，将Sdis的左视点图像记为{Ldis(x,y)}，将Sdis的右视点图像记为{Rdis(x,y)}，其中，1≤x≤W,1≤y≤H，W表示Sdis的宽度，H表示Sdis的高度，Ldis(x,y)表示{Ldis(x,y)}中坐标位置为(x,y)的像素点的像素值，Rdis(x,y)表示{Rdis(x,y)}中坐标位置为(x,y)的像素点的像素值；

②分别对{Ldis(x,y)}和{Rdis(x,y)}实施log-Gabor滤波，得到{Ldis(x,y)}和{Rdis(x,y)}各自的幅值图像和相位图像，将{Ldis(x,y)}的幅值图像和相位图像对应记为{GL_dis(x,y)}和{PL_dis(x,y)}，将{Rdis(x,y)}的幅值图像和相位图像对应记为{GR_dis(x,y)}和{PR_dis(x,y)}，其中，GL_dis(x,y)表示{GL_dis(x,y)}中坐标位置为(x,y)的像素点的像素值，PL_dis(x,y)表示{PL_dis(x,y)}中坐标位置为(x,y)的像素点的像素值，GR_dis(x,y)表示{GR_dis(x,y)}中坐标位置为(x,y)的像素点的像素值，PR_dis(x,y)表示{PR_dis(x,y)}中坐标位置为(x,y)的像素点的像素值；

③采用块匹配方法计算{Ldis(x,y)}与{Rdis(x,y)}之间的视差图像，记为{ddis(x,y)}，其中，ddis(x,y)表示{ddis(x,y)}中坐标位置为(x,y)的像素点的像素值；

④根据{GL_dis(x,y)}和{PL_dis(x,y)}、{GR_dis(x,y)}和{PR_dis(x,y)}、{ddis(x,y)}，计算Sdis的左右视点双目能量图像，记为{Fdis(x,y)}，将{Fdis(x,y)}中坐标位置为(x,y)的像素点的像素值记为Fdis(x,y)，，

其中，GR_dis(x+ddis(x,y),y)表示{GR_dis(x,y)}中坐标位置为(x+ddis(x,y),y)的像素点的像素值， PR_dis(x+ddis(x,y),y)表示{PR_dis(x,y)}中坐标位置为(x+ddis(x,y),y)的像素点的像素值，cos()为取余弦函数；

⑤采用局部二值化模式操作对{Fdis(x,y)}进行处理，得到{Fdis(x,y)}的旋转不变性局部二值化模式图像，记为{LBPriu(x,y)}，其中，LBPriu(x,y)表示{LBPriu(x,y)}中坐标位置为(x,y)的像素点的像素值；

⑥根据{Fdis(x,y)}和{LBPriu(x,y)}，计算Sdis的双目能量调制后的归一化直方图统计特征向量，记为H，将H中的第m个元素记为H(m)， 其中，H的维数为1×m′维，m′＝P+2，P表示步骤⑤中的局部二值化模式操作中的领域参数，1≤m≤m′，f()为统计函数表示形式，

⑦采用n″幅原始的无失真立体图像，建立其在不同失真类型不同失真程度下的失真立体图像集合，该失真立体图像集合包括多幅失真立体图像；然后利用主观质量评价方法分别评价出该失真立体图像集合中的每幅失真立体图像的主观评分，将该失真立体图像集合中的第j幅失真立体图像的主观评分记为DMOSj；再按照步骤①至步骤⑥的操作，以相同的方式获取该失真立体图像集合中的每幅失真立体图像的双目能量调制后的归一化直方图统计特征向量，将该失真立体图像集合中的第j幅失真立体图像的双目能量调制后的归一化直方图统计特征向量记为Hj；其中，n″>1，1≤j≤N′，N′表示该失真立体图像集合中包含的失真立体图像的总幅数，0≤DMOSj≤100，Hj的维数为1×m′维，m′＝P+2，P表示步骤⑤中的局部二值化模式操作中的领域参数；

⑧将该失真立体图像集合作为训练集；然后利用广义回归神经网络对训练集中的所有失真立体图像各自的主观评分和双目能量调制后的归一化直方图统计特征向量进行训练，使得经过训练得到的回归函数值与主观评分之间的误差最小，得到广义回归神经网络训练模型；再根据广义回归神经网络训练模型，对Sdis的双目能量调制后的归一化直方图统计特征向量H进行测试，预测得到Sdis的客观质量评价预测值。

2.根据权利要求1所述的基于广义回归神经网络的无参考立体图像质量评价方法，其特征在于所述的步骤⑤中的局部二值化模式操作中的领域参数P取值为8、局部半径参数R取值为1。