1.一种基于无监督特征学习的无参考屏幕图像质量评价方法，其特征在于包括以下步骤：

步骤①：选取N幅无失真屏幕图像，将第i幅无失真屏幕图像记为{Ii,org(x,y)}；然后获取每幅无失真屏幕图像的归一化屏幕图像，将{Ii,org(x,y)}的归一化屏幕图像记为接着采用ZCA操作对每幅无失真屏幕图像的归一化屏幕图像进行处理，得到每幅无失真屏幕图像的归一化屏幕图像的ZCA操作结果图像；再采用无监督聚类算法对所有无失真屏幕图像的归一化屏幕图像的ZCA操作结果图像进行聚类操作，得到矩阵形式表示的字典码书，记为{Corg(x,y)}；

其中，N≥1，1≤i≤N，1≤x≤W,1≤y≤H，W表示{Ii,org(x,y)}的宽度，H表示{Ii,org(x,y)}的高度，Ii,org(x,y)表示{Ii,org(x,y)}中坐标位置为(x,y)的像素点的像素值， 表示 中坐标位置为(x,y)的像素点的像素值，Corg(x,y)表示{Corg(x,y)}中下标为(x,y)的元素的值；

步骤②：令{Id(x,y)}表示待评价的失真屏幕图像；然后获取{Id(x,y)}的归一化屏幕图像，记为 再先后采用Gaussian kernel similarity weight方法和K-Nearest Neighbor方法对 进行处理，得到{Id(x,y)}的权值特征矩阵，记为{Fd(x,y)}；

其中，1≤x≤W,1≤y≤H，{Id(x,y)}的宽度为W，{Id(x,y)}的高度为H，Id(x,y)表示{Id(x,y)}中坐标位置为(x,y)的像素点的像素值， 表示 中坐标位置为(x,y)的像素点的像素值，Fd(x,y)表示{Fd(x,y)}中下标为(x,y)的元素的值；

步骤③：根据{Corg(x,y)}和{Fd(x,y)}，并采用LLC算法对{Fd(x,y)}进行编码，获得{Id(x,y)}的LLC特征向量；

步骤④：采用n”幅原始的无失真屏幕图像，建立其在不同失真类型不同失真程度下的失真屏幕图像集合，将该失真屏幕图像集合作为训练集，其包括多幅失真屏幕图像；然后利用主观质量评价方法评价出训练集中的每幅失真屏幕图像的主观评分，将训练集中的第k幅失真屏幕图像的主观评分记为DMOSk；再按照步骤②和步骤③的操作，以相同的方式获取训练集中的每幅失真屏幕图像的LLC特征向量；

其中，n”＞1，1≤k≤K，K表示训练集中包含的失真屏幕图像的总幅数，K≥5，0≤DMOSk≤

100；

步骤⑤：利用支持向量回归对训练集中的所有失真屏幕图像各自的主观评分和LLC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，拟合得到最优的权值矢量Wopt和最优的偏置项bopt；接着利用Wopt和bopt构造得到支持向量回归训练模型；再根据支持向量回归训练模型，对{Id(x,y)}的LLC特征向量进行测试，预测得到{Id(x,y)}的客观质量评价预测值，记为Q，Q＝f(z)，其中，f()为函数表示形式，Q是z的函数，z为输入，z用于代表{Id(x,y)}的LLC特征向量，(Wopt)T为Wopt的转置矢量， 为z的线性函数。

2.根据权利要求1所述的基于无监督特征学习的无参考屏幕图像质量评价方法，其特征在于所述的步骤①中， 其中，μi,org表示{Ii,org(x,y)}中的所有像素点的像素值的均值，σi,org表示{Ii,org(x,y)}中的所有像素点的像素值的方差。

3.根据权利要求1或2所述的基于无监督特征学习的无参考屏幕图像质量评价方法，其特征在于所述的步骤①中的无监督聚类算法选用无监督K-means聚类算法。

4.根据权利要求3所述的基于无监督特征学习的无参考屏幕图像质量评价方法，其特征在于所述的步骤②中， 其中，μd表示{Id(x,y)}中的所有像素点的像素值的均值，σd表示{Id(x,y)}中的所有像素点的像素值的方差。