1.基于相似性特征融合的全参考型图像质量评价方法，其特征在于，具体按照以下步骤实施：步骤1、对数据库中的参考图像和失真图像提取纹理特征，计算其纹理特征相似性；

步骤2、待步骤1完成后，先分别计算参考图像和失真图像的加权平均相位角，再计算加权平均相位角之间的相似性；

步骤3、待步骤2完成后，先提取参考图像和失真图像的边缘特征，得到梯度图像，再计算失真图像与参考图像分别对应的梯度图像之间的相似性；

步骤4、待步骤3完成后，将参考图像和失真图像由RGB颜色空间转换到YIQ空间中，使得颜色信息与亮度信息分离；分别计算参考图像和失真图像之间的I通道和Q通道的相似性，经融合得到彩度相似性；

步骤5、先将经步骤1、步骤2、步骤3及步骤4得到的四个相似性特征作为支持向量机回归模型的输入值，将MOS值作为输出值，使用粒子群优化算法寻找支持向量机回归模型的最优参数；再进行训练，得到支持向量回归模型，最终完成对图像质量进行评价。

2.根据权利要求1所述的基于相似性特征融合的全参考型图像质量评价方法，其特征在于，所述步骤1具体按照以下步骤实施：步骤1.1、对数据库中的参考图像和失真图像提取图像的纹理特征，纹理特征提取采用的是灰度共生矩阵；

灰度共生矩阵提取的方法是使用位置算子对像素点相对空间位置进行统计，具体方法如下：先将参考图像和失真图像的灰度等级压缩为8个灰度等级，再分别对其像素点进行统计，分别对中心像素点距离为1，角度为0°，45°，90°，135°四个方向上的像素点进行统计，分别得到参考图像和失真图像对应的灰度共生矩阵；

步骤1.2、经步骤1.1后，对参考图像和失真图像相同角度的灰度共生矩阵计算其相似性，得到四个相似性矩阵；

步骤1.3、先对经步骤1.2得到的四个相似性矩阵进行加权求和，得到一个相似性矩阵，再计算平均值，用来表示图像纹理特征相似性，相似性特征按照如下算法经计算获得：式(1)中：Gr(·)表示灰度共生矩阵，T1一个常数，T1＝100，用来保证灰度共生矩阵相似度的稳定性。

3.根据权利要求1所述的基于相似性特征融合的全参考型图像质量评价方法，其特征在于，所述步骤2具体按照以下步骤实施：步骤2.1，待步骤1完成后，将参考图像和失真图像分别经过2D-Log Gabor变换，将图像转换到局部频率域中，得到频域特征；

对于一幅图像f(x,y)，x,y为图像中像素的坐标，它的2D-LogGabor变换表示为如下形式：式(2)中：ω为频率，ψ为相位，σx和σy分别为水平方向和竖直方向的窗口宽度，d是缩放因子，为了确保步骤2.2，经步骤2.1进行2D-Log Gabor变换后，使用形成正交的Even(en)和Odd(on)对称滤波器来计算响应能量，在方向θj上的响应能量计算如下：式(3)中： n是尺度大小；

再计算加权平均滤波器响应向量，通过式(4)进行计算：

式(4)中：ε＝0.0001，用来防止分母为零；

步骤2.3，待步骤2.2完成后，先从最小规模的能量平方响应估计噪声功率；再通过将均方能值除以均方滤波值得到噪声功率的估计值；接着通过找到图像点来更新取向矩阵，其中该取向中的能量大于任何先前方向，用方向矩阵替换当前定向数字中的这些元素，将得到的特征相位角旋转90度，使0相对应于阶跃边，获得加权平均相位角图；将得到的参考图像和失真图像的加权平均相位角图，通过式(5)计算其之间的相位角相似性：式(5)中：x和y分别表示参考图像和失真图像，f(x)，f(y)分别为参考图像和失真图像的加权平均相位角图，T2＝0.01，用来保证加权相位角相似性的稳定性。

4.根据权利要求1所述的基于相似性特征融合的全参考型图像质量评价方法，其特征在于，所述步骤3具体按照以下步骤实施：步骤3.1，使用3*3窗口的Scharr算子分别对参考图像和失真图像进行卷积运算，进行边缘特征的提取；

步骤3.2，经步骤3.1得到的边缘特征后，根据式(6)分别计算参考图像和失真图像的梯度幅度值，具体算法如下：式(6)中：gx和gy分别表示水平方向和垂直方向的偏导数，g表示梯度幅度值；

步骤3.3，待步骤3.2完成后通过式(7)计算梯度相似性：

式(7)中：g(x)和g(y)分别表示参考图像和失真图像的梯度幅度值，T3是个常数，T3＝

160。

5.根据权利要求1所述的基于相似性特征融合的全参考型图像质量评价方法，其特征在于，所述步骤4具体按照以下步骤实施：步骤4.1，通过式(8)分别将参考图像和失真图像由RGB颜色空间转换到YIQ颜色空间，分别提取I通道和Q通道的颜色特征；

通过颜色空间转换后，得到和图像大小相同的矩阵I，Q通道的颜色信息，实现了颜色信息与亮度信息的分离；

步骤4.2，待步骤4.1完成后，分别计算参考图像和失真图像之间I通道和Q通道的相似性，具体如式(9)和式(10)所示：式(9)和(10)中：I(x),I(y)和Q(x),Q(y)分别表示参考图像和失真图像的I通道和Q通道的信息；T4和T5(T4＝T5＝200)是两个常数，用来确保相似性的稳定性；

步骤4.3，经步骤4.2后再通过式(11)，将I通道和Q通道的相似性进行融合，得到彩度相似性，具体算法如下：SC(x,y)＝SI(x,y)·SQ(x,y) (11)。

6.根据权利要求1所述的基于相似性特征融合的全参考型图像质量评价方法，其特征在于，所述步骤5具体按照以下步骤实施：步骤5.1，将经步骤1、步骤2、步骤3及步骤4得到的四个相似性特征SGr,Sa,Sg和SC，结合数据库中失真图像的MOS值，使用粒子群优化算法，得到最佳的支持向量机回归模型的参数：bestc为epsilon-SVR中的参数C的最佳值，默认值为1，bestg为内核函数中的gamma值的最佳值；

步骤5.2，将经步骤5.1得到的bestc设置为LIB-SVM的参数，在LIB-SVM中，SVM类型设置为epsilon-SVR，核函数类型设置为radial basis function，即径向基函数，其他参数采取LIB-SVM默认值；

再结合失真图像的MOS值，建立支持向量机回归模型，将得到的每幅失真图像的四个特征相似性值作为支持向量机回归模型的输入值，将失真图像的MOS值作为输出值，进行训练，建立SVR模型；

步骤5.3，经步骤5.2建立模型后，将一幅或多幅待检测失真图和与其对应的原图像先按照步骤1、步骤2、步骤3及步骤4提取其相似性特征，再将其相似性特征输入至建立的SVR模型中，对图像质量进行预测，得到预测的MOS值，从而完成对图像质量的评价。