1.一种多失真图像质量的无参考评价方法，其特征在于，包括步骤：(1)获取M幅原始多失真图像，对每一幅原始多失真图像执行步骤(1‑1)至(1‑3)：(1‑1)记任意一幅原始多失真图像为I0，对图像I0分别进行n次下采样，得到n幅下采样图像，并记Ii为第i个下采样图像，i∈[1，2，…，n]；将图像I0至In归入图像I0的样本集合；

(1‑2)对样本集合中每一幅图像进行双阶结构特征提取，获取每一幅图像的一阶结构失真特征和二阶结构失真特征；

所述一阶结构失真特征包括结构信息量特征和结构能量特征；其中，结构信息量特征的计算步骤包括：

1)求出图像Ii的梯度图像gi，i＝0，1，…，n：式中，gi(x，y)表示梯度图像gi中像素点(x，y)处的像素值， 和 分别表示Ii的水平方向梯度和垂直方向梯度；*和T分别表示卷积操作符和转置操作符；

2)对于梯度图像gi中的每一个像素(x，y)，首先确定一个以(x，y)为中心，且大小为W×W的窗口，W表示窗口宽度；计算出窗口中除了像素(x，y)以外的其他所有像素点的平均像素值Ai(x，y)：

3)定义一个函数fi，fi中的元素表示为fi(p，q)，fi(p，q)的值为：满足gi(x，y)＝p且Ai(x，y)＝q的像素点的个数；计算fi(p，q)的概率为：式中，a1、a2分别为I0的长和宽；

4)计算梯度图像gi的二维熵为：计算出的二维熵为Ii的结构信息量特征；

结构能量特征的计算步骤包括：

5)将梯度图像gi分为b×b大小的不重叠的图像块，对每个图像块进行奇异值分解，任意一个图像块Bz的奇异值分解结果为：T

Bz＝UzSzVz，z＝1，2，...，R式中，R表示梯度图像gi中图像块总数， Uz和Vz均为大小为b×bT T

的方阵，并分别满足：UzUz＝E和VzVz＝E；式中，E为单位矩阵；Sz为大小为b×b的方阵，其对角线上的数据为奇异值，其他位置的数据为0；Bz的平均奇异值为Sz中对角线上数据的平均值，记为Yz；

6)对Yz进行归一化，得到：式中，Y′z表示Yz归一化值， 表示Bz的方差；

7)计算gi的结构能量特征为：(1‑3)对样本集合中每一幅图像进行非局部相似性统计特征提取，获取每一幅图像的两个非局部相似性统计特征；

(1‑4)步骤(1‑2)和(1‑3)提取出的所有特征参数共同构成图像I0的特征集合；

(2)将M幅原始多失真图像的特征集合合并形成一个训练参数集合，采用随机森林法从训练参数集合的所有特征参数中学习出一个多失真图像质量评价模型；

(3)通过多失真图像质量评价模型评价待测多失真图像。

2.根据权利要求1所述的一种多失真图像质量的无参考评价方法，其特征在于，所述二阶结构失真特征提取步骤包括：i

(3‑1)计算图像Ii的二值化图像LBP：i

式中， 表示LBP中像素点(x，y)处的像素值，s和r分别表示Ii中像素点(x，y)的邻域采样点个数和邻域采样半径； 表示Ii(x，y)邻域采样点w的像素值；H()为中间函数；

i

(3‑2)提取二值化图像LBP的结构信息量特征Qi3和结构能量特征Qi4，Qi3和Qi4即为图像Ii的二阶结构失真特征。

3.根据权利要求2所述的一种多失真图像质量的无参考评价方法，其特征在于，所述非局部相似性统计特征提取的方法为：(4‑1)将Ii分为大小为b×b的相互重叠的图像块，定义第k个图像块为Bk，确定一个以Bk为中心的大小为O×O的搜索窗L；L中和Bk相同大小的搜索块Bl以步长为1的速度按照从左向右从上到下的顺序依次运动，l为搜索块的索引；

(4‑2)定义Bl和Bk的相似性为两个块之间的欧氏距离：(4‑3)计算出L中所有搜索块与Bk的相似性，选取相似性最高的v个搜索块；

(4‑4)将选取出的v个搜索块和Bk组成一个三维数组，然后对三维数组进行正交三维变换，得到三维变换的小波系数，记小波系数集合为Zit，t＝[1，2，…，E]，E表示图像块的总数；

(4‑5)对每个小波系数集合Zit执行步骤S1至S4：S1：计算Zit的一阶绝对矩J1：式中，z为随机变量，θ表示伽马函数， γit表示Zit的形状参数，y2为一中间参数，

2

式中，σit表示Zit中所有系数的标准差，求得所有系数的方差为σit；

令 得到 将 代入J1的计算公式，得到：

S2：计算Zit的二阶矩为：2

J2＝σit

S3：令 计算出γit：

式中，zj表示集合Zit中第j个小波系数，h表示Zit中小波系数的个数；

2 2

(4‑6)计算图像Ii中所有图像块的σit和γit，根据计算出的σit和γit计算：Qi5和Qi6即为图像Ii的两个非局部相似性统计特征。