1.一种基于自然场景统计的深度图像质量无参考评价方法，其特征在于，包括步骤：(1)收集一组深度图像，并将收集来的深度图像分为两部分，一部分为训练图像，另一部分为测试图像；

(2)对训练图像和测试图像中的每一幅深度图像分别执行步骤：(2‑1)定义原始深度图像为尺度图像0；对原始深度图像分别进行n次高斯低通滤波，并记第i次的滤波结果为尺度图像i，i∈[1，2，…，n]；尺度图像0至n形成具有n+1个尺度的尺度空间；

(2‑2)对尺度图像0至n分别进行特征参数提取，包括步骤：对尺度图像i进行边缘检测，提取尺度图像i的边缘区域，i∈[0，1，2，…，n]；

在边缘失真区域内求各像素点的梯度幅值和高斯‑拉普拉斯算子；

用韦伯分布拟合边缘失真区域内的梯度幅值分布，得到梯度幅值的韦伯分布函数；用非对称高斯分布拟合边缘失真区域内的高斯‑拉普拉斯算子分布，得到高斯‑拉普拉斯算子的非对称高斯分布函数；

提取韦伯分布函数的比例参数和形状参数，以及提取非对称高斯分布函数的均值、形状参数、左尺度参数、右尺度参数；

将提取出的6个参数作为尺度图像i的特征参数；

(3)将训练图像的特征参数作为随机森林模型的输入数据，训练出客观质量分数评价模型；

(4)将测试图像的特征参数作为客观质量分数评价模型的输入数据，得到测试图像的客观质量分数。

2.根据权利要求1所述的一种基于自然场景统计的深度图像质量无参考评价方法，其特征在于，所述步骤(2‑2)中提取尺度图像i的边缘区域的具体步骤为：

1)通过边缘检测滤波器检测出尺度图像i的边缘线段，边缘线段上的像素点为边缘像素点；

2)选取以边缘像素点为中心的局部区域作为该边缘像素点的待选区域；

3)遍历边缘线段上的所有像素点，获取所有边缘像素点的待选区域；

4)合并所有待选区域，得到尺度图像i的边缘区域。

3.根据权利要求2所述的一种基于自然场景统计的深度图像质量无参考评价方法，其特征在于，所述尺度图像i边缘区域内任意一像素点(x，y)处的梯度幅值的计算公式为：式中，Gi表示尺度图像i边缘区域内梯度幅值分布图，Gi(x，y)表示像素点(x，y)处的梯度幅值，Ii表示尺度图像i的边缘区域，Hx表示水平方向上的高斯卷积核，Hy表示竖直方向上的高斯卷积核， 表示卷积符号。

4.根据权利要求3所述的一种基于自然场景统计的深度图像质量无参考评价方法，其特征在于，所述尺度图像i边缘区域内任意一像素点(x，y)处的高斯‑拉普拉斯算子的计算公式为：

式中，Li表示尺度图像i边缘区域内高斯‑拉普拉斯算子的分布图，Li(x，y)表示像素点(x，y)处的高斯‑拉普拉斯算子值，HLOG表示高斯‑拉普拉斯算子卷积核。

5.根据权利要求4所述的一种基于自然场景统计的深度图像质量无参考评价方法，其特征在于，所述韦伯分布函数为：式中，p()表示韦伯分布函数，a是韦伯分布的比例参数，b是韦伯分布的形状参数。

6.根据权利要求5所述的一种基于自然场景统计的深度图像质量无参考评价方法，其特征在于，所述非对称高斯分布函数为：式中，f()表示非对称高斯分布函数， 为左尺度参数， 为右尺度参数，Γ()为伽玛函数，Li表示尺度图像i边缘区域内高斯‑拉普拉斯算子的分布图，v表示形状参数；

非对称高斯分布函数的均值η为：