1.一种基于结构相似度映射字典学习的无参考图像质量评价方法，其特征在于，该方法包括如下步骤：

S1：将原始图像随机分成评价训练图像集、评价测试图像集和字典训练图像集，所述的评价训练图像集、评价测试图像集和字典训练图像集均包括多幅参考图像和与其对应的失真图像；

S2：首先将字典训练图像集中的图像进行灰度化处理，设字典训练图像集中参考灰度图像为O，失真灰度图像为Y，采用如下公式计算得到结构相似度映射图，即SSIM映射图；

其中，i和j分别为SSIM映射图的行索引和列索引，a和n分别为二维高斯滤波器系数的行索引和列索引，ωa,n为二维高斯滤波器系数,J为滤波器窗口大小，C1和C2为避免分母为0设置的常数，μO为参考灰度图像经高斯滤波后的邻域灰度值的均值，μY为失真灰度图像经高斯滤波后的邻域灰度值的均值，σO为参考灰度图像经高斯滤波后的邻域灰度值的标准差，σY为失真灰度图像经高斯滤波后的邻域灰度值的标准差，σOY为参考灰度图像O和失真灰度图像Y之间的协方差；

S3：将SSIM映射图取值缩放到[0,255]范围，并截断取整，并在横向和纵向进行大小缩放，缩放成大小为M×M的SSIM缩放矩阵R；

S4：从所有字典训练图像集图像中提取得到的SSIM缩放矩阵R中随机选取N个K×K像素

2 2

块，将K×K像素块按行扫描的方式向量化成K×1维的列向量，将N个K×1维的向量组成维数为N×K2的样本矩阵Y1，采用核奇异值分解的方法学习SSIM映射字典D1，采用公式如下：其中Y1为样本矩阵，X为稀疏矩阵，D1为SSIM映射字典，Xi为矩阵X的第i列的列向量，T为控制稀疏度设置的阈值；

S5：将字典训练图像集中的参考图像转换成的灰度图像进行横向和纵向的大小缩放，缩放为大小为M×M的缩放参考图像矩阵E；

S6：从所有参考图像得到的缩放参考图像矩阵E中随机选取N个K×K像素块，将K×K像素块按行扫描的方式向量化成K2×1维的列向量，将N个K2×1维的列向量组成维数为N×K2的矩阵Y2，同样采用核奇异值分解的方法学习字典D2；

S7：将学习后的字典D1和字典D2组合成联合字典D＝{D1,D2}；

S8：将评价训练图像集和评价测试图像集中的失真图像进行灰度化处理，并将处理后的灰度图像缩放成大小为M×M的缩放图像，同样将缩放图像分解成K×K像素块，并将其向2

量化成K×1维的列向量Z，采用联合字典D进行分解，得到稀疏系数向量α＝{α1,α2}，其中α1为像素块向量Z在字典D1上的稀疏分解系数，α2为像素块向量Z在字典D2具上的稀疏分解系数，采用公式如下：

其中λ为正则化参数；

S9：采用稀疏分解系数α1和字典D1，得到SSIM映射图像块Bi，将所有SSIM映射图像块Bi合并成SSIM映射图像B；

S10：将SSIM映射图像B取值缩放到[0,255]范围，并截断取整，并求取像素距离为d和2～4个角度方向的灰度共生矩阵，其中，1≤d≤3；

S11：将灰度共生矩阵展开成灰度共生矩阵向量，计算得到灰度共生矩阵向量的均值μm、标准差σm、偏度βm和峰度γm，其中m为角度索引；

S12：将SSIM映射图像B进行G级的下采样，得到不同尺度下的SSIM映射图像；

S13：对不同尺度下的SSIM映射图像重复S10-S12；

S14：将不同角度方向下的标准差σS,m、偏度βS,m和峰度γS,m组合成尺度特征向量FS，其中，S为尺度索引，1≤S≤N；再将N个尺度下的尺度特征向量组合成特征向量F，组合公式如下：

F＝{F1,F2,F3,...FN}然后将特征向量F合并主观MOS分值送到支持向量回归机中进行训练，得到训练后的支持向量回归机；将测试图像同样按以上流程提取出特征向量F，送到训练后的支持向量回归机中进行测试，得到客观图像质量评价结果。

2.根据权利要求1所述的基于结构相似度映射字典学习的无参考图像质量评价方法，其特征在于：

所述的S10中，求取像素距离d＝1和方向为θ＝0°，θ＝45°，θ＝90°和θ＝135°四个方向的灰度共生矩阵，记为CM0(p,q)、CM45(p,q)、CM90(p,q)和CM135(p,q)，其中0≤p≤255，0≤q≤

255；

所述的S11中，灰度共生矩阵向量分别记为HCM0，HCM45,HCM90和HCM135，计算得到灰度共生矩阵向量的均值μm,标准差σm,偏度βm和峰度γm，其中m取值0°,45°,90°,135°，计算公式如下：其中L为HCM0、HCM45、HCM90和HCM135中的元素总个数；

所述的S14中，FS的公式如下：

FS＝{σS,0°,βS,0°,γS,0°,σS,45°,βS,45°,γS,45°,σS,90°,βS,90°,γS,90°,σS,135°,βS,135°,γS,135°}。

3.根据权利要求2所述的基于结构相似度映射字典学习的无参考图像质量评价方法，其特征在于，所述的尺度索引1≤S≤3，所述的特征向量F的组合公式为：F＝{F1,F2,F3}。

4.根据权利要求1所述的基于结构相似度映射字典学习的无参考图像质量评价方法，其特征在于，所述的S5中采用双线性插值方法进行图像的缩放。

5.根据权利要求1所述的基于结构相似度映射字典学习的无参考图像质量评价方法，其特征在于，所述的S14中的支持向量回归机采用台湾大学开发的libsvm软件包或matlab支持向量机工具包进行训练和测试，并采用径向基函数作为核函数，并将每个特征值缩放到[-1,1]范围，再将缩放特征送入到支持向量回归机中进行训练和测试。