1.一种基于全卷积神经网络的无参考图像质量评价方法，其特征在于包括训练阶段和测试阶段两个过程，所述的训练阶段过程的具体步骤为：步骤①_1：选取P幅原始的无失真图像，将第p幅原始的无失真图像记为 然后利用失真生成方法，生成每幅原始的无失真图像在不同失真类型不同失真程度下的失真图像；再将所有原始的无失真图像对应的失真图像构成训练集，将训练集中的第k幅失真图像记为 其中，P为正整数，P＞1，p为正整数，1≤p≤P，1≤x≤W，1≤y≤H，W表示的宽度，H表示 的高度， 表示 中坐标位置为(x,y)的像素点的像素值，k为正整数，1≤k≤K，K为正整数，K表示训练集中包含的失真图像的总幅数，K＝P×L，L为正整数，L表示每幅原始的无失真图像对应的失真图像的总幅数，L＞1，表示 中坐标位置为(x,y)的像素点的像素值；

步骤①_2：利用基于特征相似度的全参考图像质量评价方法，并结合训练集中的每幅失真图像及其对应的原始的无失真图像，获得训练集中的每幅失真图像的客观真实质量图，将 的客观真实质量图记为 是利用基于特征相似度的全参考图像质量评价方法并结合 及其对应的原始的无失真图像获得的；其中，表示 中坐标位置为(x,y)的像素点的像素值；

并且，利用归一化方法，对训练集中的每幅失真图像进行归一化处理，获得训练集中的每幅失真图像的归一化图像，将 的归一化图像记为 其中，表示 中坐标位置为(x,y)的像素点的像素值；

步骤①_3：利用全卷积神经网络，并将训练集中的每幅失真图像的客观真实质量图作为监督，对训练集中的所有失真图像的归一化图像进行训练，使得回归得到的质量图与客观真实质量图之间的误差最小，得到最优的权值矢量ω和最优的偏置项b；然后将ω和b作为全卷积神经网络的最优参数，进而构造得到最优的全卷积神经网络回归训练模型；

所述的步骤①_3中，全卷积神经网络有三层，分别为输入层、非线性拟合层和预测层；

非线性拟合层包括7个卷积层，使用的卷积核的个数分别为32、64、128、256、128、64、1，卷积核的尺寸大小都为3×3，mini-batch的大小都为24，使用的优化器都为Adam，使用的激活函数都为修正线性单元函数；

所述的测试阶段过程的具体步骤为：

步骤②_1：令 表示待评价的失真图像；其中，1≤i≤W'，1≤j≤H'，W'表示的宽度，H'表示 的高度， 表示 中坐标位置为(i,j)的像素点的像素值；

步骤②_2：利用归一化方法，对 进行归一化处理，获得 的归一化图像，记为 其中， 表示 中坐标位置为(i,j)的像素点的像素值；

并且，利用图像显著性特征图提取方法，提取出 的显著图，记为其中， 表示 中坐标位置为(i,j)的像素点的像素值；

步骤②_3：将 作为输入，输入到训练阶段构造得到的最优的全卷积神经网络回归训练模型中，得到 的客观质量评价预测质量图，记为 其中，表示 中坐标位置为(i,j)的像素点的像素值；

步骤②_4：使用 对 进行加权池化，得到 的客观质量评价预测值，记为Q。

2.根据权利要求1所述的基于全卷积神经网络的无参考图像质量评价方法，其特征在于所述的步骤①_2中，