1.一种基于低秩稀疏矩阵分解的图像质量评价方法，其特征在于，该方法包括如下步骤：S1：将输入图像随机分成训练图像集和测试图像集；

S2：将训练图像集中的彩色失真图像转换为灰度失真图像，并对所述的训练图像集的灰度失真图像进行稀疏与低秩矩阵分解，输出低秩矩阵和稀疏矩阵，记转换后的训练图像集中的灰度图像矩阵为Y，输出的低秩矩阵为L，稀疏矩阵为S，所述的稀疏与低秩矩阵分解公式如下：其中，||L||*表示低秩分解矩阵的核范数，||S||1表示稀疏分解矩阵的稀疏度，γ表示稀疏度的正则化权重参数，低秩稀疏矩阵分解采用鲁棒主成分分析方法求解；

S3：对稀疏矩阵S和低秩矩阵L分别进行如下处理：对稀疏矩阵S：

(1)分别采用窗口大小为Km×Km，方差分别为σm的M个二维高斯滤波器对稀疏矩阵S进行滤波，得到M个滤波后的稀疏矩阵，记为Sm，其中1≤m≤M；

(2)分别对Sm求取直方图，并用广义高斯分布建模直方图，过程如下：记Sm的直方图向量为HN，长度为N，其中广义高斯分布公式如下：其中，Γ表示gamma函数，定义为 其中z>0，x表示满足广义高斯分布的一元随机变量，α为尺度参数，β为形状参数；

(3)采用矩估计法，通过一阶绝对矩和二阶矩估计α和β；

(4)将输入失真图像的M个滤波后的稀疏矩阵Sm中提取的尺度参数αm和形状参数βm组合成特征向量F1，组合公式如下：F1＝{α1，β1，α2，β2，……αM，βM}对低秩矩阵L：

(1)同样分别采用窗口大小为Km×Km，方差分别为σm的M个二维高斯滤波器对低秩矩阵L进行滤波，得到M个滤波后的低秩矩阵，分别记为Lm，其中1≤m≤M；

(2)对M个滤波后的低秩矩阵Lm分别采用0°，45°，90°和135°四个方向的sobel算子进行滤波，得到4M个滤波后的低秩矩阵，分别记为 其中1≤m≤M，计算公式为：

其中 表示二维卷积运算，P0、P45、P90和P135分别表示0°，45°，90°和135°四个方向的sobel算子；

(3)计算相邻滤波低秩矩阵在同一方向上的梯度特征相似度，计算公式如下：其中1≤m≤M-1，D＝0°，45°，90°，135°，其中c为避免分母为零而设的常数；

(4)求取0°，45°，90°和135°四个方向的梯度特征相似度 在整幅图像内的均值，采用公式如下：其中 为梯度特征相似度均值，1≤m≤M-1，D＝0°，45°，90°，135°；其中W和H分别为图像的宽度和高度；

(5)将0°，45°，90°和135°四个方向的 组合成特征向量F2，组合公式如下：F2＝{E1，E2，......,EM-1}

S4：将特征向量F1和特征向量F2组合成特征向量F，组合公式如下：F＝{F1，F2}

S5：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；

S6：将测试图像同样按S2-S5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，得到客观的图像质量评价结果。

2.根据权利要求1所述的基于低秩稀疏矩阵分解的图像质量评价方法，其特征在于，所述的S3中对稀疏矩阵S和低秩矩阵L进行滤波时采用的窗口大小均为3×3、9×9、15×15和

21×21，采用的二维高斯滤波器的方差均为2、4、6和8。

3.根据权利要求1所述的基于低秩稀疏矩阵分解的图像质量评价方法，其特征在于，所述的S3中，计算相邻滤波低秩矩阵在同一方向上的梯度特征相似度的公式中的c＝0.01。

4.根据权利要求1所述的基于低秩稀疏矩阵分解的图像质量评价方法，其特征在于，所述的S3中采用矩估计法，通过一阶绝对矩和二阶矩估计α和β的具体过程如下：(3.1)求得直方图向量HN的均值，公式如下：

(3.2)从直方图向量HN中减去均值 公式如下：其中0≤i≤N-1，N为直方图的分组个数；

(3.3)求得M(i)的一阶绝对矩m1和二阶矩m2，计算公式如下:(3.4)采用一阶绝对矩m1和二阶矩m2计算α和β，采用公式如下：其中 R-1(x)为R(x)的逆函数。

5.根据权利要求4所述的基于低秩稀疏矩阵分解的图像质量评价方法，其特征在于，所述的S3中的(3.4)中，R-1(x)的计算方法具体为：首先根据R(x)的公式计算得到输入x和输出R(x)的对应表格，记为x～R(x)，再根据x～R(x)表格得到输入R(x)和输出x的对应表格，记为R(x)～x，最后采用一阶绝对矩m1和二阶矩m2计算得到 作为输入查找R(x)～x表格，得到β的数值。

6.根据权利要求1所述的基于低秩稀疏矩阵分解的图像质量评价方法，其特征在于，所述的步骤S3中，对M个滤波后的低秩矩阵Lm分别采用0°，45°，90°和135°四个方向的sobel算子进行滤波，其中0°，45°，90°和135°四个方向的sobel算子用公式表示如下：