1.一种基于贝叶斯压缩感知的无参考图像质量客观评价方法，其特征在于，包括以下步骤：步骤(1)：输入训练图像，所述训练图像包括参考图像和失真图像；

步骤(2)：将步骤1的参考图像和失真图像进行灰度变换，将彩色图像变换成灰度图像X；

步骤(3)：将步骤2变换得到的灰度图像X的宽度和高度扩展成N的倍数，再将扩展后的灰色图像分成不重叠的大小为N×N的图像块Xi，其中1≤i≤M，Xi为划分后的图像块矩阵，XiN×N∈R ,N为图像块的高度和宽度，M为图像块的个数，R为实数；

步骤(4)：将图像块Xi采用小波变换进行多层分解，将多层近似系数和细节系数组合成向量C，其中C为小波系数向量，C∈RK×1，K为小波系数向量的元素个数；

步骤(5)：构建随机采样矩阵Ψ，Ψ∈RL×K，其中，L和K为采样矩阵Ψ的行数和列数，并且L×1L＜K；用随机采样矩阵Ψ采样小波系数向量C，得到采样向量g，其中g∈R ，采样公式如下：g＝ΨC；

步骤(6)：根据采样向量g和采样矩阵Ψ采用贝叶斯压缩感知对图像块矩阵Xi进行预测，具体步骤如下：步骤(6.1)：首先初始化超参数β0和β，其中超参数初始化公式如下：β0＝(var(g))-1，β＝[β1，β2，...,βK]T＝ψTg；

其中，var(·)表示求取向量方差操作，(·)-1为求倒数操作，β0为初始的超参数，β为超参数向量，β1,...,βK为超参数向量β的K个元素；

步骤(6.2)：根据超参数β0和β、采样矩阵Ψ和采样向量g计算小波系数向量C满足的多维高斯分布的均值μ和协方差矩阵Σ，计算公式如下:Σ＝(β0ΨTΨ+B)-1

μ＝β0ΣΨTg

其中,B为超参数向量β的K个元素β1,...,βK组成的对角矩阵，B＝diag(β1,β2,...,βK)，μ为C满足的多维高斯分布的均值，Σ为C满足的多维高斯分布的协方差矩阵，(·)-1为矩阵求逆操作；

步骤(6.3)：迭代计算新的超参数β0*和β*，计算公式如下：其中1≤k≤L

其中，λk＝1-βkΣkk，∑kk为步骤7中∑矩阵的第k个对角元素,L为采样矩阵Ψ的行数；

步骤(6.4)：重复步骤6.1-步骤6.3，直到完成N次迭代循环，其中迭代循环次数N选取为

10000；

步骤(6.5)：对向量C的均值μ求小波反变换，并展开成二维矩阵，得到估计图像块Yi，其中1≤i≤M，M为图像块的个数；

步骤(7)：利用原始图像块Xi和估计图像块Yi，采用结构相似度索引SSIM计算原始图像块Xi和估计图像块Yi的相似度，得到M个图像块的结构相似度索引均值Q(p)，其中结构相似度索引SSIM计算公式为：其中，r和c分别为原始图像块Xi或估计图像块Yi的行索引和列索引，m和n分别为二维高斯滤波器系数的行索引和列索引，ωm,n为二维高斯滤波器系数,N为滤波器窗口大小，C1和C2为避免分母为0设置的常数,μX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，σX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，σXY为参考灰度图像X和失真灰度图像Y之间的协方差，Q(i)为第i个图像块的结构相似度均值；

步骤(8)：将M个图像块的结构相似度索引均值Q(i)求平均得到整幅图像的结构相似度索引均值Q，计算公式如下：步骤(9)：将灰度图像X进行归一化处理，得到归一化亮度图像I，采用公式如下：其中， i和j分别为灰度图像X中某一像素

点在图像中的坐标，X(i,j)为灰度图像X在(i,j)处的取值，I(i,j)为归一化灰度图像I在(i,j)处的取值，ω为大小为M×N，均值为0，方差为1的二维高斯滤波器，μS(i,j)为灰度图像进行高斯滤波后(i,j)处的均值，σS(i,j)为灰度图像进行高斯滤波后(i,j)处的方差，M和N分别为滤波器的高度和宽度，M＝N＝1，其中C3为避免分母为0而设的常数，C3取值为

0.01；

步骤(10)：计算归一化亮度图像I的均匀局部二值模式ULBP特征，计算方法如下：其中，当Ii≥Ic时，t(Ii-Ic)＝1，当Ii＜Ic时，t(Ii-Ic)＝0，ULBPK,R为归一化亮度图像I在像素点c处的ULBP特征，Ic为归一化亮度图像I在像素点c处的取值，I0,I1,...,IK-1为归一化亮度图像I在像素点c处以R为半径的K个邻域像素点的灰度取值，其中，R为邻域半径，K为邻域像素点个数；

步骤(11)：计算得到ULBP直方图，并组合成特征向量F，并进行归一化处理，计算方法如下：F＝NH(ULBPK,R(i,j))

F＝{f1,f2,...,fK+1}

FMAX＝max(f1,f2,...,fK+1)

其中ULBPK,R(i,j)为归一化灰度图像I在(i,j)处的ULBP特征，ULBP直方图的分组个数为K+1，NH(·)为取直方图操作，F为ULBP直方图特征向量，FMAX为f1,f2,...,fK+1中的最大值，FN为归一化处理后的ULBP直方图特征向量；

步骤(12)：将归一化处理ULBP直方图特征向量FN和结构相似度索引均值Q组合成特征向量P1，组合公式如下：P1＝[FN,Q]

步骤(13)：对灰度图像X进行三次下采样，得到三幅下采样图像；

步骤(14)：对三幅下采样图像重复步骤2-步骤12，得到特征向量P2，P3，P4，将特征向量P1，P2，P3，P4组合成特征向量P，组合公式如下：P＝[P1,P2,P3,P4]

步骤(15)：将特征向量P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；

步骤(16)：从输入图像集中输入测试图像，将测试图像同样按步骤2到步骤14提取出特征向量P，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。