1.一种卫星立体图像质量评价方法，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N幅原始卫星立体图像及每幅原始卫星立体图像的数字表面模型(DSM)，将第u幅原始卫星立体图像记为Mu，将第u幅原始卫星立体图像的数字表面模型记为Du；然后对每幅原始卫星立体图像进行L个不同等级的模糊失真，得到每幅原始卫星立体图像对应的L幅模糊失真的失真卫星立体图像；并对每幅原始卫星立体图像进行L个不同等级的高斯噪声失真，得到每幅原始卫星立体图像对应的L幅高斯噪声失真的失真卫星立体图像；再将每幅原始卫星立体图像对应的L幅模糊失真的失真卫星立体图像和L幅高斯噪声失真的失真卫星立体图像构成2L幅失真卫星立体图像，将第u幅原始卫星立体图像对应的第v幅失真卫星立体图像记为Su,v；其中，N为正整数，N＞1，u为正整数，u的初始值为1，1≤u≤N，L为正整数，L＞1，v为正整数，v的初始值为1，1≤v≤2L，Mu、Du和Su,v的宽度均为W且高度均为H；步骤①_2、对每幅原始卫星立体图像进行角点检测，检测得到每幅原始卫星立体图像中的所有为角点的像素点；同样，对每幅原始卫星立体图像对应的各幅失真卫星立体图像进行角点检测，检测得到每幅原始卫星立体图像对应的各幅失真卫星立体图像中的所有为角点的像素点；步骤①_3、根据每幅原始卫星立体图像的数字表面模型，将每幅原始卫星立体图像中的每个角点判定为特征点或非特征点；同样，根据每幅原始卫星立体图像的数字表面模型，将每幅原始卫星立体图像对应的各幅失真卫星立体图像中的每个角点判定为特征点或非特征点；步骤①_4、根据每幅原始卫星立体图像中的所有特征点及每幅原始卫星立体图像对应的各幅失真卫星立体图像中的所有特征点，计算每幅原始卫星立体图像对应的各幅失真卫星立体图像的检测准确度，将Su,v的检测准确度记为ρu,v；步骤①_5、将所有失真卫星立体图像及其检测准确度构成训练集，记为{Sv',ρv'|1≤v'≤N×2L}；其中，v'为正整数，v'的初始值为1，1≤v'≤N×2L，N×2L为失真卫星立体图像的总幅数，Sv'表示{Sv',ρv'|1≤v'≤N×2L}中的第v'幅失真卫星立体图像，ρv'表示{Sv',ρv'|1≤v'≤N×2L}中的第v'幅失真卫星立体图像的检测准确度；步骤①_6、计算{Sv',ρv'|1≤v'≤N×2L}中的每幅失真卫星立体图像的结构特征矢量，将Sv'的结构特征矢量记为其中，的维数为128×1；并计算{Sv ',ρv '|1≤v'≤N×2L}中的每幅失真卫星立体图像的纹理特征矢量，将Sv '的纹理特征矢量记为其中，的维数为8×1；

步骤①_7、将{Sv',ρv'|1≤v'≤N×2L}中的每幅失真卫星立体图像的结构特征矢量和纹理特征矢量排列构成{Sv ',ρv '|1≤v'≤N×2L}中的每幅失真卫星立体图像的特征矢量，将Sv'的特征矢量记为Fv'，其中，符号“[ ]”为矢量表示符号，为

的转置，为的转置，为的转置，Fv'的维数为136×

1；步骤①_8、将{Sv',ρv'|1≤v'≤N×2L}中的所有失真卫星立体图像各自的特征矢量和检

测准确度构成训练样本数据集合，训练样本数据集合中包含N×2L个特征矢量和N×2L个检测准确度；然后采用支持向量回归作为机器学习的方法，对训练样本数据集合中的所有特征矢量进行训练，使得经过训练得到的回归函数值与检测准确度之间的误差最小，拟合得到最优的权重矢量wopt和最优的偏置项bopt；接着利用最优的权重矢量wopt和最优的偏置项bopt，构造预测模型，记为f(F)，其中，f( )为函数表示形式，F用于表

示失真卫星立体图像的特征矢量，且作为预测模型的输入矢量，(wopt)T为wopt的转置，

为F的线性函数；所述的测试阶段过程的具体步骤为：步骤②_1、对于任意一幅用作测试的失真卫星立体图像，将其记为Stest；其中，Stest的宽度为W'且高度为H'；步骤②_2、按照步骤①_6的过程，以相同的操作，获取Stest的特征矢量，记为Ftest；其中，Ftest的维数为136×1；步骤②_3、利用训练阶段构造的预测模型f(F)对Ftest进行测试，预测得到Ftest对应的预测值，将该预测值作为Stest的检测准确度，记为ρtest，其中，

为Ftest的线性函数。2.根据权利要求1所述的一种卫星立体图像质量评价方法，其特征在于所述的步骤①_2中，角点检测采用Harris角点检测方法。3.根据权利要求1或2所述的一种卫星立体图像质量评价方法，其特征在于所述的步骤①_3中，将每幅原始卫星立体图像中的每个角点判定为特征点或非特征点的过程为：对于第u幅原始卫星立体图像Mu，若Mu中坐标位置为(x1 ,y1)的像素点为角点，则当满足条件点也判定为非特征点的像素点的总个数。5.根据权利要求4所述的一种卫星立体图像质量评价方法，其特征在于所述的步骤①_

6中的的获取过程为：采用尺度不变特征变换对Sv'进行描述，得到Sv'中的每个关键点的

描述；然后将Sv'中的所有关键点的描述组成反映Sv'几何结构信息的关键点特征矢量集合，

记为再计算得到Sv '的结构特征矢量其中，Sv '中的每个

关键点的描述为该关键点的方向直方图组成的特征矢量，表示Sv'中的第i1个关键点的

描述，为Sv'中的第i1个关键点的方向直方图组成的特征矢量，的维数为128×1，i1为

正整数，i1的初始值为1，1≤i1≤M1，M1表示Sv'中的关键点的总个数。6.根据权利要求5所述的一种卫星立体图像质量评价方法，其特征在于所述的步骤①_

6中的的获取过程为：

①_6a、对Sv'中的所有像素点在水平0°度方向进行扫描，得到Sv'在水平0°度方向的灰度共生矩阵，记为{p0°(j1,j2)|1≤j1≤J,1≤j2≤J}；其中，j1和j2均为正整数，1≤j1≤J，1≤j2≤J，j1≠j2，J表示Sv'中所包含的灰度级的总数目，p0°(j1,j2)表示Sv'中灰度值为j1的像素点与灰度值为j2的像素点在水平0°度方向同时出现的概率；对Sv'中的所有像素点在右对角45°度方向进行扫描，得到Sv'在右对角45°度方向的灰度共生矩阵，记为{p45°(j1,j2)|1≤j1≤J,1≤j2≤J}；其中，p45°(j1,j2)表示Sv'中灰度值为j1的像素点与灰度值为j2的像素点在右对角45°度方向同时出现的概率；对Sv'中的所有像素点在垂直90°度方向进行扫描，得到Sv'在垂直90°度方向的灰度共生矩阵，记为{p90°(j1,j2)|1≤j1≤J,1≤j2≤J}；其中，p90°(j1,j2)表示Sv'中灰度值为j1的像素点与灰度值为j2的像素点在垂直90°度方向同时出现的概率；对Sv'中的所有像素点在左对角135°度方向进行扫描，得到Sv'在左对角135°度方向的灰度共生矩阵，记为{p135°(j1,j2)|1≤j1≤J,1≤j2≤J}；其中，p135°(j1,j2)表示Sv'中灰度值为j1的像素点与灰度值为j2的像素点在左对角135°度方向同时出现的概率；①_6b、根据{p0°(j1,j2)|1≤j1≤J,1≤j2≤J}，计算Sv'在水平0°度方向的能量、熵、对比度、同质性特征，对应记为E0°、H0°、C0°、R0°，根据{p90°(j1 ,j2)|1≤j1≤J ,1≤j2≤J}，计算Sv '在垂直90°度方向的能量、熵、对比度、同质性特征，对应记为E90°、H90°、C90°、R90°，根据{p135°(j1,j2)|1≤j1≤J,1≤j2≤J}，计算Sv'在左对角135°度方向的能量、熵、对比度、同质性特征，对应记为E135°、H135°、C135°、R135°，①_6c、计算E0°、E45°、E90°和E135°的均值和方差，对应记为μE和σE，计算H0°、H45°、H90°和H135°的均值和方差，对应记为μH和σH，计算C0°、C45°、C90°和C135°的均值和方差，对应记为μC和σC，计算R0°、R45°、R90°和R135°的均值和方差，对应记为μR和σR，①_6d、将μE、σE、μH、σH、μC、σC、μR和σR按序排列构成Sv'的纹理特征矢量