1.一种基于深度学习的图像质量评价方法，其特征在于包括如下步骤：步骤1：提取结构性特征图；

步骤2：提取自然性特征图；

步骤3：提取自由能特征图；

步骤4：根据每张图对应的所有特征图设计神经网络框架。

2.根据权利要求1所述的一种基于深度学习的图像质量评价方法，其特征在于步骤1所述的提取结构性特征图，具体实现如下：

1-1.结构性特征就是图像的梯度，利用水平、竖直、45度、135度方向上的梯度来表示图像的结构性特征。

1-2.利用mask或差分算子进行计算：水平算子Dh、竖直算子Dv；角度算子D45和D135Dh＝[-1，1]Dv＝[-1，1]T

1-3.和图像做卷积：

其中：Gh、GV、G45、G135表示卷积后的特征图像。

3.根据权利要求2所述的一种基于深度学习的图像质量评价方法，其特征在于步骤2所述的提取自然性特征图，具体实现如下：

2-1.图像的归一化系数：

其中，I为输入图像，(x，y)表示位置信息，I′表示归一化系数图像，μ(x，y)表示邻域均值、σ(x，y)表示邻域方差

2-2.根据邻域大小，划分为5种不同大小邻域：5×5、7×7、11×11、13×13、15×15。针对图像I，每种领域大小都能够得到相应的归一化特征图像，分为用I′5、I′7、I′11、I′13、I′15表示。

4.根据权利要求3所述的一种基于深度学习的图像质量评价方法，其特征在于步骤3所述的提取自由能特征图，具体实现如下：

3-1.提取自由能特征利用稀疏表示来模拟大脑内部的生成模型，假设输入图像I，其稀疏表示为I″。利用公式：yn＝Xk(y)a+en

yn为图像中待表示的像素点，Xk(y)表示与y最近邻的k的像素；a＝(a1，a2，a3，…，ak)T表示系数，“T”表示转置操作，en表示误差。由公式：a*＝(XTX)-1XTy

得：

yn＝Xk(y)(XTX)-1XTyI″由新的yn组成；

3-2.计算差异特征图为I-I″。

5.根据权利要求4所述的一种基于深度学习的图像质量评价方法，其特征在于步骤4所述的根据每张图对应的所有特征图设计神经网络框架，具体实现如下：所述的每张图能够得到10张特征图，分别为：Gh、Gv、G45、G135、I′5、I′7、I′11、I′13、I′15、I-I″；其中4张结构性特征图，5张自然性特征图，1张自由能特征图；

所述的设计神经网络框架，具体实现如下：

4-1.以10张特征图作为输入，通道数为10。

4-2.通过一层卷积层，使通道数变为64。

4-3.通过121层densenet网络框架提取特征。

4-4.由一层线性回归层得到图像的质量分数；

4-5.损失函数：

Y表示线性回归层的输出，Y′表示图像的主观分数。