1.一种基于特征信息处理的全参考图像质量客观评价方法，包括以下步骤：

(1)对失真图像和与失真图像对应的参考图像依次进行灰度化处理和高斯低通滤波处理；

(2)利用当前视觉多尺度分辨率因子对高斯低通滤波处理后的失真图像和参考图像进行下采样；

(3)根据灰度阈值、视觉对比度敏感函数以及视觉中央凹函数对下采样后的失真图像和参考图像进行视觉灰度感知处理；

(4)根据视觉灰度感知处理后的失真图像和参考图像，采用IFC算法计算失真图像的视觉灰度信息评价；

(5)提取视觉灰度感知处理后的失真图像和参考图像的梯度特征视图，并对提取的梯度特征视图进行视觉梯度感知处理；

(6)根据视觉梯度感知处理后的失真图像对应的梯度特征视图和参考图像对应的梯度特征视图，计算失真图像的视觉梯度特征评价；

(7)根据视觉梯度感知处理后的失真图像对应的梯度特征视图和参考图像对应的梯度特征视图，采用IFC算法计算失真图像的视觉梯度特征信息评价；

(8)更新视觉多尺度分辨率因子后，迭代执行步骤(2)～(7)，直到获得n个视觉多尺度分辨率因子对应的n组数据为止，每组数据包括一个失真图像的视觉灰度信息评价、视觉梯度特征评价以及视觉梯度特征信息评价；

(9)融合n个失真图像的视觉灰度信息评价，融合n个失真图像的视觉梯度特征评价，融合n个失真图像的视觉梯度特征信息评价，获得失真图像的融合视觉灰度信息评价、融合视觉梯度特征评价和融合视觉梯度特征信息评价；

(10)对失真图像的融合视觉灰度信息评价、融合视觉梯度特征评价和融合视觉梯度特征信息评价三个类别数据进行深度融合，获得失真图像的全参考图像质量客观评价结果。

2.如权利要求1所述的基于特征信息处理的全参考图像质量客观评价方法，其特征在于，步骤(2)中，采用公式(1)对高斯低通滤波处理后的失真图像和参考图像进行下采样，yγ(i,j)＝xγ(1:γ:end1，1:γ:end2)  (1)其中，xγ表示原始失真图像和参考图像，yr(i,j)表示下采样后获得图像，(i,j)为下采样后获得图像的像素点，1:γ:end表示对失真图像和参考图像进行间隔γ行和隔γ列采样，γ表示视觉多尺度分辨率因子，γ＝γ0+2·(ω-1)，γ0为视觉尺度分辨率因子初始值，ω为尺度因子循环迭代次数，end1和end2为图像的行数和列数。

3.如权利要求1所述的基于特征信息处理的全参考图像质量客观评价方法，其特征在于，步骤(3)中，利用公式(2)对下采样后的失真图像和参考图像进行视觉灰度感知处理，其中，δ表示灰度阈值，yγ(i,j)表示下采样后的失真图像和参考图像，y‘γ(i,j)表示视觉灰度感知处理后的图像，CSF(γ)表示视觉对比度敏感函数，τ(i,j))表示视觉中央凹函数，γ表示视觉多尺度分辨率因子；

视觉对比度敏感函数CSF(γ)定义为：

其中，r为显示器的分辨率，v为视距，根据主观测试条件，取r＝96(pixels/inch)，v＝

19.1(inch)，λ为γ的调节参数，pixels表示图像的单位为像素，inch表示长度单位为英寸，γpeak表示γ的最大值，γpeak取值为γpeak＝4c/deg，c表示视觉频率单位为周，deg表示视觉空间单位为度；

视觉中央凹函数τ(i,j))定义如下：

其中，d(i,j)表示像素点(i,j)到图像中心的距离，d0表示图像边缘到图像中心的距离，dt表示调节参数。

4.如权利要求1所述的基于特征信息处理的全参考图像质量客观评价方法，其特征在于，步骤(4)的具体过程为：首先，利用公式(5)分别对视觉灰度感知处理后的失真图像和参考图像进行视觉加权处理，y“γ(i,j)＝y’γ(i,j)·τ(i,j)    (5)

其中，y’γ(i,j)表示视觉灰度感知处理后的失真图像和参考图像，y“γ(i,j)表示视觉加权处理后的图像，τ(i,j))表示视觉中央凹函数；

然后，采用IFC算法计算失真图像的视觉灰度信息评价VLI(γ)，公式如下：

其中，k代表图像经小波分解后的通道序号，M代表k的数量，i代表图像经高斯尺度混合(Gaussian Scale Mixtures，GSM)模型分解后的系数序号，N代表i的数量，Sγ,i,k代表参考图像经GSM模型分解后的标量系数，σγ,Uγ,k代表参考图像经GSM模型分解后的方差系数，gγ,i,k代表失真图像经GSM模型分解后的衰减系数，σγ,Vγ,k表示代表失真图像经GSM模型分解后的方差系数，γ表示视觉多尺度分辨率因子，Uγ代表参考图像经GSM模型分解后的均值为零、方差为 的高斯变量取值域，Vγ代表失真图像经GSM模型分解后的均值为零、方差为的加性高斯变量取值域。

5.如权利要求1所述的基于特征信息处理的全参考图像质量客观评价方法，其特征在于，步骤(5)中，采用Scharr算子提取视觉灰度感知处理后的失真图像和参考图像关于视觉通道的梯度特征视图，具体提取公式为：其中，gγ(i)和gγ(j)分别为梯度特征视图gγ(i,j)水平方向投影和垂直方向投影，具体计算公式为：其中，*表示卷积运算，y’γ(i,j)表示视觉灰度感知处理后的失真图像和参考图像；

利用公式(9)对梯度特征视觉进行感知处理，

其中，δg表示梯度阈值，CSF(γ)表示视觉对比度敏感函数，τ(i,j))表示视觉中央凹函数，γ表示视觉多尺度分辨率因子。

6.如权利要求1所述的基于特征信息处理的全参考图像质量客观评价方法，其特征在于，步骤(6)中，利用公式(10)计算失真图像的视觉梯度特征评价VGS(γ)，公式如下:其中，g’γ,x(i,j)、g’γ,y(i,j)分别代表视觉梯度感知处理后的参考图像x和失真图像y的梯度特征视图，T为稳定算法的常数，Q、P表示梯度特征视图的尺寸大小，τ(i,j))表示视觉中央凹函数，VGS(γ)为失真图像的视觉梯度特征，γ表示视觉多尺度分辨率因子。

7.如权利要求1所述的基于特征信息处理的全参考图像质量客观评价方法，其特征在于，步骤(7)的具体过程为：首先，利用公式(11)分别对视觉梯度感知处理后的失真图像对应的梯度特征视图和参考图像对应的梯度特征视图进行视觉加权处理，g”γ(i,j)＝g’γ(i,j)·τ(i,j)    (11)

其中，g’γ(i,j))表示视觉梯度感知处理后的失真图像和参考图像对应的梯度特征视图，g”γ(i,j))表示视觉加权处理后的图像，τ(i,j))表示视觉中央凹函数；

然后，采用IFC算法计算失真图像的视觉梯度特征信息评价VGFI(γ)，

其中，k代表图像视觉梯度图经小波分解后的通道序号，M代表k的数量，i代表图像经高斯尺度混合(Gaussian Scale Mixtures，GSM)模型分解后的系数序号，N代表i的数量，sg:γ,i,k代表参考图像视觉梯度图经GSM模型分解后的标量系数，σg:γ,Uγ,k表示代表参考图像视觉梯度图经GSM模型分解后的方差系数，gg:γ,i,k代表失真图像视觉梯度图经GSM模型分解后的衰减系数，σg:γ,Vγ,k表示代表失真图像视觉梯度图经GSM模型分解后的方差系数，γ表示视觉多尺度分辨率因子，Uγ代表参考图像经GSM模型分解后的均值为零、方差为 的高斯变量取值域，Vγ代表失真图像经GSM模型分解后的均值为零、方差为 的加性高斯变量取值域。

8.如权利要求1所述的基于特征信息处理的全参考图像质量客观评价方法，其特征在于，步骤(9)的具体过程为：采用公式(13)对n个失真图像的视觉灰度信息评价进行融合，

采用公式(14)对n个失真图像的视觉梯度特征评价进行融合，

采用公式(15)对n个失真图像的视觉梯度特征信息评价进行融合，

其中，L(γ)表示视觉灰度信息尺度分辨率调整因子，CSF(γ)表示对比度敏感函数，G(γ)表示视觉梯度特征尺度分辨率调整因子，F(γ)表示视觉梯度特征信息尺度分辨率调整因子，R表示视觉多尺度分辨率因子的集合， 表示对集合R中的所有视觉多尺度分辨率因子下的数据进行求和，γ表示视觉多尺度分辨率因子，VLI(γ)为视觉灰度信息评价，VGS(γ)为视觉梯度特征评价，VGFI(γ)为视觉梯度特征信息评价。

9.如权利要求1所述的基于特征信息处理的全参考图像质量客观评价方法，其特征在于，步骤(10)中，基于回归方程采用公式(16)对失真图像的融合视觉灰度信息、融合视觉梯度特征和融合视觉梯度特征信息三个类别数据进行深度融合，其中，FIP表示失真图像的全参考图像质量客观评价结果，VIL为融合视觉灰度信息，VGS为融合视觉梯度特征，VGFI融合视觉梯度特征信息，λ1、λ2为深度融合回归方程的参数。