1.一种独立成分分析和卷积神经网络的无参考图像质量评价方法，其特征在于，包括如下步骤：(1)提取表征图像质量的块作为图像质量块；

(2)提取所选图像质量块的独立分量特征；

(3)设计CNN训练独立分量系数来预测DMOS值；

(4)用预测的DMOS值及图像质量块梯度的归一值来计算客观质量评价分数。

2.根据权利要求1所述的独立成分分析和卷积神经网络的无参考图像质量评价方法，其特征在于，步骤(1)中所述图像质量块的选择包括如下步骤：设一幅灰度图像的大小为w×h，灰度表示为A＝(ay,x)，其中1≤y≤h，1≤x≤w，其中：ay,x为某点的像素，x为像素的横坐标，y为像素的纵坐标，w为灰度图的长，h为灰度图的宽，然后将整个图像分割成hp×wp的不重叠的图像块；并且，设h和w分别是hp和wp的整数倍，hp为子图像块的宽，wp为子图像块的长，相应的，令r＝h/hp，c＝w/wp，所以图像表示成下面的分块矩阵形式：其中，Aj,i,1≤j≤r,1≤i≤c,是一个hp×wp的图像块；

一个像素ay,x的梯度表示为：

其中：ax,y为一个像素，

图像的梯度由像素梯度的无穷范数的最大值表示，即：其中：g(A)为图像的梯度， 为像素ay,x的梯度，并且，

式中，g(Aj,i)表示图像块Aj,i中像素梯度的无穷范数的最大值，因此对所有的i和j，1≤i≤c，1≤j≤r，均有g(Aj,i)≤g(A)令

表示图像块Aj,i对整幅图像像素梯度无穷范数最大值的归一，由此推出：由每个图像块的 把图像块分成c类：

其中： 为块分类器， 为图像块Aj,i对整幅图像像素梯度无穷范数最大值的归一，L为对图像块进行分类的类别号，θ1，θ2，...θL-1，θL为以0.05为间隔的阈值，每类中选取图像块作为图像质量块，构建每类图像质量块的集合：式中， 表示从图像A中提取出分配给ck类的图像质量块的集合，所有图像质量块的集合表示为：其中：PA为所有图像质量块的集合。

3.根据权利要求1所述的独立成分分析和卷积神经网络的无参考图像质量评价方法，其特征在于，步骤(2)中所述图像质量块的独立分量特征表示如下：将图像质量块表示为一个随机列向量x＝[x1,x2,…,xM]T，其中：x1,x2,...xM为向量中的元素，其中M＝hpwp，hp为子图像块的宽，wp为子图像块的长，由独立成分分析方法训练检测子W，求解u＝Wx，u为独立成分系数，W为检测子。

4.根据权利要求1所述的独立成分分析和卷积神经网络的无参考图像质量评价方法，其特征在于，步骤(3)的具体过程如下：CNN的输入是图像质量块的ICCs，网络由4层卷积和一个全连接层构成，采用最大梯度下降法训练，损失函数为均方根误差函数。

5.根据权利要求1所述的独立成分分析和卷积神经网络的无参考图像质量评价方法，其特征在于，步骤(4)中所述客观质量评价分数按下式计算：其中，

Q(A)为质量评价分数，Pk为从K类图像质量块 中随机选取的图像质量块，α为是一个常数，调整质量分数在一个合理的范围内，Dp(Pk)表示预测的Pk的DMOS值， 为Pk的梯度归一化无穷范数最大值。