1.一种基于视觉显著性和深度神经网络的图像质量评价方法，其特征在于：具体包含如下步骤；

步骤1，利用视觉显著性中的颜色显著性以及中央区域显著性，建立一种基于视觉显著性的图像显著性检测模型；具体包括以下子步骤：步骤11，利用人眼对颜色及图像中央特别关注的特点，生成颜色加权显著图；

步骤12，利用凸包原理，得出显著性物体的区域，生成凸包显著图；

步骤13，将颜色加权显著图和凸包显著图融合，得到最终显著图，并给出效果图；

步骤2，图像预处理：采用LIVE3DIQD_phase 1数据库作为图像预处理库，以及后面的训练库；具体包括以下子步骤：步骤21，融合左右眼图像的生成：通过将左视图视为参考，将左图像与右视差补偿图像融合来合成独眼图；

步骤22，显著图像的生成：对立体失真图像进行视觉显著图的生成，融合生成相应的独眼图及其最终显著图；

步骤3，将卷积与神经网络两者相结合，得出卷积神经网络；

在步骤11中，生成颜色加权显著图，具体如下：

利用超像素作为显著性检测估计元素，依据SLIC方法，获取输入图像的超像素；

为得到对比先验图，对于任意超像素i，计算其已经归一化到[0，1]的平均坐标pi和在CIELAB空间下的颜色均值Ci，超像素的显著值的计算如下：其中，令σP为权重；

在步骤12中，凸包显著图的生成，具体如下：

步骤3.1，将待检测图像由RGB图转换为灰度图像；

步骤3.2，进行二值图像的转化，寻找图像的轮廓得到候选的凸点；

步骤3.3，调用凸包API生成凸包图像，并进行中心坐标的确定；

步骤3.4，接着用凸包的中心坐标(a0，b0)代替传统算法中的图像中心坐标；超像素的显著值计算公式如下：其中ai，bi分别为超像素i归一化到[0，1]后的水平坐标均值和垂直坐标均值，并且令上式σa＝σb；

在步骤13中，最终显著图的具体表达式如下：

Sin＝Sco(i)*Sce(i)；

在步骤3中，卷积神经网络的结构具体包含：

输入网络：所设计的立体失真图像评价算法，侧重于显著性，因此依赖于显著图进行训练，生成的显著图及左右眼图像均先进行切块处理，之后三种图像块分别作为输入同时输入到网络中进行计算；

卷积层：卷积层是整个深度卷积网络的最重要参数，提取特征就是利用分割后的图像与卷积核进行卷积计算，其中感受视野的大小就是卷积核的大小；

池化层：池化层其实就是一个压缩的过程，其池化的输入是卷积层的输出；分为max‑pooling和mean‑polling；

(4)全连接层：输入的三份图像经过多层池化后，可得到一维特征向量，进而在全连接层将其进行线性拼接；

(5)激活函数：线性模型的拟合能力并不足，所以需要引入非线性映射对卷积特征图进行处理，也称为激活，常用的激活函数为sigmoid；

(6)模型具体设计参数：卷积核大小设置为3*3，使用sigmoid作为激活函数，最大池化窗口大小为2*2；输入图像数量batch_size选择64，训练次数epoch选择200，以0.5的比例在全连接层对输出值进行dropout处理，以防止过度拟合；

(7)目标函数设计：目标函数设置为数据库中图像与整体质量均值的方差之和；在最终模型确立之后，通过卷积神经网络的训练即可预测得分。