1.一种不需要参考图像的水下图像质量比较方法，其特征在于所述方法如下：S1: 数据集水下图像分类标记

将数据集中水下图像进行配对，并分为三类, 并将其分别标记为偏好{+1，‑1}，{‑1，+

1}，{0，0}；

S2: 建立成对水下图像质量对比模型

将两幅水下图像，输入到预训练好的InceptionResNetV2模型中提取两幅图像的特征，将提取出来的特征集合到一起，作为下一个CNN‑pair模块的输入去学习质量的差异，在CNN‑pair模块中利用改进的Inception模块来感知图像对中的全局和局部质量差异，通过Reduction模块对多尺度特征进行缩减，在三层全卷积线性映射后，由Softmax函数对偏好标签进行分类；

S3: 改进Inception‑Reduction模块

将图像对的集合特征输入到两个Inception‑Reduction模块，以获得不同尺度下的质量差异感知，Inception模块由多个不同大小的卷积核组成，采用卷积层和平均池化Avgpooling操作来提取前一层输出的特征；在Inception和Reduction模块中增加了一个1×1卷积来减小通道数的同时增加模型的非线性；

所述S3中Inception模块采用大小为1×1，3×3，5×5卷积层和平均池化Avgpooling操作来提取前一层输出的特征，在Inception和Reduction模块中增加了一个1×1的卷积来减小通道数的同时增加模型的非线性，跟Grid‑reduction模块对比，最大池化层被3×3的卷积分支代替，目的是以防在最大化池的过程中质量差特征的损失；

 S4:训练

采用反向传播的方法计算损失函数对所有模型参数的梯度，并采用Adam随机梯度法对参数进行更新，损失函数为模型输出与输入图像对真实标签的交叉熵损失，采用L2正则化项；

S5: 测试图像对的质量比较结果

假设要预测的图像数据集为P，将数据集中的所有图像两两配对，将每一对图像对pi,j的通过本方案所提出的模型进行预测质量对比结果标签；

若输出结果为第一类，则对应图像对质量判断结果为{+1，‑1}，表示左边/上边的图像的质量分数高于右边/下边图像的质量分数，且视觉可感知到此差别；

若输出结果为第二类，则对应图像对质量判断结果为{‑1，+1}，表示左边/上边的图像的质量分数低于右边/下边图像的质量分数，且视觉可感知到此差别；

若输出结果为第三类，则对应图像对的质量判断结果为{0，0}，表示两幅水下图像其相对质量的差别很难被观察者区分。

2.根据权利要求1所述的一种不需要参考图像的水下图像质量比较方法，其特征在于：所述S1中{+1，−1}表示左边/上边图像的质量分数高于右边/下边图像的质量分数，{−1，+1}表示左边/上边的图像的质量分数低于右边/下边图像的质量分数；{0,0}标签表示两幅水下图像其相对质量在投票时很难被观察者区分。

3.根据权利要求1所述的一种不需要参考图像的水下图像质量比较方法，其特征在于：所述卷积层均采用Leaky ReLU (LReLU)激活函数；设置batch‑size为8，初始学习率设置为

0.001，在20个epochs的间隔内变为原来学习率的1/2，学习率减少到0.000005时不再减小。

4.根据权利要求1所述的一种不需要参考图像的水下图像质量比较方法，其特征在于：所述S5中通过预测在数据集P中所有图像对pi,j的标签li,j，图像i获得的累计质量比较分数Si可计算为:。

5.根据权利要求1所述的一种不需要参考图像的水下图像质量比较方法，其特征在于：数据集由水下图像组成，水下图像内容多样，存在不同程度的混合低对比度、不均匀的颜色退化和光照、模糊失真；水下彩色图像的分辨率是512×512；根据数据集中图像对应的累计质量标签值建立水下图像的初始图像排序。