1.一种基于双流交互式网络的无参考立体图像质量评价方法，其特征在于，其步骤为：

1)从立体图像数据集中选取预训练数据集，并对数据集进行切片处理得到分辨率大小为64×64的训练数据集；同时，对所构建的训练数据集进行预处理操作，使用标准化预处理，将不同的图像映射到同一坐标系，同时使网络模型处理的输入数据具有相同趋势；标准化预处理函数如下：其中，式中(i,j)为图像块中像素点的位置坐标，I(i,j)为(i,j)坐标下图像块的像素值，μ(i,j)为训练集图像的均值，σ(i,j)为训练集图像的方差；

2)训练基于双流交互式网络模型作为质量特征提取网络，具体为：

2.1)构建左右视图子网络并使用非对称卷积核增强对输入图像块局部特征的提取；

2.2)结合双通道感知机制构建交互式网络结构来获取输入数据的求和与差分信号，然后通过concat操作进行特征融合；

2.3)融合左右视图子网络所提取的单目特征和交互式子网络所提取的双目特征，然后将融合特征经过全连接层和ReLU激活函数处理映射为图像的质量分数；

2.4)通过降低损失函数值来不断优化网络中神经元的权重参数，最终使模型的预测性能达到稳定状态；

3)将预测数据输入到训练好的网络模型进行质量预测，首先将预测数据同样通过第一步的分块和标准化预处理操作得到最终的模型输入数据；对于分块后小块图像的主观质量分数值采用整幅图像的主观值，然后，将预处理后的分块和其主观质量分数输入到模型得到图像块的预测质量分数；最后，通过对一幅图像的所有小块的预测质量分数取平均值得到该图像最终预测质量分数值。

2.根据权利要求1所述的一种基于双流交互式网络的无参考立体图像质量评价方法，其特征在于，所述的2.1)中，具体方法为：

2.1)构建左右视图子网络，通过构建相同结构的左右视图子网络用于模型的左右视图块的特征提取，并通过使用非对称卷积核提取更多左视图局部特征，增强对局部特征的感知。

3.根据权利要求1所述的一种基于双流交互式网络的无参考立体图像质量评价方法，其特征在于，所述的2.2)中，具体方法为：

2.2)构建交互式子网络，通过结合双通道处理机制将左右视图子网络第二层卷积层来获取求和和差分信息，模拟人眼视觉感知过程中的双眼融合和双眼竞争机制；所述的双通道处理机制具体为：通过对左右视图子网络的第二层卷积操作后进行求和和求差操作，得到求和和差分通道，如下所示，+

sum＝conv2L+conv2R   (2)

‑

diff＝conv2L‑conv2R   (3)

+

其中conv2L和conv2R分别是左、右视图子网络第二个卷积层后的数据，sum为求和通‑道，代表人眼感知过程中的双目融合；diff为差分通道，代表人眼感知过程中的双目竞争；

然后，求和通道和差分通道分别进行接触连接操作和最大池化操作。

4.根据权利要求1所述的一种基于双流交互式网络的无参考立体图像质量评价方法，其特征在于，所述的2.3)中，具体方法为：融合特征预测立体图像块质量分数，将左右视图子网络提取的图像单目特征和交互式子网络提取图像的双目特征，通过把所提出的特征分别经过全连接操作和降维操作，进而通过特征融合得到最终双流交互式网络模型所提取的图像特征，最终，将融合特征送入全连接层和ReLU激活函数处理进行立体图像块的质量预测。

5.根据权利要求1所述的一种基于双流交互式网络的无参考立体图像质量评价方法，其特征在于，所述的2.4)中，具体方法为：计算网络的损失函数进行迭代训练，优化神经元权重参数，通过计算预测的图像质量分数和图像的主观质量分数之间的差异来得到网络的损失函数值；通过使用均方根误差损失函数来计算网络的损失函数值，然后反向传播优化网路权重参数，为了防止网络模型出现过拟合现象使用Dropout操作来裁剪网络中部分神经元，最后，通过对训练数据的多次迭代处理，降低网络预测质量分数的损失函数值，使网络预测的图像质量分数接近图像主观质量分数。