1.一种基于多任务渐进学习的无参考图像质量评价方法，其特征在于，所述方法包括：获取训练图像的第一图像特征；

基于第一图像特征和初始质量等级分类模型获取预测质量等级，并基于第一图像特征和初始质量分数评价模型获取预测质量评分；

基于预设的目标损失函数，调整所述初始质量等级分类模型和所述初始质量分数评价模型的模型参数，将训练完成的质量分数评价模型作为训练完成的无参考图像质量评价模型，所述无参考图像质量评价模型用于对无参考图像进行质量评价；其中，所述目标损失函数为第一损失函数和第二损失函数进行加权求和得到的；所述第一损失函数表示所述质量分数评价模型对应的损失函数，用于衡量真实质量评分与预测质量评分之间的损失；所述第二损失函数表示所述质量等级分类模型对应的损失函数，用于衡量真实质量等级与预测质量等级之间的损失；所述第一损失函数对应的权重，作为第一权重；所述第二损失函数对应的权重，作为第二权重；基于所述训练图像在训练过程中的轮次，在训练过程中提升所述第一权重的数值和降低所述第二权重的数值；

所述基于所述训练图像在训练过程中的轮次，在训练过程中提升所述第一权重的数值和降低所述第二权重的数值的公式如下：λ2(t)＝1‑λ1(t)

其中，t表示第t个训练轮次；T表示训练过程的最大轮次；λ1(t)表示第t个训练轮次时λ1的数值；λ2(t)表示第t个训练轮次时λ2的数值；ω表示一种平衡λ1、λ2的预设参数，且0＜ω＜1。

2.根据权利要求1所述的无参考图像质量评价方法，其特征在于，在获取训练图像的第一图像特征之前，所述真实质量等级的获取过程包括：基于所述训练图像的真实质量评分，确定所述训练图像对应的质量等级，作为真实质量等级。

3.根据权利要求1所述的无参考图像质量评价方法，其特征在于，所述目标损失函数的计算公式如下：xi表示训练图像集合中第i张图像；h(xi)表示xi的第一图像特征；gΦ1(h(xi))表示xi的预测质量评分；yi表示xi的真实质量评分；l1表示所述第一损失函数；l1(gΦ1(h(xi))，yi)表示xi的第一损失函数值；λ1为所述第一权重，且λ﹥1 0；gΦ2(h(xi))表示xi的预测质量等级；

表示xi的真实质量等级；l2表示所述第二损失函数； 表示xi的第二

损失函数值；λ2为第二权重，且λ﹥2 0。

4.根据权利要求2所述的无参考图像质量评价方法，其特征在于，在所述基于训练图像的真实质量评分，确定所述训练图像对应的质量等级，作为真实质量等级之前，所述方法还包括：基于所述真实质量评分对应的取值范围和预设的质量评分区间长度，将所述取值范围划分为不同的质量等级；

所述基于所述真实质量评分对应的取值范围和预设的质量评分区间长度，获取将所述取值范围划分为不同的质量等级的数量的计算公式如下：max min

其中，y 表示所述真实质量评分取值范围的最高值；y 表示所述真实质量评分取值max min范围的最低值；|y ‑y |表示所述取值范围的最高值与最低值的差值；A表示所述预设的质量评分区间长度；K表示质量等级的数量。

5.根据权利要求1所述的无参考图像质量评价方法，其特征在于，所述获取所述训练图像的第一图像特征，包括：将所述训练图像输入至图像特征提取子网络，提取所述图像特征提取子网络中预设特征提取层的图像特征，作为第二图像特征；

将所述第二图像特征进行连接，得到连接后的第二图像特征，作为所述第一图像特征。

6.根据权利要求5所述的无参考图像质量评价方法，其特征在于，在将所述第二图像特征进行连接，得到连接后的第二图像特征，作为所述第一图像特征之前，所述方法还包括：基于1×1卷积核对所述第二图像特征进行全局平均池化，得到全局平均池化后的第二图像特征，作为第三图像特征；

所述将所述第二图像特征进行连接，得到连接后的第二图像特征，作为所述第一图像特征，包括：基于concat函数，对所述第三图像特征进行连接，得到连接后的第三图像特征，作为所述第一图像特征。

7.一种基于多任务渐进学习的无参考图像质量评价装置，用于执行权利要求1‑6任一项所述的无参考图像质量评价方法，其特征在于，所述装置包括：第一获取模块，用于获取所述训练图像的第一图像特征；

第二获取模块，用于基于第一图像特征和初始质量等级分类模型获取预测质量等级，并基于第一图像特征和初始质量分数评价模型获取预测质量评分；

第一调整模块，用于基于预设的目标损失函数，调整所述质量等级分类模型和所述质量分数评价模型的模型参数，将训练完成的质量分数评价模型作为训练完成的无参考图像质量评价模型，所述无参考图像质量评价模型用于对无参考图像进行质量评价；其中，所述目标损失函数为第一损失函数和第二损失函数进行加权求和得到的；所述第一损失函数表示所述质量分数评价模型对应的损失函数，用于衡量真实质量评分与预测质量评分之间的损失；所述第二损失函数表示所述质量等级分类模型对应的损失函数，用于衡量真实质量等级与预测质量等级之间的损失；所述第一损失函数对应的权重，作为第一权重；所述第二损失函数对应的权重，作为第二权重；基于所述训练图像在训练过程中的轮次，在训练过程中提升所述第一权重的数值和降低所述第二权重的数值。

8.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现权利要求1‑6任一所述的方法步骤。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利利要求1‑6任一所述的方法步骤。