1.一种无参考图像质量评价方法，其特征在于，包括以下步骤：获取已标识有标签的待评价图像，将所述待评价图像进行归一化处理；将归一化处理后的图像划分为预设大小的若干块图像块，并将待评价图像的标签作为每块图像块的标签；将每块图像块输入预设的基于多任务学习的网络模型，得到每个图像块的预测质量分数；其中，所述基于多任务学习的网络模型的目标函数是欧几里得损失函数最小化；计算所有图像块的预测质量分数的平均值，作为所述待评价图像的最终质量分数；其中，所述将所述待评价图像进行归一化处理，具体包括：将所述待评价图像不同坐标的像素值代入公式 进行计算，得到归一化处理后的图像在对应坐标的像素值；其中，i和j分别为所述待评价图像在水平方向的坐标值和在垂直方向的坐标值，1≤i≤M，1≤j≤N，M和N分别为所述待评价图像的高度和宽度， 为归一化处理后的图像在坐标(i，j)处的像素值，I(i,j)为所述待评价图像在坐标(i，j)处的像素值；μ(i,j)为所述待评价图像在坐标(i，j)处的均值，σ(i,j)为所述待评价图像在坐标(i，j)处的对比度；C为预设常数；所述待评价图像在坐标(i，j)处的均值μ(i,j)的计算公式为 所述待评价图像在坐标(i，j)处的对比度σ(i,j)的计算公式为 其中，P和Q分别为预设的图像处理窗口的高度和宽度，ω p,q 为二维圆对称高斯函数，I p,q (i,j)为所述待评价图像在坐标(i，j)处的像素值。
2.如权利要求1所述的无参考图像质量评价方法，其特征在于，所述基于多任务学习的网络模型包括6个卷积层、1个最大池化层、2个求和层、1个连接层和5个完全连接层；其中，6个卷积层分为两组，一组3个卷积层，第一组卷积层后连接最大池化层和一个求和层，之后连接第二组卷积层，第二组卷积层后连接另一个求和层；6个卷积层、1个最大池化层与2个求和层组成一个CNN特征提取器；所述CNN特征提取器之后连接两个学习模块，第一个学习模块包括2个完全连接层，用于提取自然场景统计；第二个学习模块包括1个连接层和3个完全连接层，用于预测图像质量分数。
3.如权利要求2所述的无参考图像质量评价方法，其特征在于，所述基于多任务学习的网络模型的目标函数的表达式为 其中，其中X,Y 1 和Y 2 分别为输入图像块、自然场景统计特征标签以及预测的图像质量分数标签，W 1 为所述CNN特征提取器对应的第一权重参数，W 2 和W 3 分别为提取自然场景统计任务对应的第二权重参数和预测图像质量分数任务对应的第三权重参数，f 1 (X；W 1 ,W 2 )为在网络模型参数为W 1 和W 2 的情况下得到的输入图像块的自然场景统计特征；f 2 (X；W 1 ,W 3 )表示在网络模型参数为W 1 和W 3 的情况下预测的输入图像块的预测质量分数。
4.一种无参考图像质量评价装置，其特征在于，包括：图像获取模块，用于获取已标识有标签的待评价图像，将所述待评价图像进行归一化处理；图像划分模块，用于将归一化处理后的图像划分为预设大小的若干块图像块，并将待评价图像的标签作为每块图像块的标签；分数预测模块，用于将每块图像块输入预设的基于多任务学习的网络模型，得到每个图像块的预测质量分数；其中，所述基于多任务学习的网络模型的目标函数是欧几里得损失函数最小化；计算模块，用于计算所有图像块的预测质量分数的平均值，作为所述待评价图像的最终质量分数；其中，所述将所述待评价图像进行归一化处理，具体包括：将所述待评价图像不同坐标的像素值代入公式 进行计算，得到归一化处理后的图像在对应坐标的像素值；其中，i和j分别为所述待评价图像在水平方向的坐标值和在垂直方向的坐标值，1≤i≤M，1≤j≤N，M和N分别为所述待评价图像的高度和宽度， 为归一化处理后的图像在坐标(i，j)处的像素值，I(i,j)为所述待评价图像在坐标(i，j)处的像素值；μ(i,j)为所述待评价图像在坐标(i，j)处的均值，σ(i,j)为所述待评价图像在坐标(i，j)处的对比度；C为预设常数；所述待评价图像在坐标(i，j)处的均值μ(i,j)的计算公式为 所述待评价图像在坐标(i，j)处的对比度σ(i,j)的计算公式为 其中，P和Q分别为预设的图像处理窗口的高度和宽度，ω p,q 为二维圆对称高斯函数，I p,q (i,j)为所述待评价图像在坐标(i，j)处的像素值。
5.一种使用无参考图像质量评价方法的装置，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至3中任意一项所述的无参考图像质量评价方法。
6.一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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至3中任意一项所述的无参考图像质量评价方法。
