1.基于时空域特征提取的无参考视频质量评价方法，其包括以下步骤：S1，选取噪声视频作为待评价视频；

S2，对选取的所述噪声视频进行预处理；

S3，提取预处理后的所述噪声视频的失真特征；

S5，建立视频评价预测模型，获得所述噪声视频的图像噪声指标；

S6，采用性能指标对所述图像噪声指标进行评价；

其特征在于，在步骤S1中，选取一幅噪声视频作为待评价视频；

在步骤S2中，所述预处理即对所述噪声视频进行颜色空间转换，获取所述噪声视频的亮度信号值、色度信号值；

在步骤S3中，所述失真特征包括时域特征、时空域特征，依次提取所述时域特征、时空域特征，提取步骤如下：S31，采用分帧处理方法提取所述时域特征，获取视频帧差图；

S32，将所述视频帧差图送入Xception模型提取所述时空域特征；

其还包括步骤S4，对所述失真特征进行深度处理，获取深度处理特征，所述深度处理即对所述时空域特征进行拼接，获取拼接图，然后采用PCA方法对所述拼接图进行降维处理，获取所述深度处理特征；

在步骤S5中，所述视频评价预测模型为XGBOOST模型，将所述深度处理特征作为所述XGBOOST模型的训练值。

2.根据权利要求1所述的基于时空域特征提取的无参考视频质量评价方法，其特征在于，在步骤S2中，所述颜色空间转换采用的公式(1)如下所示：其中R、G、B分别为所述噪声视频中的RGB色彩

空间中的红色分量值、绿色分量值、蓝色分量值，Y、U、V分别为所述噪声视频中的YUV色彩空间中的所述亮度信号值、色度信号值，所述RGB色彩空间、YUV色彩空间中的各分量的取值范围为0～255。

3.根据权利要求1或2任一项所述的基于时空域特征提取的无参考视频质量评价方法，其特征在于，在步骤S31中，所述分帧处理即采用帧差图计算公式对相邻的所述噪声视频进行处理，获取所述视频帧差图。

4.根据权利要求3所述的基于时空域特征提取的无参考视频质量评价方法，其特征在于，在步骤S31中，所述视频帧差图计算公式(2)为：其中I表示所述噪声视频，i表示所述噪声视频的第i个视频帧， 表示当前视频帧与后一帧的所述视频帧差图的像素值，Ii+1(x,y)表示i+1个视频帧的像素值，Ii(x,y)表示当前第i个视频帧的像素值，M表示所述噪声视频的视频帧的总数，i为大于等于1的整数。

5.根据权利要求4所述的基于时空域特征提取的无参考视频质量评价方法，其特征在于，在步骤S32中，对所述Xception模型的全连接层进行调整修改，设置所述全连接层的输出层、隐藏层单元的个数。

6.根据权利要求5所述的基于时空域特征提取的无参考视频质量评价方法，其特征在于，在步骤S32中，所述输出层采用softmax激活函数，如公式(3)，公式(3)中xt是指第t个神经元的输出， 是指所有输出神经元经过指数运算求和，该公式输出的每个神经节点的概率值，其和等于1，S表示所述激活函数，t为大于等于1的整数，损失函数采用多分类交叉熵损失，如公式(4)，公式(4)中k指的是第k个样本，Qk是指实际标签， 是指网络的输出值，其中，实际标签都是采用独热编码(one-hot)的形式，Eloss表示损失函数,k为大于等于1的整数。

7.根据权利要求6所述的基于时空域特征提取的无参考视频质量评价方法，其特征在于，在步骤S32中，设置所述输出层为5个，所述隐藏层单元个数为2048个。

8.根据权利要求7所述的基于时空域特征提取的无参考视频质量评价方法，其特征在于，在步骤S4中，所述降维处理的降维值设置为150，最终失真视频的特征为150维。

9.根据权利要求1或8任一项所述的基于时空域特征提取的无参考视频质量评价方法，其特征在于，在步骤S5中，所述XGBOOST模型的学习率取0.1，树的总数量取500，其他参数取默认值，其中树的最大深度、最小叶子分裂值、样本采样、属性列采样参数采用Sciki-learn包里面的网格搜索GridSearchCV函数进行Xgboost参数的寻优。

10.根据权利要求9所述的基于时空域特征提取的无参考视频质量评价方法，其特征在于，在步骤S6中，所述性能指标包括斯皮尔曼等级次序关系系数、相关系数。