1.基于边缘检测和深度残差网络的图像质量评估方法，其特征在于，具体按照以下步骤实施：步骤1、输入原始的失真图像，采用Canny边缘检测算法进行边缘检测，并分割为大小一致的图像块，对这些图像块进行筛选；

步骤1.1、首先对输入原始的失真图像进行裁剪，得到大小一致的像素为32×32的图像块，并对这些图像块进行标号，输出带序号的图像块；

步骤1.2、采用边缘检测算法中的Canny边缘检测算法，对输入的原始失真图像进行降噪处理，然后计算梯度值和梯度方向，保留边缘像素点，再使用不同的上下阈值检测边缘，得到输出为包含边缘点的二值边缘图像；

步骤1.3、经过步骤1.2后得到包含边缘点的二值边缘图像，将此二值边缘图像剪裁为不重叠的32×32的图像块；

步骤1.4、通过步骤1.3得到不重叠的图像块，然后，对得到的图像块的初始权重进行排序，得到M个排序后的图像块，然后选择前N个权重值对应的图像块作为下一个阶段的输入；

步骤2、对筛选后的图像块进行归一化处理，输入到残差网络，输出原始失真图像的图像块分数和权重；

步骤2.1、将步骤1.4得到的图像块序号与步骤1.1得到的原始失真图像的图像块序号进行对比，选取序号一致的原始失真图像的图像块，然后，对这些图像块进行对比度归一化处理；

采用50层深度残差ResNet50的网络结构进行特征的提取和预测图像块分数，所述50层深度残差ResNet50的网络结构包括四个卷积层、一个池化层、一个全连接层组成，假设残差块的输入为x，卷积层进行卷积操作，relu是激活函数，x输入经过两层卷积层后的输出结果是F(x)，在残差网络引入跳跃连接后，输出为F(x)+x；

步骤2.2、将步骤2.1得到的新的图像块作为深度残差网络的输入，经过卷积层对所输入的图像块进行特征提取，通过池化层进行特征降维，减小计算量与参数个数，最后通过全连接层将特征进行整合，输出原始失真的图像块的质量分数和原始权重，再对原始权重进行处理；

步骤3、对输出原始失真图像的图像块分数进行加权处理，得到图像分数的预测值。

2.根据权利要求1所述的基于边缘检测和深度残差网络的图像质量评估方法，其特征在于，所述步骤1.4中，通过步骤1.3得到不重叠的图像块，具体方法如下：首先计算每个图像块的初始权重，如公式(1)：

ω＝sk/s                          (1)

其中，sk表示步骤1.3得到的图像块中的第k个图像块中包含的边缘点，s表示二值边缘图像的边缘点总和。

3.根据权利要求2所述的基于边缘检测和深度残差网络的图像质量评估方法，其特征在于，所述步骤2.1具体计算公式如(2)～(4)所示：其中(i,j)表示像素在序号一致的原始失真图像的图像块中位置，I(i,j)表示第i行、第j列处像素的强度值，μ(i,j)表示位置为(i,j)的像素点在归一化的邻域计算范围内的均值，σ(i,j)表示位置为(i,j)的像素点在归一化的邻域计算范围内的方差，P和Q表示需要归一化的像素的邻域计算范围，表示经过处理后的对比归一化像素值，最终得到的归一化像素值组成新的更加清晰的图像块；

所述步骤2.2中对原始权重进行处理，具体计算公式为(5)所示：

其中，ε为常数，保证权重大于0，αq为原始失真的图像块的原始权重，表示在剔除负权重后，最终得到的原始失真图像的图像块权重。

4.根据权利要求3所述的基于边缘检测和深度残差网络的图像质量评估方法，其特征在于，所述步骤2.1中P＝Q＝3。

5.根据权利要求3所述的基于边缘检测和深度残差网络的图像质量评估方法，其特征在于，所述步骤3具体如下：步骤3.1、通过步骤2.2得到原始失真图像的图像块的质量分数和权重，进行加权处理，如公式(6)所示：其中，yd表示第d个原始失真图像的图像块预测分数值，N表示经过步骤2.1后得到的图像块个数，表示经过处理后最终得到的原始失真图像的图像块权重，表示加权后的原始失真图像的预测分数值；

步骤3.2、通过得到原始失真图像的质量预测分数大小，对输入的原始图像质量进行评价，如果分数越大表示图像质量越好，图像更清晰，分数越低表示图像失真越严重，图像更加模糊。