1.一种从稀疏到密集视点的全参考光场图像质量评价方法，其特征在于，包括：获取若干不同大小的子孔径图像阵列，从所述子孔径图像阵列中分别选取若干张子孔径图像并进行处理，获取原始视点图像堆栈Y通道信息和失真视点图像堆栈Y通道信息；

将所述原始视点图像堆栈Y通道信息和所述失真视点图像堆栈Y通道信息进行特征提取，获取完整原始图像堆栈特征和完整失真图像堆栈特征，并获取所述完整原始图像堆栈特征和所述完整失真图像堆栈特征之间的对比特征；

对所述完整原始图像堆栈特征、所述完整失真图像堆栈特征和所述对比特征进行图像注意信息提取；

将所述图像注意信息的维度进行重新排列后，提取光场图像特征；

基于所述光场图像特征，获取最终特征向量信息，并基于所述最终特征向量信息获取最终质量分数。

2.根据权利要求1所述的从稀疏到密集视点的全参考光场图像质量评价方法，其特征在于，对所述子孔径图像并进行处理包括：从所述子孔径图像阵列中分别选取若干张子孔径图像，获取新的子孔径图像阵列；

基于水平方向，从所述新的子孔径图像阵列选取若干视点图像进行堆叠，获取视点图像堆栈；

对所述视点图像堆栈进行随机裁剪，概率进行旋转，缩放预处理，并将预处理后的视点图像堆栈从RGB空间转换到YUV空间，获取所述原始视点图像堆栈Y通道信息和所述失真视点图像堆栈Y通道信息。

3.根据权利要求1所述的从稀疏到密集视点的全参考光场图像质量评价方法，其特征在于，获取完整原始图像堆栈特征和完整失真图像堆栈特征包括：将所述原始视点图像堆栈Y通道信息和所述失真视点图像堆栈Y通道信息输入VIT特征提取网络，获取原始图像堆栈特征和失真图像堆栈特征；

利用rearrange函数对所述原始图像堆栈特征和所述失真图像堆栈特征进行特征维度变换，将维度变换后的原始图像堆栈和失真图像堆栈进行级联，获取所述完整原始图像堆栈特征和所述完整失真图像堆栈特征。

4.根据权利要求1所述的从稀疏到密集视点的全参考光场图像质量评价方法，其特征在于，获取所述完整原始图像堆栈特征和所述完整失真图像堆栈特征之间的对比特征包括：对所述完整原始图像堆栈特征和所述完整失真图像堆栈特征输入特征对比网络进行对比特征放大，获取所述对比特征；

所述对比特征放大的方法为：

其中，e代表完整原始图像堆栈特征和完整失真图像堆栈特征之间放大后的对比特征，Ir代表完整原始图像堆栈特征、Id代表完整失真图像堆栈特征，ε为参数。

5.根据权利要求1所述的从稀疏到密集视点的全参考光场图像质量评价方法，其特征在于，将所述完整原始图像堆栈特征、所述完整失真图像堆栈特征和所述对比特征进行图像注意信息提取之前包括：利用降维卷积对所述完整原始图像堆栈特征、所述完整失真图像堆栈特征和所述对比特征进行特征降维。

6.根据权利要求5所述的从稀疏到密集视点的全参考光场图像质量评价方法，其特征在于，提取所述图像注意信息包括：将所述完整原始图像堆栈特征、所述完整失真图像堆栈特征和所述对比特征输入坐标感知残差网络，提取所述图像注意信息，其中所述坐标感知残差网络基于在残差跳跃连接中嵌入坐标注意力模块构建。

7.根据权利要求6所述的从稀疏到密集视点的全参考光场图像质量评价方法，其特征在于，所述坐标感知残差网络提取所述图像注意信息包括：将降维后的所述完整原始图像堆栈特征、所述完整失真图像堆栈特征和所述对比特征作物输入特征输入X平均池和Y平均池，分别对高度和宽度进行自适应平均池化获取池化后的特征；

将池化后的特征进行级联和降维后，输入BatchNorm层，获取降维后的特征；

将所述降维后的特征进行激活，获取激活后的特征，将所述降维后的特征和所述激活后的特征进行点乘，获取点乘后的特征；

通过split函数将所述点乘后的特征在预设维度进行分割，获取第一特征和第二特征；

对所述第二特征进行转置操作，将转置操作后的第二特征和所述第一特征输入升维卷积并采用sigmoid函数激活，将激活后的第一特征、第二特征和所述输入特征进行点乘，获取所述图像注意信息。

8.根据权利要求1所述的从稀疏到密集视点的全参考光场图像质量评价方法，其特征在于，将所述图像注意信息的维度进行重新排列包括：利用rearrange函数对所述图像注意信息的维度进行重新排列。

9.根据权利要求1所述的从稀疏到密集视点的全参考光场图像质量评价方法，其特征在于，基于所述光场图像特征，获取最终特征向量信息包括：将所述光场图像特征进行重新排列，获取维度转换后的特征，其中所述光场图像特征基于SwinTransformer网络提取；

将所述维度转换后的特征进行级联，获取级联特征；

采用rearrange函数对所述级联特征进行重新排列，对重新排列后的级联特征进行切片操作，获取所述最终特征向量信息。

10.根据权利要求1所述的从稀疏到密集视点的全参考光场图像质量评价方法，其特征在于，获取最终质量分数包括：将所述最终特征向量信息输入质量回归网络，获取所述最终质量分数，其中所述质量回归网络由Linear全连接层和GELU激活函数组成。