一种无参考模糊失真立体图像质量评价方法

技术领域

本发明涉及一种图像质量评价方法，尤其是涉及一种无参考模糊失真立体图像质量评价方法。

背景技术

随着图像编码技术和立体显示技术的迅速发展，立体图像技术受到了越来越广泛的关注与应用，已成为当前的一个研究热点。立体图像技术利用人眼的双目视差原理，双目各自独立地接收来自同一场景的左视点图像和右视点图像，通过大脑融合形成双目视差，从而欣赏到具有深度感和逼真感的立体图像。与单通道图像相比，立体图像需要同时保证两个通道的图像质量，因此对其进行质量评价具有非常重要的意义。然而，目前对立体图像质量缺乏有效的客观评价方法进行评价。因此，建立有效的立体图像质量客观评价模型具有十分重要的意义。

由于影响立体图像质量的因素较多，如左视点和右视点质量失真情况、立体感知情况、观察者视觉疲劳等，因此如何有效地进行无参考质量评价是亟需解决的难点问题。目前的无参考质量评价通常采用机器学习来预测评价模型，计算复杂度较高，并且训练模型需要预知各评价图像的主观评价值，并不适用于实际的应用场合，存在一定的局限性。稀疏表示将信号在已知的函数集上进行分解，力求在变换域上用尽量少的基函数来对原始信号进行逼近，目前的研究主要集中在字典构造和稀疏分解两方面。稀疏表示的一个关键问题就是如何有效地构造字典来表征图像的本质特征。目前已提出的字典构造算法包括：1)有学习过程的字典构造方法：通过机器学习来训练得到字典信息，如支持向量机等；2)无学习过程的字典构造方法：直接利用图像的特征来构造字典，如多尺度Gabor字典、多尺度高斯字典等。因此，如何进行无学习过程的字典构造，如何根据字典来进行无参考的质量估计，都是在无参考质量评价研究中需要重点解决的技术问题。

发明内容

本发明所要解决的技术问题是提供一种无参考模糊失真立体图像质量评价方法，其计算复杂度低，且能够有效地提高客观评价结果与主观感知的相关性。

本发明解决上述技术问题所采用的技术方案为：一种无参考模糊失真立体图像质量评价方法，其特征在于包括训练阶段和测试阶段两个过程，其中，

训练阶段包括以下步骤：

①-1、选取N幅原始的无失真立体图像，然后将选取的N幅原始的无失真立体图像和每幅原始的无失真立体图像对应的模糊失真立体图像构成训练图像集，记为{S_i,org,S_i,dis|1≤i≤N}，其中，S_i,org表示{S_i,org,S_i,dis|1≤i≤N}中的第i幅原始的无失真立体图像，S_i,dis表示{S_i,org,S_i,dis|1≤i≤N}中的第i幅原始的无失真立体图像对应的模糊失真立体图像；

①-2、对{S_i,org,S_i,dis|1≤i≤N}中的每幅模糊失真立体图像的左视点图像进行非重叠的分块处理，然后采用Fast-ICA方法对由每幅模糊失真立体图像的左视点图像中的所有子块构成的集合进行字典训练操作，得到每幅模糊失真立体图像的左视点图像的视觉字典表，将S_i,dis的左视点图像的视觉字典表记为其中，的维数为64×K，K表示中包含的视觉字典的总个数；

对{S_i,org,S_i,dis|1≤i≤N}中的每幅模糊失真立体图像的右视点图像进行非重叠的分块处理；然后采用Fast-ICA方法对由每幅模糊失真立体图像的右视点图像中的所有子块构成的集合进行字典训练操作，得到每幅模糊失真立体图像的右视点图像的视觉字典表，将S_i,dis的右视点图像的视觉字典表记为其中，的维数为64×K，K表示中包含的视觉字典的总个数，与中包含的视觉字典的总个数一致；

对{S_i,org,S_i,dis|1≤i≤N}中的每幅原始的无失真立体图像的左视点图像进行非重叠的分块处理；然后采用Fast-ICA方法对由每幅原始的无失真立体图像的左视点图像中的所有子块构成的集合进行字典训练操作，得到每幅原始的无失真立体图像的左视点图像的视觉字典表，将S_i,org的左视点图像的视觉字典表记为其中，的维数为64×K，K表示中包含的视觉字典的总个数，与和中各自包含的视觉字典的总个数一致；

对{S_i,org,S_i,dis|1≤i≤N}中的每幅原始的无失真立体图像的右视点图像进行非重叠的分块处理；然后采用Fast-ICA方法对由每幅原始的无失真立体图像的右视点图像中的所有子块构成的集合进行字典训练操作，得到每幅原始的无失真立体图像的右视点图像的视觉字典表，将S_i,org的右视点图像的视觉字典表记为其中，的维数为64×K，K表示中包含的视觉字典的总个数，与和中各自包含的视觉字典的总个数一致；

①-3、通过计算{S_i,org,S_i,dis|1≤i≤N}中的每幅原始的无失真立体图像的左视点图像的视觉字典表与对应的模糊失真立体图像的左视点图像的视觉字典表之间的距离，获取{S_i,org,S_i,dis|1≤i≤N}中的每幅模糊失真立体图像的左视点图像的视觉字典表的视觉质量表，将S_i,dis的左视点图像的视觉字典表的视觉质量表记为$$ Q_L^i=\left\{q_L^{i,k}\right|1\&le;k\&le;K\},q_L^{i,k}=\frac{1}{1+6\&times;{\left(\right||g_{L,\mathrm{dis}}^{i,k}-g_{L,\mathrm{org}}^{i,k}{\left|\right|}^{C_1}\&times;{\left(\arccos \left(\frac{<g_{L,\mathrm{dis}}^{i,k},>g_{L,\mathrm{org}}^{i,k}}{\left|\right|g_{L,\mathrm{dis}}^{i,k}\left|\right|\&CenterDot;\left|\right|g_{L,\mathrm{org}}^{i,k}\left|\right|}\right)\right)}^{C_2})}^{-2}},$$其中，表示中的第k个视觉字典的视觉质量，符号“||||”为求欧氏距离符号，arccos()为取反余弦函数，符号“＜＞”为求内积符号，C₁和C₂为控制参数，表示中的第k个视觉字典，的维数为64×1，表示中的第k个视觉字典，的维数为64×1，的维数为1×K；

通过计算{S_i,org,S_i,dis|1≤i≤N}中的每幅原始的无失真立体图像的右视点图像的视觉字典表与对应的模糊失真立体图像的右视点图像的视觉字典表之间的距离，获取{S_i,org,S_i,dis|1≤i≤N}中的每幅模糊失真立体图像的右视点图像的视觉字典表的视觉质量表，将S_i,dis的右视点图像的视觉字典表的视觉质量表记为$$ Q_R^i=\left\{q_R^{i,k}\right|1\&le;k\&le;K\},q_R^{i,k}=\frac{1}{1+6\&times;{\left(\right||g_{R,\mathrm{dis}}^{i,k}-g_{R,\mathrm{org}}^{i,k}{\left|\right|}^{C_1}\&times;{\left(\arccos \left(\frac{<g_{R,\mathrm{dis}}^{i,k},>g_{R,\mathrm{org}}^{i,k}}{\left|\right|g_{R,\mathrm{dis}}^{i,k}\left|\right|\&CenterDot;\left|\right|g_{R,\mathrm{org}}^{i,k}\left|\right|}\right)\right)}^{C_2})}^{-2}},$$其中，表示中的第k个视觉字典的视觉质量，表示中的第k个视觉字典，的维数为64×1，表示中的第k个视觉字典，的维数为64×1，的维数为1×K；

测试阶段包括以下步骤：

②对于任意一副测试立体图像S_test，分别对S_test的左视点图像和右视点图像进行非重叠的分块处理；然后根据{S_i,org,S_i,dis|1≤i≤N}中的每幅原始的无失真立体图像的左视点图像的视觉字典表、对应的模糊失真立体图像的左视点图像的视觉字典表及其视觉质量表，计算S_test的左视点图像中的每个子块的客观评价度量值，同样根据{S_i,org,S_i,dis|1≤i≤N}中的每幅原始的无失真立体图像的右视点图像的视觉字典表、对应的模糊失真立体图像的右视点图像的视觉字典表及其视觉质量表，计算S_test的右视点图像中的每个子块的客观评价度量值；再根据S_test的左视点图像和右视点图像中的每个子块的客观评价度量值，获取S_test的图像质量客观评价预测值。

所述的步骤①-2中S_i,dis的左视点图像的视觉字典表的获取过程为：

a1、将S_i,dis的左视点图像划分成个互不重叠的尺寸大小为8×8的子块，将由S_i,dis的左视点图像中的所有子块构成的集合记为其中，W表示S_i,org和S_i,dis的宽，H表示S_i,org和S_i,dis的高，表示由S_i,dis的左视点图像中的第t个子块中的所有像素点组成的列向量，的维数为64×1；

a2、采用Fast-ICA方法对进行字典训练操作，将得到的目标训练字典作为S_i,dis的左视点图像的视觉字典表，记为其中，表示中的第k个视觉字典，的维数为64×1，的维数为64×K，K表示中包含的视觉字典的总个数；

所述的步骤①-2中S_i,dis的右视点图像的视觉字典表的获取过程为：

b1、将S_i,dis的右视点图像划分成个互不重叠的尺寸大小为8×8的子块，将由S_i,dis的右视点图像中的所有子块构成的集合记为其中，W表示S_i,org和S_i,dis的宽，H表示S_i,org和S_i,dis的高，表示由S_i,dis的右视点图像中的第t个子块中的所有像素点组成的列向量，的维数为64×1；

b2、采用Fast-ICA方法对进行字典训练操作，将得到的目标训练字典作为S_i,dis的右视点图像的视觉字典表，记为其中，表示中的第k个视觉字典，的维数为64×1，的维数为64×K，K表示中包含的视觉字典的总个数；

所述的步骤①-2中S_i,org的左视点图像的视觉字典表的获取过程为：

c1、将S_i,org的左视点图像划分成个互不重叠的尺寸大小为8×8的子块，将由S_i,org的左视点图像中的所有子块构成的集合记为其中，W表示S_i,org和S_i,dis的宽，H表示S_i,org和S_i,dis的高，表示由S_i,org的左视点图像中的第t个子块中的所有像素点组成的列向量，的维数为64×1；

c2、采用Fast-ICA方法对进行字典训练操作，将得到的目标训练字典作为S_i,org的左视点图像的视觉字典表，记为其中，表示中的第k个视觉字典，的维数为64×1，的维数为64×K，K表示中包含的视觉字典的总个数；

所述的步骤①-2中S_i,org的右视点图像的视觉字典表的获取过程为：

d1、将S_i,org的右视点图像划分成个互不重叠的尺寸大小为8×8的子块，将由S_i,org的右视点图像中的所有子块构成的集合记为其中，W表示S_i,org和S_i,dis的宽，H表示S_i,org和S_i,dis的高，表示由S_i,org的右视点图像中的第t个子块中的所有像素点组成的列向量，的维数为64×1；

d2、采用Fast-ICA方法对进行字典训练操作，将得到的目标训练字典作为S_i,org的右视点图像的视觉字典表，记为其中，表示中的第k个视觉字典，的维数为64×1，的维数为64×K，K表示中包含的视觉字典的总个数。

所述的步骤①-3中取C₁＝0.6，C₂＝0.5。

所述的步骤②的具体过程为：

②-1、将S_test的左视点图像记为L_test，将S_test的右视点图像记为R_test，将L_test和R_test均划分成个互不重叠的尺寸大小为8×8的子块，然后将由L_test中的所有子块构成的集合记为将由R_test中的所有子块构成的集合记为其中，W表示S_test的宽，与S_i,org和S_i,dis的宽一致，H表示S_test的高，与S_i,org和S_i,dis的高一致，表示L_test中的第t个子块中的所有像素点组成的列向量，表示R_test中的第t个子块中的所有像素点组成的列向量，和的维数均为64×1；

②-2、根据{S_i,org,S_i,dis|1≤i≤N}中的每幅模糊失真立体图像的左视点图像的视觉字典表，获取中的每个列向量的一个稀疏系数矩阵，对于中的第t个列向量共获得N个稀疏系数矩阵，将根据计算得到的的稀疏系数矩阵记为其中，为的逆矩阵，的维数为1×K；

根据{S_i,org,S_i,dis|1≤i≤N}中的每幅原始的无失真立体图像的左视点图像的视觉字典表，获取中的每个列向量的一个稀疏系数矩阵，对于中的第t个列向量共获得N个稀疏系数矩阵，将根据计算得到的的稀疏系数矩阵记为其中，为的逆矩阵，的维数为1×K；

根据{S_i,org,S_i,dis|1≤i≤N}中的每幅模糊失真立体图像的右视点图像的视觉字典表，获取中的每个列向量的一个稀疏系数矩阵，对于中的第t个列向量共获得N个稀疏系数矩阵，将根据计算得到的的稀疏系数矩阵记为其中，为的逆矩阵，的维数为1×K；

根据{S_i,org,S_i,dis|1≤i≤N}中的每幅原始的无失真立体图像的右视点图像的视觉字典表，获取中的每个列向量的一个稀疏系数矩阵，对于中的第t个列向量共获得N个稀疏系数矩阵，将根据计算得到的的稀疏系数矩阵记为其中，为的逆矩阵，的维数为1×K；

②-3、计算L_test中的每个子块的客观评价度量值，将L_test中的第t个子块的客观评价度量值记为$$ z_L^t,z_L^t=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{z}_L^{t,i}\&CenterDot;\exp (-{\mathrm{\&delta;}}_L^{t,i}/\mathrm{\&lambda;})}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\exp (-{\mathrm{\&delta;}}_L^{t,i}/\mathrm{\&lambda;})},z_L^{t,i}={\mathrm{\&tau;}}_{L,\mathrm{dis}}^{t,i}\&CenterDot;{\left(Q_L^i\right)}^T,{\mathrm{\&delta;}}_L^{t,i}=\left|\right|{\mathrm{\&tau;}}_{L,\mathrm{dis}}^{t,i}-{\mathrm{\&tau;}}_{L,\mathrm{org}}^{t,i}\left|\right|,$$其中，为的转置矩阵，exp()表示以自然基数e为底的指数函数，e＝2.71828183，符号“||||”为求欧氏距离符号，λ为控制参数；

同样，计算R_test中的每个子块的客观评价度量值，将R_test中的第t个子块的客观评价度量值记为$$ z_R^t,z_R^t=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{z}_R^{t,i}\&CenterDot;\exp (-{\mathrm{\&delta;}}_R^{t,i}/\mathrm{\&lambda;})}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\exp (-{\mathrm{\&delta;}}_R^{t,i}/\mathrm{\&lambda;})},z_R^{t,i}={\mathrm{\&tau;}}_{R,\mathrm{dis}}^{t,i}\&CenterDot;{\left(Q_R^i\right)}^T,{\mathrm{\&delta;}}_R^{t,i}=\left|\right|{\mathrm{\&tau;}}_{R,\mathrm{dis}}^{t,i}-{\mathrm{\&tau;}}_{R,\mathrm{org}}^{t,i}\left|\right|,$$其中，为的转置矩阵；

②-4、根据L_test和R_test中的每个子块的客观评价度量值，计算S_test的图像质量客观评价预测值，记为Q，$$ Q=w_L\&times;(\frac{8\&times;8}{W\&times;H}\&times;\underset{t=1}{\overset{\frac{W\&times;H}{8\&times;8}}{\mathrm{\&Sigma;}}}{z}_L^t)+w_R(\frac{8\&times;8}{W\&times;H}\&times;\underset{t=1}{\overset{\frac{W\&times;H}{8\&times;8}}{\mathrm{\&Sigma;}}}{z}_R^t),$$其中，w_L表示L_test的客观评价度量值的权值比重，w_R表示R_test的客观评价度量值的权值比重，

$$ w_L=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{\frac{W\&times;H}{8\&times;8}}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_L^{t,i}}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{\frac{W\&times;H}{8\&times;8}}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_L^{t,i}+\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{\frac{W\&times;H}{8\&times;8}}{\mathrm{\&Sigma;}}}},w_R=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{\frac{W\&times;H}{8\&times;8}}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_R^{t,i}}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{\frac{W\&times;H}{8\&times;8}}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_L^{t,i}+\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{\frac{W\&times;H}{8\&times;8}}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_R^{t,i}}.$$

所述的步骤②-3中取λ＝300。

与现有技术相比，本发明的优点在于：

1)本发明方法通过无监督学习方式构造视觉字典表和视觉质量表，这样避免了复杂的机器学习训练过程，降低了计算复杂度，并且本发明方法在训练阶段不需要预知各训练图像的主观评价值，因此更加适用于实际的应用场合。

2)本发明方法在测试阶段，只需要通过简单的稀疏系数矩阵计算就能预测得到图像质量客观评价预测值，大大降低了测试过程的计算复杂度，并且预测得到的图像质量客观评价预测值与主观评价值保持了较好的一致性。

附图说明

图1为本发明方法的总体实现框图。

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

本发明提出的一种无参考模糊失真立体图像质量评价方法，其总体实现框图如图1所示，其包括训练阶段和测试阶段两个过程：在训练阶段，选择多幅原始的无失真立体图像和对应的模糊失真立体图像构成训练图像集，然后采用Fast-ICA方法进行字典训练操作，构造训练图像集中的每幅图像的视觉字典表；通过计算训练图像集中的每副原始的无失真立体图像和对应的模糊失真立体图像的视觉字典表之间的距离，构造每副失真立体图像的视觉字典表对应的视觉质量表；在测试阶段，对于任意一副测试立体图像，首先对测试立体图像的左视点图像和右视点图像进行非重叠的分块处理，然后根据已构造的视觉字典表和视觉质量表，计算得到测试立体图像的图像质量客观评价预测值。

本发明方法的训练阶段包括以下步骤：

①-1、选取N幅原始的无失真立体图像，然后将选取的N幅原始的无失真立体图像和每幅原始的无失真立体图像对应的模糊失真立体图像构成训练图像集，记为{S_i,org,S_i,dis|1≤i≤N}，其中，N≥1，在具体实施时图像的幅数可自行设定，但是，如果N的值越大，则通过训练得到的视觉字典表和视觉质量表的精度也就越高，同时计算复杂度也就越高，因此折衷考虑一般可选取所采用的图像库中的部分模糊失真图像进行处理，S_i,org表示{S_i,org,S_i,dis|1≤i≤N}中的第i幅原始的无失真立体图像，S_i,dis表示{S_i,org,S_i,dis|1≤i≤N}中的第i幅原始的无失真立体图像对应的模糊失真立体图像，符号“{}”为集合表示符号。

在此，采用宁波大学立体图像库和LIVE立体图像库中的模糊失真立体图像来构造训练图像集。宁波大学立体图像库中选择由6幅无失真立体图像在不同程度的高斯模糊失真情况下的30幅失真立体图像，LIVE立体图像库中选择由6幅无失真立体图像在不同程度的高斯模糊失真情况下的20幅失真立体图像，这样在本实施例中，N＝50。

①-2、对{S_i,org,S_i,dis|1≤i≤N}中的每幅模糊失真立体图像的左视点图像进行非重叠的分块处理，然后采用现有的Fast-ICA方法对由每幅模糊失真立体图像的左视点图像中的所有子块构成的集合进行字典训练操作，得到每幅模糊失真立体图像的左视点图像的视觉字典表，将S_i,dis的左视点图像的视觉字典表记为其中，的维数为64×K，K表示中包含的视觉字典的总个数，K≥1，K的值可自行设定，但如果K的值过大则会出现过聚类现象，如果K的值过小则会出现欠聚类现象，因此在本实施例中取K＝8，符号“{}”为集合表示符号。

在此具体实施例中，S_i,dis的左视点图像的视觉字典表的获取过程为：

a1、将S_i,dis的左视点图像划分成个互不重叠的尺寸大小为8×8的子块，将由S_i,dis的左视点图像中的所有子块构成的集合记为其中，W表示S_i,org和S_i,dis的宽，H表示S_i,org和S_i,dis的高，表示由S_i,dis的左视点图像中的第t个子块中的所有像素点组成的列向量，的维数为64×1。

a2、采用Fast-ICA方法对进行字典训练操作，将得到的目标训练字典作为S_i,dis的左视点图像的视觉字典表，记为其中，表示中的第k个视觉字典，的维数为64×1，的维数为64×K，K表示中包含的视觉字典的总个数。

对{S_i,org,S_i,dis|1≤i≤N}中的每幅模糊失真立体图像的右视点图像进行非重叠的分块处理；然后采用现有的Fast-ICA方法对由每幅模糊失真立体图像的右视点图像中的所有子块构成的集合进行字典训练操作，得到每幅模糊失真立体图像的右视点图像的视觉字典表，将S_i,dis的右视点图像的视觉字典表记为其中，的维数为64×K，K表示中包含的视觉字典的总个数，与中包含的视觉字典的总个数一致，K≥1。

在此具体实施例中，S_i,dis的右视点图像的视觉字典表的获取过程为：

b1、将S_i,dis的右视点图像划分成个互不重叠的尺寸大小为8×8的子块，将由S_i,dis的右视点图像中的所有子块构成的集合记为其中，W表示S_i,org和S_i,dis的宽，H表示S_i,org和S_i,dis的高，表示由S_i,dis的右视点图像中的第t个子块中的所有像素点组成的列向量，的维数为64×1。

b2、采用Fast-ICA方法对进行字典训练操作，将得到的目标训练字典作为的右视点图像的视觉字典表，记为其中，表示中的第k个视觉字典，的维数为64×1，的维数为64×K，K表示中包含的视觉字典的总个数。

对{S_i,org,S_i,dis|1≤i≤N}中的每幅原始的无失真立体图像的左视点图像进行非重叠的分块处理；然后采用现有的Fast-ICA方法对由每幅原始的无失真立体图像的左视点图像中的所有子块构成的集合进行字典训练操作，得到每幅原始的无失真立体图像的左视点图像的视觉字典表，将S_i,org的左视点图像的视觉字典表记为其中，的维数为64×K，K表示中包含的视觉字典的总个数，与和中各自包含的视觉字典的总个数一致，K≥1。

在此具体实施例中，S_i,org的左视点图像的视觉字典表的获取过程为：

c1、将S_i,org的左视点图像划分成个互不重叠的尺寸大小为8×8的子块，将由S_i,org的左视点图像中的所有子块构成的集合记为其中，W表示S_i,org和S_i,dis的宽，H表示S_i,org和S_i,dis的高，表示由S_i,org的左视点图像中的第t个子块中的所有像素点组成的列向量，的维数为64×1。

c2、采用Fast-ICA方法对进行字典训练操作，将得到的目标训练字典作为S_i,org的左视点图像的视觉字典表，记为其中，表示中的第k个视觉字典，的维数为64×1，的维数为64×K，K表示中包含的视觉字典的总个数。

对{S_i,org,S_i,dis|1≤i≤N}中的每幅原始的无失真立体图像的右视点图像进行非重叠的分块处理；然后采用现有的Fast-ICA方法对由每幅原始的无失真立体图像的右视点图像中的所有子块构成的集合进行字典训练操作，得到每幅原始的无失真立体图像的右视点图像的视觉字典表，将S_i,org的右视点图像的视觉字典表记为其中，的维数为64×K，K表示中包含的视觉字典的总个数，与和中各自包含的视觉字典的总个数一致，K≥1。

在此具体实施例中，S_i,org的右视点图像的视觉字典表的获取过程为：

d1、将S_i,org的右视点图像划分成个互不重叠的尺寸大小为8×8的子块，将由S_iorg的右视点图像中的所有子块构成的集合记为其中，W表示S_i,org和S_i,dis的宽，H表示S_i,org和S_i,dis的高，表示由S_i,org的右视点图像中的第t个子块中的所有像素点组成的列向量，的维数为64×1。

d2、采用Fast-ICA方法对进行字典训练操作，将得到的目标训练字典作为S_i,org的右视点图像的视觉字典表，记为其中，表示中的第k个视觉字典，的维数为64×1，的维数为64×K，K表示中包含的视觉字典的总个数。

①-3、通过计算{S_i,org,S_i,dis|1≤i≤N}中的每幅原始的无失真立体图像的左视点图像的视觉字典表与对应的模糊失真立体图像的左视点图像的视觉字典表之间的距离，获取{S_i,org,S_i,dis|1≤i≤N}中的每幅模糊失真立体图像的左视点图像的视觉字典表的视觉质量表，将S_i,dis的左视点图像的视觉字典表的视觉质量表记为$$ Q_L^i=\left\{q_L^{i,k}\right|1\&le;k\&le;K\},q_L^{i,k}=\frac{1}{1+6\&times;{\left(\right||g_{L,\mathrm{dis}}^{i,k}-g_{L,\mathrm{org}}^{i,k}{\left|\right|}^{C_1}\&times;{\left(\arccos \left(\frac{<g_{L,\mathrm{dis}}^{i,k},>g_{L,\mathrm{org}}^{i,k}}{\left|\right|g_{L,\mathrm{dis}}^{i,k}\left|\right|\&CenterDot;\left|\right|g_{L,\mathrm{org}}^{i,k}\left|\right|}\right)\right)}^{C_2})}^{-2}},$$其中，表示中的第k个视觉字典的视觉质量，符号“||||”为求欧氏距离符号，arccos()为取反余弦函数，符号“＜＞”为求内积符号，C₁和C₂为控制参数，在本实施例中取C₁＝0.6，C₂＝0.5，表示中的第k个视觉字典，的维数为64×1，表示中的第k个视觉字典，的维数为64×1，的维数为1×K，符号“{}”为集合表示符号。

通过计算{S_i,org,S_i,dis|1≤i≤N}中的每幅原始的无失真立体图像的右视点图像的视觉字典表与对应的模糊失真立体图像的右视点图像的视觉字典表之间的距离，获取{S_i,org,S_i,dis|1≤i≤N}中的每幅模糊失真立体图像的右视点图像的视觉字典表的视觉质量表，将的右视点图像的视觉字典表的视觉质量表记为$$ Q_R^i=\left\{q_R^{i,k}\right|1\&le;k\&le;K\},q_R^{i,k}=\frac{1}{1+6\&times;{\left(\right||g_{R,\mathrm{dis}}^{i,k}-g_{R,\mathrm{org}}^{i,k}{\left|\right|}^{C_1}\&times;{\left(\arccos \left(\frac{<g_{R,\mathrm{dis}}^{i,k},>g_{R,\mathrm{org}}^{i,k}}{\left|\right|g_{R,\mathrm{dis}}^{i,k}\left|\right|\&CenterDot;\left|\right|g_{R,\mathrm{org}}^{i,k}\left|\right|}\right)\right)}^{C_2})}^{-2}},$$其中，表示中的第k个视觉字典的视觉质量，C₁和C₂为控制参数，在本实施例中取C₁＝0.6，C₂＝0.5，表示中的第k个视觉字典，的维数为64×1，表示中的第k个视觉字典，的维数为64×1，的维数为1×K。

本发明方法的测试阶段包括以下步骤：

②对于任意一副测试立体图像S_test，分别对S_test的左视点图像和右视点图像进行非重叠的分块处理；然后根据{S_i,org,S_i,dis|1≤i≤N}中的每幅原始的无失真立体图像的左视点图像的视觉字典表、对应的模糊失真立体图像的左视点图像的视觉字典表及其视觉质量表，计算S_test的左视点图像中的每个子块的客观评价度量值，同样根据{S_i,org,S_i,dis|1≤i≤N}中的每幅原始的无失真立体图像的右视点图像的视觉字典表、对应的模糊失真立体图像的右视点图像的视觉字典表及其视觉质量表，计算S_test的右视点图像中的每个子块的客观评价度量值；再根据S_test的左视点图像和右视点图像中的每个子块的客观评价度量值，获取S_test的图像质量客观评价预测值。

在此具体实施例中，步骤②的具体过程为：

②-1、将S_test的左视点图像记为L_test，将S_test的右视点图像记为R_test，将L_test和R_test均划分成个互不重叠的尺寸大小为8×8的子块，然后将由L_test中的所有子块构成的集合记为将由R_test中的所有子块构成的集合记为其中，W表示S_test的宽，与S_i,org和S_i,dis的宽一致，H表示S_test的高，与S_i,org和S_i,dis的高一致，表示L_test中的第t个子块中的所有像素点组成的列向量，表示R_test中的第t个子块中的所有像素点组成的列向量，和的维数均为64×1。

②-2、根据{S_i,org,S_i,dis|1≤i≤N}中的每幅模糊失真立体图像的左视点图像的视觉字典表，获取中的每个列向量的一个稀疏系数矩阵，对于中的第t个列向量共获得N个稀疏系数矩阵，将根据计算得到的的稀疏系数矩阵记为其中，为的逆矩阵，的维数为1×K。

根据中的每幅原始的无失真立体图像的左视点图像的视觉字典表，获取中的每个列向量的一个稀疏系数矩阵，对于中的第t个列向量共获得N个稀疏系数矩阵，将根据计算得到的的稀疏系数矩阵记为其中，为的逆矩阵，的维数为1×K。

根据{S_i,org,S_i,dis|1≤i≤N}中的每幅模糊失真立体图像的右视点图像的视觉字典表，获取中的每个列向量的一个稀疏系数矩阵，对于中的第t个列向量共获得N个稀疏系数矩阵，将根据计算得到的的稀疏系数矩阵记为其中，为的逆矩阵，的维数为1×K。

根据{S_i,org,S_i,dis|1≤i≤N}中的每幅原始的无失真立体图像的右视点图像的视觉字典表，获取中的每个列向量的一个稀疏系数矩阵，对于中的第t个列向量共获得N个稀疏系数矩阵，将根据计算得到的的稀疏系数矩阵记为其中，为的逆矩阵，的维数为1×K。

②-3、计算L_test中的每个子块的客观评价度量值，将L_test中的第t个子块的客观评价度量值记为$$ z_L^t,z_L^t=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{z}_L^{t,i}\&CenterDot;\exp (-{\mathrm{\&delta;}}_L^{t,i}/\mathrm{\&lambda;})}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\exp (-{\mathrm{\&delta;}}_L^{t,i}/\mathrm{\&lambda;})},z_L^{t,i}={\mathrm{\&tau;}}_{L,\mathrm{dis}}^{t,i}\&CenterDot;{\left(Q_L^i\right)}^T,{\mathrm{\&delta;}}_L^{t,i}=\left|\right|{\mathrm{\&tau;}}_{L,\mathrm{dis}}^{t,i}-{\mathrm{\&tau;}}_{L,\mathrm{org}}^{t,i}\left|\right|,$$其中，为的转置矩阵，exp()表示以自然基数e为底的指数函数，e＝2.71828183，符号“||||”为求欧氏距离符号，λ为控制参数，在本实施例中取λ＝300。

同样，计算R_test中的每个子块的客观评价度量值，将R_test中的第t个子块的客观评价度量值记为$$ z_R^t,z_R^t=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{z}_R^{t,i}\&CenterDot;\exp (-{\mathrm{\&delta;}}_R^{t,i}/\mathrm{\&lambda;})}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\exp (-{\mathrm{\&delta;}}_R^{t,i}/\mathrm{\&lambda;})},z_R^{t,i}={\mathrm{\&tau;}}_{R,\mathrm{dis}}^{t,i}\&CenterDot;{\left(Q_R^i\right)}^T,{\mathrm{\&delta;}}_R^{t,i}=\left|\right|{\mathrm{\&tau;}}_{R,\mathrm{dis}}^{t,i}-{\mathrm{\&tau;}}_{R,\mathrm{org}}^{t,i}\left|\right|,$$其中，为的转置矩阵。

②-4、根据L_test和R_test中的每个子块的客观评价度量值，计算S_test的图像质量客观评价预测值，记为Q，$$ Q=w_L\&times;(\frac{8\&times;8}{W\&times;H}\&times;\underset{t=1}{\overset{\frac{W\&times;H}{8\&times;8}}{\mathrm{\&Sigma;}}}{z}_L^t)+w_R(\frac{8\&times;8}{W\&times;H}\&times;\underset{t=1}{\overset{\frac{W\&times;H}{8\&times;8}}{\mathrm{\&Sigma;}}}{z}_R^t),$$其中，w_L表示L_test的客观评价度量值的权值比重，w_R表示R_test的客观评价度量值的权值比重，

$$ w_L=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{\frac{W\&times;H}{8\&times;8}}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_L^{t,i}}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{\frac{W\&times;H}{8\&times;8}}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_L^{t,i}+\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{\frac{W\&times;H}{8\&times;8}}{\mathrm{\&Sigma;}}}},w_R=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{\frac{W\&times;H}{8\&times;8}}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_R^{t,i}}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{\frac{W\&times;H}{8\&times;8}}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_L^{t,i}+\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{\frac{W\&times;H}{8\&times;8}}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_R^{t,i}}.$$

在此，采用宁波大学立体图像库和LIVE立体图像库来分析利用本发明方法得到的模糊失真立体图像的图像质量客观评价预测值与平均主观评分差值之间的相关性。这里，利用评估图像质量评价方法的4个常用客观参量作为评价指标，即非线性回归条件下的Pearson相关系数(Pearsonlinearcorrelationcoefficient，PLCC)、Spearman相关系数(Spearmanrankordercorrelationcoefficient，SRCC)、Kendall相关系数(Kendallrank-ordercorrelationcoefficient，KRCC)、均方误差(rootmeansquarederror，RMSE)，PLCC和RMSE反映失真立体图像的客观评价结果的准确性，SRCC和KRCC反映其单调性。

利用本发明方法计算宁波大学立体图像库中的每幅模糊失真立体图像的图像质量客观评价预测值和LIVE立体图像库中的每幅模糊失真立体图像的图像质量客观评价预测值，再利用现有的主观评价方法获得宁波大学立体图像库中的每幅模糊失真立体图像的平均主观评分差值和LIVE立体图像库中的每幅模糊失真立体图像的平均主观评分差值。将按本发明方法计算得到的模糊失真立体图像的图像质量客观评价预测值做五参数Logistic函数非线性拟合，PLCC、SRCC和KRCC值越高，RMSE值越低说明客观评价方法与平均主观评分差值相关性越好。反映本发明方法的质量评价性能的PLCC、SRCC、KRCC和RMSE相关系数如表1所列。从表1所列的数据可知，按本发明方法得到的模糊失真立体图像的最终的图像质量客观评价预测值与平均主观评分差值之间的相关性是很好的，表明客观评价结果与人眼主观感知的结果较为一致，足以说明本发明方法的有效性。

表1利用本发明方法计算得到的模糊失真立体图像的图像质量客观评价预测值与平均主观评分差值之间的相关性