技术领域

本发明涉及一种图像质量评价方法，尤其是涉及一种针对模糊失真立体图像的无参考质量评价方法。

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针对模糊失真立体图像的无参考质量评价方法，其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：一种针对模糊失真立体图像的无参考质量评价方法，其特征在于包括训练阶段和测试阶段两个过程，具体步骤如下：

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}，S_i,org表示训练图像集{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表示训练图像集{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；再将S_i,org的左视点图像记为L_i,org，将S_i,org的右视点图像记为R_i,org，将S_i,dis的左视点图像记为L_i,dis，将S_i,dis的右视点图像记为R_i,dis；

②对训练图像集{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和右视点图像分别实施二维经验模式分解，得到训练图像集{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和右视点图像各自的内蕴模式函数图像，将L_i,dis的内蕴模式函数图像记为将R_i,dis的内蕴模式函数图像记为其中，1≤x≤W，1≤y≤H，在此W表示和的宽度，在此H表示和的高度，表示中坐标位置为(x,y)的像素点的像素值，表示中坐标位置为(x,y)的像素点的像素值；

然后对训练图像集{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内蕴模式函数图像和右视点图像的内蕴模式函数图像进行线性加权，得到训练图像集{S_i,org,S_i,dis|1≤i≤N}中的每幅模糊失真立体图像的内蕴模式函数图像，将S_i,dis的内蕴模式函数图像记为将中坐标位置为(x,y)的像素点的像素值记为$$ {\mathrm{IMF}}_i^{\mathrm{dis}}(x,y)=w_L\×{\mathrm{IMF}}_i^{L,\mathrm{dis}}(x,y)+w_R\×{\mathrm{IMF}}_i^{R,\mathrm{dis}}(x,y),$$其中，w_L为的权值比重，w_R为的权值比重，w_L+w_R=1；

③对训练图像集{S_i,org,S_i,dis|1≤i≤N}中的每幅模糊失真立体图像的内蕴模式函数图像进行非重叠的分块处理；然后采用K均值聚类方法对由每幅内蕴模式函数图像中的所有子块构成的集合进行聚类操作，得到每幅内蕴模式函数图像的K个聚类，其中，K表示每幅内蕴模式函数图像包含的聚类的总个数；接着根据每幅内蕴模式函数图像的K个聚类，获取每幅内蕴模式函数图像的视觉字典表；再根据所有内蕴模式函数图像的视觉字典表，得到训练图像集{S_i,org,S_i,dis|1≤i≤N}的视觉字典表，记为G，G={G_i|1≤i≤N}，其中，G_i表示的视觉字典表，G_i={g_i,k|1≤k≤K}，g_i,k表示的第k个聚类的视觉字典，g_i,k亦表示的第k个聚类的质心；

④通过计算训练图像集{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和右视点图像中的每个像素点在选定的中心频率和不同方向因子下的频率响应，及每幅模糊失真立体图像的左视点图像和右视点图像中的每个像素点在选定的中心频率和不同方向因子下的频率响应，获取每幅模糊失真立体图像中的每个像素点的客观评价度量值；然后根据每幅模糊失真立体图像中的每个像素点的客观评价度量值，获取每幅模糊失真立体图像的视觉质量表；再根据所有模糊失真立体图像的视觉质量表，得到训练图像集{S_i,org,S_i,dis|1≤i≤N}的视觉质量表，记为Q，Q={Q_i|1≤i≤N}，其中，Q_i表示S_i,dis的视觉质量表，Q_i={q_i,k|1≤k≤K}，q_i,k表示的第k个聚类的视觉质量；

⑤对于任意一副测试立体图像S_test，根据训练图像集{S_i,org,S_i,dis|1≤i≤N}的视觉字典表G和视觉质量表Q，计算得到S_test的图像质量客观评价预测值。

所述的步骤②中取w_L=0.9，w_R=0.1。

所述的步骤③中的视觉字典表Gi的获取过程为：

③-1、将划分成个互不重叠的尺寸大小为16×16的子块，将由中的所有子块构成的集合记为其中，x_i,t表示由中的第t个子块中的所有像素点组成的列向量，x_i,t的维数为256；

③-2、采用K均值聚类方法对进行聚类操作，得到的K个聚类，然后将的每个聚类的质心作为视觉字典，得到的视觉字典表，记为G_i，G_i={g_i,k|1≤k≤K}，其中，K表示包含的聚类的总个数，g_i,k表示的第k个聚类的视觉字典，g_i,k亦表示的第k个聚类的质心，g_i,k的维数为256。

所述的步骤④中S_i,dis的视觉质量表Q_i的获取过程为：

④-1、采用Gabor滤波器分别对L_i,org、R_i,org、L_i,dis和R_i,dis进行滤波处理，得到L_i,org、R_i,org、L_i,dis和R_i,dis中的每个像素点在不同中心频率和不同方向因子下的频率响应，将Li,_org中坐标位置为(x,y)的像素点在中心频率为ω和方向因子为θ下的频率响应记为$$ G_{i,\mathrm{org}}^L(x,y;\mathrm{\ω},\mathrm{\θ})=e_{i,\mathrm{org}}^L(x,y;\mathrm{\ω},\mathrm{\θ})+j{o}_{i,\mathrm{org}}^L(x,y;\mathrm{\ω},\mathrm{\θ}),$$将R_i,org中坐标位置为(x,y)的像素点在中心频率为ω和方向因子为θ下的频率响应记为$$ G_{i,\mathrm{org}}^R(x,y;\mathrm{\ω},\mathrm{\θ})=e_{i,\mathrm{org}}^R(x,y;\mathrm{\ω},\mathrm{\θ})+j{o}_{i,\mathrm{org}}^R(x,y;\mathrm{\ω},\mathrm{\θ}),$$将L_i,dis中坐标位置为(x,y)的像素点在中心频率为ω和方向因子为θ下的频率响应记为$$ G_{i,\mathrm{dis}}^L(x,y;\mathrm{\ω},\mathrm{\θ})=e_{i,\mathrm{dis}}^L(x,y;\mathrm{\ω},\mathrm{\θ})+j{o}_{i,\mathrm{dis}}^L(x,y;\mathrm{\ω},\mathrm{\θ}),$$将R_i,dis中坐标位置为(x,y)的像素点在中心频率为ω和方向因子为θ下的频率响应记为$$ G_{i,\mathrm{dis}}^R(x,y;\mathrm{\ω},\mathrm{\θ})=e_{i,\mathrm{dis}}^R(x,y;\mathrm{\ω},\mathrm{\θ})+j{o}_{i,\mathrm{dis}}^R(x,y;\mathrm{\ω},\mathrm{\θ}),$$其中，1≤x≤W，1≤y≤H，在此W表示L_i,_org、R_i,_org、L_i,_dis和R_i,_dis的宽度，在此H表示L_i,_org、R_i,_org、L_i,_dis和R_i,_dis的高度，ω表示Gabor滤波器的中心频率，ω∈{1.74,2.47,3.49,4.93,6.98,9.87}，θ表示Gabor滤波器的方向因子，1≤θ≤4，为的实部，为的虚部，为的实部，为的虚部，为的实部，为的虚部，为的实部，为的虚部，j为虚数单位；

④-2、根据L_i,org和R_i,org中的每个像素点在选定的中心频率和不同方向因子下的频率响应，计算S_i,org中的每个像素点的振幅，将S_i,org中坐标位置为(x,y)的像素点的振幅记为$$ {\mathrm{LA}}_i^{\mathrm{org}}(x,y)=\sqrt{{\left(F_i^{\mathrm{org}}(x,y)\right)}^2+{\left(H_i^{\mathrm{org}}(x,y)\right)}^2},$$其中，$$ F_i^{\mathrm{org}}(x,y)=\underset{\mathrm{\θ}=1}{\overset{4}{\mathrm{\Σ}}}{e}_{i,\mathrm{org}}^L(x,y;{\mathrm{\ω}}_m,\mathrm{\θ})+e_{i,\mathrm{org}}^R(x,y;{\mathrm{\ω}}_m,\mathrm{\θ}),$$$$ H_i^{\mathrm{org}}(x,y)=\underset{\mathrm{\θ}=1}{\overset{4}{\mathrm{\Σ}}}{o}_{i,\mathrm{org}}^L(x,y;{\mathrm{\ω}}_m,\mathrm{\θ})+o_{i,\mathrm{org}}^R(x,y;{\mathrm{\ω}}_m,\mathrm{\θ}),$$ω_m为选定的中心频率，ω_m∈{1.74,2.47,3.49,4.93,6.98,9.87}，表示L_i,org中坐标位置为(x,y)的像素点在中心频率为ω_m和方向因子为θ下的频率响应的实部，表示R_i,org中坐标位置为(x,y)的像素点在中心频率为ω_m和方向因子为θ下的频率响应的实部，表示L_i,org中坐标位置为(x,y)的像素点在中心频率为ω_m和方向因子为θ下的频率响应的虚部，表示R_i,org中坐标位置为(x,y)的像素点在中心频率为ω_m和方向因子为θ下的频率响应的虚部；

同样，根据L_i,dis和R_i,dis中的每个像素点在选定的中心频率和不同方向因子下的频率响应，计算S_i,dis中的每个像素点的振幅，将S_i,dis中坐标位置为(x,y)的像素点的振幅记为$$ {\mathrm{LA}}_i^{\mathrm{dis}}(x,y)=\sqrt{{\left(F_i^{\mathrm{dis}}(x,y)\right)}^2+{\left(H_i^{\mathrm{dis}}(x,y)\right)}^2},$$其中，$$ F_i^{\mathrm{dis}}(x,y)=\underset{\mathrm{\θ}=1}{\overset{4}{\mathrm{\Σ}}}{e}_{i,\mathrm{dis}}^L(x,y;{\mathrm{\ω}}_m,\mathrm{\θ})+e_{i,\mathrm{dis}}^R(x,y;{\mathrm{\ω}}_m,\mathrm{\θ}),$$$$ H_i^{\mathrm{dis}}(x,y)=\underset{\mathrm{\θ}=1}{\overset{4}{\mathrm{\Σ}}}{o}_{i,\mathrm{dis}}^L(x,y;{\mathrm{\ω}}_m,\mathrm{\θ})+o_{i,\mathrm{dis}}^R(x,y;{\mathrm{\ω}}_m,\mathrm{\θ}),$$ω_m为选定的中心频率，ω_m∈{1.74,2.47,3.49,4.93,6.98,9.87}，表示L_i,dis中坐标位置为(x,y)的像素点在中心频率为ω_m和方向因子为θ下的频率响应的实部，表示R_i,dis中坐标位置为(x,y)的像素点在中心频率为ω_m和方向因子为θ下的频率响应的实部，表示L_i,dis中坐标位置为(x,y)的像素点在中心频率为ω_m和方向因子为θ下的频率响应的虚部，表示R_i,dis中坐标位置为(x,y)的像素点在中心频率为ω_m和方向因子为θ下的频率响应的虚部；

④-3、根据S_i,org和S_i,dis中的每个像素点的振幅，计算S_i,dis中的每个像素点的客观评价度量值，将S_i,dis中坐标位置为(x,y)的像素点的客观评价度量值记为ρ_i(x,y)，$$ {\mathrm{\ρ}}_i(x,y)=\frac{1+\cos (2\·{\mathrm{\ψ}}_i(x,y))}{2},$$$$ {\mathrm{\ψ}}_i(x,y)=\arccos \left(\frac{{\mathrm{GX}}_i^{\mathrm{org}}(x,y)\·{\mathrm{GX}}_i^{\mathrm{dis}}(x,y)+{\mathrm{GY}}_i^{\mathrm{org}}(x,y)\·{\mathrm{GY}}_i^{\mathrm{dis}}(x,y)+T_1}{\sqrt{{\left({\mathrm{GX}}_i^{\mathrm{org}}(x,y)\right)}^2+{\left({\mathrm{GY}}_i^{\mathrm{org}}(x,y)\right)}^2}\·\sqrt{{\left({\mathrm{GX}}_i^{\mathrm{dis}}(x,y)\right)}^2+{\left({\mathrm{GY}}_i^{\mathrm{dis}}(x,y)\right)}^2}+T_1}\right),$$其中，cos()为取余弦函数，arccos()为取反余弦函数，为的水平梯度值，为的垂直梯度值，为的水平梯度值，为的垂直梯度值，T₁为控制参数；

④-4、根据S_i,dis中的每个像素点的客观评价度量值，得到S_i,dis的视觉质量表，记为Q_i，Q_i={q_i,k|1≤k≤K}，其中，q_i,k表示的第k个聚类的视觉质量，Ω_k表示S_i,dis中与的第k个聚类中包含的所有像素点坐标位置相同的像素点的坐标位置的集合，表示的第k个聚类中包含的像素点的总个数。

所述的步骤⑤的具体过程为：

⑤-1、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，对L_test和R_test分别实施二维经验模式分解，得到L_test和R_test各自的内蕴模式函数图像，对应记为和然后对和进行线性加权，得到S_test的内蕴模式函数图像，记为{IMF_test(x,y)}，将{IMF_test(x,_y)}中坐标位置为(x,y)的像素点的像素值记为IMF_test(x,y)，$$ {\mathrm{IMF}}_{\mathrm{test}}(x,y)={w_L}^{\′}\×{\mathrm{IMF}}_{\mathrm{test}}^L(x,y)+{w_R}^{\′}\×{\mathrm{IMF}}_{\mathrm{test}}^R(x,y),$$其中，1≤x≤W'，1≤y≤H'，在此W'表示和的宽度，在此H'表示和的高度，表示中坐标位置为(x,y)的像素点的像素值，表示中坐标位置为(x,y)的像素点的像素值，w_L'为的权值比重，w_R'为的权值比重，w_L'+w_R'=1；

⑤-2、将{IMF_test(x,y)}划分成个互不重叠的尺寸大小为16×16的子块，将由{IMF_test(x,y)}中的所有子块构成的集合记为其中，y_t表示由{IMF_test(x,y)}中的第t个子块中的所有像素点组成的列向量，y_t的维数为256；

⑤-3、计算{IMF_test(x,y)}中的每个子块与G的最小欧式距离，将{IMF_test(x,y)}中的第t个子块与G的最小欧式距离记为δ_t，其中，符号“||||”为求欧氏距离符号，min()为取最小值函数；

⑤-4、计算{IMF_test(x,y)}中的每个子块的客观评价度量值，将{IMF_test(x,y)}中的第t个子块的客观评价度量值记为zt，其中，表示Q中δ_t对应的视觉字典对应的视觉质量，1≤i*≤N,1≤k*≤K，exp()表示以e为底的指数函数，e=2.71828183，λ为控制参数；

⑤-5、根据{IMF_test(x,y)}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，

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，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，只需要通过简单的视觉字典搜索过程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。

本发明提出的一种针对模糊失真立体图像的无参考质量评价方法，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，通过采用二维经验模式分解对训练图像集中的每幅模糊失真立体图像进行分解得到内蕴模式函数图像，然后对各内蕴模式函数图像进行非重叠的分块处理，并通过采用K均值聚类方法构造视觉字典表；通过计算训练图像集中的每幅原始的无失真立体图像和对应的模糊失真立体图像中的每个像素点在选定的中心频率和不同方向因子下的频率响应，获取每幅模糊失真立体图像中的每个像素点的图像质量客观评价预测值，构造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，采用二维经验模式分解对测试立体图像进行分解得到内蕴模式函数图像，然后对内蕴模式函数图像进行非重叠的分块处理，再根据已构造的视觉字典表和视觉质量表，计算得到测试图像的图像质量客观评价预测值。本发明的无参考质量评价方法的具体步骤如下：

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}，S_i,org表示训练图像集{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表示训练图像集{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；再将S_i,org的左视点图像记为L_i,org，将S_i,org的右视点图像记为R_i,org，将S_i,dis的左视点图像记为L_i,dis，将S_i,dis的右视点图像记为R_i,dis；其中，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，但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一半模糊失真图像进行处理，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进行实验。宁波大学立体图像库中的模糊失真立体图像由12幅无失真的立体图像在不同程度的高斯模糊情况下的60幅失真的立体图像构成，LIVE立体图像库中的模糊失真立体图像由19幅无失真的立体图像在不同程度的高斯模糊情况下的45幅失真的立体图像构成。在本实施例中，采用50%的模糊失真立体图像来构造训练图像集，即对于由宁波大学立体图像库构造的训练图像集，取N=30；对于由LIVE立体图像库构造的训练图像集，取N=22。

②对训练图像集{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和右视点图像分别实施二维经验模式分解，得到训练图像集{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和右视点图像各自的内蕴模式函数图像，将L_i,dis的内蕴模式函数图像记为将R_i,dis的内蕴模式函数图像记为其中，1≤x≤W，1≤y≤H，在此W表示和的宽度，在此H表示和的高度，表示中坐标位置为(x,y)的像素点的像素值，表示中坐标位置为(x,y)的像素点的像素值。

然后对训练图像集{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内蕴模式函数图像和右视点图像的内蕴模式函数图像进行线性加权，得到训练图像集{S_i,org,S_i,dis|1≤i≤N}中的每幅模糊失真立体图像的内蕴模式函数图像，将S_i,dis的内蕴模式函数图像记为将中坐标位置为(x,y)的像素点的像素值记为$$ {\mathrm{IMF}}_i^{\mathrm{dis}}(x,y)=w_L\×{\mathrm{IMF}}_i^{L,\mathrm{dis}}(x,y)+w_R\×{\mathrm{IMF}}_i^{R,\mathrm{dis}}(x,y),$$其中，w_L为的权值比重，w_R为的权值比重，w_L+w_R=1，在本实施例中取w_L=0.9，w_R=0.1。

③对训练图像集{S_i,org,S_i,dis|1≤i≤N}中的每幅模糊失真立体图像的内蕴模式函数图像进行非重叠的分块处理；然后采用现有的K均值聚类方法对由每幅内蕴模式函数图像中的所有子块构成的集合进行聚类操作，得到每幅内蕴模式函数图像的K个聚类，其中，K表示每幅内蕴模式函数图像包含的聚类的总个数，K的值过大会出现过聚类现象，K的值过小会出现欠聚类现象，如在本实施例中取K=30；接着根据每幅内蕴模式函数图像的K个聚类，获取每幅内蕴模式函数图像的视觉字典表；再根据所有内蕴模式函数图像的视觉字典表，得到训练图像集{S_i,org,S_i,dis|1≤i≤N}的视觉字典表，记为G，G={G_i|1≤i≤N}，其中，符号“{}”为集合表示符号，G_i表示的视觉字典表，G_i={g_i,k|1≤k≤K}，g_i,k表示的第k个聚类的视觉字典，g_i,k亦表示的第k个聚类的质心。

在此具体实施例中，步骤③中的视觉字典表G_i的获取过程为：

③-1、将划分成个互不重叠的尺寸大小为16×16的子块，将由中的所有子块构成的集合记为其中，x_i,t表示由中的第t个子块中的所有像素点组成的列向量，x_i,t的维数为256。

③-2、采用现有的K均值聚类方法对进行聚类操作，得到的K个聚类，然后将的每个聚类的质心作为视觉字典，得到的视觉字典表，记为G_i，G_i={g_i,k|1≤k≤K}，其中，K表示包含的聚类的总个数，K的值过大会出现过聚类现象，K的值过小会出现欠聚类现象，如在本实施例中取K=30，g_i,k表示的第k个聚类的视觉字典，g_i,k亦表示的第k个聚类的质心，g_i,k的维数为256。

④通过计算训练图像集{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和右视点图像中的每个像素点在选定的中心频率和不同方向因子下的频率响应，及每幅模糊失真立体图像的左视点图像和右视点图像中的每个像素点在选定的中心频率和不同方向因子下的频率响应，获取每幅模糊失真立体图像中的每个像素点的客观评价度量值；然后根据每幅模糊失真立体图像中的每个像素点的客观评价度量值，获取每幅模糊失真立体图像的视觉质量表；再根据所有模糊失真立体图像的视觉质量表，得到训练图像集{S_i,org,S_i,dis|1≤i≤N}的视觉质量表，记为Q，Q={Q_i|1≤i≤N}，其中，Q_i表示S_i,dis的视觉质量表，Q_i={q_i,k|1≤k≤K}，q_i,k表示的第k个聚类的视觉质量。

在此具体实施例中，步骤④中S_i,dis的视觉质量表Q_i的获取过程为：

④-1、采用Gabor滤波器分别对L_i,org、R_i,org、L_i,dis和R_i,dis进行滤波处理，得到L_i,org、R_i,org、L_i,dis和R_i,dis中的每个像素点在不同中心频率和不同方向因子下的频率响应，将L_i,org中坐标位置为(x,y)的像素点在中心频率为ω和方向因子为θ下的频率响应记为$$ G_{i,\mathrm{org}}^L(x,y;\mathrm{\ω},\mathrm{\θ})=e_{i,\mathrm{org}}^L(x,y;\mathrm{\ω},\mathrm{\θ})+j{o}_{i,\mathrm{org}}^L(x,y;\mathrm{\ω},\mathrm{\θ}),$$将R_i,org中坐标位置为(x,y)的像素点在中心频率为ω和方向因子为θ下的频率响应记为$$ G_{i,\mathrm{org}}^R(x,y;\mathrm{\ω},\mathrm{\θ})=e_{i,\mathrm{org}}^R(x,y;\mathrm{\ω},\mathrm{\θ})+j{o}_{i,\mathrm{org}}^R(x,y;\mathrm{\ω},\mathrm{\θ}),$$将L_i,dis中坐标位置为(x,y)的像素点在中心频率为ω和方向因子为θ下的频率响应记为$$ G_{i,\mathrm{dis}}^L(x,y;\mathrm{\ω},\mathrm{\θ})=e_{i,\mathrm{dis}}^L(x,y;\mathrm{\ω},\mathrm{\θ})+j{o}_{i,\mathrm{dis}}^L(x,y;\mathrm{\ω},\mathrm{\θ}),$$将R_i,dis中坐标位置为(x,y)的像素点在中心频率为ω和方向因子为θ下的频率响应记为$$ G_{i,\mathrm{dis}}^R(x,y;\mathrm{\ω},\mathrm{\θ})=e_{i,\mathrm{dis}}^R(x,y;\mathrm{\ω},\mathrm{\θ})+j{o}_{i,\mathrm{dis}}^R(x,y;\mathrm{\ω},\mathrm{\θ}),$$其中，1≤x≤W，1≤y≤H，在此W表示L_i,org、R_i,org、L_i,dis和R_i,dis的宽度，在此H表示L_i,org、R_i,org、L_i,dis和R_i,dis的高度，ω表示Gabor滤波器的中心频率，ω∈{1.74,2.47,3.49,4.93,6.98,9.87}，θ表示Gabor滤波器的方向因子，1≤θ≤4，为的实部，为的虚部，为的实部，为的虚部，为的实部，为的虚部，为的实部，为的虚部，j为虚数单位。

④-2、根据L_i,org和R_i,org中的每个像素点在选定的中心频率和不同方向因子下的频率响应，计算S_i,org中的每个像素点的振幅，将S_i,org中坐标位置为(x,y)的像素点的振幅记为$$ {\mathrm{LA}}_i^{\mathrm{org}}(x,y)=\sqrt{{\left(F_i^{\mathrm{org}}(x,y)\right)}^2+{\left(H_i^{\mathrm{org}}(x,y)\right)}^2},$$其中，$$ F_i^{\mathrm{org}}(x,y)=\underset{\mathrm{\θ}=1}{\overset{4}{\mathrm{\Σ}}}{e}_{i,\mathrm{org}}^L(x,y;{\mathrm{\ω}}_m,\mathrm{\θ})+e_{i,\mathrm{org}}^R(x,y;{\mathrm{\ω}}_m,\mathrm{\θ}),$$$$ H_i^{\mathrm{org}}(x,y)=\underset{\mathrm{\θ}=1}{\overset{4}{\mathrm{\Σ}}}{o}_{i,\mathrm{org}}^L(x,y;{\mathrm{\ω}}_m,\mathrm{\θ})+o_{i,\mathrm{org}}^R(x,y;{\mathrm{\ω}}_m,\mathrm{\θ}),$$ω_m为选定的中心频率，ω_m∈{1.74,2.47,3.49,4.93,6.98,9.87}，在本实施例中取ω_m=4.93，表示L_i,org中坐标位置为(x,y)的像素点在中心频率为ω_m和方向因子为θ下的频率响应的实部，表示R_i,org中坐标位置为(x,y)的像素点在中心频率为ω_m和方向因子为θ下的频率响应的实部，表示L_i,org中坐标位置为(x,y)的像素点在中心频率为ω_m和方向因子为θ下的频率响应的虚部，表示R_i,org中坐标位置为(x,y)的像素点在中心频率为ω_m和方向因子为θ下的频率响应的虚部。

同样，根据L_i,dis和R_i,dis中的每个像素点在选定的中心频率和不同方向因子下的频率响应，计算S_i,dis中的每个像素点的振幅，将S_i,dis中坐标位置为(x,y)的像素点的振幅记为$$ {\mathrm{LA}}_i^{\mathrm{dis}}(x,y)=\sqrt{{\left(F_i^{\mathrm{dis}}(x,y)\right)}^2+{\left(H_i^{\mathrm{dis}}(x,y)\right)}^2},$$其中，$$ F_i^{\mathrm{dis}}(x,y)=\underset{\mathrm{\θ}=1}{\overset{4}{\mathrm{\Σ}}}{e}_{i,\mathrm{dis}}^L(x,y;{\mathrm{\ω}}_m,\mathrm{\θ})+e_{i,\mathrm{dis}}^R(x,y;{\mathrm{\ω}}_m,\mathrm{\θ}),$$$$ H_i^{\mathrm{dis}}(x,y)=\underset{\mathrm{\θ}=1}{\overset{4}{\mathrm{\Σ}}}{o}_{i,\mathrm{dis}}^L(x,y;{\mathrm{\ω}}_m,\mathrm{\θ})+o_{i,\mathrm{dis}}^R(x,y;{\mathrm{\ω}}_m,\mathrm{\θ}),$$ω_m为选定的中心频率，ω_m∈{1.74,2.47,3.49,4.93,6.98,9.87}，在本实施例中取ω_m=4.93，表示L_i,dis中坐标位置为(x,y)的像素点在中心频率为ω_m和方向因子为θ下的频率响应的实部，表示R_i,dis中坐标位置为(x,y)的像素点在中心频率为ω_m和方向因子为θ下的频率响应的实部，表示L_i,dis中坐标位置为(x,y)的像素点在中心频率为ω_m和方向因子为θ下的频率响应的虚部，表示R_i,dis中坐标位置为(x,y)的像素点在中心频率为ω_m和方向因子为θ下的频率响应

④-3、根据S_i,org和S_i,dis中的每个像素点的振幅，计算S_i,dis中的每个像素点的客观评价度量值，将S_i,dis中坐标位置为(x,y)的像素点的客观评价度量值记为ρ_i(x,y)，$$ {\mathrm{\ρ}}_i(x,y)=\frac{1+\cos (2\·{\mathrm{\ψ}}_i(x,y))}{2},$$$$ {\mathrm{\ψ}}_i(x,y)=\arccos \left(\frac{{\mathrm{GX}}_i^{\mathrm{org}}(x,y)\·{\mathrm{GX}}_i^{\mathrm{dis}}(x,y)+{\mathrm{GY}}_i^{\mathrm{org}}(x,y)\·{\mathrm{GY}}_i^{\mathrm{dis}}(x,y)+T_1}{\sqrt{{\left({\mathrm{GX}}_i^{\mathrm{org}}(x,y)\right)}^2+{\left({\mathrm{GY}}_i^{\mathrm{org}}(x,y)\right)}^2}\·\sqrt{{\left({\mathrm{GX}}_i^{\mathrm{dis}}(x,y)\right)}^2+{\left({\mathrm{GY}}_i^{\mathrm{dis}}(x,y)\right)}^2}+T_1}\right),$$其中，cos()为取余弦函数，arccos()为取反余弦函数，为的水平梯度值，为的垂直梯度值，为的水平梯度值，为的垂直梯度值，T₁为控制参数，在本实施例中取T₁=0.85。

④-4、根据S_i,dis中的每个像素点的客观评价度量值，得到S_i,dis的视觉质量表，记为Q_i，Q_i={q_i,k|1≤k≤K}，其中，q_i,k表示的第k个聚类的视觉质量，Ω_k表示S_i,dis中与的第k个聚类中包含的所有像素点坐标位置相同的像素点的坐标位置的集合，表示的第k个聚类中包含的像素点的总个数。

⑤对于任意一副测试立体图像S_test，根据训练图像集{S_i,org,S_i,dis|1≤i≤N}的视觉字典表G和视觉质量表Q，计算得到S_test的图像质量客观评价预测值。

在此具体实施例中，步骤⑤的具体过程为：

⑤-1、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，对L_test和R_test分别实施二维经验模式分解，得到L_test和R_test各自的内蕴模式函数图像，对应记为和然后对和进行线性加权，得到S_test的内蕴模式函数图像，记为{IMF_test(x,y)}，将{IMF_test(x,y)}中坐标位置为(x,y)的像素点的像素值记为IMF_test(x,y)，$$ {\mathrm{IMF}}_{\mathrm{test}}(x,y)={w_L}^{\′}\×{\mathrm{IMF}}_{\mathrm{test}}^L(x,y)+{w_R}^{\′}\×{\mathrm{IMF}}_{\mathrm{test}}^R(x,y),$$其中，1≤x≤W'，1≤y≤H'，在此W'表示和的宽度，在此H'表示和的高度，W'与W可以不相等，H'与H可以不相等，表示中坐标位置为(x,y)的像素点的像素值，表示中坐标位置为(x,y)的像素点的像素值，w_L'为的权值比重，w_R'为的权值比重，w_L'+w_R'=1，在本实施例中取w_L'=0.9，w_R'=0.1。

⑤-2、将{IMF_test(x,y)}划分成个互不重叠的尺寸大小为16×16的子块，将由{IMF_test(x,y)}中的所有子块构成的集合记为其中，y_t表示由{IMF_test(x,y)}中的第t个子块中的所有像素点组成的列向量，y_t的维数为256。

⑤-3、计算{IMF_test(x,y)}中的每个子块与G的最小欧式距离，将{IMF_test(x,y)}中的第t个子块与G的最小欧式距离记为δ_t，其中，符号“||||”为求欧氏距离符号，min()为取最小值函数。

⑤-4、计算{IMF_test(x,y)}中的每个子块的客观评价度量值，将{IMF_test(x,y)}中的第t个子块的客观评价度量值记为z_t，其中，表示Q中δ_t对应的视觉字典对应的视觉质量，1≤i*≤N,1≤k*≤K，exp()表示以e为底的指数函数，e=2.71828183，λ为控制参数，在本实施例中取λ=300。

⑤-5、根据{IMF_test(x,y)}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，

在此，采用宁波大学立体图像库和LIVE立体图像库来分析本实施例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（Pearson linear correlation coefficient，PLCC）、Spearman相关系数（Spearman rank order correlation coefficient，SRCC）、Kendall相关系数（Kendallrank-order correlation coefficient，KRCC)、均方误差（root mean squared error，RMSE），PLCC和RMSE反映失真的立体图像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所示。从表1所列的数据可知，按本实施例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本实施例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