本发明公开了一种基于局部三元模式的无参考立体图像客观质量评价方法，其先对待评价的失真的立体图像的左、右视点图像实施高斯梯度滤波，得到各自的幅值图像和相位图像，计算左、右视点图像之间的视差图像；根据幅值图像和相位图像及视差图像，计算左右视点特征融合图像；采用局部三元模式操作对左右视点特征融合图像进行处理，得到其局部三元模式的上、下模式图像；采用直方图统计方法对上、下模式图像进行统计操作，对应得到上模式图像直方图统计特征向量和下模式图像直方图统计特征向量；根据直方图统计特征向量，采用支持向量回归预测得到客观质量评价预测值；优点是能够有效地提高客观评价结果与主观感知之间的相关性。
1.一种基于局部三元模式的无参考立体图像客观质量评价方法，其特征在于其处理过程为：首先，对待评价的失真的立体图像的左视点图像和右视点图像分别实施高斯梯度滤波，得到各自的幅值图像和相位图像，并计算待评价的失真的立体图像的左视点图像与右视点图像之间的视差图像；其次，根据待评价的失真的立体图像的左视点图像和右视点图像各自的幅值图像和相位图像，及左视点图像与右视点图像之间的视差图像，计算待评价的失真的立体图像的左右视点特征融合图像；接着，采用局部三元模式操作对待评价的失真的立体图像的左右视点特征融合图像进行处理，得到其局部三元模式的上模式图像和下模式图像；之后，采用直方图统计方法分别对上模式图像和下模式图像进行统计操作，对应得到待评价的失真的立体图像的上模式图像直方图统计特征向量和下模式图像直方图统计特征向量；最后，根据待评价的失真的立体图像的上模式图像直方图统计特征向量和下模式图像直方图统计特征向量，采用支持向量回归预测得到待评价的失真的立体图像的客观质量评价预测值；
①令Sdis表示待评价的失真的立体图像，将Sdis的左视点图像记为{Ldis(x,y)}，将Sdis的右视点图像记为{Rdis(x,y)}，其中，1≤x≤W,1≤y≤H，W表示Sdis的宽度，H表示Sdis的高度，Ldis(x,y)表示{Ldis(x,y)}中坐标位置为(x,y)的像素点的像素值，Rdis(x,y)表示{Rdis(x,y)}中坐标位置为(x,y)的像素点的像素值；
②对{Ldis(x,y)}实施高斯梯度滤波，得到{Ldis(x,y)}的幅值图像和相位图像，对应记为{GL_dis(x,y)}和{PL_dis(x,y)}；同样，对{Rdis(x,y)}实施高斯梯度滤波，得到{Rdis(x,y)}的幅值图像和相位图像，对应记为{GR_dis(x,y)}和{PR_dis(x,y)}；其中，GL_dis(x,y)表示{GL_dis(x,y)}中坐标位置为(x,y)的像素点的像素值，PL_dis(x,y)表示{PL_dis(x,y)}中坐标位置为(x,y)的像素点的像素值，GR_dis(x,y)表示{GR_dis(x,y)}中坐标位置为(x,y)的像素点的像素值，PR_dis(x,y)表示{PR_dis(x,y)}中坐标位置为(x,y)的像素点的像素值；
③采用块匹配方法计算{Ldis(x,y)}与{Rdis(x,y)}之间的视差图像，记为{ddis(x,y)}，其中，ddis(x,y)表示{ddis(x,y)}中坐标位置为(x,y)的像素点的像素值；
④根据{GL_dis(x,y)}和{PL_dis(x,y)}、{GR_dis(x,y)}和{PR_dis(x,y)}、{ddis(x,y)}，计算Sdis的左右视点特征融合图像，记为{Fdis(x,y)}，将{Fdis(x,y)}中坐标位置为(x,y)的像素点的像素值记为Fdis(x,y)， ，其中，GR_dis(x+ddis(x,y),y)表示{GR_dis(x,y)}中坐标位置为(x+ddis(x,y),y)的像素点的像素值， PR_dis(x+ddis(x,y),y)表示{PR_dis(x,y)}中坐标位置为(x+ddis(x,y),y)的像素点的像素值，cos()为取余弦函数；
⑤采用局部三元模式操作对{Fdis(x,y)}进行处理，得到{Fdis(x,y)}的局部三元模式的上模式图像和下模式图像，对应记为{LTPU(x,y)}和{LTPD(x,y)}，其中，LTPU(x,y)表示{LTPU(x,y)}中坐标位置为(x,y)的像素点的像素值，LTPD(x,y)表示{LTPD(x,y)}中坐标位置为(x,y)的像素点的像素值；
⑥采用直方图统计方法对{LTPU(x,y)}进行统计操作，得到Sdis的上模式图像直方图统计特征向量，记为{HU(m)}；同样，采用直方图统计方法对{LTPD(x,y)}进行统计操作，得到Sdis的下模式图像直方图统计特征向量，记为{HD(m)}；其中，{HU(m)}的维数为1×m'维，HU(m)表示{HU(m)}中的第m个元素，{HD(m)}的维数为1×m'维，HD(m)表示{HD(m)}中的第m个元素，1≤m≤m'，m′＝P+2，P表示局部三元模式操作中的领域参数；
⑦采用n”幅原始的无失真的立体图像，建立其在不同失真类型不同失真程度下的失真立体图像集合，该失真立体图像集合包括多幅失真立体图像；然后利用主观质量评价方法评价出该失真立体图像集合中的每幅失真立体图像的主观评分，将该失真立体图像集合中的第j幅失真立体图像的主观评分记为DMOSj；再按照步骤①至步骤⑥的操作，以相同的方式获取该失真立体图像集合中的每幅失真立体图像的上模式图像直方图统计特征向量和下模式图像直方图统计特征向量，将该失真立体图像集合中的第j幅失真立体图像的上模式图像直方图统计特征向量和下模式图像直方图统计特征向量对应记为{HU,j(m)}和{HD,j(m)}；其中，n”>1，j的初始值为1，1≤j≤N'，N'表示该失真立体图像集合中包含的失真立体图像的总幅数，0≤DMOSj≤100，{HU,j(m)}和{HD,j(m)}的维数均为1×m'维，HU,j(m)表示{HU,j(m)}中的第m个元素，HD,j(m)表示{HD,j(m)}中的第m个元素，1≤m≤m'，m′＝P+2，P表示局部三元模式操作中的领域参数；
⑧将该失真图像集合作为训练集；然后利用支持向量回归对训练集中的所有失真立体图像的主观评分及上模式图像直方图统计特征向量和下模式图像直方图统计特征向量进行训练，使得经过训练得到的回归函数值与主观评分之间的误差最小，拟合得到最优的权值矢量Wopt和最优的偏置项bopt；接着利用Wopt和bopt构造得到支持向量回归训练模型；再根据支持向量回归训练模型，对Sdis的上模式图像直方图统计特征向量{HU(m)}和下模式图像直方图统计特征向量{HD(m)}进行测试，预测得到Sdis的客观质量评价预测值，记为Q，Q＝f(x)， 其中，Q是x的函数，f()为函数表示形式，x为输入，x表示Sdis的opt
上模式图像直方图统计特征向量{HU(m)}和下模式图像直方图统计特征向量{HD(m)}，(W)T为Wopt的转置矢量， 为x的线性函数。
2.根据权利要求1所述的基于局部三元模式的无参考立体图像客观质量评价方法，其特征在于所述的步骤②中的高斯梯度滤波中的尺度参数σ取值为0.5。
3.根据权利要求1或2所述的基于局部三元模式的无参考立体图像客观质量评价方法，其特征在于所述的步骤⑥中的局部三元模式操作中的领域参数P取值为8。
基于局部三元模式的无参考立体图像客观质量评价方法
技术领域
[0001] 本发明涉及一种立体图像质量评价方法，尤其是涉及一种基于局部三元模式的无参考立体图像客观质量评价方法。
背景技术
[0002] 进入二十一世纪以来，随着立体图像/视频系统处理技术的日趋成熟，以及计算机网络与通信技术的快速发展，已引起人们对立体图像/视频系统的强烈需求。相比传统单视点图像/视频系统，立体图像/视频系统由于能够提供深度信息来增强视觉的真实感，给用户以身临其境的全新视觉体验而越来越受到人们的欢迎，已被认为是下一代媒体主要的发展方向，引发了学术界、产业界的广泛关注。然而，人们为了获得更好的立体临场感和视觉体验，对立体视觉主观感知质量提出了更高的要求。立体视觉主观感知质量是衡量立体图像/视频系统性能优劣的一个重要指标。在立体图像/视频系统中，采集、编码、传输、解码及显示等处理环节都会引入一定失真，这些失真将对立体视觉主观感知质量产生不同程度的影响，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。综上，评价立体图像质量，并建立与主观质量评价相一致的客观评价模型显得尤为重要。目前，研究人员提出了不少针对单视点视觉质量的无参考评价方法，然而由于缺乏系统理论深入研究立体视觉感知特性，因此还没有有效地无参考立体图像质量评价方法。相比单视点视觉质量无参考评价模型，无参考立体图像质量评价模型需要考虑不同失真类型立体掩蔽效应以及与之相关的双目竞争/抑制和双目融合等立体感知因素对视觉质量的影响。因此，不能简单地把现有的单视点视觉质量无参考评价模型直接扩展到无参考立体图像质量评价方法中。现有的无参考质量客观评价方法主要是通过机器学习来预测评价模型的，但针对立体图像，现有的立体图像评价方法还是平面图像评价方法的简单扩展，并没有考虑双目视觉特性，因此，如何在评价过程中有效地提取特征信息，在评价过程中进行双目视觉特性结合，使得客观评价结果更加符合人类视觉感知系统，是立体图像进行客观质量评价过程中需要研究解决的问题。
发明内容
[0003] 本发明所要解决的技术问题是提供一种基于局部三元模式的无参考立体图像客观质量评价方法，其能够充分考虑到立体视觉特性，从而能够有效地提高客观评价结果与主观感知之间的相关性。
[0004] 本发明解决上述技术问题所采用的技术方案为：一种基于局部三元模式的无参考立体图像客观质量评价方法，其特征在于其处理过程为：首先，对待评价的失真的立体图像的左视点图像和右视点图像分别实施高斯梯度滤波，得到各自的幅值图像和相位图像，并计算待评价的失真的立体图像的左视点图像与右视点图像之间的视差图像；其次，根据待评价的失真的立体图像的左视点图像和右视点图像各自的幅值图像和相位图像，及左视点图像与右视点图像之间的视差图像，计算待评价的失真的立体图像的左右视点特征融合图像；接着，采用局部三元模式操作对待评价的失真的立体图像的左右视点特征融合图像进行处理，得到其局部三元模式的上模式图像和下模式图像；之后，采用直方图统计方法分别对上模式图像和下模式图像进行统计操作，对应得到待评价的失真的立体图像的上模式图像直方图统计特征向量和下模式图像直方图统计特征向量；最后，根据待评价的失真的立体图像的上模式图像直方图统计特征向量和下模式图像直方图统计特征向量，采用支持向量回归预测得到待评价的失真的立体图像的客观质量评价预测值。
[0005] 该无参考立体图像客观质量评价方法包括以下步骤：
[0006] ①令Sdis表示待评价的失真的立体图像，将Sdis的左视点图像记为{Ldis(x,y)}，将Sdis的右视点图像记为{Rdis(x,y)}，其中，1≤x≤W,1≤y≤H，W表示Sdis的宽度，H表示Sdis的高度，Ldis(x,y)表示{Ldis(x,y)}中坐标位置为(x,y)的像素点的像素值，Rdis(x,y)表示{Rdis(x,y)}中坐标位置为(x,y)的像素点的像素值；
[0007] ②对{Ldis(x,y)}实施高斯梯度滤波，得到{Ldis(x,y)}的幅值图像和相位图像，对应记为{GL_dis(x,y)}和{PL_dis(x,y)}；同样，对{Rdis(x,y)}实施高斯梯度滤波，得到{Rdis(x,y)}的幅值图像和相位图像，对应记为{GR_dis(x,y)}和{PR_dis(x,y)}；其中，GL_dis(x,y)表示{GL_dis(x,y)}中坐标位置为(x,y)的像素点的像素值，PL_dis(x,y)表示{PL_dis(x,y)}中坐标位置为(x,y)的像素点的像素值，GR_dis(x,y)表示{GR_dis(x,y)}中坐标位置为(x,y)的像素点的像素值，PR_dis(x,y)表示{PR_dis(x,y)}中坐标位置为(x,y)的像素点的像素值；
[0008] ③采用块匹配方法计算{Ldis(x,y)}与{Rdis(x,y)}之间的视差图像，记为{ddis(x,y)}，其中，ddis(x,y)表示{ddis(x,y)}中坐标位置为(x,y)的像素点的像素值；
[0009] ④根据{GL_dis(x,y)}和{PL_dis(x,y)}、{GR_dis(x,y)}和{PR_dis(x,y)}、{ddis(x,y)}，计算Sdis的左右视点特征融合图像，记为{Fdis(x,y)}，将{Fdis(x,y)}中坐标位置为(x,y)的像素点的像素值记为Fdis(x,y)， ，其中，GR_dis(x+ddis(x,y),y)表示{GR_dis(x,y)}中坐标位置为(x+ddis(x,y),y)的像素点的像素值， PR_dis(x+ddis(x,y),y)表示{PR_dis(x,y)}
中坐标位置为(x+ddis(x,y),y)的像素点的像素值，cos()为取余弦函数；
[0010] ⑤采用局部三元模式操作对{Fdis(x,y)}进行处理，得到{Fdis(x,y)}的局部三元模式的上模式图像和下模式图像，对应记为{LTPU(x,y)}和{LTPD(x,y)}，其中，LTPU(x,y)表示{LTPU(x,y)}中坐标位置为(x,y)的像素点的像素值，LTPD(x,y)表示{LTPD(x,y)}中坐标位置为(x,y)的像素点的像素值；
[0011] ⑥采用直方图统计方法对{LTPU(x,y)}进行统计操作，得到Sdis的上模式图像直方图统计特征向量，记为{HU(m)}；同样，采用直方图统计方法对{LTPD(x,y)}进行统计操作，得到Sdis的下模式图像直方图统计特征向量，记为{HD(m)}；其中，{HU(m)}的维数为1×m'维，HU(m)表示{HU(m)}中的第m个元素，{HD(m)}的维数为1×m'维，HD(m)表示{HD(m)}中的第m个元素，1≤m≤m'，m′＝P+2，P表示局部三元模式操作中的领域参数；
[0012] ⑦采用n”幅原始的无失真的立体图像，建立其在不同失真类型不同失真程度下的失真立体图像集合，该失真立体图像集合包括多幅失真立体图像；然后利用主观质量评价方法评价出该失真立体图像集合中的每幅失真立体图像的主观评分，将该失真立体图像集合中的第j幅失真立体图像的主观评分记为DMOSj；再按照步骤①至步骤⑥的操作，以相同的方式获取该失真立体图像集合中的每幅失真立体图像的上模式图像直方图统计特征向量和下模式图像直方图统计特征向量，将该失真立体图像集合中的第j幅失真立体图像的上模式图像直方图统计特征向量和下模式图像直方图统计特征向量对应记为{HU,j(m)}和{HD,j(m)}；其中，n”>1，j的初始值为1，1≤j≤N'，N'表示该失真立体图像集合中包含的失真立体图像的总幅数，0≤DMOSj≤100，{HU,j(m)}和{HD,j(m)}的维数均为1×m'维，HU,j(m)表示{HU,j(m)}中的第m个元素，HD,j(m)表示{HD,j(m)}中的第m个元素，1≤m≤m'，m′＝P+2，P表示局部三元模式操作中的领域参数；
[0013] ⑧将该失真图像集合作为训练集；然后利用支持向量回归对训练集中的所有失真立体图像的主观评分及上模式图像直方图统计特征向量和下模式图像直方图统计特征向量进行训练，使得经过训练得到的回归函数值与主观评分之间的误差最小，拟合得到最优的权值矢量Wopt和最优的偏置项bopt；接着利用Wopt和bopt构造得到支持向量回归训练模型；再根据支持向量回归训练模型，对Sdis的上模式图像直方图统计特征向量{HU(m)}和下模式图像直方图统计特征向量{HD(m)}进行测试，预测得到Sdis的客观质量评价预测值，记为Q，Q＝f(x)， 其中，Q是x的函数，f()为函数表示形式，x为输入，x表示
Sdis的上模式图像直方图统计特征向量{HU(m)}和下模式图像直方图统计特征向量{HD(m)}，(Wopt)T为Wopt的转置矢量， 为x的线性函数。
[0014] 所述的步骤②中的高斯梯度滤波中的尺度参数σ取值为0.5。
[0015] 所述的步骤⑤中的局部三元模式操作中的领域参数P取值为8、局部半径参数R取值为1、自适应阈值矩阵{T(x,y)}中下标为(x,y)的元素的值T(x,y)取值为α×Fdis(x,y)，其中，α为强度因子，取α＝0.05。
[0016] 与现有技术相比，本发明的优点在于：通过深入挖掘立体视觉感知特性，对待评价的失真的立体图像的左右视点特征融合图像进行局部三元模式操作，得到其局部三元模式的上模式图像和下模式图像，再采用直方图统计方法分别对上模式图像和下模式图像进行统计操作，对应得到待评价的失真的立体图像的上模式图像直方图统计特征向量和下模式图像直方图统计特征向量，特征向量提取方法简单，计算复杂度低，由于获得的待评价的失真的立体图像的特征向量信息能够较好地反映待评价的失真的立体图像的质量变化情况，即：可以使得到的待评价的失真的立体图像的客观质量评价预测值能够准确地反映人眼视觉主观感知质量，能够有效地提高客观评价结果与主观感知的相关性。
附图说明
[0017] 图1为本发明方法的总体实现框图。
具体实施方式
[0018] 以下结合附图实施例对本发明作进一步详细描述。
[0019] 本发明提出的一种基于局部三元模式的无参考立体图像客观质量评价方法，其总体实现框图如图1所示，其处理过程为：首先，对待评价的失真的立体图像的左视点图像和右视点图像分别实施高斯梯度滤波，得到各自的幅值图像和相位图像，并计算待评价的失真的立体图像的左视点图像与右视点图像之间的视差图像；其次，根据待评价的失真的立体图像的左视点图像和右视点图像各自的幅值图像和相位图像，及左视点图像与右视点图像之间的视差图像，计算待评价的失真的立体图像的左右视点特征融合图像；接着，采用局部三元模式操作对待评价的失真的立体图像的左右视点特征融合图像进行处理，得到其局部三元模式的上模式图像和下模式图像；之后，采用直方图统计方法分别对上模式图像和下模式图像进行统计操作，对应得到待评价的失真的立体图像的上模式图像直方图统计特征向量和下模式图像直方图统计特征向量；最后，根据待评价的失真的立体图像的上模式图像直方图统计特征向量和下模式图像直方图统计特征向量，采用支持向量回归预测得到待评价的失真的立体图像的客观质量评价预测值。
[0020] 本发明的无参考立体图像客观质量评价方法，其包括以下步骤：
[0021] ①令Sdis表示待评价的失真的立体图像，将Sdis的左视点图像记为{Ldis(x,y)}，将Sdis的右视点图像记为{Rdis(x,y)}，其中，1≤x≤W,1≤y≤H，W表示Sdis的宽度，H表示Sdis的高度，Ldis(x,y)表示{Ldis(x,y)}中坐标位置为(x,y)的像素点的像素值，Rdis(x,y)表示{Rdis(x,y)}中坐标位置为(x,y)的像素点的像素值。
[0022] ②采用现有技术对{Ldis(x,y)}实施高斯梯度滤波，得到{Ldis(x,y)}的幅值图像和相位图像，对应记为{GL_dis(x,y)}和{PL_dis(x,y)}；同样，对{Rdis(x,y)}实施高斯梯度滤波，得到{Rdis(x,y)}的幅值图像和相位图像，对应记为{GR_dis(x,y)}和{PR_dis(x,y)}；其中，GL_dis(x,y)表示{GL_dis(x,y)}中坐标位置为(x,y)的像素点的像素值，PL_dis(x,y)表示{PL_dis(x,y)}中坐标位置为(x,y)的像素点的像素值，GR_dis(x,y)表示{GR_dis(x,y)}中坐标位置为(x,y)的像素点的像素值，PR_dis(x,y)表示{PR_dis(x,y)}中坐标位置为(x,y)的像素点的像素值。
[0023] 在本实施例中，高斯梯度滤波中的尺度参数σ可取值为σ＝0.5。
[0024] ③采用现有的块匹配方法计算{Ldis(x,y)}与{Rdis(x,y)}之间的视差图像，记为{ddis(x,y)}，其中，ddis(x,y)表示{ddis(x,y)}中坐标位置为(x,y)的像素点的像素值。
[0025] ④根据{GL_dis(x,y)}和{PL_dis(x,y)}、{GR_dis(x,y)}和{PR_dis(x,y)}、{ddis(x,y)}，计算Sdis的左右视点特征融合图像，记为{Fdis(x,y)}，将{Fdis(x,y)}中坐标位置为(x,y)的像素点的像素值记为Fdis(x,y)， ，其中，GR_dis(x+ddis(x,y),y)表示{GR_dis(x,y)}中坐标位置为(x+ddis(x,y),y)的像素点的像素值， PR_dis(x+ddis(x,y),y)表示{PR_dis(x,
y)}中坐标位置为(x+ddis(x,y),y)的像素点的像素值，cos()为取余弦函数。
[0026] ⑤采用现有的局部三元模式操作对{Fdis(x,y)}进行处理，得到{Fdis(x,y)}的局部三元模式的上模式图像和下模式图像，对应记为{LTPU(x,y)}和{LTPD(x,y)}，其中，LTPU(x,y)表示{LTPU(x,y)}中坐标位置为(x,y)的像素点的像素值，LTPD(x,y)表示{LTPD(x,y)}中坐标位置为(x,y)的像素点的像素值。
[0027] 在本实施例中，局部三元模式操作中的领域参数P取值为8、局部半径参数R取值为1、自适应阈值矩阵{T(x,y)}中下标为(x,y)的元素的值T(x,y)取值为α×Fdis(x,y)，其中，α为强度因子，取α＝0.05。
[0028] ⑥采用现有的直方图统计方法对{LTPU(x,y)}进行统计操作，得到Sdis的上模式图像直方图统计特征向量，记为{HU(m)}；同样，采用直方图统计方法对{LTPD(x,y)}进行统计操作，得到Sdis的下模式图像直方图统计特征向量，记为{HD(m)}；其中，{HU(m)}的维数为1×m'维，HU(m)表示{HU(m)}中的第m个元素，{HD(m)}的维数为1×m'维，HD(m)表示{HD(m)}中的第m个元素，1≤m≤m'，m′＝P+2，P表示局部三元模式操作中的领域参数。
[0029] ⑦采用n”幅原始的无失真的立体图像，建立其在不同失真类型不同失真程度下的失真立体图像集合，该失真立体图像集合包括多幅失真立体图像；然后利用现有的主观质量评价方法评价出该失真立体图像集合中的每幅失真立体图像的主观评分，将该失真立体图像集合中的第j幅失真立体图像的主观评分记为DMOSj；再按照步骤①至步骤⑥的操作，以相同的方式获取该失真立体图像集合中的每幅失真立体图像的上模式图像直方图统计特征向量和下模式图像直方图统计特征向量，将该失真立体图像集合中的第j幅失真立体图像的上模式图像直方图统计特征向量和下模式图像直方图统计特征向量对应记为{HU,j(m)}和{HD,j(m)}；其中，n”>1，如取n”＝3，j的初始值为1，1≤j≤N'，N'表示该失真立体图像集合中包含的失真立体图像的总幅数，0≤DMOSj≤100，{HU,j(m)}和{HD,j(m)}的维数均为1×m'维，HU,j(m)表示{HU,j(m)}中的第m个元素，HD,j(m)表示{HD,j(m)}中的第m个元素，1≤m≤m'，m′＝P+2，P表示局部三元模式操作中的领域参数。
[0030] ⑧支持向量回归(Support Vector Regression，SVR)是基于结构风险最小化准则的新型机器学习方法和统计学理论，其可以有效地抑制过拟合问题，因此本发明将该失真图像集合作为训练集；然后利用支持向量回归对训练集中的所有失真立体图像的主观评分及上模式图像直方图统计特征向量和下模式图像直方图统计特征向量进行训练，使得经过训练得到的回归函数值与主观评分之间的误差最小，拟合得到最优的权值矢量Wopt和最优的偏置项bopt；接着利用Wopt和bopt构造得到支持向量回归训练模型；再根据支持向量回归训练模型，对Sdis的上模式图像直方图统计特征向量{HU(m)}和下模式图像直方图统计特征向量{HD(m)}进行测试，预测得到Sdis的客观质量评价预测值，记为Q，Q＝f(x)，其中，Q是x的函数，f()为函数表示形式，x为输入，x表示Sdis的上
模式图像直方图统计特征向量{HU(m)}和下模式图像直方图统计特征向量{HD(m)}，(Wopt)T为Wopt的转置矢量， 为x的线性函数。
[0031] 为了进一步验证本发明方法的可行性和有效性，进行实验。
[0032] 在此，采用LIVE立体图像失真库来分析利用本发明方法得到的失真的立体图像的客观质量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3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，SROCC)、均方误差(root mean squared error，RMSE)，PLCC和RMSE反映失真的立体图像的客观质量评价预测值的准确性，SROCC反映其单调性。
[0033] 利用本发明方法计算LIVE立体图像失真库中的每幅失真立体图像的客观质量评价预测值，再利用现有的主观评价方法获得LIVE立体图像失真库中的每幅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失真立体图像的客观质量评价预测值做五参数Logistic函数非线性拟合，PLCC和SROCC值越高，RMSE值越低说明客观评价方法的客观评价结果与平均主观评分差值之间的相关性越好。反映本发明方法的质量评价性能的PLCC、SROCC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失真立体图像的最终的客观质量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可行性和有效性。
[0034] 表1利用本发明方法得到的失真的立体图像的客观质量评价预测值与平均主观评分差值之间的相关性
[0035]
