W, y)的像素点的像素值赋值给该像素点；如果 K X < W且y〈l，则将LiiOTg中坐标位置为（X, 1)的像素点的像素值赋值给该像素点；如果 K X < W且y>H，则将LiiOTg中坐标位置为（X, H)的像素点的像素值赋值给该像素点；如果 x〈l且y〈l，则将Liitffg中坐标位置为（I, 1)的像素点的像素值赋值给该像素点；如果x>W且 y〈l，则将LiiOTg中坐标位置为（W, 1)的像素点的像素值赋值给该像素点；如果x〈l且y>H， 则将LiiOTg中坐标位置为（1，H)的像素点的像素值赋值给该像素点；如果x>W且y>H，则将 km中坐标位置为（W，?的像素点的像素值赋值给该像素点。
[0070] 若当前像素点的某个邻域像素点、当前子块中的某个像素点及邻域子块中的某个 像素点超出图像边界，则超出图像边界的像素点的像素值由最邻近的边界像素点的像素值 替代。即上述步骤①_2b中，如果以当前像素点为中心的9X9邻域窗口内的所有像素点构 成的块内的某个像素点的坐标位置超出了 kOTg的边界，则该像素点的像素值以最邻近的边 界像素点的像素值替代；如果以当前像素点为中心的21X21邻域窗口内的邻域像素点的 坐标位置超出了 kOTg的边界，则该邻域像素点的像素值以最邻近的边界像素点的像素值替 代；如果以当前像素点为中心的21X21邻域窗口内的每个邻域像素点为中心的9X9邻域 窗口内的所有像素点构成的块内的某个像素点的坐标位置超出了 kOTg的边界，则该像素点 的像素值以最邻近的边界像素点的像素值替代。
[0071] ①-2c、计算
：中的每个像素点的特征矢量，将
中坐标位 置为（x2，y2)的像素点的特征矢量记为
其中，J2)的维数为7,符号" □"为矢量表示符号，符号" M "为取绝对值符号，
中坐标位置为（X2, y2)的像素点的密度值
.为
在水平方向的一阶偏导数，
在垂直方向的一阶偏导 数，
在水平方向的二阶偏导数，
在 垂直方向的二阶偏导数。
[0072] ①-2d、根据中的每个像素点的特征矢量，计算[/；pms(x2，_y2)}的协 方差矩阵，记为
其 中，€：『_的维数为7X7，
中的所有像素点的特征矢量的均值矢量，
的转置矢量。
[0073] ① _2e、对CLx 进行 Cholesky 分解，
的 Sigma特征集，记为Sf叫，
，其中，
的转置矩阵，的维数为7X 15,符号" □"为矢量表示符号， I < j < 7，
示的第7列向量。
[0074] ①_2f、按照步骤①-2c至步骤①_2e的操作，以相同的方式获取当前子块的每个 邻域子块的Sigma特征集，将
的Sigma特征集记为Sgwg *其中，S^fg的维数为 7X15。
[0075] 如：SJ1ws的获取过程为：a、计算[/Uu)}中的每个像素点的特征矢量，将
中坐标位置为（x3，y3)的像素点的特征矢量记为XJ 1wx(X3vV3)，
其中，xkh，.y3)的维数为7,符号"□"为矢量表示符号，符号"| |"为取绝对 值符号，
中坐标位置为（x3，y3)的像素点的密度值，
在水平方向的一阶偏导数，
在垂直方向的一阶偏导数，
在水平方向的二阶偏导 数，
在垂直方向的二阶偏导数；b、根据 中的每个像素点的特征矢量，计算
的协方差矩阵，记为
其中，Cft^的维数为7X7， μ!1%表示中的所有像素点的特征矢量的均值矢量；c、对C、进行Cholesky 分解，
的Si gma特征集SJ1ctx ,
，其中，U勺维数为7X 15,1彡j彡7。
[0076] ①_2g、根据SL,#及当前子块的每个邻域子块的Sigma特征集，计算当前像素点的 结构信息，记为
其中，N(p)表示当 前像素点的所有邻域像素点的坐标位置的集合，exp O表示以自然基数e为底的指数函数， e = 2. 71828183, σ表示高斯函数的标准差，在本实施例中取σ = 〇. 06,符号" I I I I "为欧 氏距离计算符号，k"g(q)表示坐标位置为q的像素点的像素值。
[0077] ①_2h、根据/C (；p)，计算当前像素点的纹理信息，记为
其中，(P)表示当前像素点的像素值。
[0078] ①-2id#LliOTg中下一个待处理的像素点作为当前像素点，然后返回步骤①_2b继 续执行，直至k" g中的所有像素点处理完毕，得到Llicffg中的每个像素点的结构信息和纹理 信息，将kOTg中的所有像素点的结构信息构成的图像作为1^_的结构图像 的所有像素点的纹理信息构成的图像作为k"g的纹理图像
[0079] ①-3、对
中的每幅结构图像进行非重叠的分子块处理；然后采用 现有的K-SVD方法对
中的所有结构图像中的子块构成的集合进行字典训练 操作，构造得到
的结构字典表，记为Ds&，其中，D s&的维数为64 X K，K表示 设定的字典的个数，K多1，K的取值过大会出现过聚类现象，K的取值过小会出现欠聚类现 象，在本实施例中取K = 128。
[0080] 同样，对
中的每幅纹理图像进行非重叠的分子块处理；然后采用 现有的K-SVD方法对
中的所有纹理图像中的子块构成的集合进行字典训练 操作，构造得致
的纹理字典表，记为Dtex，其中，D tex的维数为64XK。
[0081] 在此具体实施例中，步骤① -3中的Dstt的获取过程为：
[0082] ①_3a、将
中的每幅结构图像划分成
个互不重叠的尺寸大 小为8X8的子块。
[0083] ①_3b、将
中的所有结构图像中的子块构成一个集合，记为
中的所有结构图像中的子 块中的第t个子块中的所有像素点组成的列向量，y广的维数为64X 1。
[0084] ①-3c、采用现有的K-SVD方法对
'进行字典训练操作，获得
的结构字典表Dstr，Dstr通过K-SVD方法求解
得到，其中，min()为取最小值函数，符号"| I I |2"为求取矩阵的2-范数符号，
Ys&的维数为64XM，
中的第1个列向 量，yf亦表示由N幅结构图像中的第1个子块中的所有像素点组成的列向量，为
中的第t个列向量，y卩亦表示由N幅结构图像中的第t个子块中的所有像 素点组成的列向量，
中的第M个列向量，Xstt表示稀疏矩阵，y:亦表示 由N幅结构图像中的第M个子块中的所有像素点组成的列向量，
的维数为KXM，表示Xstt中的第1个列向量，xf'表示Xstt中的第t个列向量，K表示 Xstt中的第M个列向量，符号" □"为矢量表不符号，Vi表不对于任意一个t，I < t < M，符 号"MIL"为求取矩阵的O-范数符号，τ为误差系数，在本实施例中τ取值为0.1。
[0085] 在此具体实施例中，步骤① -3中的Dto的获取过程为：
[0086] ①-3d、将
中的每幅纹理图像划分成
个互不重叠的尺寸大 小为8 X 8的子块，其中，W和H对应表示原始的无失真立体图像的宽度和高度。
[0087] ①_3e、将
中的所有纹理图像中的子块构成一个集合，记为
中的所有纹理图像中的子 块中的第t个子块中的所有像素点组成的列向量，yf的维数为64X 1。
[0088] ①_3f、采用现有的K-SVD方法对
进行字典训练操作，获得
的纹理字典表Dtex，Dtex通过K-SVD方法求解
得到，其中，min()为取最小值函数，符号"| I I |2"为求取矩阵的2-范数符号，
Ytex的维数为64XM，
中的第1个列向 量，yfT亦表示由N幅纹理图像中的第1个子块中的所有像素点组成的列向量，y广为
中的第t个列向量，y卩亦表示由N幅纹理图像中的第t个子块中的所有像 素点组成的列向量，
^中的第M个列向量，亦表示由N幅纹理图像中 的第M个子块中的所有像素点组成的列向量，Xtrai表示稀疏矩阵，
Xtex的维数为kxm，表示Xtrai中的第1个列向量，χΓ表示Xtex中的第t个列向量，表 示Xtex中的第M个列向量，符号"[]"为矢量表示符号，W表示对于任意一个t，l彡t彡M， 符号"II 11/为求取矩阵的O-范数符号，τ为误差系数，在本实施例中τ取值为0.1。
[0089] 所述的测试阶段过程的具体步骤如下：
[0090] ②-1、对于任意一副测试立体图像Stest，假设Stest对应的原始的无失真立体图像 为sOTg，其中，Stast的宽度与步骤①-1中的原始的无失真立体图像的宽度一致，S test的高度 与步骤①-1中的原始的无失真立体图像的高度一致。
[0091] ②-2、按照步骤①-2的过程，以相同的方式获取Stest的左视点图像L tast和右视点 图像Rtost及S "g的左视点图像L OTg和右视点图像R "g各自的结构图像和纹理图像，将L tast 的结构图像和纹理图像对应记为和，将Rtest的结构图像和纹理图像对应记为iC',和 C ,将Lcffg的结构图像和纹理图像对应记为钇和〇将RciJ勺结构图像和纹理图像对应 '-i χ[_, ￡)+4护 记为Ig.和^^
[0092] ②-3、对Ltest和
分别进行非 重叠的分子块处理；然后根据在训练阶段过程构造得到的DstdP D 联合优化，获取由 中的所有子块构成的集合中的每个元素的结构稀疏系数矩阵和由中的所有子块构成的 集合中的每个元素的纹理稀疏系数矩阵、由C中的所有子块构成的集合中的每个元素的 结构稀疏系数矩阵和由iC,中的所有子块构成的集合中的每个元素的纹理稀疏系数矩阵、 由^中的所有子块构成的集合中的每个元素的结构稀疏系数矩阵和由C g中的所有子块 构成的集合中的每个元素的纹理稀疏系数矩阵、由中的所有子块构成的集合中的每个 元素的结构稀疏系数矩阵和由中的所有子块构成的集合中的每个元素的纹理稀疏系数 矩阵；接着根据和Ζ?中的每个子块对应的结构稀疏系数矩阵、和中的每个子块 对应的纹理稀疏系数矩阵，计算L test中的每个子块的局部客观评价度量值，并根据和 中的每个子块对应的结构稀疏系数矩阵、和式^中的每个子块对应的纹理稀疏系数 矩阵，计算Rtest中的每个子块的局部客观评价度量值；最后根据L tast和R test中的部分子块 的局部客观评价度量值，计算Stast的图像质量客观评价预测值。
[0093] 在此具体实施例中，步骤②_3的具体过程为：
[0094] ②-3a、将Ltest和
分别划分 成
个互不重叠的尺寸大小为8X8的子块。
[0095] ②_3b、将Ι?中的所有子块构成一个集合，记为
其中， 表示/；，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 X 1。
[0096] 将中的所有子块构成一个集合，记为
'其中，表 示中的第t'个子块中的所有像素点组成的列向量，的维数为64 X 1。
[0097] 将i?=.中的所有子块构成一个集合，记为
其中，表 示iC；中的第t'个子块中的所有像素点组成的列向量，的维数为64X 1。
[0098] 将属￡中的所有子块构成一个集合，记为
其中，表 示中的第t'个子块中的所有像素点组·成的列向量，tU勺维数为64 x 1。
[0099] 将C中的所有子块构成一个集合，记为
其中，#!^表 示^中的第t'个子块中的所有像素点组成的列向量，WLfg的维数为64X 1。
[0100] 将G中的所有