本发明涉及一种图像质量客观评价方法，尤其是涉及一种高效视觉质量客观评价方法。
背景技术：
图像质量是评价图像处理系统及算法优劣的主要性能指标。图像质量评价方法可以分为两类：主观评价方法和客观评价方法。主观评价方法是由观察者对图像质量进行评分，得到平均评价分用以衡量图像质量；客观评价方法利用数学模型计算图像质量。主观评价方法的实验结果比较可靠，但费时费力。客观评价方法又可分为三类：全参考图像质量评价方法、半参考图像质量评价方法和无参考图像质量评价方法，当前研究最多的是全参考图像质量评价方法，但是该类方法评价时必须要有原始的参考图像进行比较，且要求参考图像须是清晰质量较好的，然而在一些实际应用场景中无法获得参考图像，这就制约了该类方法的使用；无参考图像质量评价方法不需要原始的参考图像，只需待测图像就可以进行评价，可以适应较多的应用场合，因此无参考图像质量评价方法的研究更具实用价值。综上，评价图像质量，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，现有的一部分无参考图像质量评价方法主要是通过机器学习来预测图像质量的，不仅计算复杂度较高，而且需要测试数据库(包括大量不同失真类型的失真图像及相应的主观评价值)；现有的另一部分无参考图像质量评价方法是通过构造数据库，采用全参考方法得到的质量分数来取代平均主观评分值，再采用机器学习的方法预测图像质量的。以上无参考图像质量评价方法并不适用于实际的应用场合，存在一定的局限性。因此，如何深入地挖掘视觉感知以及如何在无参考模型构建中采用全盲方法，都是无参考图像质量评价研究中需要重点解决的技术问题。
技术实现要素：
本发明所要解决的技术问题是提供一种高效视觉质量客观评价方法，其能够充分考虑到视觉感知特性，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。
本发明解决上述技术问题所采用的技术方案为：一种高效视觉质量客观评价方法，其特征在于包括训练阶段和测试阶段；
所述的训练阶段包括以下步骤：
①_1、选取K幅宽度为W且高度为H的原始的无失真图像，将第k幅原始的无失真图像记为{Rk,org(x,y)}；然后对每幅原始的无失真图像进行去均值归一化操作，得到每幅原始的无失真图像的去均值归一化图像，将第k幅原始的无失真图像的去均值归一化图像记为{Ck,org(x,y)}，将{Ck,org(x,y)}中坐标位置为(x,y)的像素点的像素值记为Ck,org(x,y)；其中，K≥1，1≤k≤K，Rk,org(x,y)表示{Rk,org(x,y)}中坐标位置为(x,y)的像素点的像素值，1≤x≤W,1≤y≤H；
①_2、将每幅原始的无失真图像的去均值归一化图像输入到零均值广义分布模型中，得到每幅原始的无失真图像的去均值归一化图像的模型分布控制参数和方差控制参数，将{Ck,org(x,y)}的模型分布控制参数和方差控制参数对应记为αk,org和βk,org；然后将每幅原始的无失真图像的去均值归一化图像的模型分布控制参数和方差控制参数按序排列构成每幅原始的无失真图像的去均值归一化图像的纹理信息向量，{Ck,org(x,y)}的纹理信息向量由αk,org和βk,org按序排列构成；
①_3、对每幅原始的无失真图像的去均值归一化图像分别进行水平方向、垂直方向、主对角线方向和副对角线方向的滤波，对应得到每幅原始的无失真图像的去均值归一化图像的水平方向信息图像、垂直方向信息图像、主对角线方向信息图像和副对角线方向信息图像，将{Ck,org(x,y)}的水平方向信息图像、垂直方向信息图像、主对角线方向信息图像和副对角线方向信息图像对应记为{Hk,org(x,y)}、{Vk,org(x,y)}、{Dk,org(x,y)}和将{Hk,org(x,y)}中坐标位置为(x,y)的像素点的像素值记为Hk,org(x,y)，将{Vk,org(x,y)}中坐标位置为(x,y)的像素点的像素值记为Vk,org(x,y)，将{Dk,org(x,y)}中坐标位置为(x,y)的像素点的像素值记为Dk,org(x,y)，将中坐标位置为(x,y)的像素点的像素值记为
①_4、将每幅原始的无失真图像的去均值归一化图像的水平方向信息图像输入到非对称广义高斯分布模型中，得到每幅原始的无失真图像的去均值归一化图像的水平方向信息图像的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数，将{Hk,org(x,y)}的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数对应记为和然后将每幅原始的无失真图像的去均值归一化图像的水平方向信息图像的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数按序排列构成每幅原始的无失真图像的去均值归一化图像的水平方向信息向量，{Ck,org(x,y)}的水平方向信息向量由和按序排列构成；
同样，将每幅原始的无失真图像的去均值归一化图像的垂直方向信息图像输入到非对称广义高斯分布模型中，得到每幅原始的无失真图像的去均值归一化图像的垂直方向信息图像的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数，将{Vk,org(x,y)}的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数对应记为和然后将每幅原始的无失真图像的去均值归一化图像的垂直方向信息图像的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数按序排列构成每幅原始的无失真图像的去均值归一化图像的垂直方向信息向量，{Ck,org(x,y)}的垂直方向信息向量由和按序排列构成；
将每幅原始的无失真图像的去均值归一化图像的主对角线方向信息图像输入到非对称广义高斯分布模型中，得到每幅原始的无失真图像的去均值归一化图像的主对角线方向信息图像的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数，将{Dk,org(x,y)}的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数对应记为和然后将每幅原始的无失真图像的去均值归一化图像的主对角线方向信息图像的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数按序排列构成每幅原始的无失真图像的去均值归一化图像的主对角线方向信息向量，{Ck,org(x,y)}的主对角线方向信息向量由和按序排列构成；
将每幅原始的无失真图像的去均值归一化图像的副对角线方向信息图像输入到非对称广义高斯分布模型中，得到每幅原始的无失真图像的去均值归一化图像的副对角线方向信息图像的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数，将的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数对应记为和然后将每幅原始的无失真图像的去均值归一化图像的副对角线方向信息图像的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数按序排列构成每幅原始的无失真图像的去均值归一化图像的副对角线方向信息向量，{Ck,org(x,y)}的副对角线方向信息向量由和按序排列构成；
①_5、对每幅原始的无失真图像的去均值归一化图像的水平方向信息图像进行旋转不变的局部二值化操作，得到每幅原始的无失真图像的去均值归一化图像的局部水平方向向量，将{Ck,org(x,y)}的局部水平方向向量记为其中，的维数为1×m'维，m'＝P+2，P表示旋转不变的局部二值化操作中的领域参数；
同样，对每幅原始的无失真图像的去均值归一化图像的垂直方向信息图像进行旋转不变的局部二值化操作，得到每幅原始的无失真图像的去均值归一化图像的局部垂直方向向量，将{Ck,org(x,y)}的局部垂直方向向量记为其中，的维数为1×m'维；
对每幅原始的无失真图像的去均值归一化图像的主对角线方向信息图像进行旋转不变的局部二值化操作，得到每幅原始的无失真图像的去均值归一化图像的局部主对角线方向向量，将{Ck,org(x,y)}的局部主对角线方向向量记为其中，的维数为1×m'维；
对每幅原始的无失真图像的去均值归一化图像的副对角线方向信息图像进行旋转不变的局部二值化操作，得到每幅原始的无失真图像的去均值归一化图像的局部副对角线方向向量，将{Ck,org(x,y)}的局部副对角线方向向量记为其中，的维数为1×m'维；
①_6、计算每幅原始的无失真图像的去均值归一化图像与其水平方向信息图像之间的自相似度图像，将{Ck,org(x,y)}与{Hk,org(x,y)}之间的自相似度图像记为{Hk,org,sim(x,y)}，将{Hk,org,sim(x,y)}中坐标位置为(x,y)的像素点的像素值记为Hk,org,sim(x,y)；
同样，计算每幅原始的无失真图像的去均值归一化图像与其垂直方向信息图像之间的自相似度图像，将{Ck,org(x,y)}与{Vk,org(x,y)}之间的自相似度图像记为{Vk,org,sim(x,y)}，将{Vk,org,sim(x,y)}中坐标位置为(x,y)的像素点的像素值记为Vk,org,sim(x,y)；
计算每幅原始的无失真图像的去均值归一化图像与其主对角线方向信息图像之间的自相似度图像，将{Ck,org(x,y)}与{Dk,org(x,y)}之间的自相似度图像记为{Dk,org,sim(x,y)}，将{Dk,org,sim(x,y)}中坐标位置为(x,y)的像素点的像素值记为Dk,org,sim(x,y)；
计算每幅原始的无失真图像的去均值归一化图像与其副对角线方向信息图像之间的自相似度图像，将{Ck,org(x,y)}与之间的自相似度图像记为将中坐标位置为(x,y)的像素点的像素值记为
①_7、对每幅原始的无失真图像的去均值归一化图像与其水平方向信息图像之间的自相似度图像进行量化处理，得到每幅原始的无失真图像的去均值归一化图像对应的水平方向相似度特性图像，将{Hk,org,sim(x,y)}经量化处理后得到的{Ck,org(x,y)}对应的水平方向相似度特性图像记为{Hk,org,sim,q(x,y)}；然后采用直方图统计方法对每幅原始的无失真图像的去均值归一化图像对应的水平方向相似度特性图像进行统计操作，得到每幅原始的无失真图像的去均值归一化图像对应的水平方向相似度特性图像的直方图统计特征向量，并作为每幅原始的无失真图像的去均值归一化图像的自相似度水平方向向量，将{Hk,org,sim,q(x,y)}的直方图统计特征向量记为Hk,org,sim,q,hist，并将Hk,org,sim,q,hist作为{Ck,org(x,y)}的自相似度水平方向向量；其中，Hk,org,sim,q(x,y)表示{Hk,org,sim,q(x,y)}中坐标位置为(x,y)的像素点的像素值，量化处理所采用的量化步长大于0且小于1，Hk,org,sim,q,hist的维数为1×m'维；
同样，对每幅原始的无失真图像的去均值归一化图像与其垂直方向信息图像之间的自相似度图像进行量化处理，得到每幅原始的无失真图像的去均值归一化图像对应的垂直方向相似度特性图像，将{Vk,org,sim(x,y)}经量化处理后得到的{Ck,org(x,y)}对应的垂直方向相似度特性图像记为{Vk,org,sim,q(x,y)}；然后采用直方图统计方法对每幅原始的无失真图像的去均值归一化图像对应的垂直方向相似度特性图像进行统计操作，得到每幅原始的无失真图像的去均值归一化图像对应的垂直方向相似度特性图像的直方图统计特征向量，并作为每幅原始的无失真图像的去均值归一化图像的自相似度垂直方向向量，将{Vk,org,sim,q(x,y)}的直方图统计特征向量记为Vk,org,sim,q,hist，并将Vk,org,sim,q,hist作为{Ck,org(x,y)}的自相似度垂直方向向量；其中，Vk,org,sim,q(x,y)表示{Vk,org,sim,q(x,y)}中坐标位置为(x,y)的像素点的像素值，量化处理所采用的量化步长大于0且小于1，Vk,org,sim,q,hist的维数为1×m'维；
对每幅原始的无失真图像的去均值归一化图像与其主对角线方向信息图像之间的自相似度图像进行量化处理，得到每幅原始的无失真图像的去均值归一化图像对应的主对角线方向相似度特性图像，将{Dk,org,sim(x,y)}经量化处理后得到的{Ck,org(x,y)}对应的主对角线方向相似度特性图像记为{Dk,org,sim,q(x,y)}；然后采用直方图统计方法对每幅原始的无失真图像的去均值归一化图像对应的主对角线方向相似度特性图像进行统计操作，得到每幅原始的无失真图像的去均值归一化图像对应的主对角线方向相似度特性图像的直方图统计特征向量，并作为每幅原始的无失真图像的去均值归一化图像的自相似度主对角线方向向量，将{Dk,org,sim,q(x,y)}的直方图统计特征向量记为Dk,org,sim,q,hist，并将Dk,org,sim,q,hist作为{Ck,org(x,y)}的自相似度主对角线方向向量；其中，Dk,org,sim,q(x,y)表示{Dk,org,sim,q(x,y)}中坐标位置为(x,y)的像素点的像素值，量化处理所采用的量化步长大于0且小于1，Dk,org,sim,q,hist的维数为1×m'维；
对每幅原始的无失真图像的去均值归一化图像与其副对角线方向信息图像之间的自相似度图像进行量化处理，得到每幅原始的无失真图像的去均值归一化图像对应的副对角线方向相似度特性图像，将经量化处理后得到的{Ck,org(x,y)}对应的副对角线方向相似度特性图像记为然后采用直方图统计方法对每幅原始的无失真图像的去均值归一化图像对应的副对角线方向相似度特性图像进行统计操作，得到每幅原始的无失真图像的去均值归一化图像对应的副对角线方向相似度特性图像的直方图统计特征向量，并作为每幅原始的无失真图像的去均值归一化图像的自相似度副对角线方向向量，将的直方图统计特征向量记为并将作为{Ck,org(x,y)}的自相似度副对角线方向向量；其中，表示中坐标位置为(x,y)的像素点的像素值，量化处理所采用的量化步长大于0且小于1，的维数为1×m'维；
①_8、计算K幅原始的无失真图像的去均值归一化图像的纹理信息向量的均值向量、K幅原始的无失真图像的去均值归一化图像的水平方向信息向量的均值向量、K幅原始的无失真图像的去均值归一化图像的垂直方向信息向量的均值向量、K幅原始的无失真图像的去均值归一化图像的主对角线方向信息向量的均值向量、K幅原始的无失真图像的去均值归一化图像的副对角线方向信息向量的均值向量、K幅原始的无失真图像的去均值归一化图像的局部水平方向向量的均值向量、K幅原始的无失真图像的去均值归一化图像的局部垂直方向向量的均值向量、K幅原始的无失真图像的去均值归一化图像的局部主对角线方向向量的均值向量、K幅原始的无失真图像的去均值归一化图像的局部副对角线方向向量的均值向量、K幅原始的无失真图像的去均值归一化图像的自相似度水平方向向量的均值向量、K幅原始的无失真图像的去均值归一化图像的自相似度垂直方向向量的均值向量、K幅原始的无失真图像的去均值归一化图像的自相似度主对角线方向向量的均值向量、K幅原始的无失真图像的去均值归一化图像的自相似度副对角线方向向量的均值向量；然后将计算得到的13个均值向量作为输入参数，输入到高斯分布模型中，得到K幅原始的无失真图像对应的无失真高斯分布模型；
所述的测试阶段包括以下步骤：
②_1、对于任意一幅宽度为W且高度为H的失真图像，将该失真图像作为待评价的失真图像，记为{Rdis(x,y)}；然后对{Rdis(x,y)}进行去均值归一化操作，得到{Rdis(x,y)}的去均值归一化图像，记为{Cdis(x,y)}，将{Cdis(x,y)}中坐标位置为(x,y)的像素点的像素值记为Cdis(x,y)；其中，Rdis(x,y)表示{Rdis(x,y)}中坐标位置为(x,y)的像素点的像素值，1≤x≤W,1≤y≤H；
②_2、将{Cdis(x,y)}输入到零均值广义分布模型中，得到{Cdis(x,y)}的模型分布控制参数和方差控制参数，对应记为αdis和βdis；然后将αdis和βdis按序排列构成{Cdis(x,y)}的纹理信息向量；
②_3、对{Cdis(x,y)}分别进行水平方向、垂直方向、主对角线方向和副对角线方向的滤波，对应得到{Cdis(x,y)}的水平方向信息图像、垂直方向信息图像、主对角线方向信息图像和副对角线方向信息图像，对应记为{Hdis(x,y)}、{Vdis(x,y)}、{Ddis(x,y)}和将{Hdis(x,y)}中坐标位置为(x,y)的像素点的像素值记为Hdis(x,y)，将{Vdis(x,y)}中坐标位置为(x,y)的像素点的像素值记为Vdis(x,y)，将{Ddis(x,y)}中坐标位置为(x,y)的像素点的像素值记为Ddis(x,y)，将中坐标位置为(x,y)的像素点的像素值记为
②_4、将{Hdis(x,y)}输入到非对称广义高斯分布模型中，得到{Hdis(x,y)}的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数，对应记为和然后将和按序排列构成{Cdis(x,y)}的水平方向信息向量；
同样，将{Vdis(x,y)}输入到非对称广义高斯分布模型中，得到{Vdis(x,y)}的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数，对应记为和然后将和按序排列构成{Cdis(x,y)}的垂直方向信息向量；
将{Ddis(x,y)}输入到非对称广义高斯分布模型中，得到{Ddis(x,y)}的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数，对应记为和然后将和按序排列构成{Cdis(x,y)}的主对角线方向信息向量；
将输入到非对称广义高斯分布模型中，得到的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数，对应记为和然后将和按序排列构成{Cdis(x,y)}的副对角线方向信息向量；
②_5、对{Hdis(x,y)}进行旋转不变的局部二值化操作，得到{Cdis(x,y)}的局部水平方向向量，记为其中，的维数为1×m'维；
同样，对{Vdis(x,y)}进行旋转不变的局部二值化操作，得到{Cdis(x,y)}的局部垂直方向向量，记为其中，的维数为1×m'维；
对{Ddis(x,y)}进行旋转不变的局部二值化操作，得到{Cdis(x,y)}的局部主对角线方向向量，记为其中，的维数为1×m'维；
对进行旋转不变的局部二值化操作，得到{Cdis(x,y)}的局部副对角线方向向量，记为其中，的维数为1×m'维；
②_6、计算{Cdis(x,y)}与{Hdis(x,y)}之间的自相似度图像，记为{Hdis,sim(x,y)}，将{Hdis,sim(x,y)}中坐标位置为(x,y)的像素点的像素值记为Hdis,sim(x,y)；
同样，计算{Cdis(x,y)}与{Vdis(x,y)}之间的自相似度图像，记为{Vdis,sim(x,y)}，将{Vdis,sim(x,y)}中坐标位置为(x,y)的像素点的像素值记为Vdis,sim(x,y)；
计算{Cdis(x,y)}与{Ddis(x,y)}之间的自相似度图像，记为{Ddis,sim(x,y)}，将{Ddis,sim(x,y)}中坐标位置为(x,y)的像素点的像素值记为Ddis,sim(x,y)；
计算{Cdis(x,y)}与之间的自相似度图像，记为将中坐标位置为(x,y)的像素点的像素值记为
②_7、对{Hdis,sim(x,y)}进行量化处理，得到{Cdis(x,y)}对应的水平方向相似度特性图像，记为{Hdis,sim,q(x,y)}；然后采用直方图统计方法对{Hdis,sim,q(x,y)}进行统计操作，得到{Hdis,sim,q(x,y)}的直方图统计特征向量，记为Hdis,sim,q,hist，并将Hdis,sim,q,hist作为{Cdis(x,y)}的自相似度水平方向向量；其中，Hdis,sim,q(x,y)表示{Hdis,sim,q(x,y)}中坐标位置为(x,y)的像素点的像素值，量化处理所采用的量化步长大于0且小于1，Hdis,sim,q,hist的维数为1×m'维；
同样，对{Vdis,sim(x,y)}进行量化处理，得到{Cdis(x,y)}对应的垂直方向相似度特性图像，记为{Vdis,sim,q(x,y)}；然后采用直方图统计方法对{Vdis,sim,q(x,y)}进行统计操作，得到{Vdis,sim,q(x,y)}的直方图统计特征向量，记为Vdis,sim,q,hist，并将Vdis,sim,q,hist作为{Cdis(x,y)}的自相似度垂直方向向量；其中，Vdis,sim,q(x,y)表示{Vdis,sim,q(x,y)}中坐标位置为(x,y)的像素点的像素值，量化处理所采用的量化步长大于0且小于1，Vdis,sim,q,hist的维数为1×m'维；
对{Ddis,sim(x,y)}进行量化处理，得到{Cdis(x,y)}对应的主对角线方向相似度特性图像，记为{Ddis,sim,q(x,y)}；然后采用直方图统计方法对{Ddis,sim,q(x,y)}进行统计操作，得到{Ddis,sim,q(x,y)}的直方图统计特征向量，记为Ddis,sim,q,hist，并将Ddis,sim,q,hist作为{Cdis(x,y)}的自相似度主对角线方向向量；其中，Ddis,sim,q(x,y)表示{Ddis,sim,q(x,y)}中坐标位置为(x,y)的像素点的像素值，量化处理所采用的量化步长大于0且小于1，Ddis,sim,q,hist的维数为1×m'维；
对进行量化处理，得到{Cdis(x,y)}对应的副对角线方向相似度特性图像，记为然后采用直方图统计方法对进行统计操作，得到的直方图统计特征向量，记为并将作为{Cdis(x,y)}的自相似度副对角线方向向量；其中，表示中坐标位置为(x,y)的像素点的像素值，量化处理所采用的量化步长大于0且小于1，的维数为1×m'维；
②_8、将{Cdis(x,y)}的纹理信息向量、水平方向信息向量、垂直方向信息向量、主对角线方向信息向量、副对角线方向信息向量、局部水平方向向量、局部垂直方向向量、局部主对角线方向向量、局部副对角线方向向量、自相似度水平方向向量、自相似度垂直方向向量、自相似度主对角线方向向量、自相似度副对角线方向向量作为输入参数，输入到高斯分布模型中，得到{Rdis(x,y)}对应的失真高斯分布模型；
②_9、采用马氏距离公式衡量步骤①_8得到的K幅原始的无失真图像对应的无失真高斯分布模型与步骤②_8得到的{Rdis(x,y)}对应的失真高斯分布模型之间的误差，将衡量得到的误差作为{Rdis(x,y)}的质量客观评价预测值。
所述的步骤①_1中其中，μk,org表示{Rk,org(x,y)}中的所有像素点的像素值的均值，σk,org表示{Rk,org(x,y)}中的所有像素点的像素值的方差。
所述的步骤①_3中Hk,org(x,y)＝Ck,org(x,y)×Ck,org(x,y+1)，Vk,org(x,y)＝Ck,org(x,y)×Ck,org(x+1,y)，Dk,org(x,y)＝Ck,org(x,y)×Ck,org(x+1,y+1)，其中，若1≤y+1≤H，则Ck,org(x,y+1)表示{Ck,org(x,y)}中坐标位置为(x,y+1)的像素点的像素值，若y+1>H，则令Ck,org(x,y+1)＝Ck,org(x,H)，Ck,org(x,H)表示{Ck,org(x,y)}中坐标位置为(x,H)的像素点的像素值；若1≤x+1≤W，则Ck,org(x+1,y)表示{Ck,org(x,y)}中坐标位置为(x+1,y)的像素点的像素值，若x+1>W，则令Ck,org(x+1,y)＝Ck,org(W,y)，Ck,org(W,y)表示{Ck,org(x,y)}中坐标位置为(W,y)的像素点的像素值；若1≤x+1≤W且1≤y+1≤H，则Ck,org(x+1,y+1)表示{Ck,org(x,y)}中坐标位置为(x+1,y+1)的像素点的像素值，若x+1>W且1≤y+1≤H，则令Ck,org(x+1,y+1)＝Ck,org(W,y+1)，若1≤x+1≤W且y+1>H，则令Ck,org(x+1,y+1)＝Ck,org(x+1,H)，若x+1>W且y+1>H，则令Ck,org(x+1,y+1)＝Ck,org(W,H)，Ck,org(W,y+1)、Ck,org(x+1,H)和Ck,org(W,H)对应表示{Ck,org(x,y)}中坐标位置为(W,y+1)、(x+1,H)和(W,H)的像素点的像素值；若1≤x+1≤W且1≤y-1≤H，则Ck,org(x+1,y-1)表示{Ck,org(x,y)}中坐标位置为(x+1,y-1)的像素点的像素值，若x+1>W且1≤y-1≤H，则令Ck,org(x+1,y-1)＝Ck,org(W,y-1)，若1≤x+1≤W且y-1<1，则令Ck,org(x+1,y-1)＝Ck,org(x+1,1)，若x+1>W且y-1<1，则令Ck,org(x+1,y-1)＝Ck,org(W,1)，Ck,org(W,y-1)、Ck,org(x+1,1)和Ck,org(W,1)对应表示{Ck,org(x,y)}中坐标位置为(W,y-1)、(x+1,1)和(W,1)的像素点的像素值；上述，Ck,org(x,y+1)＝Ck,org(x,H)、Ck,org(x+1,y)＝Ck,org(W,y)、Ck,org(x+1,y+1)＝Ck,org(W,y+1)、Ck,org(x+1,y+1)＝Ck,org(x+1,H)、Ck,org(x+1,y+1)＝Ck,org(W,H)、Ck,org(x+1,y-1)＝Ck,org(W,y-1)、Ck,org(x+1,y-1)＝Ck,org(x+1,1)和Ck,org(x+1,y-1)＝Ck,org(W,1)中的“＝”均为赋值符号。
所述的步骤①_6中其中，C为控制参数。
所述的步骤①_7中量化处理所采用的量化步长为0.1。
所述的步骤②_1中其中，μdis表示{Rdis(x,y)}中的所有像素点的像素值的均值，σdis表示{Rdis(x,y)}中的所有像素点的像素值的方差。
所述的步骤②_3中Hdis(x,y)＝Cdis(x,y)×Cdis(x,y+1)，Vdis(x,y)＝Cdis(x,y)×Cdis(x+1,y)，Ddis(x,y)＝Cdis(x,y)×Cdis(x+1,y+1)，其中，若1≤y+1≤H，则Cdis(x,y+1)表示{Cdis(x,y)}中坐标位置为(x,y+1)的像素点的像素值，若y+1>H，则令Cdis(x,y+1)＝Cdis(x,H)，Cdis(x,H)表示{Cdis(x,y)}中坐标位置为(x,H)的像素点的像素值；若1≤x+1≤W，则Cdis(x+1,y)表示{Cdis(x,y)}中坐标位置为(x+1,y)的像素点的像素值，若x+1>W，则令Cdis(x+1,y)＝Cdis(W,y)，Cdis(W,y)表示{Cdis(x,y)}中坐标位置为(W,y)的像素点的像素值；若1≤x+1≤W且1≤y+1≤H，则Cdis(x+1,y+1)表示{Cdis(x,y)}中坐标位置为(x+1,y+1)的像素点的像素值，若x+1>W且1≤y+1≤H，则令Cdis(x+1,y+1)＝Cdis(W,y+1)，若1≤x+1≤W且y+1>H，则令Cdis(x+1,y+1)＝Cdis(x+1,H)，若x+1>W且y+1>H，则令Cdis(x+1,y+1)＝Cdis(W,H)，Cdis(W,y+1)、Cdis(x+1,H)和Cdis(W,H)对应表示{Cdis(x,y)}中坐标位置为(W,y+1)、(x+1,H)和(W,H)的像素点的像素值；若1≤x+1≤W且1≤y-1≤H，则Cdis(x+1,y-1)表示{Cdis(x,y)}中坐标位置为(x+1,y-1)的像素点的像素值，若x+1>W且1≤y-1≤H，则令Cdis(x+1,y-1)＝Cdis(W,y-1)，若1≤x+1≤W且y-1<1，则令Cdis(x+1,y-1)＝Cdis(x+1,1)，若x+1>W且y-1<1，则令Cdis(x+1,y-1)＝Cdis(W,1)，Cdis(W,y-1)、Cdis(x+1,1)和Cdis(W,1)对应表示{Cdis(x,y)}中坐标位置为(W,y-1)、(x+1,1)和(W,1)的像素点的像素值；上述，Cdis(x,y+1)＝Cdis(x,H)、Cdis(x+1,y)＝Cdis(W,y)、Cdis(x+1,y+1)＝Cdis(W,y+1)、Cdis(x+1,y+1)＝Cdis(x+1,H)、Cdis(x+1,y+1)＝Cdis(W,H)、Cdis(x+1,y-1)＝Cdis(W,y-1)、Cdis(x+1,y-1)＝Cdis(x+1,1)和Cdis(x+1,y-1)＝Cdis(W,1)中的“＝”均为赋值符号。
所述的步骤②_6中其中，C为控制参数。
所述的步骤②_7中量化处理所采用的量化步长为0.1。
与现有技术相比，本发明的优点在于：
1)本发明方法由于充分利用了视觉感知特性，即获取了原始的无失真图像和待评价的失真图像各自的去均值归一化图像的纹理信息向量及水平方向信息向量、垂直方向信息向量、主对角线方向信息向量和副对角线方向信息向量，因此充分考虑到了视觉纹理和方向特性，有效地提高了本发明方法的预测性能，即：可以使得到的待评价的失真图像的质量客观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之间的相关性。
2)本发明方法通过无监督学习的方式构造所有原始的无失真图像对应的无失真高斯分布模型和待评价的失真图像对应的失真高斯分布模型，这样有效地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失真图像及其平均主观评分值，因此更加适用于实际的应用场合。
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。
本发明提出的一种高效视觉质量客观评价方法，其总体实现框图如图1所示，其包括训练阶段和测试阶段；
所述的训练阶段包括以下步骤：
①_1、选取K幅宽度为W且高度为H的原始的无失真图像，将第k幅原始的无失真图像记为{Rk,org(x,y)}；然后对每幅原始的无失真图像进行去均值归一化操作，得到每幅原始的无失真图像的去均值归一化图像，将第k幅原始的无失真图像的去均值归一化图像记为{Ck,org(x,y)}，将{Ck,org(x,y)}中坐标位置为(x,y)的像素点的像素值记为Ck,org(x,y)；其中，K≥1，在本实施例中取K＝90，1≤k≤K，Rk,org(x,y)表示{Rk,org(x,y)}中坐标位置为(x,y)的像素点的像素值，1≤x≤W,1≤y≤H。
在此具体实施例中，步骤①_1中其中，μk,org表示{Rk,org(x,y)}中的所有像素点的像素值的均值，σk,org表示{Rk,org(x,y)}中的所有像素点的像素值的方差。
①_2、将每幅原始的无失真图像的去均值归一化图像输入到现有的零均值广义分布模型中，得到每幅原始的无失真图像的去均值归一化图像的模型分布控制参数和方差控制参数，将{Ck,org(x,y)}的模型分布控制参数和方差控制参数对应记为αk,org和βk,org；然后将每幅原始的无失真图像的去均值归一化图像的模型分布控制参数和方差控制参数按序排列构成每幅原始的无失真图像的去均值归一化图像的纹理信息向量，{Ck,org(x,y)}的纹理信息向量由αk,org和βk,org按序排列构成。
①_3、对每幅原始的无失真图像的去均值归一化图像分别进行水平方向、垂直方向、主对角线方向和副对角线方向的滤波，对应得到每幅原始的无失真图像的去均值归一化图像的水平方向信息图像、垂直方向信息图像、主对角线方向信息图像和副对角线方向信息图像，将{Ck,org(x,y)}的水平方向信息图像、垂直方向信息图像、主对角线方向信息图像和副对角线方向信息图像对应记为{Hk,org(x,y)}、{Vk,org(x,y)}、{Dk,org(x,y)}和将{Hk,org(x,y)}中坐标位置为(x,y)的像素点的像素值记为Hk,org(x,y)，将{Vk,org(x,y)}中坐标位置为(x,y)的像素点的像素值记为Vk,org(x,y)，将{Dk,org(x,y)}中坐标位置为(x,y)的像素点的像素值记为Dk,org(x,y)，将中坐标位置为(x,y)的像素点的像素值记为
在此具体实施例中，步骤①_3中Hk,org(x,y)＝Ck,org(x,y)×Ck,org(x,y+1)，Vk,org(x,y)＝Ck,org(x,y)×Ck,org(x+1,y)，Dk,org(x,y)＝Ck,org(x,y)×Ck,org(x+1,y+1)，其中，若1≤y+1≤H，则Ck,org(x,y+1)表示{Ck,org(x,y)}中坐标位置为(x,y+1)的像素点的像素值，若y+1>H，则令Ck,org(x,y+1)＝Ck,org(x,H)，Ck,org(x,H)表示{Ck,org(x,y)}中坐标位置为(x,H)的像素点的像素值；若1≤x+1≤W，则Ck,org(x+1,y)表示{Ck,org(x,y)}中坐标位置为(x+1,y)的像素点的像素值，若x+1>W，则令Ck,org(x+1,y)＝Ck,org(W,y)，Ck,org(W,y)表示{Ck,org(x,y)}中坐标位置为(W,y)的像素点的像素值；若1≤x+1≤W且1≤y+1≤H，则Ck,org(x+1,y+1)表示{Ck,org(x,y)}中坐标位置为(x+1,y+1)的像素点的像素值，若x+1>W且1≤y+1≤H，则令Ck,org(x+1,y+1)＝Ck,org(W,y+1)，若1≤x+1≤W且y+1>H，则令Ck,org(x+1,y+1)＝Ck,org(x+1,H)，若x+1>W且y+1>H，则令Ck,org(x+1,y+1)＝Ck,org(W,H)，Ck,org(W,y+1)、Ck,org(x+1,H)和Ck,org(W,H)对应表示{Ck,org(x,y)}中坐标位置为(W,y+1)、(x+1,H)和(W,H)的像素点的像素值；若1≤x+1≤W且1≤y-1≤H，则Ck,org(x+1,y-1)表示{Ck,org(x,y)}中坐标位置为(x+1,y-1)的像素点的像素值，若x+1>W且1≤y-1≤H，则令Ck,org(x+1,y-1)＝Ck,org(W,y-1)，若1≤x+1≤W且y-1<1，则令Ck,org(x+1,y-1)＝Ck,org(x+1,1)，若x+1>W且y-1<1，则令Ck,org(x+1,y-1)＝Ck,org(W,1)，Ck,org(W,y-1)、Ck,org(x+1,1)和Ck,org(W,1)对应表示{Ck,org(x,y)}中坐标位置为(W,y-1)、(x+1,1)和(W,1)的像素点的像素值；上述，Ck,org(x,y+1)＝Ck,org(x,H)、Ck,org(x+1,y)＝Ck,org(W,y)、Ck,org(x+1,y+1)＝Ck,org(W,y+1)、Ck,org(x+1,y+1)＝Ck,org(x+1,H)、Ck,org(x+1,y+1)＝Ck,org(W,H)、Ck,org(x+1,y-1)＝Ck,org(W,y-1)、Ck,org(x+1,y-1)＝Ck,org(x+1,1)和Ck,org(x+1,y-1)＝Ck,org(W,1)中的“＝”均为赋值符号。
①_4、将每幅原始的无失真图像的去均值归一化图像的水平方向信息图像输入到现有的非对称广义高斯分布模型中，得到每幅原始的无失真图像的去均值归一化图像的水平方向信息图像的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数，将{Hk,org(x,y)}的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数对应记为和然后将每幅原始的无失真图像的去均值归一化图像的水平方向信息图像的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数按序排列构成每幅原始的无失真图像的去均值归一化图像的水平方向信息向量，{Ck,org(x,y)}的水平方向信息向量由和按序排列构成。
同样，将每幅原始的无失真图像的去均值归一化图像的垂直方向信息图像输入到现有的非对称广义高斯分布模型中，得到每幅原始的无失真图像的去均值归一化图像的垂直方向信息图像的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数，将{Vk,org(x,y)}的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数对应记为和然后将每幅原始的无失真图像的去均值归一化图像的垂直方向信息图像的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数按序排列构成每幅原始的无失真图像的去均值归一化图像的垂直方向信息向量，{Ck,org(x,y)}的垂直方向信息向量由和按序排列构成。
将每幅原始的无失真图像的去均值归一化图像的主对角线方向信息图像输入到现有的非对称广义高斯分布模型中，得到每幅原始的无失真图像的去均值归一化图像的主对角线方向信息图像的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数，将{Dk,org(x,y)}的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数对应记为和然后将每幅原始的无失真图像的去均值归一化图像的主对角线方向信息图像的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数按序排列构成每幅原始的无失真图像的去均值归一化图像的主对角线方向信息向量，{Ck,org(x,y)}的主对角线方向信息向量由和按序排列构成。
将每幅原始的无失真图像的去均值归一化图像的副对角线方向信息图像输入到现有的非对称广义高斯分布模型中，得到每幅原始的无失真图像的去均值归一化图像的副对角线方向信息图像的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数，将的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数对应记为和然后将每幅原始的无失真图像的去均值归一化图像的副对角线方向信息图像的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数按序排列构成每幅原始的无失真图像的去均值归一化图像的副对角线方向信息向量，{Ck,org(x,y)}的副对角线方向信息向量由和按序排列构成。
①_5、对每幅原始的无失真图像的去均值归一化图像的水平方向信息图像进行旋转不变的局部二值化操作，得到每幅原始的无失真图像的去均值归一化图像的局部水平方向向量，将{Ck,org(x,y)}的局部水平方向向量记为其中，的维数为1×m'维，m'＝P+2，P表示旋转不变的局部二值化操作中的领域参数，在本实施例中旋转不变的局部二值化操作中的领域参数P取值为8、局部半径参数R取值为1。
同样，对每幅原始的无失真图像的去均值归一化图像的垂直方向信息图像进行旋转不变的局部二值化操作，得到每幅原始的无失真图像的去均值归一化图像的局部垂直方向向量，将{Ck,org(x,y)}的局部垂直方向向量记为其中，的维数为1×m'维。
对每幅原始的无失真图像的去均值归一化图像的主对角线方向信息图像进行旋转不变的局部二值化操作，得到每幅原始的无失真图像的去均值归一化图像的局部主对角线方向向量，将{Ck,org(x,y)}的局部主对角线方向向量记为其中，的维数为1×m'维。
对每幅原始的无失真图像的去均值归一化图像的副对角线方向信息图像进行旋转不变的局部二值化操作，得到每幅原始的无失真图像的去均值归一化图像的局部副对角线方向向量，将{Ck,org(x,y)}的局部副对角线方向向量记为其中，的维数为1×m'维。
①_6、计算每幅原始的无失真图像的去均值归一化图像与其水平方向信息图像之间的自相似度图像，将{Ck,org(x,y)}与{Hk,org(x,y)}之间的自相似度图像记为{Hk,org,sim(x,y)}，将{Hk,org,sim(x,y)}中坐标位置为(x,y)的像素点的像素值记为Hk,org,sim(x,y)；同样，计算每幅原始的无失真图像的去均值归一化图像与其垂直方向信息图像之间的自相似度图像，将{Ck,org(x,y)}与{Vk,org(x,y)}之间的自相似度图像记为{Vk,org,sim(x,y)}，将{Vk,org,sim(x,y)}中坐标位置为(x,y)的像素点的像素值记为Vk,org,sim(x,y)；计算每幅原始的无失真图像的去均值归一化图像与其主对角线方向信息图像之间的自相似度图像，将{Ck,org(x,y)}与{Dk,org(x,y)}之间的自相似度图像记为{Dk,org,sim(x,y)}，将{Dk,org,sim(x,y)}中坐标位置为(x,y)的像素点的像素值记为Dk,org,sim(x,y)；计算每幅原始的无失真图像的去均值归一化图像与其副对角线方向信息图像之间的自相似度图像，将{Ck,org(x,y)}与之间的自相似度图像记为将中坐标位置为(x,y)的像素点的像素值记为
在此具体实施例中，步骤①_6中其中，C为控制参数，在本实施例中取C＝0.085。
①_7、对每幅原始的无失真图像的去均值归一化图像与其水平方向信息图像之间的自相似度图像进行量化处理，得到每幅原始的无失真图像的去均值归一化图像对应的水平方向相似度特性图像，将{Hk,org,sim(x,y)}经量化处理后得到的{Ck,org(x,y)}对应的水平方向相似度特性图像记为{Hk,org,sim,q(x,y)}；然后采用现有的直方图统计方法对每幅原始的无失真图像的去均值归一化图像对应的水平方向相似度特性图像进行统计操作，得到每幅原始的无失真图像的去均值归一化图像对应的水平方向相似度特性图像的直方图统计特征向量，并作为每幅原始的无失真图像的去均值归一化图像的自相似度水平方向向量，将{Hk,org,sim,q(x,y)}的直方图统计特征向量记为Hk,org,sim,q,hist，并将Hk,org,sim,q,hist作为{Ck,org(x,y)}的自相似度水平方向向量；其中，Hk,org,sim,q(x,y)表示{Hk,org,sim,q(x,y)}中坐标位置为(x,y)的像素点的像素值，量化处理所采用的量化步长大于0且小于1，Hk,org,sim,q,hist的维数为1×m'维。
同样，对每幅原始的无失真图像的去均值归一化图像与其垂直方向信息图像之间的自相似度图像进行量化处理，得到每幅原始的无失真图像的去均值归一化图像对应的垂直方向相似度特性图像，将{Vk,org,sim(x,y)}经量化处理后得到的{Ck,org(x,y)}对应的垂直方向相似度特性图像记为{Vk,org,sim,q(x,y)}；然后采用现有的直方图统计方法对每幅原始的无失真图像的去均值归一化图像对应的垂直方向相似度特性图像进行统计操作，得到每幅原始的无失真图像的去均值归一化图像对应的垂直方向相似度特性图像的直方图统计特征向量，并作为每幅原始的无失真图像的去均值归一化图像的自相似度垂直方向向量，将{Vk,org,sim,q(x,y)}的直方图统计特征向量记为Vk,org,sim,q,hist，并将Vk,org,sim,q,hist作为{Ck,org(x,y)}的自相似度垂直方向向量；其中，Vk,org,sim,q(x,y)表示{Vk,org,sim,q(x,y)}中坐标位置为(x,y)的像素点的像素值，量化处理所采用的量化步长大于0且小于1，Vk,org,sim,q,hist的维数为1×m'维。
对每幅原始的无失真图像的去均值归一化图像与其主对角线方向信息图像之间的自相似度图像进行量化处理，得到每幅原始的无失真图像的去均值归一化图像对应的主对角线方向相似度特性图像，将{Dk,org,sim(x,y)}经量化处理后得到的{Ck,org(x,y)}对应的主对角线方向相似度特性图像记为{Dk,org,sim,q(x,y)}；然后采用现有的直方图统计方法对每幅原始的无失真图像的去均值归一化图像对应的主对角线方向相似度特性图像进行统计操作，得到每幅原始的无失真图像的去均值归一化图像对应的主对角线方向相似度特性图像的直方图统计特征向量，并作为每幅原始的无失真图像的去均值归一化图像的自相似度主对角线方向向量，将{Dk,org,sim,q(x,y)}的直方图统计特征向量记为Dk,org,sim,q,hist，并将Dk,org,sim,q,hist作为{Ck,org(x,y)}的自相似度主对角线方向向量；其中，Dk,org,sim,q(x,y)表示{Dk,org,sim,q(x,y)}中坐标位置为(x,y)的像素点的像素值，量化处理所采用的量化步长大于0且小于1，Dk,org,sim,q,hist的维数为1×m'维。
对每幅原始的无失真图像的去均值归一化图像与其副对角线方向信息图像之间的自相似度图像进行量化处理，得到每幅原始的无失真图像的去均值归一化图像对应的副对角线方向相似度特性图像，将经量化处理后得到的{Ck,org(x,y)}对应的副对角线方向相似度特性图像记为然后采用现有的直方图统计方法对每幅原始的无失真图像的去均值归一化图像对应的副对角线方向相似度特性图像进行统计操作，得到每幅原始的无失真图像的去均值归一化图像对应的副对角线方向相似度特性图像的直方图统计特征向量，并作为每幅原始的无失真图像的去均值归一化图像的自相似度副对角线方向向量，将的直方图统计特征向量记为并将作为{Ck,org(x,y)}的自相似度副对角线方向向量；其中，表示中坐标位置为(x,y)的像素点的像素值，量化处理所采用的量化步长大于0且小于1，的维数为1×m'维。
在此具体实施例中，步骤①_7中量化处理所采用的量化步长为0.1。
①_8、计算K幅原始的无失真图像的去均值归一化图像的纹理信息向量的均值向量、K幅原始的无失真图像的去均值归一化图像的水平方向信息向量的均值向量、K幅原始的无失真图像的去均值归一化图像的垂直方向信息向量的均值向量、K幅原始的无失真图像的去均值归一化图像的主对角线方向信息向量的均值向量、K幅原始的无失真图像的去均值归一化图像的副对角线方向信息向量的均值向量、K幅原始的无失真图像的去均值归一化图像的局部水平方向向量的均值向量、K幅原始的无失真图像的去均值归一化图像的局部垂直方向向量的均值向量、K幅原始的无失真图像的去均值归一化图像的局部主对角线方向向量的均值向量、K幅原始的无失真图像的去均值归一化图像的局部副对角线方向向量的均值向量、K幅原始的无失真图像的去均值归一化图像的自相似度水平方向向量的均值向量、K幅原始的无失真图像的去均值归一化图像的自相似度垂直方向向量的均值向量、K幅原始的无失真图像的去均值归一化图像的自相似度主对角线方向向量的均值向量、K幅原始的无失真图像的去均值归一化图像的自相似度副对角线方向向量的均值向量；然后将计算得到的13个均值向量作为输入参数，输入到现有的高斯分布模型中，得到K幅原始的无失真图像对应的无失真高斯分布模型。
所述的测试阶段包括以下步骤：
②_1、对于任意一幅宽度为W且高度为H的失真图像，将该失真图像作为待评价的失真图像，记为{Rdis(x,y)}；然后对{Rdis(x,y)}进行去均值归一化操作，得到{Rdis(x,y)}的去均值归一化图像，记为{Cdis(x,y)}，将{Cdis(x,y)}中坐标位置为(x,y)的像素点的像素值记为Cdis(x,y)；其中，Rdis(x,y)表示{Rdis(x,y)}中坐标位置为(x,y)的像素点的像素值，1≤x≤W,1≤y≤H。
在此具体实施例中，步骤②_1中其中，μdis表示{Rdis(x,y)}中的所有像素点的像素值的均值，σdis表示{Rdis(x,y)}中的所有像素点的像素值的方差。
②_2、将{Cdis(x,y)}输入到现有的零均值广义分布模型中，得到{Cdis(x,y)}的模型分布控制参数和方差控制参数，对应记为αdis和βdis；然后将αdis和βdis按序排列构成{Cdis(x,y)}的纹理信息向量。
②_3、对{Cdis(x,y)}分别进行水平方向、垂直方向、主对角线方向和副对角线方向的滤波，对应得到{Cdis(x,y)}的水平方向信息图像、垂直方向信息图像、主对角线方向信息图像和副对角线方向信息图像，对应记为{Hdis(x,y)}、{Vdis(x,y)}、{Ddis(x,y)}和将{Hdis(x,y)}中坐标位置为(x,y)的像素点的像素值记为Hdis(x,y)，将{Vdis(x,y)}中坐标位置为(x,y)的像素点的像素值记为Vdis(x,y)，将{Ddis(x,y)}中坐标位置为(x,y)的像素点的像素值记为Ddis(x,y)，将中坐标位置为(x,y)的像素点的像素值记为
在此具体实施例中，步骤②_3中Hdis(x,y)＝Cdis(x,y)×Cdis(x,y+1)，Vdis(x,y)＝Cdis(x,y)×Cdis(x+1,y)，Ddis(x,y)＝Cdis(x,y)×Cdis(x+1,y+1)，其中，若1≤y+1≤H，则Cdis(x,y+1)表示{Cdis(x,y)}中坐标位置为(x,y+1)的像素点的像素值，若y+1>H，则令Cdis(x,y+1)＝Cdis(x,H)，Cdis(x,H)表示{Cdis(x,y)}中坐标位置为(x,H)的像素点的像素值；若1≤x+1≤W，则Cdis(x+1,y)表示{Cdis(x,y)}中坐标位置为(x+1,y)的像素点的像素值，若x+1>W，则令Cdis(x+1,y)＝Cdis(W,y)，Cdis(W,y)表示{Cdis(x,y)}中坐标位置为(W,y)的像素点的像素值；若1≤x+1≤W且1≤y+1≤H，则Cdis(x+1,y+1)表示{Cdis(x,y)}中坐标位置为(x+1,y+1)的像素点的像素值，若x+1>W且1≤y+1≤H，则令Cdis(x+1,y+1)＝Cdis(W,y+1)，若1≤x+1≤W且y+1>H，则令Cdis(x+1,y+1)＝Cdis(x+1,H)，若x+1>W且y+1>H，则令Cdis(x+1,y+1)＝Cdis(W,H)，Cdis(W,y+1)、Cdis(x+1,H)和Cdis(W,H)对应表示{Cdis(x,y)}中坐标位置为(W,y+1)、(x+1,H)和(W,H)的像素点的像素值；若1≤x+1≤W且1≤y-1≤H，则Cdis(x+1,y-1)表示{Cdis(x,y)}中坐标位置为(x+1,y-1)的像素点的像素值，若x+1>W且1≤y-1≤H，则令Cdis(x+1,y-1)＝Cdis(W,y-1)，若1≤x+1≤W且y-1<1，则令Cdis(x+1,y-1)＝Cdis(x+1,1)，若x+1>W且y-1<1，则令Cdis(x+1,y-1)＝Cdis(W,1)，Cdis(W,y-1)、Cdis(x+1,1)和Cdis(W,1)对应表示{Cdis(x,y)}中坐标位置为(W,y-1)、(x+1,1)和(W,1)的像素点的像素值；上述，Cdis(x,y+1)＝Cdis(x,H)、Cdis(x+1,y)＝Cdis(W,y)、Cdis(x+1,y+1)＝Cdis(W,y+1)、Cdis(x+1,y+1)＝Cdis(x+1,H)、Cdis(x+1,y+1)＝Cdis(W,H)、Cdis(x+1,y-1)＝Cdis(W,y-1)、Cdis(x+1,y-1)＝Cdis(x+1,1)和Cdis(x+1,y-1)＝Cdis(W,1)中的“＝”均为赋值符号。
②_4、将{Hdis(x,y)}输入到现有的非对称广义高斯分布模型中，得到{Hdis(x,y)}的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数，对应记为和然后将和按序排列构成{Cdis(x,y)}的水平方向信息向量。
同样，将{Vdis(x,y)}输入到现有的非对称广义高斯分布模型中，得到{Vdis(x,y)}的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数，对应记为和然后将和按序排列构成{Cdis(x,y)}的垂直方向信息向量。
将{Ddis(x,y)}输入到现有的非对称广义高斯分布模型中，得到{Ddis(x,y)}的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数，对应记为和然后将和按序排列构成{Cdis(x,y)}的主对角线方向信息向量。
将输入到现有的非对称广义高斯分布模型中，得到的模型扩散参数、模型左方差参数、模型右方差参数和模型均值参数，对应记为和然后将和按序排列构成{Cdis(x,y)}的副对角线方向信息向量。
②_5、对{Hdis(x,y)}进行旋转不变的局部二值化操作，得到{Cdis(x,y)}的局部水平方向向量，记为其中，的维数为1×m'维。
同样，对{Vdis(x,y)}进行旋转不变的局部二值化操作，得到{Cdis(x,y)}的局部垂直方向向量，记为其中，的维数为1×m'维。
对{Ddis(x,y)}进行旋转不变的局部二值化操作，得到{Cdis(x,y)}的局部主对角线方向向量，记为其中，的维数为1×m'维。
对进行旋转不变的局部二值化操作，得到{Cdis(x,y)}的局部副对角线方向向量，记为其中，的维数为1×m'维。
②_6、计算{Cdis(x,y)}与{Hdis(x,y)}之间的自相似度图像，记为{Hdis,sim(x,y)}，将{Hdis,sim(x,y)}中坐标位置为(x,y)的像素点的像素值记为Hdis,sim(x,y)；同样，计算{Cdis(x,y)}与{Vdis(x,y)}之间的自相似度图像，记为{Vdis,sim(x,y)}，将{Vdis,sim(x,y)}中坐标位置为(x,y)的像素点的像素值记为Vdis,sim(x,y)；计算{Cdis(x,y)}与{Ddis(x,y)}之间的自相似度图像，记为{Ddis,sim(x,y)}，将{Ddis,sim(x,y)}中坐标位置为(x,y)的像素点的像素值记为Ddis,sim(x,y)；计算{Cdis(x,y)}与之间的自相似度图像，记为将中坐标位置为(x,y)的像素点的像素值记为
在此具体实施例中，步骤②_6中其中，C为控制参数，在本实施例中取C＝0.085。
②_7、对{Hdis,sim(x,y)}进行量化处理，得到{Cdis(x,y)}对应的水平方向相似度特性图像，记为{Hdis,sim,q(x,y)}；然后采用现有的直方图统计方法对{Hdis,sim,q(x,y)}进行统计操作，得到{Hdis,sim,q(x,y)}的直方图统计特征向量，记为Hdis,sim,q,hist，并将Hdis,sim,q,hist作为{Cdis(x,y)}的自相似度水平方向向量；其中，Hdis,sim,q(x,y)表示{Hdis,sim,q(x,y)}中坐标位置为(x,y)的像素点的像素值，量化处理所采用的量化步长大于0且小于1，Hdis,sim,q,hist的维数为1×m'维。
同样，对{Vdis,sim(x,y)}进行量化处理，得到{Cdis(x,y)}对应的垂直方向相似度特性图像，记为{Vdis,sim,q(x,y)}；然后采用现有的直方图统计方法对{Vdis,sim,q(x,y)}进行统计操作，得到{Vdis,sim,q(x,y)}的直方图统计特征向量，记为Vdis,sim,q,hist，并将Vdis,sim,q,hist作为{Cdis(x,y)}的自相似度垂直方向向量；其中，Vdis,sim,q(x,y)表示{Vdis,sim,q(x,y)}中坐标位置为(x,y)的像素点的像素值，量化处理所采用的量化步长大于0且小于1，Vdis,sim,q,hist的维数为1×m'维。
对{Ddis,sim(x,y)}进行量化处理，得到{Cdis(x,y)}对应的主对角线方向相似度特性图像，记为{Ddis,sim,q(x,y)}；然后采用现有的直方图统计方法对{Ddis,sim,q(x,y)}进行统计操作，得到{Ddis,sim,q(x,y)}的直方图统计特征向量，记为Ddis,sim,q,hist，并将Ddis,sim,q,hist作为{Cdis(x,y)}的自相似度主对角线方向向量；其中，Ddis,sim,q(x,y)表示{Ddis,sim,q(x,y)}中坐标位置为(x,y)的像素点的像素值，量化处理所采用的量化步长大于0且小于1，Ddis,sim,q,hist的维数为1×m'维。
对进行量化处理，得到{Cdis(x,y)}对应的副对角线方向相似度特性图像，记为然后采用现有的直方图统计方法对进行统计操作，得到的直方图统计特征向量，记为并将作为{Cdis(x,y)}的自相似度副对角线方向向量；其中，表示中坐标位置为(x,y)的像素点的像素值，量化处理所采用的量化步长大于0且小于1，的维数为1×m'维。
在此具体实施例中，步骤②_7中量化处理所采用的量化步长为0.1。
②_8、将{Cdis(x,y)}的纹理信息向量、水平方向信息向量、垂直方向信息向量、主对角线方向信息向量、副对角线方向信息向量、局部水平方向向量、局部垂直方向向量、局部主对角线方向向量、局部副对角线方向向量、自相似度水平方向向量、自相似度垂直方向向量、自相似度主对角线方向向量、自相似度副对角线方向向量作为输入参数，输入到现有的高斯分布模型中，得到{Rdis(x,y)}对应的失真高斯分布模型。
②_9、采用现有的马氏距离公式衡量步骤①_8得到的K幅原始的无失真图像对应的无失真高斯分布模型与步骤②_8得到的{Rdis(x,y)}对应的失真高斯分布模型之间的误差，将衡量得到的误差作为{Rdis(x,y)}的质量客观评价预测值。
为验证本发明方法的可行性和有效性，进行实验。
在此，采用LIVE图像库来分析利用本发明方法得到的失真图像的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反映失真图像的客观评价结果的准确性，SROCC反映其单调性。
利用本发明方法计算LIVE图像库中的每幅失真图像的质量客观评价预测值，再利用现有的主观评价方法获得LIVE图像库中的每幅失真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图像的质量客观评价预测值做五参数Logistic函数非线性拟合，PLCC和SROCC值越高，RMSE值越低说明按本发明方法计算得到的失真图像的质量客观评价预测值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图像的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可行性和有效性。
表1利用本发明方法得到的失真图像的质量客观评价预测值与平均主观评分差值之间的相关性