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立体图像质量评价方法。
背景技术：
随着图像编码和显示等技术的迅速发展，图像质量评价研究已经成为其中非常重要的环节。图像质量客观评价方法研究的目标是与主观评价结果尽可能保持一致，从而摆脱耗时而枯燥的图像质量主观评价方法，其能够利用计算机自动地评价图像质量。根据对原始图像的参考和依赖程度，图像质量客观评价方法可以分为三大类：全参考(fullreference，fr)图像质量评价方法、部分参考(reducedreference，rr)图像质量评价方法和无参考(noreference，nr)图像质量评价方法。
无参考图像质量评价方法由于无需任何参考图像信息，具有较高的灵活性，因此受到了越来越广泛的关注。目前，现有的无参考图像质量评价方法是通过机器学习来预测评价模型的，但其计算复杂度较高，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。稀疏表示是评价图像质量的有效途径，关键在于如何有效地构造字典来表征图像的本质特征，而对于立体图像，左视点图像和右视点图像的对称和非对称会导致不同的双目视觉特性，因此，如何使得构造的字典具有可辨别性、如何在图像特征和图像质量的字典之间建立联系，都是在对立体图像进行无参考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无参考立体图像质量评价方法，其能够有效地提高客观评价结果与主观感知之间的相关性，且无需预知各评价图像的主观评价值。
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；
所述的训练阶段过程的具体步骤如下：
①_1、选取n幅宽度为w且高度为h的原始的无失真立体图像，将第u幅原始的无失真立体图像记为将的左视点图像和右视点图像对应记为和然后获取每幅原始的无失真立体图像的独眼图，将的独眼图记为接着对每幅原始的无失真立体图像的左视点图像和右视点图像及每幅原始的无失真立体图像的独眼图分别进行l个不同失真强度的失真，将所有原始的无失真立体图像的左视点图像及各自对应的l个失真强度的失真左视点图像构成第一组训练图像集，记为并将所有原始的无失真立体图像的右视点图像及各自对应的l个失真强度的失真右视点图像构成第二组训练图像集，记为将所有原始的无失真立体图像的独眼图及各自对应的l个失真强度的失真独眼图构成第三组训练图像集，记为其中，n>1，1≤u≤n，l>1，1≤v≤l，表示对应的第v个失真强度的失真左视点图像，表示对应的第v个失真强度的失真右视点图像，表示对应的第v个失真强度的失真独眼图；
①_2、将中的每幅失真左视点图像划分成个互不重叠的尺寸大小为16×16的子块；然后采用两种不同的自然场景统计方法获取中的每幅失真左视点图像中的每个子块的图像特征矢量，将中的所有失真左视点图像中的第k个子块的图像特征矢量记为再将中的所有失真左视点图像中的所有子块各自的图像特征矢量构成的集合记为
并将中的每幅失真右视点图像划分成个互不重叠的尺寸大小为16×16的子块；然后采用两种不同的自然场景统计方法获取中的每幅失真右视点图像中的每个子块的图像特征矢量，将中的所有失真右视点图像中的第k个子块的图像特征矢量记为再将中的所有失真右视点图像中的所有子块各自的图像特征矢量构成的集合记为
将中的每幅失真独眼图划分成个互不重叠的尺寸大小为16×16的子块；然后采用两种不同的自然场景统计方法获取中的每幅失真独眼图中的每个子块的图像特征矢量，将中的所有失真独眼图中的第k个子块的图像特征矢量记为再将中的所有失真独眼图中的所有子块各自的图像特征矢量构成的集合记为
其中，1≤k≤m，和的维数均为72×1；
①_3、采用六种不同的全参考图像质量评价方法分别获取中的每幅失真左视点图像中的每个子块的客观评价预测值；然后将中的每幅失真左视点图像中的每个子块的6个客观评价预测值按序组成该子块的图像质量矢量，将中的所有失真左视点图像中的第k个子块的6个客观评价预测值按序组成的图像质量矢量记为再将中的所有失真左视点图像中的所有子块各自的图像质量矢量构成的集合记为
并采用六种不同的全参考图像质量评价方法分别获取中的每幅失真右视点图像中的每个子块的客观评价预测值；然后将中的每幅失真右视点图像中的每个子块的6个客观评价预测值按序组成该子块的图像质量矢量，将中的所有失真右视点图像中的第k个子块的6个客观评价预测值按序组成的图像质量矢量记为再将中的所有失真右视点图像中的所有子块各自的图像质量矢量构成的集合记为
采用六种不同的全参考图像质量评价方法分别获取中的每幅失真独眼图中的每个子块的客观评价预测值；然后将中的每幅失真独眼图中的每个子块的6个客观评价预测值按序组成该子块的图像质量矢量，将中的所有失真独眼图中的第k个子块的6个客观评价预测值按序组成的图像质量矢量记为再将中的所有失真独眼图中的所有子块各自的图像质量矢量构成的集合记为
其中，和的维数均为6×1；
①_4、采用k-svd方法对由和构成的集合进行联合字典训练操作，构造得到和各自的图像特征字典表和图像质量字典表，将的图像特征字典表和图像质量字典表对应记为dl和wl，将的图像特征字典表和图像质量字典表对应记为dr和wr，将的图像特征字典表和图像质量字典表对应记为dc和wc；其中，dl、dr和dc的维数均为72×k，wl、wr和wc的维数均为6×k，k表示设定的字典的个数，k≥1；
所述的测试阶段过程的具体步骤如下：
②_1、对于任意一幅宽度为w'且高度为h'的测试失真立体图像stest，将stest的左视点图像和右视点图像对应记为ltest和rtest；然后获取stest的独眼图，记为ctest；接着将ltest、rtest和ctest分别划分成个互不重叠的尺寸大小为16×16的子块；
②_2、按照步骤①_2中获取和的过程，以相同的操作获取ltest、rtest和ctest各自中的每个子块的图像特征矢量，将ltest中的第t个子块的图像特征矢量记为将rtest中的第t个子块的图像特征矢量记为将ctest中的第t个子块的图像特征矢量记为然后将ltest中的所有子块各自的图像特征矢量构成的集合记为并将rtest中的所有子块各自的图像特征矢量构成的集合记为将ctest中的所有子块各自的图像特征矢量构成的集合记为其中，和的维数均为72×1；
②_3、根据在训练阶段过程构造得到的dl、dr和dc，通过联合优化得到和各自中的每个图像特征矢量的稀疏系数矩阵，将中的第t个图像特征矢量的稀疏系数矩阵记为将中的第t个图像特征矢量的稀疏系数矩阵记为将中的第t个图像特征矢量的稀疏系数矩阵记为和是通过求解得到的；再将中的所有图像特征矢量的稀疏系数矩阵构成的集合记为将中的所有图像特征矢量的稀疏系数矩阵构成的集合记为将中的所有图像特征矢量的稀疏系数矩阵构成的集合记为其中，和的维数均为k×1，min()为取最小值函数，符号“||||f”为求取矩阵的弗罗贝尼乌斯-范数符号；
②_4、根据在训练阶段过程构造得到的wl，估计ltest中的每个子块的图像质量矢量，将ltest中的第t个子块的图像质量矢量记为并根据在训练阶段过程构造得到的wr，估计rtest中的每个子块的图像质量矢量，将rtest中的第t个子块的图像质量矢量记为根据在训练阶段过程构造得到的wc，估计ctest中的每个子块的图像质量矢量，将ctest中的第t个子块的图像质量矢量记为其中，和的维数均为6×1；
②_5、计算ltest的图像质量客观评价预测值，记为ql，并计算rtest的图像质量客观评价预测值，记为qr，计算ctest的图像质量客观评价预测值，记为qc，其中，表示ltest中的第t个子块中的所有像素点的像素值的标准差，表示rtest中的第t个子块中的所有像素点的像素值的标准差，表示ctest中的第t个子块中的所有像素点的像素值的标准差，符号“||||1”为求取矩阵的1-范数符号；
②_6、根据和中的所有图像特征矢量的稀疏系数矩阵，获取ltest、rtest和ctest各自的权重系数，对应记为和然后计算stest的图像质量客观评价预测值，记为q，
所述的步骤①_2中的的获取过程为：采用brisque方法获取中的所有失真左视点图像中的第k个子块的第一图像特征矢量，并采用lbp方法获取中的所有失真左视点图像中的第k个子块的第二图像特征矢量，其中，第一图像特征矢量和第二图像特征矢量的维数均为36×1；然后将中的所有失真左视点图像中的第k个子块的第一图像特征矢量和第二图像特征矢量按序组合成
所述的步骤①_2中的的获取过程为：采用brisque方法获取中的所有失真右视点图像中的第k个子块的第一图像特征矢量，并采用lbp方法获取中的所有失真右视点图像中的第k个子块的第二图像特征矢量，其中，第一图像特征矢量和第二图像特征矢量的维数均为36×1；然后将中的所有失真右视点图像中的第k个子块的第一图像特征矢量和第二图像特征矢量按序组合成
所述的步骤①_2中的的获取过程为：采用brisque方法获取中的所有失真独眼图中的第k个子块的第一图像特征矢量，并采用lbp方法获取中的所有失真独眼图中的第k个子块的第二图像特征矢量，其中，第一图像特征矢量和第二图像特征矢量的维数均为36×1；然后将中的所有失真独眼图中的第k个子块的第一图像特征矢量和第二图像特征矢量按序组合成
所述的步骤①_3中采用的六种不同的全参考图像质量评价方法分别为psnr、ssim、pc、gm、vif和uqi全参考图像质量评价方法。
所述的步骤①_4中的dl、dr、dc、wl、wr和wc是采用k-svd方法求解得到的，其中，min()为取最小值函数，符号“||||f”为求取矩阵的弗罗贝尼乌斯-范数符号，符号“||||1”为求取矩阵的1-范数符号，xl、xr和xc的维数均为72×m，表示中的所有失真左视点图像中的第1个子块的图像特征矢量，表示中的所有失真左视点图像中的第m个子块的图像特征矢量，表示中的所有失真右视点图像中的第1个子块的图像特征矢量，表示中的所有失真右视点图像中的第m个子块的图像特征矢量，表示中的所有失真独眼图中的第1个子块的图像特征矢量，表示中的所有失真独眼图中的第m个子块的图像特征矢量，yl、yr和yc的维数均为6×m，表示中的所有失真左视点图像中的第1个子块的6个客观评价预测值按序组成的图像质量矢量，表示中的所有失真左视点图像中的第m个子块的6个客观评价预测值按序组成的图像质量矢量，表示中的所有失真右视点图像中的第1个子块的6个客观评价预测值按序组成的图像质量矢量，表示中的所有失真右视点图像中的第m个子块的6个客观评价预测值按序组成的图像质量矢量，表示中的所有失真独眼图中的第1个子块的6个客观评价预测值按序组成的图像质量矢量，表示中的所有失真独眼图中的第m个子块的6个客观评价预测值按序组成的图像质量矢量，al、ar和ac均为稀疏矩阵，al、ar和ac的维数均为k×m，为al中的第1个列向量，为al中的第k个列向量，为al中的第m个列向量，为ar中的第1个列向量，为ar中的第k个列向量，为ar中的第m个列向量，为ac中的第1个列向量，为ac中的第k个列向量，为ac中的第m个列向量，和的维数均为k×1，符号“[]”为矢量表示符号，α为加权参数，λ为拉格朗日参数。
所述的步骤②_6中的和的获取过程为：
a1、计算中的所有图像特征矢量的稀疏系数矩阵的直方图，记为
并计算中的所有图像特征矢量的稀疏系数矩阵的直方图，记为
计算中的所有图像特征矢量的稀疏系数矩阵的直方图，记为
其中，1≤g≤k，p表示中的直方图节点的总数，亦表示中的直方图节点的总数，亦表示中的直方图节点的总数，log()表示以2为底的对数函数，1≤p≤p，表示中属于第g个字典分量的概率密度函数，表示中属于第g个字典分量的概率密度函数，表示中属于第g个字典分量的概率密度函数，表示中属于第p个直方图节点的概率密度函数，表示中属于第p个直方图节点的概率密度函数，表示中属于第p个直方图节点的概率密度函数，表示中的第g个字典分量经量化后的系数值，表示中的第g个字典分量经量化后的系数值，表示中的第g个字典分量经量化后的系数值，
a2、计算和中的所有图像特征矢量的稀疏系数矩阵的联合直方图，记为其中，p亦表示中的直方图节点的总数，1≤p1≤p，1≤p2≤p，表示和中属于第g个字典分量的联合概率密度函数，表示中属于第p1个直方图节点和第p2个直方图节点的联合概率密度函数，
a3、计算ltest、rtest和ctest各自的独立熵，对应记为h(ltest)、h(rtest)和h(ctest)，然后计算ltest和rtest的联合熵，记为h(ltest,rtest)，
a4、计算ltest、rtest和ctest各自的权重系数，对应为和
与现有技术相比，本发明的优点在于：
1)本发明方法在训练阶段，通过联合字典训练分别得到所有原始的无失真立体图像的左视点图像及各自对应的不同失真强度的失真左视点图像构成的第一组训练图像集、所有原始的无失真立体图像的右视点图像及各自对应的不同失真强度的失真右视点图像构成的第二组训练图像集、所有原始的无失真立体图像的独眼图及各自对应的不同失真强度的失真独眼图构成的第三组训练图像集各自的图像特征字典表和图像质量字典表；在测试阶段不需要再计算图像特征字典表和图像质量字典表，这样避免了复杂的机器学习训练过程，并且无需预知各测试失真立体图像的主观评价值，使得本发明方法适用于实际的应用场合。
2)本发明方法在测试阶段，根据在训练阶段构造得到的第一组训练图像集、第二组训练图像集和第三组训练图像集各自的图像特征字典表，通过联合优化得到测试失真立体图像的左视点图像、右视点图像和独眼图各自中的每个子块的图像特征矢量的稀疏系数矩阵；并通过测试失真立体图像的左视点图像中的每个子块的图像特征矢量的稀疏系数矩阵和第一组训练图像集的图像质量字典表，来获得测试失真立体图像的左视点图像中的每个子块的图像质量矢量，从而获得测试失真立体图像的左视点图像的图像质量客观评价预测值；通过测试失真立体图像的右视点图像中的每个子块的图像特征矢量的稀疏系数矩阵和第二组训练图像集的图像质量字典表，来获得测试失真立体图像的右视点图像中的每个子块的图像质量矢量，从而获得测试失真立体图像的右视点图像的图像质量客观评价预测值；通过测试失真立体图像的独眼图中的每个子块的图像特征矢量的稀疏系数矩阵和第三组训练图像集的图像质量字典表，来获得测试失真立体图像的独眼图中的每个子块的图像质量矢量，从而获得测试失真立体图像的独眼图的图像质量客观评价预测值；再考虑到左视点图像、右视点图像和独眼图各自的权重系数，来获得测试失真立体图像的图像质量客观评价预测值，得到的客观评价结果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。
所述的训练阶段过程的具体步骤如下：
①_1、选取n幅宽度为w且高度为h的原始的无失真立体图像，将第u幅原始的无失真立体图像记为将的左视点图像和右视点图像对应记为和然后采用现有的技术获取每幅原始的无失真立体图像的独眼图，将的独眼图记为接着对每幅原始的无失真立体图像的左视点图像和右视点图像及每幅原始的无失真立体图像的独眼图分别进行l个不同失真强度的失真，将所有原始的无失真立体图像的左视点图像及各自对应的l个失真强度的失真左视点图像构成第一组训练图像集，记为并将所有原始的无失真立体图像的右视点图像及各自对应的l个失真强度的失真右视点图像构成第二组训练图像集，记为将所有原始的无失真立体图像的独眼图及各自对应的l个失真强度的失真独眼图构成第三组训练图像集，记为其中，n>1，在本实施例中取n＝200，1≤u≤n，l>1，在本实施例中取l＝5，1≤v≤l，表示对应的第v个失真强度的失真左视点图像，表示对应的第v个失真强度的失真右视点图像，表示对应的第v个失真强度的失真独眼图，符号“{}”为集合表示符号。
①_2、将中的每幅失真左视点图像划分成个互不重叠的尺寸大小为16×16的子块；然后采用现有的两种不同的自然场景统计(naturalscenestatistics)方法获取中的每幅失真左视点图像中的每个子块的图像特征矢量，将中的所有失真左视点图像中的第k个子块的图像特征矢量记为再将中的所有失真左视点图像中的所有子块各自的图像特征矢量构成的集合记为
并将中的每幅失真右视点图像划分成个互不重叠的尺寸大小为16×16的子块；然后采用现有的两种不同的自然场景统计(naturalscenestatistics)方法获取中的每幅失真右视点图像中的每个子块的图像特征矢量，将中的所有失真右视点图像中的第k个子块的图像特征矢量记为再将中的所有失真右视点图像中的所有子块各自的图像特征矢量构成的集合记为
将中的每幅失真独眼图划分成个互不重叠的尺寸大小为16×16的子块；然后采用现有的两种不同的自然场景统计(naturalscenestatistics)方法获取中的每幅失真独眼图中的每个子块的图像特征矢量，将中的所有失真独眼图中的第k个子块的图像特征矢量记为再将中的所有失真独眼图中的所有子块各自的图像特征矢量构成的集合记为
其中，1≤k≤m，和的维数均为72×1。
在本实施例中，步骤①_2中的两种不同的自然场景统计方法分别为brisque(blind/referencelessimagespatialqualityevaluator)方法和lbp(localbinarypattern)方法。步骤①_2中的的获取过程为：采用brisque方法获取中的所有失真左视点图像中的第k个子块的第一图像特征矢量，并采用lbp方法获取中的所有失真左视点图像中的第k个子块的第二图像特征矢量，其中，第一图像特征矢量和第二图像特征矢量的维数均为36×1；然后将中的所有失真左视点图像中的第k个子块的第一图像特征矢量和第二图像特征矢量按序组合成步骤①_2中的的获取过程为：采用brisque方法获取中的所有失真右视点图像中的第k个子块的第一图像特征矢量，并采用lbp方法获取中的所有失真右视点图像中的第k个子块的第二图像特征矢量，其中，第一图像特征矢量和第二图像特征矢量的维数均为36×1；然后将中的所有失真右视点图像中的第k个子块的第一图像特征矢量和第二图像特征矢量按序组合成步骤①_2中的的获取过程为：采用brisque方法获取中的所有失真独眼图中的第k个子块的第一图像特征矢量，并采用lbp方法获取中的所有失真独眼图中的第k个子块的第二图像特征矢量，其中，第一图像特征矢量和第二图像特征矢量的维数均为36×1；然后将中的所有失真独眼图中的第k个子块的第一图像特征矢量和第二图像特征矢量按序组合成
①_3、采用现有的六种不同的全参考图像质量评价方法分别获取中的每幅失真左视点图像中的每个子块的客观评价预测值；然后将中的每幅失真左视点图像中的每个子块的6个客观评价预测值按序组成该子块的图像质量矢量，将中的所有失真左视点图像中的第k个子块的6个客观评价预测值按序组成的图像质量矢量记为再将中的所有失真左视点图像中的所有子块各自的图像质量矢量构成的集合记为
并采用现有的六种不同的全参考图像质量评价方法分别获取中的每幅失真右视点图像中的每个子块的客观评价预测值；然后将中的每幅失真右视点图像中的每个子块的6个客观评价预测值按序组成该子块的图像质量矢量，将中的所有失真右视点图像中的第k个子块的6个客观评价预测值按序组成的图像质量矢量记为再将中的所有失真右视点图像中的所有子块各自的图像质量矢量构成的集合记为
采用现有的六种不同的全参考图像质量评价方法分别获取中的每幅失真独眼图中的每个子块的客观评价预测值；然后将中的每幅失真独眼图中的每个子块的6个客观评价预测值按序组成该子块的图像质量矢量，将中的所有失真独眼图中的第k个子块的6个客观评价预测值按序组成的图像质量矢量记为再将中的所有失真独眼图中的所有子块各自的图像质量矢量构成的集合记为
其中，和的维数均为6×1。
在本实施例中，步骤①_3中采用的六种不同的全参考图像质量评价方法分别为公知的psnr(peaksignaltonoiseratio)、ssim(structuralsimilarityindex)、pc(phasecongruencyfromfeaturesimilarityindex)、gm(gradientmagnitudefromfeaturesimilarityindex)、vif(visualinformationfidelity)和uqi(universalqualityindex)全参考图像质量评价方法。步骤①_3中的的获取过程为：采用六种不同的全参考图像质量评价方法分别获取中的所有失真左视点图像中的第k个子块的客观评价预测值，共得到中的所有失真左视点图像中的第k个子块的6个客观评价预测值；然后将中的所有失真左视点图像中的第k个子块的6个客观评价预测值按序组合成该子块的图像质量矢量步骤①_3中的的获取过程为：采用六种不同的全参考图像质量评价方法分别获取中的所有失真右视点图像中的第k个子块的客观评价预测值，共得到中的所有失真右视点图像中的第k个子块的6个客观评价预测值；然后将中的所有失真右视点图像中的第k个子块的6个客观评价预测值按序组合成该子块的图像质量矢量步骤①_3中的的获取过程为：采用六种不同的全参考图像质量评价方法分别获取中的所有失真独眼图中的第k个子块的客观评价预测值，共得到中的所有失真独眼图中的第k个子块的6个客观评价预测值；然后将中的所有失真独眼图中的第k个子块的6个客观评价预测值按序组合成该子块的图像质量矢量
①_4、采用现有的k-svd方法对由和构成的集合进行联合字典训练操作，构造得到和各自的图像特征字典表和图像质量字典表，将的图像特征字典表和图像质量字典表对应记为dl和wl，将的图像特征字典表和图像质量字典表对应记为dr和wr，将的图像特征字典表和图像质量字典表对应记为dc和wc；其中，dl、dr和dc的维数均为72×k，wl、wr和wc的维数均为6×k，k表示设定的字典的个数，k≥1，在本实施例中取k＝256。
在此具体实施例中，步骤①_4中的dl、dr、dc、wl、wr和wc是采用现有的k-svd方法求解得到的，其中，min()为取最小值函数，符号“||||f”为求取矩阵的弗罗贝尼乌斯(frobeniu)-范数符号，符号“||||1”为求取矩阵的1-范数符号，xl、xr和xc的维数均为72×m，表示中的所有失真左视点图像中的第1个子块的图像特征矢量，表示中的所有失真左视点图像中的第m个子块的图像特征矢量，表示中的所有失真右视点图像中的第1个子块的图像特征矢量，表示中的所有失真右视点图像中的第m个子块的图像特征矢量，表示中的所有失真独眼图中的第1个子块的图像特征矢量，表示中的所有失真独眼图中的第m个子块的图像特征矢量，yl、yr和yc的维数均为6×m，表示中的所有失真左视点图像中的第1个子块的6个客观评价预测值按序组成的图像质量矢量，表示中的所有失真左视点图像中的第m个子块的6个客观评价预测值按序组成的图像质量矢量，表示中的所有失真右视点图像中的第1个子块的6个客观评价预测值按序组成的图像质量矢量，表示中的所有失真右视点图像中的第m个子块的6个客观评价预测值按序组成的图像质量矢量，表示中的所有失真独眼图中的第1个子块的6个客观评价预测值按序组成的图像质量矢量，表示中的所有失真独眼图中的第m个子块的6个客观评价预测值按序组成的图像质量矢量，al、ar和ac均为稀疏矩阵，al、ar和ac的维数均为k×m，为al中的第1个列向量，为al中的第k个列向量，为al中的第m个列向量，为ar中的第1个列向量，为ar中的第k个列向量，为ar中的第m个列向量，为ac中的第1个列向量，为ac中的第k个列向量，为ac中的第m个列向量，和的维数均为k×1，符号“[]”为矢量表示符号，α为加权参数，在本实施例中取α＝0.5，λ为拉格朗日参数，在本实施例中取λ＝0.15。
所述的测试阶段过程的具体步骤如下：
②_1、对于任意一幅宽度为w'且高度为h'的测试失真立体图像stest，将stest的左视点图像和右视点图像对应记为ltest和rtest；然后采用现有的技术获取stest的独眼图，记为ctest；接着将ltest、rtest和ctest分别划分成个互不重叠的尺寸大小为16×16的子块；其中，w'与w、h'与h可以相同，也可以不同。
②_2、按照步骤①_2中获取和的过程，以相同的操作获取ltest、rtest和ctest各自中的每个子块的图像特征矢量，将ltest中的第t个子块的图像特征矢量记为将rtest中的第t个子块的图像特征矢量记为将ctest中的第t个子块的图像特征矢量记为然后将ltest中的所有子块各自的图像特征矢量构成的集合记为并将rtest中的所有子块各自的图像特征矢量构成的集合记为将ctest中的所有子块各自的图像特征矢量构成的集合记为其中，和的维数均为72×1。
②_3、根据在训练阶段过程构造得到的dl、dr和dc，通过联合优化得到和各自中的每个图像特征矢量的稀疏系数矩阵，将中的第t个图像特征矢量的稀疏系数矩阵记为将中的第t个图像特征矢量的稀疏系数矩阵记为将中的第t个图像特征矢量的稀疏系数矩阵记为和是通过求解得到的；再将中的所有图像特征矢量的稀疏系数矩阵构成的集合记为将中的所有图像特征矢量的稀疏系数矩阵构成的集合记为将中的所有图像特征矢量的稀疏系数矩阵构成的集合记为其中，和的维数均为k×1，min()为取最小值函数，符号“||||f”为求取矩阵的弗罗贝尼乌斯(frobeniu)-范数符号。
②_4、根据在训练阶段过程构造得到的wl，估计ltest中的每个子块的图像质量矢量，将ltest中的第t个子块的图像质量矢量记为并根据在训练阶段过程构造得到的wr，估计rtest中的每个子块的图像质量矢量，将rtest中的第t个子块的图像质量矢量记为根据在训练阶段过程构造得到的wc，估计ctest中的每个子块的图像质量矢量，将ctest中的第t个子块的图像质量矢量记为其中，和的维数均为6×1。
②_5、计算ltest的图像质量客观评价预测值，记为ql，并计算rtest的图像质量客观评价预测值，记为qr，计算ctest的图像质量客观评价预测值，记为qc，其中，表示ltest中的第t个子块中的所有像素点的像素值的标准差，表示rtest中的第t个子块中的所有像素点的像素值的标准差，表示ctest中的第t个子块中的所有像素点的像素值的标准差，符号“||||1”为求取矩阵的1-范数符号。
②_6、根据和中的所有图像特征矢量的稀疏系数矩阵，获取ltest、rtest和ctest各自的权重系数，对应记为和然后计算stest的图像质量客观评价预测值，记为q，
在此具体实施例中，步骤②_6中的和的获取过程为：
a1、计算中的所有图像特征矢量的稀疏系数矩阵的直方图，记为
并计算中的所有图像特征矢量的稀疏系数矩阵的直方图，记为
计算中的所有图像特征矢量的稀疏系数矩阵的直方图，记为
其中，1≤g≤k，p表示中的直方图节点的总数，亦表示中的直方图节点的总数，亦表示中的直方图节点的总数，在本实施例中取p＝50，log()表示以2为底的对数函数，1≤p≤p，表示中属于第g个字典分量的概率密度函数，表示中属于第g个字典分量的概率密度函数，表示中属于第g个字典分量的概率密度函数，表示中属于第p个直方图节点的概率密度函数，表示中属于第p个直方图节点的概率密度函数，表示中属于第p个直方图节点的概率密度函数，表示中的第g个字典分量经量化后的系数值，表示中的第g个字典分量经量化后的系数值，表示中的第g个字典分量经量化后的系数值，
a2、计算和中的所有图像特征矢量的稀疏系数矩阵的联合直方图，记为其中，p亦表示中的直方图节点的总数，1≤p1≤p，1≤p2≤p，表示和中属于第g个字典分量的联合概率密度函数，表示中属于第p1个直方图节点和第p2个直方图节点的联合概率密度函数，
a3、计算ltest、rtest和ctest各自的独立熵，对应记为h(ltest)、h(rtest)和h(ctest)，然后计算ltest和rtest的联合熵，记为h(ltest,rtest)，
a4、计算ltest、rtest和ctest各自的权重系数，对应为和
在此，采用宁波大学立体图像库、live立体图像质量评价库i和live立体图像质量评价库ii来分析本实施例得到的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。取宁波大学立体图像库由12幅无失真立体图像在不同失真程度的jpeg压缩情况下的60幅失真立体图像、jpeg2000压缩情况下的60幅失真立体图像、高斯模糊情况下的60幅失真立体图像和高斯白噪声情况下的60幅失真立体图像。取live立体图像质量评价库i中由20幅无失真立体图像在不同失真程度的jpeg压缩情况下的80幅失真立体图像、jpeg2000压缩情况下的80幅失真立体图像、高斯模糊情况下的45幅失真立体图像和高斯白噪声情况下的80幅失真立体图像。取live立体图像质量评价库ii中由8幅无失真立体图像在不同失真程度的jpeg压缩情况下的72幅失真立体图像、jpeg2000压缩情况下的72幅失真立体图像、高斯模糊情况下的72幅失真立体图像和高斯白噪声情况下的72幅失真立体图像。这里，利用评估图像质量评价方法的2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，srocc)，plcc反映失真立体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宁波大学立体图像库、live立体图像质量评价库i和live立体图像质量评价库ii中的每幅失真立体图像的图像质量客观评价预测值，再利用现有的主观质量评价方法获得宁波大学立体图像库、live立体图像质量评价库i和live立体图像质量评价库ii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图像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，说明客观评价结果与平均主观评分差值之间的相关性越好。表1给出了采用本发明方法得到的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pearson相关系数，表2给出了采用本发明方法得到的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spearman相关系数。从表1和表2中可以看出，采用本发明方法得到的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是很高的，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利用本发明方法得到的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pearson相关系数比较
表2利用本发明方法得到的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spearman相关系数比较