的双目竞争能量、双目竞争方差和双目竞争 熵，因此充分考虑到了立体视觉感知特性，有效地提高了客观评价结果与主观感知之间的 相关性。
[0031] 2)本发明方法通过无监督学习方式构造无失真高斯分布模型和失真高斯分布模 型，这样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 不需要预知各训练失真立体图像及其主观评价值，因此更加适用于实际的应用场合。
【附图说明】
[0032] 图1为本发明方法的总体实现框图。
【具体实施方式】
[0033] 以下结合附图实施例对本发明作进一步详细描述。
[0034] 本发明提出的一种基于双目竞争的全盲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；在训练阶段中，对原始的无失真立体图像的左视 点图像和右视点图像分别实施Iog-Gabor滤波，并对左视点图像和右视点图像各自的幅值 图像进行非重叠的分子块处理；然后计算左视点图像和右视点图像各自的幅值图像中的各 个子块的能量、方差和熵；接着根据双目竞争原理，对左视点图像和右视点图像各自的幅值 图像中对应坐标位置的子块的能量、方差和熵进行融合，得到左视点图像和右视点图像各 自的幅值图像中对应坐标位置的子块的双目竞争能量、双目竞争方差和双目竞争熵；最后 将所有双目竞争能量的均值、所有双目竞争方差的均值和所有双目竞争熵的均值作为输入 参数输入到高斯分布模型中，得到无失真高斯分布模型；在测试阶段中，对于任意一幅待评 价的失真立体图像，采用与训练阶段相同的方法获得失真高斯分布模型；再采用马氏距离 公式衡量无失真高斯分布模型和失真高斯分布模型之间的误差，将误差作为待评价的失真 立体图像的图像质量客观评价预测值。
[0035] 其中，训练阶段包括以下步骤：
[0036] ①-1、选取K幅原始的无失真立体图像，将第k幅原始的无失真立体图像的左视点 图像和右视点图像对应记为队,。1^〇11，11)}和队,。1^(111，11)}，其中，1(彡1，在本实施例中取K= 20,1彡k彡K，（m,n)表示原始的无失真立体图像中的像素点的坐标位置，1彡m彡M， Kn<N，M表示原始的无失真立体图像的宽度，N表示原始的无失真立体图像的高度， Sk,OTgA(m，n)表示{SkiOTf^(m，n)}中坐标位置为（m，n)的像素点的像素值，SkiOTgiR(m，n)表示 iSk,OTg,R(m，n)}中坐标位置为（m，n)的像素点的像素值。
[0037]①-2、对每幅原始的无失真立体图像的左视点图像实施Iog-Gabor滤波，得到 每幅原始的无失真立体图像的左视点图像的幅值图像，将{Stc]^(m，n)}的幅值图像记为 {]\^。1^(111，11)}，其中，]^。 1^(111，11)表示{]^。1^(111，11)}中坐标位置为（111，11)的像素点的像素 值。
[0038] 同样，对每幅原始的无失真立体图像的右视点图像实施Iog-Gabor滤波，得到每 幅原始的无失真立体图像的右视点图像的幅值图像，将{StOT&R(m，n)}的幅值图像记为 {MkiOTgiR(m，n)}，其中，MkiOTgiR(m，n)表示{MkiOTgiR(m，n)}中坐标位置为（m，n)的像素点的像素 值。
[0039] ①_3、将每幅原始的无失真立体图像的左视点图像的幅值图像划分成
原始的无失真立体图像的左视点图像的幅值图像中的每个子块的能量、方差和熵，将 {Mk,OTg』(m，n)}中坐标位置为（i，j)的子块的能量、方差和熵对应记为(i，j)、 Vkl0rglL(i,j) ^Qki0rgiL(i,j) 〇
[0040] 同样，将每幅原始的无失真立体图像的右视点图像的幅值图像划分成
原始的无失真立体图像的右视点图像的幅值图像中的每个子块的能量、方差和熵，将 {Mk,OTg,R (m，n)}中坐标位置为（i，j)的子块的能量、方差和熵对应记为Ek,OTg,R (i，j)、 Vk，。rg，R(i, ?]?)和Qk，。rg，R(i, ?]?)。
MXN不能被mbXnb整除时，不能构成一个子块的所有像素点不作处理，符号'I」"为向下 取整符号。
[0042] 在此，mb的取值范围为[16,M]，nb的取值范围为[16,N]，即可以将幅值图像划 分成尺寸大小为16X16的子块，也可以将整幅幅值图像作为一个子块，而当MXN不能被 16X16整除时，对图像右侧和下方多余的像素点不作处理。
[0043] ①-4、计算每幅原始的无失真立体图像的左视点图像的幅 值图像中的每个子块与右视点图像的幅值图像中坐标位置相同的子 块的双目竞争能量，将{MkiOTg4(m，n)}中坐标位置为（i，j)的子块与 (m,n)}中坐标位置为（i,j)的子块的双目竞争能量记为Ek,OTg,B (i,j)，
[0044] 并，计算每幅原始的无失真立体图像的左视点图像的幅值图像 中的每个子块与右视点图像的幅值图像中坐标位置相同的子块的双目竞 争方差，将{Mk,OTgi(m，n)}中坐标位置为（i，j)的子块与{Mk,OTg,R(m，n)} 中坐标位置为（i，j)的子块的双目竞争方差记为Vk,OTg,B(i，j)，
[0045] 计算每幅原始的无失真立体图像的左视点图像的幅值图像中的每个子块与右视 点图像的幅值图像中坐标位置相同的子块的双目竞争熵，将{Mtc]^(m，n)}中坐标位置为 (i，j)的子块与{Mk,OTg,R(m，n)}中坐标位置为（i,j)的子块的双目竞争熵记为Qk,OTg,B(i，j)，
[0046] ①-5、将所有原始的无失真立体图像的左视点图像的幅值图像与右视点图像的幅 值图像中所有坐标位置对应的子块的双目竞争能量的均值、双目竞争方差的均值及双目竞 争熵的均值作为输入参数，输入到高斯分布模型中，得到所有原始的无失真立体图像对应 的无失真高斯分布模型。
[0047] 其中，测试阶段包括以下步骤：
[0048] ②-1、对于任意一幅尺寸大小与选取的原始的无失真立体图像的尺寸大小一致的 失真立体图像，将该失真立体图像作为待评价的失真立体图像，将待评价的失真立体图像 的左视点图像和右视点图像对应记为{3^〇11，11)}和队 1;^(111，11)}，其中，5^(111，11)表示 {Sdls,L(m，n)}中坐标位置为（m，n)的像素点的像素值，Sdls,R(m，n)表示{Sdls,R(m，n)}中坐标 位置为（m，n)的像素点的像素值。
[0049] ②_2、对{Sdis』(m,n)}实施Iog-Gabor滤波，得到{Sdis』(m,n)}的幅值图像，记为 {]?^(111，11)}，其中，]^1;^(111，11)表示{]^ 1;^(111，11)}中坐标位置为（111，11)的像素点的像素值。
[0050] 同样，对{Sdis,R (m,n)}实施Iog-Gabor滤波，得到{Sdis,R (m,n)}的幅值图像，记为 {]^1;^(111，11)}，其中，]^1;^(111，11)表示{]^ 1;^(111，11)}中坐标位置为（111，11)的像素点的像素值。
块；然后采用现有技术计算{Md^(m，n)}中的每个子块的能量、方差和熵，将{Md^(m，n)} 中坐标位置为（i，j)的子块的能量、方差和熵对应记为Ed^(i，j)、Vd^(i，j)和 Qdis1L(l)j) °
块；然后采用现有技术计算{MdlSiR(m，n)}中的每个子块的能量、方差和熵，将{MdlSiR(m，n)} 中坐标位置为（i，j)的子块的能量、方差和熵对应记为Edls,R(i，j)、Vdls,R(i，j)和 Qdis,R(l)j) °
[0053] 在此，mb的取值范围为[16,M]，nb的取值范围为[16,N]，即可以将幅值图像划 分成尺寸大小为16X16的子块，也可以将整幅幅值图像作为一个子块，而当MXN不能被 16X16整除时，对图像右侧和下方多余的像素点不作处理。
[0054] ②-4、计算{Mdis,t(m，n)}中的每个子块与{Mdis,R(m，n)}中坐标位 置相同的子块的双目竞争能量，将{M^(m，n)}中坐标位置为（i，j)的子块 与iMdis,R (m,n)}中坐标位置为（i,j)的子块的双目竞争能量记为Edis,B (i,j)，
[0055] 并，计算{Mdls,t(m，n)}中的每个子块与{Mdls,R(m，n)}中坐标位置 相同的子块的双目竞争方差，将{Mdm(m，n)}中坐标位置为（i，j)的子块 与iMdis,R (m,n)}中坐标位置为（i,j)的子块的双目竞争方差记为Vdis,B (i,j)，
[0056] 计算{Mdls,t(m，n)}中的每个子块与{Mdls,R(m，n)}中坐标位置 相同的子块的双目竞争熵，将{Mu(m，n)}中坐标位置为（i，j)的子块 与iMdis,R(m，n)}中坐标位置为（i,j)的子块的双目竞争熵记为Qdis,B(i，j)，
[0057] ②-5、将{Mdls』(m，n)}与{MdlSiR (m，n)}中所有坐标位置对应的子块的双目竞争能 量的均值、双目竞争方差的均值和双目竞争熵的均值作为输入参数，输入到高斯分布模型 中，得到待评价的失真立体图像对应的失真高斯分布模型；
[0058] ②-6、采用现有的马氏距离公式衡量步骤①-5得到的所有原始的无失真立体图 像对应的无失真高斯分布模型与步骤②-5得到的待评价的失真立体图像对应的失真高斯 分布模型之间的误差，将衡量得到的误差作为待评价的失真立体图像的图像质量客观评价 预测值。
[005