数项，技i 表示构造支持向量回归模型时所采用的失真立体图像集中属于第Z种失真类型的第1幅失 真立体图像的特征向量，A巧&，巧")为f, (FdJ的核函数。
[0074] 在此具体实施例中，步骤⑥中构造针对不同失真类型的失真立体图像的支持向量 回归模型的具体过程为：
[00巧]⑥-1、采用钓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，该失真立体图像集共包括N，幅失真立体图像，其中，N> 1;然后利用 现有的主观质量评价方法获得该失真立体图像集中的每幅失真立体图像的平均主观评分 差值，将该失真立体图像集中的第k幅失真立体图像的平均主观评分差值记为IMz/OSl，其 中，1<A<N';再按照步骤①至步骤④的过程，W相同的方式获取该失真立体图像集中的 每幅失真立体图像的特征向量，将该失真立体图像集中的第k幅失真立体图像的特征向量 记为Fi。
[0076] ⑥-2、选取该失真立体图像集中属于第Z种失真类型的所有失真立体图像，并将 选取的所有失真立体图像的特征向量和平均主观评分差值构成的集合定义为当前立体图 像训练集，其中，1《之玄逐，忍表示该失真立体图像集中的失真立体图像的失真类型的种 类数，这>1。
[0077] ⑥-3、将当前立体图像训练集记为〇z，；攻，公少似其中，巧。表示选取的 第k'幅失真立体图像的特征向量，改亦表示Q,中的第k'个特征向量，IWD瑞表示选取 的第k'幅失真立体图像的平均主观评分差值，巧3化C:亦表示Q,中的第k'个平均主观评 分差值，1《k'《氏，氏表示该失真立体图像集中属于第Z种失真类型的失真立体图像的 总幅数。
[0078] ⑥-4、构造Q,中的每个特征向量的支持向量回归模型，将柏的支持向量回 归模型记为/_识:），/巧。= 城记)+6,其中，fz()为针对第Z种失真类型的 -1=1. 失真立体图像的特征向量的支持向量回归模型的函数表示形式，1《1《K,，CO为权重 矢量，b为常数项，段表示Qz中的第1个特征向量，《'巧F::,、）表示./;巧,;;）的核函数，
，6邱（）表示W自然基数e为底的指数函数，6 = 2.71828183， 符号"MII"为求欧式距离符号，丫为核参数，丫由大量统计得到，一般可取丫 = 0. 25。
[0079] ⑥-5、采用支持向量回归对Q,中的所有特征向量进行训练，使得经过 训练得到的回归函数值与对应的平均主观评分差值之间的误差最小，拟合得到最 优的权重矢量《Wt和最优的常数项bWt,将《Wt和bWt的组合记为（W。。。bept)， (巧.,,:，、,）=。巧加11玄（./;巧;,.;）-〇'心/()式。-，其中，^表示对0,中的所有特征向量进行训 ' (:化叫卻.点 练的所有的权重矢量和常数项的组合的集合，argmm封./:巧.;）-0,\似&;.)-'表示取使得 {放,6)色半k'=\ 卽/;巧OWXS:;..:)'的值最小的O和6的值；然后利用得到的最优的权重矢量COWt和 最优的常数项bwt构造支持向量回归模型，记为乂(巧:），乂(攻'）=X&的:，巧，)+ 6。,，,:，其 中，巧为支持向量回归模型的输入向量，
[0080] ⑥-6、令Z=Z+1，然后选取该失真立体图像集中属于下一种失真类型的所有失真 立体图像，并将选取的所有失真立体图像的特征向量和平均主观评分差值构成的集合作为 当前立体图像训练集，再返回步骤⑥-3继续执行，直至该失真立体图像集中属于每种失真 类型的所有失真立体图像均处理完毕，构造得到针对不同失真类型的失真立体图像的支持 向量回归模型，其中，Z=Z+1中的"="为赋值符号。
[0081] 为进一步说明本发明方法的可行性和有效性，对本发明方法进行试验。
[0082] 采用LIVE实验室提供的立体图像数据库作为立体图像评价库，LIVE立体图像数 据库包括化aseI和化aseII两个数据库，其中化aseI数据库有20幅原始的无失真的立 体图像和365幅失真立体图像，化aseII数据库有8幅原始的无失真的立体图像和360幅 失真立体图像，两个数据库都包含了 5种失真类型，分别为JPEG压缩（JPEG)、JPEG2000压 缩（JP2K)、高斯白噪声（Gaussianwhitenoise,WN)、高斯模糊（Gaussianblur,GBLUR)W 及快衰落（Fast-化ding,FF)，LIVE立体图像数据库给出了每组失真立体图像的平均主观 评分差值。为评价本发明方法预测得到的失真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，采用3个常用的指标来评价立体图像质量的客观性能，即化arson 线性相关系数（Pearsonlinearcorrelationcoefficient,PLCC),Spearman等级相关系 数（Spearmanrankordercorrelationcoefficient，SR0CC)W及均方根误差（RootMean Squared化ror，RISE)。化CC和RISE指标衡量客观质量评价方法的精确性，SROCC指标衡 量客观质量评价方法的单调性。化CC和SROCC的绝对值越接近1，RMSE的值越小，表明客 观质量评价预测值与平均主观评分差值之间的相关性越好。
[0083] 首先分别随机选取LIVEPhaseI和LIVEPhaseII数据库中的所有失真立体图像 的80%构成训练集，剩余20%的失真立体图像构成测试集；然后按照步骤①至步骤④的过 程，W相同的方式得到训练集和测试集中的每幅失真立体图像的特征向量；再利用支持向 量回归对训练集中的所有失真立体图像的特征向量进行训练，使得经过训练得到的回归函 数值与对应的平均主观评分差值之间的误差最小，训练得到支持向量回归模型；接着根据 训练得到的支持向量回归模型，对测试集中的每幅失真立体图像的特征向量进行测试，预 测得到测试集中的每幅失真立体图像的客观质量评价预测值。
[0084] 表1和表2分别给出了本发明方法在LIVEPhaseI和化aseII数据库中针对不 同失真类型的性能评价指标。从表I中可W看出，本发明方法对LIVEPhaseI数据库中的 各种失真类型，客观质量评价预测值与平均主观评分差值都能达到较好的一致性。由表2 可见，本发明方法对化aseII数据库中的各种失真类型的客观质量评价预测值都接近最优 评价值。利用本发明方法得到的客观质量评价预测值与平均主观评分差值具有很好的一致 性，能够很好地预测人眼对失真立体图像的主观感知。
[00财表1本发明方法在LIVEPhaseI中针对不同失真类型的性能指标的评价结果[0086]
[0087] 表2本发明方法在LIVEPhaseII中针对不同失真类型的性能指标的评价结果
[0088]
【主权项】
1. 一种基于双目视觉感知的无参考立体图像质量客观评价方法，其特征在于包括W下 步骤： ① 令Idu表示待评价的失真立体图像，将Idu的左视点图像和右视点图像对应记为Ldu 和Rdu，其中，Idu的宽度和高度对应为W和Η; ② 义用光流法获取WLdis为参考的左视差图，记为Duk;并义用光流法获取WRdis为 参考的右视差图，记为D,du;然后利用D 对Ldi进行视差补偿，获得视差补偿左图，记为 爲db，将易中坐标位置为（x，y)飢象素点飢象素值记为公么* (Λ一）；并利用〇Ldu对Rdi进行 视差补偿，获得视差补偿右图，记为台&,。，将复中坐标位置为（X，y)的像素点的像素值记 为户"''（.r，.r);接着根据Ldu和度，获取不确定左图，记为化du，将lUs中坐标位置为（X，y) 的像素点的像素值记为/'"i了，.V);并根据Rdu和台Wb，获取不确定右图，记为Umw将Umu 中坐标位置为（X，y)的像素点的像素值记为/^'g'h(·τ，,ν);再对运和进行能量增益控 审ij，获得会聚独眼图，记为Ice，将icc中坐标位置为（x，y)的像素点的像素值记为户''' 其中， ③ -1、对lee进行重叠块分图像块处理，然后对Iee中的每个图像块进行曲波变换，使ICC 中的每个图像块转换成多层不同尺度上的曲波系数； ③-2、根据I。。中的所有图像块各自对应的第5层尺度上的曲波系数包含的一个矩阵 中的所有系数的幅值的对数的经验概率分布函数，获取lee在曲波域的尺度系数特征向量， 记为fws，其中，fws的维数为4 ; ③-3、根据I。。中的所有图像块各自对应的第4层尺度上的曲波系数包含的前32个方 向矩阵各自的方向能量，获取lee在曲波域的方向能量分布特征向量，记为fwD，其中，fwD的 维数为2 ; ③-4、根据I。。中的所有图像块各自对应的每层尺度上的曲波系数包含的每个矩阵中 的每个系数的幅值的对数，获取lee在曲波域的标量能量分布特征向量，记为fsED，其中，fsED 的维数为6 ; ③-5、通过采用零均值的广义高斯分布拟合町du对应的归一化后的左视差图直方图， 获取化du的特征向量，记为fDL，其中，fDL的维数为2 ; ③-6、通过采用零均值的广义高斯分布拟合Dmu对应的归一化后的右视差图直方图， 获取Dmu的特征向量，记为fDK，其中，fDK的维数为2 ; ③-7、通过采用对数正态分布拟合化du的直方图，获取Uuu的特征向量，记为f。^，其中，fuJ勺维数为2 ; ③ -8、通过采用对数正态分布拟合Umu的直方图，获取Umu的特征向量，记为?·。·^，其中， fuK的维数为2 ; ④ 将fwss、f〇ED、fsED、f〇L、f。!!、fuL和fUR构成Idis的特化向里，记为Fdis，Fdis-tfNSS)f〇ED)f SED，fDL，fDK，fuL，fJ，其中，Fdu的维数为20,符号"[]"为向量表示符号； ⑥构造针对不同失真类型的失真立体图像的支持向量回归模型；然后利用针对与Idu相同失真类型的失真立体图像的支持向量回归模型，计算Idu的客观质量评价预测值， 记为Qdu，假设IdJi于第z种失真类型，则其中， 1<-<2,2表示构造支持向量回归模型时所采用的失真立体图像集中的失真立体图像的 失真类型的种类数，2> 1，f,()为针对第Z种失真类型的失真立体图像的支持向量回归模 型的函数表示形式，K,表示构造支持向量回归模型时所采用的失真立体图像集中属于第Z 种失真类型的失真立体图像的总幅数，为最优的权重矢量，bwt为最优的常数项，巧，表 示构造支持向量回归模型时所采用的失真立体图像集中属于第Z种失真类型的第1幅失真 立体图像的特征向量，&(&,，巧。）为f,(FdJ的核函数。2. 根据权利要求1所述的基于双目视觉感知的无参考立体图像质量客观 评价方法，其特征在于所述的步骤②中的表示Ldu中坐标位置为的像素点的像素值，口心卡，>·)表示Dmu中坐标位置为（x，y)的像素点 的像素值的像素点的像 素值，/?&ζ(Λ-，.ν)表示化du中坐标位置为（x，y)