數(shù)項，技i 表示構造支持向量回歸模型時所采用的失真立體圖像集中屬于第Z種失真類型的第1幅失 真立體圖像的特征向量，A巧&，巧")為f, (FdJ的核函數(shù)。
[0074] 在此具體實施例中，步驟⑥中構造針對不同失真類型的失真立體圖像的支持向量 回歸模型的具體過程為：
[00巧]⑥-1、采用釣幅原始的無失真的立體圖像，建立其在不同失真類型不同失真程度 下的失真立體圖像集，該失真立體圖像集共包括N，幅失真立體圖像，其中，N> 1;然后利用 現(xiàn)有的主觀質(zhì)量評價方法獲得該失真立體圖像集中的每幅失真立體圖像的平均主觀評分 差值，將該失真立體圖像集中的第k幅失真立體圖像的平均主觀評分差值記為IMz/OSl，其 中，1<A<N';再按照步驟①至步驟④的過程，W相同的方式獲取該失真立體圖像集中的 每幅失真立體圖像的特征向量，將該失真立體圖像集中的第k幅失真立體圖像的特征向量 記為Fi。
[0076] ⑥-2、選取該失真立體圖像集中屬于第Z種失真類型的所有失真立體圖像，并將 選取的所有失真立體圖像的特征向量和平均主觀評分差值構成的集合定義為當前立體圖 像訓練集，其中，1《之玄逐，忍表示該失真立體圖像集中的失真立體圖像的失真類型的種 類數(shù)，這>1。
[0077] ⑥-3、將當前立體圖像訓練集記為〇z，；攻，公少似其中，巧。表示選取的 第k'幅失真立體圖像的特征向量，改亦表示Q,中的第k'個特征向量，IWD瑞表示選取 的第k'幅失真立體圖像的平均主觀評分差值，巧3化C:亦表示Q,中的第k'個平均主觀評 分差值，1《k'《氏，氏表示該失真立體圖像集中屬于第Z種失真類型的失真立體圖像的 總幅數(shù)。
[0078] ⑥-4、構造Q,中的每個特征向量的支持向量回歸模型，將柏的支持向量回 歸模型記為/_識:），/巧。= 城記)+6,其中，fz()為針對第Z種失真類型的 -1=1. 失真立體圖像的特征向量的支持向量回歸模型的函數(shù)表示形式，1《1《K,，CO為權重 矢量，b為常數(shù)項，段表示Qz中的第1個特征向量，《'巧F::,、）表示./;巧,;;）的核函數(shù)，
，6邱（）表示W(wǎng)自然基數(shù)e為底的指數(shù)函數(shù)，6 = 2.71828183， 符號"MII"為求歐式距離符號，丫為核參數(shù)，丫由大量統(tǒng)計得到，一般可取丫 = 0. 25。
[0079] ⑥-5、采用支持向量回歸對Q,中的所有特征向量進行訓練，使得經(jīng)過 訓練得到的回歸函數(shù)值與對應的平均主觀評分差值之間的誤差最小，擬合得到最 優(yōu)的權重矢量《Wt和最優(yōu)的常數(shù)項bWt,將《Wt和bWt的組合記為（W。。。bept)， (巧.,,:，、,）=。巧加11玄（./;巧;,.;）-〇'心/()式。-，其中，^表示對0,中的所有特征向量進行訓 ' (:化叫卻.點 練的所有的權重矢量和常數(shù)項的組合的集合，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；然后利用得到的最優(yōu)的權重矢量COWt和 最優(yōu)的常數(shù)項bwt構造支持向量回歸模型，記為乂(巧:），乂(攻'）=X&的:，巧，)+ 6。,，,:，其 中，巧為支持向量回歸模型的輸入向量，
[0080] ⑥-6、令Z=Z+1，然后選取該失真立體圖像集中屬于下一種失真類型的所有失真 立體圖像，并將選取的所有失真立體圖像的特征向量和平均主觀評分差值構成的集合作為 當前立體圖像訓練集，再返回步驟⑥-3繼續(xù)執(zhí)行，直至該失真立體圖像集中屬于每種失真 類型的所有失真立體圖像均處理完畢，構造得到針對不同失真類型的失真立體圖像的支持 向量回歸模型，其中，Z=Z+1中的"="為賦值符號。
[0081] 為進一步說明本發(fā)明方法的可行性和有效性，對本發(fā)明方法進行試驗。
[0082] 采用LIVE實驗室提供的立體圖像數(shù)據(jù)庫作為立體圖像評價庫，LIVE立體圖像數(shù) 據(jù)庫包括化aseI和化aseII兩個數(shù)據(jù)庫，其中化aseI數(shù)據(jù)庫有20幅原始的無失真的立 體圖像和365幅失真立體圖像，化aseII數(shù)據(jù)庫有8幅原始的無失真的立體圖像和360幅 失真立體圖像，兩個數(shù)據(jù)庫都包含了 5種失真類型，分別為JPEG壓縮（JPEG)、JPEG2000壓 縮（JP2K)、高斯白噪聲（Gaussianwhitenoise,WN)、高斯模糊（Gaussianblur,GBLUR)W 及快衰落（Fast-化ding,FF)，LIVE立體圖像數(shù)據(jù)庫給出了每組失真立體圖像的平均主觀 評分差值。為評價本發(fā)明方法預測得到的失真立體圖像的客觀質(zhì)量評價預測值與平均主觀 評分差值之間的相關性，采用3個常用的指標來評價立體圖像質(zhì)量的客觀性能，即化arson 線性相關系數(shù)（Pearsonlinearcorrelationcoefficient,PLCC),Spearman等級相關系 數(shù)（Spearmanrankordercorrelationcoefficient，SR0CC)W及均方根誤差（RootMean Squared化ror，RISE)?；疌C和RISE指標衡量客觀質(zhì)量評價方法的精確性，SROCC指標衡 量客觀質(zhì)量評價方法的單調(diào)性?；疌C和SROCC的絕對值越接近1，RMSE的值越小，表明客 觀質(zhì)量評價預測值與平均主觀評分差值之間的相關性越好。
[0083] 首先分別隨機選取LIVEPhaseI和LIVEPhaseII數(shù)據(jù)庫中的所有失真立體圖像 的80%構成訓練集，剩余20%的失真立體圖像構成測試集；然后按照步驟①至步驟④的過 程，W相同的方式得到訓練集和測試集中的每幅失真立體圖像的特征向量；再利用支持向 量回歸對訓練集中的所有失真立體圖像的特征向量進行訓練，使得經(jīng)過訓練得到的回歸函 數(shù)值與對應的平均主觀評分差值之間的誤差最小，訓練得到支持向量回歸模型；接著根據(jù) 訓練得到的支持向量回歸模型，對測試集中的每幅失真立體圖像的特征向量進行測試，預 測得到測試集中的每幅失真立體圖像的客觀質(zhì)量評價預測值。
[0084] 表1和表2分別給出了本發(fā)明方法在LIVEPhaseI和化aseII數(shù)據(jù)庫中針對不 同失真類型的性能評價指標。從表I中可W看出，本發(fā)明方法對LIVEPhaseI數(shù)據(jù)庫中的 各種失真類型，客觀質(zhì)量評價預測值與平均主觀評分差值都能達到較好的一致性。由表2 可見，本發(fā)明方法對化aseII數(shù)據(jù)庫中的各種失真類型的客觀質(zhì)量評價預測值都接近最優(yōu) 評價值。利用本發(fā)明方法得到的客觀質(zhì)量評價預測值與平均主觀評分差值具有很好的一致 性，能夠很好地預測人眼對失真立體圖像的主觀感知。
[00財表1本發(fā)明方法在LIVEPhaseI中針對不同失真類型的性能指標的評價結(jié)果[0086]
[0087] 表2本發(fā)明方法在LIVEPhaseII中針對不同失真類型的性能指標的評價結(jié)果
[0088]
【主權項】
1. 一種基于雙目視覺感知的無參考立體圖像質(zhì)量客觀評價方法，其特征在于包括W下 步驟： ① 令Idu表示待評價的失真立體圖像，將Idu的左視點圖像和右視點圖像對應記為Ldu 和Rdu，其中，Idu的寬度和高度對應為W和Η; ② 義用光流法獲取WLdis為參考的左視差圖，記為Duk;并義用光流法獲取WRdis為 參考的右視差圖，記為D,du;然后利用D 對Ldi進行視差補償，獲得視差補償左圖，記為 爲db，將易中坐標位置為（x，y)飢象素點飢象素值記為公么* (Λ一）；并利用〇Ldu對Rdi進行 視差補償，獲得視差補償右圖，記為臺&,。，將復中坐標位置為（X，y)的像素點的像素值記 為戶"''（.r，.r);接著根據(jù)Ldu和度，獲取不確定左圖，記為化du，將lUs中坐標位置為（X，y) 的像素點的像素值記為/'"i了，.V);并根據(jù)Rdu和臺Wb，獲取不確定右圖，記為Umw將Umu 中坐標位置為（X，y)的像素點的像素值記為/^'g'h(·τ，,ν);再對運和進行能量增益控 審ij，獲得會聚獨眼圖，記為Ice，將icc中坐標位置為（x，y)的像素點的像素值記為戶''' 其中， ③ -1、對lee進行重疊塊分圖像塊處理，然后對Iee中的每個圖像塊進行曲波變換，使ICC 中的每個圖像塊轉(zhuǎn)換成多層不同尺度上的曲波系數(shù)； ③-2、根據(jù)I。。中的所有圖像塊各自對應的第5層尺度上的曲波系數(shù)包含的一個矩陣 中的所有系數(shù)的幅值的對數(shù)的經(jīng)驗概率分布函數(shù)，獲取lee在曲波域的尺度系數(shù)特征向量， 記為fws，其中，fws的維數(shù)為4 ; ③-3、根據(jù)I。。中的所有圖像塊各自對應的第4層尺度上的曲波系數(shù)包含的前32個方 向矩陣各自的方向能量，獲取lee在曲波域的方向能量分布特征向量，記為fwD，其中，fwD的 維數(shù)為2 ; ③-4、根據(jù)I。。中的所有圖像塊各自對應的每層尺度上的曲波系數(shù)包含的每個矩陣中 的每個系數(shù)的幅值的對數(shù)，獲取lee在曲波域的標量能量分布特征向量，記為fsED，其中，fsED 的維數(shù)為6 ; ③-5、通過采用零均值的廣義高斯分布擬合町du對應的歸一化后的左視差圖直方圖， 獲取化du的特征向量，記為fDL，其中，fDL的維數(shù)為2 ; ③-6、通過采用零均值的廣義高斯分布擬合Dmu對應的歸一化后的右視差圖直方圖， 獲取Dmu的特征向量，記為fDK，其中，fDK的維數(shù)為2 ; ③-7、通過采用對數(shù)正態(tài)分布擬合化du的直方圖，獲取Uuu的特征向量，記為f。^，其中，fuJ勺維數(shù)為2 ; ③ -8、通過采用對數(shù)正態(tài)分布擬合Umu的直方圖，獲取Umu的特征向量，記為?·?！，其中， fuK的維數(shù)為2 ; ④ 將fwss、f〇ED、fsED、f〇L、f。!!、fuL和fUR構成Idis的特化向里，記為Fdis，F(xiàn)dis-tfNSS)f〇ED)f SED，fDL，fDK，fuL，fJ，其中，F(xiàn)du的維數(shù)為20,符號"[]"為向量表示符號； ⑥構造針對不同失真類型的失真立體圖像的支持向量回歸模型；然后利用針對與Idu相同失真類型的失真立體圖像的支持向量回歸模型，計算Idu的客觀質(zhì)量評價預測值， 記為Qdu，假設IdJi于第z種失真類型，則其中， 1<-<2,2表示構造支持向量回歸模型時所采用的失真立體圖像集中的失真立體圖像的 失真類型的種類數(shù)，2> 1，f,()為針對第Z種失真類型的失真立體圖像的支持向量回歸模 型的函數(shù)表示形式，K,表示構造支持向量回歸模型時所采用的失真立體圖像集中屬于第Z 種失真類型的失真立體圖像的總幅數(shù)，為最優(yōu)的權重矢量，bwt為最優(yōu)的常數(shù)項，巧，表 示構造支持向量回歸模型時所采用的失真立體圖像集中屬于第Z種失真類型的第1幅失真 立體圖像的特征向量，&(&,，巧。）為f,(FdJ的核函數(shù)。2. 根據(jù)權利要求1所述的基于雙目視覺感知的無參考立體圖像質(zhì)量客觀 評價方法，其特征在于所述的步驟②中的表示Ldu中坐標位置為的像素點的像素值，口心卡，>·)表示Dmu中坐標位置為（x，y)的像素點 的像素值的像素點的像 素值，/?&ζ(Λ-，.ν)表示化du中坐標位置為（x，y)