CN102663747B - 一种基于视觉感知的立体图像客观质量评价方法 - Google Patents

Abstract

本发明公开了一种基于视觉感知的立体图像客观质量评价方法，其从左右视点图像质量和深度感知两部分出发，左右视点图像质量对多尺度上的结构信息进行捕捉，有效地反映原始和失真立体图像对的结构相似度的差异，而立体深度感主要是由于人的左右眼看到的图像存在细微的差异造成的，故通过比较原始和失真绝对差值图的亮度失真、结构失真及灵敏度失真获得深度感知评价值，然后对这两部分的评价值进行非线性拟合得到最终的立体图像质量评价指标，由于本方法融入了立体图像特有的深度感特性和图像质量损失特性的客观评价模型结果既能反映立体图像的质量又能反映深度感，因此评价结果可以客观地反映立体图像处理或压缩算法对立体图像质量变化的影响。

Description

一种基于视觉感知的立体图像客观质量评价方法

技术领域

本发明涉及一种立体图像质量评价技术，尤其是涉及一种基于视觉感知的立体图像客观质量评价方法。

背景技术

随着互联网、通信和多媒体信息技术的快速发展，增强视觉逼真感和临场感的立体图像是下一代数字媒体技术的发展方向。同时，市场对立体视频***开发与应用的需求也越来越迫切，如在立体数字电视、远程教育、远程工业控制、三维视频会议***、虚拟现实***、远程医疗、遥控机器人、自动导航、消费电子等诸多领域有着广泛的应用前景。立体图像质量评价在图像处理相关领域中有着重要地位，是比较各种立体图像处理算法性能优劣以及优化***参数的重要指标。如何在3DTV***的图像采集、编码压缩、网络传输等领域建立有效的立体图像质量评价机制成为图像领域的关键问题。立体图像质量评价分为主观质量评价和客观质量评价。主观质量评价虽更接近人的真实视觉感受，但由于需要多名评分者严格按着复杂程序和步骤进行，存在耗时、费用高、难以嵌入***，评价结果易受评分者、测试条件和测试环境的影响等缺点。而客观质量评价能很好地克服主观质量评价的缺点。目前，立体图像客观质量评价主要是迁移平面图像质量评价算法，没有考虑立体特有的深度感知特性以及充分利用人眼视觉感知特性，因此客观质量评价模型与主观感知之间的一致性不是很好。为了满足快速发展的时代需求，设计全面、符合人眼视觉感知的立体图像客观质量评价方法迫在眉睫。

发明内容

本发明所要解决的技术问题是提供一种能够有效提高立体图像质量客观评价模型与主观感知之间的一致性，为各种立体图像处理算法的评判提供准确的判断依据的基于视觉感知的立体图像客观质量评价方法。

本发明解决上述技术问题所采用的技术方案为：一种基于视觉感知的立体图像客观质量评价方法，其特征在于包括以下步骤：

①令S_org为原始的无失真的立体图像，令S_dis为待评价的失真的立体图像，将原始的无失真的立体图像S_org的左视点图像记为L_org，将原始的无失真的立体图像S_org的右视点图像记为R_org，将待评价的失真的立体图像S_dis的左视点图像记为L_dis，将待评价的失真的立体图像S_dis的右视点图像记为R_dis；

②对L_org、R_org、L_dis和R_dis4幅图像分别实施M级正交小波9/7滤波和下采样的尺度分解，分别得到L_org、R_org、L_dis和R_dis4幅图像各自对应的M个子带的系数矩阵，将L_org实施第m级正交小波9/7滤波和下采样的尺度分解后得到的对应的第m个子带的系数矩阵记为将R_org实施第m级正交小波9/7滤波和下采样的尺度分解后得到的对应的第m个子带的系数矩阵记为将L_dis实施第m级正交小波9/7滤波和下采样的尺度分解后得到的对应的第m个子带的系数矩阵记为将R_dis实施第m级正交小波9/7滤波和下采样的尺度分解后得到的对应的第m个子带的系数矩阵记为其中，1≤m≤M；

③对L_org的M个子带的系数矩阵一一对应的M幅图像分别实施区域划分，得到L_org的M个子带的系数矩阵一一对应的M幅图像各自对应的三个区域系数矩阵，对R_org的M个子带的系数矩阵一一对应的M幅图像分别实施区域划分，得到R_org的M个子带的系数矩阵一一对应的M幅图像各自对应的三个区域系数矩阵，对L_dis的M个子带的系数矩阵一一对应的M幅图像分别实施区域划分，得到L_dis的M个子带的系数矩阵一一对应的M幅图像各自对应的三个区域系数矩阵，对R_dis的M个子带的系数矩阵一一对应的M幅图像分别实施区域划分，得到R_dis的M个子带的系数矩阵一一对应的M幅图像各自对应的三个区域系数矩阵，其中，三个区域分别为边缘区域、平坦区域和纹理区域；将L_org的第m个子带的系数矩阵对应的图像和L_dis的第m个子带的系数矩阵对应的图像分别实施区域划分后得到的边缘区域系数矩阵均记为对于L_org的第m个子带的系数矩阵对应的图像和L_dis的第m个子带的系数矩阵对应的图像中坐标位置均为(i，j)的两个像素点，判断该两个像素点是否均属于边缘区域，如果是，则将中坐标位置为(i，j)处的系数赋值为1，否则，将中坐标位置为(i，j)处的系数赋值为0，将L_org的第m个子带的系数矩阵对应的图像和L_dis的第m个子带的系数矩阵对应的图像分别实施区域划分后得到的平坦区域系数矩阵均记为对于L_org的第m个子带的系数矩阵对应的图像和L_dis的第m个子带的系数矩阵对应的图像中坐标位置均为(i，j)的两个像素点，判断该两个像素点是否均属于平坦区域，如果是，则将中坐标位置为(i，j)处的系数赋值为1，否则，将中坐标位置为(i，j)处的系数赋值为0，将L_org的第m个子带的系数矩阵对应的图像L_dis的第m个子带的系数矩阵对应的图像分别实施区域划分后得到的纹理区域系数矩阵均记为对于L_org的第m个子带的系数矩阵对应的图像和L_dis的第m个子带的系数矩阵对应的图像中坐标位置均为(i，j)的两个像素点，判断该两个像素点是否均属于纹理区域，如果是，则将中坐标位置为(i，j)处的系数赋值为1，否则，将中坐标位置为(i，j)处的系数赋值为0，将R_org的第m个子带的系数矩阵对应的图像和R_dis的第m个子带的系数矩阵对应的图像分别实施区域划分后得到的边缘区域系数矩阵均记为对于R_org的第m个子带的系数矩阵对应的图像和R_dis的第m个子带的系数矩阵对应的图像中坐标位置均为(i，j)的两个像素点，判断该两个像素点是否均属于边缘区域，如果是，则将中坐标位置为(i，j)处的系数赋值为1，否则，将中坐标位置为(i，j)处的系数赋值为0，将R_org的第m个子带的系数矩阵对应的图像和R_dis的第m个子带的系数矩阵对应的图像分别实施区域划分后得到的平坦区域系数矩阵均记为对于R_org的第m个子带的系数矩阵对应的图像和R_dis的第m个子带的系数矩阵对应的图像中坐标位置均为(i，j)的两个像素点，判断该两个像素点是否均属于平坦区域，如果是，则将中坐标位置为(i，j)处的系数赋值为1，否则，将中坐标位置为(i，j)处的系数赋值为0，将R_org的第m个子带的系数矩阵对应的图像和R_dis的第m个子带的系数矩阵对应的图像分别实施区域划分后得到的纹理区域系数矩阵均记为对于R_org的第m个子带的系数矩阵对应的图像和R_dis的第m个子带的系数矩阵对应的图像中坐标位置均为(i，j)的两个像素点，判断该两个像素点是否均属于纹理区域，如果是，则将中坐标位置为(i，j)处的系数赋值为1，否则，将中坐标位置为(i，j)处的系数赋值为0，其中，表示中坐标位置为(i，j)处的系数，表示中坐标位置为(i，j)处的系数，表示中坐标位置为(i，j)处的系数，表示中坐标位置为(i，j)处的系数，表示中坐标位置为(i，j)处的系数，表示中坐标位置为(i，j)处的系数，此处0≤i＜(W_m-7)，0≤j＜(H_m-7)，W_m表示对应的图像的宽度，H_m表示对应的图像的高度；

④将L_org的M个子带的系数矩阵一一对应的M幅图像分别分割成(W_m-7)×(H_m-7)个尺寸大小为8×8的重叠块，将L_dis的M个子带的系数矩阵一一对应的M幅图像分别分割成(W_m-7)×(H_m-7)个尺寸大小为8×8的重叠块，然后分别计算L_org的M个子带的系数矩阵一一对应的M幅图像的每幅图像中所有尺寸大小为8×8的重叠块的均值映射图和标准差映射图，并分别计算L_dis的M个子带的系数矩阵一一对应的M幅图像的每幅图像中所有尺寸大小为8×8的重叠块的均值映射图和标准差映射图，再分别计算L_org的M个子带的系数矩阵一一对应的M幅图像的每幅图像中与L_dis的M个子带的系数矩阵一一对应的M幅图像的每幅图像中所有坐标位置相同的两个重叠块的协方差映射图，将L_org的第m个子带的系数矩阵对应的图像中所有尺寸大小为8×8的重叠块的均值映射图的系数矩阵和标准差映射图的系数矩阵分别记为和 $U_m^{\mathrm{org},L}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{C}_m^{\mathrm{org},L}(i+x,j+y),$ ${\mathrm{\σ}}_m^{\mathrm{org},L}(i,j)=\sqrt{\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{(C_m^{\mathrm{org},L}(i+x,j+y)-U_m^{\mathrm{org},L}(i,j))}^2},$ 将L_dis的第m个子带的系数矩阵对应的图像中所有尺寸大小为8×8的重叠块的均值映射图的系数矩阵和标准差映射图的系数矩阵分别记为和 $U_m^{\mathrm{dis},L}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{C}_m^{\mathrm{dis},L}(i+x,j+y),$ ${\mathrm{\σ}}_m^{\mathrm{dis},L}(i,j)=\sqrt{\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{(C_m^{\mathrm{dis},L}(i+x,j+y)-U_m^{\mathrm{dis},L}(i,j))}^2},$ 将L_org的第m个子带的系数矩阵对应的图像中与L_dis的第m个子带的系数矩阵对应的图像中所有坐标位置相同的两个重叠块的协方差映射图的系数矩阵记为 $B_m^L(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}((C_m^{\mathrm{org},L}(i+x,j+y)-U_m^{\mathrm{org},L}(i,j))\×(C_m^{\mathrm{dis},L}(i+x,j+y)-U_m^{\mathrm{dis},L}(i,j))),$ 其中，表示对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块所有像素点的均值，表示中坐标位置为(i+x，j+y)处的系数，表示对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块所有像素点的标准差，表示对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块所有像素点的均值，表示中坐标位置为(i+x，j+y)处的系数，表示对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块所有像素点的标准差，表示对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点和对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的协方差值，此处0≤i＜(W_m-7)，0≤j＜(H_m-7)；

将R_org的M个子带的系数矩阵一一对应的M幅图像分别分割成(W_m-7)×(H_m-7)个尺寸大小为8×8的重叠块，将R_dis的M个子带的系数矩阵一一对应的M幅图像分别分割成(W_m-7)×(H_m-7)个尺寸大小为8×8的重叠块，然后分别计算R_org的M个子带的系数矩阵一一对应的M幅图像的每幅图像中所有尺寸大小为8×8的重叠块的均值映射图和标准差映射图，并分别计算R_dis的M个子带的系数矩阵一一对应的M幅图像的每幅图像中所有尺寸大小为8×8的重叠块的均值映射图和标准差映射图，再分别计算R_org的M个子带的系数矩阵一一对应的M幅图像的每幅图像中与R_dis的M个子带的系数矩阵一一对应的M幅图像的每幅图像中所有坐标位置相同的两个重叠块的协方差映射图，将R_org的第m个子带的系数矩阵对应的图像中所有尺寸大小为8×8的重叠块的均值映射图的系数矩阵和标准差映射图的系数矩阵分别记为和 $U_m^{\mathrm{org},R}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{C}_m^{\mathrm{org},R}(i+x,j+y),$ ${\mathrm{\σ}}_m^{\mathrm{org},R}(i,j)=\sqrt{\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{(C_m^{\mathrm{org},R}(i+x,j+y)-U_m^{\mathrm{org},R}(i,j))}^2},$ 将R_dis的第m个子带的系数矩阵对应的图像中所有尺寸大小为8×8的重叠块的均值映射图的系数矩阵和标准差映射图的系数矩阵分别记为和 $U_m^{\mathrm{dis},R}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{C}_m^{\mathrm{dis},R}(i+x,j+y)$ ， ${\mathrm{\σ}}_m^{\mathrm{dis},R}(i,j)=\sqrt{\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{(C_m^{\mathrm{dis},R}(i+x,j+y)-U_m^{\mathrm{dis},R}(i,j))}^2},$ 将R_org的第m个子带的系数矩阵对应的图像中与R_dis的第m个子带的系数矩阵对应的图像中所有坐标位置相同的两个重叠块的协方差映射图的系数矩阵记为 $B_m^R(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}((C_m^{\mathrm{org},R}(i+x,j+y)-U_m^{\mathrm{org},R}(i,j))\×(C_m^{\mathrm{dis},R}(i+x,j+y)-U_m^{\mathrm{dis},R}(i,j))),$ 其中，表示对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块所有像素点的均值，表示中坐标位置为(i+x，j+y)处的系数，表示对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块所有像素点的标准差，表示对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块所有像素点的均值，表示中坐标位置为(i+x，j+y)处的系数，表示对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块所有像素点的标准差，表示对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点和对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的协方差值，此处0≤i＜(W_m-7)，0≤j＜(H_m-7)；

⑤计算L_org和L_dis的结构相似度值，记为Q^L，其中，L_M，L＝b₁×L_M，e，L+b₂×L_M，f，L+b₃×L_M，t，L，Q_m，L＝b₁×Q_m，e，L+b₂×Q_m，f，L+b₃×Q_m，t，L， $L_{M,e,L}=\frac{1}{N_{e,L}}\underset{i=0}{\overset{W_M-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\Σ}}}\frac{2\×U_M^{\mathrm{org},L}(i,j)\×U_M^{\mathrm{dis},L}(i,j)\×A_{M,e}^L(i,j)+C_1}{{(U_M^{\mathrm{org},L}(i,j)\×A_{M,e}^L(i,j))}^2+{(U_M^{\mathrm{dis},L}(i,j)\×A_{M,e}^L(i,j))}^2+C_1},$ $N_{e,L}=\underset{i=0}{\overset{W_M-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\Σ}}}{A}_{M,e}^L(i,j),$ $L_{M,f,L}=\frac{1}{N_{f,L}}\underset{i=0}{\overset{W_M-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\Σ}}}\frac{2\×U_M^{\mathrm{org},L}(i,j)\×U_M^{\mathrm{dis},L}(i,j)\×A_{M,f}^L(i,j)+C_1}{{(U_M^{\mathrm{org},L}(i,j)\×A_{M,f}^L(i,j))}^2+{(U_M^{\mathrm{dis},L}(i,j)\×A_{M,f}^L(i,j))}^2+C_1},$ $N_{f,L}=\underset{i=0}{\overset{W_M-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\Σ}}}{A}_{M,f}^L(i,j),$ $L_{M,t,L}=\frac{1}{N_{t,L}}\underset{i=0}{\overset{W_M-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\Σ}}}\frac{2\×U_M^{\mathrm{org},L}(i,j)\×U_M^{\mathrm{dis},L}(i,j)\×A_{M,t}^L(i,j)+C_1}{{(U_M^{\mathrm{org},L}(i,j)\×A_{M,t}^L(i,j))}^2+{(U_M^{\mathrm{dis},L}(i,j)\×A_{M,t}^L(i,j))}^2+C_1},$ $N_{t,L}=\underset{i=0}{\overset{W_M-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\Σ}}}{A}_{M,t}^L(i,j),$ Q_m，e，L＝H_m，e，L×G_m，e，L，Q_m，f，L＝H_m，f，L×G_m，f，L，Q_m，t，L＝H_m，t，L×G_m，t，L， $H_{m,e,L}=\frac{1}{N_{e,L}}\underset{i=0}{\overset{W_m-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\Σ}}}\frac{B_m^L(i,j)\×A_{m,e}^L(i,j)+C_3}{{\mathrm{\σ}}_m^{\mathrm{org},L}(i,j)\×{\mathrm{\σ}}_m^{\mathrm{dis},L}(i,j)\×A_{m,e}^L(i,j)+C_3},$ $H_{m,f,L}=\frac{1}{N_{f,L}}\underset{i=0}{\overset{W_m-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\Σ}}}\frac{B_m^L(i,j)\×A_{m,f}^L(i,j)+C_3}{{\mathrm{\σ}}_m^{\mathrm{org},L}(i,j)\×{\mathrm{\σ}}_m^{\mathrm{dis},L}(i,j)\×A_{m,f}^L(i,j)+C_3},$ $H_{m,t,L}=\frac{1}{N_{t,L}}\underset{i=0}{\overset{W_m-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\Σ}}}\frac{B_m^L(i,j)\×A_{m,t}^L(i,j)+C_3}{{\mathrm{\σ}}_m^{\mathrm{org},L}(i,j)\×{\mathrm{\σ}}_m^{\mathrm{dis},L}(i,j)\×A_{m,t}^L(i,j)+C_3},$ $G_{m,e,L}=\frac{1}{N_{e,L}}\underset{i=0}{\overset{W_m-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\Σ}}}\frac{2\×{\mathrm{\σ}}_m^{\mathrm{org},L}(i,j)\×{\mathrm{\σ}}_m^{\mathrm{dis},L}(i,j)\×A_{m,e}^L(i,j)+C_2}{{({\mathrm{\σ}}_m^{\mathrm{org},L}(i,j)\×A_{m,e}^L(i,j))}^2+{({\mathrm{\σ}}_m^{\mathrm{dis},L}(i,j)\×A_{m,e}^L(i,j))}^2+C_2},$ $G_{m,f,L}=\frac{1}{N_{f,L}}\underset{i-0}{\overset{W_m-8}{\mathrm{\Σ}}}\underset{j-0}{\overset{H_m-8}{\mathrm{\Σ}}}\frac{2\×{\mathrm{\σ}}_m^{\mathrm{org},L}(i,j)\×{\mathrm{\σ}}_m^{\mathrm{dis},L}(i,j)\×A_{m,f}^L(i,j)+C_2}{{({\mathrm{\σ}}_m^{\mathrm{org},L}(i,j)\×A_{m,f}^L(i,j))}^2+{({\mathrm{\σ}}_m^{\mathrm{dis},L}(i,j)\×A_{m,f}^L(i,j))}^2+C_2},$ $G_{m,t,L}=\frac{1}{N_{t,L}}\underset{i=0}{\overset{W_m-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\Σ}}}\frac{2\×{\mathrm{\σ}}_m^{\mathrm{org},L}(i,j)\×{\mathrm{\σ}}_m^{\mathrm{dis},L}(i,j)\×A_{m,t}^L(i,j)+C_2}{{({\mathrm{\σ}}_m^{\mathrm{org},L}(i,j)\×A_{m,t}^L(i,j))}^2+{({\mathrm{\σ}}_m^{\mathrm{dis},L}(i,j)\×A_{m,t}^L(i,j))}^2+C_2},$ 此处α_m表示Q_m，L对应的权值，此处b₁、b₂和b₃分别表示对应的图像和对应的图像的边缘区域、平坦区域和纹理区域的权重值，C₁、C₂和C₃均为常数，且C₁≠0，C₂≠0，C₃≠0，表示L_org的第M个子带的系数矩阵对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的均值，表示L_dis的第M个子带的系数矩阵对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的均值，表示L_org的第M个子带的系数矩阵对应的图像和L_dis的第M个子带的系数矩阵对应的图像分别实施区域划分后得到的边缘区域系数矩阵中坐标位置为(i，j)处的系数，表示L_org的第M个子带的系数矩阵对应的图像和L_dis的第M个子带的系数矩阵对应的图像分别实施区域划分后得到的平坦区域系数矩阵中坐标位置为(i，j)处的系数，表示L_org的第M个子带的系数矩阵对应的图像和L_dis的第M个子带的系数矩阵对应的图像分别实施区域划分后得到的纹理区域系数矩阵中坐标位置为(i，j)处的系数，W_M表示或或或对应的图像的宽度，H_M表示或或或对应的图像的高度；

计算R_org和R_dis的结构相似度值，记为Q^R，其中，L_M，R＝b₁×L_M，e，R+b₂×L_M，f，R+b₃×L_M，t，R，Q_m，R＝b₁×Q_m，e，R+b₂×Q_m，f，R+b₃×Q_m，t，R， $L_{M,e,R}=\frac{1}{N_{e,R}}\underset{i=0}{\overset{W_M-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\Σ}}}\frac{2\×U_M^{\mathrm{org},R}(i,j)\×U_M^{\mathrm{dis},R}(i,j)\×A_{M,e}^R(i,j)+C_1}{{(U_M^{\mathrm{org},R}(i,j)\×A_{M,e}^R(i,j))}^2+{(U_M^{\mathrm{dis},R}(i,j)\×A_{M,e}^R(i,j))}^2+C_1},$ $N_{e,R}=\underset{i=0}{\overset{W_M-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\Σ}}}{A}_{M,e}^R(i,j),$ $L_{M,f,R}=\frac{1}{N_{f,R}}\underset{i=0}{\overset{W_M-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\Σ}}}\frac{2\×U_M^{\mathrm{org},R}(i,j)\×U_M^{\mathrm{dis},R}(i,j)\×A_{M,f}^R(i,j)+C_1}{{(U_M^{\mathrm{org},R}(i,j)\×A_{M,f}^R(i,j))}^2+{(U_M^{\mathrm{dis},R}(i,j)\×A_{M,f}^R(i,j))}^2+C_1},$ $N_{f,R}=\underset{i=0}{\overset{W_M-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\Σ}}}{A}_{M,f}^R(i,j),$ $L_{M,t,R}=\frac{1}{N_{t,R}}\underset{i=0}{\overset{W_M-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\Σ}}}\frac{2\×U_M^{\mathrm{org},R}(i,j)\×U_M^{\mathrm{dis},R}(i,j)\×A_{M,t}^R(i,j)+C_1}{{(U_M^{\mathrm{org},R}(i,j)\×A_{M,t}^R(i,j))}^2+{(U_M^{\mathrm{dis},R}(i,j)\×A_{M,t}^R(i,j))}^2+C_1},$ $N_{t,R}=\underset{i=0}{\overset{W_M-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\Σ}}}{A}_{M,t}^R(i,j),$ Q_m，e，R＝H_m，e，R×G_m，e，R，Q_m，f，R＝H_m，f，R×G_m，f，R，Q_m，t，R＝H_m，t，R×G_m，t，R， $H_{m,e,R}=\frac{1}{N_{e,R}}\underset{i=0}{\overset{W_m-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\Σ}}}\frac{B_m^R(i,j)\×A_{m,e}^R(i,j)+C_3}{{\mathrm{\σ}}_m^{\mathrm{org},R}(i,j)\×{\mathrm{\σ}}_m^{\mathrm{dis},R}(i,j)\×A_{m,e}^R(i,j)+C_3},$ $H_{m,f,R}=\frac{1}{N_{f,R}}\underset{i=0}{\overset{W_m-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\Σ}}}\frac{B_m^R(i,j)\×A_{m,f}^R(i,j)+C_3}{{\mathrm{\σ}}_m^{\mathrm{org},R}(i,j)\×{\mathrm{\σ}}_m^{\mathrm{dis},R}(i,j)\×A_{m,f}^R(i,j)+C_3},$ $H_{m,t,R}=\frac{1}{N_{t,R}}\underset{i=0}{\overset{W_m-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\Σ}}}\frac{B_m^R(i,j)\×A_{m,t}^R(i,j)+C_3}{{\mathrm{\σ}}_m^{\mathrm{org},R}(i,j)\×{\mathrm{\σ}}_m^{\mathrm{dis},R}(i,j)\×A_{m,t}^R(i,j)+C_3},$ $G_{m,e,R}=\frac{1}{N_{e,R}}\underset{i=0}{\overset{W_m-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\Σ}}}\frac{2\×{\mathrm{\σ}}_m^{\mathrm{org},R}(i,j)\×{\mathrm{\σ}}_m^{\mathrm{dis},R}(i,j)\×A_{m,e}^R(i,j)+C_2}{{({\mathrm{\σ}}_m^{\mathrm{org},R}(i,j)\×A_{m,e}^R(i,j))}^2+{({\mathrm{\σ}}_m^{\mathrm{dis},R}(i,j)\×A_{m,e}^R(i,j))}^2+C_2},$ $G_{m,f,R}=\frac{1}{N_{f,R}}\underset{i=0}{\overset{W_m-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\Σ}}}\frac{2\×{\mathrm{\σ}}_m^{\mathrm{org},R}(i,j)\×{\mathrm{\σ}}_m^{\mathrm{dis},R}(i,j)\×A_{m,f}^R(i,j)+C_2}{{({\mathrm{\σ}}_m^{\mathrm{org},R}(i,j)\×A_{m,f}^R(i,j))}^2+{({\mathrm{\σ}}_m^{\mathrm{dis},R}(i,j)\×A_{m,f}^R(i,j))}^2+C_2},$ $G_{m,t,R}=\frac{1}{N_{t,R}}\underset{i=0}{\overset{W_m-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\Σ}}}\frac{2\×{\mathrm{\σ}}_m^{\mathrm{org},R}(i,j)\×{\mathrm{\σ}}_m^{\mathrm{dis},R}(i,j)\×A_{m,t}^R(i,j)+C_2}{{({\mathrm{\σ}}_m^{\mathrm{org},R}(i,j)\×A_{m,t}^R(i,j))}^2+{({\mathrm{\σ}}_m^{\mathrm{dis},R}(i,j)\×A_{m,t}^R(i,j))}^2+C_2},$ 此处α_m表示Q_m，R对应的权值，此处b₁、b₂和b₃分别表示对应的图像和对应的图像的边缘区域、平坦区域和纹理区域的权重值，表示R_org的第M个子带的系数矩阵对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的均值，表示R_dis的第M个子带的系数矩阵对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的均值，表示R_org的第M个子带的系数矩阵对应的图像和R_dis的第M个子带的系数矩阵对应的图像分别实施区域划分后得到的边缘区域系数矩阵中坐标位置为(i，j)处的系数，表示R_org的第M个子带的系数矩阵对应的图像和R_dis的第M个子带的系数矩阵对应的图像分别实施区域划分后得到的边缘区域系数矩阵中坐标位置为(i，j)处的系数，表示R_org的第M个子带的系数矩阵对应的图像和R_dis的第M个子带的系数矩阵对应的图像分别实施区域划分后得到的边缘区域系数矩阵中坐标位置为(i，j)处的系数；

⑥根据Q^L和Q^R计算待评价的失真的立体图像S_dis相对于原始的无失真的立体图像S_org的空间频率相似度度量，记为Q_F，Q_F＝ω_l×Q^L+ω_r×Q^R，其中，ω_l表示Q^L的权值，ω_r表示Q^R的权值；

⑦计算L_org与R_org的绝对差值图像，记为 计算L_dis与R_dis的绝对差值图像，记为 其中，“||”为取绝对值符号；

⑧对和分别实施区域划分，得到和各自对应的三个区域系数矩阵，三个区域分别为边缘区域、平坦区域和纹理区域，将和的边缘区域系数矩阵均记为 将和的平坦区域系数矩阵均记为 将和的纹理区域系数矩阵均记为 其中，表示中坐标位置为(i，j)处的系数，表示中坐标位置为(i，j)处的系数，表示中坐标位置为(i，j)处的系数，此处0≤i＜(W-7)，0≤j＜(H-7)，W表示或的宽度，H表示或的高度；

⑨将和分别分割成(W-7)×(H-7)个尺寸大小为8×8的重叠块，然后计算与中所有坐标位置相同的两个重叠块的亮度失真映射图的系数矩阵、结构失真映射图的系数矩阵及灵敏度失真映射图的系数矩阵，分别记为P^LR、K^LR及E^LR，对于中左上角的像素点的坐标位置为(i，j)的重叠块，将其定义为当前重叠块，计算当前重叠块与中与当前重叠块坐标位置相同的重叠块的亮度失真映射值，记为 $P^{\mathrm{LR}}(i,j),P^{\mathrm{LR}}(i,j)=\left\{\begin{array}{cc}0.9\&times;\sqrt{\frac{1}{|U_{\mathrm{org}}^{\mathrm{LR}}(i,j)-127|}}& U_{\mathrm{org}}^{\mathrm{LR}}(i,j)>127\\ 1& U_{\mathrm{org}}^{\mathrm{LR}}(i,j)=127\\ 0.3\&times;\sqrt{\frac{1}{|U_{\mathrm{org}}^{\mathrm{LR}}(i,j)-127|}}& U_{\mathrm{org}}^{\mathrm{LR}}(i,j)<127\end{array}\right.,$ 计算当前重叠块与中与当前重叠块坐标位置相同的重叠块的结构失真映射值，记为K^LR(i，j)， $K^{\mathrm{LR}}(i,j)=\frac{{({\left({\mathrm{\&sigma;}}_{\mathrm{org}}^{\mathrm{LR}}(i,j)\right)}^2-{\left({\mathrm{\&sigma;}}_{\mathrm{dis}}^{\mathrm{LR}}(i,j)\right)}^2)}^2+C_4}{{\left({\left({\mathrm{\&sigma;}}_{\mathrm{org}}^{\mathrm{LR}}(i,j)\right)}^2\right)}^2+{\left({\left({\mathrm{\&sigma;}}_{\mathrm{dis}}^{\mathrm{LR}}(i,j)\right)}^2\right)}^2-2{\left({\mathrm{\&sigma;}}_{\mathrm{org},\mathrm{dis}}^{\mathrm{LR}}(i,j)\right)}^2+C_4},$ 计算当前重叠块与中与当前重叠块坐标位置相同的重叠块的灵敏度失真映射值，记为E^LR(i，j)， $E^{\mathrm{LR}}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{7}{\mathrm{\&Sigma;}}}{(D_{\mathrm{LR}}^{\mathrm{org}}(i+x,j+y)-D_{\mathrm{LR}}^{\mathrm{dis}}(i+x,j+y))}^2,$ 其中，表示中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的均值，表示中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的标准差，表示中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的标准差，表示中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点和中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的协方差，C₄是常数，且C₄≠0，表示中坐标位置为(i+x，j+y)的像素点的像素值，表示中坐标位置为(i+x，j+y)的像素点的像素值，此处0≤i＜(W-7)，0≤j＜(H-7)；

⑩计算待评价的失真的立体图像S_dis相对于原始的无失真的立体图像S_org的立体感知评价度量，记为Q_S，Q_s＝b₁×Q_e+b₂×Q_f+b₃×Q_t，其中， $Q_e=\frac{1}{N_{e,\mathrm{LR}}}\underset{i=0}{\overset{W-7}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H-7}{\mathrm{\&Sigma;}}}(P^{\mathrm{LR}}(i,j)\&times;E^{\mathrm{LR}}(i,j)\&times;K^{\mathrm{LR}}(i,j)\&times;A_e^{\mathrm{LR}}(i,j)),$ $N_{e,\mathrm{LR}}=\underset{i=0}{\overset{W-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H-8}{\mathrm{\&Sigma;}}}{A}_e^{\mathrm{LR}}(i,j),$ $Q_f=\frac{1}{N_{f,\mathrm{LR}}}\underset{i=0}{\overset{W-7}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H-7}{\mathrm{\&Sigma;}}}(P^{\mathrm{LR}}(i,j)\&times;E^{\mathrm{LR}}(i,j)\&times;K^{\mathrm{LR}}(i,j)\&times;A_f^{\mathrm{LR}}(i,j)),$ $N_{f,\mathrm{LR}}=\underset{i=0}{\overset{W-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H-8}{\mathrm{\&Sigma;}}}{A}_f^{\mathrm{LR}}(i,j),$ $Q_t=\frac{1}{N_{t,\mathrm{LR}}}\underset{i=0}{\overset{W-7}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H-7}{\mathrm{\&Sigma;}}}(P^{\mathrm{LR}}(i,j)\&times;E^{\mathrm{LR}}(i,j)\&times;K^{\mathrm{LR}}(i,j)\&times;A_t^{\mathrm{LR}}(i,j)),$ $N_{t,\mathrm{LR}}=\underset{i=0}{\overset{W-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H-8}{\mathrm{\&Sigma;}}}{A}_t^{\mathrm{LR}}(i,j);$

根据待评价的失真的立体图像S_dis相对于原始的无失真的立体图像S_org的空间频率相似度度量Q_F和立体感知评价度量Q_S，计算待评价的失真的立体图像S_dis的图像质量评价分值，记为Q，Q＝Q_F×(Q_S)^λ，其中，λ表示权重系数值。

所述的步骤③中对L_org的第m个子带的系数矩阵对应的图像和L_dis的第m个子带的系数矩阵对应的图像分别实施区域划分获取边缘区域系数矩阵平坦区域系数矩阵和纹理区域系数矩阵的具体过程为：

③-a1、对对应的图像作Sobel算子处理，得到对应的图像的水平方向梯度图像和垂直方向梯度图像，分别记为Z_h，l和Z_v，l，然后计算对应的图像的梯度幅值映射图，记为Z_l，将对应的图像的梯度幅值映射图Z_l中坐标位置为(i，j)的像素点的梯度幅值记为Z_l(i，j)，此处0≤i＜(W_m-7)，0≤j＜(H_m-7)，W_m表示或或或对应的图像的宽度，H_m表示或或或对应的图像的高度；

③-a2、对对应的图像作Sobel算子处理，得到对应的图像的水平方向梯度图像和垂直方向梯度图像，分别记为Z_h，r和Z_v，r，然后计算对应的图像的梯度幅值映射图，记为Z_r，将对应的图像的梯度幅值映射图Z_r中坐标位置为(i，j)的像素点的梯度幅值记为Z_r(i，j)；

③-a3、计算区域划分时所需的双阈值T₁和T₂，T₁＝0.06×max(Z_l)，T₂＝0.12×max(Z_l)，其中，max()为取最大值函数；

③-a4、根据对应的图像的梯度幅值映射图Z_l和对应的图像的梯度幅值映射图Z_r，判定对应的图像和对应的图像中所有坐标位置相同的两个像素点为边缘像素点或平坦像素点或纹理像素点，对于对应的图像和对应的图像中坐标位置均为(i，j)的像素点，如果Z_l(i，j)＞T₂或Z_r(i，j)＞T₂，则确定对应的图像和对应的图像中坐标位置均为(i，j)的像素点为边缘像素点，且令否则，确定对应的图像和对应的图像中坐标位置均为(i，j)的像素点为非边缘像素点，且令如果Z_l(i，j)＜T₁且Z_r(i，j)＜T₂，则确定对应的图像和对应的图像中坐标位置均为(i，j)的像素点为平坦像素点，且令否则，确定对应的图像和对应的图像中坐标位置均为(i，j)的像素点为非平坦像素点，且令如果T₁≤Z_l(i，j)≤T₂且Z_r(i，j)≤T₂，则确定对应的图像和对应的图像中坐标位置均为(i，j)的像素点为纹理像素点，且令否则，确定对应的图像和对应的图像中坐标位置均为(i，j)的像素点为非纹理像素点，且令

所述的步骤③中对R_org的第m个子带的系数矩阵对应的图像和R_dis的第m个子带的系数矩阵对应的图像分别实施区域划分获取边缘区域系数矩阵平坦区域系数矩阵和纹理区域系数矩阵的具体过程为：

③-b1、对对应的图像作Sobel算子处理，得到对应的图像的水平方向梯度图像和垂直方向梯度图像，分别记为Z_h，l′和Z_v，l′，然后计算对应的图像的梯度幅值映射图，记为Z_l′，将对应的图像的梯度幅值映射图Z_l′中坐标位置为(i，j)的像素点的梯度幅值记为Z_l′(i，j)，此处0≤i＜(W_m-7)，0≤j＜(H_m-7)，W_m表示或或或对应的图像的宽度，H_m表示或或或对应的图像的高度；

③-b2、对对应的图像作Sobel算子处理，得到对应的图像的水平方向梯度图像和垂直方向梯度图像，分别记为Z_h，r′和Z_v，r′，然后计算对应的图像的梯度幅值映射图，记为Z_r′，将对应的图像的梯度幅值映射图Z_r′中坐标位置为(i，j)的像素点的梯度幅值记为Z_r′(i，j)；

③-b3、计算区域划分时所需的双阈值T₁′和T₂′，T₁′＝0.06×max(Z_l′)，T₂′＝0.12×max(Z_l′)，其中，max()为取最大值函数；

③-b4、根据对应的图像的梯度幅值映射图Z_l′和对应的图像的梯度幅值映射图Z_r′，判定对应的图像和对应的图像中所有坐标位置相同的两个像素点为边缘像素点或平坦像素点或纹理像素点，对于对应的图像和对应的图像中坐标位置均为(i，j)的像素点，如果Z_l′(i，j)＞T₂′或Z_r′(i，j)＞T₂′，则确定对应的图像和对应的图像中坐标位置均为(i，j)的像素点为边缘像素点，且令否则，确定对应的图像和对应的图像中坐标位置均为(i，j)的像素点为非边缘像素点，且令如果Z_l′(i，j)＜T₁′且Z_r′(i，j)＜T₂′，则确定对应的图像和对应的图像中坐标位置均为(i，j)的像素点为平坦像素点，且令否则，确定对应的图像和对应的图像中坐标位置均为(i，j)的像素点为非平坦像素点，且令如果T₁′≤Z_l′(i，j)≤T₂′且Z_r′(i，j)≤T₂′，则确定对应的图像和对应的图像中坐标位置均为(i，j)的像素点为纹理像素点，且令否则，确定对应的图像和对应的图像中坐标位置均为(i，j)的像素点为非纹理像素点，且

所述的步骤中权重系数值λ的获取过程为：

-1、采用n幅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，失真立体图像集包括多幅失真的立体图像，其中，n≥1；

-2、利用主观质量评价方法获取失真立体图像集中的每幅失真的立体图像与其对应的无失真的立体图像的平均主观评分值的差值，记为DMOS，DMOS∈[0，100]；

-3、根据步骤①至⑩的过程，计算失真立体图像集中的每幅失真的立体图像相对于对应的无失真的立体图像的空间频率相似度度量Q_F和立体感知评价度量Q_S；

-4、采用数学优化方法来拟合失真立体图像集中的每幅失真的立体图像对应的DMOS及对应的空间频率相似度度量Q_F和立体感知评价度量Q_S，拟合函数为DMOS＝Q_F×(Q_S)^λ，从而得到最优情况下的λ值。

与现有技术相比，本发明的优点在于通过分别对无失真的立体图像和失真的立体图像的左视点图像和右视点图像进行低通滤波和下采样处理，得到各个不同尺度的图像，然后对其进行区域划分，提取各尺度各区域的结构相似度度量值，然后根据人眼视觉感知决定的权值进行线性加权得到左视点图像质量和右视点图像质量，进而得到左右视点图像质量评价值；然后，通过评价无失真的立体图像和失真的立体图像的左右图像的绝对差值图像的不同区域的结构失真、灵敏度失真和亮度失真，通过人眼视觉感知决定的权值进行线性加权来实现对立体感知质量的评价；最后将左右视点图像质量和立体感知质量两者相结合，得到立体图像的最终质量评价结果，由于本发明方法在立体图像客观质量评价过程中在考虑图像质量损失的同时，有效地利用了深度感知特性及人眼视觉感知特性，因此提高了客观评价结果与主观感知的一致性，为各种立体图像处理算法的评判提供准确的判断依据。

附图说明

图1为本发明方法的总体实现框图；

图2为5级无失真Newspaper立体图像中的左视点图像经过五级滤波及下采样的中间变换图；

图3a为Akko&Kayo(640×480)立体图像；

图3b为Alt Moabit(1024×768)立体图像；

图3c为Balloons(1024×768)立体图像；

图3d为Door Flowers(1024×768)立体图像；

图3e为Kendo(1024×768)立体图像；

图3f为Leaving Laptop(1024×768)立体图像；

图3g为Lovebird1(1024×768)立体图像；

图3h为Newspaper(1024×768)立体图像；

图3i为Xmas(640×480)立体图像；

图3j为Puppy(720×480)立体图像；

图3k为Soccer2(720×480)立体图像；

图3l为Horse(480×270)立体图像；

图4a为Newspaper立体图像对的无失真左视点图像和其经过均值为0方差为0.5模糊失真的失真图像分割的边缘区域图；

图4b为Newspaper立体图像对的无失真左视点图像和其经过均值为0方差为0.5模糊失真的失真图像分割的纹理区域图；

图4c为Newspaper立体图像对的无失真左视点图像和其经过均值为0方差为0.5模糊失真的失真图像分割的平坦区域图；

图5a为λ与主观评价值相关系数CC之间的关系曲线图；

图5b为λ与主观评价值均方误差RMSE之间的关系曲线图。

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。

本发明提出的一种基于视觉感知的立体图像客观质量评价方法，其充分考虑了人眼视觉感知特性，其分别评价了左右视点图像质量以及立体图像的立体感知质量，对左右视点图像质量和深度感知质量进行非线性加权，得到立体图像的最终质量评价值。图1给出了本发明方法的总体实现框图，其具体包括以下步骤：

①令S_org为原始的无失真的立体图像，令S_dis为待评价的失真的立体图像，将原始的无失真的立体图像S_org的左视点图像记为L_org，将原始的无失真的立体图像S_org的右视点图像记为R_org，将待评价的失真的立体图像S_dis的左视点图像记为L_dis，将待评价的失真的立体图像S_dis的右视点图像记为R_dis。

②对L_org、R_org、L_dis和R_dis4幅图像分别实施M级正交小波9/7滤波和下采样的尺度分解，分别得到L_org、R_org、L_dis和R_dis4幅图像各自对应的M个子带的系数矩阵，将L_org实施第m级正交小波9/7滤波和下采样的尺度分解后得到的对应的第m个子带的系数矩阵记为将R_org实施第m级正交小波9/7滤波和下采样的尺度分解后得到的对应的第m个子带的系数矩阵记为将L_dis实施第m级正交小波9/7滤波和下采样的尺度分解后得到的对应的第m个子带的系数矩阵记为将R_dis实施第m级正交小波9/7滤波和下采样的尺度分解后得到的对应的第m个子带的系数矩阵记为其中，1≤m≤M。

图2给出了5级无失真Newspaper立体图像中的左视点图像经过五级滤波及下采样的中间变换图。每一个尺度上的矩阵的分辨率是上一级尺度的1/4。

③对L_org的M个子带的系数矩阵一一对应的M幅图像分别实施区域划分，得到L_org的M个子带的系数矩阵一一对应的M幅图像各自对应的三个区域系数矩阵，对R_org的M个子带的系数矩阵一一对应的M幅图像分别实施区域划分，得到R_org的M个子带的系数矩阵一一对应的M幅图像各自对应的三个区域系数矩阵，对L_dis的M个子带的系数矩阵一一对应的M幅图像分别实施区域划分，得到L_dis的M个子带的系数矩阵一一对应的M幅图像各自对应的三个区域系数矩阵，对R_dis的M个子带的系数矩阵一一对应的M幅图像分别实施区域划分，得到R_dis的M个子带的系数矩阵一一对应的M幅图像各自对应的三个区域系数矩阵，其中，三个区域分别为边缘区域、平坦区域和纹理区域；将L_org的第m个子带的系数矩阵对应的图像和L_dis的第m个子带的系数矩阵对应的图像分别实施区域划分后得到的边缘区域系数矩阵均记为对于L_org的第m个子带的系数矩阵对应的图像和L_dis的第m个子带的系数矩阵对应的图像中坐标位置均为(i，j)的两个像素点，判断该两个像素点是否均属于边缘区域，如果是，则将中坐标位置为(i，j)处的系数赋值为1，否则，将中坐标位置为(i，j)处的系数赋值为0，将L_org的第m个子带的系数矩阵对应的图像和L_dis的第m个子带的系数矩阵对应的图像分别实施区域划分后得到的平坦区域系数矩阵均记为对于L_org的第m个子带的系数矩阵对应的图像和L_dis的第m个子带的系数矩阵对应的图像中坐标位置均为(i，j)的两个像素点，判断该两个像素点是否均属于平坦区域，如果是，则将中坐标位置为(i，j)处的系数赋值为1，否则，将中坐标位置为(i，j)处的系数赋值为0，将L_org的第m个子带的系数矩阵对应的图像L_dis的第m个子带的系数矩阵对应的图像分别实施区域划分后得到的纹理区域系数矩阵均记为对于L_org的第m个子带的系数矩阵对应的图像和L_dis的第m个子带的系数矩阵对应的图像中坐标位置均为(i，j)的两个像素点，判断该两个像素点是否均属于纹理区域，如果是，则将中坐标位置为(i，j)处的系数赋值为1，否则，将中坐标位置为(i，j)处的系数赋值为0，将R_org的第m个子带的系数矩阵对应的图像和R_dis的第m个子带的系数矩阵对应的图像分别实施区域划分后得到的边缘区域系数矩阵均记为对于R_org的第m个子带的系数矩阵对应的图像和R_dis的第m个子带的系数矩阵对应的图像中坐标位置均为(i，j)的两个像素点，判断该两个像素点是否均属于边缘区域，如果是，则将中坐标位置为(i，j)处的系数赋值为1，否则，将中坐标位置为(i，j)处的系数赋值为0，将R_org的第m个子带的系数矩阵对应的图像和R_dis的第m个子带的系数矩阵对应的图像分别实施区域划分后得到的平坦区域系数矩阵均记为对于R_org的第m个子带的系数矩阵对应的图像和R_dis的第m个子带的系数矩阵对应的图像中坐标位置均为(i，j)的两个像素点，判断该两个像素点是否均属于平坦区域，如果是，则将中坐标位置为(i，j)处的系数赋值为1，否则，将中坐标位置为(i，j)处的系数赋值为0，将R_org的第m个子带的系数矩阵对应的图像和R_dis的第m个子带的系数矩阵对应的图像分别实施区域划分后得到的纹理区域系数矩阵均记为对于R_org的第m个子带的系数矩阵对应的图像和R_dis的第m个子带的系数矩阵对应的图像中坐标位置均为(i，j)的两个像素点，判断该两个像素点是否均属于纹理区域，如果是，则将中坐标位置为(i，j)处的系数赋值为1，否则，将中坐标位置为(i，j)处的系数赋值为0，其中，0≤i＜(W_m-7)，0≤j＜(H_m-7)，W_m表示 对应的图像的宽度，H_m表示对应的图像的高度。

在此具体实施例中，对L_org的第m个子带的系数矩阵对应的图像和L_dis的第m个子带的系数矩阵对应的图像分别实施区域划分获取边缘区域系数矩阵平坦区域系数矩阵和纹理区域系数矩阵的具体过程为：

③-a1、对对应的图像作Sobel算子处理，得到对应的图像的水平方向梯度图像和垂直方向梯度图像，分别记为Z_h，l和Z_v，l然后计算对应的图像的梯度幅值映射图，记为Z_l，将对应的图像的梯度幅值映射图Z_l中坐标位置为(i，j)的像素点的梯度幅值记为Z_l(i，j)，此处0≤i＜(W_m-7)，0≤j＜(H_m-7)，W_m表示或或或对应的图像的宽度，H_m表示或或或对应的图像的高度。

③-a2、对对应的图像作Sobel算子处理，得到对应的图像的水平方向梯度图像和垂直方向梯度图像，分别记为Z_h，r和Z_v，r，然后计算对应的图像的梯度幅值映射图，记为Z_r，将对应的图像的梯度幅值映射图Z_r中坐标位置为(i，j)的像素点的梯度幅值记为Z_r(i，j)。

③-a3、计算区域划分时所需的双阈值T₁和T₂，T₁＝0.06×max(Z_l)，T₂＝0.12×max(Z_l)，其中，max()为取最大值函数。

③-a4、根据对应的图像的梯度幅值映射图Z_l和对应的图像的梯度幅值映射图Z_r，判定对应的图像和对应的图像中所有坐标位置相同的两个像素点为边缘像素点或平坦像素点或纹理像素点，对于对应的图像和对应的图像中坐标位置均为(i，j)的像素点，如果Z_l(i，j)＞T₂或Z_r(i，j)＞T₂，则确定对应的图像和对应的图像中坐标位置均为(i，j)的像素点为边缘像素点，且令否则，确定对应的图像和对应的图像中坐标位置均为(i，j)的像素点为非边缘像素点，且令如果Z_l(i，j)＜T₁且Z_r(i，j)＜T₂，则确定对应的图像和对应的图像中坐标位置均为(i，j)的像素点为平坦像素点，且令否则，确定对应的图像和对应的图像中坐标位置均为(i，j)的像素点为非平坦像素点，且令如果T₁≤Z_l(i，j)≤T₂且Z_r(i，j)≤T₂，则确定对应的图像和对应的图像中坐标位置均为(i，j)的像素点为纹理像素点，且令否则，确定对应的图像和对应的图像中坐标位置均为(i，j)的像素点为非纹理像素点，且令

在此具体实施例中，对R_org的第m个子带的系数矩阵对应的图像和R_dis的第m个子带的系数矩阵对应的图像分别实施区域划分获取边缘区域系数矩阵平坦区域系数矩阵和纹理区域系数矩阵的具体过程为：

③-b1、对对应的图像作Sobel算子处理，得到对应的图像的水平方向梯度图像和垂直方向梯度图像，分别记为Z_h，l′和Z_v，l′，然后计算对应的图像的梯度幅值映射图，记为Z_l′，将对应的图像的梯度幅值映射图Z_l′中坐标位置为(i，j)的像素点的梯度幅值记为Z_l′(i，j)，此处0≤i＜(W_m-7)，0≤j＜(H_m-7)，W_m表示或或或对应的图像的宽度，H_m表示或或或对应的图像的高度。

③-b2、对对应的图像作Sobel算子处理，得到对应的图像的水平方向梯度图像和垂直方向梯度图像，分别记为Z_h，r′和Z_v，r′，然后计算对应的图像的梯度幅值映射图，记为Z_r′，将对应的图像的梯度幅值映射图Z_r′中坐标位置为(i，j)的像素点的梯度幅值记为Z_r′(i，j)。

③-b3、计算区域划分时所需的双阈值T₁′和T₂′，T₁′＝0.06×max(Z_l′)，T₂′＝0.12×max(Z_l′)，其中，max()为取最大值函数。

③-b4、根据对应的图像的梯度幅值映射图Z_l′和对应的图像的梯度幅值映射图Z_r′，判定对应的图像和对应的图像中所有坐标位置相同的两个像素点为边缘像素点或平坦像素点或纹理像素点，对于对应的图像和对应的图像中坐标位置均为(i，j)的像素点，如果Z_l′(i，j)＞T₂′或Z_r′(i，j)＞T₂′，则确定对应的图像和对应的图像中坐标位置均为(i，j)的像素点为边缘像素点，且令否则，确定对应的图像和对应的图像中坐标位置均为(i，j)的像素点为非边缘像素点，且令如果Z_l′(i，j)＜T₁′且Z_r′(i，j)＜T₂′，则确定对应的图像和对应的图像中坐标位置均为(i，j)的像素点为平坦像素点，且令否则，确定对应的图像和对应的图像中坐标位置均为(i，j)的像素点为非平坦像素点，且令如果T₁′≤Z_l′(i，j)≤T₂′且Z_r′(i，j)≤T₂′，则确定对应的图像和对应的图像中坐标位置均为(i，j)的像素点为纹理像素点，且令否则，确定对应的图像和对应的图像中坐标位置均为(i，j)的像素点为非纹理像素点，且令

在本实施例中，利用图3a、图3b、图3c、图3d、图3e、图3f、图3g、图3h、图3i、图3j、图3k和图3l所示的12对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，失真类型包括JPEG压缩、JP2K压缩、高斯白噪声、高斯模糊和H264编码失真，且立体图像对的左图像和右图像同时同程度失真，该失真立体图像集共包括312对失真的立体图像，其中JPEG压缩的失真的立体图像共60对，JPEG2000压缩的失真的立体图像共60对，高斯白噪声失真的立体图像共60对，高斯模糊失真的立体图像共60对，H264编码失真的立体图像共72对。对上述312对立体图像进行如上所述的区域划分。图4a、图4b和图4c分别给出了Newspaper立体图像对的无失真左视点图像和其经过均值为0方差为0.5模糊失真的失真图像分割的边缘区域图、纹理区域图和平坦区域图。

④将L_org的M个子带的系数矩阵一一对应的M幅图像分别分割成(W_m-7)×(H_m-7)个尺寸大小为8×8的重叠块，将L_dis的M个子带的系数矩阵一一对应的M幅图像分别分割成(W_m-7)×(H_m-7)个尺寸大小为8×8的重叠块，然后分别计算L_org的M个子带的系数矩阵一一对应的M幅图像的每幅图像中所有尺寸大小为8×8的重叠块的均值映射图和标准差映射图，并分别计算L_dis的M个子带的系数矩阵一一对应的M幅图像的每幅图像中所有尺寸大小为8×8的重叠块的均值映射图和标准差映射图，再分别计算L_org的M个子带的系数矩阵一一对应的M幅图像的每幅图像中与L_dis的M个子带的系数矩阵一一对应的M幅图像的每幅图像中所有坐标位置相同的两个重叠块的协方差映射图，将L_org的第m个子带的系数矩阵对应的图像中所有尺寸大小为8×8的重叠块的均值映射图的系数矩阵和标准差映射图的系数矩阵分别记为和 $U_m^{\mathrm{org},L}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{7}{\mathrm{\&Sigma;}}}{C}_m^{\mathrm{org},L}(i+x,j+y),$ ${\mathrm{\&sigma;}}_m^{\mathrm{org},L}(i,j)=\sqrt{\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{7}{\mathrm{\&Sigma;}}}{(C_m^{\mathrm{org},L}(i+x,j+y)-U_m^{\mathrm{org},L}(i,j))}^2},$ 将L_dis的第m个子带的系数矩阵对应的图像中所有尺寸大小为8×8的重叠块的均值映射图的系数矩阵和标准差映射图的系数矩阵分别记为和 $U_m^{\mathrm{dis},L}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{7}{\mathrm{\&Sigma;}}}{C}_m^{\mathrm{dis},L}(i+x,j+y),$ ${\mathrm{\&sigma;}}_m^{\mathrm{dis},L}(i,j)=\sqrt{\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{7}{\mathrm{\&Sigma;}}}{(C_m^{\mathrm{dis},L}(i+x,j+y)-U_m^{\mathrm{dis},L}(i,j))}^2},$ 将L_org的第m个子带的系数矩阵对应的图像中与L_dis的第m个子带的系数矩阵对应的图像中所有坐标位置相同的两个重叠块的协方差映射图的系数矩阵记为 $B_m^L(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{7}{\mathrm{\&Sigma;}}}((C_m^{\mathrm{org},L}(i+x,j+y)-U_m^{\mathrm{org},L}(i,j))\&times;(C_m^{\mathrm{dis},L}(i+x,j+y)-U_m^{\mathrm{dis},L}(i,j))),$ 其中，表示对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的均值，表示中坐标位置为(i+x，j+y)处的系数，表示对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的标准差，表示对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的均值，表示中坐标位置为(i+x，j+y)处的系数，表示对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的标准差，表示对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点和对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的协方差值，此处0≤i＜(W_m-7)，0≤j＜(H_m-7)。

将R_org的M个子带的系数矩阵一一对应的M幅图像分别分割成(W_m-7)×(H_m-7)个尺寸大小为8×8的重叠块，将R_dis的M个子带的系数矩阵一一对应的M幅图像分别分割成(W_m-7)×(H_m-7)个尺寸大小为8×8的重叠块，然后分别计算R_org的M个子带的系数矩阵一一对应的M幅图像的每幅图像中所有尺寸大小为8×8的重叠块的均值映射图和标准差映射图，并分别计算R_dis的M个子带的系数矩阵一一对应的M幅图像的每幅图像中所有尺寸大小为8×8的重叠块的均值映射图和标准差映射图，再分别计算R_org的M个子带的系数矩阵一一对应的M幅图像的每幅图像中与R_dis的M个子带的系数矩阵一一对应的M幅图像的每幅图像中所有坐标位置相同的两个重叠块的协方差映射图，将R_org的第m个子带的系数矩阵对应的图像中所有尺寸大小为8×8的重叠块的均值映射图的系数矩阵和标准差映射图的系数矩阵分别记为和 $U_m^{\mathrm{org},R}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{7}{\mathrm{\&Sigma;}}}{C}_m^{\mathrm{org},R}(i+x,j+y),$ ${\mathrm{\&sigma;}}_m^{\mathrm{org},R}(i,j)=\sqrt{\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{7}{\mathrm{\&Sigma;}}}{(C_m^{\mathrm{org},R}(i+x,j+y)-U_m^{\mathrm{org},R}(i,j))}^2},$ 将R_dis的第m个子带的系数矩阵对应的图像中所有尺寸大小为8×8的重叠块的均值映射图的系数矩阵和标准差映射图的系数矩阵分别记为和 $U_m^{\mathrm{dis},R}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{7}{\mathrm{\&Sigma;}}}{C}_m^{\mathrm{dis},R}(i+x,j+y),$ ${\mathrm{\&sigma;}}_m^{\mathrm{dis},R}(i,j)=\sqrt{\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{7}{\mathrm{\&Sigma;}}}{(C_m^{\mathrm{dis},R}(i+x,j+y)-U_m^{\mathrm{dis},R}(i,j))}^2},$ 将R_org的第m个子带的系数矩阵对应的图像中与R_dis的第m个子带的系数矩阵对应的图像中所有坐标位置相同的两个重叠块的协方差映射图的系数矩阵记为 $B_m^R(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{7}{\mathrm{\&Sigma;}}}((C_m^{\mathrm{org},R}(i+x,j+y)-U_m^{\mathrm{org},R}(i,j))\&times;(C_m^{\mathrm{dis},R}(i+x,j+y)-U_m^{\mathrm{dis},R}(i,j))),$ 其中，表示对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的均值，表示中坐标位置为(i+x，j+y)处的系数，表示对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的标准差，表示对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的均值，表示中坐标位置为(i+x，j+y)处的系数，表示对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的标准差，表示对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点和对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的协方差值，此处0≤i＜(W_m-7)，0≤j＜(H_m-7)。

在此，为了充分利用图像中像素点之间的关联性，一个尺寸大小为8×8的重叠块与其最相邻的左重叠块或右重叠块有7列重叠，同样，该尺寸大小为8×8的重叠块与其最相邻的上重叠块或下重叠块有7行重叠。

⑤计算L_org和L_dis的结构相似度值，记为Q^L，其中，L_M，L＝b₁×L_M，e，L+b₂×L_M，f，L+b₃×L_M，t，L，Q_m，L＝b₁×Q_m，e，L+b₂×Q_m，f，L+b₃×Q_m，t，L， $L_{M,e,L}=\frac{1}{N_{e,L}}\underset{i=0}{\overset{W_M-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\&Sigma;}}}\frac{2\&times;U_M^{\mathrm{org},L}(i,j)\&times;U_M^{\mathrm{dis},L}(i,j)\&times;A_{M,e}^L(i,j)+C_1}{{(U_M^{\mathrm{org},L}(i,j)\&times;A_{M,e}^L(i,j))}^2+{(U_M^{\mathrm{dis},L}(i,j)\&times;A_{M,e}^L(i,j))}^2+C_1},$ $N_{e,L}=\underset{i=0}{\overset{W_M-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\&Sigma;}}}{A}_{M,e}^L(i,j),$ $L_{M,f,L}=\frac{1}{N_{f,L}}\underset{i=0}{\overset{W_M-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\&Sigma;}}}\frac{2\&times;U_M^{\mathrm{org},L}(i,j)\&times;U_M^{\mathrm{dis},L}(i,j)\&times;A_{M,f}^L(i,j)+C_1}{{(U_M^{\mathrm{org},L}(i,j)\&times;A_{M,f}^L(i,j))}^2+{(U_M^{\mathrm{dis},L}(i,j)\&times;A_{M,f}^L(i,j))}^2+C_1},$ $N_{f,L}=\underset{i=0}{\overset{W_M-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\&Sigma;}}}{A}_{M,f}^L(i,j),$ $L_{M,t,L}=\frac{1}{N_{t,L}}\underset{i=0}{\overset{W_M-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\&Sigma;}}}\frac{2\&times;U_M^{\mathrm{org},L}(i,j)\&times;U_M^{\mathrm{dis},L}(i,j)\&times;A_{M,t}^L(i,j)+C_1}{{(U_M^{\mathrm{org},L}(i,j)\&times;A_{M,t}^L(i,j))}^2+{(U_M^{\mathrm{dis},L}(i,j)\&times;A_{M,t}^L(i,j))}^2+C_1},$ $N_{t,L}=\underset{i=0}{\overset{W_M-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\&Sigma;}}}{A}_{M,t}^L(i,j),$ Q_m，e，L＝H_m，e，L×G_m，e，L，Q_m，f，L＝H_m，f，L×G_m，f，L，Q_m，t，L＝H_m，t，L×G_m，t，L， $H_{m,e,L}=\frac{1}{N_{e,L}}\underset{i=0}{\overset{W_m-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\&Sigma;}}}\frac{B_m^L(i,j)\&times;A_{m,e}^L(i,j)+C_3}{{\mathrm{\&sigma;}}_m^{\mathrm{org},L}(i,j)\&times;{\mathrm{\&sigma;}}_m^{\mathrm{dis},L}(i,j)\&times;A_{m,e}^L(i,j)+C_3},$ $H_{m,f,L}=\frac{1}{N_{f,L}}\underset{i=0}{\overset{W_m-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\&Sigma;}}}\frac{B_m^L(i,j)\&times;A_{m,f}^L(i,j)+C_3}{{\mathrm{\&sigma;}}_m^{\mathrm{org},L}(i,j)\&times;{\mathrm{\&sigma;}}_m^{\mathrm{dis},L}(i,j)\&times;A_{m,f}^L(i,j)+C_3},$ $H_{m,t,L}=\frac{1}{N_{t,L}}\underset{i=0}{\overset{W_m-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\&Sigma;}}}\frac{B_m^L(i,j)\&times;A_{m,t}^L(i,j)+C_3}{{\mathrm{\&sigma;}}_m^{\mathrm{org},L}(i,j)\&times;{\mathrm{\&sigma;}}_m^{\mathrm{dis},L}(i,j)\&times;A_{m,t}^L(i,j)+C_3},$ $G_{m,e,L}=\frac{1}{N_{e,L}}\underset{i=0}{\overset{W_m-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\&Sigma;}}}\frac{2\&times;{\mathrm{\&sigma;}}_m^{\mathrm{org},L}(i,j)\&times;{\mathrm{\&sigma;}}_m^{\mathrm{dis},L}(i,j)\&times;A_{m,e}^L(i,j)+C_2}{{({\mathrm{\&sigma;}}_m^{\mathrm{org},L}(i,j)\&times;A_{m,e}^L(i,j))}^2+{({\mathrm{\&sigma;}}_m^{\mathrm{dis},L}(i,j)\&times;A_{m,e}^L(i,j))}^2+C_2},$ $G_{m,f,L}=\frac{1}{N_{f,L}}\underset{i=0}{\overset{W_m-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\&Sigma;}}}\frac{2\&times;{\mathrm{\&sigma;}}_m^{\mathrm{org},L}(i,j)\&times;{\mathrm{\&sigma;}}_m^{\mathrm{dis},L}(i,j)\&times;A_{m,f}^L(i,j)+C_2}{{({\mathrm{\&sigma;}}_m^{\mathrm{org},L}(i,j)\&times;A_{m,f}^L(i,j))}^2+{({\mathrm{\&sigma;}}_m^{\mathrm{dis},L}(i,j)\&times;A_{m,f}^L(i,j))}^2+C_2},$ $G_{m,t,L}=\frac{1}{N_{t,L}}\underset{i=0}{\overset{W_m-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\&Sigma;}}}\frac{2\&times;{\mathrm{\&sigma;}}_m^{\mathrm{org},L}(i,j)\&times;{\mathrm{\&sigma;}}_m^{\mathrm{dis},L}(i,j)\&times;A_{m,t}^L(i,j)+C_2}{{({\mathrm{\&sigma;}}_m^{\mathrm{org},L}(i,j)\&times;A_{m,t}^L(i,j))}^2+{({\mathrm{\&sigma;}}_m^{\mathrm{dis},L}(i,j)\&times;A_{m,t}^L(i,j))}^2+C_2},$ 此处α_m表示Q_m，L对应的权值，此处b₁、b₂和b₃分别表示对应的图像和对应的图像的边缘区域、平坦区域和纹理区域的权重值，C₁、C₂和C₃均为常数，C₁、C₂和C₃是为了防止当公式中的分母接近零时产生不稳定现象所添加的常数，且C₁≠0，C₂≠0，C₃≠0，表示L_org的第M个子带的系数矩阵对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的均值，表示L_dis的第M个子带的系数矩阵对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的均值，表示L_org的第M个子带的系数矩阵对应的图像和L_dis的第M个子带的系数矩阵对应的图像分别实施区域划分后得到的边缘区域系数矩阵中坐标位置为(i，j)处的系数，表示L_org的第M个子带的系数矩阵对应的图像和L_dis的第M个子带的系数矩阵对应的图像分别实施区域划分后得到的平坦区域系数矩阵中坐标位置为(i，j)处的系数，表示L_org的第M个子带的系数矩阵对应的图像和L_dis的第M个子带的系数矩阵对应的图像分别实施区域划分后得到的纹理区域系数矩阵中坐标位置为(i，j)处的系数，W_M表示或或或对应的图像的宽度，H_M表示或或或对应的图像的高度。

计算R_org和R_dis的结构相似度值，记为Q^R，其中，L_M，R＝b₁×L_M，e，R+b₂×L_M，f，R+b₃×L_M，t，R，Q_m，R＝b₁×Q_m，e，R+b₂×Q_m，f，R+b₃×Q_m，t，R， $L_{M,e,R}=\frac{1}{N_{e,R}}\underset{i=0}{\overset{W_M-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\&Sigma;}}}\frac{2\&times;U_M^{\mathrm{org},R}(i,j)\&times;U_M^{\mathrm{dis},R}(i,j)\&times;A_{M,e}^R(i,j)+C_1}{{(U_M^{\mathrm{org},R}(i,j)\&times;A_{M,e}^R(i,j))}^2+{(U_M^{\mathrm{dis},R}(i,j)\&times;A_{M,e}^R(i,j))}^2+C_1},$ $N_{e,R}=\underset{i=0}{\overset{W_M-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\&Sigma;}}}{A}_{M,e}^R(i,j),$ $L_{M,f,R}=\frac{1}{N_{f,R}}\underset{i=0}{\overset{W_M-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\&Sigma;}}}\frac{2\&times;U_M^{\mathrm{org},R}(i,j)\&times;U_M^{\mathrm{dis},R}(i,j)\&times;A_{M,f}^R(i,j)+C_1}{{(U_M^{\mathrm{org},R}(i,j)\&times;A_{M,f}^R(i,j))}^2+{(U_M^{\mathrm{dis},R}(i,j)\&times;A_{M,f}^R(i,j))}^2+C_1},$ $N_{f,R}=\underset{i=0}{\overset{W_M-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\&Sigma;}}}{A}_{M,f}^R(i,j),$ $L_{M,t,R}=\frac{1}{N_{t,R}}\underset{i=0}{\overset{W_M-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\&Sigma;}}}\frac{2\&times;U_M^{\mathrm{org},R}(i,j)\&times;U_M^{\mathrm{dis},R}(i,j)\&times;A_{M,t}^R(i,j)+C_1}{{(U_M^{\mathrm{org},R}(i,j)\&times;A_{M,t}^R(i,j))}^2+{(U_M^{\mathrm{dis},R}(i,j)\&times;A_{M,t}^R(i,j))}^2+C_1},$ $N_{t,R}=\underset{i=0}{\overset{W_M-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\&Sigma;}}}{A}_{M,t}^R(i,j),$ Q_m，e，R＝H_m，e，R×G_m，e，R，Q_m，f，R＝H_m，f，R×G_m，f，R，Q_m，t，R＝H_m，t，R×G_m，t，R， $H_{m,e,R}=\frac{1}{N_{e,R}}\underset{i=0}{\overset{W_m-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\&Sigma;}}}\frac{B_m^R(i,j)\&times;A_{m,e}^R(i,j)+C_3}{{\mathrm{\&sigma;}}_m^{\mathrm{org},R}(i,j)\&times;{\mathrm{\&sigma;}}_m^{\mathrm{dis},R}(i,j)\&times;A_{m,e}^R(i,j)+C_3},$ $H_{m,f,R}=\frac{1}{N_{f,R}}\underset{i=0}{\overset{W_m-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\&Sigma;}}}\frac{B_m^R(i,j)\&times;A_{m,f}^R(i,j)+C_3}{{\mathrm{\&sigma;}}_m^{\mathrm{org},R}(i,j)\&times;{\mathrm{\&sigma;}}_m^{\mathrm{dis},R}(i,j)\&times;A_{m,f}^R(i,j)+C_3},$ $H_{m,t,R}=\frac{1}{N_{t,R}}\underset{i=0}{\overset{W_m-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\&Sigma;}}}\frac{B_m^R(i,j)\&times;A_{m,t}^R(i,j)+C_3}{{\mathrm{\&sigma;}}_m^{\mathrm{org},R}(i,j)\&times;{\mathrm{\&sigma;}}_m^{\mathrm{dis},R}(i,j)\&times;A_{m,t}^R(i,j)+C_3},$ $G_{m,e,R}=\frac{1}{N_{e,R}}\underset{i=0}{\overset{W_m-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\&Sigma;}}}\frac{2\&times;{\mathrm{\&sigma;}}_m^{\mathrm{org},R}(i,j)\&times;{\mathrm{\&sigma;}}_m^{\mathrm{dis},R}(i,j)\&times;A_{m,e}^R(i,j)+C_2}{{({\mathrm{\&sigma;}}_m^{\mathrm{org},R}(i,j)\&times;A_{m,e}^R(i,j))}^2+{({\mathrm{\&sigma;}}_m^{\mathrm{dis},R}(i,j)\&times;A_{m,e}^R(i,j))}^2+C_2},$ $G_{m,f,R}=\frac{1}{N_{f,R}}\underset{i=0}{\overset{W_m-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\&Sigma;}}}\frac{2\&times;{\mathrm{\&sigma;}}_m^{\mathrm{org},R}(i,j)\&times;{\mathrm{\&sigma;}}_m^{\mathrm{dis},R}(i,j)\&times;A_{m,f}^R(i,j)+C_2}{{({\mathrm{\&sigma;}}_m^{\mathrm{org},R}(i,j)\&times;A_{m,f}^R(i,j))}^2+{({\mathrm{\&sigma;}}_m^{\mathrm{dis},R}(i,j)\&times;A_{m,f}^R(i,j))}^2+C_2},$ $G_{m,t,R}=\frac{1}{N_{t,R}}\underset{i=0}{\overset{W_m-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\&Sigma;}}}\frac{2\&times;{\mathrm{\&sigma;}}_m^{\mathrm{org},R}(i,j)\&times;{\mathrm{\&sigma;}}_m^{\mathrm{dis},R}(i,j)\&times;A_{m,t}^R(i,j)+C_2}{{({\mathrm{\&sigma;}}_m^{\mathrm{org},R}(i,j)\&times;A_{m,t}^R(i,j))}^2+{({\mathrm{\&sigma;}}_m^{\mathrm{dis},R}(i,j)\&times;A_{m,t}^R(i,j))}^2+C_2},$ 此处α_m表示Q_m，R对应的权值，此处b₁、b₂和b₃分别表示对应的图像和对应的图像的边缘区域、平坦区域和纹理区域的权重值，表示R_org的第M个子带的系数矩阵对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的均值，表示R_dis的第M个子带的系数矩阵对应的图像中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的均值，表示R_org的第M个子带的系数矩阵对应的图像和R_dis的第M个子带的系数矩阵对应的图像分别实施区域划分后得到的边缘区域系数矩阵中坐标位置为(i，j)处的系数，表示R_org的第M个子带的系数矩阵对应的图像和R_dis的第M个子带的系数矩阵对应的图像分别实施区域划分后得到的边缘区域系数矩阵中坐标位置为(i，j)处的系数，表示R_org的第M个子带的系数矩阵对应的图像和R_dis的第M个子带的系数矩阵对应的图像分别实施区域划分后得到的边缘区域系数矩阵中坐标位置为(i，j)处的系数。

在此，C₁、C₂和C₃是为了避免公式中的分母出现为零的情况，在本实施例中取C₁＝2.56，C₂＝7.68，C₃＝3.84。α_m值决定不同尺度上的评价值对立体图像质量的贡献大小，在本实施例中，当M＝5时，取α₁＝0.0448、α₂＝0.0.2856、α₃＝0.3001、α₄＝0.2363、α₅＝0.1333。由于不同区域人眼的敏感度不同，针对块效应人眼对平坦区域比纹理区域更敏感；针对模糊失真人眼对纹理区域比平坦区域更敏感，即总体来说，人眼对边缘区域比纹理区域和平坦区域更敏感，因此为了适合各种失真类型，且减少计算复杂度，边缘区域的权值b₁取0.5，平坦区域权值b₂纹理区域权值b₃均取0.25。

⑥根据Q^L和Q^R计算待评价的失真的立体图像S_dis相对于原始的无失真的立体图像S_org的空间频率相似度度量，记为Q_F，Q_F＝ω_l×Q^L+ω_r×Q^R，其中，ω_l表示Q^L的权值，ω_r表示Q^R的权值。

在本实施例中，ω_l和ω_r决定了Q^L和Q^R对立体图像质量的贡献，针对块效应，立体图像质量大概是左视点图像质量和右视点图像质量之和的一半；针对模糊失真，立体图像质量主要取决于质量较好的那个视点。因此为了降低模型的计算复杂度，在此取ω_l＝ω_r＝0.5。

⑦计算L_org与R_org的绝对差值图像，记为 计算L_dis与R_dis的绝对差值图像，记为 其中，“||”为取绝对值符号。

⑧对和分别实施区域划分，得到和各自对应的三个区域系数矩阵，三个区域分别为边缘区域、平坦区域和纹理区域，将和的边缘区域系数矩阵均记为 将和的平坦区域系数矩阵均记为 将和的纹理区域系数矩阵均记为 其中，表示中坐标位置为(i，j)处的系数，表示中坐标位置为(i，j)处的系数，表示中坐标位置为(i，j)处的系数，此处0≤i＜(W-7)，0≤j＜(H-7)，W表示或的宽度，H表示或的高度。

在此，区域划分的过程按照步骤③所述的过程进行操作。利用图3a、图3b、图3c、图3d、图3e、图3f、图3g、图3h、图3i、图3j、图3k和图3l所示的12对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。首先计算出这12幅无失真的立体图像对的绝对差值图像，然后计算出该库中312幅失真立体图像对的绝对差值图像，最后根据步骤③的区域划分过程得到失真的312幅立体图像对(原始绝对差值图像和失真绝对差值图像)在感知评价中的边缘区域系数矩阵纹理系s数矩阵和平坦区域系数矩阵

⑨将和分别分割成(W-7)×(H-7)个尺寸大小为8×8的重叠块，然后计算与中所有坐标位置相同的两个重叠块的亮度失真映射图的系数矩阵、结构失真映射图的系数矩阵及灵敏度失真映射图的系数矩阵，分别记为P^LR、K^LR及E^LR，对于中左上角的像素点的坐标位置为(i，j)的重叠块，将其定义为当前重叠块，计算当前重叠块与中与当前重叠块坐标位置相同的重叠块的亮度失真映射值，记为 $P^{\mathrm{LR}}(i,j),P^{\mathrm{LR}}(i,j)=\left\{\begin{array}{cc}0.9\&times;\sqrt{\frac{1}{|U_{\mathrm{org}}^{\mathrm{LR}}(i,j)-127|}}& U_{\mathrm{org}}^{\mathrm{LR}}(i,j)>127\\ 1& U_{\mathrm{org}}^{\mathrm{LR}}(i,j)=127\\ 0.3\&times;\sqrt{\frac{1}{|U_{\mathrm{org}}^{\mathrm{LR}}(i,j)-127|}}& U_{\mathrm{org}}^{\mathrm{LR}}(i,j)<127\end{array}\right.,$ 计算当前重叠块与中与当前重叠块坐标位置相同的重叠块的结构失真映射值，记为K^LR(i，j)， $K^{\mathrm{LR}}(i,j)=\frac{{({\left({\mathrm{\&sigma;}}_{\mathrm{org}}^{\mathrm{LR}}(i,j)\right)}^2-{\left({\mathrm{\&sigma;}}_{\mathrm{dis}}^{\mathrm{LR}}(i,j)\right)}^2)}^2+C_4}{{\left({\left({\mathrm{\&sigma;}}_{\mathrm{org}}^{\mathrm{LR}}(i,j)\right)}^2\right)}^2+{\left({\left({\mathrm{\&sigma;}}_{\mathrm{dis}}^{\mathrm{LR}}(i,j)\right)}^2\right)}^2-2{\left({\mathrm{\&sigma;}}_{\mathrm{org},\mathrm{dis}}^{\mathrm{LR}}(i,j)\right)}^2+C_4},$ 计算当前重叠块与中与当前重叠块坐标位置相同的重叠块的灵敏度失真映射值，记为E^LR(i，j)， $E^{\mathrm{LR}}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{7}{\mathrm{\&Sigma;}}}{(D_{\mathrm{LR}}^{\mathrm{org}}(i+x,j+y)-D_{\mathrm{LR}}^{\mathrm{dis}}(i+x,j+y))}^2,$ 其中，表示中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的均值，表示中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的标准差，表示中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的标准差，表示中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点和中左上角的像素点的坐标位置为(i，j)的重叠块中所有像素点的协方差，C₄是常数，且C₄≠0，表示中坐标位置为(i+x，j+y)的像素点的像素值，表示中坐标位置为(i+x，j+y)的像素点的像素值，此处0≤i＜(W-7)，0≤j＜(H-7)。

在本实施例中，C₄主要是为了避免 $K^{\mathrm{LR}}(i,j)=\frac{{({\left({\mathrm{\&sigma;}}_{\mathrm{org}}^{\mathrm{LR}}(i,j)\right)}^2-{\left({\mathrm{\&sigma;}}_{\mathrm{dis}}^{\mathrm{LR}}(i,j)\right)}^2)}^2+C_4}{{\left({\left({\mathrm{\&sigma;}}_{\mathrm{org}}^{\mathrm{LR}}(i,j)\right)}^2\right)}^2+{\left({\left({\mathrm{\&sigma;}}_{\mathrm{dis}}^{\mathrm{LR}}(i,j)\right)}^2\right)}^2-2{\left({\mathrm{\&sigma;}}_{\mathrm{org},\mathrm{dis}}^{\mathrm{LR}}(i,j)\right)}^2+C_4}$ 中的分母接近零时产生不稳定现象所添加的常数，在此取C₄＝2.56。

⑩计算待评价的失真的立体图像S_dis相对于原始的无失真的立体图像S_org的立体感知评价度量，记为Q_S，Q_s＝b₁×Q_e+b₂×Q_f+b₃×Q_t，其中， $Q_e=\frac{1}{N_{e,\mathrm{LR}}}\underset{i=0}{\overset{W-7}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H-7}{\mathrm{\&Sigma;}}}(P^{\mathrm{LR}}(i,j)\&times;E^{\mathrm{LR}}(i,j)\&times;K^{\mathrm{LR}}(i,j)\&times;A_e^{\mathrm{LR}}(i,j)),$ $N_{e,\mathrm{LR}}=\underset{i=0}{\overset{W-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H-8}{\mathrm{\&Sigma;}}}{A}_e^{\mathrm{LR}}(i,j),$ $Q_f=\frac{1}{N_{f,\mathrm{LR}}}\underset{i=0}{\overset{W-7}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H-7}{\mathrm{\&Sigma;}}}(P^{\mathrm{LR}}(i,j)\&times;E^{\mathrm{LR}}(i,j)\&times;K^{\mathrm{LR}}(i,j)\&times;A_f^{\mathrm{LR}}(i,j)),$ $N_{f,\mathrm{LR}}=\underset{i=0}{\overset{W-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H-8}{\mathrm{\&Sigma;}}}{A}_f^{\mathrm{LR}}(i,j),$ $Q_t=\frac{1}{N_{t,\mathrm{LR}}}\underset{i=0}{\overset{W-7}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H-7}{\mathrm{\&Sigma;}}}(P^{\mathrm{LR}}(i,j)\&times;E^{\mathrm{LR}}(i,j)\&times;K^{\mathrm{LR}}(i,j)\&times;A_t^{\mathrm{LR}}(i,j)),$ $N_{t,\mathrm{LR}}=\underset{i=0}{\overset{W-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H-8}{\mathrm{\&Sigma;}}}{A}_t^{\mathrm{LR}}(i,j).$

根据待评价的失真的立体图像S_dis相对于原始的无失真的立体图像S_org的空间频率相似度度量Q_F和立体感知评价度量Q_S，计算待评价的失真的立体图像S_dis的图像质量评价分值，记为Q，Q＝Q_F×(Q_S)^λ，其中，λ表示权重系数值。

在此具体实施例中，权重系数值λ的获取过程为：

-1、采用n幅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，失真立体图像集包括多幅失真的立体图像，其中，n≥1。

-2、利用主观质量评价方法获取失真立体图像集中的每幅失真的立体图像与其对应的无失真的立体图像的平均主观评分值的差值，记为DMOS，DMOS∈[0，100]。

-3、根据步骤①至⑩的过程，计算失真立体图像集中的每幅失真的立体图像相对于对应的无失真的立体图像的空间频率相似度度量Q_F和立体感知评价度量Q_S。

-4、采用数学优化方法来拟合失真立体图像集中的每幅失真的立体图像对应的DMOS及对应的空间频率相似度度量Q_F和立体感知评价度量Q_S，拟合函数为DMOS＝Q_F×(Q_S)^λ，从而得到最优情况下的λ值。

在本实施例中，利用图3a、图3b、图3c、图3d、图3e、图3f、图3g、图3h、图3i、图3j、图3k和图3l所示的12幅无失真的立体图像建立的312幅立体图像集，对这312对失真的立体图像采用公知的主观质量评价方法进行主观评价评价，得到312对失真的立体图像各自的平均主观评分差值(DMOS，Difference MeanOpinion Scores)，即每幅失真的立体图像的主观质量评分值。DMOS为主观评分均值(MOS)和满分(100)的差值，即DMOS＝100-MOS，因此，DMOS值越大表示失真的立体图像的质量越差，DMOS值越小表示失真的立体图像的质量越好，且DMOS的取值范围为[0，100]；另一方面，对上述312对失真的立体图像按本发明方法步骤(1)至(10)计算得到每幅失真的立体图像相应的Q_F和Q_S；然后采用Q＝Q_F×(Q_S)^λ进行作四参数Logistic函数非线性拟合，得到λ。在此，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(Correlation Coefficient，CC)和均方误差系数(Rooted Mean Squared Error，RMSE)，前者反映失真的立体图像评价函数这一客观模型的精度，后者反映其预测的准确性。图5a和图5b分别给出了λ与主观评价因子CC和RMSE之间的关系，λ值的大小决定左右视点图像质量和深度感知质量对最终的立体图像质量的贡献大小，λ值过大或过小，都会影响立体图像客观质量评价模型与主观感知之间的一致性，主要是由于某一方面因素影响太大，忽略了另一方面的因素。从图5a和图5b可知，CC值先随着λ值的增大而增大，当达到一定程度时，又会随着λ值的增大而减少；而RMSE则会相反，先随着λ值增大而减少，然后随着λ值增大而增大。图5a和图5b中出现极值的位置大致相同，当λ值去到极值时，立体图像客观质量评价模型与主观感知之间的一致性最好，因此在此取λ＝0.03。

分析本实施例得到的失真的立体图像的图像质量评价函数Q＝Q_F×(Q_S)^0.03的最终评价结果与主观评分DMOS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CC、Spearman相关系数(Spearman Rank-OrderCorrelation Coefficient，SROCC)和RMSE。SROCC反映客观模型与主观感知之间的单调性情况。首先按本实施例得到的失真立体图像的图像质量评价函数Q＝Q_F×(Q_S)^0.03计算得到的最终立体图像质量评价结果的输出值Q，然后将输出值Q做四参数Logistic函数非线性拟合，最后得到立体客观评价模型与主观感知之间的性能指标值。CC和SROCC值越高说明立体图像客观评价方法与DMOS相关性越好，RMSE值越低说明立体图像客观评价方法与DMOS相关性越好。反映准确性和单调性的CC、SROCC和RMSE系数如表1所列，由表1所列的数据可见，按本实施例得到的失真立体图像的图像质量评价函数Q＝Q_F×(Q_S)^0.03计算得到的最终评价结果的输出值Q与主观评分DMOS之间的相关性是很高的，CC值超过0.93，SROCC超过0.92，RMSE值低于6，表明客观评价结果与人眼主观感知的结果较为一致，说明了本发明方法的有效性。

表1本实施得到的失真立体图像的图像质量评价分值与主观评分之间的相关性

	Gblur	JP2K	JPEG	WN	H264	ALL
							图片数目(对)	60	60	60	60	72	312
CC	0.9787	0.9537	0.9331	0.9537	0.9643	0.9380
							SROCC	0.9773	0.9499	0.9418	0.9258	0.9537	0.9458
RMSE	4.3260	3.6045	5.1221	4.7007	3.7156	5.9523

Claims (3)

1.一种基于视觉感知的立体图像客观质量评价方法，其特征在于包括以下步骤：

①令S_org为原始的无失真的立体图像，令S_dis为待评价的失真的立体图像，将原始的无失真的立体图像S_org的左视点图像记为L_org，将原始的无失真的立体图像S_org的右视点图像记为R_org，将待评价的失真的立体图像S_dis的左视点图像记为L_dis，将待评价的失真的立体图像S_dis的右视点图像记为R_dis；

②对L_org、R_org、L_dis和R_dis4幅图像分别实施M级正交小波9/7滤波和下采样的尺度分解，分别得到L_org、R_org、L_dis和R_dis4幅图像各自对应的M个子带的系数矩阵，将L_org实施第m级正交小波9/7滤波和下采样的尺度分解后得到的对应的第m个子带的系数矩阵记为将R_org实施第m级正交小波9/7滤波和下采样的尺度分解后得到的对应的第m个子带的系数矩阵记为将L_dis实施第m级正交小波9/7滤波和下采样的尺度分解后得到的对应的第m个子带的系数矩阵记为将R_dis实施第m级正交小波9/7滤波和下采样的尺度分解后得到的对应的第m个子带的系数矩阵记为其中，1≤m≤M；

③对L_org的M个子带的系数矩阵一一对应的M幅图像分别实施区域划分，得到L_org的M个子带的系数矩阵一一对应的M幅图像各自对应的三个区域系数矩阵，对R_org的M个子带的系数矩阵一一对应的M幅图像分别实施区域划分，得到R_org的M个子带的系数矩阵一一对应的M幅图像各自对应的三个区域系数矩阵，对L_dis的M个子带的系数矩阵一一对应的M幅图像分别实施区域划分，得到L_dis的M个子带的系数矩阵一一对应的M幅图像各自对应的三个区域系数矩阵，对R_dis的M个子带的系数矩阵一一对应的M幅图像分别实施区域划分，得到R_dis的M个子带的系数矩阵一一对应的M幅图像各自对应的三个区域系数矩阵，其中，三个区域分别为边缘区域、平坦区域和纹理区域；将L_org的第m个子带的系数矩阵对应的图像和L_dis的第m个子带的系数矩阵对应的图像分别实施区域划分后得到的边缘区域系数矩阵均记为对于L_org的第m个子带的系数矩阵对应的图像和L_dis的第m个子带的系数矩阵对应的图像中坐标位置均为(i,j)的两个像素点，判断该两个像素点是否均属于边缘区域，如果是，则将中坐标位置为(i,j)处的系数赋值为1，否则，将中坐标位置为(i,j)处的系数赋值为0，将L_org的第m个子带的系数矩阵对应的图像和L_dis的第m个子带的系数矩阵对应的图像分别实施区域划分后得到的平坦区域系数矩阵均记为对于L_org的第m个子带的系数矩阵对应的图像和L_dis的第m个子带的系数矩阵对应的图像中坐标位置均为(i,j)的两个像素点，判断该两个像素点是否均属于平坦区域，如果是，则将中坐标位置为(i,j)处的系数赋值为1，否则，将中坐标位置为(i,j)处的系数赋值为0，将L_org的第m个子带的系数矩阵对应的图像L_dis的第m个子带的系数矩阵对应的图像分别实施区域划分后得到的纹理区域系数矩阵均记为对于L_org的第m个子带的系数矩阵对应的图像和L_dis的第m个子带的系数矩阵对应的图像中坐标位置均为(i,j)的两个像素点，判断该两个像素点是否均属于纹理区域，如果是，则将中坐标位置为(i,j)处的系数赋值为1，否则，将中坐标位置为(i,j)处的系数赋值为0，将R_org的第m个子带的系数矩阵对应的图像和R_dis的第m个子带的系数矩阵对应的图像分别实施区域划分后得到的边缘区域系数矩阵均记为对于R_org的第m个子带的系数矩阵对应的图像和R_dis的第m个子带的系数矩阵对应的图像中坐标位置均为(i,j)的两个像素点，判断该两个像素点是否均属于边缘区域，如果是，则将中坐标位置为(i,j)处的系数赋值为1，否则，将中坐标位置为(i,j)处的系数赋值为0，将R_org的第m个子带的系数矩阵对应的图像和R_dis的第m个子带的系数矩阵对应的图像分别实施区域划分后得到的平坦区域系数矩阵均记为对于R_org的第m个子带的系数矩阵对应的图像和R_dis的第m个子带的系数矩阵对应的图像中坐标位置均为(i,j)的两个像素点，判断该两个像素点是否均属于平坦区域，如果是，则将中坐标位置为(i,j)处的系数赋值为1，否则，将中坐标位置为(i,j)处的系数赋值为0，将R_org的第m个子带的系数矩阵对应的图像和R_dis的第m个子带的系数矩阵对应的图像分别实施区域划分后得到的纹理区域系数矩阵均记为对于R_org的第m个子带的系数矩阵对应的图像和R_dis的第m个子带的系数矩阵对应的图像中坐标位置均为(i,j)的两个像素点，判断该两个像素点是否均属于纹理区域，如果是，则将中坐标位置为(i,j)处的系数赋值为1，否则，将中坐标位置为(i,j)处的系数赋值为0，其中，表示中坐标位置为(i,j)处的系数，表示中坐标位置为(i,j)处的系数，表示中坐标位置为(i,j)处的系数，表示中坐标位置为(i,j)处的系数，表示中坐标位置为(i,j)处的系数，表示中坐标位置为(i,j)处的系数，此处0≤i<(W_m-7)，0≤j<(H_m-7)，W_m表示对应的图像的宽度，H_m表示对应的图像的高度；

④将L_org的M个子带的系数矩阵一一对应的M幅图像分别分割成(W_m-7)×(H_m-7)个尺寸大小为8×8的重叠块，将L_dis的M个子带的系数矩阵一一对应的M幅图像分别分割成(W_m-7)×(H_m-7)个尺寸大小为8×8的重叠块，然后分别计算L_org的M个子带的系数矩阵一一对应的M幅图像的每幅图像中所有尺寸大小为8×8的重叠块的均值映射图和标准差映射图，并分别计算L_dis的M个子带的系数矩阵一一对应的M幅图像的每幅图像中所有尺寸大小为8×8的重叠块的均值映射图和标准差映射图，再分别计算L_org的M个子带的系数矩阵一一对应的M幅图像的每幅图像中与L_dis的M个子带的系数矩阵一一对应的M幅图像的每幅图像中所有坐标位置相同的两个重叠块的协方差映射图，将L_org的第m个子带的系数矩阵对应的图像中所有尺寸大小为8×8的重叠块的均值映射图的系数矩阵和标准差映射图的系数矩阵分别记为和 ${\mathrm{\&sigma;}}_m^{\mathrm{org},L},U_{m,}^{\mathrm{org},L}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{7}{\mathrm{\&Sigma;}}}{C}_m^{\mathrm{org},L}(i+x,j+y),$ ${\mathrm{\&sigma;}}_{m,}^{\mathrm{org},L}(i,j)=\sqrt{\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{7}{\mathrm{\&Sigma;}}}(C_m^{\mathrm{org},L}(i+x,j+y)-U_m^{\mathrm{org},L}(i,j){)}^2},$ 将L_dis的第m个子带的系数矩阵对应的图像中所有尺寸大小为8×8的重叠块的均值映射图的系数矩阵和标准差映射图的系数矩阵分别记为和 ${\mathrm{\&sigma;}}_m^{\mathrm{dis},L},U_{m,}^{\mathrm{dis},L}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{7}{\mathrm{\&Sigma;}}}{C}_m^{\mathrm{dis},L}(i+x,j+y),$ ${\mathrm{\&sigma;}}_{m,}^{\mathrm{dis},L}(i,j)=\sqrt{\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{7}{\mathrm{\&Sigma;}}}(C_m^{\mathrm{dis},L}(i+x,j+y)-U_m^{\mathrm{dis},L}(i,j){)}^2},$ 将L_org的第m个子带的系数矩阵对应的图像中与L_dis的第m个子带的系数矩阵对应的图像中所有坐标位置相同的两个重叠块的协方差映射图的系数矩阵记为 $B_m^L(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{7}{\mathrm{\&Sigma;}}}((C_m^{\mathrm{org},L}(i+x,j+y)-U_m^{\mathrm{org},L}(i,j))\&times;(C_m^{\mathrm{dis},L}(i+x,j+y)-U_m^{\mathrm{dis},L}(i,j))),$ 其中，表示对应的图像中左上角的像素点的坐标位置为(i,j)的重叠块所有像素点的均值，表示中坐标位置为(i+x,j+y)处的系数，表示对应的图像中左上角的像素点的坐标位置为(i,j)的重叠块所有像素点的标准差，表示对应的图像中左上角的像素点的坐标位置为(i,j)的重叠块所有像素点的均值，表示中坐标位置为(i+x,j+y)处的系数，表示对应的图像中左上角的像素点的坐标位置为(i,j)的重叠块所有像素点的标准差，表示对应的图像中左上角的像素点的坐标位置为(i,j)的重叠块中所有像素点和对应的图像中左上角的像素点的坐标位置为(i,j)的重叠块中所有像素点的协方差值，此处0≤i<(W_m-7)，0≤j<(H_m-7)；

将R_org的M个子带的系数矩阵一一对应的M幅图像分别分割成(W_m-7)×(H_m-7)个尺寸大小为8×8的重叠块，将R_dis的M个子带的系数矩阵一一对应的M幅图像分别分割成(W_m-7)×(H_m-7)个尺寸大小为8×8的重叠块，然后分别计算R_org的M个子带的系数矩阵一一对应的M幅图像的每幅图像中所有尺寸大小为8×8的重叠块的均值映射图和标准差映射图，并分别计算R_dis的M个子带的系数矩阵一一对应的M幅图像的每幅图像中所有尺寸大小为8×8的重叠块的均值映射图和标准差映射图，再分别计算R_org的M个子带的系数矩阵一一对应的M幅图像的每幅图像中与R_dis的M个子带的系数矩阵一一对应的M幅图像的每幅图像中所有坐标位置相同的两个重叠块的协方差映射图，将R_org的第m个子带的系数矩阵对应的图像中所有尺寸大小为8×8的重叠块的均值映射图的系数矩阵和标准差映射图的系数矩阵分别记为和 ${\mathrm{\&sigma;}}_m^{\mathrm{org},R},U_{m,}^{\mathrm{org},R}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{7}{\mathrm{\&Sigma;}}}{C}_m^{\mathrm{org},R}(i+x,j+y),$ ${\mathrm{\&sigma;}}_{m,}^{\mathrm{org},R}(i,j)=\sqrt{\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{7}{\mathrm{\&Sigma;}}}(C_m^{\mathrm{org},R}(i+x,j+y)-U_m^{\mathrm{org},R}(i,j){)}^2},$ 将R_dis的第m个子带的系数矩阵对应的图像中所有尺寸大小为8×8的重叠块的均值映射图的系数矩阵和标准差映射图的系数矩阵分别记为和 $U_{m,}^{\mathrm{dis},R}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{7}{\mathrm{\&Sigma;}}}{C}_m^{\mathrm{dis},R}(i+x,j+y)$ ${\mathrm{\&sigma;}}_{m,}^{\mathrm{dis},R}(i,j)=\sqrt{\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{7}{\mathrm{\&Sigma;}}}(C_m^{\mathrm{dis},R}(i+x,j+y)-U_m^{\mathrm{dis},R}(i,j){)}^2},$ 将R_org的第m个子带的系数矩阵对应的图像中与R_dis的第m个子带的系数矩阵对应的图像中所有坐标位置相同的两个重叠块的协方差映射图的系数矩阵记为 $B_m^R(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{7}{\mathrm{\&Sigma;}}}((C_m^{\mathrm{org},R}(i+x,j+y)-U_m^{\mathrm{org},R}(i,j))\&times;(C_m^{\mathrm{dis},R}i+x,j+y)-U_m^{\mathrm{dis},R}(i,j))),$ 其中，表示对应的图像中左上角的像素点的坐标位置为(i,j)的重叠块所有像素点的均值，表示中坐标位置为(i+x,j+y)处的系数，表示对应的图像中左上角的像素点的坐标位置为(i,j)的重叠块所有像素点的标准差，表示对应的图像中左上角的像素点的坐标位置为(i,j)的重叠块所有像素点的均值，表示中坐标位置为(i+x,j+y)处的系数，表示对应的图像中左上角的像素点的坐标位置为(i,j)的重叠块所有像素点的标准差，表示对应的图像中左上角的像素点的坐标位置为(i,j)的重叠块中所有像素点和对应的图像中左上角的像素点的坐标位置为(i,j)的重叠块中所有像素点的协方差值，此处0≤i<(W_m-7)，0≤j<(H_m-7)；

⑤计算L_org和L_dis的结构相似度值，记为Q^L，其中，L_M,L＝b₁×L_M,e,L+b₂×L_M,f,L+b₃×L_M,t,L，Q_m,L＝b₁×Q_m,e,L+b₂×Q_m,f,L+b₃×Q_m,t,L， $L_{M,e,L}=\frac{1}{N_{e,L}}\underset{i=0}{\overset{W_M-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\&Sigma;}}}\frac{2\&times;U_M^{\mathrm{org},L}(i,j)\&times;U_M^{\mathrm{dis},L}(i,j)\&times;A_{M,e}^L(i,j)+C_1}{{(U_M^{\mathrm{org},L}(i,j)\&times;A_{M,e}^L(i,j))}^2+{(U_M^{\mathrm{dis},L}(i,j)\&times;A_{M,e}^L(i,j))}^2+C_1},N_{e,L}=\underset{i=0}{\overset{W_M-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\&Sigma;}}}{A}_{M,e}^L(i,j),$ $L_{M,f,L}=\frac{1}{N_{f,L}}\underset{i=0}{\overset{W_M-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\&Sigma;}}}\frac{2\&times;U_M^{\mathrm{org},L}(i,j)\&times;U_M^{\mathrm{dis},L}(i,j)\&times;A_{M,f}^L(i,j)+C_1}{{(U_M^{\mathrm{org},L}(i,j)\&times;A_{M,f}^L(i,j))}^2+{(U_M^{\mathrm{dis},L}(i,j)\&times;A_{M,f}^L(i,j))}^2+C_1},N_{f,L}=\underset{i=0}{\overset{W_M-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\&Sigma;}}}{A}_{M,f}^L(i,j),$ $L_{M,t,L}=\frac{1}{N_{t,L}}\underset{i=0}{\overset{W_M-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\&Sigma;}}}\frac{2\&times;U_M^{\mathrm{org},L}(i,j)\&times;U_M^{\mathrm{dis},L}(i,j)\&times;A_{M,t}^L(i,j)+C_1}{{(U_M^{\mathrm{org},L}(i,j)\&times;A_{M,t}^L(i,j))}^2+{(U_M^{\mathrm{dis},L}(i,j)\&times;A_{M,t}^L(i,j))}^2+C_1},N_{t,L}=\underset{i=0}{\overset{W_M-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\&Sigma;}}}{A}_{M,t}^L(i,j),$ Q_m,e,L＝H_m,e,L×G_m,e,L，Q_m,f,L＝H_m,f,L×G_m,f,L，Q_m,t,L＝H_m,t,L×G_m,t,L， $H_{m,e,L}=\frac{1}{N_{e,L}}\underset{i=0}{\overset{W_m-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\&Sigma;}}}\frac{B_m^L(i,j)\&times;A_{m,e}^L(i,j)+C_3}{{\mathrm{\&sigma;}}_m^{\mathrm{org},L}(i,j)\&times;{\mathrm{\&sigma;}}_m^{\mathrm{dis},L}(i,j)\&times;A_{m,e}^L(i,j)+C_3},H_{m,f,L}=\frac{1}{N_{f,L}}\underset{i=0}{\overset{W_m-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\&Sigma;}}}\frac{B_m^L(i,j)\&times;A_{m,f}^L(i,j)+C_3}{{\mathrm{\&sigma;}}_m^{\mathrm{org},L}(i,j)\&times;{\mathrm{\&sigma;}}_m^{\mathrm{dis},L}(i,j)\&times;A_{m,f}^L(i,j)+C_3},$ $H_{m,t,L}=\frac{1}{N_{t,L}}\underset{i=0}{\overset{W_m-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\&Sigma;}}}\frac{B_m^L(i,j)\&times;A_{m,t}^L(i,j)+C_3}{{\mathrm{\&sigma;}}_m^{\mathrm{org},L}(i,j)\&times;{\mathrm{\&sigma;}}_m^{\mathrm{dis},L}(i,j)\&times;A_{m,t}^L(i,j)+C_3},$ $G_{m,e,L}=\frac{1}{N_{e,L}}\underset{i=0}{\overset{W_m-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\&Sigma;}}}\frac{2\&times;{\mathrm{\&sigma;}}_m^{\mathrm{org},L}(i,j)\&times;{\mathrm{\&sigma;}}_m^{\mathrm{dis},L}(i,j)\&times;A_{m,e}^L(i,j)+C_2}{{({\mathrm{\&sigma;}}_m^{\mathrm{org},L}(i,j)\&times;A_{m,e}^L(i,j))}^2+{({\mathrm{\&sigma;}}_m^{\mathrm{dis},L}(i,j)\&times;A_{m,e}^L(i,j))}^2+C_2},$ $G_{m,f,L}=\frac{1}{N_{f,L}}\underset{i=0}{\overset{W_m-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\&Sigma;}}}\frac{2\&times;{\mathrm{\&sigma;}}_m^{\mathrm{org},L}(i,j)\&times;{\mathrm{\&sigma;}}_m^{\mathrm{dis},L}(i,j)\&times;A_{m,f}^L(i,j)+C_2}{{({\mathrm{\&sigma;}}_m^{\mathrm{org},L}(i,j)\&times;A_{m,f}^L(i,j))}^2+{({\mathrm{\&sigma;}}_m^{\mathrm{dis},L}(i,j)\&times;A_{m,f}^L(i,j))}^2+C_2},$ $G_{m,t,L}=\frac{1}{N_{t,L}}\underset{i=0}{\overset{W_m-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\&Sigma;}}}\frac{2\&times;{\mathrm{\&sigma;}}_m^{\mathrm{org},L}(i,j)\&times;{\mathrm{\&sigma;}}_m^{\mathrm{dis},L}(i,j)\&times;A_{m,t}^L(i,j)+C_2}{{({\mathrm{\&sigma;}}_m^{\mathrm{org},L}(i,j)\&times;A_{m,t}^L(i,j))}^2+{({\mathrm{\&sigma;}}_m^{\mathrm{dis},L}(i,j)\&times;A_{m,t}^L(i,j))}^2+C_2},$ 此处α_m表示Q_m,L对应的权值，此处b₁、b₂和b₃分别表示对应的图像和对应的图像的边缘区域、平坦区域和纹理区域的权重值，C₁、C₂和C₃均为常数，且C₁≠0，C₂≠0，C₃≠0，表示L_org的第M个子带的系数矩阵对应的图像中左上角的像素点的坐标位置为(i,j)的重叠块中所有像素点的均值，表示L_dis的第M个子带的系数矩阵对应的图像中左上角的像素点的坐标位置为(i,j)的重叠块中所有像素点的均值，表示L_org的第M个子带的系数矩阵对应的图像和L_dis的第M个子带的系数矩阵对应的图像分别实施区域划分后得到的边缘区域系数矩阵中坐标位置为(i,j)处的系数，表示L_org的第M个子带的系数矩阵对应的图像和L_dis的第M个子带的系数矩阵对应的图像分别实施区域划分后得到的平坦区域系数矩阵中坐标位置为(i,j)处的系数，表示L_org的第M个子带的系数矩阵对应的图像和L_dis的第M个子带的系数矩阵对应的图像分别实施区域划分后得到的纹理区域系数矩阵中坐标位置为(i,j)处的系数，W_M表示或或或对应的图像的宽度，H_M表示或或或对应的图像的高度；

计算R_org和R_dis的结构相似度值，记为Q^R，其中， $L_{M,R}=b_1\&times;L_{M,e,R}+b_2\&times;L_{M,f,R}+b_3\&times;L_{M,t,R},Q_{m,R}=b_1\&times;Q_{m,e,R}+b_2\&times;Q_{m,f,R}+b_3\&times;Q_{m,t,R},$ $L_{M,e,R}=\frac{1}{N_{e,R}}\underset{i=0}{\overset{W_M-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\&Sigma;}}}\frac{2\&times;U_M^{\mathrm{org},R}(i,j)\&times;U_M^{\mathrm{dis},R}(i,j)\&times;A_{M,e}^R(i,j)+C_1}{{(U_M^{\mathrm{org},R}(i,j)\&times;A_{M,e}^R(i,j))}^2+{(U_M^{\mathrm{dis},R}(i,j)\&times;A_{M,e}^R(i,j))}^2+C_1},N_{e,R}=\underset{i=0}{\overset{W_M-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\&Sigma;}}}{A}_{M,e}^R(i,j),$ $L_{M,f,R}=\frac{1}{N_{f,R}}\underset{i=0}{\overset{W_M-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\&Sigma;}}}\frac{2\&times;U_M^{\mathrm{org},R}(i,j)\&times;U_M^{\mathrm{dis},R}(i,j)\&times;A_{M,f}^R(i,j)+C_1}{{(U_M^{\mathrm{org},R}(i,j)\&times;A_{M,f}^R(i,j))}^2+{(U_M^{\mathrm{dis},R}(i,j)\&times;A_{M,f}^R(i,j))}^2+C_1},N_{f,R}=\underset{i=0}{\overset{W_M-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\&Sigma;}}}{A}_{M,f}^R(i,j),$ $L_{M,t,R}=\frac{1}{N_{t,R}}\underset{i=0}{\overset{W_M-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\&Sigma;}}}\frac{2\&times;U_M^{\mathrm{org},R}(i,j)\&times;U_M^{\mathrm{dis},R}(i,j)\&times;A_{M,t}^R(i,j)+C_1}{{(U_M^{\mathrm{org},R}(i,j)\&times;A_{M,t}^R(i,j))}^2+{(U_M^{\mathrm{dis},R}(i,j)\&times;A_{M,t}^R(i,j))}^2+C_1},N_{t,R}=\underset{i=0}{\overset{W_M-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_M-8}{\mathrm{\&Sigma;}}}{A}_{M,t}^R(i,j),$ Q_m,e,R＝H_m,e,R×G_m,e,R，Q_m,f,R＝H_m,f,R×G_m,f,R，Q_m,t,R＝H_m,t,R×G_m,t,R， $H_{m,e,R}=\frac{1}{N_{e,R}}\underset{i=0}{\overset{W_m-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\&Sigma;}}}\frac{B_m^R(i,j)\&times;A_{m,e}^R(i,j)+C_3}{{\mathrm{\&sigma;}}_m^{\mathrm{org},R}(i,j)\&times;{\mathrm{\&sigma;}}_m^{\mathrm{dis},R}(i,j)\&times;A_{m,e}^R(i,j)+C_3},H_{m,f,R}=\frac{1}{N_{f,R}}\underset{i=0}{\overset{W_m-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\&Sigma;}}}\frac{B_m^R(i,j)\&times;A_{m,f}^R(i,j)+C_3}{{\mathrm{\&sigma;}}_m^{\mathrm{org},R}(i,j)\&times;{\mathrm{\&sigma;}}_m^{\mathrm{dis},R}(i,j)\&times;A_{m,f}^R(i,j)+C_3},$ $H_{m,t,R}=\frac{1}{N_{t,R}}\underset{i=0}{\overset{W_m-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\&Sigma;}}}\frac{B_m^R(i,j)\&times;A_{m,t}^R(i,j)+C_3}{{\mathrm{\&sigma;}}_m^{\mathrm{org},R}(i,j)\&times;{\mathrm{\&sigma;}}_m^{\mathrm{dis},R}(i,j)\&times;A_{m,t}^R(i,j)+C_3},$ $G_{m,e,R}=\frac{1}{N_{e,R}}\underset{i=0}{\overset{W_m-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\&Sigma;}}}\frac{2\&times;{\mathrm{\&sigma;}}_m^{\mathrm{org},R}(i,j)\&times;{\mathrm{\&sigma;}}_m^{\mathrm{dis},R}(i,j)\&times;A_{m,e}^R(i,j)+C_2}{{({\mathrm{\&sigma;}}_m^{\mathrm{org},R}(i,j)\&times;A_{m,e}^R(i,j))}^2+{({\mathrm{\&sigma;}}_m^{\mathrm{dis},R}(i,j)\&times;A_{m,e}^R(i,j))}^2+C_2},$ $G_{m,f,R}=\frac{1}{N_{f,R}}\underset{i=0}{\overset{W_m-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\&Sigma;}}}\frac{2\&times;{\mathrm{\&sigma;}}_m^{\mathrm{org},R}(i,j)\&times;{\mathrm{\&sigma;}}_m^{\mathrm{dis},R}(i,j)\&times;A_{m,f}^R(i,j)+C_2}{{({\mathrm{\&sigma;}}_m^{\mathrm{org},R}(i,j)\&times;A_{m,f}^R(i,j))}^2+{({\mathrm{\&sigma;}}_m^{\mathrm{dis},R}(i,j)\&times;A_{m,f}^R(i,j))}^2+C_2},$ $G_{m,t,R}=\frac{1}{N_{t,R}}\underset{i=0}{\overset{W_m-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H_m-8}{\mathrm{\&Sigma;}}}\frac{2\&times;{\mathrm{\&sigma;}}_m^{\mathrm{org},R}(i,j)\&times;{\mathrm{\&sigma;}}_m^{\mathrm{dis},R}(i,j)\&times;A_{m,t}^R(i,j)+C_2}{{({\mathrm{\&sigma;}}_m^{\mathrm{org},R}(i,j)\&times;A_{m,t}^R(i,j))}^2+{({\mathrm{\&sigma;}}_m^{\mathrm{dis},R}(i,j)\&times;A_{m,t}^R(i,j))}^2+C_2},$ 此处α_m表示Q_m,R对应的权值，此处b₁、b₂和b₃分别表示对应的图像和对应的图像的边缘区域、平坦区域和纹理区域的权重值，表示R_org的第M个子带的系数矩阵对应的图像中左上角的像素点的坐标位置为(i,j)的重叠块中所有像素点的均值，表示R_dis的第M个子带的系数矩阵对应的图像中左上角的像素点的坐标位置为(i,j)的重叠块中所有像素点的均值，表示R_org的第M个子带的系数矩阵对应的图像和R_dis的第M个子带的系数矩阵对应的图像分别实施区域划分后得到的边缘区域系数矩阵中坐标位置为(i,j)处的系数，表示R_org的第M个子带的系数矩阵对应的图像和R_dis的第M个子带的系数矩阵对应的图像分别实施区域划分后得到的边缘区域系数矩阵中坐标位置为(i,j)处的系数，表示R_org的第M个子带的系数矩阵对应的图像和R_dis的第M个子带的系数矩阵对应的图像分别实施区域划分后得到的边缘区域系数矩阵中坐标位置为(i,j)处的系数；

⑥根据Q^L和Q^R计算待评价的失真的立体图像S_dis相对于原始的无失真的立体图像S_org的空间频率相似度度量，记为Q_F，Q_F＝ω_l×Q^L+ω_r×Q^R，其中，ω_l表示Q^L的权值，ω_r表示Q^R的权值；

⑦计算L_org与R_org的绝对差值图像，记为计算L_dis与R_dis的绝对差值图像，记为其中，“||”为取绝对值符号；

⑧对和分别实施区域划分，得到和各自对应的三个区域系数矩阵，三个区域分别为边缘区域、平坦区域和纹理区域，将和的边缘区域系数矩阵均记为将和的平坦区域系数矩阵均记为将和的纹理区域系数矩阵均记为 其中，表示中坐标位置为(i,j)处的系数，表示中坐标位置为(i,j)处的系数，表示中坐标位置为(i,j)处的系数，此处0≤i<(W-7)，0≤j<(H-7)，W表示或的宽度，H表示或的高度；

⑨将和分别分割成(W-7)×(H-7)个尺寸大小为8×8的重叠块，然后计算与中所有坐标位置相同的两个重叠块的亮度失真映射图的系数矩阵、结构失真映射图的系数矩阵及灵敏度失真映射图的系数矩阵，分别记为P^LR、K^LR及E^LR，对于中左上角的像素点的坐标位置为(i,j)的重叠块，将其定义为当前重叠块，计算当前重叠块与中与当前重叠块坐标位置相同的重叠块的亮度失真映射值，记为 $P^{\mathrm{LR}}(i,j),P^{\mathrm{LR}}(i,j)=\left\{\begin{array}{cc}0.9\&times;\sqrt{\frac{1}{|U_{\mathrm{org}}^{\mathrm{LR}}(i,j)-127|}}& U_{\mathrm{org}}^{\mathrm{LR}}(i,j)>127\\ 1& U_{\mathrm{org}}^{\mathrm{LR}}(i,j)=127\\ 0.3\&times;\sqrt{\frac{1}{|U_{\mathrm{org}}^{\mathrm{LR}}(i,j)-127|}}& U_{\mathrm{org}}^{\mathrm{LR}}(i,j)<127\end{array}\right.,$ 计算当前重叠块与中与当前重叠块坐标位置相同的重叠块的结构失真映射值，记为K^LR(i,j)， $K^{\mathrm{LR}}(i,j)=\frac{{\left(({\mathrm{\&sigma;}}_{\mathrm{org}}^{\mathrm{LR}}(i,j){)}^2-{\left({\mathrm{\&sigma;}}_{\mathrm{dis}}^{\mathrm{LR}}(i,j)\right)}^2\right)}^2+C_4}{{\left({\left({\mathrm{\&sigma;}}_{\mathrm{org}}^{\mathrm{LR}}(i,j)\right)}^2\right)}^2+{\left({\left({\mathrm{\&sigma;}}_{\mathrm{dis}}^{\mathrm{LR}}(i,j)\right)}^2\right)}^2-2{\left({\mathrm{\&sigma;}}_{\mathrm{org},\mathrm{dis}}^{\mathrm{LR}}(i,j)\right)}^2+C_4},$ 计算当前重叠块与中与当前重叠块坐标位置相同的重叠块的灵敏度失真映射值，记为E^LR(i,j)， $E^{\mathrm{LR}}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{7}{\mathrm{\&Sigma;}}}{(D_{\mathrm{LR}}^{\mathrm{org}}(i+x,j+y)-D_{\mathrm{LR}}^{\mathrm{dis}}(i+x,j+y))}^2,$ 其中，表示中左上角的像素点的坐标位置为(i,j)的重叠块中所有像素点的均值，表示中左上角的像素点的坐标位置为(i,j)的重叠块中所有像素点的标准差，表示中左上角的像素点的坐标位置为(i,j)的重叠块中所有像素点的标准差，表示中左上角的像素点的坐标位置为(i,j)的重叠块中所有像素点和中左上角的像素点的坐标位置为(i,j)的重叠块中所有像素点的协方差，C₄是常数，且C₄≠0，表示中坐标位置为(i+x,j+y)的像素点的像素值，表示中坐标位置为(i+x,j+y)的像素点的像素值，此处0≤i<(W-7)，0≤j<(H-7)；

⑩计算待评价的失真的立体图像S_dis相对于原始的无失真的立体图像S_org的立体感知评价度量，记为Q_S，Q_s＝b₁×Q_e+b₂×Q_f+b₃×Q_t，其中， $Q_e=\frac{1}{N_{e,\mathrm{LR}}}\underset{i=0}{\overset{W-7}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H-7}{\mathrm{\&Sigma;}}}(P^{\mathrm{LR}}(i,j)\&times;E^{\mathrm{LR}}(i,j)\&times;K^{\mathrm{LR}}(i,j)\&times;A_e^{\mathrm{LR}}(i,j)),N_{e,\mathrm{LR}}=\underset{i=0}{\overset{W-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H-8}{\mathrm{\&Sigma;}}}{A}_e^{\mathrm{LR}}(i,j),$ $Q_f=\frac{1}{N_{f,\mathrm{LR}}}\underset{i=0}{\overset{W-7}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H-7}{\mathrm{\&Sigma;}}}(P^{\mathrm{LR}}(i,j)\&times;E^{\mathrm{LR}}(i,j)\&times;K^{\mathrm{LR}}(i,j)\&times;A_f^{\mathrm{LR}}(i,j)),N_{f,\mathrm{LR}}=\underset{i=0}{\overset{W-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H-8}{\mathrm{\&Sigma;}}}{A}_f^{\mathrm{LR}}(i,j),$ $Q_t=\frac{1}{N_{t,\mathrm{LR}}}\underset{i=0}{\overset{W-7}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H-7}{\mathrm{\&Sigma;}}}(P^{\mathrm{LR}}(i,j)\&times;E^{\mathrm{LR}}(i,j)\&times;K^{\mathrm{LR}}(i,j)\&times;A_t^{\mathrm{LR}}(i,j)),N_{t,\mathrm{LR}}=\underset{i=0}{\overset{W-8}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{H-8}{\mathrm{\&Sigma;}}}{A}_t^{\mathrm{LR}}(i,j);$

根据待评价的失真的立体图像S_dis相对于原始的无失真的立体图像S_org的空间频率相似度度量Q_F和立体感知评价度量Q_S，计算待评价的失真的立体图像S_dis的图像质量评价分值，记为Q，Q＝Q_F×(Q_S)^λ，其中，λ表示权重系数值。

2.根据权利要求1所述的一种基于视觉感知的立体图像客观质量评价方法，其特征在于所述的步骤③中对L_org的第m个子带的系数矩阵对应的图像和L_dis的第m个子带的系数矩阵对应的图像分别实施区域划分获取边缘区域系数矩阵平坦区域系数矩阵和纹理区域系数矩阵的具体过程为：

③-a1、对对应的图像作Sobel算子处理，得到对应的图像的水平方向梯度图像和垂直方向梯度图像，分别记为Z_h,l和Z_v,l，然后计算对应的图像的梯度幅值映射图，记为Z_l，将对应的图像的梯度幅值映射图Z_l中坐标位置为(i,j)的像素点的梯度幅值记为Z_l(i,j)，此处0≤i<(W_m-7)，0≤j<(H_m-7)，W_m表示或或或对应的图像的宽度，H_m表示或或或对应的图像的高度；

③-a2、对对应的图像作Sobel算子处理，得到对应的图像的水平方向梯度图像和垂直方向梯度图像，分别记为Z_h,r和Z_v,r，然后计算对应的图像的梯度幅值映射图，记为Z_r，将对应的图像的梯度幅值映射图Z_r中坐标位置为(i,j)的像素点的梯度幅值记为Z_r(i,j)；

③-a3、计算区域划分时所需的双阈值T₁和T₂，T₁＝0.06×max(Z_l)，T₂＝0.12×max(Z_l)，其中，max()为取最大值函数；

③-a4、根据对应的图像的梯度幅值映射图Z_l和对应的图像的梯度幅值映射图Z_r，判定对应的图像和对应的图像中所有坐标位置相同的两个像素点为边缘像素点或平坦像素点或纹理像素点，对于对应的图像和对应的图像中坐标位置均为(i,j)的像素点，如果Z_l(i,j)>T₂或Z_r(i,j)>T₂，则确定对应的图像和对应的图像中坐标位置均为(i,j)的像素点为边缘像素点，且令否则，确定对应的图像和对应的图像中坐标位置均为(i,j)的像素点为非边缘像素点，且令如果Z_l(i,j)<T₁且Z_r(i,j)<T₂，则确定对应的图像和对应的图像中坐标位置均为(i,j)的像素点为平坦像素点，且令否则，确定对应的图像和对应的图像中坐标位置均为(i,j)的像素点为非平坦像素点，且令如果T₁≤Z_l(i,j)≤T₂且Z_r(i,j)≤T₂，则确定对应的图像和对应的图像中坐标位置均为(i,j)的像素点为纹理像素点，且令否则，确定对应的图像和对应的图像中坐标位置均为(i,j)的像素点为非纹理像素点，且令

所述的步骤③中对R_org的第m个子带的系数矩阵对应的图像和R_dis的第m个子带的系数矩阵对应的图像分别实施区域划分获取边缘区域系数矩阵平坦区域系数矩阵和纹理区域系数矩阵的具体过程为：

③-b1、对对应的图像作Sobel算子处理，得到对应的图像的水平方向梯度图像和垂直方向梯度图像，分别记为Z_h,l'和Z_v,l'，然后计算对应的图像的梯度幅值映射图，记为Z_l'，将对应的图像的梯度幅值映射图Z_l'中坐标位置为(i,j)的像素点的梯度幅值记为Z_l'(i,j)，此处0≤i<(W_m-7)，0≤j<(H_m-7)，W_m表示或或或对应的图像的宽度，H_m表示或或或对应的图像的高度；

③-b2、对对应的图像作Sobel算子处理，得到对应的图像的水平方向梯度图像和垂直方向梯度图像，分别记为Z_h,r'和Z_v,r'，然后计算对应的图像的梯度幅值映射图，记为Z_r'，将对应的图像的梯度幅值映射图Z_r'中坐标位置为(i,j)的像素点的梯度幅值记为Z_r'(i,j)；

③-b3、计算区域划分时所需的双阈值T₁'和T₂'，T₁'＝0.06×max(Z_l')，T₂'＝0.12×max(Z_l')，其中，max()为取最大值函数；

③-b4、根据对应的图像的梯度幅值映射图Z_l'和对应的图像的梯度幅值映射图Z_r'，判定对应的图像和对应的图像中所有坐标位置相同的两个像素点为边缘像素点或平坦像素点或纹理像素点，对于对应的图像和对应的图像中坐标位置均为(i,j)的像素点，如果Z_l'(i,j)>T₂'或Z_r'(i,j)>T₂'，则确定对应的图像和对应的图像中坐标位置均为(i,j)的像素点为边缘像素点，且令否则，确定对应的图像和对应的图像中坐标位置均为(i,j)的像素点为非边缘像素点，且令如果Z_l'(i,j)<T₁'且Z_r'(i,j)<T₂'，则确定对应的图像和对应的图像中坐标位置均为(i,j)的像素点为平坦像素点，且令否则，确定对应的图像和对应的图像中坐标位置均为(i,j)的像素点为非平坦像素点，且令如果T₁'≤Z_l'(i,j)≤T₂'且Z_r'(i,j)≤T₂'，则确定对应的图像和对应的图像中坐标位置均为(i,j)的像素点为纹理像素点，且令否则，确定对应的图像和对应的图像中坐标位置均为(i,j)的像素点为非纹理像素点，且令

3.根据权利要求1或2所述的一种基于视觉感知的立体图像客观质量评价方法，其特征在于所述的步骤中权重系数值λ的获取过程为：

采用n幅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，失真立体图像集包括多幅失真的立体图像，其中，n≥1；

利用主观质量评价方法获取失真立体图像集中的每幅失真的立体图像与其对应的无失真的立体图像的平均主观评分值的差值，记为DMOS，DMOS∈[0,100]；

根据步骤①至⑩的过程，计算失真立体图像集中的每幅失真的立体图像相对于对应的无失真的立体图像的空间频率相似度度量Q_F和立体感知评价度量Q_S；

采用数学优化方法来拟合失真立体图像集中的每幅失真的立体图像对应的DMOS及对应的空间频率相似度度量Q_F和立体感知评价度量Q_S，拟合函数为DMOS＝Q_F×(Q_S)^λ，从而得到最优情况下的λ值。