CN102708568B - 一种基于结构失真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结构失真的立体图像客观质量评价方法，其首先分别对无失真的立体图像和失真的立体图像的左右视点图像进行区域划分，得到人眼敏感区域和相应的非敏感区域，然后从结构幅值失真和结构方向失真两方面分别得出敏感区域和非敏感区域的评价指标；其次获取左右视点图像质量评价值；再次采样奇异值差异和剥夺奇异值后的残余图像的均值偏差率来衡量立体图像的深度感知的畸变情况，从而获得立体感知质量的评价值；最后结合左右视点图像质量和立体感知质量，得到立体图像的最终质量评价结果，由于本发明方法避免模拟人眼视觉***的各个组成部分，而充分利用了立体图像的结构信息，因此有效地提高了客观评价结果与主观感知的一致性。

Description

一种基于结构失真的立体图像客观质量评价方法

技术领域

本发明涉及一种图像质量评价技术，尤其是涉及一种基于结构失真的立体图像客观质量评价方法。

背景技术

立体图像质量评价在立体图像/视频***中占据着十分重要的地位，不仅能够评判立体图像/视频***中处理算法的优劣，而且还能优化和设计该算法，以提高立体图像/视频处理***的效率。立体图像质量评价方法主要分为两类：主观质量评价和客观质量评价。主观质量评价方法就是把多名观察者对待评价立体图像的质量进行加权平均的综合评价，其结果符合人眼视觉***特性，但是其受到计算不便、速度慢、成本高等诸多因素的限制，导致嵌入***难，因而在实际应用中无法得到广泛推广。而客观质量评价方法具有操作简单、成本低、易于实现及实时优化算法等特点，成为立体图像质量评价研究的重点。

目前，主流的立体图像客观质量评价模型包括左右视点图像质量评价和深度感知质量评价两部分。但是，由于人类对人眼视觉***的认识有限，难以准确地模拟人眼的各个组成部分，因此这些模型与主观感知之间的一致性不是很好。

发明内容

本发明所要解决的技术问题是提供一种基于结构失真的立体图像客观质量评价方法，其能够有效提高立体图像客观质量评价结果与主观感知之间的一致性。

本发明解决上述技术问题所采用的技术方案为：一种基于结构失真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的左视点灰度图像记为L_org，将原始的无失真的立体图像S_org的右视点灰度图像记为R_org，将待评价的失真的立体图像S_dis的左视点灰度图像记为L_dis，将待评价的失真的立体图像S_dis的右视点灰度图像记为R_dis；

②对L_org和L_dis、R_org和R_dis4幅图像分别实施区域划分，分别得到L_org和L_dis、R_org和R_dis4幅图像各自对应的敏感区域矩阵映射图，将L_org和L_dis分别实施区域划分后得到的各自对应的敏感区域矩阵映射图的系数矩阵均记为A_L，对于A_L中坐标位置为(i,j)处的系数值，将其记为A_L(i,j)，将R_org和R_dis分别实施区域划分后得到的各自对应的敏感区域矩阵映射图的系数矩阵均记为A_R，对于A_R中坐标位置为(i,j)处的系数值，将其记为A_R(i,j)，其中，此处0≤i≤(W-8)，0≤j≤(H-8)，W表示L_org、L_dis、R_org和R_dis的宽，H表示L_org、L_dis、R_org和R_dis的高；

③将L_org和L_dis2幅图像分别分割成(W-7)×(H-7)个尺寸大小为8×8的重叠块，然后计算L_org和L_dis2幅图像中所有坐标位置相同的两个重叠块的结构幅值失真映射图，将该结构幅值失真映射图的系数矩阵记为B_L，对于B_L中坐标位置为(i,j)处的系数值，将其记为B_L(i,j)， $B_L(i,j)=\frac{2\×{\mathrm{\σ}}_{\mathrm{org},\mathrm{dis},L}(i,j)+C_1}{{\left({\mathrm{\σ}}_{\mathrm{org},L}(i,j)\right)}^2+{\left({\mathrm{\σ}}_{\mathrm{dis},L}(i,j)\right)}^2+C_1},$ 其中，B_L(i,j)亦表示L_org中左上角坐标位置为(i,j)的尺寸大小为8×8的重叠块与L_dis中左上角坐标位置为(i,j)的尺寸大小为8×8的重叠块的结构幅值失真值， ${\mathrm{\σ}}_{\mathrm{org},L}(i,j)=\sqrt{\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{(L_{\mathrm{org}}(i+x,j+y)-U_{\mathrm{org},L}(i,j))}^2},$ $U_{\mathrm{org},L}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{L}_{\mathrm{org}}(i+x,j+y),$ ${\mathrm{\σ}}_{\mathrm{dis},L}(i,j)=\sqrt{\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{(L_{\mathrm{dis}}(i+x,j+y)-U_{\mathrm{dis},L}(i,j))}^2},$ $U_{\mathrm{dis},L}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{L}_{\mathrm{dis}}(i+x,j+y),$ ${\mathrm{\σ}}_{\mathrm{org},\mathrm{dis},L}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}((L_{\mathrm{org}}(i+x,j+y)-U_{\mathrm{org},L}(i,j))\×(L_{\mathrm{dis}}(i+x,j+y)-U_{\mathrm{dis},L}(i,j))),$ L_org(i+x,j+y)表示L_org中坐标位置为(i+x,j+y)的像素点的像素值，L_dis(i+x,j+y)表示L_dis中坐标位置为(i+x,j+y)的像素点的像素值，C₁表示常数，此处0≤i≤(W-8)，0≤j≤(H-8)；

将R_org和R_dis2幅图像分别分割成(W-7)×(H-7)个尺寸大小为8×8的重叠块，然后计算R_org和R_dis2幅图像中所有坐标位置相同的两个重叠块的结构幅值失真映射图，将该结构幅值失真映射图的系数矩阵记为B_R，对于B_R中坐标位置为(i,j)处的系数值，将其记为B_R(i,j)， $B_R(i,j)=\frac{2\×{\mathrm{\σ}}_{\mathrm{org},\mathrm{dis},R}(i,j)+C_1}{{\left({\mathrm{\σ}}_{\mathrm{org},R}(i,j)\right)}^2+{\left({\mathrm{\σ}}_{\mathrm{dis},R}(i,j)\right)}^2+C_1},$ 其中，B_R(i,j)亦表示R_org中左上角坐标位置为(i,j)的尺寸大小为8×8的重叠块与R_dis中左上角坐标位置为(i,j)的尺寸大小为8×8的重叠块的结构幅值失真值， ${\mathrm{\σ}}_{\mathrm{org},R}(i,j)=\sqrt{\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{(R_{\mathrm{org}}(i+x,j+y)-U_{\mathrm{org},R}(i,j))}^2},$ $U_{\mathrm{org},R}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{R}_{\mathrm{org}}(i+x,j+y),$ ${\mathrm{\σ}}_{\mathrm{dis},R}(i,j)=\sqrt{\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{(R_{\mathrm{dis}}(i+x,j+y)-U_{\mathrm{dis},R}(i,j))}^2},$ $U_{\mathrm{dis},R}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{R}_{\mathrm{dis}}(i+x,j+y),$ ${\mathrm{\σ}}_{\mathrm{org},\mathrm{dis},R}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}((R_{\mathrm{org}}(i+x,j+y)-U_{\mathrm{org},R}(i,j))\×(R_{\mathrm{dis}}(i+x,j+y)-U_{\mathrm{dis},R}(i,j))),$ R_org(i+x,j+y)表示R_org中坐标位置为(i+x,j+y)的像素点的像素值，R_dis(i+x,j+y)表示R_dis中坐标位置为(i+x,j+y)的像素点的像素值，C₁表示常数，此处0≤i≤(W-8)，0≤j≤(H-8)；

④对L_org和L_dis2幅图像分别实施水平及垂直方向Sobel算子处理，分别得到L_org和L_dis2幅图像各自对应的水平方向梯度矩阵映射图和垂直方向梯度矩阵映射图，将L_org实施水平方向Sobel算子处理后得到的对应的水平方向梯度矩阵映射图的系数矩阵记为I_h,org,L，对于I_h,org,L中坐标位置为(i,j)处的系数值，将其记为I_h,org,L(i,j)， $\begin{array}{c}{I}_{h,\mathrm{org},L}(i,j)=L_{\mathrm{org}}(i+2,j)+2L_{\mathrm{org}}(i+2,j+1)+L_{\mathrm{org}}(i+2,j+2)\\ -L_{\mathrm{org}}(i,j)-2L_{\mathrm{org}}(i,j+1)-L_{\mathrm{org}}(i,j+2)\end{array},$ 将L_org实施垂直方向Sobel算子处理后得到的对应的垂直方向梯度矩阵映射图的系数矩阵记为I_v,org,L，对于I_v,org,L中坐标位置为(i,j)处的系数值，将其记为I_v,org,L(i,j)， $\begin{array}{c}{I}_{v,\mathrm{org},L}(i,j)=L_{\mathrm{org}}(i,j+2)+2L_{\mathrm{org}}(i+1,j+2)+L_{\mathrm{org}}(i+2,j+2)\\ -L_{\mathrm{org}}(i,j)-2L_{\mathrm{org}}(i+1,j)-L_{\mathrm{org}}(i+2,j)\end{array},$ 将L_dis实施水平方向Sobel算子处理后得到的对应的水平方向梯度矩阵映射图的系数矩阵记为I_h,dis,L，对于I_h,dis,L中坐标位置为(i,j)处的系数值，将其记为I_h,dis,L(i,j)， $\begin{array}{c}{I}_{h,\mathrm{dis},L}(i,j)=L_{\mathrm{dis}}(i+2,j)+2L_{\mathrm{dis}}(i+2,j+1)+L_{\mathrm{dis}}(i+2,j+2)\\ -L_{\mathrm{dis}}(i,j)-2L_{\mathrm{dis}}(i,j+1)-L_{\mathrm{dis}}(i,j+2)\end{array},$ 将L_dis实施垂直方向Sobel算子处理后得到的对应的垂直方向梯度矩阵映射图的系数矩阵记为I_v,dis,L，对于I_v,dis,L中坐标位置为(i,j)处的系数值，将其记为I_v,dis,L(i,j)， $\begin{array}{c}{I}_{v,\mathrm{dis},L}(i,j)=L_{\mathrm{dis}}(i,j+2)+2L_{\mathrm{dis}}(i+1,j+2)+L_{\mathrm{dis}}(i+2,j+2)\\ -L_{\mathrm{dis}}(i,j)-2L_{\mathrm{dis}}(i+1,j)-L_{\mathrm{dis}}(i+2,j)\end{array},$ 其中，L_org(i+2,j)、L_org(i+2,j+1)、L_org(i+2,j+2)、L_org(i,j)、L_org(i,j+1)、L_org(i,j+2)、L_org(i+1,j+2)、L_org(i+1,j)分别对应表示L_org中坐标位置为(i+2,j)、(i+2,j+1)、(i+2,j+2)、(i,j)、(i,j+1)、(i,j+2)、(i+1,j+2)、(i+1,j)的像素点的像素值，L_dis(i+2,j)、L_dis(i+2,j+1)、L_dis(i+2,j+2)、L_dis(i,j)、L_dis(i,j+1)、L_dis(i,j+2)、L_dis(i+1,j+2)、L_dis(i+1,j)分别对应表示L_dis中坐标位置为(i+2,j)、(i+2,j+1)、(i+2,j+2)、(i,j)、(i,j+1)、(i,j+2)、(i+1,j+2)、(i+1,j)的像素点的像素值；

对R_org和R_dis2幅图像分别实施水平及垂直方向Sobel算子处理，分别得到R_org和R_dis2幅图像各自对应的水平方向梯度矩阵映射图和垂直方向梯度矩阵映射图，将R_org实施水平方向Sobel算子处理后得到的对应的水平方向梯度矩阵映射图的系数矩阵记为I_h,org,R，对于I_h,org,R中坐标位置为(i,j)处的系数值，将其记为I_h,org,R(i,j)， $\begin{array}{c}{I}_{h,\mathrm{org},R}(i,j)=R_{\mathrm{org}}(i+2,j)+2R_{\mathrm{org}}(i+2,j+1)+R_{\mathrm{org}}(i+2,j+2)\\ -R_{\mathrm{org}}(i,j)-2R_{\mathrm{org}}(i,j+1)-R_{\mathrm{org}}(i,j+2)\end{array},$ 将R_org实施垂直方向Sobel算子处理后得到的对应的垂直方向梯度矩阵映射图的系数矩阵记为I_v,org,R，对于I_v,org,R中坐标位置为(i,j)处的系数值，将其记为I_v,org,R(i,j)， $\begin{array}{c}{I}_{v,\mathrm{org},R}(i,j)=R_{\mathrm{org}}(i,j+2)+2R_{\mathrm{org}}(i+1,j+2)+R_{\mathrm{org}}(i+2,j+2)\\ -R_{\mathrm{org}}(i,j)-2R_{\mathrm{org}}(i+1,j)-R_{\mathrm{org}}(i+2,j)\end{array},$ 将R_dis实施水平方向Sobel算子处理后得到的对应的水平方向梯度矩阵映射图的系数矩阵记为I_h,dis,R，对于I_h,dis,R中坐标位置为(i,j)处的系数值，将其记为I_h,dis,R(i,j)， $\begin{array}{c}{I}_{h,\mathrm{dis},R}(i,j)=R_{\mathrm{dis}}(i+2,j)+2R_{\mathrm{dis}}(i+2,j+1)+R_{\mathrm{dis}}(i+2,j+2)\\ -R_{\mathrm{dis}}(i,j)-2R_{\mathrm{dis}}(i,j+1)-R_{\mathrm{dis}}(i,j+2)\end{array},$ 将R_dis实施垂直方向Sobel算子处理后得到的对应的垂直方向梯度矩阵映射图的系数矩阵记为I_v,dis,R，对于I_v,dis,R中坐标位置为(i,j)处的系数值，将其记为I_v,dis,R(i,j)， $\begin{array}{c}{I}_{v,\mathrm{dis},R}(i,j)=R_{\mathrm{dis}}(i,j+2)+2R_{\mathrm{dis}}(i+1,j+2)+R_{\mathrm{dis}}(i+2,j+2)\\ -R_{\mathrm{dis}}(i,j)-2R_{\mathrm{dis}}(i+1,j)-R_{\mathrm{dis}}(i+2,j)\end{array},$ 其中，R_org(i+2,j)、R_org(i+2,j+1)、R_org(i+2,j+2)、R_org(i,j)、R_org(i,j+1)、R_org(i,j+2)、R_org(i+1,j+2)、R_org(i+1,j)分别对应表示R_org中坐标位置为(i+2,j)、(i+2,j+1)、(i+2,j+2)、(i,j)、(i,j+1)、(i,j+2)、(i+1,j+2)、(i+1,j)的像素点的像素值，R_dis(i+2,j)、R_dis(i+2,j+1)、R_dis(i+2,j+2)、R_dis(i,j)、R_dis(i,j+1)、R_dis(i,j+2)、R_dis(i+1,j+2)、R_dis(i+1,j)分别对应表示R_dis中坐标位置为(i+2,j)、(i+2,j+1)、(i+2,j+2)、(i,j)、(i,j+1)、(i,j+2)、(i+1,j+2)、(i+1,j)的像素点的像素值；

⑤计算L_org和L_dis2幅图像中所有坐标位置相同的两个重叠块的结构方向失真映射图，将该结构方向失真映射图的系数矩阵记为E_L，对于E_L中坐标位置为(i,j)处的系数值，将其记为E_L(i,j)， $E_L(i,j)=\frac{I_{h,\mathrm{org},L}(i,j)\×I_{h,\mathrm{dis},L}(i,j)+I_{v,\mathrm{org},L}(i,j)\×I_{v,\mathrm{dis},L}(i,j)+C_2}{\sqrt{{\left(I_{h,\mathrm{org},L}(i,j)\right)}^2+{\left(I_{v,\mathrm{org},L}(i,j)\right)}^2}\×\sqrt{{\left(I_{h,\mathrm{dis},L}(i,j)\right)}^2+{\left(I_{v,\mathrm{dis},L}(i,j)\right)}^2}+C_2},$ 其中，C₂表示常数；

计算R_org和R_dis2幅图像中所有坐标位置相同的两个重叠块的结构方向失真映射图，将该结构方向失真映射图的系数矩阵记为E_R，对于E_R中坐标位置为(i,j)处的系数值，将其记为E_R(i,j)， $E_R(i,j)=\frac{I_{h,\mathrm{org},R}(i,j)\×I_{h,\mathrm{dis},R}(i,j)+I_{v,\mathrm{org},R}(i,j)\×I_{v,\mathrm{dis},R}(i,j)+C_2}{\sqrt{{\left(I_{h,\mathrm{org},R}(i,j)\right)}^2+{\left(I_{v,\mathrm{org},R}(i,j)\right)}^2}\×\sqrt{{\left(I_{h,\mathrm{dis},R}(i,j)\right)}^2+{\left(I_{v,\mathrm{dis},R}(i,j)\right)}^2}+C_2};$

⑥计算L_org和L_dis的结构失真评价值，记为Q^L，Q^L＝ω₁×Q_m,L+ω₂×Q_nm,L， $Q_{m,L}=\frac{1}{N_{L,m}}\underset{i=0}{\overset{W-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H-8}{\mathrm{\Σ}}}(0.5\×(B_L(i,j)+E_L(i,j))\×A_L(i,j)),$ $N_{L,m}=\underset{i=0}{\overset{W-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H-8}{\mathrm{\Σ}}}{A}_L(i,j),$ $Q_{\mathrm{nm},L}=\frac{1}{N_{L,\mathrm{nm}}}\underset{i=0}{\overset{W-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H-8}{\mathrm{\Σ}}}(0.5\×(B_L(i,j)+E_L(i,j))\×(1-A_L(i,j))),$ $N_{L,\mathrm{nm}}=\underset{i=0}{\overset{W-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H-8}{\mathrm{\Σ}}}(1-A_L(i,j)),$ 其中，ω₁表示L_org和L_dis中敏感区域的权重值，ω₂表示L_org和L_dis中非敏感区域的权重值；

计算R_org和R_dis的结构失真评价值，记为Q^R，Q^R＝ω'₁×Q_m,R+ω'₂×Q_nm,R， $Q_{m,R}=\frac{1}{N_{R,m}}\underset{i=0}{\overset{W-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H-8}{\mathrm{\Σ}}}(0.5\×(B_R(i,j)+E_R(i,j))\×A_R(i,j)),$ $N_{R,m}=\underset{i=0}{\overset{W-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H-8}{\mathrm{\Σ}}}{A}_R(i,j),$ $Q_{\mathrm{nm},R}=\frac{1}{N_{R,\mathrm{nm}}}\underset{i=0}{\overset{W-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H-8}{\mathrm{\Σ}}}(0.5\×(B_R(i,j)+E_R(i,j))\×(1-A_R(i,j))),$ $N_{R,\mathrm{nm}}=\underset{i=0}{\overset{W-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H-8}{\mathrm{\Σ}}}(1-A_R(i,j)),$ 其中，ω'₁表示R_org和R_dis中敏感区域的权重值，ω'₂表示R_org和R_dis中非敏感区域的权重值；

⑦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＝β₁×Q^L+(1-β₁)×Q^R，其中，β₁表示Q^L的权值；

⑧计算L_org和R_org的绝对差值图像，以矩阵形式表示为 计算L_dis和R_dis的绝对差值图像，以矩阵形式表示为 其中，“||”为取绝对值符号；

⑨将和幅图像分别分割成个互不重叠的尺寸大小为8×8的块，然后对和幅图像中的所有块分别实施奇异值分解，得到对应的由其每个块的奇异值矩阵组成的奇异值映射图和对应的由其每个块的奇异值矩阵组成的奇异值映射图，将实施奇异值分解后得到的奇异值映射图的系数矩阵记为G_org，对于G_org中第n个块的奇异值矩阵中坐标位置为(p,q)处的奇异值，将其记为将实施奇异值分解后得到的奇异值映射图的系数矩阵记为G_dis，对于G_dis中第n个块的奇异值矩阵中坐标位置为(p,q)处的奇异值，将其记为其中，W_LR表示和的宽，H_LR表示和的高，0≤p≤7,0≤q≤7；

⑩计算对应的奇异值映射图和对应的奇异值映射图的奇异值偏差评价值，记为K， $K=\frac{64}{W_{\mathrm{LR}}\×H_{\mathrm{LR}}}\×\underset{n=0}{\overset{W_{\mathrm{LR}}\×H_{\mathrm{LR}}/64-1}{\mathrm{\Σ}}}\frac{\underset{p=0}{\overset{7}{\mathrm{\Σ}}}(G_{\mathrm{org}}^n(p,p)\×|G_{\mathrm{org}}^n(p,p)-G_{\mathrm{dis}}^n(p,p)\left|\right)}{\underset{p=0}{\overset{7}{\mathrm{\Σ}}}{G}_{\mathrm{org}}^n(p,p)},$ 其中，表示G_org中第n个块的奇异值矩阵中坐标位置为(p,p)处的奇异值，表示G_dis中第n个块的奇异值矩阵中坐标位置为(p,p)处的奇异值；

对和分别实施奇异值分解，分别得到和各自对应的2个正交矩阵和1个奇异值矩阵，将实施奇异值分解后得到的2个正交矩阵分别记为χ_org和V_org，将实施奇异值分解后得到的奇异值矩阵记为O_org，将实施奇异值分解后得到的2个正交矩阵分别记为χ_dis和V_dis，将实施奇异值分解后得到的奇异值矩阵记为O_dis，

分别计算和幅图像剥夺奇异值后的残留矩阵图，将剥夺奇异值后的残留矩阵图记为X_org，X_org＝χ_org×Λ×V_org，将剥夺奇异值后的残留矩阵图记为X_dis，X_dis＝χ_dis×Λ×V_dis，其中，Λ表示单位矩阵，Λ的大小与O_org和O_dis的大小一致；

计算X_org和X_dis的均值偏差率，记为 其中，x表示X_org和X_dis中的像素点的横坐标，y表示X_org和X_dis中的像素点的纵坐标；

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，其中，τ表示常数，用于调节K和在Q_S中所起的重要性；

根据Q_F和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)^ρ，其中，ρ表示权重系数值。

所述的步骤②中L_org和L_dis各自对应的敏感区域矩阵映射图的系数矩阵A_L的获取过程为：

②-a1、对L_org作水平及垂直方向Sobel算子处理，得到L_org的水平方向梯度图像和垂直方向梯度图像，分别记为Z_h,l1和Z_v,l1，然后计算L_org的梯度幅值图，记为Z_l1，其中，Z_l1(x,y)表示Z_l1中坐标位置为(x,y)的像素点的梯度幅值，Z_h,l1(x,y)表示Z_h,l1中坐标位置为(x,y)的像素点的水平方向梯度值，Z_v,l1(x,y)表示Z_v,l1中坐标位置为(x,y)的像素点的垂直方向梯度值，1≤x≤W'，1≤y≤H'，此处W'表示Z_l1的宽，H'表示Z_l1的高；

②-a2、对L_dis作水平及垂直方向Sobel算子处理，得到L_dis的水平方向梯度图像和垂直方向梯度图像，分别记为Z_h,l2和Z_v,l2，然后计算L_dis的梯度幅值图，记为Z_l2，其中，Z_l2(x,y)表示Z_l2中坐标位置为(x,y)的像素点的梯度幅值，Z_h,l2(x,y)表示Z_h,l2中坐标位置为(x,y)的像素点的水平方向梯度值，Z_v,l2(x,y)表示Z_v,l2中坐标位置为(x,y)的像素点的垂直方向梯度值，1≤x≤W'，1≤y≤H'，此处W'表示Z_l2的宽，H'表示Z_l2的高；

②-a3、计算划分区域时所需的阈值T， $T=\mathrm{\α}\×\frac{1}{W^{\′}\×H^{\′}}\×(\underset{x=0}{\overset{W^{\′}}{\mathrm{\Σ}}}\underset{y=0}{\overset{H^{\′}}{\mathrm{\Σ}}}{Z}_{l1}(x,y)+\underset{x=0}{\overset{W^{\′}}{\mathrm{\Σ}}}\underset{y=0}{\overset{H^{\′}}{\mathrm{\Σ}}}{Z}_{l2}(x,y)),$ 其中，α为常数，Z_l1(x,y)表示Z_l1中坐标位置为(x,y)的像素点的梯度幅值，Z_l2(x,y)表示Z_l2中坐标位置为(x,y)的像素点的梯度幅值；

②-a4、将Z_l1中坐标位置为(i,j)的像素点的梯度幅值记为Z_l1(i,j)，将Z_l2中坐标位置为(i,j)的像素点的梯度幅值记为Z_l2(i,j)，判断Z_l1(i,j)>T或Z_l2(i,j)>T是否成立，如果成立，则确定L_org和L_dis中坐标位置为(i,j)的像素点属于敏感区域，并令A_L(i,j)＝1，否则，确定L_org和L_dis中坐标位置为(i,j)的像素点属于非敏感区域，并令A_L(i,j)＝0，其中，0≤i≤(W-8)，0≤j≤(H-8)；

所述的步骤②中R_org和R_dis各自对应的敏感区域矩阵映射图的系数矩阵A_R的获取过程为：

②-b1、对R_org作水平及垂直方向Sobel算子处理，得到R_org的水平方向梯度图像和垂直方向梯度图像，分别记为Z_h,r1和Z_v,r1，然后计算R_org的梯度幅值图，记为Z_r1，其中，Z_r1(x,y)表示Z_r1中坐标位置为(x,y)的像素点的梯度幅值，Z_h,r1(x,y)表示Z_h,r1中坐标位置为(x,y)的像素点的水平方向梯度值，Z_v,r1(x,y)表示Z_v,r1中坐标位置为(x,y)的像素点的垂直方向梯度值，1≤x≤W'，1≤y≤H'，此处W'表示Z_r1的宽，H'表示Z_r1的高；

②-b2、对R_dis作水平及垂直方向Sobel算子处理，得到R_dis的水平方向梯度图像和垂直方向梯度图像，分别记为Z_h,r2和Z_v,r2，然后计算R_dis的梯度幅值图，记为Z_r2，其中，Z_r2(x,y)表示Z_r2中坐标位置为(x,y)的像素点的梯度幅值，Z_h,r2(x,y)表示Z_h,r2中坐标位置为(x,y)的像素点的水平方向梯度值，Z_v,r2(x,y)表示Z_v,r2中坐标位置为(x,y)的像素点的垂直方向梯度值，1≤x≤W'，1≤y≤H'，此处W'表示Z_r2的宽，H'表示Z_r2的高；

②-b3、计算划分区域时所需的阈值T'， $T^{\′}=\mathrm{\α}\×\frac{1}{W^{\′}\×H^{\′}}\×(\underset{x=0}{\overset{W^{\′}}{\mathrm{\Σ}}}\underset{y=0}{\overset{H^{\′}}{\mathrm{\Σ}}}{Z}_{r1}(x,y)+\underset{x=0}{\overset{W^{\′}}{\mathrm{\Σ}}}\underset{y=0}{\overset{H^{\′}}{\mathrm{\Σ}}}{Z}_{r2}(x,y)),$ 其中，α为常数，Z_r1(x,y)表示Z_r1中坐标位置为(x,y)的像素点的梯度幅值，Z_r2(x,y)表示Z_r2中坐标位置为(x,y)的像素点的梯度幅值；

②-b4、将Z_r1中坐标位置为(i,j)的像素点的梯度幅值记为Z_r1(i,j)，将Z_r2中坐标位置为(i,j)的像素点的梯度幅值记为Z_r2(i,j)，判断Z_r1(i,j)>T或Z_r2(i,j)>T是否成立，如果成立，则确定R_org和R_dis中坐标位置为(i,j)的像素点属于敏感区域，并令A_R(i,j)＝1，否则，确定R_org和R_dis中坐标位置为(i,j)的像素点属于非敏感区域，并令A_R(i,j)＝0，其中，0≤i≤(W-8)，0≤j≤(H-8)。

所述的步骤⑦中β₁的获取过程为：

⑦-1、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，该失真立体图像集包括多幅失真的立体图像，其中，n≥1；

⑦-2、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的平均主观评分差值，记为DMOS，DMOS＝100-MOS，其中，MOS表示主观评分均值，DMOS∈[0,100]；

⑦-3、根据步骤①至步骤⑥的操作过程，计算失真立体图像集中的每幅失真的立体图像的左视点图像相对于对应的无失真的立体图像的左视点图像的敏感区域的评价值Q_m,L和非敏感区域的评价值Q_nm,L；

⑦-4、采用数学拟合方法拟合失真立体图像集中失真的立体图像的平均主观评分差值DMOS和对应的Q_m,L和Q_nm,L，从而获得β₁值。

与现有技术相比，本发明的优点在于首先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区域划分，得到人眼敏感区域和相应的非敏感区域，然后从结构幅值失真和结构方向失真两方面分别得出敏感区域和非敏感区域的评价指标；其次采用线性加权分别得到左视点图像质量评价值和右视点图像质量评价值，进而得到左右视点图像质量评价值；再次根据奇异值可以较好的表征立体图像结构信息特性，采样奇异值差异和剥夺奇异值后的残余图像的均值偏差率来衡量立体图像的深度感知的畸变情况，从而获得立体感知质量的评价值；最后将左右视点图像质量和立体感知质量两者以非线性方式结合，得到立体图像的最终质量评价结果，由于本发明方法避免模拟人眼视觉***的各个组成部分，而充分利用了立体图像的结构信息，因此有效地提高了客观评价结果与主观感知的一致性。

附图说明

图1为本发明方法的总体实现框图；

图2a为Akko&Kayo(640×480)立体图像；

图2b为Alt Moabit(1024×768)立体图像；

图2c为Balloons(1024×768)立体图像；

图2d为Door Flowers(1024×768)立体图像；

图2e为Kendo(1024×768)立体图像；

图2f为Leaving Laptop(1024×768)立体图像；

图2g为Lovebird1(1024×768)立体图像；

图2h为Newspaper(1024×768)立体图像；

图2i为Xmas(640×480)立体图像；

图2j为Puppy(720×480)立体图像；

图2k为Soccer2(720×480)立体图像；

图2l为Horse(480×270)立体图像；

图3为本发明方法的左视点图像质量评价框图；

图4a为不同α和ω₁下的左视点图像质量和主观感知质量之间的CC性能变化图；

图4b为不同α和ω₁下的左视点图像质量和主观感知质量之间的SROCC性能变化图；

图4c为不同α和ω₁下的左视点图像质量和主观感知质量之间的RMSE性能变化图；

图5a为在ω₁＝1的情况下，不同α下的左视点图像质量和主观感知质量之间的CC性能变化图；

图5b为在ω₁＝1的情况下，不同α下的左视点图像质量和主观感知质量之间的SROCC性能变化图；

图5c为在ω₁＝1的情况下，不同α下的左视点图像质量和主观感知质量之间的RMSE性能变化图；

图6a为不同β₁下的左右视点图像质量和主观感知质量之间的CC性能变化图；

图6b为不同β₁下的左右视点图像质量和主观感知质量之间的SROCC性能变化图；

图6c为不同β₁下的左右视点图像质量和主观感知质量之间的RMSE性能变化图；

图7a为不同τ下的立体深度感知质量和主观感知质量之间的CC性能变化图；

图7b为不同τ下的立体深度感知质量和主观感知质量之间的SROCC性能变化图；

图7c为不同τ下的立体深度感知质量和主观感知质量之间的RMSE性能变化图；

图8a为不同ρ下的立体图像质量和主观感知质量之间的CC性能变化图；

图8b为不同ρ下的立体图像质量和主观感知质量之间的SROCC性能变化图；

图8c为不同ρ下的立体图像质量和主观感知质量之间的RMSE性能变化图。

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结构失真的立体图像客观质量评价方法，其从结构失真的角度分别评价了左右视点图像质量和立体图像的立体感知质量，采用非线性加权的方式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的左视点灰度图像记为L_org，将原始的无失真的立体图像S_org的右视点灰度图像记为R_org，将待评价的失真的立体图像S_dis的左视点灰度图像记为L_dis，将待评价的失真的立体图像S_dis的右视点灰度图像记为R_dis。

②对L_org和L_dis、R_org和R_dis4幅图像分别实施区域划分，分别得到L_org和L_dis、R_org和R_dis4幅图像各自对应的敏感区域矩阵映射图，将L_org和L_dis分别实施区域划分后得到的各自对应的敏感区域矩阵映射图的系数矩阵均记为A_L，对于A_L中坐标位置为(i,j)处的系数值，将其记为A_L(i,j)，将R_org和R_dis分别实施区域划分后得到的各自对应的敏感区域矩阵映射图的系数矩阵均记为A_R，对于A_R中坐标位置为(i,j)处的系数值，将其记为A_R(i,j)，其中，此处0≤i≤(W-8)，0≤j≤(H-8)，W表示L_org、L_dis、R_org和R_dis的宽，H表示L_org、L_dis、R_org和R_dis的高。

在此具体实施例中，步骤②中L_org和L_dis各自对应的敏感区域矩阵映射图的系数矩阵A_L的获取过程为：

②-a1、对L_org作水平及垂直方向Sobel算子处理，得到L_org的水平方向梯度图像和垂直方向梯度图像，分别记为Z_h,l1和Z_v,l1，然后计算L_org的梯度幅值图，记为Z_l1，其中，Z_l1(x,y)表示Z_l1中坐标位置为(x,y)的像素点的梯度幅值，Z_h,l1(x,y)表示Z_h,l1中坐标位置为(x,y)的像素点的水平方向梯度值，Z_v,l1(x,y)表示Z_v,l1中坐标位置为(x,y)的像素点的垂直方向梯度值，1≤x≤W'，1≤y≤H'，此处W'表示Z_l1的宽，H'表示Z_l1的高。

②-a2、对L_dis作水平及垂直方向Sobel算子处理，得到L_dis的水平方向梯度图像和垂直方向梯度图像，分别记为Z_h,l2和Z_v,l2，然后计算L_dis的梯度幅值图，记为Z_l2，其中，Z_l2(x,y)表示Z_l2中坐标位置为(x,y)的像素点的梯度幅值，Z_h,l2(x,y)表示Z_h,l2中坐标位置为(x,y)的像素点的水平方向梯度值，Z_v,l2(x,y)表示Z_v,l2中坐标位置为(x,y)的像素点的垂直方向梯度值，1≤x≤W'，1≤y≤H'，此处W'表示Z_l2的宽，H'表示Z_l2的高。

②-a3、计算划分区域时所需的阈值T， $T=\mathrm{\α}\×\frac{1}{W^{\′}\×H^{\′}}\×(\underset{x=0}{\overset{W^{\′}}{\mathrm{\Σ}}}\underset{y=0}{\overset{H^{\′}}{\mathrm{\Σ}}}{Z}_{l1}(x,y)+\underset{x=0}{\overset{W^{\′}}{\mathrm{\Σ}}}\underset{y=0}{\overset{H^{\′}}{\mathrm{\Σ}}}{Z}_{l2}(x,y)),$ 其中，W'表示Z_l1和Z_l2的宽，H'表示Z_l1和Z_l2的高，α为常数，Z_l1(x,y)表示Z_l1中坐标位置为(x,y)的像素点的梯度幅值，Z_l2(x,y)表示Z_l2中坐标位置为(x,y)的像素点的梯度幅值。

②-a4、将Z_l1中坐标位置为(i,j)的像素点的梯度幅值记为Z_l1(i,j)，将Z_l2中坐标位置为(i,j)的像素点的梯度幅值记为Z_l2(i,j)，判断Z_l1(i,j)>T或Z_l2(i,j)>T是否成立，如果成立，则确定L_org和L_dis中坐标位置为(i,j)的像素点属于敏感区域，并令A_L(i,j)＝1，否则，确定L_org和L_dis中坐标位置为(i,j)的像素点属于非敏感区域，并令A_L(i,j)＝0，其中，0≤i≤(W-8)，0≤j≤(H-8)。

在此具体实施例中，步骤②中R_org和R_dis各自对应的敏感区域矩阵映射图的系数矩阵A_R的获取过程为：

②-b1、对R_org作水平及垂直方向Sobel算子处理，得到R_org的水平方向梯度图像和垂直方向梯度图像，分别记为Z_h,r1和Z_v,r1，然后计算R_org的梯度幅值图，记为Z_r1，其中，Z_r1(x,y)表示Z_r1中坐标位置为(x,y)的像素点的梯度幅值，Z_h,r1(x,y)表示Z_h,r1中坐标位置为(x,y)的像素点的水平方向梯度值，Z_v,r1(x,y)表示Z_v,r1中坐标位置为(x,y)的像素点的垂直方向梯度值，1≤x≤W'，1≤y≤H'，此处W'表示Z_r1的宽，H'表示Z_r1的高。

②-b2、对R_dis作水平及垂直方向Sobel算子处理，得到R_dis的水平方向梯度图像和垂直方向梯度图像，分别记为Z_h,r2和Z_v,r2，然后计算R_dis的梯度幅值图，记为Z_r2，其中，Z_r2(x,y)表示Z_r2中坐标位置为(x,y)的像素点的梯度幅值，Z_h,r2(x,y)表示Z_h,r2中坐标位置为(x,y)的像素点的水平方向梯度值，Z_v,r2(x,y)表示Z_v,r2中坐标位置为(x,y)的像素点的垂直方向梯度值，1≤x≤W'，1≤y≤H'，此处W'表示Z_r2的宽，H'表示Z_r2的高。

②-b3、计算划分区域时所需的阈值T'， $T^{\′}=\mathrm{\α}\×\frac{1}{W^{\′}\×H^{\′}}\×(\underset{x=0}{\overset{W^{\′}}{\mathrm{\Σ}}}\underset{y=0}{\overset{H^{\′}}{\mathrm{\Σ}}}{Z}_{r1}(x,y)+\underset{x=0}{\overset{W^{\′}}{\mathrm{\Σ}}}\underset{y=0}{\overset{H^{\′}}{\mathrm{\Σ}}}{Z}_{r2}(x,y)),$ 其中，W'表示Z_r1和Z_r2的宽，H'表示Z_r1和Z_r2的高，α为常数，Z_r1(x,y)表示Z_r1中坐标位置为(x,y)的像素点的梯度幅值，Z_r2(x,y)表示Z_r2中坐标位置为(x,y)的像素点的梯度幅值。

②-b4、将Z_r1中坐标位置为(i,j)的像素点的梯度幅值记为Z_r1(i,j)，将Z_r2中坐标位置为(i,j)的像素点的梯度幅值记为Z_r2(i,j)，判断Z_r1(i,j)>T或Z_r2(i,j)>T是否成立，如果成立，则确定R_org和R_dis中坐标位置为(i,j)的像素点属于敏感区域，并令A_R(i,j)＝1，否则，确定R_org和R_dis中坐标位置为(i,j)的像素点属于非敏感区域，并令A_R(i,j)＝0，其中，0≤i≤(W-8)，0≤j≤(H-8)。

在本实施例中，利用如图2a、图2b、图2c、图2d、图2e、图2f、图2g、图2h、图2i、图2j、图2k和图2l所示的12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，且立体图像的左视点图像和右视点图像同时同程度失真，该失真立体图像集共包括312幅失真的立体图像，其中JPEG压缩的失真的立体图像共60幅，JPEG2000压缩的失真的立体图像共60幅，高斯白噪声失真的立体图像共60幅，高斯模糊失真的立体图像共60幅，H264编码失真的立体图像共72幅。对上述312幅立体图像进行如上所述的区域分割。

在本实施例中，α值决定了敏感区域划分的准确程度，若取值过大，则敏感区域会被误认为非敏感区域，若取值过小，则非敏感区域会被误认为敏感区域，因此其值的确定过程与左视点图像质量或右视点图像质量对立体图像质量的贡献来决定。

③将L_org和L_dis2幅图像分别分割成(W-7)×(H-7)个尺寸大小为8×8的重叠块，然后计算L_org和L_dis2幅图像中所有坐标位置相同的两个重叠块的结构幅值失真映射图，将该结构幅值失真映射图的系数矩阵记为B_L，对于B_L中坐标位置为(i,j)处的系数值，将其记为B_L(i,j)， $B_L(i,j)=\frac{2\×{\mathrm{\σ}}_{\mathrm{org},\mathrm{dis},L}(i,j)+C_1}{{\left({\mathrm{\σ}}_{\mathrm{org},L}(i,j)\right)}^2+{\left({\mathrm{\σ}}_{\mathrm{dis},L}(i,j)\right)}^2+C_1},$ 其中，B_L(i,j)亦表示L_org中左上角坐标位置为(i,j)的尺寸大小为8×8的重叠块与L_dis中左上角坐标位置为(i,j)的尺寸大小为8×8的重叠块的结构幅值失真值， ${\mathrm{\σ}}_{\mathrm{org},L}(i,j)=\sqrt{\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{(L_{\mathrm{org}}(i+x,j+y)-U_{\mathrm{org},L}(i,j))}^2},$ $U_{\mathrm{org},L}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{L}_{\mathrm{org}}(i+x,j+y),$ ${\mathrm{\σ}}_{\mathrm{dis},L}(i,j)=\sqrt{\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{(L_{\mathrm{dis}}(i+x,j+y)-U_{\mathrm{dis},L}(i,j))}^2},$ $U_{\mathrm{dis},L}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{L}_{\mathrm{dis}}(i+x,j+y),$ ${\mathrm{\σ}}_{\mathrm{org},\mathrm{dis},L}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}((L_{\mathrm{org}}(i+x,j+y)-U_{\mathrm{org},L}(i,j))\×(L_{\mathrm{dis}}(i+x,j+y)-U_{\mathrm{dis},L}(i,j))),$ L_org(i+x,j+y)表示L_org中坐标位置为(i+x,j+y)的像素点的像素值，L_dis(i+x,j+y)表示L_dis中坐标位置为(i+x,j+y)的像素点的像素值，C₁表示常数，C₁是为了避免 $B_L(i,j)=\frac{2\×{\mathrm{\σ}}_{\mathrm{org},\mathrm{dis},L}(i,j)+C_1}{{\left({\mathrm{\σ}}_{\mathrm{org},L}(i,j)\right)}^2+{\left({\mathrm{\σ}}_{\mathrm{dis},L}(i,j)\right)}^2+C_1}$ 的分母出现零的情况，在实际应用过程中可取C₁＝0.01，此处0≤i≤(W-8)，0≤j≤(H-8)。

在此，考虑图像的像素点之间的相关性，一个尺寸大小为8×8的重叠块与它最相邻的左块或右块有7列重叠，同样，该8×8重叠块与它最相邻的上块或下块有7行重叠。

将R_org和R_dis2幅图像分别分割成(W-7)×(H-7)个尺寸大小为8×8的重叠块，然后计算R_org和R_dis2幅图像中所有坐标位置相同的两个重叠块的结构幅值失真映射图，将该结构幅值失真映射图的系数矩阵记为B_R，对于B_R中坐标位置为(i,j)处的系数值，将其记为B_R(i,j)， $B_R(i,j)=\frac{2\×{\mathrm{\σ}}_{\mathrm{org},\mathrm{dis},R}(i,j)+C_1}{{\left({\mathrm{\σ}}_{\mathrm{org},R}(i,j)\right)}^2+{\left({\mathrm{\σ}}_{\mathrm{dis},R}(i,j)\right)}^2+C_1},$ 其中，B_R(i,j)亦表示R_org中左上角坐标位置为(i,j)的尺寸大小为8×8的重叠块与R_dis中左上角坐标位置为(i,j)的尺寸大小为8×8的重叠块的结构幅值失真值， ${\mathrm{\σ}}_{\mathrm{org},R}(i,j)=\sqrt{\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{(R_{\mathrm{org}}(i+x,j+y)-U_{\mathrm{org},R}(i,j))}^2},$ $U_{\mathrm{org},R}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{R}_{\mathrm{org}}(i+x,j+y),$ ${\mathrm{\σ}}_{\mathrm{dis},R}(i,j)=\sqrt{\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{(R_{\mathrm{dis}}(i+x,j+y)-U_{\mathrm{dis},R}(i,j))}^2},$ $U_{\mathrm{dis},R}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{R}_{\mathrm{dis}}(i+x,j+y),$ ${\mathrm{\σ}}_{\mathrm{org},\mathrm{dis},R}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}((R_{\mathrm{org}}(i+x,j+y)-U_{\mathrm{org},R}(i,j))\×(R_{\mathrm{dis}}(i+x,j+y)-U_{\mathrm{dis},R}(i,j))),$ R_org(i+x,j+y)表示R_org中坐标位置为(i+x,j+y)的像素点的像素值，R_dis(i+x,j+y)表示R_dis中坐标位置为(i+x,j+y)的像素点的像素值，C₁表示常数，C₁是为了避免 $B_R(i,j)=\frac{2\×{\mathrm{\σ}}_{\mathrm{org},\mathrm{dis},R}(i,j)+C_1}{{\left({\mathrm{\σ}}_{\mathrm{org},R}(i,j)\right)}^2+{\left({\mathrm{\σ}}_{\mathrm{dis},R}(i,j)\right)}^2+C_1}$ 的分母出现零的情况，在实际应用过程中可取C₁＝0.01，此处0≤i≤(W-8)，0≤j≤(H-8)。

④对L_org和L_dis2幅图像分别实施水平及垂直方向Sobel算子处理，分别得到L_org和L_dis2幅图像各自对应的水平方向梯度矩阵映射图和垂直方向梯度矩阵映射图，将L_org实施水平方向Sobel算子处理后得到的对应的水平方向梯度矩阵映射图的系数矩阵记为I_h,org,L，对于I_h,org,L中坐标位置为(i,j)处的系数值，将其记为I_h,org,L(i,j)， $\begin{array}{c}{I}_{h,\mathrm{org},L}(i,j)=L_{\mathrm{org}}(i+2,j)+2L_{\mathrm{org}}(i+2,j+1)+L_{\mathrm{org}}(i+2,j+2)\\ -L_{\mathrm{org}}(i,j)-2L_{\mathrm{org}}(i,j+1)-L_{\mathrm{org}}(i,j+2)\end{array},$ 将L_org实施垂直方向Sobel算子处理后得到的对应的垂直方向梯度矩阵映射图的系数矩阵记为I_v,org,L，对于I_v,org,L中坐标位置为(i,j)处的系数值，将其记为I_v,org,L(i,j)， $\begin{array}{c}{I}_{v,\mathrm{org},L}(i,j)=L_{\mathrm{org}}(i,j+2)+2L_{\mathrm{org}}(i+1,j+2)+L_{\mathrm{org}}(i+2,j+2)\\ -L_{\mathrm{org}}(i,j)-2L_{\mathrm{org}}(i+1,j)-L_{\mathrm{org}}(i+2,j)\end{array},$ 将L_dis实施水平方向Sobel算子处理后得到的对应的水平方向梯度矩阵映射图的系数矩阵记为I_h,dis,L，对于I_h,dis,L中坐标位置为(i,j)处的系数值，将其记为I_h,dis,L(i,j)， $\begin{array}{c}{I}_{h,\mathrm{dis},L}(i,j)=L_{\mathrm{dis}}(i+2,j)+2L_{\mathrm{dis}}(i+2,j+1)+L_{\mathrm{dis}}(i+2,j+2)\\ -L_{\mathrm{dis}}(i,j)-2L_{\mathrm{dis}}(i,j+1)-L_{\mathrm{dis}}(i,j+2)\end{array},$ 将L_dis实施垂直方向Sobel算子处理后得到的对应的垂直方向梯度矩阵映射图的系数矩阵记为I_v,dis,L，对于I_v,dis,L中坐标位置为(i,j)处的系数值，将其记为I_v,dis,L(i,j)， $\begin{array}{c}{I}_{v,\mathrm{dis},L}(i,j)=L_{\mathrm{dis}}(i,j+2)+2L_{\mathrm{dis}}(i+1,j+2)+L_{\mathrm{dis}}(i+2,j+2)\\ -L_{\mathrm{dis}}(i,j)-2L_{\mathrm{dis}}(i+1,j)-L_{\mathrm{dis}}(i+2,j)\end{array},$ 其中，L_org(i+2,j)、L_org(i+2,j+1)、L_org(i+2,j+2)、L_org(i,j)、L_org(i,j+1)、L_org(i,j+2)、L_org(i+1,j+2)、L_org(i+1,j)分别对应表示L_org中坐标位置为(i+2,j)、(i+2,j+1)、(i+2,j+2)、(i,j)、(i,j+1)、(i,j+2)、(i+1,j+2)、(i+1,j)的像素点的像素值，L_dis(i+2,j)、L_dis(i+2,j+1)、L_dis(i+2,j+2)、L_dis(i,j)、L_dis(i,j+1)、L_dis(i,j+2)、L_dis(i+1,j+2)、L_dis(i+1,j)分别对应表示L_dis中坐标位置为(i+2,j)、(i+2,j+1)、(i+2,j+2)、(i,j)、(i,j+1)、(i,j+2)、(i+1,j+2)、(i+1,j)的像素点的像素值。

对R_org和R_dis2幅图像分别实施水平及垂直方向Sobel算子处理，分别得到R_org和R_dis2幅图像各自对应的水平方向梯度矩阵映射图和垂直方向梯度矩阵映射图，将R_org实施水平方向Sobel算子处理后得到的对应的水平方向梯度矩阵映射图的系数矩阵记为I_h,org,R，对于I_h,org,R中坐标位置为(i,j)处的系数值，将其记为I_h,org,R(i,j)， $\begin{array}{c}{I}_{h,\mathrm{org},R}(i,j)=R_{\mathrm{org}}(i+2,j)+2R_{\mathrm{org}}(i+2,j+1)+R_{\mathrm{org}}(i+2,j+2)\\ -R_{\mathrm{org}}(i,j)-2R_{\mathrm{org}}(i,j+1)-R_{\mathrm{org}}(i,j+2)\end{array},$ 将R_org实施垂直方向Sobel算子处理后得到的对应的垂直方向梯度矩阵映射图的系数矩阵记为I_v,org,R，对于I_v,org,R中坐标位置为(i,j)处的系数值，将其记为I_v,org,R(i,j)， $\begin{array}{c}{I}_{v,\mathrm{org},R}(i,j)=R_{\mathrm{org}}(i,j+2)+2R_{\mathrm{org}}(i+1,j+2)+R_{\mathrm{org}}(i+2,j+2)\\ -R_{\mathrm{org}}(i,j)-2R_{\mathrm{org}}(i+1,j)-R_{\mathrm{org}}(i+2,j)\end{array},$ 将R_dis实施水平方向Sobel算子处理后得到的对应的水平方向梯度矩阵映射图的系数矩阵记为I_h,dis,R，对于I_h,dis,R中坐标位置为(i,j)处的系数值，将其记为I_h,dis,R(i,j)， $\begin{array}{c}{I}_{h,\mathrm{dis},R}(i,j)=R_{\mathrm{dis}}(i+2,j)+2R_{\mathrm{dis}}(i+2,j+1)+R_{\mathrm{dis}}(i+2,j+2)\\ -R_{\mathrm{dis}}(i,j)-2R_{\mathrm{dis}}(i,j+1)-R_{\mathrm{dis}}(i,j+2)\end{array},$ 将R_dis实施垂直方向Sobel算子处理后得到的对应的垂直方向梯度矩阵映射图的系数矩阵记为I_v,dis,R，对于I_v,dis,R中坐标位置为(i,j)处的系数值，将其记为I_v,dis,R(i,j)， $\begin{array}{c}{I}_{v,\mathrm{dis},R}(i,j)=R_{\mathrm{dis}}(i,j+2)+2R_{\mathrm{dis}}(i+1,j+2)+R_{\mathrm{dis}}(i+2,j+2)\\ -R_{\mathrm{dis}}(i,j)-2R_{\mathrm{dis}}(i+1,j)-R_{\mathrm{dis}}(i+2,j)\end{array},$ 其中，R_org(i+2,j)、R_org(i+2,j+1)、R_org(i+2,j+2)、R_org(i,j)、R_org(i,j+1)、R_org(i,j+2)、R_org(i+1,j+2)、R_org(i+1,j)分别对应表示R_org中坐标位置为(i+2,j)、(i+2,j+1)、(i+2,j+2)、(i,j)、(i,j+1)、(i,j+2)、(i+1,j+2)、(i+1,j)的像素点的像素值，R_dis(i+2,j)、R_dis(i+2,j+1)、R_dis(i+2,j+2)、R_dis(i,j)、R_dis(i,j+1)、R_dis(i,j+2)、R_dis(i+1,j+2)、R_dis(i+1,j)分别对应表示R_dis中坐标位置为(i+2,j)、(i+2,j+1)、(i+2,j+2)、(i,j)、(i,j+1)、(i,j+2)、(i+1,j+2)、(i+1,j)的像素点的像素值。

⑤计算L_org和L_dis2幅图像中所有坐标位置相同的两个重叠块的结构方向失真映射图，将该结构方向失真映射图的系数矩阵记为E_L，对于E_L中坐标位置为(i,j)处的系数值，将其记为E_L(i,j)， $E_L(i,j)=\frac{I_{h,\mathrm{org},L}(i,j)\×I_{h,\mathrm{dis},L}(i,j)+I_{v,\mathrm{org},L}(i,j)\×I_{v,\mathrm{dis},L}(i,j)+C_2}{\sqrt{{\left(I_{h,\mathrm{org},L}(i,j)\right)}^2+{\left(I_{v,\mathrm{org},L}(i,j)\right)}^2}\×\sqrt{{\left(I_{h,\mathrm{dis},L}(i,j)\right)}^2+{\left(I_{v,\mathrm{dis},L}(i,j)\right)}^2}+C_2},$ 其中，C₂表示常数，C₂是为了避免 $E_L(i,j)=\frac{I_{h,\mathrm{org},L}(i,j)\×I_{h,\mathrm{dis},L}(i,j)+I_{v,\mathrm{org},L}(i,j)\×I_{v,\mathrm{dis},L}(i,j)+C_2}{\sqrt{{\left(I_{h,\mathrm{org},L}(i,j)\right)}^2+{\left(I_{v,\mathrm{org},L}(i,j)\right)}^2}\×\sqrt{{\left(I_{h,\mathrm{dis},L}(i,j)\right)}^2+{\left(I_{v,\mathrm{dis},L}(i,j)\right)}^2}+C_2}$ 的分母出现为零的情况，在实际应用过程中可取C₂＝0.02。

计算R_org和R_dis2幅图像中所有坐标位置相同的两个重叠块的结构方向失真映射图，将该结构方向失真映射图的系数矩阵记为E_R，对于E_R中坐标位置为(i,j)处的系数值，将其记为E_R(i,j)， $E_R(i,j)=\frac{I_{h,\mathrm{org},R}(i,j)\×I_{h,\mathrm{dis},R}(i,j)+I_{v,\mathrm{org},R}(i,j)\×I_{v,\mathrm{dis},R}(i,j)+C_2}{\sqrt{{\left(I_{h,\mathrm{org},R}(i,j)\right)}^2+{\left(I_{v,\mathrm{org},R}(i,j)\right)}^2}\×\sqrt{{\left(I_{h,\mathrm{dis},R}(i,j)\right)}^2+{\left(I_{v,\mathrm{dis},R}(i,j)\right)}^2}+C_2},$ C₂是为了避免 $E_R(i,j)=\frac{I_{h,\mathrm{org},R}(i,j)\×I_{h,\mathrm{dis},R}(i,j)+I_{v,\mathrm{org},R}(i,j)\×I_{v,\mathrm{dis},R}(i,j)+C_2}{\sqrt{{\left(I_{h,\mathrm{org},R}(i,j)\right)}^2+{\left(I_{v,\mathrm{org},R}(i,j)\right)}^2}\×\sqrt{{\left(I_{h,\mathrm{dis},R}(i,j)\right)}^2+{\left(I_{v,\mathrm{dis},R}(i,j)\right)}^2}+C_2}$ 的分母出现为零的情况，在实际应用过程中可取C₂＝0.02。

⑥计算L_org和L_dis的结构失真评价值，记为Q^L，Q^L＝ω₁×Q_m,L+ω₂×Q_nm,L， $Q_{m,L}=\frac{1}{N_{L,m}}\underset{i=0}{\overset{W-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H-8}{\mathrm{\Σ}}}(0.5\×(B_L(i,j)+E_L(i,j))\×A_L(i,j)),$ $N_{L,m}=\underset{i=0}{\overset{W-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H-8}{\mathrm{\Σ}}}{A}_L(i,j),$ $Q_{\mathrm{nm},L}=\frac{1}{N_{L,\mathrm{nm}}}\underset{i=0}{\overset{W-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H-8}{\mathrm{\Σ}}}(0.5\×(B_L(i,j)+E_L(i,j))\×(1-A_L(i,j))),$ $N_{L,\mathrm{nm}}=\underset{i=0}{\overset{W-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H-8}{\mathrm{\Σ}}}(1-A_L(i,j)),$ 其中，ω₁表示L_org和L_dis中敏感区域的权重值，ω₂表示L_org和L_dis中非敏感区域的权重值。

计算R_org和R_dis的结构失真评价值，记为Q^R，Q^R＝ω'₁×Q_m,R+ω'₂×Q_nm,R， $Q_{m,R}=\frac{1}{N_{R,m}}\underset{i=0}{\overset{W-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H-8}{\mathrm{\Σ}}}(0.5\×(B_R(i,j)+E_R(i,j))\×A_R(i,j)),$ $N_{R,m}=\underset{i=0}{\overset{W-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H-8}{\mathrm{\Σ}}}{A}_R(i,j),$ $Q_{\mathrm{nm},R}=\frac{1}{N_{R,\mathrm{nm}}}\underset{i=0}{\overset{W-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H-8}{\mathrm{\Σ}}}(0.5\×(B_R(i,j)+E_R(i,j))\×(1-A_R(i,j))),$ $N_{R,\mathrm{nm}}=\underset{i=0}{\overset{W-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H-8}{\mathrm{\Σ}}}(1-A_R(i,j)),$ 其中，ω'₁表示R_org和R_dis中敏感区域的权重值，ω'₂表示R_org和R_dis中非敏感区域的权重值。

在本实施例中，图3给出了左视点图像质量评价的实现框图。利用如图2a至图2l所示的12幅无失真的立体图像建立由312幅失真的立体图像构成的失真立体图像集，对这312幅失真的立体图像采用公知的主观质量评价方法进行主观质量评价，得到312幅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幅失真的立体图像按本发明方法步骤①至⑥计算得到每幅失真的立体图像相应的Q_m,L和Q_nm,L；然后采用Q^L＝ω₁×Q_m,L+(1-ω₁)×Q_nm,L进行作四参数Logistic函数非线性拟合，得到α和ω₁值。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，即非线性回归条件下的Pearson相关系数(Correlation Coefficient，CC)、Spearman相关系数(SpearmanRank-Order Correlation Coefficient，SROCC)和均方误差系数(Rooted Mean SquaredError，RMSE)，CC反映失真的立体图像评价函数这一客观模型的精度，SROCC反映客观模型与主观感知之间的单调性情况。RMSE反映其预测的准确性。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。图4a给出了不同α和ω₁下的312幅立体图像的左视点图像质量和主观感知质量之间的CC性能变化，图4b给出了不同α和ω₁下的312幅立体图像的左视点图像质量和主观感知质量之间的SROCC性能变化，图4c给出了不同α和ω₁下的312幅立体图像的左视点图像质量和主观感知质量之间的RMSE性能变化，分析图4a、图4b和图4c，可知CC和SROCC会随着ω1值的变大而变大，而RMSE随着ω₁值的变大而变小，说明左视点图像质量主要是由敏感区域的质量决定，而α值的改变对左视点图像质量与主观感知之间的性能影响不大。图5a给出了在ω₁＝1、ω₂＝0情况下，不同α下的312幅立体图像的左视点图像质量和主观感知质量之间的CC性能变化；图5b给出了在ω₁＝1、ω₂＝0情况下，不同α下的312幅立体图像的左视点图像质量和主观感知质量之间的SROCC性能变化；图5c给出了在ω₁＝1、ω₂＝0情况下，不同α下的312幅立体图像的左视点图像质量和主观感知质量之间的RMSE性能变化；分析图5a、图5b和图5c，可知CC、SROCC和RMSE值都在百分位上波动，但都存在一个峰值。因此，在本实施例中，取ω₁＝1，α＝2.1。

⑦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＝β₁×Q^L+(1-β₁)×Q^R，其中，β₁表示Q^L的权值。

在此具体实施例中，步骤⑦中β₁的获取过程为：

⑦-1、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，该失真立体图像集包括多幅失真的立体图像，其中，n≥1。

⑦-2、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的平均主观评分差值，记为DMOS，DMOS＝100-MOS，其中，MOS表示主观评分均值，DMOS∈[0,100]。

⑦-3、根据步骤①至步骤⑥的操作过程，计算失真立体图像集中的每幅失真的立体图像的左视点图像相对于对应的无失真的立体图像的左视点图像的敏感区域的评价值Q_m,L和非敏感区域的评价值Q_nm,L。

⑦-4、采用数学拟合方法拟合失真立体图像集中失真的立体图像的平均主观评分差值DMOS和对应的Q_m,L和Q_nm,L，从而获得β₁值。

在本实施例中，β₁决定了Q^L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的质量和右视点图像的质量之和的一半，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。由于该立体图像测试库的左视点图像和右视点图像同时受到同程度的失真，左视点图像的质量和右视点图像的质量变化不大，故β₁变化对立体图像的主观性能影响不大。首先对上述312幅失真的立体图像按本发明方法步骤①至⑥计算得到每幅失真的立体图像相应的Q^L和Q^R，然后采用四参数拟合得到β₁值。图6a给出了不同β₁下的左右视点图像的质量与主观感知质量之间的CC性能变化，图6a给出了不同β₁下的左右视点图像的质量与主观感知质量之间的SROCC性能变化，图6a给出了不同β₁下的左右视点图像的质量与主观感知质量之间的RMSE性能变化，分析图6a、图6b和图6c，可知随着β₁值的变化，CC、SROCC和RMSE值变化不大，在百分位上波动，但都存在峰值。这里，取β₁＝0.5。

⑧计算L_org和R_org的绝对差值图像用矩阵表示，即计算L_dis和R_dis的绝对差值图像用矩阵表示，即其中，“||”为取绝对值符号。

⑨将和幅图像分别分割成个互不重叠的尺寸大小为8×8的块，然后对和幅图像中的所有块分别实施奇异值分解，得到对应的由其每个块的奇异值矩阵组成的奇异值映射图和对应的由其每个块的奇异值矩阵组成的奇异值映射图，将实施奇异值分解后得到的奇异值映射图的系数矩阵记为G_org，对于G_org中第n个块的奇异值矩阵中坐标位置为(p,q)处的奇异值，将其记为将实施奇异值分解后得到的奇异值映射图的系数矩阵记为G_dis，对于G_dis中第n个块的奇异值矩阵中坐标位置为(p,q)处的奇异值，将其记为其中，W_LR表示和的宽，H_LR表示和的高，0≤p≤7,0≤q≤7。

在此，为了降低计算复杂度，一个8×8的块与它最相邻的左块或右块或上块或下块没有重复列或重复行，即块与块互不重叠。

⑩计算对应的奇异值映射图和对应的奇异值映射图的奇异值偏差评价值，记为K， $K=\frac{64}{W_{\mathrm{LR}}\×H_{\mathrm{LR}}}\×\underset{n=0}{\overset{W_{\mathrm{LR}}\×H_{\mathrm{LR}}/64-1}{\mathrm{\Σ}}}\frac{\underset{p=0}{\overset{7}{\mathrm{\Σ}}}(G_{\mathrm{org}}^n(p,p)\×|G_{\mathrm{org}}^n(p,p)-G_{\mathrm{dis}}^n(p,p)\left|\right)}{\underset{p=0}{\overset{7}{\mathrm{\Σ}}}{G}_{\mathrm{org}}^n(p,p)},$ 其中，表示G_org中第n个块的奇异值矩阵中坐标位置为(p,p)处的奇异值，表示G_dis中第n个块的奇异值矩阵中坐标位置为(p,p)处的奇异值。

对和分别实施奇异值分解，分别得到和各自对应的2个正交矩阵和1个奇异值矩阵，将实施奇异值分解后得到的2个正交矩阵分别记为χ_org和V_org，将实施奇异值分解后得到的奇异值矩阵记为O_org，将实施奇异值分解后得到的2个正交矩阵分别记为χ_dis和V_dis，将实施奇异值分解后得到的奇异值矩阵记为O_dis，

分别计算和幅图像剥夺奇异值后的残留矩阵图，将剥夺奇异值后的残留矩阵图记为X_org，X_org＝χ_org×Λ×V_org，将剥夺奇异值后的残留矩阵图记为X_dis，X_dis＝χ_dis×Λ×V_dis，其中，Λ表示单位矩阵，Λ的大小与O_org和O_dis的大小一致。

计算X_org和X_dis的均值偏差率，记为 其中，x表示X_org和X_dis中的像素点的横坐标，y表示X_org和X_dis中的像素点的纵坐标。

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，其中，τ表示常数，用于调节K和在Q_S中所起的重要性。

在本实施例中，首先求取上述312幅失真的立体图像和10幅无失真的立体图像的绝对差值图像，然后按照本发明方法的步骤⑧至计算得到每幅失真的立体图像相应的K和在此，τ值大小决定了奇异值偏差与残留信息在深度感知评价中所起的重要性。图7a给出了在不同τ下312幅失真的立体图像的立体感知质量与主观感知之间的CC性能变化，图7b给出了在不同τ下312幅失真的立体图像的立体感知质量与主观感知之间的SROCC性能变化，图7c给出了在不同τ下312幅失真的立体图像的立体感知质量与主观感知之间的RMSE性能变化，图7a、图7b和图7c中τ在[-164]范围内变化，分析图7a、图7b和图7c，可知CC、SROCC和RMSE与τ的变化都存在一个极值，且位置大致相同，这里取τ＝-8。

根据Q_F和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)^ρ，其中，ρ表示权重系数值。

在本实施例中，对上述312幅失真的立体图像按本发明方法步骤①至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)^ρ进行作四参数Logistic函数非线性拟合，得到ρ，ρ值决定了左右视点图像的质量和立体感知质量在立体图像质量中的贡献。Q_F和Q_S值都是随着立体图像失真程度加深而变小，故ρ值的取值范围为大于0。图8a给出了在不同ρ值下的312幅立体图像的质量与主观感知质量之间的CC性能变化，图8b给出了在不同ρ值下的312幅立体图像的质量与主观感知质量之间的SROCC性能变化，图8c给出了在不同ρ值下的312幅立体图像的质量与主观感知质量之间的RMSE性能变化，分析图8a、图8b、图8c，可知ρ值取得太大或太小都会影响立体图像质量客观评价模型与主观感知之间的一致性，随着ρ值变化情况下，CC、SROCC和RMSE值都存在极值点，且大致位置相同，这里取ρ＝0.3。

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)^0.3的最终评价结果与主观评分DMOS之间的相关性。首先按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)^0.3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。这里，利用评估图像质量评价方法的4个常用客观参量作为评价指标，即CC、SROCC、常值比率(Outlier Ratio，OR)、RMSE。OR反映立体图像质量客观评级模型的离散程度，即所有失真立体图像中四参数拟合后的评价值与DMOS之间的差异大于某一阈值的失真立体图像数目所占比例。表1给出了评价性能CC、SROCC、OR和RMSE系数，由表1数据可见，按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)^0.3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值和SROCC值都超过0.92，RMSE值低于6.5，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本实施得到的失真的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
							数目	60	60	60	60	72	312
CC	0.9658	0.9479	0.9533	0.9554	0.9767	0.9235
							SROCC	0.9655	0.9489	0.9524	0.9274	0.9545	0.9430
OR	0	0	0	0	0	0
							RMSE	5.4719	3.8180	4.3010	4.6151	3.0135	6.5890

Claims (3)

1.一种基于结构失真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的左视点灰度图像记为L_org，将原始的无失真的立体图像S_org的右视点灰度图像记为R_org，将待评价的失真的立体图像S_dis的左视点灰度图像记为L_dis，将待评价的失真的立体图像S_dis的右视点灰度图像记为R_dis；

②对L_org和L_dis、R_org和R_dis4幅图像分别实施区域划分，分别得到L_org和L_dis、R_org和R_dis4幅图像各自对应的敏感区域矩阵映射图，将L_org和L_dis分别实施区域划分后得到的各自对应的敏感区域矩阵映射图的系数矩阵均记为A_L，对于A_L中坐标位置为(i,j)处的系数值，将其记为A_L(i,j)，将R_org和R_dis分别实施区域划分后得到的各自对应的敏感区域矩阵映射图的系数矩阵均记为A_R，对于A_R中坐标位置为(i,j)处的系数值，将其记为A_R(i,j)，其中，此处0≤i≤(W-8)，0≤j≤(H-8)，W表示L_org、L_dis、R_org和R_dis的宽，H表示L_org、L_dis、R_org和R_dis的高；

③将L_org和L_dis2幅图像分别分割成(W-7)×(H-7)个尺寸大小为8×8的重叠块，然后计算L_org和L_dis2幅图像中所有坐标位置相同的两个重叠块的结构幅值失真映射图，将该结构幅值失真映射图的系数矩阵记为B_L，对于B_L中坐标位置为(i,j)处的系数值，将其记为B_L(i,j)， $B_L(i,j)=\frac{2\×{\mathrm{\σ}}_{\mathrm{org},\mathrm{dis},L}(i,j)+C_1}{{\left({\mathrm{\σ}}_{\mathrm{org},L}(i,j)\right)}^2+{\left({\mathrm{\σ}}_{\mathrm{dis},L}(i,j)\right)}^2+C_1},$ 其中，B_L(i,j)亦表示L_org中左上角坐标位置为(i,j)的尺寸大小为8×8的重叠块与L_dis中左上角坐标位置为(i,j)的尺寸大小为8×8的重叠块的结构幅值失真值， ${\mathrm{\σ}}_{\mathrm{org},L}(i,j)=\sqrt{\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{(L_{\mathrm{org}}(i+x,j+y)-U_{\mathrm{org},L}(i,j))}^2},$ $U_{\mathrm{org},L}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{L}_{\mathrm{org}}(i+x,j+y),$ ${\mathrm{\σ}}_{\mathrm{dis},L}(i,j)=\sqrt{\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{(L_{\mathrm{dis}}(i+x,j+y)-U_{\mathrm{dis},L}(i,j))}^2},$ $U_{\mathrm{dis},L}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{L}_{\mathrm{dis}}(i+x,j+y),$ ${\mathrm{\σ}}_{\mathrm{org},\mathrm{dis},L}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}((L_{\mathrm{org}}(i+x,j+y)-U_{\mathrm{org},L}(i,j))\×(L_{\mathrm{dis}}(i+x,j+y)-U_{\mathrm{dis},L}(i,j))),$ L_org(i+x,j+y)表示L_org中坐标位置为(i+x,j+y)的像素点的像素值，L_dis(i+x,j+y)表示L_dis中坐标位置为(i+x,j+y)的像素点的像素值，C₁表示常数，此处0≤i≤(W-8)，0≤j≤(H-8)；

将R_org和R_dis2幅图像分别分割成(W-7)×(H-7)个尺寸大小为8×8的重叠块，然后计算R_org和R_dis2幅图像中所有坐标位置相同的两个重叠块的结构幅值失真映射图，将该结构幅值失真映射图的系数矩阵记为B_R，对于B_R中坐标位置为(i,j)处的系数值，将其记为B_R(i,j)， $B_R(i,j)=\frac{2\×{\mathrm{\σ}}_{\mathrm{org},\mathrm{dis},R}(i,j)+C_1}{{\left({\mathrm{\σ}}_{\mathrm{org},R}(i,j)\right)}^2+{\left({\mathrm{\σ}}_{\mathrm{dis},R}(i,j)\right)}^2+C_1},$ 其中，B_R(i,j)亦表示R_org中左上角坐标位置为(i,j)的尺寸大小为8×8的重叠块与R_dis中左上角坐标位置为(i,j)的尺寸大小为8×8的重叠块的结构幅值失真值， ${\mathrm{\σ}}_{\mathrm{org},R}(i,j)=\sqrt{\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{(R_{\mathrm{org}}(i+x,j+y)-U_{\mathrm{org},R}(i,j))}^2},$ $U_{\mathrm{org},R}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{R}_{\mathrm{org}}(i+x,j+y),$ ${\mathrm{\σ}}_{\mathrm{dis},R}(i,j)=\sqrt{\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{(R_{\mathrm{dis}}(i+x,j+y)-U_{\mathrm{dis},R}(i,j))}^2},$ $U_{\mathrm{dis},R}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}{R}_{\mathrm{dis}}(i+x,j+y),$ ${\mathrm{\σ}}_{\mathrm{org},\mathrm{dis},R}(i,j)=\frac{1}{64}\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}((R_{\mathrm{org}}(i+x,j+y)-U_{\mathrm{org},R}(i,j))\×(R_{\mathrm{dis}}(i+x,j+y)-U_{\mathrm{dis},R}(i,j))),$ R_org(i+x,j+y)表示R_org中坐标位置为(i+x,j+y)的像素点的像素值，R_dis(i+x,j+y)表示R_dis中坐标位置为(i+x,j+y)的像素点的像素值，C₁表示常数，此处0≤i≤(W-8)，0≤j≤(H-8)；

④对L_org和L_dis2幅图像分别实施水平及垂直方向Sobel算子处理，分别得到L_org和L_dis2幅图像各自对应的水平方向梯度矩阵映射图和垂直方向梯度矩阵映射图，将L_org实施水平方向Sobel算子处理后得到的对应的水平方向梯度矩阵映射图的系数矩阵记为I_h,org,L，对于I_h,org,L中坐标位置为(i,j)处的系数值，将其记为I_h,org,L(i,j)， $\begin{array}{c}{I}_{h,\mathrm{org},L}(i,j)=L_{\mathrm{org}}(i+2,j)+2L_{\mathrm{org}}(i+2,j+1)+L_{\mathrm{org}}(i+2,j+2)\\ -L_{\mathrm{org}}(i,j)-2L_{\mathrm{org}}(i,j+1)-L_{\mathrm{org}}(i,j+2)\end{array},$ 将L_org实施垂直方向Sobel算子处理后得到的对应的垂直方向梯度矩阵映射图的系数矩阵记为I_v,org,L，对于I_v,org,L中坐标位置为(i,j)处的系数值，将其记为I_v,org,L(i,j)， $\begin{array}{c}{I}_{v,\mathrm{org},L}(i,j)=L_{\mathrm{org}}(i,j+2)+2L_{\mathrm{org}}(i+1,j+2)+L_{\mathrm{org}}(i+2,j+2)\\ -L_{\mathrm{org}}(i,j)-2L_{\mathrm{org}}(i+1,j)-L_{\mathrm{org}}(i+2,j)\end{array},$ 将L_dis实施水平方向Sobel算子处理后得到的对应的水平方向梯度矩阵映射图的系数矩阵记为I_h,dis,L，对于I_h,dis,L中坐标位置为(i,j)处的系数值，将其记为I_h,dis,L(i,j)， $\begin{array}{c}{I}_{h,\mathrm{dis},L}(i,j)=L_{\mathrm{dis}}(i+2,j)+2L_{\mathrm{dis}}(i+2,j+1)+L_{\mathrm{dis}}(i+2,j+2)\\ -L_{\mathrm{dis}}(i,j)-2L_{\mathrm{dis}}(i,j+1)-L_{\mathrm{dis}}(i,j+2)\end{array},$ 将L_dis实施垂直方向Sobel算子处理后得到的对应的垂直方向梯度矩阵映射图的系数矩阵记为I_v,dis,L，对于I_v,dis,L中坐标位置为(i,j)处的系数值，将其记为I_v,dis,L(i,j)， $\begin{array}{c}{I}_{v,\mathrm{dis},L}(i,j)=L_{\mathrm{dis}}(i,j+2)+2L_{\mathrm{dis}}(i+1,j+2)+L_{\mathrm{dis}}(i+2,j+2)\\ -L_{\mathrm{dis}}(i,j)-2L_{\mathrm{dis}}(i+1,j)-L_{\mathrm{dis}}(i+2,j)\end{array},$ 其中，L_org(i+2,j)、L_org(i+2,j+1)、L_org(i+2,j+2)、L_org(i,j)、L_org(i,j+1)、L_org(i,j+2)、L_org(i+1,j+2)、L_org(i+1,j)分别对应表示L_org中坐标位置为(i+2,j)、(i+2,j+1)、(i+2,j+2)、(i,j)、(i,j+1)、(i,j+2)、(i+1,j+2)、(i+1,j)的像素点的像素值，L_dis(i+2,j)、L_dis(i+2,j+1)、L_dis(i+2,j+2)、L_dis(i,j)、L_dis(i,j+1)、L_dis(i,j+2)、L_dis(i+1,j+2)、L_dis(i+1,j)分别对应表示L_dis中坐标位置为(i+2,j)、(i+2,j+1)、(i+2,j+2)、(i,j)、(i,j+1)、(i,j+2)、(i+1,j+2)、(i+1,j)的像素点的像素值；

对R_org和R_dis2幅图像分别实施水平及垂直方向Sobel算子处理，分别得到R_org和R_dis2幅图像各自对应的水平方向梯度矩阵映射图和垂直方向梯度矩阵映射图，将R_org实施水平方向Sobel算子处理后得到的对应的水平方向梯度矩阵映射图的系数矩阵记为I_h,org,R，对于I_h,org,R中坐标位置为(i,j)处的系数值，将其记为I_h,org,R(i,j)， $\begin{array}{c}{I}_{h,\mathrm{org},R}(i,j)=R_{\mathrm{org}}(i+2,j)+2R_{\mathrm{org}}(i+2,j+1)+R_{\mathrm{org}}(i+2,j+2)\\ -R_{\mathrm{org}}(i,j)-2R_{\mathrm{org}}(i,j+1)-R_{\mathrm{org}}(i,j+2)\end{array},$ 将R_org实施垂直方向Sobel算子处理后得到的对应的垂直方向梯度矩阵映射图的系数矩阵记为I_v,org,R，对于I_v,org,R中坐标位置为(i,j)处的系数值，将其记为I_v,org,R(i,j)， $\begin{array}{c}{I}_{v,\mathrm{org},R}(i,j)=R_{\mathrm{org}}(i,j+2)+2R_{\mathrm{org}}(i+1,j+2)+R_{\mathrm{org}}(i+2,j+2)\\ -R_{\mathrm{org}}(i,j)-2R_{\mathrm{org}}(i+1,j)-R_{\mathrm{org}}(i+2,j)\end{array},$ 将R_dis实施水平方向Sobel算子处理后得到的对应的水平方向梯度矩阵映射图的系数矩阵记为I_h,dis,R，对于I_h,dis,R中坐标位置为(i,j)处的系数值，将其记为I_h,dis,R(i,j)， $\begin{array}{c}{I}_{h,\mathrm{dis},R}(i,j)=R_{\mathrm{dis}}(i+2,j)+2R_{\mathrm{dis}}(i+2,j+1)+R_{\mathrm{dis}}(i+2,j+2)\\ -R_{\mathrm{dis}}(i,j)-2R_{\mathrm{dis}}(i,j+1)-R_{\mathrm{dis}}(i,j+2)\end{array},$ 将R_dis实施垂直方向Sobel算子处理后得到的对应的垂直方向梯度矩阵映射图的系数矩阵记为I_v,dis,R，对于I_v,dis,R中坐标位置为(i,j)处的系数值，将其记为I_v,dis,R(i,j)， $\begin{array}{c}{I}_{v,\mathrm{dis},R}(i,j)=R_{\mathrm{dis}}(i,j+2)+2R_{\mathrm{dis}}(i+1,j+2)+R_{\mathrm{dis}}(i+2,j+2)\\ -R_{\mathrm{dis}}(i,j)-2R_{\mathrm{dis}}(i+1,j)-R_{\mathrm{dis}}(i+2,j)\end{array},$ 其中，R_org(i+2,j)、R_org(i+2,j+1)、R_org(i+2,j+2)、R_org(i,j)、R_org(i,j+1)、R_org(i,j+2)、R_org(i+1,j+2)、R_org(i+1,j)分别对应表示R_org中坐标位置为(i+2,j)、(i+2,j+1)、(i+2,j+2)、(i,j)、(i,j+1)、(i,j+2)、(i+1,j+2)、(i+1,j)的像素点的像素值，R_dis(i+2,j)、R_dis(i+2,j+1)、R_dis(i+2,j+2)、R_dis(i,j)、R_dis(i,j+1)、R_dis(i,j+2)、R_dis(i+1,j+2)、R_dis(i+1,j)分别对应表示R_dis中坐标位置为(i+2,j)、(i+2,j+1)、(i+2,j+2)、(i,j)、(i,j+1)、(i,j+2)、(i+1,j+2)、(i+1,j)的像素点的像素值；

⑤计算L_org和L_dis2幅图像中所有坐标位置相同的两个重叠块的结构方向失真映射图，将该结构方向失真映射图的系数矩阵记为E_L，对于E_L中坐标位置为(i,j)处的系数值，将其记为E_L(i,j)， $E_L(i,j)=\frac{I_{h,\mathrm{org},L}(i,j)\×I_{h,\mathrm{dis},L}(i,j)+I_{v,\mathrm{org},L}(i,j)\×I_{v,\mathrm{dis},L}(i,j)+C_2}{\sqrt{{\left(I_{h,\mathrm{org},L}(i,j)\right)}^2+{\left(I_{v,\mathrm{org},L}(i,j)\right)}^2}\×\sqrt{{\left(I_{h,\mathrm{dis},L}(i,j)\right)}^2+{\left(I_{v,\mathrm{dis},L}(i,j)\right)}^2}+C_2},$ 其中，C₂表示常数；

计算R_org和R_dis2幅图像中所有坐标位置相同的两个重叠块的结构方向失真映射图，将该结构方向失真映射图的系数矩阵记为E_R，对于E_R中坐标位置为(i,j)处的系数值，将其记为ER(i,j)， $E_R(i,j)=\frac{I_{h,\mathrm{org},R}(i,j)\×I_{h,\mathrm{dis},R}(i,j)+I_{v,\mathrm{org},R}(i,j)\×I_{v,\mathrm{dis},R}(i,j)+C_2}{\sqrt{{\left(I_{h,\mathrm{org},R}(i,j)\right)}^2+{\left(I_{v,\mathrm{org},R}(i,j)\right)}^2}\×\sqrt{{\left(I_{h,\mathrm{dis},R}(i,j)\right)}^2+{\left(I_{v,\mathrm{dis},R}(i,j)\right)}^2}+C_2};$

⑥计算L_org和L_dis的结构失真评价值，记为Q^L，Q^L＝ω₁×Q_m,L+ω₂×Q_nm,L， $Q_{m,L}=\frac{1}{N_{L,m}}\underset{i=0}{\overset{W-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H-8}{\mathrm{\Σ}}}(0.5\×(B_L(i,j)+E_L(i,j))\×A_L(i,j)),$ $N_{L,m}=\underset{i=0}{\overset{W-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H-8}{\mathrm{\Σ}}}{A}_L(i,j),$ $Q_{\mathrm{nm},L}=\frac{1}{N_{L,\mathrm{nm}}}\underset{i=0}{\overset{W-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H-8}{\mathrm{\Σ}}}(0.5\×(B_L(i,j)+E_L(i,j))\×(1-A_L(i,j))),$ $N_{L,\mathrm{nm}}=\underset{i=0}{\overset{W-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H-8}{\mathrm{\Σ}}}(1-A_L(i,j)),$ 其中，ω₁表示L_org和L_dis中敏感区域的权重值，ω₂表示L_org和L_dis中非敏感区域的权重值；

计算R_org和R_dis的结构失真评价值，记为Q^R，Q^R＝ω'₁×Q_m,R+ω'₂×Q_nm,R， $Q_{m,R}=\frac{1}{N_{R,m}}\underset{i=0}{\overset{W-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H-8}{\mathrm{\Σ}}}(0.5\×(B_R(i,j)+E_R(i,j))\×A_R(i,j)),$ $N_{R,m}=\underset{i=0}{\overset{W-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H-8}{\mathrm{\Σ}}}{A}_R(i,j),$ $Q_{\mathrm{nm},R}=\frac{1}{N_{R,\mathrm{nm}}}\underset{i=0}{\overset{W-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H-8}{\mathrm{\Σ}}}(0.5\×(B_R(i,j)+E_R(i,j))\×(1-A_R(i,j))),$ $N_{R,\mathrm{nm}}=\underset{i=0}{\overset{W-8}{\mathrm{\Σ}}}\underset{j=0}{\overset{H-8}{\mathrm{\Σ}}}(1-A_R(i,j)),$ 其中，ω'₁表示R_org和R_dis中敏感区域的权重值，ω'₂表示R_org和R_dis中非敏感区域的权重值；

⑦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＝β₁×Q^L+(1-β₁)×Q^R，其中，β₁表示Q^L的权值；

⑧计算L_org和R_org的绝对差值图像，以矩阵形式表示为 计算L_dis和R_dis的绝对差值图像，以矩阵形式表示为 其中，“||”为取绝对值符号；

⑨将和幅图像分别分割成个互不重叠的尺寸大小为8×8的块，然后对和幅图像中的所有块分别实施奇异值分解，得到对应的由其每个块的奇异值矩阵组成的奇异值映射图和对应的由其每个块的奇异值矩阵组成的奇异值映射图，将实施奇异值分解后得到的奇异值映射图的系数矩阵记为G_org，对于G_org中第n个块的奇异值矩阵中坐标位置为(p,q)处的奇异值，将其记为将实施奇异值分解后得到的奇异值映射图的系数矩阵记为G_dis，对于G_dis中第n个块的奇异值矩阵中坐标位置为(p,q)处的奇异值，将其记为其中，W_LR表示和的宽，H_LR表示和的高，0≤p≤7,0≤q≤7；

⑩计算对应的奇异值映射图和对应的奇异值映射图的奇异值偏差评价值，记为K， $K=\frac{64}{W_{\mathrm{LR}}\×H_{\mathrm{LR}}}\×\underset{n=0}{\overset{W_{\mathrm{LR}}\×H_{\mathrm{LR}}/64-1}{\mathrm{\Σ}}}\frac{\underset{p=0}{\overset{7}{\mathrm{\Σ}}}(G_{\mathrm{org}}^n(p,p)\×|G_{\mathrm{org}}^n(p,p)-G_{\mathrm{dis}}^n(p,p)\left|\right)}{\underset{p=0}{\overset{7}{\mathrm{\Σ}}}{G}_{\mathrm{org}}^n(p,p)},$ 其中，表示G_org中第n个块的奇异值矩阵中坐标位置为(p,p)处的奇异值，表示G_dis中第n个块的奇异值矩阵中坐标位置为(p,p)处的奇异值；

对和分别实施奇异值分解，分别得到和各自对应的2个正交矩阵和1个奇异值矩阵，将实施奇异值分解后得到的2个正交矩阵分别记为χ_org和V_org，将实施奇异值分解后得到的奇异值矩阵记为O_org，将实施奇异值分解后得到的2个正交矩阵分别记为χ_dis和V_dis，将实施奇异值分解后得到的奇异值矩阵记为O_dis，

分别计算和幅图像剥夺奇异值后的残留矩阵图，将剥夺奇异值后的残留矩阵图记为X_org，X_org＝χ_org×Λ×V_org，将剥夺奇异值后的残留矩阵图记为X_dis，X_dis＝χ_dis×Λ×V_dis，其中，Λ表示单位矩阵，Λ的大小与O_org和O_dis的大小一致；

计算X_org和X_dis的均值偏差率，记为 其中，x表示X_org和X_dis中的像素点的横坐标，y表示X_org和X_dis中的像素点的纵坐标；

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，其中，τ表示常数，用于调节K和在Q_S中所起的重要性；

根据Q_F和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)^ρ，其中，ρ表示权重系数值。

2.根据权利要求1所述的一种基于结构失真的立体图像客观质量评价方法，其特征在于所述的步骤②中L_org和L_dis各自对应的敏感区域矩阵映射图的系数矩阵A_L的获取过程为：

②-a1、对L_org作水平及垂直方向Sobel算子处理，得到L_org的水平方向梯度图像和垂直方向梯度图像，分别记为Z_h,l1和Z_v,l1，然后计算L_org的梯度幅值图，记为Z_l1，其中，Z_l1(x,y)表示Z_l1中坐标位置为(x,y)的像素点的梯度幅值，Z_h,l1(x,y)表示Z_h,l1中坐标位置为(x,y)的像素点的水平方向梯度值，Z_v,l1(x,y)表示Z_v,l1中坐标位置为(x,y)的像素点的垂直方向梯度值，1≤x≤W'，1≤y≤H'，此处W'表示Z_l1的宽，H'表示Z_l1的高；

②-a2、对L_dis作水平及垂直方向Sobel算子处理，得到L_dis的水平方向梯度图像和垂直方向梯度图像，分别记为Z_h,l2和Z_v,l2，然后计算L_dis的梯度幅值图，记为Z_l2，其中，Z_l2(x,y)表示Z_l2中坐标位置为(x,y)的像素点的梯度幅值，Z_h,l2(x,y)表示Z_h,l2中坐标位置为(x,y)的像素点的水平方向梯度值，Z_v,l2(x,y)表示Z_v,l2中坐标位置为(x,y)的像素点的垂直方向梯度值，1≤x≤W'，1≤y≤H'，此处W'表示Z_l2的宽，H'表示Z_l2的高；

②-a3、计算划分区域时所需的阈值T， $T=\mathrm{\α}\×\frac{1}{W^{\′}\×H^{\′}}\×(\underset{x=0}{\overset{W^{\′}}{\mathrm{\Σ}}}\underset{y=0}{\overset{H^{\′}}{\mathrm{\Σ}}}{Z}_{l1}(x,y)+\underset{x=0}{\overset{W^{\′}}{\mathrm{\Σ}}}\underset{y=0}{\overset{H^{\′}}{\mathrm{\Σ}}}{Z}_{l2}(x,y)),$ 其中，α为常数，Z_l1(x,y)表示Z_l1中坐标位置为(x,y)的像素点的梯度幅值，Z_l2(x,y)表示Z_l2中坐标位置为(x,y)的像素点的梯度幅值；

②-a4、将Z_l1中坐标位置为(i,j)的像素点的梯度幅值记为Z_l1(i,j)，将Z_l2中坐标位置为(i,j)的像素点的梯度幅值记为Z_l2(i,j)，判断Z_l1(i,j)>T或Z_l2(i,j)>T是否成立，如果成立，则确定L_org和L_dis中坐标位置为(i,j)的像素点属于敏感区域，并令A_L(i,j)＝1，否则，确定L_org和L_dis中坐标位置为(i,j)的像素点属于非敏感区域，并令A_L(i,j)＝0，其中，0≤i≤(W-8)，0≤j≤(H-8)；

所述的步骤②中R_org和R_dis各自对应的敏感区域矩阵映射图的系数矩阵A_R的获取过程为：

②-b1、对R_org作水平及垂直方向Sobel算子处理，得到R_org的水平方向梯度图像和垂直方向梯度图像，分别记为Z_h,r1和Z_v,r1，然后计算R_org的梯度幅值图，记为Z_r1，其中，Z_r1(x,y)表示Z_r1中坐标位置为(x,y)的像素点的梯度幅值，Z_h,r1(x,y)表示Z_h,r1中坐标位置为(x,y)的像素点的水平方向梯度值，Z_v,r1(x,y)表示Z_v,r1中坐标位置为(x,y)的像素点的垂直方向梯度值，1≤x≤W'，1≤y≤H'，此处W'表示Z_r1的宽，H'表示Z_r1的高；

②-b2、对R_dis作水平及垂直方向Sobel算子处理，得到R_dis的水平方向梯度图像和垂直方向梯度图像，分别记为Z_h,r2和Z_v,r2，然后计算R_dis的梯度幅值图，记为Z_r2，其中，Z_r2(x,y)表示Z_r2中坐标位置为(x,y)的像素点的梯度幅值，Z_h,r2(x,y)表示Z_h,r2中坐标位置为(x,y)的像素点的水平方向梯度值，Z_v,r2(x,y)表示Z_v,r2中坐标位置为(x,y)的像素点的垂直方向梯度值，1≤x≤W'，1≤y≤H'，此处W'表示Z_r2的宽，H'表示Z_r2的高；

②-b3、计算划分区域时所需的阈值T'， $T^{\′}=\mathrm{\α}\×\frac{1}{W^{\′}\×H^{\′}}\×(\underset{x=0}{\overset{W^{\′}}{\mathrm{\Σ}}}\underset{y=0}{\overset{H^{\′}}{\mathrm{\Σ}}}{Z}_{r1}(x,y)+\underset{x=0}{\overset{W^{\′}}{\mathrm{\Σ}}}\underset{y=0}{\overset{H^{\′}}{\mathrm{\Σ}}}{Z}_{r2}(x,y)),$ 其中，α为常数，Z_r1(x,y)表示Z_r1中坐标位置为(x,y)的像素点的梯度幅值，Z_r2(x,y)表示Z_r2中坐标位置为(x,y)的像素点的梯度幅值；

②-b4、将Z_r1中坐标位置为(i,j)的像素点的梯度幅值记为Z_r1(i,j)，将Z_r2中坐标位置为(i,j)的像素点的梯度幅值记为Z_r2(i,j)，判断Z_r1(i,j)>T或Z_r2(i,j)>T是否成立，如果成立，则确定R_org和R_dis中坐标位置为(i,j)的像素点属于敏感区域，并令A_R(i,j)＝1，否则，确定R_org和R_dis中坐标位置为(i,j)的像素点属于非敏感区域，并令A_R(i,j)＝0，其中，0≤i≤(W-8)，0≤j≤(H-8)。

3.根据权利要求1或2所述的一种基于结构失真的立体图像客观质量评价方法，其特征在于所述的步骤⑦中β₁的获取过程为：

⑦-1、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，该失真立体图像集包括多幅失真的立体图像，其中，n≥1；

⑦-2、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的平均主观评分差值，记为DMOS，DMOS＝100-MOS，其中，MOS表示主观评分均值，DMOS∈[0,100]；

⑦-3、根据步骤①至步骤⑥的操作过程，计算失真立体图像集中的每幅失真的立体图像的左视点图像相对于对应的无失真的立体图像的左视点图像的敏感区域的评价值Q_m,L和非敏感区域的评价值Q_nm,L；

⑦-4、采用数学拟合方法拟合失真立体图像集中失真的立体图像的平均主观评分差值DMOS和对应的Q_m,L和Q_nm,L，从而获得β₁值。