CN102982532A - 一种基于矩阵分解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矩阵分解的立体图像客观质量评价方法，其从结构失真的角度出发，有效地利用了奇异值稳定，能较好地表征立体图像的结构信息的特性，利用了海赛矩阵能较好地表征图像的纹理或凹凸特性，利用了奇异值能较好地表征绝对差值图的结构信息特性，以及充分地考虑了人眼对区域的敏感度，融合了立体图像画质质量以及深度感知质量，从而有效地提高了立体图像客观质量评价结果与主观感知之间的相关性，并准确衡量了立体图像的失真程度，为立体系统中的各种编码方法、绘制方法、错误隐藏方法等提供了性能优劣的评判准则。

Description

一种基于矩阵分解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方法，尤其是涉及一种基于矩阵分解的立体图像客观质量评价方法。

背景技术

随着互联网、通信、多媒体信息以及图像处理技术的快速发展，立体图像技术的应用越来越广泛，如应用于立体数字电视、三维视频会议系统、消费电子等诸多领域。然而，具有深度感和临场感的立体图像在图像采集、编码压缩、网络传输等领域中都会引起质量的损失，因此如何衡量这种失真程度就显得非常重要。目前，用于评价图像质量的方法主要有：利用平面的峰值信噪比进行图像质量评价的方法和利用结构相似度线性加权进行图像质量评价的方法。这两种图像质量评价方法主要用于评价平面图像的质量，由于它们缺乏考虑立体图像的深度感知问题，因此如果用它们来评价立体图像的质量，则客观评价结果与主观感知之间的一致性会很差。

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地提高客观评价结果与主观感知之间的相关性，能够准确衡量立体图像的失真程度的基于矩阵分解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：一种基于矩阵分解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S_org的左视点图像记为L_org，将S_org的右视点图像记为R_org，将S_dis的左视点图像记为L_dis，将S_dis的右视点图像记为R_dis；

②将L_org、R_org、L_dis和R_dis4幅图像分别分割成(W-3)×(H-3)个尺寸大小为4×4的相互重叠的图像块；

然后对L_org、R_org、L_dis和R_dis4幅图像中的每个图像块实施海赛矩阵分解，得到L_org、R_org、L_dis和R_dis4幅图像中的每个图像块对应的用于表示图像块凹凸特性的海赛系数矩阵，将L_org中坐标位置为(x,y)的图像块实施海赛矩阵分解后得到的海赛系数矩阵记为

将R_org中坐标位置为(x,y)的图像块实施海赛矩阵分解后得到的海赛系数矩阵记为

将L_dis中坐标位置为(x,y)的图像块实施海赛矩阵分解后得到的海赛系数矩阵记为

将R_dis中坐标位置为(x,y)的图像块实施海赛矩阵分解后得到的海赛系数矩阵记为

再对L_org、R_org、L_dis和R_dis4幅图像中的每个图像块对应的海赛系数矩阵实施奇异值矩阵分解，得到L_org、R_org、L_dis和R_dis4幅图像中的每个图像块对应的海赛系数矩阵对应的奇异值系数矩阵，将

实施奇异值矩阵分解后得到的奇异值系数矩阵记为

将

实施奇异值矩阵分解后得到的奇异值系数矩阵记为

将

实施奇异值矩阵分解后得到的奇异值系数矩阵记为

将实施奇异值矩阵分解后得到的奇异值系数矩阵记为

其中，W表示L_org、R_org、L_dis和R_dis的宽度，H表示L_org、R_org、L_dis和R_dis的高度，0<x≤W-3，0<y≤H-3；

③根据L_org和L_dis中的每个图像块对应的海赛系数矩阵对应的奇异值系数矩阵，计算L_org和L_dis中所有坐标位置相同的两个图像块之间的结构失真程度值，将L_org和L_dis中左上角坐标位置均为(x,y)的两个图像块之间的结构失真程度值记为

其中，0<x≤W-3，0<y≤H-3，

表示

内坐标位置为(i,j)处的奇异值系数，

表示内坐标位置为(i,j)处的奇异值系数，0≤i ≤3，0≤j ≤3；

根据R_org和R_dis中的每个图像块对应的海赛系数矩阵对应的奇异值系数矩阵，计算R_org和R_dis中所有坐标位置相同的两个图像块之间的结构失真程度值，将R_org和R_dis中左上角坐标位置均为(x,y)的两个图像块之间的结构失真程度值记为

其中，0<x≤W-3，0<y≤H-3，

表示

内坐标位置为(i,j)处的奇异值系数，

表示

内坐标位置为(i,j)处的奇异值系数，0≤i ≤3，0≤j ≤3；

④对L_org实施区域划分，得到L_org对应的区域划分系数矩阵，记为Z^L，将Z^L中坐标位置为(p,q)处的区域划分系数记为Z^L(p,q)，如果L_org中坐标位置为(p,q)的像素点属于非边缘区域，则Z^L(p,q)=0，如果L_org中坐标位置为(p,q)的像素点属于边缘区域，则Z^L(p,q)=1，其中，0<p≤W，0<q≤H；

对R_org实施区域划分，得到R_org对应的区域划分系数矩阵，记为Z^R，将Z^R中坐标位置为(p,q)处的区域划分系数记为Z^R(p,q)，如果R_org中坐标位置为(p,q)的像素点属于非边缘区域，则Z^R(p,q)=0，如果R_org中坐标位置为(p,q)的像素点属于边缘区域，则Z^R(p,q)=1，其中，0<p≤W，0<q≤H；

⑤将Z^L划分成(W-3)×(H-3)个均包含有4×4个区域划分系数的相互重叠的单元矩阵，将Z^L中坐标位置为(x,y)的单元矩阵记为

其中，0<x≤W-3，0<y≤H-3；然后根据L_org和L_dis中所有坐标位置相同的两个图像块之间的结构失真程度值和Z^L中的所有单元矩阵，计算L_org和L_dis之间的左视点图像质量评价指标，记为Q^L，Q^L＝ω×Q^e,L+(1-ω)×Q^n，L ， $Q^{e,L}=\frac{\underset{x=1}{\overset{W-3}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{H-3}{\mathrm{\&Sigma;}}}(\left(\underset{i=0}{\overset{3}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{3}{\mathrm{\&Sigma;}}}{Z}_{x,y}^L(i,j)\right)\&times;C_{x,y}^L)}{\underset{x=1}{\overset{W-3}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{H-3}{\mathrm{\&Sigma;}}}\left(\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{3}{\mathrm{\&Sigma;}}}{Z}_{x,y}^L(i,j)\right)},$

其中，ω表示Q^e，L的权值，

表示

内坐标位置为(i,j)处的区域划分系数；

将Z^R划分成(W-3)×(H-3)个均包含有4×4个区域划分系数的相互重叠的单元矩阵，将Z^R中坐标位置为(x,y)的单元矩阵记为

其中，0<x≤W-3，0<y≤H-3；然后根据R_org和R_dis中所有坐标位置相同的两个图像块之间的结构失真程度值和Z^R中的所有单元矩阵，计算R_org和R_dis之间的右视点图像质量评价指标，记为Q^R，Q^R＝ω'×Q^e,R+（1-ω'）×Q^n，R， $Q^{e,R}=\frac{\underset{x=1}{\overset{W-3}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{H-3}{\mathrm{\&Sigma;}}}(\left(\underset{i=0}{\overset{3}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{3}{\mathrm{\&Sigma;}}}{Z}_{x,y}^R(i,j)\right)\&times;C_{x,y}^R)}{\underset{x=1}{\overset{W-3}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{H-3}{\mathrm{\&Sigma;}}}\left(\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{3}{\mathrm{\&Sigma;}}}{Z}_{x,y}^R(i,j)\right)},$ 其中，ω'表示Q^e，R的权值，

表示

内坐标位置为(i,j)处的区域划分系数；

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的左右视点图像质量评价指标，记为Q_s，Q_s=ω_l×Q^L+(1-ω_l)×Q^R，其中，ω_l表示Q^L的权值；

⑦计算L_org与R_org的绝对差值图像，记为D^org，LR，D^org，LR=|R_org-L_org|，计算L_dis与R_dis的绝对差值图像，记为D^dis，LR，D^dis,LR=|R_dis-L_dis|，其中，“||”为取绝对值符号；

⑧对D^org,LR和D^dis，LR分别实施区域划分，得到D^org，LR和D^dis，LR对应的区域划分系数矩阵，记为Z^LR，将Z^LR中坐标位置为(p,q)处的区域划分系数记为Z^LR(p,q)，如果D^org,LR和D^dis，LR中坐标位置均为(p,q)的像素点均属于非边缘区域，则Z^LR(p,q)=0，如果D^org，LR和D^dis,LR中坐标位置均为(p,q)的像素点均属于边缘区域，则Z^LR(p,q)=1，其中，0<p≤W，0<q≤H；

⑨将D^org，LR和D^org,LR分别分割成(W-3)×(H-3)个尺寸大小为4×4的相互重叠的图像块，然后对D^org，LR和D^dis，LR中的每个图像块实施特征值分解，得到D^org，LR和D^dis，LR中每个图像块的特征值矩阵和特征向量矩阵，将D^org，LR中坐标位置为(x,y)的图像块实施特征值分解后得到的特征值矩阵和特征向量矩阵分别记为

和

将D^dis，R中坐标位置为(x,y)的图像块实施特征值分解后得到的特征值矩阵和特征向量矩阵分别记为和

其中，0<x≤W-3，0<y≤H-3；

⑩计算D^org，LR和D^dis，LR中所有坐标位置相同的两个图像块的特征值失真指标和特征向量失真指标，将D^org，LR和D^dis,LR中坐标位置均为(x,y)的两个图像块的特征值失真指标和特征向量失真指标分别记为 $F_{x,y}^{\mathrm{LR}}$ 和 $K_{x,y}^{\mathrm{LR}},$ $F_{x,y}^{\mathrm{LR}}=\sqrt{\underset{i=0}{\overset{3}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{3}{\mathrm{\&Sigma;}}}{(E_{x,y}^{\mathrm{org},\mathrm{LR}}(i,j)-E_{x,y}^{\mathrm{dis},\mathrm{LR}}(i,j))}^2},$ $K_{x,y}^{\mathrm{LR}}=1-\frac{1}{4}\underset{i=0}{\overset{3}{\mathrm{\&Sigma;}}}\frac{\underset{j=0}{\overset{3}{\mathrm{\&Sigma;}}}(V_{x,y}^{\mathrm{org},\mathrm{LR}}(i,j)\&times;V_{x,y}^{\mathrm{dis},\mathrm{LR}}(i,j))}{\sqrt{\underset{j=0}{\overset{3}{\mathrm{\&Sigma;}}}{\left(V_{x,y}^{\mathrm{org},\mathrm{LR}}(i,j)\right)}^2}\&times;\sqrt{\underset{j=0}{\overset{3}{\mathrm{\&Sigma;}}}{\left(V_{x,y}^{\mathrm{dis},\mathrm{LR}}(i,j)\right)}^2}},$ 其中， $E_{x,y}^{\mathrm{org},\mathrm{LR}}(i,j)$ 表示 $E_{x,y}^{\mathrm{org},\mathrm{LR}}$ 内坐标位置为(i,j)处的特征值，

表示

内坐标位置为(i,j)处的特征向量，表示

内坐标位置为(i,j)处的特征值，

表示

内坐标位置为(i,j)处的特征向量；

将Z^LR划分成(W-3)×(H-3)个均包含有4×4个区域划分系数的相互重叠的单元矩阵，将Z^LR中坐标位置为(x,y)的单元矩阵记为

其中，0<x≤W-3，0<y≤H-3；然后根据D^org，LR和D^dis,LR中所有坐标位置相同的两个图像块的特征值失真指标和特征向量失真指标及Z^LR中的所有单元矩阵，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_d，

其中，

表示内坐标位置为(i,j)处的区域划分系数；

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的左右视点图像质量评价指标Q_s和立体感知评价度量Q_d，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_s×(Q_d)^-λ，其中，λ为常数，且λ>0。

所述的步骤④的具体过程为：

④-1、采用Sobel算子的水平方向模板分别提取L_org中红色分量、绿色分量以及蓝色分量的水平方向梯度矩阵，将L_org中红色分量的水平方向梯度矩阵记为R_h，将L_org中绿色分量的水平方向梯度矩阵记为G_h，将L_org中蓝色分量的水平方向梯度矩阵记为B_h；

采用Sobel算子的垂直方向模板分别提取L_org中红色分量、绿色分量以及蓝色分量的垂直方向梯度矩阵，将L_org中红色分量的垂直方向梯度矩阵记为R_v，将L_org中绿色分量的垂直方向梯度矩阵记为G_v，将L_org中蓝色分量的垂直方向梯度矩阵记为B_v；

④-2、计算L_org的方向变化率矩阵，记为U，将U中坐标位置为(x',y')处的矩阵系数记为U(x',y')， $U\left(x\&prime;,y^{\&prime;}\right)=\sqrt{\frac{g(x^{\&prime;},y^{\&prime;})+f(x^{\&prime;},y^{\&prime;})\&times;\cos (2\&times;\mathrm{\&theta;}(x^{\&prime;},y^{\&prime;}))+2\&times;h(x^{\&prime;},y^{\&prime;})\&times;\sin (2\&times;\mathrm{\&theta;}(x^{\&prime;},y^{\&prime;}))}{2}},$ g(x',y')=(R_h(x',y'))²+(G_h(x',y'))²+(B_h(x',y'))²+(R_v(p,q))²+(G_v(x',y'))²+(B_v(x',y'))²，f(x',y')=(R_h(x',y'))²+(G_h(x',y'))²+(B_h(x',y'))²-(R_v(x',y'))²-(G_v(x',y'))²-(B_v(x',y'))²，h(x',y')=(R_v(x',y'))²+(G_v(x',y'))²+(B_v(x',y'))²，

$\mathrm{\&theta;}(x^{\&prime;},y^{\&prime;})=\frac{1}{2}\&times;\arctan \left(\frac{2\&times;(R_h(x^{\&prime;},y^{\&prime;})\&times;R_v(x^{\&prime;},y^{\&prime;})+G_h(x^{\&prime;},y^{\&prime;})\&times;G_v(x^{\&prime;},y^{\&prime;})+B_h(x^{\&prime;},y^{\&prime;})\&times;B_v(x^{\&prime;},y^{\&prime;}))}{f(x^{\&prime;},y^{\&prime;})}\right),$ 其中，此处0<x'≤W-2且0<y'≤H-2，g(x',y')表示L_org中坐标位置为(x',y')的像素点在水平方向和垂直方向的梯度幅值之和，f(x',y')表示L_org中坐标位置为(x',y')的像素点在水平方向和垂直方向的梯度幅值之差，h(x',y')表示L_org中坐标位置为(x',y')的像素点在水平方向和垂直方向交叉处的梯度幅值，θ(x',y')表示L_org中坐标位置为(x',y')的像素点的最大变化率的角度，R_h(x',y')、R_v(x',y')、G_h(x',y')、G_v(x',y')、B_h(x',y')和B_v(x',y')分别表示R_h、R_v、G_h、G_v、B_h和B_v中坐标位置为(x',y')处的矩阵系数；

④-3、根据U确定L_org的区域划分阈值，记为T， $T=\mathrm{\&alpha;}\&times;\frac{1}{(W-2)\&times;(H-2)}\underset{x^{\&prime;}=1}{\overset{W-2}{\mathrm{\&Sigma;}}}\underset{y^{\&prime;}=1}{\overset{H-2}{\mathrm{\&Sigma;}}}U(x^{\&prime;},y^{\&prime;}),$ 其中，α表示阈值调节因子；

④-4、比较U中的每个矩阵系数与T的大小，确定L_org中第一行第一列至第W-2行第H-2列的每个像素点是否属于边缘区域，然后根据已确定区域的像素点确定L_org中剩余的每个像素点是否属于边缘区域，以完成区域划分，获得L_org对应的区域划分系数矩阵Z^L；对于L_org中坐标位置为(p,q)的像素点，当0<p≤W-2且0<q≤H-2时，判断U(p,q)<T是否成立，如果成立，则确定L_org中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域，并令Z^L中坐标位置为(p,q)处的区域划分系数Z^L(p,q)=0，否则，则确定L_org中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域，并令Z^L中坐标位置为(p,q)处的区域划分系数Z^L(p,q)=1，当W-2<p≤W且0<q≤H-2时，参照前一行对应坐标位置的每个像素点确定最后两行对应坐标位置的每个像素点为非边缘像素点还是为边缘像素点，即如果L_org的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点为非边缘像素点，则确定L_org中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域，并令Z^L中坐标位置为(p,q)处的区域划分系数Z^L(p,q)=0，如果L_org的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点为边缘像素点，则确定L_org中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域，并令Z^L中坐标位置为(p,q)处的区域划分系数Z^L(p,q)=1，当0<p≤W-2且H-2<q≤H时，参照前一列对应坐标位置的每个像素点确定最后两列对应坐标位置的每个像素点为非边缘像素点还是为边缘像素点，即如果L_org的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为非边缘像素点，则确定L_org中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域，并令Z^L中坐标位置为(p,q)处的区域划分系数Z^L(p,q)=0，如果L_org的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为边缘像素点，则确定L_org中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域，并令Z^L中坐标位置为(p,q)处的区域划分系数Z^L(p,q)=1，当W-2<p≤W且H-2<q≤H时，即对于剩余的最后四个像素点由前一行或前一列对应坐标位置的像素点确定剩余的最后四个像素点为非边缘像素点还是为边缘像素点，即如果L_org的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点或L_org的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为非边缘像素点，则确定L_org中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域，并令Z^L中坐标位置为(p,q)处的区域划分系数Z^L(p,q)=0，如果L_org的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点或L_org的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为边缘像素点，则确定L_org中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域，并令Z^L中坐标位置为(p,q)处的区域划分系数Z^L(p,q)=1；

④-5、按照步骤④-1至步骤④-4获取L_org对应的区域划分系数矩阵Z^L的操作过程，以相同的方式获取R_org对应的区域划分系数矩阵Z^R。

所述的步骤④-3中取α=5。

所述的步骤⑤中取ω=0.6，ω'=0.6。

所述的步骤⑥中ω_l的获取过程为：

⑥-1、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；

⑥-2、采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，将失真立体图像集中的第j'幅失真的立体图像的平均主观评分差值记为DMOS_j′，其中，1≤j'≤J，J表示失真立体图像集中包含的失真的立体图像的幅数，n'表示有效的测试人员数，n'≥1，r_i'ref(f)表示第i'个测试人员对第j'幅失真的立体图像对应的无失真的立体图像的评分值，r_i′j′表示第i'个测试人员对第j'幅失真的立体图像的评分值；

⑥-3、按照步骤①至步骤⑤的操作过程，计算得到失真立体图像集中的每幅失真的立体图像的左视点图像和对应的无失真的立体图像的左视点图像之间的左视点图像质量评价指标，及失真立体图像集中的每幅失真的立体图像的右视点图像和对应的无失真的立体图像的右视点图像之间的右视点图像质量评价指标；

⑥-4、采用线性拟合加权的方法拟合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DMOS、每幅失真的立体图像对应的左视点图像质量评价指标和右视点图像质量评价指标，得到ω_l的值。

所述的步骤⑧的具体过程为：

⑧-1、将D^org，LR分割成(W-2)×(H-2)个尺寸大小为3×3的相互重叠的图像块，将D^org，LR中坐标位置为(x',y')的图像块记为

其中，0<x'≤W-2，0<y'≤H-2；

⑧-2、采用Sobel算子的水平方向模板提取D^org，LR的水平方向梯度矩阵，记为P_rh，将P_rh中坐标位置为(x',y')处的矩阵系数记为P_rh(x',y′)， $P_{\mathrm{rh}}(x^{\text{'}},y^{\text{'}})=\left[\begin{array}{c}{D}_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{2,0}\right)-D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{0,0}\right)+2\&times;D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{2,1}\right)-\\ 2\&times;D_{x\text{'},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{0,1}\right)+D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{2,2}\right)-D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{0,2}\right);\end{array}\right]$ 采用Sobel算子的垂直方向模板提取D^org，LR的垂直方向梯度矩阵，记为P_rv，将P_rv中坐标位置为(x',y')处的矩阵系数记为P_rv(x',y')， $P_{\mathrm{rv}}(x^{\text{'}},y^{\text{'}})=\left[\begin{array}{c}{D}_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{0,2}\right)-D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{0,0}\right)+2\&times;D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{1,2}\right)-\\ 2\&times;D_{x\text{'},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{1,0}\right)+D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{2,2}\right)-D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{2,0}\right);\end{array}\right]$ 其中，0<x'≤W-2，0<y'≤H-2，

分别表示

中坐标位置为(2,0)、(0,0)、(2,1)、(0,1)、(2,2)、(0,2)、(1,2)、(1,0)的像素点的像素值；

⑧-3、根据D^org，LR的水平方向梯度矩阵P_rh和垂直方向梯度矩阵P_rv，计算D^org，LR的梯度幅值矩阵，记为P_r，将P_r中坐标位置为(x',y')处的矩阵系数记为P_r(x',y')，

$P_r(x^{\text{'}},y^{\text{'}})=\sqrt{{\left(P_{\mathrm{rh}}(x^{\text{'}},y^{\text{'}})\right)}^2+{\left(P_{\mathrm{rv}}(x^{\text{'}},y^{\text{'}})\right)}^2};$

⑧-4、将D^dis，LR分割成(W-2)×(H-2)个尺寸大小为3×3的相互重叠的图像块，将D^dis，LR中坐标位置为(x',y')的图像块记为

0<x'≤W-2，0<y'≤H-2；

⑧-5、采用Sobel算子的水平方向模板提取D^dis,LR的水平方向梯度矩阵，记为P_dh，将P_dh中坐标位置为(x',y')处的矩阵系数记为P_dh(x',y')， $P_{\mathrm{dh}}(x^{\text{'}},y^{\text{'}})=\left[\begin{array}{c}{D}_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{2,0}\right)-D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{0,0}\right)+2\&times;D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{2,1}\right)-\\ 2\&times;D_{x\text{'},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{0,1}\right)+D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{2,2}\right)-D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{0,2}\right);\end{array}\right]$ 采用Sobel算子的垂直方向模板提取D^dis,LR的垂直方向梯度矩阵，记为P_dv，将P_dv中坐标位置为(x',y′)处的矩阵系数记为P_dv(x',y')， $P_{\mathrm{dv}}(x^{\text{'}},y^{\text{'}})=\left[\begin{array}{c}{D}_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{0,2}\right)-D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{0,0}\right)+2\&times;D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{1,2}\right)-\\ 2\&times;D_{x\text{'},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{1,0}\right)+D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{2,2}\right)-D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{2,0}\right);\end{array}\right]$ 其中，

分别表示

中坐标位置为(2,0)、(0,0)、(2,1)、(0,1)、(2,2)、(0,2)、(1,2)、(1,0)的像素点的像素值；

⑧-6、根据D^dis,LR的水平方向梯度矩阵P_dh和垂直方向梯度矩阵P_dv，计算D^dis,LR的梯度幅值矩阵，记为P_d，将P_d中坐标位置为(x',y')处的矩阵系数记为P_d(x',y')，

$P_d(x^{\text{'}},y^{\text{'}})=\sqrt{{\left(P_{\mathrm{dh}}(x^{\text{'}},y^{\text{'}})\right)}^2+{\left(P_{\mathrm{dv}}(x^{\text{'}},y^{\text{'}})\right)}^2};$

⑧-7、根据D^org，LR的梯度幅值矩阵P_r确定D^org，LR和D^dis，LR的区域分割阈值，记为TT，TT=0.12×max(P_r)，其中，max(P_r)表示求P_r中的最大值；

⑧-8、比较P_r或P_d中的每个矩阵系数与TT的大小，确定D^org，LR和D^dis,LR中第一行第一列至第W-2行第H-2列的每个像素点是否属于边缘区域，然后根据已确定区域的像素点确定D^org，LR和D^dis，LR中剩余的每个像素点是否属于边缘区域，以完成区域划分，获得D^org，LR和D^dis,LR对应的区域划分系数矩阵Z^LR；对于D^org，LR和D^dis,LR中坐标位置为(p,q)的像素点，当0<p≤W-2且0<q≤H-2时，判断P_r(p,q)≥TT or P_d(p,q)≥TT是否成立，如果成立，则确定D^org，LR和D^dis,LR中坐标位置为(p,q)的像素点均为边缘像素点属于边缘区域，并令Z^LR中坐标位置为(p,q)处的区域划分系数Z^LR(p,q)=1，否则，确定D^org，LR和D^dis，LR中坐标位置为(p,q)的像素点均为非边缘像素点属于非边缘区域，并令Z^LR中坐标位置为(p,q)处的区域划分系数Z^LR(p,q)=0，当W-2<p≤W且0<q≤H-2时，参照前一行对应坐标位置的每个像素点确定最后两行对应坐标位置的每个像素点为非边缘像素点还是为边缘像素点，即如果D^org，LR和D^dis,LR的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点为非边缘像素点，则确定D^org，LR和D^dis,LR中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域，并令Z^LR中坐标位置为(p,q)处的区域划分系数Z^LR(p,q)=0，如果D^org，LR和D^dis,LR的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点为边缘像素点，则确定D^org，LR和D^dis,LR中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域，并令Z^LR中坐标位置为(p,q)处的区域划分系数Z^LR(p,q)=1，当0<p≤W-2且H-2<q≤H时，参照前一列对应坐标位置的每个像素点确定最后两列对应坐标位置的每个像素点为非边缘像素点还是为边缘像素点，即如果D^org，LR和D^dis,LR的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为非边缘像素点，则确定D^org，LR和D^dis,LR中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域，并令Z^LR中坐标位置为(p,q)处的区域划分系数Z^LR(p,q)=0，如果D^org，LR和D^dis,LR的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为边缘像素点，则确定D^org，LR和D^dis,LR中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域，并令Z^LR中坐标位置为(p,q)处的区域划分系数Z^LR(p,q)=1，当W-2<p≤W且H-2<q≤H时，即对于剩余的最后四个像素点由前一行或前一列对应坐标位置的像素点确定剩余的最后四个像素点为非边缘像素点还是为边缘像素点，即如果D^org，LR和D^dis,LR的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点或D^org，LR和D^dis,LR的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为非边缘像素点，则确定D^org，LR和D^dis,LR中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域，并令Z^LR中坐标位置为(p,q)处的区域划分系数Z^LR(p,q)=0，如果D^org，LR和D^dis,LR的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点或D^org，LR和D^dis,LR的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为边缘像素点，则确定D^org，LR和D^dis,LR中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域，并令Z^LR中坐标位置为(p,q)处的区域划分系数Z^LR(p,q)=1。

所述的步骤

中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，该失真立体图像集包括多幅失真的立体图像，其中，n≥1；

采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，将失真立体图像集中的第j'幅失真的立体图像的平均主观评分差值记为DMOS_j′，

其中，1≤j'≤J，J表示失真立体图像集中包含的失真的立体图像的幅数，n'表示有效的测试人员数，n'≥1，r_i′ref(f)表示第i'个测试人员对第j'幅失真的立体图像对应的无失真的立体图像的评分值，r_i′j′表示第i'个测试人员对第j'幅失真的立体图像的评分值；

按照步骤①至步骤

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相对于对应的无失真的立体图像的左右视点图像质量评价指标和立体感知评价度量；

采用乘性加权的数学拟合方法Q=Q_s×(Q_d )^-λ拟合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及对应的左右视点图像质量评价指标和立体感知评价度量，得到λ的值。

与现有技术相比，本发明的优点在于：其从结构失真的角度出发，有效地利用了奇异值稳定，能较好地表征立体图像的结构信息的特性，利用了海赛矩阵能较好地表征图像的纹理或凹凸特性，利用了奇异值能较好地表征绝对差值图的结构信息特性，以及充分地考虑了人眼对区域的敏感度，融合了立体图像画质质量以及深度感知质量，从而有效地提高了立体图像客观质量评价结果与主观感知之间的相关性，并准确衡量了立体图像的失真程度，为立体系统中的各种编码方法、绘制方法、错误隐藏方法等提供了性能优劣的评判准则。

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3a为Sobel算子的垂直方向模板的示意图；

图3b为Sobel算子的水平方向模板的示意图；

图4a为左视点图像画质质量的α和ω与评价指标CC的拟合曲线；

图4b为左视点图像画质质量的α和ω与评价指标SROCC的拟合曲线；

图4c为左视点图像画质质量的α和ω与评价指标RMSE的拟合曲线；

图5a为右视点图像画质质量的α和ω'与评价指标CC的拟合曲线；

图5b为右视点图像画质质量的α和ω'与评价指标SROCC的拟合曲线；

图5c为右视点图像画质质量的α和ω'与评价指标RMSE的拟合曲线；

图6a为左右视点画质质量的ω_l与评价指标CC的拟合曲线；

图6b为左右视点画质质量的ω_l与评价指标SROCC的拟合曲线；

图6c为左右视点画质质量的ω_l与评价指标RMSE的拟合曲线；

图7a为λ与评价指标CC的拟合曲线；

图7b为λ与评价指标SROCC的拟合曲线；

图7c为λ与评价指标RMSE的拟合曲线。

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矩阵分解的立体图像客观质量评价方法，其由左右视点图像的图像画质质量评价和立体图像深度感知评价两部分非线性组合得到立体图像质量评价指标，其总体实现框图如图1所示，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S_org的左视点图像记为L_org，将S_org的右视点图像记为R_org，将S_dis的左视点图像记为L_dis，将S_dis的右视点图像记为R_dis。

②将L_org、R_org、L_dis和R_dis4幅图像分别分割成(W-3)×(H-3)个尺寸大小为4×4的相互重叠的图像块，在此，为了尽可能地利用图像之间的相关性，一个4×4的图像块和它最相邻的左图像块或右图像块之间有3列是重叠的，同样，该4×4的图像块和它最相邻的上图像块或下图像块之间有3行是重叠的。此处，W表示L_org、R_org、L_dis和R_dis的宽度，H表示L_org、R_org、L_dis和R_dis的高度。

然后对L_org、R_org、L_dis和R_dis4幅图像中的每个图像块实施海赛矩阵分解，得到L_org、R_org、L_dis和R_dis4幅图像中的每个图像块对应的用于表示图像块凹凸特性的海赛系数矩阵，将L_org中坐标位置为(x,y)的图像块实施海赛矩阵分解后得到的海赛系数矩阵记为

将R_org中坐标位置为(x,y)的图像块实施海赛矩阵分解后得到的海赛系数矩阵记为

将L_dis中坐标位置为(x,y)的图像块实施海赛矩阵分解后得到的海赛系数矩阵记为

将R_dis中坐标位置为(x,y)的图像块实施海赛矩阵分解后得到的海赛系数矩阵记为其中，(x,y)表示L_org、R_org、L_dis和R_dis中的图像块的坐标位置，0<x≤W-3，0<y≤H-3。

再对L_org、R_org、L_dis和R_dis4幅图像中的每个图像块对应的海赛系数矩阵实施奇异值矩阵分解，得到L_org、R_org、L_dis和R_dis4幅图像中的每个图像块对应的海赛系数矩阵对应的奇异值系数矩阵，将

实施奇异值矩阵分解后得到的奇异值系数矩阵记为

将

实施奇异值矩阵分解后得到的奇异值系数矩阵记为

将

实施奇异值矩阵分解后得到的奇异值系数矩阵记为将

实施奇异值矩阵分解后得到的奇异值系数矩阵记为

③根据L_org和L_dis中的每个图像块对应的海赛系数矩阵对应的奇异值系数矩阵，计算L_org和L_dis中所有坐标位置相同的两个图像块之间的结构失真程度值，将L_org和L_dis中左上角坐标位置均为(x,y)的两个图像块之间的结构失真程度值记为

其中，0<x≤W-3，0<y≤H-3，

表示

内坐标位置为(i,j)处的奇异值系数，

表示

内坐标位置为(i,j)处的奇异值系数，0≤i ≤3，0≤j ≤3。

根据R_org和R_dis中的每个图像块对应的海赛系数矩阵对应的奇异值系数矩阵，计算R_org和R_dis中所有坐标位置相同的两个图像块之间的结构失真程度值，将R_org和R_dis中左上角坐标位置均为(x,y)的两个图像块之间的结构失真程度值记为

其中，0<x≤W-3，0<y≤H-3，

表示

内坐标位置为(i,j)处的奇异值系数，

表示

内坐标位置为(i,j)处的奇异值系数，0≤i ≤3，0≤j ≤3。

④对L_org实施区域划分，得到L_org对应的区域划分系数矩阵，记为Z^L，将Z^L中坐标位置为(p,q)处的区域划分系数记为Z^L(p,q)，如果L_org中坐标位置为(p,q)的像素点属于非边缘区域，则Z^L(p,q)=0，如果L_org中坐标位置为(p,q)的像素点属于边缘区域，则Z^L(p,q)=1，其中，0<p≤W，0<q≤H。

对R_org实施区域划分，得到R_org对应的区域划分系数矩阵，记为Z^R，将Z^R中坐标位置为(p,q)处的区域划分系数记为Z^R(p,q)，如果R_org中坐标位置为(p,q)的像素点属于非边缘区域，则Z^R(p,q)=0，如果R_org中坐标位置为(p,q)的像素点属于边缘区域，则Z^R(p,q)=1，其中，0<p≤W，0<q≤H。

在此具体实施例中，步骤④的具体过程为：

④-1、采用Sobel算子的水平方向模板分别提取L_org中红色分量、绿色分量以及蓝色分量的水平方向梯度矩阵，将L_org中红色分量的水平方向梯度矩阵记为R_h，将L_org中绿色分量的水平方向梯度矩阵记为G_h，将L_org中蓝色分量的水平方向梯度矩阵记为B_h。

采用Sobel算子的垂直方向模板分别提取L_org中红色分量、绿色分量以及蓝色分量的垂直方向梯度矩阵，将L_org中红色分量的垂直方向梯度矩阵记为R_v，将L_org中绿色分量的垂直方向梯度矩阵记为G_v，将L_org中蓝色分量的垂直方向梯度矩阵记为B_v。

④-2、计算L_org的方向变化率矩阵，记为U，将U中坐标位置为(x',y')处的矩阵系数记为U(x',y')， $U\left(x\&prime;,y^{\&prime;}\right)=\sqrt{\frac{g(x^{\&prime;},y^{\&prime;})+f(x^{\&prime;},y^{\&prime;})\&times;\cos (2\&times;\mathrm{\&theta;}(x^{\&prime;},y^{\&prime;}))+2\&times;h(x^{\&prime;},y^{\&prime;})\&times;\sin (2\&times;\mathrm{\&theta;}(x^{\&prime;},y^{\&prime;}))}{2}},$ g(x',y')=(R_h(x',y'))²+(G_h(x',y'))²+(B_h(x',y'))²+(R_v(p,q))²+(G_v(x',y'))²+(B_v(x',y'))²，f(x',y')=(R_h(x',y'))²+(G_h(x',y'))²+(B_h(x',y'))²-(R_v(x',y'))²-(G_v(x',y'))²-(B_v(x',y'))²，h(x',y')=(R_v(x',y'))²+(G_v(x',y'))²+(B_v(x',y'))²，

$\mathrm{\&theta;}(x^{\&prime;},y^{\&prime;})=\frac{1}{2}\&times;\arctan \left(\frac{2\&times;(R_h(x^{\&prime;},y^{\&prime;})\&times;R_v(x^{\&prime;},y^{\&prime;})+G_h(x^{\&prime;},y^{\&prime;})\&times;G_v(x^{\&prime;},y^{\&prime;})+B_h(x^{\&prime;},y^{\&prime;})\&times;B_v(x^{\&prime;},y^{\&prime;}))}{f(x^{\&prime;},y^{\&prime;})}\right),$ 其中，此处0<x'≤W-2且0<y'≤H-2，g(x',y')表示L_org中坐标位置为(x',y')的像素点在水平方向和垂直方向的梯度幅值之和，f(x',y')表示L_org中坐标位置为(x',y')的像素点在水平方向和垂直方向的梯度幅值之差，h(x',y')表示L_org中坐标位置为(x',y')的像素点在水平方向和垂直方向交叉处的梯度幅值，θ(x',y')表示L_org中坐标位置为(x',y')的像素点的最大变化率的角度，R_h(x',y')、R_v(x',y')、G_h(x',y')、G_v(x',y')、B_h(x',y')和B_v(x',y')分别表示R_h、R_v、G_h、G_v、B_h和XB_v中坐标位置为(x',y')处的矩阵系数。

④-3、根据U确定L_org的区域划分阈值，记为T， $T=\mathrm{\&alpha;}\&times;\frac{1}{(W-2)\&times;(H-2)}\underset{x^{\&prime;}=1}{\overset{W-2}{\mathrm{\&Sigma;}}}\underset{y^{\&prime;}=1}{\overset{H-2}{\mathrm{\&Sigma;}}}U(x^{\&prime;},y^{\&prime;}),$ 其中，α表示阈值调节因子，在此参数α的取值大小决定图像区域划分时边缘区域和非边缘区域的分界线，如果α的取值过小，则会把边缘像素点误判为非边缘像素点，如果α的取值过大，则会把非边缘像素点误判为边缘像素点，因此进行了大量的实验，实验结果表明当取α=5时能够取得很好的区域划分效果。

④-4、比较U中的每个矩阵系数与T的大小，确定L_org中第一行第一列至第W-2行第H-2列的每个像素点是否属于边缘区域，然后根据已确定区域的像素点确定L_org中剩余的每个像素点是否属于边缘区域，以完成区域划分，获得L_org对应的区域划分系数矩阵Z^L；对于L_org中坐标位置为(p,q)的像素点，当0<p≤W-2且0<q≤H-2时，判断U(p,q)<T是否成立，如果成立，则确定L_org中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域，并令Z^L中坐标位置为(p,q)处的区域划分系数Z^L(p,q)=0，否则，则确定L_org中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域，并令Z^L中坐标位置为(p,q)处的区域划分系数Z^L(p,q)=1，当W-2<p≤W且0<q≤H-2时，参照前一行对应坐标位置的每个像素点确定最后两行对应坐标位置的每个像素点为非边缘像素点还是为边缘像素点，即如果L_org的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点为非边缘像素点，则确定L_org中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域，并令Z^L中坐标位置为(p,q)处的区域划分系数Z^L(p,q)=0，如果L_org的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点为边缘像素点，则确定L_org中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域，并令Z^L中坐标位置为(p,q)处的区域划分系数Z^L(p,q)=1，当0<p≤W-2且H-2<q≤H时，参照前一列对应坐标位置的每个像素点确定最后两列对应坐标位置的每个像素点为非边缘像素点还是为边缘像素点，即如果L_org的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为非边缘像素点，则确定L_org中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域，并令Z^L中坐标位置为(p,q)处的区域划分系数Z^L(p,q)=0，如果L_org的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为边缘像素点，则确定L_org中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域，并令Z^L中坐标位置为(p,q)处的区域划分系数Z^L(p,q)=1，当W-2<p≤W且H-2<q≤H时，即对于剩余的最后四个像素点由前一行或前一列对应坐标位置的像素点确定剩余的最后四个像素点为非边缘像素点还是为边缘像素点，即如果L_org的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点或L_org的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为非边缘像素点，则确定L_org中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域，并令Z^L中坐标位置为(p,q)处的区域划分系数Z^L(p,q)=0，如果L_org的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点或L_org的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为边缘像素点，则确定L_org中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域，并令Z^L中坐标位置为(p,q)处的区域划分系数Z^L(p,q)=1。

④-5、按照步骤④-1至步骤④-4获取L_org对应的区域划分系数矩阵Z^L的操作过程，以相同的方式获取R_org对应的区域划分系数矩阵Z^R，即获取R_org对应的区域划分系数矩阵Z^R的过程为：a、采用Sobel算子的水平方向模板分别提取R_org中红色分量、绿色分量以及蓝色分量的水平方向梯度矩阵，及采用Sobel算子的垂直方向模板分别提取R_org中红色分量、绿色分量以及蓝色分量的垂直方向梯度矩阵；b、计算R_org的方向变化率矩阵；c、根据R_org的方向变化率矩阵确定R_org的区域划分阂值；d、比较R_org的方向变化率矩阵中的每个矩阵系数与R_org的区域划分阂值的大小，确定R_org中的每个像素点是否属于边缘区域以完成区域划分，获得R_org对应的区域划分系数矩阵Z^R。

在本实施例中，为了避免由于某一色彩分量通道所得较大梯度边缘对其它通道所得小梯度边缘的掩盖造成边缘检测精度不高的问题，因此直接在彩色向量空间中提取图像边缘。对图2a、图2b、图2c、图2d、图2e、图2f、图2g、图2h、图2i、图2j、图2k、图2l所示的12幅无失真的立体图像，利用图3a所示的Sobel算子的垂直方向模板和图3b所示的Sobel算子的水平方向模板，分别计算这12幅无失真的立体图像的红色分量、绿色分量及蓝色分量的垂直和水平方向梯度矩阵，然后分别计算12幅无失真的立体图像中的左视点图像和右视点图像的方向变化率矩阵；再分别获得12幅无失真的立体图像中的左视点图像和右视点图像的区域划分阂值；最后根据12幅无失真的立体图像中的左视点图像和右视点图像的方向变化率矩阵与区域划分阈值的关系，分别确定12幅无失真的立体图像中的左视点图像和右视点图像的边缘像素点和非边缘像素点。

⑤将Z^L划分成(W-3)×(H-3)个均包含有4×4个区域划分系数的相互重叠的单元矩阵，将Z^L中坐标位置为(x，y)的单元矩阵记为

其中，0<x≤W-3，O<y≤H-3；然后根据L_org和L_dis中所有坐标位置相同的两个图像块之间的结构失真程度值和Z^L中的所有单元矩阵，计算L_org和L_dis之间的左视点图像质量评价指标，记为Q^L，Q^L：ω×Q^e，L+(1-ω)×Q^n，L，

其中，ω表示Q^e，L的权值，

表示内坐标位置为(i，j)处的区域划分系数。

将Z^R划分成(W-3)×(H-3)个均包含有4×4个区域划分系数的相互重叠的单元矩阵，将Z^R中坐标位置为(x，y)的单元矩阵记为

其中，0<x≤W-3，O<y≤H-3；然后根据R_org和R_dis中所有坐标位置相同的两个图像块之间的结构失真程度值和Z^R中的所有单元矩阵，计算R_org和R_dis之间的右视点图像质量评价指标，记为Q^R，Q^R＝ω′×Q^e，R+(1-ω′)×Q^n，R，

其中，ω′表示Q^e，R的权值，

表示

内坐标位置为(i，j)处的区域划分系数。

在步骤④-3中参数α的取值大小决定图像区域划分时边缘区域和非边缘区域的分界线，如果α的取值过小，则会把边缘像素点误判为非边缘像素点，如果α的取值过大，则会把非边缘像素点误判为边缘像素点。在此，ω决定边缘区域的评价指标在左视点图像质量评价时所起的贡献，ω′决定边缘区域的评价指标在右视点图像质量评价时所起的贡献。因此，α和ω共同影响了边缘区域评价值对左视点图像质量评价所起的贡献，α和ω′共同影响了边缘区域评价值对右视点图像质量评价所起的贡献。利用图2a、图2b、图2c、图2d、图2e、图2f、图2g、图2h、图2i、图2j、图2k、图2l所示的12幅无失真的立体图像建立了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、JPEG 2000压缩、白噪声失真、高斯模糊失真、H.264编码失真，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，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，H.264编码失真的立体图像共72幅。对上述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，得到这312幅失真的立体图像各自的平均主观评分差值(DMOS，Difference Mean Opinion Scores)，即每幅失真的立体图像的主观质量评分值。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相关系数(CC)、秩排序相关系数(SROCC)及均方误差指标(RMSE)。CC和RMSE反映了立体图像客观评价模型与主观感知质量之间的准确性，SROCC反映了立体图像客观评价模型与主观感知质量之间的单调性。CC、SROCC值越大，说明评价性能越好，RMSE值越小，说明评价性能越好，反之亦然。图4a、图4b及图4c给出了在不同α和ω取值下的312幅失真的立体图像中的左视点图像质量评价值Q^L与主观感知的评价值之间的曲线图；图5a、图5b及图5c给出了在不同α和ω′取值下的312幅失真的立体图像中的右视点图像质量评价指标Q^R与主观感知的评价值之间的曲线图。从图4a、图4b、图4c、图5a、图5b及图5c中可以看出，α和ω的取值对左视点图像质量评价值与主观感知相关性存在一定的影响，且影响程度相近；α和ω'的取值对右视点图像质量评价值与主观感知相关性存在一定的影响，且影响程度相近。在ω和ω'取值很小时，CC、SROCC的值较小，RMSE的值较大。当α=5及ω=0.6和ω'=0.6时，左视点图像质量评价、右视点图像质量评价与主观感知都存在较好的一致性。因此在本实施例中取α=5、ω=0.6、ω'=0.6。

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的左右视点图像质量评价指标，记为Q_s，Q_s=ω_l×Q^L+(1-ω_l)×Q^R，其中，ω_l表示Q^L的权值。

在此具体实施例中，ω_l的获取过程为：

⑥-1、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。

⑥-2、采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，将失真立体图像集中的第j'幅失真的立体图像的平均主观评分差值记为DMOS_j′，

其中，1≤j'≤J，J表示失真立体图像集中包含的失真的立体图像的幅数，n'表示有效的测试人员数，n'≥1，r_i′ref(f)表示第i'个测试人员对第j'幅失真的立体图像对应的无失真的立体图像的评分值，r_i′j′表示第i'个测试人员对第j'幅失真的立体图像的评分值。

⑥-3、按照步骤①至步骤⑤的操作过程，计算得到失真立体图像集中的每幅失真的立体图像的左视点图像和对应的无失真的立体图像的左视点图像之间的左视点图像质量评价指标，及失真立体图像集中的每幅失真的立体图像的右视点图像和对应的无失真的立体图像的右视点图像之间的右视点图像质量评价指标。

⑥-4、采用线性拟合加权的方法拟合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DMOS、每幅失真的立体图像对应的左视点图像质量评价指标和右视点图像质量评价指标，得到ω_l的值。

在本实施例中，对上述312幅失真的立体图像按本发明方法的步骤①至步骤⑤分别计算312幅失真的立体图像的左视点图像质量评价值Q^L和右视点图像质量评价指标Q^R；然后采用线性拟合加权方法拟合这312幅失真的立体图像的DMOS、左视点图像质量评价值Q^L和右视点图像质量评价指标Q^R，拟合结果如图6a、图6b和图6c所示，图6a、图6b和图6c的横坐标为ω_l的值，纵坐标分别为CC、SROCC和RMSE的值。ω_l的值越大，说明Q^L对左右视点图像质量评价值Q_s的贡献越大，反之亦然。从图6a、图6b和图6c中可以看出，ω_l的取值变化对Q_s和主观感知的评价指标CC、SROCC和RMSE值变化不是很大，都是在百分位上波动，主要原因是由于这312幅失真的立体图像的左右视点图像都是同时同程度失真，因此左右视点图像的质量差不多。在本实施例中取ω_l=0.6。

⑦计算L_org与R_org的绝对差值图像，记为D^org，LR，D^org，LR=|R_org-L_org|，计算L_dis与R_dis的绝对差值图像，记为D^dis，LR，D^dis，LR=|R_dis-L_dis|，其中，“||”为取绝对值符号。

⑧对D^org，LR和D^dis,LR分别实施区域划分，得到D^org，LR和D^dis，LR对应的区域划分系数矩阵，记为Z^LR，将Z^LR中坐标位置为(p,q)处的区域划分系数记为Z^LR(p,q)，如果D^org，LR和D^dis,LR中坐标位置均为(p,q)的像素点均属于非边缘区域，则Z^LR(p,q)=0，如果D^org，LR和D^dis，LR中坐标位置均为(p,q)的像素点均属于边缘区域，则Z^LR(p,q)=1，其中，0<p≤W，0<q≤H。

在此具体实施例中，步骤⑧的具体过程为：

⑧-1、将D^org，LR分割成(W-2)×(H-2)个尺寸大小为3×3的相互重叠的图像块，将D^org，LR中坐标位置为(x',y')的图像块记为

其中，0<x'≤W-2，0<y'≤H-2。

⑧-2、采用Sobel算子的水平方向模板提取D^org，LR的水平方向梯度矩阵，记为P_rh，将P_rh中坐标位置为(x',y')处的矩阵系数记为P_rh(x',y′)， $P_{\mathrm{rh}}(x^{\text{'}},y^{\text{'}})=\left[\begin{array}{c}{D}_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{2,0}\right)-D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{0,0}\right)+2\&times;D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{2,1}\right)-\\ 2\&times;D_{x\text{'},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{0,1}\right)+D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{2,2}\right)-D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{0,2}\right);\end{array}\right]$ 采用Sobel算子的垂直方向模板提取D^org，LR的垂直方向梯度矩阵，记为P_rv，将P_rv中坐标位置为(x',y')处的矩阵系数记为P_rv(x',y')， $P_{\mathrm{rv}}(x^{\text{'}},y^{\text{'}})=\left[\begin{array}{c}{D}_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{0,2}\right)-D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{0,0}\right)+2\&times;D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{1,2}\right)-\\ 2\&times;D_{x\text{'},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{1,0}\right)+D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{2,2}\right)-D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{2,0}\right);\end{array}\right]$ 其中，0<x'≤W-2，0<y'≤H-2，

分别表示

中坐标位置为(2,0)、(0,0)、(2,1)、(0,1)、(2,2)、(0,2)、(1,2)、(1,0)的像素点的像素值。

⑧-3、根据D^org，LR的水平方向梯度矩阵P_rh和垂直方向梯度矩阵P_rv，计算D^org，LR的梯度幅值矩阵，记为P_r，将P_r中坐标位置为(x',y')处的矩阵系数记为P_r(x',y')，

$P_r(x^{\text{'}},y^{\text{'}})=\sqrt{{\left(P_{\mathrm{rh}}(x^{\text{'}},y^{\text{'}})\right)}^2+{\left(P_{\mathrm{rv}}(x^{\text{'}},y^{\text{'}})\right)}^2}.$

⑧-4、将D^dis，LR分割成(W-2)×(H-2)个尺寸大小为3×3的相互重叠的图像块，将D^dis,LR中坐标位置为(x',y')的图像块记为

0<x'≤W-2，0<y'≤H-2。

⑧-5、采用Sobel算子的水平方向模板提取D^dis,LR的水平方向梯度矩阵，记为P_dh，将P_dh中坐标位置为(x',y')处的矩阵系数记为P_dh(x',y')， $P_{\mathrm{dh}}(x^{\text{'}},y^{\text{'}})=\left[\begin{array}{c}{D}_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{2,0}\right)-D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{0,0}\right)+2\&times;D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{2,1}\right)-\\ 2\&times;D_{x\text{'},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{0,1}\right)+D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{2,2}\right)-D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{0,2}\right);\end{array}\right]$ 采用Sobel算子的垂直方向模板提取D^dis,LR的垂直方向梯度矩阵，记为P_dv，将P_dv中坐标位置为(x',y′)处的矩阵系数记为P_dv(x',y')， $P_{\mathrm{dv}}(x^{\text{'}},y^{\text{'}})=\left[\begin{array}{c}{D}_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{0,2}\right)-D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{0,0}\right)+2\&times;D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{1,2}\right)-\\ 2\&times;D_{x\text{'},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{1,0}\right)+D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{2,2}\right)-D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{2,0}\right);\end{array}\right]$ 其中，

分别表示

中坐标位置为(2,0)、(0,0)、(2,1)、(0,1)、(2,2)、(0,2)、(1,2)、(1,0)的像素点的像素值。

⑧-6、根据D^dis,LR的水平方向梯度矩阵P_dh和垂直方向梯度矩阵P_dv，计算D^dis,LR的梯度幅值矩阵，记为P_d，将P_d中坐标位置为(x',y')处的矩阵系数记为P_d(x',y')，

$P_d(x^{\text{'}},y^{\text{'}})=\sqrt{{\left(P_{\mathrm{dh}}(x^{\text{'}},y^{\text{'}})\right)}^2+{\left(P_{\mathrm{dv}}(x^{\text{'}},y^{\text{'}})\right)}^2}.$

⑧-7、根据D^org，LR的梯度幅值矩阵P_r确定D^org，LR和D^dis,LR的区域分割阈值，记为TT，TT=0.12×max(P_r)，其中，max(P_r)表示求P_r中的最大值，即取出P_r中的最大矩阵系数值。

⑧-8、比较P_r或P_d中的每个矩阵系数与TT的大小，确定D^org，LR和D^dis,LR中第一行第一列至第W-2行第H-2列的每个像素点是否属于边缘区域，然后根据已确定区域的像素点确定D^org，LR和D^dis,LR中剩余的每个像素点是否属于边缘区域，以完成区域划分，获得D^org，LR和D^dis,LR对应的区域划分系数矩阵Z^LR；对于D^org，LR和D^dis,LR中坐标位置为(p,q)的像素点，当0<p≤W-2且0<q≤H-2时，判断P_r(p,q)≥TT or P_d(p,q)≥TT是否成立，如果成立，则确定D^org，LR和D^dis,LR中坐标位置为(p,q)的像素点均为边缘像素点属于边缘区域，并令Z^LR中坐标位置为(p,q)处的区域划分系数Z^LR(p,q)=1，否则，确定D^org，LR和D^dis，LR中坐标位置为(p,q)的像素点均为非边缘像素点属于非边缘区域，并令Z^LR中坐标位置为(p,q)处的区域划分系数Z^LR(p,q)=0，当W-2<p≤W且0<q≤H-2时，参照前一行对应坐标位置的每个像素点确定最后两行对应坐标位置的每个像素点为非边缘像素点还是为边缘像素点，即如果D^org，LR和D^dis,LR的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点为非边缘像素点，则确定D^org，LR和D^dis,LR中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域，并令Z^LR中坐标位置为(p,q)处的区域划分系数Z^LR(p,q)=0，如果D^org，LR和D^dis,LR的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点为边缘像素点，则确定D^org，LR和D^dis,LR中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域，并令Z^LR中坐标位置为(p,q)处的区域划分系数Z^LR(p,q)=1，当0<p≤W-2且H-2<q≤H时，参照前一列对应坐标位置的每个像素点确定最后两列对应坐标位置的每个像素点为非边缘像素点还是为边缘像素点，即如果D^org，LR和D^dis,LR的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为非边缘像素点，则确定D^org，LR和D^dis,LR中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域，并令Z^LR中坐标位置为(p,q)处的区域划分系数Z^LR(p,q)=0，如果D^org，LR和D^dis，LR的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为边缘像素点，则确定D^org，LR和D^dis,LR中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域，并令Z^LR中坐标位置为(p,q)处的区域划分系数Z^LR(p,q)=1，当W-2<p≤W且H-2<q≤H时，即对于剩余的最后四个像素点由前一行或前一列对应坐标位置的像素点确定剩余的最后四个像素点为非边缘像素点还是为边缘像素点，即如果D^org，LR和D^dis,LR的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点或D^org,LR和D^dis,LR的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为非边缘像素点，则确定D^org，LR和D^dis,LR中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域，并令Z^LR中坐标位置为(p,q)处的区域划分系数Z^LR(p,q)=0，如果D^org，LR和D^dis,LR的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点或D^org，LR和D^dis,LR的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为边缘像素点，则确定D^org，LR和D^dis，LR中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域，并令Z^LR中坐标位置为(p,q)处的区域划分系数Z^LR(p,q)=1。

此处，实际上D^org，LR和D^dis，LR分别实施区域划分后，得到的是各自对应的区域划分系数矩阵，只是两者的区域划分系数矩阵是相同的。

在本实施例中，对图2a至图2l所示的12幅无失真的立体图像建立起的312幅失真的立体图像，利用图3a和图3b所示的Sobel算子的模板，计算这312幅失真的立体图像的绝对差值图的垂直和水平方向梯度矩阵，进而计算立体图像的绝对差值图的梯度幅值矩阵，然后根据图像内容分别得到12幅无失真的立体图像的分割阈值，根据D^org，LR和D^dis,LR的梯度幅值矩阵与分割阈值的关系，得到312幅失真的立体图像的绝对差值图的区域划分系数矩阵。

⑨将D^org,LR和D^dis,LR分别分割成(W-3)×(H-3)个尺寸大小为4×4的相互重叠的图像块，然后对D^org，LR和D^dis,LR中的每个图像块实施特征值分解，得到D^org，LR和D^dis,LR中每个图像块的特征值矩阵和特征向量矩阵，将D^org，LR中坐标位置为(x,y)的图像块实施特征值分解后得到的特征值矩阵和特征向量矩阵分别记为

和将D^dis，LR中坐标位置为(x,y)的图像块实施特征值分解后得到的特征值矩阵和特征向量矩阵分别记为

和

其中，0<x≤W-3，0<y≤H-3。

⑩计算D^org，LR和D^dis,LR中所有坐标位置相同的两个图像块的特征值失真指标和特征向量失真指标，将D^org，LR和D^dis，LR中坐标位置均为(x,y)的两个图像块的特征值失真指标和特征向量失真指标分别记为

和

$F_{x,y}^{\mathrm{LR}}=\sqrt{\underset{i=0}{\overset{3}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{3}{\mathrm{\&Sigma;}}}{(E_{x,y}^{\mathrm{org},\mathrm{LR}}(i,j)-E_{x,y}^{\mathrm{dis},\mathrm{LR}}(i,j))}^2},$ $K_{x,y}^{\mathrm{LR}}=1-\frac{1}{4}\underset{i=0}{\overset{3}{\mathrm{\&Sigma;}}}\frac{\underset{j=0}{\overset{3}{\mathrm{\&Sigma;}}}(V_{x,y}^{\mathrm{org},\mathrm{LR}}(i,j)\&times;V_{x,y}^{\mathrm{dis},\mathrm{LR}}(i,j))}{\sqrt{\underset{j=0}{\overset{3}{\mathrm{\&Sigma;}}}{\left(V_{x,y}^{\mathrm{org},\mathrm{LR}}(i,j)\right)}^2}\&times;\sqrt{\underset{j=0}{\overset{3}{\mathrm{\&Sigma;}}}{\left(V_{x,y}^{\mathrm{dis},\mathrm{LR}}(i,j)\right)}^2}},$ 其中，表示

内坐标位置为(i,j)处的特征值，

表示

内坐标位置为(i,j)处的特征向量，

表示

内坐标位置为(i,j)处的特征值，表示

内坐标位置为(i,j)处的特征向量。

将Z^LR划分成(W-3)×(H-3)个均包含有4×4个区域划分系数的相互重叠的单元矩阵，将Z^LR中坐标位置为(x,y)的单元矩阵记为其中，0<x≤W-3，0<y≤H-3；然后根据D^org，LR和D^dis,LR中所有坐标位置相同的两个图像块的特征值失真指标和特征向量失真指标及Z^LR中的所有单元矩阵，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_d，其中，表示

内坐标位置为(i,j)处的区域划分系数。

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的左右视点图像质量评价指标Q_s和立体感知评价度量Q_d，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_s×(Q_d)^-λ，其中，λ为常数，且λ>0。

在此具体实施例中，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，该失真立体图像集包括多幅失真的立体图像，其中，n≥1。

采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，将失真立体图像集中的第j'幅失真的立体图像的平均主观评分差值记为DMOS_j'，其中，1≤j'≤J，J表示失真立体图像集中包含的失真的立体图像的幅数，n'表示有效的测试人员数，n'≥1，r_i′ref(f)表示第i'个测试人员对第j'幅失真的立体图像对应的无失真的立体图像的评分值，r_i′j′表示第i'个测试人员对第j'幅失真的立体图像的评分值。

按照步骤①至步骤的操作过程，计算失真立体图像集中的每幅失真的立体图像相对于对应的无失真的立体图像的左右视点图像质量评价指标和立体感知评价度量。

采用乘性加权的数学拟合方法Q=Q_s×(Q_d)^-λ拟合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及对应的左右视点图像质量评价指标和立体感知评价度量，得到λ的值。

在本实施例中，利用图2a至图2l所示的12幅无失真的立体图像建立了312幅失真的立体图像，对上述312幅失真的立体图像和12幅无失真的立体图像按本发明方法的步骤①至步骤

相同的操作计算得到每幅失真的立体图像相应的左右视点图像质量评价指标Q_s和立体图像深度感知质量评价指标Q_d；然后采用乘性加权得到这312幅失真的立体图像的DMOS与左右视点图像质量评价指标Q_s及立体图像深度感知质量评价指标Q_d之间的相关性分析、单调性及误差分析。结果如图7a、图7b和图7c所示，图7a、图7b和图7c中的横坐标表示λ的变化值，纵坐标分别表示相关系数(CC)、秩排序相关系数(SROCC)及均方误差指标(RMSE)的值，λ值大小决定左右视点图像质量评价指标Q_s和立体图像深度感知质量评价指标Q_d对立体图像最终的评价值Q的贡献大小。从图7a、图7b和图7c中可以看出，λ取值的变化对该立体图像质量客观模型与主观感知之间的评价性能影响不是很大，都是在百分位上进行波动，在图中都存在一个极值点。当λ取值为0.08时，立体图像质量客观评价模型与主观感知之间的一致性达到最佳，因此在本实施例中拟合得到的λ＝0.08。

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_s×(Q_d)^0.08的最终评价结果与主观评分DMOS之间的相关性。按本实施例计算得到的失真的立体图像的图像质量评价指标Q做四参数Logistic函数非线性拟合，然后分析拟合后的预测值与主观感知之间的相关特性。实验结果如表1所示。CC和SROCC值的取值范围为[0,1]，其值越高说明客观评价方法与DMOS相关性越好，RMSE值越低说明客观评价方法与DMOS相关性越好。根据表1所列的数据可见，CC和SROCC值都超过0.92，RMSE低于6.5，说明最终评价结果的输出值Q与主观评分DMOS之间的相关性是很好，与人眼主观感知的结果一致，说明了本发明方法的有效性。

表1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

Claims (7)

1.一种基于矩阵分解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S_org的左视点图像记为L_org，将S_org的右视点图像记为R_org，将S_dis的左视点图像记为L_dis，将S_dis的右视点图像记为R_dis；

②将L_org、R_org、L_dis和R_dis4幅图像分别分割成(W-3)×(H-3)个尺寸大小为4×4的相互重叠的图像块；

然后对L_org、R_org、L_dis和R_dis4幅图像中的每个图像块实施海赛矩阵分解，得到L_org、R_org、L_dis和R_dis4幅图像中的每个图像块对应的用于表示图像块凹凸特性的海赛系数矩阵，将L_org中坐标位置为(x,y)的图像块实施海赛矩阵分解后得到的海赛系数矩阵记为

将R_org中坐标位置为(x,y)的图像块实施海赛矩阵分解后得到的海赛系数矩阵记为将L_dis中坐标位置为(x,y)的图像块实施海赛矩阵分解后得到的海赛系数矩阵记为

将R_dis中坐标位置为(x,y)的图像块实施海赛矩阵分解后得到的海赛系数矩阵记为

再对L_org、R_org、L_dis和R_dis 4幅图像中的每个图像块对应的海赛系数矩阵实施奇异值矩阵分解，得到L_org、R_org、L_dis和R_dis 4幅图像中的每个图像块对应的海赛系数矩阵对应的奇异值系数矩阵，将

实施奇异值矩阵分解后得到的奇异值系数矩阵记为将

实施奇异值矩阵分解后得到的奇异值系数矩阵记为

将

实施奇异值矩阵分解后得到的奇异值系数矩阵记为

将

实施奇异值矩阵分解后得到的奇异值系数矩阵记为

其中，W表示L_org、R_org、L_dis和R_dis的宽度，H表示L_org、R_org、L_dis和R_dis的高度，0<x≤W-3，0<y≤H-3；

③根据L_org和L_dis中的每个图像块对应的海赛系数矩阵对应的奇异值系数矩阵，计算L_org和L_dis中所有坐标位置相同的两个图像块之间的结构失真程度值，将L_org和L_dis中左上角坐标位置均为(x,y)的两个图像块之间的结构失真程度值记为

其中，0<x≤W-3，0<y≤H-3，

表示

内坐标位置为(i,j)处的奇异值系数，

表示

内坐标位置为(i,j)处的奇异值系数，0≤i ≤3，0≤j ≤3；

根据R_org和R_dis中的每个图像块对应的海赛系数矩阵对应的奇异值系数矩阵，计算R_org和R_dis中所有坐标位置相同的两个图像块之间的结构失真程度值，将R_org和R_dis中左上角坐标位置均为(x,y)的两个图像块之间的结构失真程度值记为

其中，0<x≤W-3，0<y≤H-3，

表示内坐标位置为(i,j)处的奇异值系数，

表示

内坐标位置为(i,j)处的奇异值系数，0≤i ≤3，0≤j ≤3；

④对L_org实施区域划分，得到L_org对应的区域划分系数矩阵，记为Z^L，将Z^L中坐标位置为(p,q)处的区域划分系数记为Z^L(p,q)，如果L_org中坐标位置为(p,q)的像素点属于非边缘区域，则Z^L(p,q)=0，如果L_org中坐标位置为(p,q)的像素点属于边缘区域，则Z^L(p,q)=1，其中，0<p≤W，0<q≤H；

对R_org实施区域划分，得到R_org对应的区域划分系数矩阵，记为Z^R，将Z^R中坐标位置为(p,q)处的区域划分系数记为Z^R(p,q)，如果R_org中坐标位置为(p,q)的像素点属于非边缘区域，则Z^R(p,q)=0，如果R_org中坐标位置为(p,q)的像素点属于边缘区域，则Z^R(p,q)=1，其中，0<p≤W，0<q≤H；

⑤将Z^L划分成(W-3)×(H-3)个均包含有4×4个区域划分系数的相互重叠的单元矩阵，将Z^L中坐标位置为(x,y)的单元矩阵记为

其中，0<x≤W-3，0<y≤H-3；然后根据L_org和L_dis中所有坐标位置相同的两个图像块之间的结构失真程度值和Z^L中的所有单元矩阵，计算L_org和L_dis之间的左视点图像质量评价指标，记为Q^L，Q^L＝ω×Q^e,L+(1-ω)×Q^n，L，

其中，ω表示Q^e，L的权值，

表示

内坐标位置为(i,j)处的区域划分系数；

将Z^R划分成(W-3)×(H-3)个均包含有4×4个区域划分系数的相互重叠的单元矩阵，将Z^R中坐标位置为(x,y)的单元矩阵记为其中，0<x≤W-3，0<y≤H-3；然后根据R_org和R_dis中所有坐标位置相同的两个图像块之间的结构失真程度值和Z^R中的所有单元矩阵，计算R_org和R_dis之间的右视点图像质量评价指标，记为Q^R，Q^R＝ω'×Q^e,R+（1-ω'）×Q^n，R， 其中，ω'表示Q^e，R的权值，

表示

内坐标位置为(i,j)处的区域划分系数；

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的左右视点图像质量评价指标，记为Q_s，Q_s=ω_l×Q^L+(1-ω_l)×Q^R，其中，ω_l表示Q^L的权值；

⑦计算L_org与R_org的绝对差值图像，记为D^org，LR，D^org，LR=|R_org-L_org|，计算L_dis与R_dis的绝对差值图像，记为D^dis，LR，D^dis,LR=|R_dis-L_dis|，其中，“||”为取绝对值符号；

⑧对D^org，LR和D^dis，LR分别实施区域划分，得到D^org，LR和D^dis，LR对应的区域划分系数矩阵，记为Z^LR，将Z^LR中坐标位置为(p,q)处的区域划分系数记为Z^LR(p,q)，如果D^org，LR和D^dis，LR中坐标位置均为(p,q)的像素点均属于非边缘区域，则Z^LR(p,q)=0，如果D^org，LR和D^dis,LR中坐标位置均为(p,q)的像素点均属于边缘区域，则Z^LR(p,q)=1，其中，0<p≤W，0<q≤H；

⑨将D^org，LR和D^dis,LR分别分割成(W-3)×(H-3)个尺寸大小为4×4的相互重叠的图像块，然后对D^org，LR和D^dis,LR中的每个图像块实施特征值分解，得到D^org，LR和D^dis,LR中每个图像块的特征值矩阵和特征向量矩阵，将D^org，LR中坐标位置为(x,y)的图像块实施特征值分解后得到的特征值矩阵和特征向量矩阵分别记为

和

将D^dis，LR中坐标位置为(x,y)的图像块实施特征值分解后得到的特征值矩阵和特征向量矩阵分别记为

和

其中，0<x≤W-3，0<y≤H-3；

⑩计算D^org，LR和D^dis,LR中所有坐标位置相同的两个图像块的特征值失真指标和特征向量失真指标，将D^org，LR和D^dis,LR中坐标位置均为(x,y)的两个图像块的特征值失真指标和特征向量失真指标分别记为和

$F_{x,y}^{\mathrm{LR}}=\sqrt{\underset{i=0}{\overset{3}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{3}{\mathrm{\&Sigma;}}}{(E_{x,y}^{\mathrm{org},\mathrm{LR}}(i,j)-E_{x,y}^{\mathrm{dis},\mathrm{LR}}(i,j))}^2},$ $K_{x,y}^{\mathrm{LR}}=1-\frac{1}{4}\underset{i=0}{\overset{3}{\mathrm{\&Sigma;}}}\frac{\underset{j=0}{\overset{3}{\mathrm{\&Sigma;}}}(V_{x,y}^{\mathrm{org},\mathrm{LR}}(i,j)\&times;V_{x,y}^{\mathrm{dis},\mathrm{LR}}(i,j))}{\sqrt{\underset{j=0}{\overset{3}{\mathrm{\&Sigma;}}}{\left(V_{x,y}^{\mathrm{org},\mathrm{LR}}(i,j)\right)}^2}\&times;\sqrt{\underset{j=0}{\overset{3}{\mathrm{\&Sigma;}}}{\left(V_{x,y}^{\mathrm{dis},\mathrm{LR}}(i,j)\right)}^2}},$ 其中，

表示

内坐标位置为(i,j)处的特征值，

表示

内坐标位置为(i,j)处的特征向量，

表示

内坐标位置为(i,j)处的特征值，

表示

内坐标位置为(i,j)处的特征向量；

将Z^LR划分成(W-3)×(H-3)个均包含有4×4个区域划分系数的相互重叠的单元矩阵，将Z^LR中坐标位置为(x,y)的单元矩阵记为

其中，0<x≤W-3，0<y≤H-3；然后根据D^org，LR和D^dis,LR中所有坐标位置相同的两个图像块的特征值失真指标和特征向量失真指标及Z^LR中的所有单元矩阵，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_d，其中，

表示

内坐标位置为(i,j)处的区域划分系数；

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的左右视点图像质量评价指标Q_s和立体感知评价度量Q_d，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_s×(Q_d)^-λ，其中，λ为常数，且λ>0。

2.根据权利要求1所述的一种基于矩阵分解的立体图像客观质量评价方法，其特征在于所述的步骤④的具体过程为：

④-1、采用Sobel算子的水平方向模板分别提取L_org中红色分量、绿色分量以及蓝色分量的水平方向梯度矩阵，将L_org中红色分量的水平方向梯度矩阵记为R_h，将L_org中绿色分量的水平方向梯度矩阵记为G_h，将L_org中蓝色分量的水平方向梯度矩阵记为B_h；

采用Sobel算子的垂直方向模板分别提取L_org中红色分量、绿色分量以及蓝色分量的垂直方向梯度矩阵，将L_org中红色分量的垂直方向梯度矩阵记为R_v，将L_org中绿色分量的垂直方向梯度矩阵记为G_v，将L_org中蓝色分量的垂直方向梯度矩阵记为B_v；

④-2、计算L_org的方向变化率矩阵，记为U，将U中坐标位置为(x',y')处的矩阵系数记为U(x',y')， $U\left(x\&prime;,y^{\&prime;}\right)=\sqrt{\frac{g(x^{\&prime;},y^{\&prime;})+f(x^{\&prime;},y^{\&prime;})\&times;\cos (2\&times;\mathrm{\&theta;}(x^{\&prime;},y^{\&prime;}))+2\&times;h(x^{\&prime;},y^{\&prime;})\&times;\sin (2\&times;\mathrm{\&theta;}(x^{\&prime;},y^{\&prime;}))}{2}},$ g(x',y')=(R_h(x',y'))²+(G_h(x',y'))²+(B_h(x',y'))²+(R_v(p,q))²+(G_v(x',y'))²+(B_v(x',y'))²，f(x',y')=(R_h(x',y'))²+(G_h(x',y'))²+(B_h(x',y'))²-(R_v(x',y'))²-(G_v(x',y'))²-(B_v(x',y'))²，h(x',y')=(R_v(x',y'))²+(G_v(x',y'))²+(B_v(x',y'))²，

$\mathrm{\&theta;}(x^{\&prime;},y^{\&prime;})=\frac{1}{2}\&times;\arctan \left(\frac{2\&times;(R_h(x^{\&prime;},y^{\&prime;})\&times;R_v(x^{\&prime;},y^{\&prime;})+G_h(x^{\&prime;},y^{\&prime;})\&times;G_v(x^{\&prime;},y^{\&prime;})+B_h(x^{\&prime;},y^{\&prime;})\&times;B_v(x^{\&prime;},y^{\&prime;}))}{f(x^{\&prime;},y^{\&prime;})}\right),$ 其中，此处0<x'≤W-2且0<y'≤H-2，g(x',y')表示L_org中坐标位置为(x',y')的像素点在水平方向和垂直方向的梯度幅值之和，f(x',y')表示L_org中坐标位置为(x',y')的像素点在水平方向和垂直方向的梯度幅值之差，h(x',y')表示L_org中坐标位置为(x',y')的像素点在水平方向和垂直方向交叉处的梯度幅值，θ(x',y')表示L_org中坐标位置为(x',y')的像素点的最大变化率的角度，R_h(x',y')、R_v(x',y')、G_h(x',y')、G_v(x',y')、B_h(x',y')和B_v(x',y')分别表示R_h、R_v、G_h、G_v、B_h和B_v中坐标位置为(x',y')处的矩阵系数；

④-3、根据U确定L_org的区域划分阈值，记为T， $T=\mathrm{\&alpha;}\&times;\frac{1}{(W-2)\&times;(H-2)}\underset{x^{\&prime;}=1}{\overset{W-2}{\mathrm{\&Sigma;}}}\underset{y^{\&prime;}=1}{\overset{H-2}{\mathrm{\&Sigma;}}}U(x^{\&prime;},y^{\&prime;}),$ 其中，α表示阈值调节因子；

④-4、比较U中的每个矩阵系数与T的大小，确定L_org中第一行第一列至第W-2行第H-2列的每个像素点是否属于边缘区域，然后根据已确定区域的像素点确定L_org中剩余的每个像素点是否属于边缘区域，以完成区域划分，获得L_org对应的区域划分系数矩阵Z^L；对于L_org中坐标位置为(p,q)的像素点，当0<p≤W-2且0<q≤H-2时，判断U(p,q)<T是否成立，如果成立，则确定L_org中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域，并令Z^L中坐标位置为(p,q)处的区域划分系数Z^L(p,q)=0，否则，则确定L_org中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域，并令Z^L中坐标位置为(p,q)处的区域划分系数Z^L(p,q)=1，当W-2<p≤W且0<q≤H-2时，如果L_org的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点为非边缘像素点，则确定L_org中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域，并令Z^L中坐标位置为(p,q)处的区域划分系数Z^L(p,q)=0，如果L_org的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点为边缘像素点，则确定L_org中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域，并令Z^L中坐标位置为(p,q)处的区域划分系数Z^L(p,q)=1，当0<p≤W-2且H-2<q≤H时，如果L_org的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为非边缘像素点，则确定L_org中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域，并令Z^L中坐标位置为(p,q)处的区域划分系数Z^L(p,q)=0，如果L_org的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为边缘像素点，则确定L_org中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域，并令Z^L中坐标位置为(p,q)处的区域划分系数Z^L(p,q)=1，当W-2<p≤W且H-2<q≤H时，如果L_org的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点或L_org的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为非边缘像素点，则确定L_org中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域，并令Z^L中坐标位置为(p,q)处的区域划分系数Z^L(p,q)=0，如果L_org的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点或L_org的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为边缘像素点，则确定L_org中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域，并令Z^L中坐标位置为(p,q)处的区域划分系数Z^L(p,q)=1；

④-5、按照步骤④-1至步骤④-4获取L_org对应的区域划分系数矩阵Z^L的操作过程，以相同的方式获取R_org对应的区域划分系数矩阵Z^R。

3.根据权利要求2所述的一种基于矩阵分解的立体图像客观质量评价方法，其特征在于所述的步骤④-3中取α＝5。

4.根据权利要求1至3中任一项所述的一种基于矩阵分解的立体图像客观质量评价方法，其特征在于所述的步骤⑤中取ω=0.6，ω'=0.6。

5.根据权利要求4所述的一种基于矩阵分解的立体图像客观质量评价方法，其特征在于所述的步骤⑥中ω_l的获取过程为：

⑥-1、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；

⑥-2、采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，将失真立体图像集中的第j'幅失真的立体图像的平均主观评分差值记为DMOS_j'，

其中，1≤j'≤J，J表示失真立体图像集中包含的失真的立体图像的幅数，n'表示有效的测试人员数，n'≥1，r_i′ref(f)表示第i'个测试人员对第j'幅失真的立体图像对应的无失真的立体图像的评分值，r_i′j′表示第i'个测试人员对第j'幅失真的立体图像的评分值；

⑥-3、按照步骤①至步骤⑤的操作过程，计算得到失真立体图像集中的每幅失真的立体图像的左视点图像和对应的无失真的立体图像的左视点图像之间的左视点图像质量评价指标，及失真立体图像集中的每幅失真的立体图像的右视点图像和对应的无失真的立体图像的右视点图像之间的右视点图像质量评价指标；

⑥-4、采用线性拟合加权的方法拟合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DMOS、每幅失真的立体图像对应的左视点图像质量评价指标和右视点图像质量评价指标，得到ω_l的值。

6.根据权利要求5所述的一种基于矩阵分解的立体图像客观质量评价方法，其特征在于所述的步骤⑧的具体过程为：

⑧-1、将D^org，LR分割成(W-2)×(H-2)个尺寸大小为3×3的相互重叠的图像块，将D^org，LR中坐标位置为(x',y')的图像块记为

其中，0<x'≤W-2，0<y'≤H-2；

⑧-2、采用Sobel算子的水平方向模板提取D^org，LR的水平方向梯度矩阵，记为R_rh，将P_rh中坐标位置为(x',y')处的矩阵系数记为P_rh(x',y′)，

$P_{\mathrm{rh}}(x^{\text{'}},y^{\text{'}})=\left[\begin{array}{c}{D}_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{2,0}\right)-D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{0,0}\right)+2\&times;D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{2,1}\right)-\\ 2\&times;D_{x\text{'},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{0,1}\right)+D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{2,2}\right)-D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{0,2}\right);\end{array}\right]$ 采用Sobel算子的垂直方向模板提取D^org，LR的垂直方向梯度矩阵，记为P_rv，将P_rv中坐标位置为(x',y')处的矩阵系数记为P_rv(x',y')， $P_{\mathrm{rv}}(x^{\text{'}},y^{\text{'}})=\left[\begin{array}{c}{D}_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{0,2}\right)-D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{0,0}\right)+2\&times;D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{1,2}\right)-\\ 2\&times;D_{x\text{'},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{1,0}\right)+D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{2,2}\right)-D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{org},\mathrm{LR}}\left(\mathrm{2,0}\right);\end{array}\right]$ 其中，0<x'≤W-2，0<y'≤H-2，

分别表示

中坐标位置为(2,0)、(0,0)、(2,1)、(0,1)、(2,2)、(0,2)、(1,2)、(1,0)的像素点的像素值；

⑧-3、根据D^org，LR的水平方向梯度矩阵P_rh和垂直方向梯度矩阵P_rv，计算D^org，LR的梯度幅值矩阵，记为P_r，将P_r中坐标位置为(x',y')处的矩阵系数记为P_r(x',y')，

$P_r(x^{\text{'}},y^{\text{'}})=\sqrt{{\left(P_{\mathrm{rh}}(x^{\text{'}},y^{\text{'}})\right)}^2+{\left(P_{\mathrm{rv}}(x^{\text{'}},y^{\text{'}})\right)}^2};$

⑧-4、将D^dis，LR分割成(W-2)×(H-2)个尺寸大小为3×3的相互重叠的图像块，将D^dis,LR中坐标位置为(x',y')的图像块记为

0<x'≤W-2，0<y'≤H-2；

⑧-5、采用Sobel算子的水平方向模板提取D^dis,LR的水平方向梯度矩阵，记为P_dh，将P_dh中坐标位置为(x',y')处的矩阵系数记为P_dh(x',y′)， $P_{\mathrm{dh}}(x^{\text{'}},y^{\text{'}})=\left[\begin{array}{c}{D}_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{2,0}\right)-D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{0,0}\right)+2\&times;D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{2,1}\right)-\\ 2\&times;D_{x\text{'},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{0,1}\right)+D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{2,2}\right)-D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{0,2}\right);\end{array}\right]$ 采用Sobel算子的垂直方向模板提取D^dis，LR的垂直方向梯度矩阵，记为P_dv，将P_dv中坐标位置为(x',y′)处的矩阵系数记为P_dv(x',y')， $P_{\mathrm{dv}}(x^{\text{'}},y^{\text{'}})=\left[\begin{array}{c}{D}_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{0,2}\right)-D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{0,0}\right)+2\&times;D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{1,2}\right)-\\ 2\&times;D_{x\text{'},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{1,0}\right)+D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{2,2}\right)-D_{x^{\text{'}},y^{\text{'}}}^{\mathrm{dis},\mathrm{LR}}\left(\mathrm{2,0}\right);\end{array}\right]$ 其中，

分别表示

中坐标位置为(2,0)、(0,0)、(2,1)、(0,1)、(2,2)、(0,2)、(1,2)、(1,0)的像素点的像素值；

⑧-6、根据D^dis,LR的水平方向梯度矩阵P_dh和垂直方向梯度矩阵P_dv，计算D^dis,LR的梯度幅值矩阵，记为P_d，将P_d中坐标位置为(x',y')处的矩阵系数记为P_d(x',y')，

$P_d(x^{\text{'}},y^{\text{'}})=\sqrt{{\left(P_{\mathrm{dh}}(x^{\text{'}},y^{\text{'}})\right)}^2+{\left(P_{\mathrm{dv}}(x^{\text{'}},y^{\text{'}})\right)}^2};$

⑧-7、根据D^org，LR的梯度幅值矩阵P_r确定D^org，LR和D^dis,LR的区域分割阈值，记为TT，TT=0.12×max(P_r)，其中，max(P_r)表示求P_r中的最大值；

⑧-8、比较P_r或P_d中的每个矩阵系数与TT的大小，确定D^org，LR和D^dis,LR中第一行第一列至第W-2行第H-2列的每个像素点是否属于边缘区域，然后根据已确定区域的像素点确定D^org，LR和D^dis,LR中剩余的每个像素点是否属于边缘区域，以完成区域划分，获得D^org，LR和D^dis,LR对应的区域划分系数矩阵Z^LR；对于D^org，LR和D^dis,LR中坐标位置为(p,q)的像素点，当0<p≤W-2且0<q≤H-2时，判断P_r(p,q)≥TT or P_d(p,q)≥TT是否成立，如果成立，则确定D^org，LR和D^dis,LR中坐标位置为(p,q)的像素点均为边缘像素点属于边缘区域，并令Z^LR中坐标位置为(p,q)处的区域划分系数Z^LR(p,q)=1，否则，确定D^org，LR和D^dis，LR中坐标位置为(p,q)的像素点均为非边缘像素点属于非边缘区域，并令Z^LR中坐标位置为(p,q)处的区域划分系数Z^LR(p,q)=0，当W-2<p≤W且0<q≤H-2时，如果D^org，LR和D^dis,LR的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点为非边缘像素点，则确定D^org，LR和D^dis,LR中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域，并令Z^LR中坐标位置为(p,q)处的区域划分系数Z^LR(p,q)=0，如果D^org，LR和D^dis,LR的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点为边缘像素点，则确定D^org，LR和D^dis,LR中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域，并令Z^LR中坐标位置为(p,q)处的区域划分系数Z^LR(p,q)=1，当0<p≤W-2且H-2<q≤H时，如果D^org，LR和D^dis，LR的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为非边缘像素点，则确定D^org，LR和D^dis，LR中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域，并令Z^LR中坐标位置为(p,q)处的区域划分系数Z^LR(p,q)=0，如果D^org，LR和D^dis,LR的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为边缘像素点，则确定D^org，LR和D^dis，LR中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域，并令Z^LR中坐标位置为(p,q)处的区域划分系数Z^LR(p,q)=1，当W-2<p≤W且H-2<q≤H时，如果D^org，LR和D^dis，LR的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点或D^org，LR和D^dis,LR的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为非边缘像素点，则确定D^org，LR和D^dis,LR中坐标位置为(p,q)的像素点为非边缘像素点属于非边缘区域，并令Z^LR中坐标位置为(p,q)处的区域划分系数Z^LR(p,q)=0，如果D^org，LR和D^dis,LR的第W-2行中与坐标位置为(p,q)的像素点的列坐标相同的像素点或D^org，LR和D^dis,LR的第H-2列中与坐标位置为(p,q)的像素点的行坐标相同的像素点为边缘像素点，则确定D^org，LR和D^dis,LR中坐标位置为(p,q)的像素点为边缘像素点属于边缘区域，并令Z^LR中坐标位置为(p,q)处的区域划分系数Z^LR(p,q)=1。

7.根据权利要求6所述的一种基于矩阵分解的立体图像客观质量评价方法，其特征在于所述的步骤

中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，该失真立体图像集包括多幅失真的立体图像，其中，n≥1；

采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，将失真立体图像集中的第j'幅失真的立体图像的平均主观评分差值记为DMOS_j'，

其中，1≤j'≤J，J表示失真立体图像集中包含的失真的立体图像的幅数，n'表示有效的测试人员数，n'≥1，r_i′ref(f)表示第i'个测试人员对第j'幅失真的立体图像对应的无失真的立体图像的评分值，r_i′j′表示第i'个测试人员对第j'幅失真的立体图像的评分值；

按照步骤①至步骤

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相对于对应的无失真的立体图像的左右视点图像质量评价指标和立体感知评价度量；

采用乘性加权的数学拟合方法Q=Q_s×(Q_d )^-λ拟合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及对应的左右视点图像质量评价指标和立体感知评价度量，得到λ的值。

Images