CN103533343A - 一种基于数字水印的立体图像质量客观评价方法 - Google Patents

Abstract

本发明公开了一种基于数字水印的立体图像质量客观评价方法，其在发送端提取无失真立体图像的左、右视点图像的DCT域中的特征，并将对特征进行量化编码后得到的数字水印嵌入DCT域中；在接收端提取失真立体图像的左、右视点图像的DCT域中的特征，检测失真立体图像中嵌入的数字水印并进行解码和反量化，根据提取的特征和解码反量化得到的特征获取失真立体图像的立体感知值和视点质量分数，最后利用已训练的支持向量回归模型获取测试的失真立体图像的客观质量评价预测值；本方法将从无失真立体图像中提取出的特征以水印的形式嵌入到立体图像中，信道在传输立体图像的同时也传输了特征，因此能够很好地预测人眼对立体图像的主观感知，符合人眼视觉特性。

Description

一种基于数字水印的立体图像质量客观评价方法

技术领域

本发明涉及一种立体图像质量评价方法，尤其是涉及一种基于数字水印的立体图像质量客观评价方法。

背景技术

随着通信技术和多媒体技术的迅速发展，立体图像处理技术逐步在三维视频会议系统、虚拟现实、远程工业控制、远程教育和医疗、自动导航以及消费电子等诸多领域得到了应用。在立体图像压缩或传输系统中，往往需要根据压缩或传输之后的立体图像质量状况来评价该系统的优劣或调整相关的参数以达到更好的压缩或传输效果。人类是立体图像的最终接受者，因而人类对立体图像的主观评价被认为是最可靠的，但对立体图像的主观评价无法用数学模型进行描述，且比较容易受其他因素的限制和影响，不适合工程化应用。因而多年来学者们对立体图像客观评价方法进行了一些研究，根据立体图像客观评价方法对原始立体图像的依赖程度，可分为三类：全参考型（FR，FullReference）、质降参考型（RR，Reduced-Reference）和无参考型（NR，No Reference）。全参考型的立体图像客观评价方法需要完整的原始立体图像做参考，适用于立体图像编码器设计和不同立体图像编码器的性能比较；无参考型的立体图像客观评价方法无需原始立体图像做参考，主要用来评价图像的分块效应、振铃效应和模糊失真等已知的退化，因此应用受到很大的局限性；而质降参考型的立体图像客观评价方法是一种介于全参考型和无参考型之间的方法，该方法利用了参考立体图像的部分特征信息来评价失真立体图像的感知质量，所需存储或传输的数据量少，且可靠性较高，尤其在实时通信系统中，该方法可用来监控立体图像感知质量并调整其码率以达到较好的视觉效果，因此该方法的研究已成为该领域的一个热点课题。

发明内容

本发明所要解决的技术问题是提供一种基于数字水印的立体图像质量客观评价方法，其能够很好地预测人眼对立体图像的主观感知，符合人眼视觉特性。

本发明解决上述技术问题所采用的技术方案为：一种基于数字水印的立体图像质量客观评价方法，其特征在于包括以下步骤：

①-1、在发送端，令S_org表示原始的无失真的立体图像，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L_org和R_org分别分割成

个互不重叠的尺寸大小为8×8的图像块，其中，此处M为L_org和R_org的宽度，N为L_org和R_org的高度；

①-2、对L_org和R_org中的每个图像块进行离散余弦变换，得到L_org和R_org中的每个图像块的DCT系数矩阵；

①-3、分别对L_org和R_org中的所有图像块的DCT系数矩阵中的所有DCT系数进行系数重组，得到L_org和R_org各自对应的10个各不相同的重组系数矩阵，将L_org对应的第n'个重组系数矩阵记为

将R_org对应的第n'个重组系数矩阵记为

其中，_Lorg中的所有图像块的DCT系数矩阵中相同坐标位置处的DCT系数位于同一个重组系数矩阵中，R_org中的所有图像块的DCT系数矩阵中相同坐标位置处的DCT系数位于同一个重组系数矩阵中，1≤n'≤10；

①-4、计算L_org对应的每个重组系数矩阵与R_org对应的每个重组系数矩阵的差值绝对值矩阵，将L_org对应的第n'个重组系数矩阵

与R_org对应的第n'个重组系数矩阵

的差值绝对值矩阵记为

将

中的第l个DCT系数记为

然后计算L_org对应的每个重组系数矩阵与R_org对应的每个重组系数矩阵的差值绝对值矩阵的均值和标准差，将

的均值和标准差分别记为和

其中，

表示

中的第l个DCT系数，

(l)表示

中的第l个DCT系数，符号“||”为取绝对值符号，1≤l≤L_n'，在此L_n'表示

或

中DCT系数的总个数；

①-5、利用Watson敏感度算子分别对L_org和R_org中的每个图像块的DCT系数矩阵中的所有DCT系数进行滤波处理，得到L_org和R_org中的每个图像块的滤波后DCT系数矩阵；

①-6、采用与步骤①-3相同的系数重组方式，分别对L_org和R_org中的所有图像块的滤波后DCT系数矩阵中的所有滤波后DCT系数进行系数重组，得到L_org和R_org各自对应的10个各不相同的滤波后重组系数矩阵，将L_org对应的第n'个滤波后重组系数矩阵记为

将R_org对应的第n'个滤波后重组系数矩阵记为其中，L_org中的所有图像块的滤波后DCT系数矩阵中相同坐标位置的滤波后DCT系数位于同一个滤波后重组系数矩阵中，R_org中的所有图像块的滤波后DCT系数矩阵中相同坐标位置的滤波后DCT系数位于同一个滤波后重组系数矩阵中，1≤n'≤10；

①-7、根据L_org或R_org各自对应的10个滤波后重组系数矩阵中的所有滤波后DCT系数，计算第一敏感度阈值，记为T1，

其中，α为敏感度阈值调节因子，1≤k≤10，1≤l≤L_k，此处L_k表示L_org或R_org各自对应的10个滤波后重组系数矩阵中的第k个滤波后重组系数矩阵中滤波后DCT系数的总个数，表示L_org或R_org各自对应的10个滤波后重组系数矩阵中的第k个滤波后重组系数矩阵中的第l个滤波后DCT系数，符号“”为取绝对值符号；

①-8、将L_org和R_org各自对应的每个滤波后重组系数矩阵中值大于第一敏感度阈值T1的滤波后DCT系数确定为视觉敏感度系数，然后计算L_org和R_org各自对应的每个滤波后重组系数矩阵中视觉敏感度系数所占的比重，将L_org对应的第n'个滤波后重组系数矩阵

中视觉敏感度系数所占的比重记为

将Rorg对应的第n'个滤波后重组系数矩阵

中视觉敏感度系数所占的比重记为

其中，

表示L_org对应的第n'个滤波后重组系数矩阵

中视觉敏感度系数的个数，R^L(n')表示L_org对应的第n'个滤波后重组系数矩阵

中滤波后DCT系数的总个数，

表示R_org对应的第n'个滤波后重组系数矩阵中视觉敏感度系数的个数，R^R(n')表示R_org对应的第n'个滤波后重组系数矩阵

中滤波后DCT系数的总个数；

①-9、将L_org对应的每个重组系数矩阵与R_org对应的每个重组系数矩阵的差值绝对值矩阵的均值和标准差，经量化编码后作为第一数字水印信息；将L_org对应的每个滤波后重组系数矩阵中视觉敏感度系数所占的比重，经量化编码后作为第二数字水印信息；将R_org对应的每个滤波后重组系数矩阵中视觉敏感度系数所占的比重，经量化编码后作为第三数字水印信息；然后利用抖动调制数字水印嵌入方法，将第一数字水印信息分别嵌入L_org对应的第4个重组系数矩阵

和R_org对应的第4个重组系数矩阵将第二数字水印信息分别嵌入L_org对应的第5个重组系数矩阵

和R_org对应的第5个重组系数矩阵

将第三数字水印信息分别嵌入L_org对应的第6个重组系数矩阵

和R_org对应的第6个重组系数矩阵

得到含数字水印的立体图像；

①-10、发送端将含数字水印的立体图像发送给接收端；

②-1、在接收端，令S_dis表示接收到的待评价的失真的含数字水印的立体图像，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；将L_dis和R_dis分别分割成

个互不重叠的尺寸大小为8×8的图像块，其中，此处M为L_dis和R_dis的宽度，N为L_dis和R_dis的高度；

②-2、对L_dis和R_dis中的每个图像块进行离散余弦变换，得到L_dis和R_dis中的每个图像块的DCT系数矩阵；

②-3、分别对L_dis和R_dis中的所有图像块的DCT系数矩阵中的所有DCT系数进行系数重组，得到L_dis和R_dis各自对应的10个各不相同的重组系数矩阵，将L_dis对应的第n'个重组系数矩阵记为

将R_dis对应的第n'个重组系数矩阵记为

其中，L_dis中的所有图像块的DCT系数矩阵中相同坐标位置处的DCT系数位于同一个重组系数矩阵中，R_dis中的所有图像块的DCT系数矩阵中相同坐标位置处的DCT系数位于同一个重组系数矩阵中，1≤n'≤10；

②-4、计算L_dis对应的每个重组系数矩阵与R_dis对应的每个重组系数矩阵的差值绝对值矩阵，将L_dis对应的第n'个重组系数矩阵

与R_dis对应的第n'个重组系数矩阵

的差值绝对值矩阵记为

将

中的第l个DCT系数记为

然后计算L_dis的每个重组系数矩阵与R_dis的每个重组系数矩阵的差值绝对值矩阵的均值和标准差，将

的均值和标准差分别记为

和

${\mathrm{\μ}}_d^{n^{\′}}=\frac{1}{L_{n^{\′}}}\underset{l=1}{\overset{L_{n^{\′}}}{\mathrm{\Σ}}}{D}_{\mathrm{dis}}^{n^{\′}}\left(l\right),$ ${\mathrm{\σ}}_d^{n^{\′}}=\sqrt{\frac{1}{L_{n^{\′}}-1}\underset{l=1}{\overset{L_{n^{\′}}}{\mathrm{\Σ}}}{(D_{\mathrm{dis}}^{n^{\′}}\left(l\right)-{\mathrm{\μ}}_d^{n^{\′}})}^2};$ 其中，

表示中的第l个DCT系数，

表示

中的第l个DCT系数，符号“||”为取绝对值符号，1≤l≤L_n'，在此L_n'表示

或

中DCT系数的总个数；

②-5、利用Watson敏感度算子分别对L_dis和R_dis中的每个图像块的DCT系数矩阵中的所有DCT系数进行滤波处理，得到L_dis和R_dis中的每个图像块的滤波后DCT系数矩阵；

②-6、采用与步骤②-3相同的系数重组方式，分别对L_dis和R_dis中的所有图像块的滤波后DCT系数矩阵中的所有滤波后DCT系数进行系数重组，得到L_dis和R_dis各自对应的10个各不相同的滤波后重组系数矩阵，将L_dis对应的第n'个滤波后重组系数矩阵记为将R_dis对应的第n'个滤波后重组系数矩阵记为其中，L_dis中的所有图像块的滤波后DCT系数矩阵中相同坐标位置的滤波后DCT系数位于同一个滤波后重组系数矩阵中，R_dis中的所有图像块的滤波后DCT系数矩阵中相同坐标位置的滤波后DCT系数位于同一个滤波后重组系数矩阵中，1≤n'≤10；

②-7、根据L_dis或R_dis各自对应的10个滤波后重组系数矩阵中的所有滤波后DCT系数，计算第二敏感度阈值，记为T2，

其中，α为敏感度阈值调节因子，1≤k≤10，1≤l≤L_k，此处L_k表示L_dis或R_dis各自对应的10个滤波后重组系数矩阵中的第k个滤波后重组系数矩阵中滤波后DCT系数的总个数，

表示L_dis或R_dis各自对应的10个滤波后重组系数矩阵中的第k个滤波后重组系数矩阵中的第l个滤波后DCT系数，符号“||”为取绝对值符号；

②-8、将L_dis和R_dis各自对应的每个滤波后重组系数矩阵中值大于第二敏感度阈值T2的滤波后DCT系数确定为视觉敏感度系数，然后计算L_dis和R_dis各自对应的每个滤波后重组系数矩阵中视觉敏感度系数所占的比重，将L_dis对应的第n'个滤波后重组系数矩阵

中视觉敏感度系数所占的比重记为

将R_dis对应的第n'个滤波后重组系数矩阵中视觉敏感度系数所占的比重记为

其中，

表示L_dis对应的第n'个滤波后重组系数矩阵

中视觉敏感度系数的个数，D^L(n')表示L_dis对应的第n'个滤波后重组系数矩阵中滤波后DCT系数的总个数，

表示R_dis对应的第n'个滤波后重组系数矩阵

中视觉敏感度系数的个数，D^R(n')表示R_dis对应的第n'个滤波后重组系数矩阵

中滤波后DCT系数的总个数；

②-9、检测嵌入到S_dis中的第一数字水印信息，然后对检测到的第一数字水印信息进行解码和反量化，解码反量化得到发送端嵌入的L_org对应的每个重组系数矩阵与R_org对应的每个重组系数矩阵的差值绝对值矩阵的均值和标准差，接着采用Canberra距离对S_dis进行纹理相似度度量，得到S_dis的立体感知值，记为Q_disp， $Q_{\mathrm{disp}}=\frac{\underset{n^{\′}=1}{\overset{10}{\mathrm{\Σ}}}{w}_{n^{\′}}\left(\right|{\mathrm{\μ}}_r^{n^{\′}}+{\mathrm{\μ}}_d^{n^{\′}}|+{|\mathrm{\σ}}_r^{n^{\′}}-{\mathrm{\σ}}_d^{n^{\′}}|)}{\underset{n^{\′}=1}{\overset{10}{\mathrm{\Σ}}}{w}_{n^{\′}}({\mathrm{\μ}}_r^{n^{\′}}+{\mathrm{\μ}}_d^{n^{\′}}+{\mathrm{\σ}}_r^{n^{\′}}+{\mathrm{\σ}}_d^{n^{\′}})},$ 其中，

和

分别表示发送端嵌入的L_org对应的第n'个重组系数矩阵

与R_org对应的第n'个重组系数矩阵的差值绝对值矩阵

的均值和标准差，w_n'表示权值，

符号“||”为取绝对值符号；

检测嵌入到L_dis中的第二数字水印信息，然后对检测到的第二数字水印信息进行解码和反量化，解码反量化得到发送端嵌入的L_org对应的每个滤波后重组系数矩阵中视觉敏感度系数所占的比重，接着计算左视点质量分数，记为

其中，Q₀为动态调节因子，

表示发送端嵌入的L_org对应的第n'个滤波后重组系数矩阵

中视觉敏感度系数所占的比重，符号“||”为取绝对值符号；

检测嵌入到R_dis中的第三数字水印信息，然后对检测到的第三数字水印信息进行解码，解码反量化得到发送端嵌入的R_org对应的每个滤波后重组系数矩阵中视觉敏感度系数所占的比重，接着计算右视点质量分数，记为

其中，

表示发送端嵌入的R_org对应的第n'个滤波后重组系数矩阵

中视觉敏感度系数所占的比重；

②-10、根据

和

计算S_dis的视点质量分数，记为Q_view，

②-11、采用n''幅原始的无失真的立体图像，建立其在不同失真类型不同失真程度下的失真立体图像集合，该失真立体图像集合包括多幅失真立体图像，利用主观质量评价方法分别评价出该失真立体图像集合中的每幅失真立体图像的主观评分，将该失真立体视频集合中的第j幅失真立体图像的主观评分记为DMOS_j，其中，n''>1，0≤DMOS_j≤100；然后按照步骤①-1至步骤②-10计算Q_disp和Q_view的操作，以相同的方式计算该失真立体图像集合中的每幅失真立体图像的立体感知值和视点质量分数，将该失真立体图像集合中的第j幅失真立体图像的立体感知值记为Q_disp(j)，将该失真立体图像集合中的第j幅失真立体图像的视点质量分数记为Q_view(j)，其中，1≤j≤N'，N'表示该失真立体图像集合中包含的失真立体图像的幅数；再由该失真立体图像集合中的每幅失真立体图像的立体感知值和视点质量分数构成该失真立体图像集合中的每幅失真立体图像的质量分数，将该失真立体视频集合中的第j幅失真立体图像的质量分数记为x_j，x_j=[Q_disp(j),Q_view(j)]，其中，此处[Q_disp(j),Q_view(j)]表示该失真立体图像集合中的第j幅失真立体图像的立体感知值和视点质量分数组成的向量矩阵；

②-12、将该失真立体图像集合中的所有失真立体图像分成训练集和测试集，然后利用支持向量回归对训练集中的所有失真立体图像的质量分数和主观评分进行训练，使得经过训练得到的回归函数值与主观评分之间的误差最小，拟合得到最优的权值矢量W^opt和最优的偏置项b^opt，接着利用W^opt和b^opt构造得到支持向量回归训练模型，再根据支持向量回归训练模型，对测试集中的每幅失真立体图像的质量分数进行测试，预测得到测试集中的每幅失真立体图像的客观质量评价预测值，将测试集中的第k'幅失真立体图像的客观质量评价预测值记为Q_k'，Q_k'=f(x_k')，其中，1≤k'≤t'，t'表示测试集中包含的失真立体图像的幅数，f()为函数表示形式，x_k′=[Q_disp(k′),Q_view(k′)]，x_k'表示测试集中的第k'幅失真立体图像的质量分数，Q_k'是测试集中的第k'幅失真立体图像的质量分数x_k'的函数，(W^opt)^T为W^opt的转置矢量，

为x_k'的线性函数。

所述的步骤①-3中将L_org和R_org分别作为待处理图像，所述的步骤②-3中将L_dis和R_dis分别作为待处理图像，则对待处理图像中的所有图像块的DCT系数矩阵中的所有DCT系数进行系数重组的具体过程为：提取出待处理图像中的所有图像块的DCT系数矩阵中坐标位置为(1,1)的DCT系数，并按序构成第1个重组系数矩阵；提取出待处理图像中的所有图像块的DCT系数矩阵中坐标位置为(1,2)的DCT系数，并按序构成第2个重组系数矩阵；提取出待处理图像中的所有图像块的DCT系数矩阵中坐标位置为(2,1)的DCT系数，并按序构成第3个重组系数矩阵；提取出待处理图像中的所有图像块的DCT系数矩阵中坐标位置为(2,2)的DCT系数，并按序构成第4个重组系数矩阵；提取出待处理图像中的所有图像块的DCT系数矩阵中横坐标为1≤i≤2且纵坐标为3≤j≤4的所有DCT系数，并按序构成第5个重组系数矩阵；提取出待处理图像中的所有图像块的DCT系数矩阵中横坐标为3≤i≤4且纵坐标为1≤j≤2的所有DCT系数，并按序构成第6个重组系数矩阵；提取出待处理图像中的所有图像块的DCT系数矩阵中横坐标为3≤i≤4且纵坐标为3≤j≤4的所有DCT系数，并按序构成第7个重组系数矩阵；提取出待处理图像中的所有图像块的DCT系数矩阵中横坐标为1≤i≤4且纵坐标为5≤j≤8的所有DCT系数，并按序构成第8个重组系数矩阵；提取出待处理图像中的所有图像块的DCT系数矩阵中横坐标为5≤i≤8且纵坐标为1≤j≤4的所有DCT系数，并按序构成第9个重组系数矩阵；提取出待处理图像中的所有图像块的DCT系数矩阵中横坐标为5≤i≤8且纵坐标为5≤j≤8的所有DCT系数，并按序构成第10个重组系数矩阵。

所述的步骤①-6中将L_org和R_org分别作为待处理图像，则对待处理图像中的所有图像块的滤波后DCT系数矩阵中的所有滤波后DCT系数进行系数重组的具体过程，与所述的步骤①-3中对待处理图像中的所有图像块的DCT系数矩阵中的所有DCT系数进行系数重组的具体过程相同；所述的步骤②-6中将L_dis和R_dis分别作为待处理图像，则对待处理图像中的所有图像块的滤波后DCT系数矩阵中的所有滤波后DCT系数进行系数重组的具体过程，与所述的步骤②-3中对待处理图像中的所有图像块的DCT系数矩阵中的所有DCT系数进行系数重组的具体过程相同。

所述的步骤①-7和所述的步骤②-7中取α=3。

所述的步骤②-9中取Q₀=0.1。

与现有技术相比，本发明的优点在于：在发送端，提取原始的无失真的立体图像的左视点图像和右视点图像的DCT域中的特征（包括原始的无失真的立体图像的左视点图像对应的每个重组系数矩阵与右视点图像对应的每个重组系数矩阵的差值绝对值矩阵的均值和标准差、原始的无失真的立体图像的左视点图像对应的每个滤波后重组系数矩阵中视觉敏感度系数所占的比重、原始的无失真的立体图像的右视点图像对应的每个滤波后重组系数矩阵中视觉敏感度系数所占的比重），并对各个特征进行量化编码得到数字水印信息，由于编码的过程采用了CRC校验和BCH纠错编码，因此有效地增强了数字水印信息的鲁棒性；接着利用基于Watson敏感度算子和JPEG量化表的抖动调制数字水印嵌入方法将数字水印信息嵌入到原始的无失真的立体图像的左视点图像和右视点图像的DCT域中，由于采用了抖动调制数字水印嵌入方法来嵌入数字水印信息，因此提高了嵌入水印后的立体图像的视觉质量以及进一步增强了数字水印的鲁棒性；在接收端，提取失真的立体图像的左视点图像和右视点图像的DCT域中的特征（包括失真的立体图像的左视点图像对应的每个重组系数矩阵与右视点图像对应的每个重组系数矩阵的差值绝对值矩阵的均值和标准差、失真的立体图像的左视点图像对应的每个滤波后重组系数矩阵中视觉敏感度系数所占的比重、失真的立体图像的右视点图像对应的每个滤波后重组系数矩阵中视觉敏感度系数所占的比重），然后检测并提取失真的立体图像中嵌入的数字水印信息，并对提取出的数字水印信息进行解码和反量化，接着根据失真的立体图像的左视点图像和右视点图像的DCT域中的特征和解码反量化得到的特征，获取失真的立体图像的立体感知值和视点质量分数，最后利用训练得到的支持向量回归模型获取测试的失真立体图像的客观质量评价预测值；本发明方法将从原始的无失真的立体图像中提取出的特征值以水印的形式嵌入到立体图像中，信道在传输立体图像的同时也传输了该特征值，因此本发明方法克服了质降参考模型需要辅助信道传输特征值的局限性，并能够很好地预测人眼对立体图像的主观感知，符合人眼视觉特性。

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Altmoabit(1024×768)立体图像；

图2c为Balloons(1024×768)立体图像；

图2d为Doorflowers(1024×768)立体图像；

图2e为Kendo(1024×768)立体图像；

图2f为LeaveLaptop(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。

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数字水印的立体图像质量客观评价方法，其总体实现框图如图1所示，其具体包括以下步骤：

①-1、在发送端，令S_org表示原始的无失真的立体图像，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L_org和R_org分别分割成个互不重叠的尺寸大小为8×8的图像块，其中，此处M为L_org和R_org的宽度，N为L_org和R_org的高度。

①-2、对L_org和R_org中的每个不重叠的尺寸大小为8×8的图像块进行离散余弦变换（DCT，Discrete Cosine Transform），得到L_org和R_org中的每个不重叠的尺寸大小为8×8的图像块的DCT系数矩阵，将L_org中坐标位置为(m,n)的图像块的DCT系数矩阵中坐标位置为(i,j)处的DCT系数记为K_L,org[i,j,m,n]，将R_org中坐标位置为(m,n)的图像块的DCT系数矩阵中坐标位置为(i,j)处的DCT系数记为K_R,org[i,j,m,n]，其中， $1\≤m\≤\frac{M}{8},$ $1\≤n\≤\frac{N}{8},$ 1≤i≤8,1≤j≤8。

①-3、分别对L_org和R_org中的所有图像块的DCT系数矩阵中的所有DCT系数进行系数重组，得到L_org和R_org各自对应的10个各不相同的重组系数矩阵，将L_org对应的第n'个重组系数矩阵记为

将R_org对应的第n'个重组系数矩阵记为

其中，L_org中的所有图像块的DCT系数矩阵中相同坐标位置处的DCT系数位于同一个重组系数矩阵中，R_org中的所有图像块的DCT系数矩阵中相同坐标位置处的DCT系数位于同一个重组系数矩阵中，1≤n'≤10。

①-4、计算L_org对应的每个重组系数矩阵与R_org对应的每个重组系数矩阵的差值绝对值矩阵，将L_org对应的第n'个重组系数矩阵

与R_org对应的第n'个重组系数矩阵

的差值绝对值矩阵记为

将

中的第l个DCT系数记为

然后计算L_org对应的每个重组系数矩阵与R_org对应的每个重组系数矩阵的差值绝对值矩阵的均值和标准差，将

的均值和标准差分别记为

和

${\mathrm{\μ}}_r^{n^{\′}}=\frac{1}{L_{n^{\′}}}\underset{l=1}{\overset{L_{n^{\′}}}{\mathrm{\Σ}}}{D}_{\mathrm{org}}^{n^{\′}}\left(l\right),$ ${\mathrm{\σ}}_r^{n^{\′}}=\sqrt{\frac{1}{L_{n^{\′}}-1}\underset{l=1}{\overset{L_{n^{\′}}}{\mathrm{\Σ}}}{(D_{\mathrm{org}}^{n^{\′}}\left(l\right)-{\mathrm{\μ}}_r^{n^{\′}})}^2};$ 其中，

表示

中的第l个DCT系数，表示

中的第l个DCT系数，符号“||”为取绝对值符号，1≤l≤L_n'，在此L_n'表示

中DCT系数的总个数。

①-5、利用现有的Watson敏感度算子分别对L_org和R_org中的每个图像块的DCT系数矩阵中的所有DCT系数进行滤波处理，得到L_org和R_org中的每个图像块的滤波后DCT系数矩阵，将L_org中坐标位置为(m,n)的图像块的滤波后DCT系数矩阵中坐标位置为(i,j)处的滤波后DCT系数记为K′_L,org[i,j,m,n]，将R_org中坐标位置为(m,n)的图像块的滤波后DCT系数矩阵中坐标位置为(i,j)处的滤波后DCT系数记为K′_R,org[i,j,m,n]。

在此，现有的Watson敏感度算子中的各个频率敏感度如表1所列，表1中的每一个元素表示在无任何噪声掩蔽的情况下人眼对每一个不重叠的8×8图像块的DCT系数矩阵中的每个DCT系数不同的敏感程度，其值越小说明人眼对该频率越敏感。

表1Watson敏感度算子中的各个频率敏感度

①-6、采用与步骤①-3相同的系数重组方式，分别对L_org和R_org中的所有图像块的滤波后DCT系数矩阵中的所有滤波后DCT系数进行系数重组，得到L_org和R_org各自对应的10个各不相同的滤波后重组系数矩阵，将L_org对应的第n'个滤波后重组系数矩阵记为

将R_org对应的第n'个滤波后重组系数矩阵记为

其中，L_org中的所有图像块的滤波后DCT系数矩阵中相同坐标位置的滤波后DCT系数位于同一个滤波后重组系数矩阵中，R_org中的所有图像块的滤波后DCT系数矩阵中相同坐标位置的滤波后DCT系数位于同一个滤波后重组系数矩阵中，1≤n'≤10。

①-7、根据L_org或R_org各自对应的10个滤波后重组系数矩阵中的所有滤波后DCT系数，计算第一敏感度阈值，记为T1，其中，α为敏感度阈值调节因子，实验中取α=3，1≤k≤10，1≤l≤L_k，此处L_k表示L_org或R_org各自对应的10个滤波后重组系数矩阵中的第k个滤波后重组系数矩阵中滤波后DCT系数的总个数，

表示L_org或R_org各自对应的10个滤波后重组系数矩阵中的第k个滤波后重组系数矩阵中的第l个滤波后DCT系数，符号“||”为取绝对值符号。

①-8、将L_org和R_org各自对应的每个滤波后重组系数矩阵中值大于第一敏感度阈值T1的滤波后DCT系数确定为视觉敏感度系数，如假设

中的某个滤波后DCT系数大于第一敏感度阈值T1，则将该滤波后DCT系数确定为视觉敏感度系数，然后计算L_org和R_org各自对应的每个滤波后重组系数矩阵中视觉敏感度系数所占的比重，将L_org对应的第n′个滤波后重组系数矩阵中视觉敏感度系数所占的比重记为

将R_org对应的第n'个滤波后重组系数矩阵

中视觉敏感度系数所占的比重记为 其中，表示L_org对应的第n'个滤波后重组系数矩阵

中视觉敏感度系数的个数，R^L(n')表示L_org对应的第n'个滤波后重组系数矩阵

中滤波后DCT系数的总个数，

表示R_org对应的第n'个滤波后重组系数矩阵

中视觉敏感度系数的个数，R^R(n')表示R_org对应的第n'个滤波后重组系数矩阵中滤波后DCT系数的总个数。

①-9、将L_org对应的每个重组系数矩阵与R_org对应的每个重组系数矩阵的差值绝对值矩阵的均值和标准差，经量化编码后作为第一数字水印信息；将L_org对应的每个滤波后重组系数矩阵中视觉敏感度系数所占的比重，经量化编码后作为第二数字水印信息；将R_org对应的每个滤波后重组系数矩阵中视觉敏感度系数所占的比重，经量化编码后作为第三数字水印信息；然后利用抖动调制数字水印嵌入方法，将第一数字水印信息分别嵌入Lorg对应的第4个重组系数矩阵和R_org对应的第4个重组系数矩阵

将第二数字水印信息分别嵌入L_org对应的第5个重组系数矩阵

和R_org对应的第5个重组系数矩阵

将第三数字水印信息分别嵌入L_org对应的第6个重组系数矩阵

和R_org对应的第6个重组系数矩阵得到含数字水印的立体图像。

在此，量化编码过程为：将

和

分别用8位二进制数表示；然后，对该二进制数据采用多项式生成16比特CRC差错校验码；接着，采用（15，5，7）BCH（15bit数据能纠错位为≤3bit）对含校验码数据进一步进行编码得到最终编码数据；最后，将该最终编码数据作为水印信息。

在此，将水印嵌入的具体过程为：令x_w表示嵌入水印后的数据，水印嵌入过程可用以下公式表示：

其中，round()为四舍五入取整函数，x表示原始载体数据，Δ表示量化步长，w表示水印信息，d(w)为与w相对应的抖动量，

为与w相对应的量化器，对于二进制水印，有两类量化器：量化器1(即

）和量化器0（

）；用最小距离解码器来提取水印信息时，如果接收到的数据距离量化器1得到的数据最近，解码器认为嵌入的水印信息为1；否则，解码器认为嵌入的水印信息为0，即

其中，y表示解码器接收到的数据，

表示提取的水印信息，y[1]和y[0]分别表示采用量化器1和量化器0对接收到的数据y进行抖动调制所得到的量化值。

在本发明中利用Watson敏感度算子中的各个频率敏感度可以提高水印的透明性，结合JPEG量化表可以提高水印的鲁棒性，表2为JPEG建议的量化表，由于Watson敏感度算子和JPEG建议的量化表是确定的，因此可以实现全盲检测的要求。

表2JPEG建议的量化表

在本发明中根据Watson敏感度算子和JPEG量化表确定抖动调制中量化器的量化步长Δ，值得注意的是，在确定量化步长Δ时，需要一个全局常数G来调节水印强度，量化步长Δ表示为

其中，G的值一般取2，t_Waston(i,j)表示Watson敏感度算子中坐标位置为(i,j)处的值，t_JPEG(i,j)表示JPEG量化表中坐标位置为(i,j)处的值，1≤i≤8,1≤j≤8。

①-10、发送端将含数字水印的立体图像发送给接收端。

②-1、在接收端，令S_dis表示接收到的待评价的失真的含数字水印的立体图像，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；将L_dis和R_dis分别分割成

个互不重叠的尺寸大小为8×8的图像块，其中，此处M为L_dis和R_dis的宽度，N为L_dis和R_dis的高度。

②-2、对L_dis和R_dis中的每个不重叠的尺寸大小为8×8的图像块进行离散余弦变换，得到L_dis和R_dis中的每个不重叠的尺寸大小为8×8的图像块的DCT系数矩阵，将L_dis中坐标位置为(m,n)的图像块的DCT系数矩阵中坐标位置为(i,j)处的DCT系数记为K_L,dis[i,j,m,n]，将R_dis中坐标位置为(m,n)的图像块的DCT系数矩阵中坐标位置为(i,j)处的DCT系数记为K_R,dis[i,j,m,n]，其中，

1≤i≤8,1≤j≤8。

②-3、分别对L_dis和R_dis中的所有图像块的DCT系数矩阵中的所有DCT系数进行系数重组，得到L_dis和R_dis各自对应的10个各不相同的重组系数矩阵，将L_dis对应的第n'个重组系数矩阵记为

将R_dis对应的第n'个重组系数矩阵记为其中，L_dis中的所有图像块的DCT系数矩阵中相同坐标位置处的DCT系数位于同一个重组系数矩阵中，R_dis中的所有图像块的DCT系数矩阵中相同坐标位置处的DCT系数位于同一个重组系数矩阵中，1≤n'≤10。

②-4、计算L_dis对应的每个重组系数矩阵与R_dis对应的每个重组系数矩阵的差值绝对值矩阵，将L_dis对应的第n'个重组系数矩阵

与R_dis对应的第n'个重组系数矩阵的差值绝对值矩阵记为

将

中的第l个DCT系数记为

然后计算L_dis的每个重组系数矩阵与R_dis的每个重组系数矩阵的差值绝对值矩阵的均值和标准差，将

的均值和标准差分别记为

和

${\mathrm{\μ}}_d^{n^{\′}}=\frac{1}{L_{n^{\′}}}\underset{l=1}{\overset{L_{n^{\′}}}{\mathrm{\Σ}}}{D}_{\mathrm{dis}}^{n^{\′}}\left(l\right),$ ${\mathrm{\σ}}_d^{n^{\′}}=\sqrt{\frac{1}{L_{n^{\′}}-1}\underset{l=1}{\overset{L_{n^{\′}}}{\mathrm{\Σ}}}{(D_{\mathrm{dis}}^{n^{\′}}\left(l\right)-{\mathrm{\μ}}_d^{n^{\′}})}^2};$ 其中，

表示中的第l个DCT系数，

表示

中的第l个DCT系数，符号“||”为取绝对值符号，1≤l≤L_n'，在此L_n'表示

或

中DCT系数的总个数。

②-5、利用现有的Watson敏感度算子分别对L_dis和R_dis中的每个图像块的DCT系数矩阵中的所有DCT系数进行滤波处理，得到L_dis和R_dis中的每个图像块的滤波后DCT系数矩阵，将L_dis中坐标位置为(m,n)的图像块的滤波后DCT系数矩阵中坐标位置为(i,j)处的滤波后DCT系数记为K′_L,dis[i,j,m,n]，将R_dis中坐标位置为(m,n)的图像块的滤波后DCT系数矩阵中坐标位置为(i,j)处的滤波后DCT系数记为K′_R,dis[i,j,m,n]。

②-6、采用与步骤②-3相同的系数重组方式，分别对L_dis和R_dis中的所有图像块的滤波后DCT系数矩阵中的所有滤波后DCT系数进行系数重组，得到L_dis和R_dis各自对应的10个各不相同的滤波后重组系数矩阵，将L_dis对应的第n'个滤波后重组系数矩阵记为

将R_dis对应的第n'个滤波后重组系数矩阵记为

其中，L_dis中的所有图像块的滤波后DCT系数矩阵中相同坐标位置的滤波后DCT系数位于同一个滤波后重组系数矩阵中，R_dis中的所有图像块的滤波后DCT系数矩阵中相同坐标位置的滤波后DCT系数位于同一个滤波后重组系数矩阵中，1≤n'≤10。

②-7、根据L_dis或R_dis各自对应的10个滤波后重组系数矩阵中的所有滤波后DCT系数，计算第二敏感度阈值，记为T2，

其中，α为敏感度阈值调节因子，实验中取α=3，1≤k≤10，1≤l≤L_k，此处L_k表示L_dis或R_dis各自对应的10个滤波后重组系数矩阵中的第k个滤波后重组系数矩阵中滤波后DCT系数的总个数，表示L_dis或R_dis各自对应的10个滤波后重组系数矩阵中的第k个滤波后重组系数矩阵中的第l个滤波后DCT系数，符号“||”为取绝对值符号。

②-8、将L_dis和R_dis各自对应的每个滤波后重组系数矩阵中值大于第二敏感度阈值T2的滤波后DCT系数确定为视觉敏感度系数，然后计算L_dis和R_dis各自对应的每个滤波后重组系数矩阵中视觉敏感度系数所占的比重，将L_dis对应的第n'个滤波后重组系数矩阵

中视觉敏感度系数所占的比重记为

将R_dis对应的第n'个滤波后重组系数矩阵中视觉敏感度系数所占的比重记为

其中，表示L_dis对应的第n'个滤波后重组系数矩阵中视觉敏感度系数的个数，D^L(n')表示L_dis对应的第n'个滤波后重组系数矩阵中滤波后DCT系数的总个数，

表示R_dis对应的第n'个滤波后重组系数矩阵中视觉敏感度系数的个数，D^R(n')表示R_dis对应的第n'个滤波后重组系数矩阵

中滤波后DCT系数的总个数。

②-9、检测嵌入到S_dis中的第一数字水印信息，然后对检测到的第一数字水印信息进行解码和反量化，解码反量化得到步骤①-9嵌入的L_org对应的每个重组系数矩阵与R_org对应的每个重组系数矩阵的差值绝对值矩阵的均值和标准差，接着采用Canberra距离对S_dis进行纹理相似度度量，得到S_dis的立体感知值，记为Q_disp， $Q_{\mathrm{disp}}=\frac{\underset{n^{\′}=1}{\overset{10}{\mathrm{\Σ}}}{w}_{n^{\′}}\left(\right|{\mathrm{\μ}}_r^{n^{\′}}+{\mathrm{\μ}}_d^{n^{\′}}|+{|\mathrm{\σ}}_r^{n^{\′}}-{\mathrm{\σ}}_d^{n^{\′}}|)}{\underset{n^{\′}=1}{\overset{10}{\mathrm{\Σ}}}{w}_{n^{\′}}({\mathrm{\μ}}_r^{n^{\′}}+{\mathrm{\μ}}_d^{n^{\′}}+{\mathrm{\σ}}_r^{n^{\′}}+{\mathrm{\σ}}_d^{n^{\′}})},$ 其中，

和

分别表示步骤①-9嵌入的L_org对应的第n'个重组系数矩阵

与R_org对应的第n'个重组系数矩阵

的差值绝对值矩阵

的均值和标准差，w_n'表示权值，

符号“||”为取绝对值符号。

检测嵌入到L_dis中的第二数字水印信息，然后对检测到的第二数字水印信息进行解码和反量化，解码反量化得到步骤①-9嵌入的L_org对应的每个滤波后重组系数矩阵中视觉敏感度系数所占的比重，接着计算左视点质量分数，记为

其中，Q₀为动态调节因子，实验中取Q₀=0.1，

表示步骤①-9嵌入的L_org对应的第n'个滤波后重组系数矩阵

中视觉敏感度系数所占的比重，符号“||”为取绝对值符号。

检测嵌入到R_dis中的第三数字水印信息，然后对检测到的第三数字水印信息进行解码，解码反量化得到步骤①-9嵌入的R_org对应的每个滤波后重组系数矩阵中视觉敏感度系数所占的比重，接着计算右视点质量分数，记为

其中，

表示步骤①-9嵌入的R_org对应的第n'个滤波后重组系数矩阵中视觉敏感度系数所占的比重。

②-10、根据

和

计算S_dis的视点质量分数，记为Q_view，

②-11、采用n''幅原始的无失真的立体图像，建立其在不同失真类型不同失真程度下的失真立体图像集合，该失真立体图像集合包括多幅失真立体图像，利用主观质量评价方法分别评价出该失真立体图像集合中的每幅失真立体图像的主观评分，将该失真立体视频集合中的第j幅失真立体图像的主观评分记为DMOS_j，其中，n''>1，0≤DMOS_j≤100；然后按照步骤①-1至步骤②-10计算Q_disp和Q_view的操作，以相同的方式计算该失真立体图像集合中的每幅失真立体图像的立体感知值和视点质量分数，将该失真立体图像集合中的第j幅失真立体图像的立体感知值记为Q_disp(j)，将该失真立体图像集合中的第j幅失真立体图像的视点质量分数记为Q_view(j)，其中，1≤j≤N'，N'表示该失真立体图像集合中包含的失真立体图像的幅数；再由该失真立体图像集合中的每幅失真立体图像的立体感知值和视点质量分数构成该失真立体图像集合中的每幅失真立体图像的质量分数，将该失真立体视频集合中的第j幅失真立体图像的质量分数记为x_j，x_j=[Q_disp(j),Q_view(j)]，其中，此处[Q_disp(j),Q_view(j)]表示该失真立体图像集合中的第j幅失真立体图像的立体感知值和视点质量分数组成的向量矩阵。

②-12、支持向量回归（Support Vector Regression，SVR）是基于结构风险最小化准则的新型机器学习方法和统计学理论，其可以有效地抑制过拟合问题，因此本发明将该失真立体图像集合中的所有失真立体图像分成训练集和测试集，然后利用支持向量回归对训练集中的所有失真立体图像的质量分数和主观评分进行训练，使得经过训练得到的回归函数值与主观评分之间的误差最小，拟合得到最优的权值矢量W^opt和最优的偏置项b^opt，接着利用W^opt和b^opt构造得到支持向量回归训练模型，再根据支持向量回归训练模型，对测试集中的每幅失真立体图像的质量分数进行测试，预测得到测试集中的每幅失真立体图像的客观质量评价预测值，将测试集中的第k'幅失真立体图像的客观质量评价预测值记为Q_k'，Q_k'=f(x_k')，

其中，1≤k'≤t'，t'表示测试集中包含的失真立体图像的幅数，f()为函数表示形式，x_k′=[Q_disp(k′),Q_view(k′)]，x_k'表示测试集中的第k'幅失真立体图像的质量分数，Q_k'是测试集中的第k'幅失真立体图像的质量分数x_k'的函数，(W^opt)^T为W^opt的转置矢量，

为x_k'的线性函数。在此，可从该失真立体图像集合中随机选取一半失真立体图像构成训练集，而剩余的失真立体图像则构成测试集。

在此具体实施例中，在步骤①-3中将L_org和R_org分别作为待处理图像，步骤②-3中将L_dis和R_dis分别作为待处理图像，则对待处理图像中的所有图像块的DCT系数矩阵中的所有DCT系数进行系数重组的具体过程为：提取出待处理图像中的所有图像块的DCT系数矩阵中坐标位置为(1,1)的DCT系数，并按序（可按各图像块在待处理图像中的坐标位置的顺序）构成第1个重组系数矩阵；提取出待处理图像中的所有图像块的DCT系数矩阵中坐标位置为(1,2)的DCT系数，并按序（可按各图像块在待处理图像中的坐标位置的顺序）构成第2个重组系数矩阵；提取出待处理图像中的所有图像块的DCT系数矩阵中坐标位置为(2,1)的DCT系数，并按序（可按各图像块在待处理图像中的坐标位置的顺序）构成第3个重组系数矩阵；提取出待处理图像中的所有图像块的DCT系数矩阵中坐标位置为(2,2)的DCT系数，并按序（可按各图像块在待处理图像中的坐标位置的顺序）构成第4个重组系数矩阵；提取出待处理图像中的所有图像块的DCT系数矩阵中横坐标为1≤i≤2且纵坐标为3≤j≤4的所有DCT系数，并按序（可按各图像块在待处理图像中的坐标位置的顺序，而在一个图像块的DCT系数矩阵中的多个DCT系数按DCT系数在该图像块的DCT系数矩阵中的坐标位置的顺序）构成第5个重组系数矩阵；提取出待处理图像中的所有图像块的DCT系数矩阵中横坐标为3≤i≤4且纵坐标为1≤j≤2的所有DCT系数，并按序构成第6个重组系数矩阵；提取出待处理图像中的所有图像块的DCT系数矩阵中横坐标为3≤i≤4且纵坐标为3≤j≤4的所有DCT系数，并按序构成第7个重组系数矩阵；提取出待处理图像中的所有图像块的DCT系数矩阵中横坐标为1≤i≤4且纵坐标为5≤j≤8的所有DCT系数，并按序构成第8个重组系数矩阵；提取出待处理图像中的所有图像块的DCT系数矩阵中横坐标为5≤i≤8且纵坐标为1≤j≤4的所有DCT系数，并按序构成第9个重组系数矩阵；提取出待处理图像中的所有图像块的DCT系数矩阵中横坐标为5≤i≤8且纵坐标为5≤j≤8的所有DCT系数，并按序构成第10个重组系数矩阵。

在此具体实施例中，在步骤①-6中将L_org和R_org分别作为待处理图像，则对待处理图像中的所有图像块的滤波后DCT系数矩阵中的所有滤波后DCT系数进行系数重组的具体过程，与步骤①-3中对待处理图像中的所有图像块的DCT系数矩阵中的所有DCT系数进行系数重组的具体过程相同，在步骤②-6中将L_dis和R_dis分别作为待处理图像，则对待处理图像中的所有图像块的滤波后DCT系数矩阵中的所有滤波后DCT系数进行系数重组的具体过程，与步骤②-3中对待处理图像中的所有图像块的DCT系数矩阵中的所有DCT系数进行系数重组的具体过程相同，即提取出待处理图像中的所有图像块的滤波后DCT系数矩阵中坐标位置为(1,1)的滤波后DCT系数，并按序（可按各图像块在待处理图像中的坐标位置的顺序）构成第1个滤波后重组系数矩阵；提取出待处理图像中的所有图像块的滤波后DCT系数矩阵中坐标位置为(1,2)的滤波后DCT系数，并按序（可按各图像块在待处理图像中的坐标位置的顺序）构成第2个滤波后重组系数矩阵；提取出待处理图像中的所有图像块的滤波后DCT系数矩阵中坐标位置为(2,1)的滤波后DCT系数，并按序（可按各图像块在待处理图像中的坐标位置的顺序）构成第3个滤波后重组系数矩阵；提取出待处理图像中的所有图像块的滤波后DCT系数矩阵中坐标位置为(2,2)的滤波后DCT系数，并按序（可按各图像块在待处理图像中的坐标位置的顺序）构成第4个滤波后重组系数矩阵；提取出待处理图像中的所有图像块的滤波后DCT系数矩阵中横坐标为1≤i≤2且纵坐标为3≤j≤4的所有滤波后DCT系数，并按序（可按各图像块在待处理图像中的坐标位置的顺序，而在一个图像块的滤波后DCT系数矩阵中的多个滤波后DCT系数按滤波后DCT系数在该图像块的的滤波后DCT系数矩阵中的坐标位置的顺序）构成第5个滤波后重组系数矩阵；提取出待处理图像中的所有图像块的滤波后DCT系数矩阵中横坐标为3≤i≤4且纵坐标为1≤j≤2的所有滤波后DCT系数，并按序构成第6个滤波后重组系数矩阵；提取出待处理图像中的所有图像块的滤波后DCT系数矩阵中横坐标为3≤i≤4且纵坐标为3≤j≤4的所有滤波后DCT系数，并按序构成第7个滤波后重组系数矩阵；提取出待处理图像中的所有图像块的滤波后DCT系数矩阵中横坐标为1≤i≤4且纵坐标为5≤j≤8的所有滤波后DCT系数，并按序构成第8个滤波后重组系数矩阵；提取出待处理图像中的所有图像块的滤波后DCT系数矩阵中横坐标为5≤i≤8且纵坐标为1≤j≤4的所有滤波后DCT系数，并按序构成第9个滤波后重组系数矩阵；提取出待处理图像中的所有图像块的滤波后DCT系数矩阵中横坐标为5≤i≤8且纵坐标为5≤j≤8的所有滤波后DCT系数，并按序构成第10个滤波后重组系数矩阵。

以下为对本发明方法进行实验验证，以说明本发明方法的有效性和可行性。在本实施例中采用宁波大学立体图像测试库中的12幅高清彩色原始的无失真的立体图像及其对应的失真的立体图像，12幅原始的无失真的立体图像的左视点图像分别如图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；该立体图像测试库分别对原始的无失真的立体图像进行不同等级的JPEG2000压缩、JPEG压缩、高斯模糊（Gblur）、高斯白噪声（WN）和H.264编码（H.264)压缩等5种失真处理，共得到312对失真的立体图像，同时还给出了每对失真的立体图像的主观评分（DMOS，Difference Mean Opinion Score），DMOS值由观测者给出的评分值得到，DMOS值越小，表示立体图像主观感知质量越好。为测试本发明方法的性能，设计了以下实验验证本发明方法的可行性和有效性，并说明嵌入水印的透明性和鲁棒性。

为了更好的说明本发明方法的性能，选用3个性能评价指标来衡量测试的失真立体图像的客观质量评价预测值和DMOS的相关性、一致性及误差：其一为客观评价值经非线性回归分析后得到的客观质量评价预测值与DMOS的相关系数（CorrelationCoefficient，CC），该指标反映预测精确；其二为客观质量评价预测值与DMOS的Spearman相关系数（Rank-Order Correlation Coefficient，ROCC），该指标反映预测单调性；其三为客观质量评价预测值与DMOS的均方根误差（Root mean squared error，RMSE），该指标反映了预测误差；其中，CC值和ROCC值的绝对值越接近于1，而RMSE值越小，说明性能越好。在SVR训练和测试实验中选取Horse、Akko&Kayo、Lovebird1和Newspaper的各类失真的立体图像作为训练立体图像，剩下的失真的立体图像作为测试立体图像。各类性能指标如表3所列。利用本发明方法得到的客观质量评价预测值与人眼主观评分DMOS之间的相关性是很高的，表3给出了非线性回归条件下的Pearson相关系数CC、Spearman相关系数ROCC和均方根误差RMSE的性能指标，实验结果表明利用本发明方法所得到的客观质量评价预测值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和可行性。

表3本实施例得到的失真的立体图像的客观质量评价预测值与主观评分之间的相关性

	所有失真类型	JPEG2000	JPEG	WN	Gblur	H.264
							CC	0.9077	0.9626	0.8996	0.9139	0.9730	0.9214
ROCC	0.9239	0.9546	0.9068	0.8362	0.9702	0.8793
							RMSE	7.1832	3.2670	6.1273	6.1258	4.9489	5.3019

Claims (5)

1.一种基于数字水印的立体图像质量客观评价方法，其特征在于包括以下步骤：

①-1、在发送端，令S_org表示原始的无失真的立体图像，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L_org和R_org分别分割成

个互不重叠的尺寸大小为8×8的图像块，其中，此处M为L_org和R_org的宽度，N为L_org和R_org的高度；

①-2、对L_org和R_org中的每个图像块进行离散余弦变换，得到L_org和R_org中的每个图像块的DCT系数矩阵；

①-3、分别对L_org和R_org中的所有图像块的DCT系数矩阵中的所有DCT系数进行系数重组，得到L_org和R_org各自对应的10个各不相同的重组系数矩阵，将L_org对应的第n'个重组系数矩阵记为

将R_org对应的第n'个重组系数矩阵记为

其中，L_org中的所有图像块的DCT系数矩阵中相同坐标位置处的DCT系数位于同一个重组系数矩阵中，R_org中的所有图像块的DCT系数矩阵中相同坐标位置处的DCT系数位于同一个重组系数矩阵中，1≤n'≤10；

①-4、计算L_org对应的每个重组系数矩阵与R_org对应的每个重组系数矩阵的差值绝对值矩阵，将L_org对应的第n'个重组系数矩阵与R_org对应的第n'个重组系数矩阵的差值绝对值矩阵记为

将

中的第l个DCT系数记为

然后计算L_org对应的每个重组系数矩阵与R_org对应的每个重组系数矩阵的差值绝对值矩阵的均值和标准差，将的均值和标准差分别记为和

${\mathrm{\μ}}_r^{n^{\′}}=\frac{1}{L_{n^{\′}}}\underset{l=1}{\overset{L_{n^{\′}}}{\mathrm{\Σ}}}{D}_{\mathrm{org}}^{n^{\′}}\left(l\right),$ ${\mathrm{\σ}}_r^{n^{\′}}=\sqrt{\frac{1}{L_{n^{\′}}-1}\underset{l=1}{\overset{L_{n^{\′}}}{\mathrm{\Σ}}}{(D_{\mathrm{org}}^{n^{\′}}\left(l\right)-{\mathrm{\μ}}_r^{n^{\′}})}^2};$ 其中，

表示

中的第l个DCT系数，

表示

中的第l个DCT系数，符号“||”为取绝对值符号，1≤l≤L_n'，在此L_n'表示

或

中DCT系数的总个数；

①-5、利用Watson敏感度算子分别对L_org和R_org中的每个图像块的DCT系数矩阵中的所有DCT系数进行滤波处理，得到L_org和R_org中的每个图像块的滤波后DCT系数矩阵；

①-6、采用与步骤①-3相同的系数重组方式，分别对L_org和R_org中的所有图像块的滤波后DCT系数矩阵中的所有滤波后DCT系数进行系数重组，得到L_org和R_org各自对应的10个各不相同的滤波后重组系数矩阵，将L_org对应的第n'个滤波后重组系数矩阵记为将R_org对应的第n'个滤波后重组系数矩阵记为

其中，L_org中的所有图像块的滤波后DCT系数矩阵中相同坐标位置的滤波后DCT系数位于同一个滤波后重组系数矩阵中，R_org中的所有图像块的滤波后DCT系数矩阵中相同坐标位置的滤波后DCT系数位于同一个滤波后重组系数矩阵中，1≤n'≤10；

①-7、根据L_org或R_org各自对应的10个滤波后重组系数矩阵中的所有滤波后DCT系数，计算第一敏感度阈值，记为T1，

其中，α为敏感度阈值调节因子，1≤k≤10，1≤l≤L_k，此处L_k表示L_org或R_org各自对应的10个滤波后重组系数矩阵中的第k个滤波后重组系数矩阵中滤波后DCT系数的总个数，表示L_org或R_org各自对应的10个滤波后重组系数矩阵中的第k个滤波后重组系数矩阵中的第l个滤波后DCT系数，符号“||”为取绝对值符号；

①-8、将L_org和R_org各自对应的每个滤波后重组系数矩阵中值大于第一敏感度阈值T1的滤波后DCT系数确定为视觉敏感度系数，然后计算L_org和R_org各自对应的每个滤波后重组系数矩阵中视觉敏感度系数所占的比重，将L_org对应的第n'个滤波后重组系数矩阵

中视觉敏感度系数所占的比重记为

将R_org对应的第n'个滤波后重组系数矩阵

中视觉敏感度系数所占的比重记为

其中，

表示L_org对应的第n'个滤波后重组系数矩阵

中视觉敏感度系数的个数，RL(n')表示L_org对应的第n'个滤波后重组系数矩阵

中滤波后DCT系数的总个数，

表示R_org对应的第n'个滤波后重组系数矩阵

中视觉敏感度系数的个数，R^R(n')表示R_org对应的第n'个滤波后重组系数矩阵

中滤波后DCT系数的总个数；

①-9、将L_org对应的每个重组系数矩阵与R_org对应的每个重组系数矩阵的差值绝对值矩阵的均值和标准差，经量化编码后作为第一数字水印信息；将L_org对应的每个滤波后重组系数矩阵中视觉敏感度系数所占的比重，经量化编码后作为第二数字水印信息；将R_org对应的每个滤波后重组系数矩阵中视觉敏感度系数所占的比重，经量化编码后作为第三数字水印信息；然后利用抖动调制数字水印嵌入方法，将第一数字水印信息分别嵌入L_org对应的第4个重组系数矩阵

和R_org对应的第4个重组系数矩阵

将第二数字水印信息分别嵌入L_org对应的第5个重组系数矩阵

和R_org对应的第5个重组系数矩阵

将第三数字水印信息分别嵌入L_org对应的第6个重组系数矩阵

和R_org对应的第6个重组系数矩阵

得到含数字水印的立体图像；

①-10、发送端将含数字水印的立体图像发送给接收端；

②-1、在接收端，令S_dis表示接收到的待评价的失真的含数字水印的立体图像，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；将L_dis和R_dis分别分割成

个互不重叠的尺寸大小为8×8的图像块，其中，此处M为L_dis和R_dis的宽度，N为L_dis和R_dis的高度；

②-2、对L_dis和R_dis中的每个图像块进行离散余弦变换，得到L_dis和R_dis中的每个图像块的DCT系数矩阵；

②-3、分别对L_dis和R_dis中的所有图像块的DCT系数矩阵中的所有DCT系数进行系数重组，得到L_dis和R_dis各自对应的10个各不相同的重组系数矩阵，将L_dis对应的第n'个重组系数矩阵记为

将R_dis对应的第n'个重组系数矩阵记为其中，L_dis中的所有图像块的DCT系数矩阵中相同坐标位置处的DCT系数位于同一个重组系数矩阵中，R_dis中的所有图像块的DCT系数矩阵中相同坐标位置处的DCT系数位于同一个重组系数矩阵中，1≤n'≤10；

②-4、计算L_dis对应的每个重组系数矩阵与R_dis对应的每个重组系数矩阵的差值绝对值矩阵，将L_dis对应的第n'个重组系数矩阵

与R_dis对应的第n'个重组系数矩阵

的差值绝对值矩阵记为

将

中的第l个DCT系数记为

然后计算Ldis的每个重组系数矩阵与R_dis的每个重组系数矩阵的差值绝对值矩阵的均值和标准差，将

的均值和标准差分别记为和

${\mathrm{\μ}}_d^{n^{\′}}=\frac{1}{L_{n^{\′}}}\underset{l=1}{\overset{L_{n^{\′}}}{\mathrm{\Σ}}}{D}_{\mathrm{dis}}^{n^{\′}}\left(l\right),$ ${\mathrm{\σ}}_d^{n^{\′}}=\sqrt{\frac{1}{L_{n^{\′}}-1}\underset{l=1}{\overset{L_{n^{\′}}}{\mathrm{\Σ}}}{(D_{\mathrm{dis}}^{n^{\′}}\left(l\right)-{\mathrm{\μ}}_d^{n^{\′}})}^2};$ 其中，

表示

中的第l个DCT系数，

表示中的第l个DCT系数，符号“||”为取绝对值符号，1≤l≤L_n'，在此L_n'表示或

中DCT系数的总个数；

②-5、利用Watson敏感度算子分别对L_dis和R_dis中的每个图像块的DCT系数矩阵中的所有DCT系数进行滤波处理，得到L_dis和R_dis中的每个图像块的滤波后DCT系数矩阵；

②-6、采用与步骤②-3相同的系数重组方式，分别对L_dis和R_dis中的所有图像块的滤波后DCT系数矩阵中的所有滤波后DCT系数进行系数重组，得到L_dis和R_dis各自对应的10个各不相同的滤波后重组系数矩阵，将L_dis对应的第n'个滤波后重组系数矩阵记为

将R_dis对应的第n'个滤波后重组系数矩阵记为其中，L_dis中的所有图像块的滤波后DCT系数矩阵中相同坐标位置的滤波后DCT系数位于同一个滤波后重组系数矩阵中，R_dis中的所有图像块的滤波后DCT系数矩阵中相同坐标位置的滤波后DCT系数位于同一个滤波后重组系数矩阵中，1≤n'≤10；

②-7、根据L_dis或R_dis各自对应的10个滤波后重组系数矩阵中的所有滤波后DCT系数，计算第二敏感度阈值，记为T2，

其中，α为敏感度阈值调节因子，1≤k≤10，1≤l≤L_k，此处L_k表示L_dis或R_dis各自对应的10个滤波后重组系数矩阵中的第k个滤波后重组系数矩阵中滤波后DCT系数的总个数，

表示L_dis或R_dis各自对应的10个滤波后重组系数矩阵中的第k个滤波后重组系数矩阵中的第l个滤波后DCT系数，符号“”为取绝对值符号；

②-8、将L_dis和R_dis各自对应的每个滤波后重组系数矩阵中值大于第二敏感度阈值T2的滤波后DCT系数确定为视觉敏感度系数，然后计算L_dis和R_dis各自对应的每个滤波后重组系数矩阵中视觉敏感度系数所占的比重，将L_dis对应的第n'个滤波后重组系数矩阵

中视觉敏感度系数所占的比重记为

将R_dis对应的第n'个滤波后重组系数矩阵

中视觉敏感度系数所占的比重记为

其中，

表示L_dis对应的第n'个滤波后重组系数矩阵

中视觉敏感度系数的个数，D^L(n')表示L_dis对应的第n'个滤波后重组系数矩阵

中滤波后DCT系数的总个数，

表示R_dis对应的第n'个滤波后重组系数矩阵

中视觉敏感度系数的个数，D^R(n')表示R_dis对应的第n'个滤波后重组系数矩阵

中滤波后DCT系数的总个数；

②-9、检测嵌入到S_dis中的第一数字水印信息，然后对检测到的第一数字水印信息进行解码和反量化，解码反量化得到发送端嵌入的L_org对应的每个重组系数矩阵与R_org对应的每个重组系数矩阵的差值绝对值矩阵的均值和标准差，接着采用Canberra距离对S_dis进行纹理相似度度量，得到S_dis的立体感知值，记为Q_disp， $Q_{\mathrm{disp}}=\frac{\underset{n^{\′}=1}{\overset{10}{\mathrm{\Σ}}}{w}_{n^{\′}}\left(\right|{\mathrm{\μ}}_r^{n^{\′}}+{\mathrm{\μ}}_d^{n^{\′}}|+{|\mathrm{\σ}}_r^{n^{\′}}-{\mathrm{\σ}}_d^{n^{\′}}|)}{\underset{n^{\′}=1}{\overset{10}{\mathrm{\Σ}}}{w}_{n^{\′}}({\mathrm{\μ}}_r^{n^{\′}}+{\mathrm{\μ}}_d^{n^{\′}}+{\mathrm{\σ}}_r^{n^{\′}}+{\mathrm{\σ}}_d^{n^{\′}})},$ 其中，

和

分别表示发送端嵌入的L_org对应的第n'个重组系数矩阵

与R_org对应的第n'个重组系数矩阵

的差值绝对值矩阵

的均值和标准差，w_n'表示权值，

符号“||”为取绝对值符号；

检测嵌入到L_dis中的第二数字水印信息，然后对检测到的第二数字水印信息进行解码和反量化，解码反量化得到发送端嵌入的L_org对应的每个滤波后重组系数矩阵中视觉敏感度系数所占的比重，接着计算左视点质量分数，记为

其中，Q₀为动态调节因子，

表示发送端嵌入的L_org对应的第n'个滤波后重组系数矩阵中视觉敏感度系数所占的比重，符号“||”为取绝对值符号；

检测嵌入到R_dis中的第三数字水印信息，然后对检测到的第三数字水印信息进行解码，解码反量化得到发送端嵌入的R_org对应的每个滤波后重组系数矩阵中视觉敏感度系数所占的比重，接着计算右视点质量分数，记为

其中，

表示发送端嵌入的R_org对应的第n'个滤波后重组系数矩阵

中视觉敏感度系数所占的比重；

②-10、根据

和

计算S_dis的视点质量分数，记为Q_view，

②-11、采用n''幅原始的无失真的立体图像，建立其在不同失真类型不同失真程度下的失真立体图像集合，该失真立体图像集合包括多幅失真立体图像，利用主观质量评价方法分别评价出该失真立体图像集合中的每幅失真立体图像的主观评分，将该失真立体视频集合中的第j幅失真立体图像的主观评分记为DMOS_j，其中，n''>1，0≤DMOS_j≤100；然后按照步骤①-1至步骤②-10计算Q_disp和Q_view的操作，以相同的方式计算该失真立体图像集合中的每幅失真立体图像的立体感知值和视点质量分数，将该失真立体图像集合中的第j幅失真立体图像的立体感知值记为Q_disp(j)，将该失真立体图像集合中的第j幅失真立体图像的视点质量分数记为Q_view(j)，其中，1≤j≤N'，N'表示该失真立体图像集合中包含的失真立体图像的幅数；再由该失真立体图像集合中的每幅失真立体图像的立体感知值和视点质量分数构成该失真立体图像集合中的每幅失真立体图像的质量分数，将该失真立体视频集合中的第j幅失真立体图像的质量分数记为x_j，x_j=[Q_disp(j),Q_view(j)]，其中，此处[Q_disp(j),Q_view(j)]表示该失真立体图像集合中的第j幅失真立体图像的立体感知值和视点质量分数组成的向量矩阵；

②-12、将该失真立体图像集合中的所有失真立体图像分成训练集和测试集，然后利用支持向量回归对训练集中的所有失真立体图像的质量分数和主观评分进行训练，使得经过训练得到的回归函数值与主观评分之间的误差最小，拟合得到最优的权值矢量W^opt和最优的偏置项b^opt，接着利用W^opt和b^opt构造得到支持向量回归训练模型，再根据支持向量回归训练模型，对测试集中的每幅失真立体图像的质量分数进行测试，预测得到测试集中的每幅失真立体图像的客观质量评价预测值，将测试集中的第k'幅失真立体图像的客观质量评价预测值记为Q_k'，Q_k'=f(x_k')，其中，1≤k'≤t'，t'表示测试集中包含的失真立体图像的幅数，f()为函数表示形式，x_k′=[Q_disp(k′),Q_view(k′)]，x_k'表示测试集中的第k'幅失真立体图像的质量分数，Q_k'是测试集中的第k'幅失真立体图像的质量分数x_k'的函数，(W^opt)^T为W^opt的转置矢量，

为x_k'的线性函数。

2.根据权利要求1所述的一种基于数字水印的立体图像质量客观评价方法，其特征在于所述的步骤①-3中将L_org和R_org分别作为待处理图像，所述的步骤②-3中将L_dis和R_dis分别作为待处理图像，则对待处理图像中的所有图像块的DCT系数矩阵中的所有DCT系数进行系数重组的具体过程为：提取出待处理图像中的所有图像块的DCT系数矩阵中坐标位置为(1,1)的DCT系数，并按序构成第1个重组系数矩阵；提取出待处理图像中的所有图像块的DCT系数矩阵中坐标位置为(1,2)的DCT系数，并按序构成第2个重组系数矩阵；提取出待处理图像中的所有图像块的DCT系数矩阵中坐标位置为(2,1)的DCT系数，并按序构成第3个重组系数矩阵；提取出待处理图像中的所有图像块的DCT系数矩阵中坐标位置为(2,2)的DCT系数，并按序构成第4个重组系数矩阵；提取出待处理图像中的所有图像块的DCT系数矩阵中横坐标为1≤i≤2且纵坐标为3≤j≤4的所有DCT系数，并按序构成第5个重组系数矩阵；提取出待处理图像中的所有图像块的DCT系数矩阵中横坐标为3≤i≤4且纵坐标为1≤j≤2的所有DCT系数，并按序构成第6个重组系数矩阵；提取出待处理图像中的所有图像块的DCT系数矩阵中横坐标为3≤i≤4且纵坐标为3≤j≤4的所有DCT系数，并按序构成第7个重组系数矩阵；提取出待处理图像中的所有图像块的DCT系数矩阵中横坐标为1≤i≤4且纵坐标为5≤j≤8的所有DCT系数，并按序构成第8个重组系数矩阵；提取出待处理图像中的所有图像块的DCT系数矩阵中横坐标为5≤i≤8且纵坐标为1≤j≤4的所有DCT系数，并按序构成第9个重组系数矩阵；提取出待处理图像中的所有图像块的DCT系数矩阵中横坐标为5≤i≤8且纵坐标为5≤j≤8的所有DCT系数，并按序构成第10个重组系数矩阵。

3.根据权利要求2所述的一种基于数字水印的立体图像质量客观评价方法，其特征在于所述的步骤①-6中将L_org和R_org分别作为待处理图像，则对待处理图像中的所有图像块的滤波后DCT系数矩阵中的所有滤波后DCT系数进行系数重组的具体过程，与所述的步骤①-3中对待处理图像中的所有图像块的DCT系数矩阵中的所有DCT系数进行系数重组的具体过程相同；所述的步骤②-6中将L_dis和R_dis分别作为待处理图像，则对待处理图像中的所有图像块的滤波后DCT系数矩阵中的所有滤波后DCT系数进行系数重组的具体过程，与所述的步骤②-3中对待处理图像中的所有图像块的DCT系数矩阵中的所有DCT系数进行系数重组的具体过程相同。

4.根据权利要求1至3中任一项所述的一种基于数字水印的立体图像质量客观评价方法，其特征在于所述的步骤①-7和所述的步骤②-7中取α=3。

5.根据权利要求4所述的一种基于数字水印的立体图像质量客观评价方法，其特征在于所述的步骤②-9中取Q₀=0.1。

Images