1.一种无参考立体图像质量评价方法，其特征在于包括训练阶段和测试阶段两个过程；

所述的训练阶段过程的具体步骤如下：

①_1、选取N幅宽度为W且高度为H的原始的无失真立体图像，将第u幅原始的无失真立体图像记为 将 的左视点图像和右视点图像对应记为 和 然后获取每幅原始的无失真立体图像的独眼图，将 的独眼图记为 接着对每幅原始的无失真立体图像的左视点图像和右视点图像及每幅原始的无失真立体图像的独眼图分别进行L个不同失真强度的失真，将所有原始的无失真立体图像的左视点图像及各自对应的L个失真强度的失真左视点图像构成第一组训练图像集，记为 并将所有原始的无失真立体图像的右视点图像及各自对应的L个失真强度的失真右视点图像构成第二组训练图像集，记为 将所有原始的无失真立体图像的独眼图及各自 对 应的 L 个失 真强 度的 失 真 独眼图 构 成 第三 组 训练图 像 集 ，记 为其中，N＞1，1≤u≤N，L＞1，1≤v≤L， 表示 对应的第v个失真强度的失真左视点图像， 表示 对应的第v个失真强度的失真右视点图像，表示 对应的第v个失真强度的失真独眼图；

①_2、将 中的每幅失真左视点图像划分成 个互不重叠的尺寸大小为16×16的子块；然后采用两种不同的自然场景统计方法获取中的每幅失真左视点图像中的每个子块的图像特征矢量，将中的所有失真左视点图像中的第k个子块的图像特征矢量记为再将 中的所有失真左视点图像中的所有子块各自的图像特征矢量构成的集合记为

并将 中的每幅失真右视点图像划分成 个互不重叠的尺寸大小为16×16的子块；然后采用两种不同的自然场景统计方法获取中的每幅失真右视点图像中的每个子块的图像特征矢量，将中的所有失真右视点图像中的第k个子块的图像特征矢量记为 再将 中的所有失真右视点图像中的所有子块各自的图像特征矢量构成的集合记为

将 中的每幅失真独眼图划分成 个互不重叠的尺寸大小为16×16的 子块；然后采 用两 种不同的自 然场景统计方法获 取中的每幅失真独眼图中的每个子块的图像特征矢量，将中的所有失真独眼图中的第k个子块的图像特征矢量记为再将 中的所有失真独眼图中的所有子块各自的图像特征矢量构成的集合记为

其中， 1≤k≤M， 和 的维数均为72×1；

①_3、采用六种不同的全参考图像质量评价方法分别获取中的 每幅失 真左视 点图 像中的 每个 子块的 客观评 价预 测值 ；然后 将中的每幅失真左视点图像中的每个子块的6个客观评价预测值按序组成该子块的图像质量矢量，将 中的所有失真左视点图像中的第k个子块的6个客观评价预测值按序组成的图像质量矢量记为 再将中的所有失真左视点图像中的所有子块各自的图像质量矢量构成的集合记为

并采用六种不同的全参考图像质量评价方法分别获取 中的 每幅 失 真 右 视 点图 像 中的 每 个 子 块的 客 观 评 价 预 测 值 ；然 后 将中的每幅失真右视点图像中的每个子块的6个客观评价预测值按序组成该子块的图像质量矢量，将 中的所有失真右视点图像中的第k个子块的6个客观评价预测值按序组成的图像质量矢量记为 再将中的所有失真右视点图像中的所有子块各自的图像质量矢量构成的集合记为

采用六种不同的全参考图像质量评价方法分别获取 中的每幅失真独眼图中的每个子块的客观评价预测值；然后将 中的每幅失真独眼图中的每个子块的6个客观评价预测值按序组成该子块的图像质量矢量，将 中的所有失真独眼图中的第k个子块的6个客观评价预测值按序组成的图像质量矢量记为 再将 中的所有失真独眼图中的所有子块各自的图像质量矢量构成的集合记为其中， 和 的维数均为6×1；

①_4、采用K-SVD方法对由

和 构成的集合进行联合字典训练操

作，构造得到 和

各自的图像特 征字典表和图 像质量字典表 ，将的图像特征字典表和图像质量字典表对应记为DL和WL，将的图像特征字典表和图像质量字典表对应记为DR和WR，将的图像特征字典表和图像质量字典表对应记为DC和WC；其中，DL、DR和DC的维数均为72×K，WL、WR和WC的维数均为6×K，K表示设定的字典的个数，K≥1；

所述的测试阶段过程的具体步骤如下：

②_1、对于任意一幅宽度为W'且高度为H'的测试失真立体图像Stest，将Stest的左视点图像和右视点图像对应记为Ltest和Rtest；然后获取Stest的独眼图，记为Ctest；接着将Ltest、Rtest和Ctest分别划分成 个互不重叠的尺寸大小为16×16的子块；

②_2、按照步骤①_2中获取 和 的过程，以相同的操作获取Ltest、Rtest和Ctest各自中的每个子块的图像特征矢量，将Ltest中的第t个子块的图像特征矢量记为 将Rtest中的第t个子块的图像特征矢量记为 将Ctest中的第t个子块的图像特征矢量记为然后将Ltest中的所有子块各自的图像特征矢量构成的集合记为并将Rtest中的所有子块各自的图像特征矢量构成的集合记为 将Ctest中的所有子块各自的图像特征矢量构成的集合记为 其中，和 的维数均为72×1；

②_3、根据在训练阶段过程构造得到的DL、DR和DC，通过联合优化得到和 各自中的每个图像特征矢

量的稀疏系数矩阵，将 中的第t个图像特征矢量的稀疏系数矩阵记为将 中的第t个图像特征矢量的稀疏系数矩阵记为 将中的第t个图像特征矢量的稀疏系数矩阵记为 和 是通过求解 得到的；再将 中的所有图像特征矢量的稀疏系数矩阵构成的集合记为 将 中的所有图像特征矢量的稀疏系数矩阵构成的集合记为 将中的所有图像特征矢量的稀疏系数矩阵构成的集合记为 其中，和 的维数均为K×1，min()为取最小值函数，符号“|| ||F”为求取矩阵的弗罗贝尼乌斯-范数符号；

②_4、根据在训练阶段过程构造得到的WL，估计Ltest中的每个子块的图像质量矢量，将Ltest中的第t个子块的图像质量矢量记为 并根据在训练阶段过程构造得到的WR，估计Rtest中的每个子块的图像质量矢量，将Rtest中的第t个子块的图像质量矢量记为根据在训练阶段过程构造得到的WC，估计Ctest中的每个子块的图像质量矢量，将Ctest中的第t个子块的图像质量矢量记为 其中， 和 的维数均为6×1；

②_5、计算Ltest的图像质量客观评价预测值，记为qL， 并计算Rtest的R

图像质量客观评价预测值，记为q ， 计算Ctest的图像质量客观评价预测值，记为qC， 其中， 表示Ltest中的第t个子块中的所有像素点的像素值的标准差， 表示Rtest中的第t个子块中的所有像素点的像素值的标准差， 表示Ctest中的第t个子块中的所有像素点的像素值的标准差，符号“|| ||1”为求取矩阵的1-范数符号；

②_6、根据 和 中的所有

图像特征矢量的稀疏系数矩阵，获取Ltest、Rtest和Ctest各自的权重系数，对应记为 和然后计算Stest的图像质量客观评价预测值，记为Q，所述的步骤②_6中的 和 的获取过程为：a1、计算 中的所有图像特征矢量的稀疏系数矩阵的直方图，记为并计算 中的所有图像特征矢量的稀疏系数矩阵的直方图，记为计算 中的所有图像特征矢量的稀疏系数矩阵的直方图，记为其中，1≤g≤K，P表示 中的直方图节点的总数，亦表示 中的直方图节点的总数，亦表示 中的直方图节点的总数，log()表示以2为底的对数函数，1≤p≤P， 表示 中属于第g个字典分量的概率密度函数， 表示 中属于第g个字典分量的概率密度函数， 表示中属于第g个字典分量的概率密度函数， 表示 中属于第p个直方图节点的概率密度函数， 表示 中属于第p个直方图节点的概率密度函数，表示 中属于第p个直方图节点的概率密度函数， 表示 中的第g个字典分量经量化后的系数值， 表示 中的第g个字典分量经量化后的系数值， 表示 中的第g个字典分量经量化后的系数值，a2、计算 和 中的所有图像特征矢量的稀疏系数矩阵的联合直方图，记为

其中，P亦表示 中的直

方图节点的总数，1≤p1≤P，1≤p2≤P， 表示 和中属于第g个字典分量的联合概率密度函数， 表示 中属于第p1个直方图节点和第p2个直方图节点的联合概率密度函数，a3、计算Ltest、Rtest和Ctest各自的独立熵，对应记为H(Ltest)、H(Rtest)和H(Ctest)，然后计算Ltest和Rtest的联合熵，记为H(Ltest,Rtest)，a4、计算Ltest、Rtest和Ctest各自的权重系数，对应为 和

2.根据权利要求1所述的一种无参考立体图像质量评价方法，其特征在于所述的步骤①_2中的 的获取过程为：采用BRISQUE方法获取 中的所有失真左视点图像中的第k个子块的第一图像特征矢量，并采用LBP方法获取中的所有失真左视点图像中的第k个子块的第二图像特征矢量，其中，第一图像特征矢量和第二图像特征矢量的维数均为36×1；然后将中的所有失真左视点图像中的第k个子块的第一图像特征矢量和第二图像特征矢量按序组合成

所述的 步骤①_2中的 的获取过程为 ：采 用BRI SQUE方法获 取中的所有失真右视点图像中的第k个子块的第一图像特征矢量，并采用LBP方法获取 中的所有失真右视点图像中的第k个子块的第二图像特征矢量，其中，第一图像特征矢量和第二图像特征矢量的维数均为36×

1；然后将 中的所有失真右视点图像中的第k个子块的第一图像特征矢量和第二图像特征矢量按序组合成所述的 步骤①_2中的 的获取过 程为：采用BR ISQUE方法获取中的所有失真独眼图中的第k个子块的第一图像特征矢量，并采用LBP方法获取 中的所有失真独眼图中的第k个子块的第二图像特征矢量，其中，第一图像特征矢量和第二图像特征矢量的维数均为36×1；然后将中的所有失真独眼图中的第k个子块的第一图像特征矢量和第二图像特征矢量按序组合成

3.根据权利要求1或2所述的一种无参考立体图像质量评价方法，其特征在于所述的步骤①_3中采用的六种不同的全参考图像质量评价方法分别为PSNR、SSIM、PC、GM、VIF和UQI全参考图像质量评价方法。

4.根据权利要求3所述的一种无参考立体图像质量评价方法，其特征在于所述的步骤①_4中的DL、DR、DC、WL、WR和WC是采用K-SVD方法求解得到的，其中，min()为

取最小值函数，符号“|| ||F”为求取矩阵的弗罗贝尼乌斯-范数符号，符号“|| ||1”为求取矩阵的1-范数符号，XL、XR和XC的维数均为72×M， 表示中的所有失真左视点图像中的第1个子块的图像特征矢量，表示 中的所有失真左视点图像中的第M个子块的图像特征矢量， 表示 中的所有失真右视点图像中的第1个子块的图像特征矢量， 表示 中的所有失真右视点图像中的第M个子块的图像特征矢量， 表示 中的所有失真独眼图中的第1个子块的图像特征矢量， 表示 中的所有失真独眼图中的第M个子块的图像特征矢量，

YL、YR和YC的维数均为6×M，

表示 中的所有失真左视点图像中的第1个子块的6个客观评价预测值按序组成的图像质量矢量， 表示 中的所有失真左视点图像中的第M个子块的6个客观评价预测值按序组成的图像质量矢量， 表示中的所有失真右视点图像中的第1个子块的6个客观评价预测值按序组成的图像质量矢量， 表示 中的所有失真右视点图像中的第M个子块的6个客观评价预测值按序组成的图像质量矢量， 表示中的所有失真独眼图中的第1个子块的6个客观评价预测值按序组成的图像质量矢量， 表示 中的所有失真独眼图中的第M个子块的6个客观评价预测值按序组成的图像质量矢量，AL、AR和AC均为稀疏矩阵，AL、AR和AC的维数均为K×M， 为AL中的第1个列向量， 为AL中的第k个列向量， 为AL中的第M个列向量， 为AR中的第1个列向量， 为AR中的第k个列向量， 为AR中的第M个列向量， 为AC中的第1个列向量， 为AC中的第k个列向量， 为AC中的第M个列向量， 和 的维数均为K×1，符号“[]”为矢量表示符号，α为加权参数，λ为拉格朗日参数。