| 主权项 |
一种基于结构纹理稀疏表示的立体图像质量客观评价方法，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、将选取的N幅原始的无失真立体图像的左视点图像构成训练图像集，记为{L<sub>i,org</sub>|1≤i≤N}，其中，N≥1，L<sub>i,org</sub>表示{L<sub>i,org</sub>|1≤i≤N}中的第i幅图像，原始的无失真立体图像的宽度为W，原始的无失真立体图像的高度为H；①‑2、对{L<sub>i,org</sub>|1≤i≤N}中的每幅图像实施结构纹理分离，得到{L<sub>i,org</sub>|1≤i≤N}中的每幅图像的结构图像和纹理图像，将L<sub>i,org</sub>的结构图像和纹理图像对应记为<img file="FDA0000809369560000011.GIF" wi="98" he="79" />和<img file="FDA0000809369560000012.GIF" wi="142" he="78" />然后将{L<sub>i,org</sub>|1≤i≤N}中的所有图像的结构图像构成的集合记为<img file="FDA0000809369560000013.GIF" wi="381" he="93" />并将{L<sub>i,org</sub>|1≤i≤N}中的所有图像的纹理图像构成的集合记为<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><mo>{</mo><msubsup><mi>L</mi><mrow><mi>i</mi><mo>,</mo><mi>o</mi><mi>r</mi><mi>g</mi></mrow><mrow><mi>t</mi><mi>e</mi><mi>x</mi></mrow></msubsup><mo>|</mo><mn>1</mn><mo>≤</mo><mi>i</mi><mo>≤</mo><mi>N</mi><mo>}</mo><mo>;</mo></mrow>]]></math><img file="FDA0000809369560000014.GIF" wi="373" he="95" /></maths>①‑3、对<img file="FDA0000809369560000015.GIF" wi="342" he="94" />中的每幅结构图像进行非重叠的分子块处理；然后采用K‑SVD方法对<img file="FDA0000809369560000016.GIF" wi="341" he="95" />中的所有结构图像中的子块构成的集合进行字典训练操作，构造得到<img file="FDA0000809369560000017.GIF" wi="339" he="94" />的结构字典表，记为D<sub>str</sub>，其中，D<sub>str</sub>的维数为64×K，K表示设定的字典的个数，K≥1；同样，对<img file="FDA0000809369560000018.GIF" wi="342" he="95" />中的每幅纹理图像进行非重叠的分子块处理；然后采用K‑SVD方法对<img file="FDA0000809369560000019.GIF" wi="341" he="94" />中的所有纹理图像中的子块构成的集合进行字典训练操作，构造得到<img file="FDA00008093695600000110.GIF" wi="338" he="94" />的纹理字典表，记为D<sub>tex</sub>，其中，D<sub>tex</sub>的维数为64×K；所述的测试阶段过程的具体步骤如下：②‑1、对于任意一副测试立体图像S<sub>test</sub>，假设S<sub>test</sub>对应的原始的无失真立体图像为S<sub>org</sub>，其中，S<sub>test</sub>的宽度与步骤①‑1中的原始的无失真立体图像的宽度一致，S<sub>test</sub>的高度与步骤①‑1中的原始的无失真立体图像的高度一致；②‑2、按照步骤①‑2的过程，以相同的方式获取S<sub>test</sub>的左视点图像L<sub>test</sub>和右视点图像R<sub>test</sub>及S<sub>org</sub>的左视点图像L<sub>org</sub>和右视点图像R<sub>org</sub>各自的结构图像和纹理图像，将L<sub>test</sub>的结构图像和纹理图像对应记为<img file="FDA0000809369560000021.GIF" wi="79" he="71" />和<img file="FDA0000809369560000022.GIF" wi="102" he="71" />将R<sub>test</sub>的结构图像和纹理图像对应记为<img file="FDA0000809369560000023.GIF" wi="87" he="71" />和<img file="FDA0000809369560000024.GIF" wi="110" he="70" />将L<sub>org</sub>的结构图像和纹理图像对应记为<img file="FDA0000809369560000025.GIF" wi="85" he="78" />和<img file="FDA0000809369560000026.GIF" wi="109" he="78" />将R<sub>org</sub>的结构图像和纹理图像对应记为<img file="FDA0000809369560000027.GIF" wi="89" he="79" />和<img file="FDA0000809369560000028.GIF" wi="102" he="78" />②‑3、对L<sub>test</sub>和R<sub>test</sub>、<img file="FDA0000809369560000029.GIF" wi="79" he="71" />和<img file="FDA00008093695600000210.GIF" wi="214" he="71" />和<img file="FDA00008093695600000211.GIF" wi="218" he="79" />和<img file="FDA00008093695600000212.GIF" wi="215" he="79" />和<img file="FDA00008093695600000213.GIF" wi="84" he="79" />分别进行非重叠的分子块处理；然后根据在训练阶段过程构造得到的D<sub>str</sub>和D<sub>tex</sub>联合优化，获取由<img file="FDA00008093695600000214.GIF" wi="79" he="69" />中的所有子块构成的集合中的每个元素的结构稀疏系数矩阵和由<img file="FDA00008093695600000215.GIF" wi="83" he="71" />中的所有子块构成的集合中的每个元素的纹理稀疏系数矩阵、由<img file="FDA00008093695600000216.GIF" wi="87" he="70" />中的所有子块构成的集合中的每个元素的结构稀疏系数矩阵和由<img file="FDA00008093695600000217.GIF" wi="86" he="71" />中的所有子块构成的集合中的每个元素的纹理稀疏系数矩阵、由<img file="FDA00008093695600000218.GIF" wi="83" he="79" />中的所有子块构成的集合中的每个元素的结构稀疏系数矩阵和由<img file="FDA00008093695600000219.GIF" wi="82" he="79" />中的所有子块构成的集合中的每个元素的纹理稀疏系数矩阵、由<img file="FDA00008093695600000220.GIF" wi="87" he="78" />中的所有子块构成的集合中的每个元素的结构稀疏系数矩阵和由<img file="FDA00008093695600000221.GIF" wi="86" he="76" />中的所有子块构成的集合中的每个元素的纹理稀疏系数矩阵；接着根据<img file="FDA00008093695600000222.GIF" wi="78" he="70" />和<img file="FDA00008093695600000223.GIF" wi="82" he="79" />中的每个子块对应的结构稀疏系数矩阵、<img file="FDA00008093695600000224.GIF" wi="79" he="71" />和<img file="FDA00008093695600000225.GIF" wi="84" he="79" />中的每个子块对应的纹理稀疏系数矩阵，计算L<sub>test</sub>中的每个子块的局部客观评价度量值，并根据<img file="FDA00008093695600000226.GIF" wi="87" he="71" />和<img file="FDA00008093695600000227.GIF" wi="82" he="77" />中的每个子块对应的结构稀疏系数矩阵、<img file="FDA00008093695600000228.GIF" wi="86" he="71" />和<img file="FDA00008093695600000229.GIF" wi="84" he="77" />中的每个子块对应的纹理稀疏系数矩阵，计算R<sub>test</sub>中的每个子块的局部客观评价度量值；最后根据L<sub>test</sub>和R<sub>test</sub>中的部分子块的局部客观评价度量值，计算S<sub>test</sub>的图像质量客观评价预测值。 |
