1.一种立体图像视觉舒适度评价方法，包括训练阶段和测试阶段两个过程，其特征在于所述的训练阶段包括以下步骤：①-1、平均选取五个不同舒适度等级的共M对立体图像对构成初始训练图像集，记为{Si|1≤i≤M}，其中，M>5，Si表示{Si|1≤i≤M}中的第i对立体图像对；

①-2、计算{Si|1≤i≤M}中的每对立体图像对的用于反映视觉舒适度的特征矢量，将{Si|1≤i≤M}中的第i对立体图像对的用于反映视觉舒适度的特征矢量记为Fi， 其中，此处符号“[]”为矢量表示符号，χi表示{Si|1≤i≤M}中的第i对立体图像对的左视点图像与右视点图像之间的视差图像中的所有像素点的视差范围， 和li对应表示{Si|1≤i≤M}中的第i对立体图像对的左视点图像与右视点图像之间的视差图像的交叉视差均值、非交叉视差均值和相对深度，和 对应表示{Si|1≤i≤M}中的第i对立体图像对的左视点图像与右视点图像之间的视差图像的焦点深度图像的正焦点深度均值和负焦点深度均值，fi、τi、υi和 表示{Si|1≤i≤M}中的第i对立体图像对的左视点图像的边缘图像的与空间频率相关的四个特征，Fi的维数为10；

①-3、从{Si|1≤i≤M}中随机选取1对舒适度高的立体图像对和1对舒适度低的立体图像对，构成一组正偏好立体图像对组和一组对应的负偏好立体图像对组，重复随机选取N次，这样共获得N组正偏好立体图像对组和N组负偏好立体图像对组，且每组正偏好立体图像对组与一组负偏好立体图像对组一一对应，将用于代表第j组正偏好立体图像对组的正偏好特征记为 将用于代表第j组负偏好立体图像对组的负偏好特征记为 再将N个正偏好特征和N个负偏好特征构成初始的偏好立体图像

对组训练集，记为 其中，从{Si|1≤i≤M}中随机选取的1

对舒适度高的立体图像对与1对舒适度低的立体图像对两者的舒适度等级至少相差两级，N≥1，1≤j≤N，Dj表示第j组正偏好立体图像对组中舒适度高的立体图像对的用于反映视觉舒适度的特征矢量 与舒适度低的立体图像对的用于反映视觉舒适度的特征矢量的差分特征矢量， Lj表示第j组正偏好立体图像对组的偏好值，Lj＝+1，Dj'表示第j组负偏好立体图像对组中舒适度低的立体图像对的用于反映视觉舒适度的特征矢量 与舒适度高的立体图像对的用于反映视觉舒适度的特征矢量 的差分特征矢量， Lj'表示第j组负偏好立体图像对组的偏好值，Lj'＝-1；

①-4、从 中随机选择T/2个正偏好特征，排除与已选择的正偏好特征相

对应的负偏好特征，从剩余的所有负偏好特征中随机选择T/2个负偏好特征，将选择的T/2个正偏好特征和T/2个负偏好特征构成偏好立体图像对组训练集，记为 其中，T取区间[2,N]内的偶数， 表示 中的第t个特征， 为正偏好特征或为负偏好特征， 表示 中的第t个特征 代表的一组正偏好立体图像对组或代表的一组负偏好立体图像对组所对应的差分特征矢量， 表示 中的第t个特征 代表的一组正偏好立体图像对组或代表的一组负偏好立体图像对组的偏好值，①-5、采用支持向量回归，对 中的所有差分特征矢量进行训练，并使得经opt过训练得到的回归函数值与偏好值之间的误差最小，得到最优的权重矢量w 和最优的偏opt opt opt置项b ，然后利用得到的最优的权重矢量w 和最优的偏置项b 构造支持向量回归训练模型，记为f(Dinp)， 其中，Dinp表示支持向量回归训练模型的输opt T opt

入矢量，(w )为w 的转置矢量， 表示支持向量回归训练模型的输入矢量Dinp的线性函数；

所述的测试阶段包括以下步骤：

②对于任意一对测试立体图像对Stest，按照步骤①-2的过程，以相同的操作获取Stest的用于反映视觉舒适度的特征矢量，记为Ftest；然后计算Ftest与{Si|1≤i≤M}中的每对立体图像对的用于反映视觉舒适度的特征矢量的差分特征矢量；接着根据训练阶段构造的支持向量回归训练模型f(Dinp)，通过对Ftest与{Si|1≤i≤M}中的每对立体图像对的用于反映视觉舒适度的特征矢量的差分特征矢量进行测试，获取Stest的客观视觉舒适度评价预测值，记为Qtest。

2.根据权利要求1所述的一种立体图像视觉舒适度评价方法，其特征在于所述的步骤①-2中{Si|1≤i≤M}中的第i对立体图像对的用于反映视觉舒适度的特征矢量的获取过程为：a1、采用视差估计算法计算{Si|1≤i≤M}中的第i对立体图像对的左视点图像与右视点图像之间的视差图像，记为{di(x,y)}，其中，1≤x≤W，1≤y≤H，此处W表示{Si|1≤i≤M}中的每对立体图像对的宽度，H表示{Si|1≤i≤M}中的每对立体图像对的高度，di(x,y)表示{di(x,y)}中坐标位置为(x,y)的像素点的像素值；

a2、采用视差转换算法计算{Si|1≤i≤M}中的第i对立体图像对的角视差图像，记为{φi(x,y)}，其中，φi(x,y)表示{φi(x,y)}中坐标位置为(x,y)的像素点的像素值，如果φi(x,y)>0，则表示{Si|1≤i≤M}中的第i对立体图像对中坐标位置为(x,y)的像素点在显示时落在屏幕前，如果φi(x,y)<0，则表示{Si|1≤i≤M}中的第i对立体图像对中坐标位置为(x,y)的像素点在显示时落在屏幕后；

a3、计算{di(x,y)}中的所有像素点的视差范围，记为χi，χi＝dmax-dmin，其中，dmax表示{di(x,y)}中的所有像素点的像素值按从大到小的顺序排序后，前1％的所有像素值的平均值；dmin表示{di(x,y)}中的所有像素点的像素值按从大到小的顺序排序后，后1％的所有像素值的平均值；

a4、计算{di(x,y)}的交叉视差均值，记为 其中， 表示由

{Si|1≤i≤M}中的第i对立体图像对在显示时落在屏幕前的所有像素点的坐标位置构成的集合，Nc表示{Si|1≤i≤M}中的第i对立体图像对在显示时落在屏幕前的所有像素点的个数；

a5、计算{di(x,y)}的非交叉视差均值，记为 其中， 表示

由{Si|1≤i≤M}中的第i对立体图像对在显示时落在屏幕后的所有像素点的坐标位置构成的集合，Nnc表示{Si|1≤i≤M}中的第i对立体图像对在显示时落在屏幕后的所有像素点的个数；

a6、计算{di(x,y)}的相对深度，记为li，

a7、计算{di(x,y)}的焦点深度图像，记为{γi(x,y)}，将{γi(x,y)}中坐标位置为(x,y)的像素点的像素值记为γi(x,y)， 其中，ρ为瞳孔直径，s为眼球的节间长度，V表示观看距离，V＝3×H'，H'为显示器的高度，Pi(x,y)表示{Si|1≤i≤M}中的第i对立体图像对中坐标位置为(x,y)的像素点的观看深度，表示{Si|1≤i≤M}中的第i对立体图像对中坐标位置为(x,y)的像素点的屏幕视差值， W'为显示器的宽度，e为两眼间

距，符号“||”为取绝对值符号；

a8、计算{γi(x,y)}的正焦点深度均值和负焦点深度均值，对应记为 和a9、采用Sobel算法提取{Si|1≤i≤M}中的第i对立体图像对的左视点图像的边缘图像，记为{SBi(x,y)}，然后计算{SBi(x,y)}的与空间频率相关的四个特征，分别记为fi、τi、υi和 其中，SBi(x,y)表示{SBi(x,y)}中坐标位置为(x,y)的像素点的像素值， 符号“||”为取绝对值符号；

a10、将χi、 li、 fi、τi、υi和 按顺序进行排列，构成

{Si|1≤i≤M}中的第i对立体图像对的用于反映视觉舒适度的特征矢量，记为Fi，其中，此处符号“[]”为矢量表示符号，Fi的维数为10。

3.根据权利要求1或2所述的一种立体图像视觉舒适度评价方法，其特征在于所述的步骤①-5的具体过程为：b1、将 中的所有差分特征矢量和偏好值构成训练样本数据集合，记为ΩT，b2、构造ΩT中的每个差分特征矢量的回归函数，将 的回归函数记为其中，f()为函数表示形式，w为权重矢量，wT为w的转置矢量，b为偏

置项， 表示 的线性函数， 为支持向量回归中的核函

数， 为 中的第t'个特征 代表的一组正偏

好立体图像对组或代表的一组负偏好立体图像对组所对应的差分特征矢量，1≤t'≤T，γ为核参数，exp()表示以自然基数e为底的指数函数，符号“|| ||”为求欧式距离符号；

b3、采用支持向量回归作为机器学习的方法，对ΩT中的所有差分特征矢量进行训练，使得经过训练得到的回归函数值与偏好值之间的误差最小，得到最优的权重矢量opt opt opt opt optw 和最优的偏置项b ，将最优的权重矢量w 和最优的偏置项b 的组合记为(w ，opt optb ) 然后利用得到的最优的权重矢量w 和最优的

opt

偏置项b 构造支持向量回归训练模型，记为f(Dinp)， 其中，

Ψ表示对ΩT中的所有差分特征矢量进行训练的所有的权重矢量和偏置项的组合的集合，表示取使得 的值最小的w和b的值，Dinp表示支持向opt T opt

量回归训练模型的输入矢量，(w )为w 的转置矢量， 表示支持向量回归训练模型的输入矢量Dinp的线性函数。

4.根据权利要求3所述的一种立体图像视觉舒适度评价方法，其特征在于所述的步骤b2中取核参数γ＝54。

5.根据权利要求4所述的一种立体图像视觉舒适度评价方法，其特征在于所述的步骤②的具体过程为：②-1、按照步骤①-2的过程，以相同的操作获取Stest的用于反映视觉舒适度的特征矢量，记为Ftest，Ftest的维数为10；

②-2、计算Ftest与{Si|1≤i≤M}中的每对立体图像对的用于反映视觉舒适度的特征矢量的差分特征矢量，将Ftest与Fi的差分特征矢量记为Di,test，Di,test＝Ftest-Fi；

②-3、根据训练阶段构造的支持向量回归训练模型f(Dinp)，对Ftest与{Si|1≤i≤M}中的每对立体图像对的用于反映视觉舒适度的特征矢量的差分特征矢量进行测试，预测得到每个差分特征矢量对应的偏好预测值，将Di,test对应的偏好预测值记为Li,test，Li,test＝f(Di,test)， 其中， 表示支持向量回归训练模型的输入矢量Di,test的线性函数；

②-4、计算Stest的偏好预测值，记为Ltest，

②-5、计算Stest的客观视觉舒适度评价预测值，记为Qtest，