1. 一种基于广义回归神经网络的无参考立体图像质量评价方法，其特征在于包括W下 步骤： ① 令Sdi康示待评价的失真立体图像，将Sdis的左视点图像记为{Ldis(x，y)}，将Sdis的右 视点图像记为{Rdis(x，y)}，其中，l《x《W，l《y《H，W表示Sdis的宽度，H表示Sdis的高度，Ldis (x，y)表示lLdis(x，y)}中坐标位置为(x，y)的像素点的像素值，Rdis(x，y)表示{Rdis(x，y)}中 坐标位置为(X，y)的像素点的像素值； ② 分别对化 dis(x，yM和{Rdis(x，y)}实施log-Gabor 滤波，得到化 dis(x，yM和{Rdis(x, y)}各自的幅值图像和相位图像，将化dis(x，y)}的幅值图像和相位图像对应记为{GL_dis(x， y)}和{PL_dis (X，y)}，将{Rdis (X，y)}的幅值图像和相位图像对应记为{GR_dis (X，y)}和{PR_dis (x，y)}，其中，GL_dis(x，y)表示{GL_dis(x，y)}中坐标位置为(x，y)的像素点的像素值，PL_dis (x，y)表示{PL_dis(x，y)}中坐标位置为(x，y)的像素点的像素值，GR_dis(x，y)表示{GR_dis(x， y)}中坐标位置为(x，y)的像素点的像素值，PR_dis(x，y)表示{PR_dis(x，y)}中坐标位置为(X， y)的像素点的像素值； ③ 采用块匹配方法计算化dis(x，y)}与{Rdis(x，y)}之间的视差图像，记为{ddis(x，y)}， 其中，ddis(x，y)表示{ddis(x，y)}中坐标位置为(x，y)的像素点的像素值； @根据搞_(^3山7)}和化_(^3估7)}、{6[?_(^3山7)}和化_(^3山7)}、{山13估7)}，计算5(^3的左 右视点双目能量图像，记为{Fdis(x，y)}，将{Fdis(x，y)}中坐标位置为(x，y)的像素点的像素值记 为Fd i S (X, y)，^^而分='怡_典梓，劝'+(&(訂d舰快.础切)'％巧__化枝片》鳥_版权中d化快拥.>〇 X.扣却館瓜州:， 其中，GR_dis(x+ddis(x，y)，y)表示{GR_dis(x，y)}中坐标位置为(x+ddis(x，y)，y)的像素点的像 素值，巧=入；-入;(4、(-、'0')0'），PR_dis (x+ddis (X，y )，y)表示{PR_dis (X，y)} 中坐标位置为(x+ddis(X，y)，y)的像素点的像素值，cos()为取余弦函数； ⑤ 采用局部二值化模式操作对{Fdis(x，y)}进行处理，得到{Fdis(x，y)}的旋转不变性局 部二值化模式图像，记为化BPriu(X，y)}，其中，LBPriu(X，y)表示{LBPriu(X，y)}中坐标位置为 (x，y)的像素点的像素值； ⑥ 根据{Fdis (X，y)}和化BPriu(X，y)}，计算Sdis的双目能量调制后的归一化直方图统计 特征向量，记为H，将Η中的第m个元素记为H(m)庚 中，Η的维数为IXn/维，π/=P+2，P表示步骤⑤中的局部二值化模式操作中的领域参数， m《n/，f〇为统计函数表示形式

⑦ 采用η"幅原始的无失真立体图像，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;然后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，将该失真立体图像集合 中的第j幅失真立体图像的主观评分记为DMOSw再按照步骤①至步骤⑥的操作，W相同的 方式获取该失真立体图像集合中的每幅失真立体图像的双目能量调制后的归一化直方图 统计特征向量，将该失真立体图像集合中的第j幅失真立体图像的双目能量调制后的归一 化直方图统计特征向量记为町；其中，n"〉l，l《j《N/，沪表示该失真立体图像集合中包含 的失真立体图像的总幅数，〇《〇10&《100，&的维数为1乂11/维，11/=?巧^表示步骤@中的 局部二值化模式操作中的领域参数； ⑧将该失真立体图像集合作为训练集;然后利用广义回归神经网络对训练集中的所有 失真立体图像各自的主观评分和双目能量调制后的归一化直方图统计特征向量进行训练， 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，得到广义回归神经网络训练 模型;再根据广义回归神经网络训练模型，对Sdis的双目能量调制后的归一化直方图统计特 征向量Η进行测试，预测得到Sdis的客观质量评价预测值。

2.根据权利要求1所述的基于广义回归神经网络的无参考立体图像质量评价方法，其 特征在于所述的步骤⑤中的局部二值化模式操作中的领域参数P取值为8、局部半径参数R 取值为1。