1.一种基于稀疏特征相似度的立体图像质量客观评价方法，其特征在于包括字典学习阶段和质量预测阶段两个过程；

所述的字典学习阶段的具体步骤如下：

①_1、选取K幅宽度为W且高度为H的原始的无失真立体图像，将第k幅原始的无失真立体图像记为Sorg,k，将Sorg,k的左视点图像和右视点图像对应记为{Lorg,k(x,y)}和{Rorg,k(x,y)}，其中，K≥1，1≤k≤K，1≤x≤W,1≤y≤H，Lorg,k(x,y)表示{Lorg,k(x,y)}中坐标位置为(x,y)的像素点的像素值，Rorg,k(x,y)表示{Rorg,k(x,y)}中坐标位置为(x,y)的像素点的像素值；

①_2、采用一阶双目融合模型，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进行融合，得到每幅原始的无失真立体图像的一阶融合图像，将对{Lorg,k(x,y)}和{Rorg,k(x,y)}进行融合得到的Sorg,k的一阶融合图像记为{Corg,k(x,y)}，其中，Corg,k(x,y)表示{Corg,k(x,y)}中坐标位置为(x,y)的像素点的像素值；

①_3、采用K-SVD方法，对所有原始的无失真立体图像的一阶融合图像进行联合字典训练操作，得到融合图像字典表，记为{Dc(x,y)}，其中，Dc(x,y)表示{Dc(x,y)}中坐标位置为(x,y)的像素点的像素值；

并采用K-SVD方法，对所有原始的无失真立体图像的左视点图像和右视点图像进行联合字典训练操作，得到视点图像字典表，记为{Dv(x,y)}，其中，Dv(x,y)表示{Dv(x,y)}中坐标位置为(x,y)的像素点的像素值；

所述的质量预测阶段的具体步骤如下：

②_1、令Sorg表示宽度为W且高度为H的原始的无失真参考立体图像，令Sdis表示Sorg经非对称失真后得到的非对称失真立体图像，将Sdis作为待评价的非对称失真立体图像，将Sorg的左视点图像和右视点图像对应记为{Lorg(x,y)}和{Rorg(x,y)}，将Sdis的左视点图像和右视点图像对应记为{Ldis(x,y)}和{Rdis(x,y)}，其中，Lorg(x,y)表示{Lorg(x,y)}中坐标位置为(x,y)的像素点的像素值，Rorg(x,y)表示{Rorg(x,y)}中坐标位置为(x,y)的像素点的像素值，Ldis(x,y)表示{Ldis(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_2、采用一阶双目融合模型，对{Lorg(x,y)}和{Rorg(x,y)}进行融合，得到Sorg的一阶融合图像，记为{Corg(x,y)}，其中，Corg(x,y)表示{Corg(x,y)}中坐标位置为(x,y)的像素点的像素值；

同样，采用一阶双目融合模型，对{Ldis(x,y)}和{Rdis(x,y)}进行融合，得到Sdis的一阶融合图像，记为{Cdis(x,y)}，其中，Cdis(x,y)表示{Cdis(x,y)}中坐标位置为(x,y)的像素点的像素值；

②_3、根据字典学习阶段得到的融合图像字典表{Dc(x,y)}，并采用K-SVD求解方法对{Corg(x,y)}进行处理，得到Sorg的一阶融合稀疏特征图，记为{SRorg(x,y)}，其中，SRorg(x,y)表示{SRorg(x,y)}中坐标位置为(x,y)的像素点的像素值；

同样，根据字典学习阶段得到的融合图像字典表{Dc(x,y)}，并采用K-SVD求解方法对{Cdis(x,y)}进行处理，得到Sdis的一阶融合稀疏特征图，记为{SRdis(x,y)}，其中，SRdis(x,y)表示{SRdis(x,y)}中坐标位置为(x,y)的像素点的像素值；

根据字典学习阶段得到的视点图像字典表{Dv(x,y)}，并采用K-SVD求解方法对{Lorg(x,y)}进行处理，得到{Lorg(x,y)}的稀疏特征图，记为{SRL,org(x,y)}，其中，SRL,org(x,y)表示{SRL,org(x,y)}中坐标位置为(x,y)的像素点的像素值；

同样，根据字典学习阶段得到的视点图像字典表{Dv(x,y)}，并采用K-SVD求解方法对{Rorg(x,y)}进行处理，得到{Rorg(x,y)}的稀疏特征图，记为{SRR,org(x,y)}，其中，SRR,org(x,y)表示{SRR,org(x,y)}中坐标位置为(x,y)的像素点的像素值；

同样，根据字典学习阶段得到的视点图像字典表{Dv(x,y)}，并采用K-SVD求解方法对{Ldis(x,y)}进行处理，得到{Ldis(x,y)}的稀疏特征图，记为{SRL,dis(x,y)}，其中，SRL,dis(x,y)表示{SRL,dis(x,y)}中坐标位置为(x,y)的像素点的像素值；

同样，根据字典学习阶段得到的视点图像字典表{Dv(x,y)}，并采用K-SVD求解方法对{Rdis(x,y)}进行处理，得到{Rdis(x,y)}的稀疏特征图，记为{SRR,dis(x,y)}，其中，SRR,dis(x,y)表示{SRR,dis(x,y)}中坐标位置为(x,y)的像素点的像素值；

②_4、采用二阶双目融合模型，对{SRL,org(x,y)}和{SRR,org(x,y)}进行融合，得到Sorg的二阶融合稀疏特征图，记为{SRL,R,org(x,y)}，其中，SRL,R,org(x,y)表示{SRL,R,org(x,y)}中坐标位置为(x,y)的像素点的像素值；

同样，采用二阶双目融合模型，对{SRL,dis(x,y)}和{SRR,dis(x,y)}进行融合，得到Sdis的二阶融合稀疏特征图，记为{SRL,R,dis(x,y)}，其中，SRL,R,dis(x,y)表示{SRL,R,dis(x,y)}中坐标位置为(x,y)的像素点的像素值；

②_5、根据{SRorg(x,y)}和{SRL,R,org(x,y)}及{SRdis(x,y)}和{SRL,R,dis(x,y)}，并采用相似度计算方法计算得到Sdis的客观质量评价预测值，记为Qdis；

所述的步骤②_5中

其中，C为控

制参数。

2.根据权利要求1所述的一种基于稀疏特征相似度的立体图像质量客观评价方法，其特征在于所述的控制参数C取值为0.85。