眼优势是指：人类视觉皮层中存在两类双目细胞，这些双目细胞对左眼和右眼的输入均会产生响应，其中一些双目细胞对左眼输入产生的响应更为强烈，另一些双目细胞对右眼输入产生更为强烈的响应，将这种现象称为眼优势现象。模拟两类双目细胞，生成两幅不同的融合图像，有利于从立体图像中获取更多描述能力较强的图像质量感知特征。

在实际应用中，立体图像的左视点和右视点容易出现非对称失真的情况，即两个视点图像的失真类型相同、失真程度不同或两个视点图像的失真类型不同。然而，目前绝大部分立体图像质量评价算法在评价左视点和右视点图像的失真类型相同、失真程度也相近的对称失真立体图像时评价准确性较高，在评价非对称失真立体图像时的效果并不理想。如何从左视点和右视点图像中获取能够更好地描述立体图像非对称失真特性的特征，提高非对称失真立体图像的评价准确性是急需解决的问题。

对称失真图像

左右视点失真类型相同，失真程度不同的非对称失真图像

左右视点失真类型不同的非对称失真图像

为了提高非对称失真立体图像的评价准确性，一些学者通过研究人类视觉系统中双目融合与双目竞争等工作原理，利用左视点和右视点图像的质量值或特征值的加权和估计立体图像的整体质量值。另一些学者认为人脑在处理立体图像的信息之前，会先将左视点和右视点融合为单一的双目图像再判别图像质量的优劣，通过模拟人类视觉系统的这一功能，建立基于独眼图像的融合模型，就可以更准确地描述立体图像的失真信息。

虽然上述研究给出了一些模拟人类视觉系统中双目感知功能的方法，但是人类视觉系统究竟是如何利用来自双眼输入的信息建立立体感知进而判定图像质量仍不完全明了。本文设计的基于眼优势的非对称失真立体图像质量评价方法，从模拟人类视觉系统中具有眼优势功能的两类双目细胞的角度出发，首先利用高斯偏导滤波器从左视点和右视点图像中获取梯度幅值响应，来模拟左眼和右眼输入的刺激强度；其次分别以左视点和右视点图像作为主视图，生成两幅融合图像，模拟左眼优势双目细胞和右眼优势双目细胞的神经响应；然后从两幅融合图像与两幅梯度幅值响应图像中提取多种统计特征作为描述立体图像质量变化的特征；最后利用自适应增强的支持向量回归模型将质量感知特征值映射为立体图像质量值。本文提出方法的总体框图如下所示：

基于眼优势的非对称失真立体图像质量评价总体框图

本文提出方法从模拟人类视觉系统的眼优势原理的角度探讨了非对称立体图像质量评价的方法，主要的结论包括：

（1）利用图像的梯度幅值响应模拟立体图像的视觉输入刺激，能够减少图像的变换时间，有利于提高算法的效率；

（2）基于左视点和右视点图像生成两幅融合图像，模拟视觉皮层的左和右眼优势柱中双目细胞的功能，能够获取更多描述能力较强的图像感知特征，有助于增强算法对非对称失真立体图像的预测准确性和鲁棒性；

（3）通过建立AdaBoost-SVR评价模型，有助于提高预测模型的稳定性。