近年来,随着立体技术的成熟,各种形式的立体内容进入了人们的生活,立体图像和立体视频的舒适度质量研究已经成为质量评价领域的研究热点。一方面,在3D视频的观看方式上,随着虚拟现实技术的迅速发展,越来越多的人选择使用VR眼镜来代替3D电视观看3D视频,然而关于VR眼镜和3D电视观看3D视频时的舒适度差异,目前仍缺乏相关研究。另一方面,立体图像主观评价实验常常受到实验环境、人员偏好等因素影响,使得实验结果包含一定的噪声。针对这两个问题,本文研究了 3D电视和VR眼镜观看3D视频时的舒适度体验差异,以及立体图像主观评价实验结果噪声的改进方法。本文针对3D电视和VR眼镜观看3D视频时的舒适度体验差异,设计了主观质量评价对比实验来进行研究。实验之前,本文选择了 10个舒适度较高的原始视频,考虑到3D视频中常见的影响舒适度的因素,通过对原始视频进行水平移轴、几何失真和帧失同步处理,最终建立了一个包含130个视频的立体视频库。随后,本文分别使用3D电视和VR眼镜进行了主观质量评价实验并进行了问卷调查。实验结果及问卷调查结果显示,对于舒适性的3D视频,使用3D电视观看的舒适度普遍高于VR眼镜,但是对于较高几何失真和帧失同步的质量较差的3D视频来说,使用VR眼镜观看的舒适度普遍要高于3D电视。综合主观评价及问卷调查结果,具体原因主要有三点:1)使用VR眼镜观看3D视频时,经过镜片处理,双眼感受到的分辨率会低于3D电视;2)使用VR眼镜观看3D视频时,双目不会感受到边框冲突;3)使用VR眼镜时,双眼通过两个独立的镜片接收视频,这种方式使得双眼对于几何失真和帧失同步处理的视频具有较低敏感度。本实验结论对于3D视频的制作,以及VR眼镜的设计具有一定的参考意义。立体图像主观评价实验受环境和测试人员偏好等因素影响,实验结果存在一定的噪声,进而对客观模型的学习造成了一定的影响。本文设计实验研究了标签噪声对于机器学习模型鲁棒性的影响,实验使用了两种类型的噪声,分别为均匀分布噪声和相似度偏好噪声。均匀分布噪声的添加方法是将一定比例的样本标签随机改为其他错误标签,相似度偏好噪声的添加方法是通过计算不同标签样本之间的相似度,将一定比例的样本标签改为与之相似度最高的错误标签。基于实验结果可知:1)当训练集噪声标签比例在一定程度内,机器学习分类模型依然能够保持一个较好的预测性能;2)在相似度偏好噪声情况下,随着噪声标签比例的增加,模型会学习到更多噪声标签的分布,当超过某个阈值后,会发生标签交换现象,导致模型预测性能下降。由鲁棒性实验可知,虽然标签噪声对于模型性能有一定影响,但是主观评价实验结果的标签由多人评价打分进行统计处理,一般来说噪声较小。本文基于学习模型在较小噪声下的鲁棒性原理,提出了一种迭代式的立体图像质量标签改进算法,用来减少主观实验结果中存在的噪声。算法通过一定的策略将数据集进行分组,并使用了集成学习的思想,将多种机器学习模型和特征结合形成弱学习器。在迭代过程中,根据分组情况将其中一部分数据用于训练模型,另一部分数据进行质量标签的更新。本文以一个具有图像质量与舒适度先验知识的几何失真数据库为例,详细讨论了算法的实现方法,证明了算法对于改进质量标签的有效性。为了进一步检验算法的有效性,本文使用目前立体图像舒适度评价中广泛应用的IEEE-SA库进行测试,通过比较本文方法得到的质量标签与数据库的原始质量标签,基于图像质量排序数据,筛选了 55个图像对进行成对比较测试,实验测试结果表明本文方法得到的质量标签结果与成对比较结果一致性更高,验证了所提方法的有效性。