[发明专利]基于改进的Sobel梯度函数的融合散焦光场深度估计算法

权利要求书

1.一种基于改进的Sobel梯度函数的融合散焦光场深度估计算法，其特征在于：所述基于改进的Sobel梯度函数的融合散焦光场深度估计算法首先对光场数据进行预处理然后进行数字重聚焦转换，得到用以分析各像素点所处深度的多张聚焦切片组成的焦栈，使用改进四方向的Sobel梯度函数求梯度，并得到深度图，接下来根据宏像素在聚焦状态下像素一致性高的特点计算一致性张量，得到基于相关性的深度图，而后以代价曲线峰值比作置信分析得到梯度函数的置信度，然后根据该置信度使用MRF模型进行对上述深度图进行融合和全局优化，最后，在HCI公开数据集上对算法进行测试和对比；

Sobel梯度函数公式式如下，首先分别提取x、y两个方向的梯度变换，再平方相加先提取X方向和Y方向的梯度变化，再计算梯度的平方和，该梯度函数能提取图像细节，并且在一定程度上能抑制噪声；

其中，

为进一步解决噪声问题，可使Sobel算子再增加两个梯度方向，使梯度函数对灰度值梯度变化描述更为精准，进一步减小噪声干扰；

增加两个新算子模板后的Sobel梯度函数公式如下，将聚焦切片中f(x，y)每个像素点与f_x(x，y)、f_y(x，y)、f_yx(x，y)、f_xy(x，y)四个算子模板进行卷积，计算可得该像素点在这四个方向上的响应值；

其中，

每个像素点求得梯度值后可得该聚焦切片下的梯度图，对每一幅梯度图进行局部的均值滤波，以增加梯度图的鲁棒性，再对梯度三个通道的分别平方相加除以三开根号算得灰度图的梯度值；

一致性张量的计算公式如下：

其中，Nu、Nv分别代表参与计算的角度块中水平和竖直方向的像素个数，x、y和u′、v′分别代表光场图像中的空间坐标和角度坐标，I_α(x，y，u′，v′)为相应坐标(x，y，u′，v′)上的光场强度，代表整个宏像素的平均像素值，VAR(x，y)为所述光场图像的一致性张量，VAR(x，y)越小则相应的角度块内一致性越高，当Nu、Nv等于光场的角度分辨率时，该张量为整体一致性张量；

然后采用MRF模型对深度图进行融合并优化处理，由于在融合过程中三张深度图的线索可能不会在最佳剪切上达成一致，首先使用代价曲线峰值比对初始深度图做置信分析，使用梯度极大值与第二局部最大值之比描述置信度，可分别得到四个代价函数的置信度C_conf(x)见下式：

其中为梯度极大值，为第二局部最大值；

最后通过MRF模型进行优化传播深度估计得到最终连续且平滑的深度图像，公式如下：

其中Z、W定义如下，source代表原始数据项；