[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

说明书

本发明公开了一种基于改进的Sobel梯度函数的融合散焦光场深度估计算法，涉及计算机视觉与数字图像处理领域，该基于改进的Sobel梯度函数的融合散焦光场深度估计算法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。

技术领域

本发明涉及计算机视觉与数字图像处理领域，特别涉及一种基于改进的Sobel梯度函数的融合散焦光场深度估计算法。

背景技术

光在人类的日常生活中，是一种重要的信息载体。人类通过人眼接收自然界的光信号并传输至人脑进行分析和记录，至此一个人看见了世间的万事万物。又由于人类的双眼间有一定的距离，产生了视差，加之人脑根据长久以来的学习，使得人类具备了对眼前所见事物进行深度估计的能力。然而计算机却无法天然地获得这种能力。对于一台普通相机而言，其CMOS(互补金属氧化物半导体)所记录的光信号是二维的，是根据小孔成像原理所得的自然场景中的三维实体在CMOS上的二维投影。只有恢复这缺失的一维深度信息才能真实地在计算机中还原现实世界。在三维重建、SLAM、人体姿态识别、虚拟现实、增强现实等领域中，准确且快速的深度估计是上述算法中最为重要的一环。光场相机也是被动方法深度估计的设备的一种，由于能同时记录光线的角度和位置信息的特性而逐渐受到研究人员的关注。基于散焦法的光场深度估计方法，通过对同一目标场景重聚焦过程中的多张图像进行散焦度对比来估计深度。首先将光场数据重聚焦在不同深度，然后逐层分析聚散焦状态，最后选出最佳深度层次完成对深度的估计。光场相机的特性导致光场数据极易产生大量噪声。特别是在夜晚光照不充足的场景中。目前算法对噪声的处理能力有限，存在对于噪声敏感导致噪声区域深度估计错误的问题。

发明内容

本发明所要解决的技术问题是提供一种基于改进的Sobel梯度函数的融合散焦光场深度估计算法，采用改进的索贝尔(Sobel)梯度函数刚好克服噪声的干扰。

为实现上述目的，本发明提供以下的技术方案：

该基于改进的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，