论文部分内容阅读
近年来,随着光场成像理论以及成像设备的高速发展,光场成像技术受到越来越多研究机构和学者的关注。人们对于真实世界信息的渴求促使光场成像技术及其应用不断推陈出新。光场图像已被广泛应用于三维重建、场景深度信息提取、快速多视角场景渲染、立体视觉匹配等领域。光场成像技术发展至今,已突破了传统二维成像的桎梏,可有效捕捉真实世界的多维视觉信息。但对于光场图像复杂庞大的数据,如何进行有效的目标提取以及高效的信息整合,尚缺乏完善统一的方案。本文基于光场图像研究,提出一种对焦融合方法将焦点堆栈图像的对焦信息进行融合。在此基础上,进一步实现了一种光场显著图模型,有效提取了光场图像的显著性目标。本论文主要围绕光场相机Lytro 1.0开展研究,主要工作和成果如下:首先对光场成像的基本理论进行了系统分析。在Lytro相机获取的焦点堆栈图像序列基础上,提出了一种基于离散余弦变换(DCT)及图割理论的对焦融合方法。该方法采用自适应DCT窗口以及迭代图割优化的策略筛选对焦清晰的像素,最终融合生成多焦点对焦清晰的全焦点图像,重构光场相机捕捉的当前场景下的全部对焦信息。实验结果表明,与现有的融合方法相比,该方法可以获得更好的全焦图像,明显改善了图像的块效应问题。基于我们获得的全焦图像以及光场焦点堆栈图像,本文进一步实现了一种光场显著图模型,用于提取光场图像的显著目标。显著性检测一直是计算机视觉中关注的热点研究方向。传统显著性检测算法通常是从单幅图像提取显著目标,本文则基于光场使用多幅图像提取显著目标。通常认为,前景包含丰富的目标对象信息以及对焦度信息,背景反之。光场相机产生的焦点堆栈图像富含场景的对焦度信息、深度信息以及目标物体信息。基于此点,本文可以从焦点堆栈图片中提取出前景信息特征以及背景信息特征,并最终在全焦图片上融合生成光场显著图。仿真结果表明,该方法能较好地检测出显著性目标,并有效抑制背景。