计算机立体视觉是计算机视觉研究的一个重要分支科学,主要研究如何借助成像技术从图像里获取场景中物体的深度信息。图像深度即图片上某点对应的真实物体在空间上到该图片物理成像焦平面的实际距离。深度信息获取在图片理解、三维立体重建、机器视觉等方面应用广泛。目前获取图像深度信息的方法主要有两种:使用深度感应器和基于视差的多视图摄像几何,这两种方法的优点都是条件充足,得到数据比较准确;缺点在于需要专业设备以及摄像机内部参数,具体实施比较困难。本文所采取的基于随机场模型的深度估计算法很好地克服了上述困难,它的实现成本较低、可行性高,并在一定程度上提高了所得到的深度信息的准确度。本文首先引入了模式识别的基本理论,因为该理论是贯穿本文始终、结构性的思想方法。模式识别理论的目的和作用在于面对某一具体事物时能将其正确地归入某一类。本文的核心在于将图像深度估计的过程归结为模式识别的过程,即:将需要估计的图像深度划分为深度类,每一深度类看作为待识别的模式类,它反映了特征深度所对应深度值情况,然后,在多尺度条件下对图像提取绝对和相对深度特征,通过文中的研究方法将深度特征正确地归入该特征所对应的深度类中。在图像深度类和图像特征通过特征匹配进行分类的过程中,引入了马尔可夫随机场理论(MRF,Markov Random Field)。马尔可夫随机场理论刻画了一组彼此相互作用且具有某种上下文依赖关系的物理实体所表现出的特性,是用来解决不适定问题的典型方法。而图像深度估计问题本身恰恰是具有上下文关系的视觉领域不适定问题。在本文中,我们选择基于条件马尔可夫随机场理论的DRF(DiscriminativeRandom Field)方法,DRF方法中引入了自相关势能和互相关势能,利用两种势能的不同作用和不同表达方式更清晰地描述了图像深度和深度特征的关系。该模型中含有若干参数,参数估计的过程充分利用了已知图像的深度图像和深度特征之间的关系,它实际上是基于已知样本(来源于图片及其深度图像的图片库)进行监督学习的参数估计过程。最后,根据贝叶斯原理,可以进一步将图像深度估计问题转化成一个最大后验概率(MAP,Maximum a posteriori)估计问题,而最大后验概率的计算从根本上来说是求解非线性优化问题。至此,以上所涉及到的理论方法共同构成了单目图像深度估计的DRF-MAP的模型。本文的研究工作将DRF-MAP模型明确地引入到了深度信息的估计中。同时,在此模型的基础上,根据自相关势能和互相关势能的不同意义,设置的不同模型参数,可以形成四种不同的算法,其中最后一种混合算法为本文所提出的一种新的改进算法。实验中,我们得到了不同算法所适合处理的不同图片类型,并且经过对实验结果的分析,我们发现,本文所提出的改进算法,能够相对更加有效地获取到大块纹理内部的渐变深度信息。