[發明專利]一種光場成像自動重對焦方法

有效

• 申請號: 201410301659.0
• 申請日: 2014-06-27
• 公開（公告）號: CN104079827B
• 公開（公告）日: 2017-12-22
• 發明（設計）人: 譚鐵牛;孫哲南;侯廣琦;張馳;秦婭楠
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: H04N5/232
• 分類號: H04N5/232;G06T7/00;G02B7/36
• 代理公司: 中科專利商標代理有限責任公司11021
• 代理人: 宋焰琴

1.一種光場成像自動重對焦方法，其特征在于，該方法包括以下步驟：

步驟S1、建立光場重對焦處理模型，該模型建立重對焦圖像和對焦深度的基本映射關系；所述重對焦模型為：

g[x]=(h(β)⊗p)[x]+N[x]]]>

其中代表卷積，g[x]為某區域清晰圖像，p為全場景清晰圖像，β為清晰區域所對應的對焦深度，h(β)為該深度對應的點擴散函數，N[x]為圖像噪聲；

步驟S2、根據點擴散函數定義對h(β)建模，并確定用以估計h(β)的重對焦圖像數量n；

步驟S3、對于采集到的光場原始圖像，將其解碼為4D光場參數化表示L_F(x,u)，表示在像距F處采集的光場，其中x＝(x₁,x₂)^T為空間維度坐標；u＝(u₁,u₂)^T為角度維度坐標，該參數化表示由對應于不同視角的子孔徑圖像構成；

步驟S4、自動檢測出需重對焦的感興趣區域；

步驟S5、對該光場做重對焦處理，渲染出n幅對焦在不同深度β_i(i＝1,...,n)的圖像

步驟S6、使用機器學習的方法，構建模糊度評價模型BM

步驟S7、利用模糊度估計模型BM，對重對焦圖像估計感興趣區域的模糊度σ_h(β_i)；

步驟S8、利用β_i和σ_h(β_i)(i＝1,...,n)估計出該光場中感興趣區域的點擴散函數的方差

步驟S9、基于公式求取函數的極小值點β₀，即為重對焦在感興趣區域的對焦深度β₀；

步驟S10、利用重對焦算法渲染出β₀對應的感興趣區域對焦清晰的光場重對焦圖像；

所述步驟S2進一步包括以下步驟：

步驟S21、獲取點光源S₀的光場表示

步驟S22、對光場做重對焦渲染處理得到其中,

為重對焦算子，為四維光場，α為重對焦面與主透鏡之間的距離與F的比值，αx_α為重對焦圖像的空間坐標；

步驟S23、將進行尺度變換，定義一個積分不變調整圖形尺度算子，即其中η為尺度變化系數，I(x)為待調整圖像，得到重對焦點擴散函數根據對焦深度β與α關系β＝f(α)，其中β＝α^-1，進一步可得到h(β)；

步驟S24、簡化模型復雜度，最終建模得到σ_h(β)；

所述步驟S4中的自動檢測感興趣區域，是利用目標檢測算法，在中心視角的子孔徑圖像上自動檢測出感興趣區域坐標及尺寸，該坐標及尺寸用于對渲染在任意深度的重對焦圖像的感興趣區域進行分割；

所述步驟S6進一步包括以下步驟：

步驟S61、建立感興趣區域模糊度訓練庫；訓練庫包含了感興趣區域圖像樣本，這些樣本對應于不同模糊度，并由模糊度進行標注；

步驟S62、對訓練集中的樣本提取圖像模糊度評價特征，利用LASSO回歸對DIIVINE的圖像質量特征進行加權，即

w=arg min||Aw-σ||22+λ||w||1]]>

其中w為特征權重系數，A為大小為m×n的訓練集矩陣，m為訓練樣本的維數，n為特征維數，σ為模糊度標記向量，λ為平衡系數；

步驟S63、利用步驟S61的感興趣區域模糊度訓練庫及步驟S62提取的模糊度評價特征，訓練模糊度評價回歸模型；

所述步驟S7包括以下步驟：

步驟S71、利用所述步驟S4得出的感興趣區域坐標，提取重對焦圖像的感興趣區域；

步驟S72、對感興趣區域圖像提取圖像模糊度評價特征；

步驟S73、將該圖像模糊度評價特征送入所述步驟S6得到的回歸模型中，得到感興趣區域的模糊度評價。