融合光场焦点堆栈和全聚焦图像的显著性检查算法

摘要

显著性检测是计算机视觉中长期被关注的问题。可靠、准确的显著性检测有助于后续目标跟踪和识别等图像和视觉算法的快速实现。现有显著性检测方法通常是通过整合低层特征（像素或者超像素）和高层描述（区域或者目标）来实现，已取得了显著进展。但这些算法都是针对传统积分成像原理的常规相机。
　　随着新一代光场相机的出现和不断完善，它可通过图像传感器前的微透镜阵列获取光场数据，突破了传统成像几何的局限，为图像处理和计算机视觉提供了新思路和新方法。基于光场相机的应用逐渐受到国内外科研人员的广泛关注。
　　本文依次从光场相机理论、光场数据提取和处理、光场图像显著性检测进行分析与探讨，主要研究内容包括:
　　一、通过分析光场相机成像原理和算法，给出了一套实现原始光场数据提取和解码的方案。在此基础上重点研究了光场图像解码中六边形转正交的转换算法，提高光场数据提取的准确性。
　　二、根据光场相机能够生成焦点堆栈图像的特点，设计并实现了一种融合光场相机焦点堆栈的全聚焦图像生成方法。
　　三、针对光场相机可获得焦点堆栈的特点，研究了一种融合焦点堆栈信息和全聚焦图像的显著性检测算法，能对复杂环境下的光场图像进行准确和鲁棒的显著区域检测。

目录

摘要

第1章 绪论

1．1 课题研究背景及意义

1．2 光场成像技术进展与研究现状

1．3 光场相机产品

1．4 光场相机优缺点

1．5 本文主要工作及内容组织

第2章 图像显著性检测算法及实现

2．1 引言

2．2 视觉注意机制

2．2．1 人类视觉系统简介

2．2．2 视觉注意机制

2．2．3 视觉注意模型

2．3 显著性线索

2．3．1 背景先验

2．3．2 中心先验

2．3．3 深度线索

2．4 常用显著性检测方法

2．4．1 FT方法

2．4．2 RC方法

2．4．3 SR方法

2．4．4 LC方法

2．4．5 HC方法

2．5 基于对比度的显著性检测算法

2．6 基于全局熵信息的显著性检测算法

2．6．1 检测流程

2．6．2 显著图的提取

2．6．3 基于对数谱响应的区域显著性计算

2．6．4 多尺度显著图融合

2．6．5 基于加权全局熵的显著性融合

2．6．6 实验结果

2．7 本章小结

第3章 光场相机成像原理

3．1 引言

3．2 光场相机和传统相机

3．3 光场的表示形式

3．4 光场的获取方式

3．5 光场重对焦方法

3．6 本章小结

第四章 光场相机数据预处理和焦点栈生成

4．1 引言

4．2 光场相机数据获取

4．2．1 光场相机原始图像的数据提取

4．2．2 微透镜中心提取

4．2．3 六边形采样转换到正交采样

4．3 光场相机焦点堆栈

4．4 全聚焦图像生成

4．4．1 DCT变换及空域方差转换

4．4．2 DCT域下基于方差的图像融合

4．4．3 焦点栈图片融合成全聚焦图片的实验结果

4．5 小结

第5章 融合光场图像焦点堆栈和全聚焦图像的显著性检测

5．1 引言

5．2 LFSD算法

5．2．1 LFSD算法概述

5．2．2 对焦度测度计算

5．2．3 背景区域选择

5．2．4 前景区域选择

5．2．5 焦点堆栈和全聚焦图像显著性融合

5．3 LFSD检测结果

5．4 本章小结

第6章 总结和展望

6．1 总结

6．2 展望

致谢

参考文献

声明