基于亚像素位移与多方向像素梯度的光场深度估计方法及其在生物医学成像中的应用

本刊推荐：本文提出了一种结合亚像素视差位移（sub-pixel disparity）与多方向像素梯度对称性的光场深度估计算法，通过频域相位谱移位技术生成高分辨率无重影 refocused imaging sequence，并引入四方向评估策略有效解决遮挡问题，将置信度从单方向87.05%提升至96.36%。该研究在工业缺陷检测与医学成像领域具有显著应用潜力，其泛化能力和实时性优于传统算法与神经网络方法。

　　

Related works

现有深度估计算法通常分为传统方法与神经网络方法，传统方法可进一步细分为极平面图像（EPI）、多视角立体匹配（multi-view stereo matching）和数字重聚焦（digital refocusing）。Bolles首次提出EPI的概念与计算，随后Wanner等人和Johannsen等人分别采用结构张量（structure tensors）和稀疏分解（sparse decomposition）方法实现深度估计。近年来，基于学习的方法在合成数据集上表现突出，但实际应用中仍存在泛化性不足与计算效率问题。

Construct refocused image sequence

光场成像系统可单次捕获记录光线的方向与强度信息，其成像过程可通过经典双平面参数化模型（two-plane parameterization）分析。如图2所示，视差d与等效基线B的关系可表示为：

d/B = (L - l)/L = (α - 1)/α

其中l为主透镜与微透镜固定距离，L为像距且满足L=αl，α为比例系数。通过频域相位谱移位可实现亚像素级视差提取，避免空间域插值导致的伪影问题。

Results

为验证算法有效性，我们在HCI数据集的分层数据（test pattern）上进行实验。这些模式常用于评估算法在精细结构、立体边界、相机噪声和纹理等方面的性能。与三种典型传统算法及两种近期神经网络方法对比的结果表明：本方法在细节保留、边界清晰度和噪声鲁棒性方面均优于对比算法，且在真实场景图像中展现出更优的泛化能力与处理速度。

Conclusion

本文提出了一种提升光场图像深度估计精度与泛化能力的算法。该方法通过频域相位谱移位获取高精度视差图像，生成无重影的高分辨率重聚焦序列；通过从梯度曲线中提取最优深度线索实现精准深度估计；针对遮挡问题，采用四方向像素梯度峰值分析与中值滤波（median filter）优化，显著提升置信度与鲁棒性。

CRediT authorship contribution statement

张洪波：综述撰写、原始草案、验证、方法论、形式分析、数据整理与概念化；刘宣威：方法论与形式分析；赖文杰：方法论；李东来：验证与软件实现；王大铭：软件与形式分析；刘子骥：综述修订、验证与项目管理。

Declaration of competing interest

作者声明不存在可能影响本研究的已知竞争性经济利益或个人关系。