一种由聚焦堆栈估计深度的方法和装置

1.本发明涉及计算成像、机器视觉与数字图像处理技术领域，特别是关于一种由聚焦堆栈估计深度的方法和装置。


背景技术：

2.计算机视觉主要研究如何利用计算机实现人的视觉功能，即利用二维投影图像实现对客观世界三维场景的感知和识别。深度重建是一种计算机视觉中重要的技术。聚焦堆栈重建深度是一种利用图像聚焦情况进行三维物体深度估计的方法，使用聚焦堆栈重建深度的单目系统比使用多目系统更易于实现，具有体积小和成本低的优点。
3.在聚焦堆栈深度估计中，采用多张不同聚焦程度的图像来获得物体的深度信息。在这些图像中，只有一个或少数部分被聚焦，其他深度部分是模糊的，这是通过改变成像设备的焦距或改变物距和像距来完成的。聚焦堆栈重建深度的过程是对于一组焦距不同场景相同的图像序列作用测度算子计算出每个像素的聚焦测度，得到一个尺寸与聚焦堆栈相同的初始聚焦测度体积；然后在聚焦测度体积中对每个位置的像素沿着图像序列方向寻找聚焦程度最佳的聚焦层数，从而获得深度信息(初始深度图)。


技术实现要素：

4.本发明的目的在于提供一种由聚焦堆栈估计深度的方法和装置，其提出了三维自适应加权全变分计算框架，能够解决场景中弱纹理区域和遮挡区域深度线索丢失导致的深度估计不准确问题。
5.为实现上述目的，本发明提供一种一种由聚焦堆栈重建深度的方法，其包括：
6.步骤101，通过改变物距或相距的方式，采集一组聚焦深度不同的图像序列，获得聚焦堆栈；
7.步骤102，使用测度算子计算初始的聚焦测度体数据u；其中，聚焦测度体数据包括聚焦堆栈中每个像素的聚焦测度；
8.步骤103，根据聚焦堆栈与聚焦测度体数据u的数据结构之间的相似程度，计算聚焦堆栈与聚焦测度体数据的结构一致性s；
9.步骤104，结合结构一致性s，利用三维自适应加权全变分模型优化聚焦测度体数据u，得到优化后的聚焦堆栈体数据u；
10.步骤105，根据优化后的聚焦测度体数据，获得深度图。
11.进一步地，步骤103中，结构一致性s通过下式(1-1)、式(1-2)和式(1-3)之一计算得到：
[0012][0013]
[0014][0015]
式中，i表示聚焦堆栈，分别表示聚焦堆栈的二维图像中的水平方向x、竖直方向y、图像序列方向z的一阶差分算子。
[0016]
进一步地，步骤104中的优化方法包括：将聚焦测度正则化问题转化为能量最小化问题，目标函数e(u)表示为下式(2-1)：
[0017][0018]
式中，表示数据保真度项，表示正则化项，λ表示保真项系数，用于调节正则化项的参数，f为初始的聚焦堆栈体数据，ω为下式(2-2)描述的任意像素p的权重值ω
p
；
[0019]
ω
p
＝exp(-β
·sp
)
ꢀꢀꢀꢀꢀ
(2-2)
[0020]
式中，s
p
表示p点的结构一致性，由式(1-1)、式(1-2)和式(1-3)之一计算得到，β表示权重系数。
[0021]
进一步地，式(2-1)的求解方法具体包括：
[0022]
s1，引入近似的辅助变量以及松弛变量b
x
、by、bz，在离散情况下，将分裂bregman算法应用到式(2-1)中，则有下式(3)：
[0023][0024]
式中，u
(k+1)
表示第k+1次迭代后的聚焦测度体数据，表示第k+1次迭代后的聚焦测度体数据，分别表示u
(k+1)
在水平方向x、竖直方向y、图像序列方向z的差分，在水平方向x、竖直方向y、图像序列方向z的差分，分别表示第k+1次迭代后的d
x
、dy、dz，分别表示第k次迭代后的b
x
、by、bz，分别表示第k+1次迭代后的b
x
、by、bz，t(u,d
x
,dy,dz)表示为下式：
[0025][0026]
式中，μ表示控制辅助变量b近似的参数；
[0027]
s2，将式(2-1)的求解转化为下式(4-1)：
[0028]
[0029][0030][0031][0032]
式中，g1、g2、g3均为用于简化公式用的中间参数，||
·
||1表示一范数，表示二范数的平方；
[0033]
s3，将和分别通过如下式(5)表示：
[0034][0035]
式中，i1表示聚焦堆栈，分别表示聚焦堆栈在水平方向x、竖直方向y、图像序列方向z的差分；
[0036]
s4，利用如下收缩算子shrink(
·
)求解，则式(5)转化为下式(6)：
[0037][0038]
式中，α和θ均为shrink函数的自变量。
[0039]
本发明还提供一种由聚焦堆栈重建深度的装置，其包括：
[0040]
聚焦堆栈采集单元，其用于通过改变物距或相距的方式，采集一组聚焦深度不同的图像序列，获得聚焦堆栈；
[0041]
聚焦测度体数据计算单元，其用于使用测度算子计算初始的聚焦测度体数据u；其中，聚焦测度体数据包括聚焦堆栈中每个像素的聚焦测度；
[0042]
结构一致性计算单元，其用于根据聚焦堆栈与聚焦测度体数据u的数据结构之间的相似程度，计算聚焦堆栈与聚焦测度体数据的结构一致性s；
[0043]
优化单元，其用于结合结构一致性s，利用三维自适应加权全变分模型优化聚焦测度体数据u，得到优化后的聚焦堆栈体数据u；
[0044]
深度图计算单元，其用于根据优化后的聚焦测度体数据，获得深度图。
[0045]
进一步地，结构一致性s通过下式(1-1)、式(1-2)和式(1-3)之一计算得到：
[0046][0047][0048][0049]
式中，i表示聚焦堆栈，分别表示聚焦堆栈的二维图像中的水平方向x、竖直方向y、图像序列方向z的一阶差分算子。
[0050]
进一步地，优化单元中的优化方法包括：将聚焦测度正则化问题转化为能量最小化问题，目标函数e(u)表示为下式(2-1)：
[0051][0052]
式中，表示数据保真度项，表示正则化项，λ表示保真项系数，用于调节正则化项的参数，f为初始的聚焦堆栈体数据，ω为下式(2-2)描述的任意像素p的权重值ω
p
；
[0053]
ω
p
＝exp(-β
·sp
)
ꢀꢀꢀꢀꢀꢀꢀ
(2-2)
[0054]
式中，s
p
表示p点的结构一致性，由式(1-1)、式(1-2)和式(1-3)之一计算得到，β表示权重系数。
[0055]
进一步地，式(2-1)的求解方法具体包括：
[0056]
s1，引入近似的辅助变量以及松弛变量b
x
、by、bz，在离散情况下，将分裂bregman算法应用到式(2-1)中，则有下式(3)：
[0057][0058]
式中，u
(k+1)
表示第k+1次迭代后的聚焦测度体数据，表示第k+1次迭代后的聚焦测度体数据，分别表示u
(k+1)
在水平方向x、竖直方向y、图像序列方向z的差分，在水平方向x、竖直方向y、图像序列方向z的差分，分别表示第k+1次迭代后的d
x
、dy、dz，分别表示第k次迭代后的b
x
、by、bz，
分别表示第k+1次迭代后的b
x
、by、bz，t(u,d
x
,dy,dz)表示为下式：
[0059][0060]
式中，μ表示控制辅助变量b近似的参数；
[0061]
s2，将式(2-1)的求解转化为下式(4-1)：
[0062][0063][0064][0065][0066]
式中，g1、g2、g3均为用于简化公式用的中间参数，||
·
||1表示一范数，表示二范数的平方；
[0067]
s3，将和分别通过如下式(5)表示：
[0068][0069]
式中，i1表示聚焦堆栈，分别表示聚焦堆栈在水平方向x、竖直方向y、图像序列方向z的差分；
[0070]
s4，利用如下收缩算子shrink(
·
)求解，则式(5)转化为下式(6)：
[0071][0072]
式中，α和θ均为shrink函数的自变
量。
[0073]
本发明由于采取以上技术方案，其具有以下优点：
[0074]
本发明提出了一种衡量两者结构一致性的方法，以更好地定位深度突变位置。使用结构一致性加权的全变分模型提高了保边界的能力，同时避免了颜色信息被错误地引入深度图中。这可以有效解决聚焦堆栈估计深度中弱纹理区域和遮挡区域深度线索丢失问题，进而提升重建深度的精度。
附图说明
[0075]
图1为本发明实施例提供的基于聚焦堆栈估计深度方法的流程示意图。
[0076]
图2示出三维聚焦堆栈与聚焦测度体数据结构一致性示意图。。
具体实施方式
[0077]
下面结合附图和实施例对本发明进行详细的描述。
[0078]
当聚焦堆栈中的物理结构梯度跳跃和聚焦测度中的几何结构梯度跳跃在同一位置发生较大变化时，认为该位置的结构是一致的，可以用于信息交换。如果在同一位置上，两种属性信息内一个结构较大而另一个较小则为不一致结构，或两者都很小则是平滑结构，不一致或者平滑结构都不进行信息交换。结构一致性是指两种数据结构之间的相似程度。
[0079]
如图1所示，本实施例提供的由聚焦堆栈重建深度的方法包括：
[0080]
步骤101，通过改变物距或相距的方式，采集一组聚焦深度不同的图像序列，获得聚焦堆栈。
[0081]
步骤102，使用测度算子计算初始的聚焦测度体数据u；其中，聚焦测度体数据包括聚焦堆栈中每个像素的聚焦测度。
[0082]
步骤103，根据聚焦堆栈与聚焦测度体数据u的数据结构之间的相似程度，计算聚焦堆栈与聚焦测度体数据的结构一致性s。
[0083]
步骤104，结合结构一致性s，利用三维自适应加权全变分模型优化聚焦测度体数据u，得到优化后的聚焦堆栈体数据u。
[0084]
步骤105，根据优化后的聚焦测度体数据，获得深度图。
[0085]
本实施例利用了三维聚焦堆栈与聚焦测度体数据之间的关联关系，形成了三维结构一致性算子。建立三维自适应加权全变分模型，通过结构一致性定义的权重判断引导程度，从而为聚焦测度体数据的优化提供了有效引导，进一步获得更为准确的深度估计。
[0086]
在一个实施例中，步骤103中，利用由三维聚焦堆栈与聚焦测度体数据的关联关系，形成结构一致性s，通过下式(1-1)、式(1-2)和式(1-3)之一计算得到：
[0087][0088][0089]
[0090]
式中，i表示聚焦堆栈，表示聚焦堆栈的二维图像中的水平方向x的一阶差分算子，即聚焦堆栈中每个像素跟它左侧的像素差值，表示聚焦堆栈的二维图像中的竖直方向y的一阶差分算子，即聚焦堆栈中每个像素跟它上侧的像素差值，表示聚焦堆栈的二维图像中的图像序列方向z的一阶差分算，即聚焦堆栈中每个像素跟它前侧的像素差值，当一个像素在聚焦堆栈和聚焦测度中都具有较大的梯度值时，说明该像素是一致结构的一部分，u的数值通过迭代更新获得的：
[0091]
第一次获得的u0是通过i作用修正的拉普拉斯算子计算得到的，修正的拉普拉斯算子具体公式为：而后面的u的具体数值则是通过三维自适应加权全变分模型优化计算得到。
[0092]
基于聚焦堆栈和聚焦测度体数据之间不同维度的几何先验信息，定义结构一致性算子，用于定位深度边界和具有高可信深度线索的区域，提高深度优化的精度。图像的结构使用像素梯度值来衡量。聚焦堆栈中的梯度跳跃反映了物理结构的变化，而聚焦测度中的梯度跳跃反映了聚焦程度的变化。当两种属性的图像在同一位置存在较大的变化时，该结构是它们共有的一致结构，属于可信的深度变化区域。通过聚焦堆栈和聚焦测度的结构一致性来衡量哪些位置是具有可信深度线索，可以更准确地引导聚焦测度体数据的优化过程。
[0093]
在一个实施例中，将场景在三维聚焦堆栈和聚焦测度体数据蕴藏的几何先验信息，融入到三维tv正则化模型，提供了一种三维自适应加权全变分模型优化，即将聚焦测度正则化问题转化为能量最小化问题，目标函数e(u)表示为下式(2-1)，这也是步骤104中的优化方法；
[0094][0095]
式中，表示数据保真度项，表示正则化项，λ表示保真项系数，用于调节正则化项的参数，λ的数值越小，正则化项起到的作用越大，图像越平滑，而较大的保真项系数使得优化后的深度图与初始深度图相似性越高，存在的错误估计也越多，因此，本实施例根据经验和实验结果给出具体数值范围在0.7～1.3之间，f为初始的聚焦堆栈体数据，ω为下式(2-2)描述的任意像素p的权重值ω
p
；
[0096]
ω
p
＝exp(-β
·sp
)
ꢀꢀꢀꢀꢀꢀ
(2-2)
[0097]
式中，s
p
表示p点的结构一致性，由式(1-1)、式(1-2)和式(1-3)之一计算得到，β表示权重系数，β在本实施例中能够起到有效调节权重的量纲的作用，具体数值的是有实验结果来确定的，数值越大可以越减小深度图的噪声聚焦测度(异常值)。然而，较大的权重系数值会使优化过程中引入异常值，因此，该数值的大致范围在103～105。
[0098]
基于全变分tv的l1模型的计算相对容易，优化的过程引入先验信息s作为权重也可以在起到平滑作用的同时保留边界，所以本实施例提出一种自适应加权全变分模型来优
化聚焦测度体数据。在优化聚焦测度时自适应权重由结构一致性确定。
[0099]
在一个实施例中，式(2-1)的求解方法具体包括：
[0100]
s1，引入近似的辅助变量以及松弛变量b
x
、by、bz，在离散情况下，将分裂bregman算法应用到式(2-1)中，则有下式(3)：
[0101][0102]
式中，u
(k+1)
表示第k+1次迭代后的聚焦测度体数据，表示第k+1次迭代后的聚焦测度体数据，分别表示u
(k+1)
在水平方向x、竖直方向y、图像序列方向z的差分，在水平方向x、竖直方向y、图像序列方向z的差分，分别表示第k+1次迭代后的d
x
、dy、dz，也可以理解为对的近似，分别表示第k次迭代后的b
x
、by、bz，分别表示第k+1次迭代后的b
x
、by、bz，t(u,d
x
,dy,dz)表示为下式：
[0103][0104]
式中，μ表示控制辅助变量b近似的参数；
[0105]
s2，将式(2-1)的求解转化为下式(4-1)：
[0106][0107][0108][0109][0110]
式中，g1、g2、g3均为用于简化公式用的中间参数，无实质性物理意义，||
·
||1表示一范数，表示二范数的平方；
[0111]
s3，将和分别通过如下式(5)表示：
[0112][0113]
式中，i1表示聚焦堆栈，分别表示聚焦堆栈在水平方向x、竖直方向y、图像序列方向z的差分；
[0114]
s4，利用如下收缩算子shrink(
·
)求解，则式(5)转化为下式(6)：
[0115][0116]
式中，α和θ均为shrink函数的自变量。
[0117]
式(2-1)除了可以采用本实施例提供的分裂bregman算法求解之外，还可以采用交替方向乘子法、原始对偶方法等现有方法实现。
[0118]
在一个实施例中，采用本发明提供的由聚焦堆栈估计深度方法获得的u，再根据各个位置像素沿着图像序列方向z找到聚焦测度最大的层，当前层序号则为其对应深度，即：id＝maxz(u)，从而获得高精度的深度图id。
[0119]
本实施例还提供一种由聚焦堆栈重建深度的装置，其包括聚焦堆栈采集单元、聚焦测度体数据计算单元、结构一致性计算单元、优化单元和深度图计算单元，其中：
[0120]
聚焦堆栈采集单元用于通过改变物距或相距的方式，采集一组聚焦深度不同的图像序列，获得聚焦堆栈。
[0121]
聚焦测度体数据计算单元用于使用测度算子计算初始的聚焦测度体数据u；其中，聚焦测度体数据包括聚焦堆栈中每个像素的聚焦测度。
[0122]
结构一致性计算单元用于根据聚焦堆栈与聚焦测度体数据u的数据结构之间的相似程度，计算聚焦堆栈与聚焦测度体数据的结构一致性s。
[0123]
优化单元用于结合结构一致性s，利用三维自适应加权全变分模型优化聚焦测度体数据u，得到优化后的聚焦堆栈体数据u；
[0124]
深度图计算单元用于根据优化后的聚焦测度体数据，获得深度图。
[0125]
下面就本发明实施例提供的基于聚焦堆栈估计深度方法进行详细阐述。
[0126]
如图2所示，图中示出了三维聚焦堆栈与聚焦测度体数据结构一致性示意图。聚焦堆栈的生成过程是聚焦在不同成像面的过程。例如图2的横线位置展示，在聚焦堆栈中x维度上存在几个较大阶梯跳跃的位置，聚焦程度中x维度上也存在梯度值较大的位置，当两种属性的图片都存在较大结构则认为该位置为二者一致的结构，而一个较大另一个较小，或者两个都较小的结构是不一致结构和平滑结构。如图2第二行第三个可以看出，只有前两个较大结构是这两种属性图像共有的，所以这两个位置在x维度上具有较大的结构一致性，y维度也同理。
[0127]
而聚焦堆栈和聚焦测度都是三维的体数据，不仅有x,y维度还有空间z维度，每个像素由于景深不同，像素值也不同。对于从失焦到聚焦到再失焦的数据采集过程，像素值也是对应的存在由小变大再变小的过程。聚焦测度体数据中每个位置的像素沿着图像序列方向聚焦测度值也有一个先变大后变小的结构，如图2第三行。二者都具有的先变大后变小的变化趋势就是z维度上一致的结构，使用三维的结构一致性进行引导的优势就是在二维一致结构起作用的同时，第三个维度也有空间结构可以为优化的过程提供更多的信息，从而使得优化的结果更加准确。
[0128]
本发明提出三维自适应加权全变分模型，对聚焦测度体数据进行优化。使用聚焦堆栈包含场景的物理颜色信息与聚焦测度包含的纹理和几何结构信息一致性作为引导，并以此构造三维引导滤波的权重，对聚焦测度数据进行修正，从而估计更准确深度的方法。
[0129]
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种由聚焦堆栈重建深度的方法，其特征在于，包括：步骤101，通过改变物距或相距的方式，采集一组聚焦深度不同的图像序列，获得聚焦堆栈；步骤102，使用测度算子计算初始的聚焦测度体数据u；其中，聚焦测度体数据包括聚焦堆栈中每个像素的聚焦测度；步骤103，根据聚焦堆栈与聚焦测度体数据u的数据结构之间的相似程度，计算聚焦堆栈与聚焦测度体数据的结构一致性s；步骤104，结合结构一致性s，利用三维自适应加权全变分模型优化聚焦测度体数据u，得到优化后的聚焦堆栈体数据u；步骤105，根据优化后的聚焦测度体数据，获得深度图。2.如权利要求1所述的由聚焦堆栈重建深度的方法，其特征在于，步骤103中，结构一致性s通过下式(1-1)、式(1-2)和式(1-3)之一计算得到：3)之一计算得到：3)之一计算得到：式中，i表示聚焦堆栈，分别表示聚焦堆栈的二维图像中的水平方向x、竖直方向y、图像序列方向z的一阶差分算子。3.如权利要求1或2所述的由聚焦堆栈重建深度的方法，其特征在于，步骤104中的优化方法包括：将聚焦测度正则化问题转化为能量最小化问题，目标函数e(u)表示为下式(2-1)：式中，表示数据保真度项，表示正则化项，λ表示保真项系数，用于调节正则化项的参数，f为初始的聚焦堆栈体数据，ω为下式(2-2)描述的任意像素p的权重值ω
p
；ω
p
＝exp(-β
·
s
p
)
ꢀꢀꢀꢀꢀꢀ
(2-2)式中，s
p
表示p点的结构一致性，由式(1-1)、式(1-2)和式(1-3)之一计算得到，β表示权重系数。4.如权利要求3所述的由聚焦堆栈重建深度的方法，其特征在于，式(2-1)的求解方法具体包括：s1，引入近似的辅助变量以及松弛变量b
x
、b
y
、b
z
，在离散情况下，将分裂bregman算法应用到式(2-1)中，则有下式(3)：
式中，u
(k+1)
表示第k+1次迭代后的聚焦测度体数据，表示第k+1次迭代后的聚焦测度体数据，分别表示u
(k+1)
在水平方向x、竖直方向y、图像序列方向z的差分，分别表示第k+1次迭代后的d
x
、d
y
、d
z
，，分别表示第k次迭代后的b
x
、b
y
、b
z
，分别表示第k+1次迭代后的b
x
、b
y
、b
z
，t(u,d
x
,d
y
,d
z
)表示为下式：式中，μ表示控制辅助变量b近似的参数；s2，将式(2-1)的求解转化为下式(4-1)：1)：1)：1)：式中，g1、g2、g3均为用于简化公式用的中间参数，||
·
||1表示一范数，表示二范数的平方；s3，将和分别通过如下式(5)表示：式中，i1表示聚焦堆栈，分别表示聚焦堆栈在水平方向x、竖直方向y、图像序列方向z的差分；
s4，利用如下收缩算子shrink(
·
)求解，则式(5)转化为下式(6)：式中，α和θ均为shrink函数的自变量。5.一种由聚焦堆栈重建深度的装置，其特征在于，包括：聚焦堆栈采集单元，其用于通过改变物距或相距的方式，采集一组聚焦深度不同的图像序列，获得聚焦堆栈；聚焦测度体数据计算单元，其用于使用测度算子计算初始的聚焦测度体数据u；其中，聚焦测度体数据包括聚焦堆栈中每个像素的聚焦测度；结构一致性计算单元，其用于根据聚焦堆栈与聚焦测度体数据u的数据结构之间的相似程度，计算聚焦堆栈与聚焦测度体数据的结构一致性s；优化单元，其用于结合结构一致性s，利用三维自适应加权全变分模型优化聚焦测度体数据u，得到优化后的聚焦堆栈体数据u；深度图计算单元，其用于根据优化后的聚焦测度体数据，获得深度图。6.如权利要求2所述的由聚焦堆栈重建深度的装置，其特征在于，结构一致性s通过下式(1-1)、式(1-2)和式(1-3)之一计算得到：3)之一计算得到：3)之一计算得到：式中，i表示聚焦堆栈，分别表示聚焦堆栈的二维图像中的水平方向x、竖直方向y、图像序列方向z的一阶差分算子。7.如权利要求5或6所述的由聚焦堆栈重建深度的装置，其特征在于，优化单元中的优化方法包括：将聚焦测度正则化问题转化为能量最小化问题，目标函数e(u)表示为下式(2-1)：式中，表示数据保真度项，表示正则
化项，λ表示保真项系数，用于调节正则化项的参数，f为初始的聚焦堆栈体数据，ω为下式(2-2)描述的任意像素p的权重值ω
p
；ω
p
＝exp(-β
·
s
p
)
ꢀꢀꢀꢀꢀꢀ
(2-2)式中，s
p
表示p点的结构一致性，由式(1-1)、式(1-2)和式(1-3)之一计算得到，β表示权重系数。8.如权利要求7所述的由聚焦堆栈重建深度的装置，其特征在于，式(2-1)的求解方法具体包括：s1，引入近似的辅助变量以及松弛变量b
x
、b
y
、b
z
，在离散情况下，将分裂bregman算法应用到式(2-1)中，则有下式(3)：式中，u
(k+1)
表示第k+1次迭代后的聚焦测度体数据，表示第k+1次迭代后的聚焦测度体数据，分别表示u
(k+1)
在水平方向x、竖直方向y、图像序列方向z的差分，分别表示第k+1次迭代后的d
x
、d
y
、d
z
，，分别表示第k次迭代后的b
x
、b
y
、b
z
，分别表示第k+1次迭代后的b
x
、b
y
、b
z
，t(u,d
x
,d
y
,d
z
)表示为下式：式中，μ表示控制辅助变量b近似的参数；s2，将式(2-1)的求解转化为下式(4-1)：1)：1)：1)：式中，g1、g2、g3均为用于简化公式用的中间参数，||
·
||1表示一范数，表示二范数的平方；s3，将和分别通过如下式(5)表示：
式中，i1表示聚焦堆栈，分别表示聚焦堆栈在水平方向x、竖直方向y、图像序列方向z的差分；s4，利用如下收缩算子shrink(
·
)求解，则式(5)转化为下式(6)：式中，α和θ均为shrink函数的自变量。

技术总结
本发明公开了一种由聚焦堆栈重建深度的方法和装置，其包括：步骤101，通过改变物距或相距的方式，采集一组聚焦深度不同的图像序列，获得聚焦堆栈；步骤102，使用测度算子计算初始的聚焦测度体数据u；其中，聚焦测度体数据包括聚焦堆栈中每个像素的聚焦测度；步骤103，根据聚焦堆栈与聚焦测度体数据u的数据结构之间的相似程度，计算聚焦堆栈与聚焦测度体数据的结构一致性S；步骤104，结合结构一致性S，利用三维自适应加权全变分模型优化聚焦测度体数据u，得到优化后的聚焦堆栈体数据u；步骤105，根据优化后的聚焦测度体数据，获得深度图。本发明能够有效解决聚焦堆栈估计深度中弱纹理区域和遮挡区域深度线索丢失问题，进而提升重建深度的精度。升重建深度的精度。升重建深度的精度。


技术研发人员：邓小娟 邱钧 刘畅 罗天琦
受保护的技术使用者：北京信息科技大学
技术研发日：2023.07.14
技术公布日：2023/9/26