针对光场成像的空间域图像分辨率限制，提出一种基于自监督学习的空间域图像超分辨成像方法。利用深度学习中的自编码器，对全部光场子孔径图像同步进行空间域的超分辨重构。设计一种基于多尺度特征结构和全变差正则化的混合损失函数，约束模型输出图像与原始低分辨率图像的相似度。数值实验结果表明，所提方法对噪声具有抑制作用，在光场成像的不同数据集上的超分辨结果平均值超过基于有监督学习的光场空间域超分辨方法。

从频谱支集对称程度及夹角两个结构特点出发，分析频谱支集结构变化对于去噪效果的影响，提出光场频谱支集集中程度的概念，并设计相应的度量函数。通过极小化集中程度度量函数，计算合适的光场双平面间距，按照此间距在去噪前对光场数据进行重参数化可以提高滤波去噪效果。HCI模拟光场数据和斯坦福实测光场数据实验结果表明，引入重参数化的光场滤波去噪方法能够优化去噪结果。从视觉上看，在滤除更多噪点的同时保留场景更多的结构和纹理信息；从定量评价上看，峰值信噪比和结构相似度指标也有所提高。

利用聚焦堆栈估计场景深度是计算成像领域中的重要技术手段。提出三维自适应加权全变分计算框架，用于解决场景中弱纹理区域和遮挡区域深度线索丢失导致深度估计不准确的问题。相比传统二维引导滤波方法，所提三维优化框架不仅考虑聚焦堆栈和聚焦测度中共同蕴藏的场景几何结构，避免在深度图中错误地引入场景物理信息，还充分考虑聚焦堆栈和聚焦测度沿图像序列方向的结构特点，实现更高程度的数据保真。模拟数据和实际数据实验结果表明，所提方法能够有效提升聚焦堆栈估计深度的精度。

聚焦堆栈数据受到视差维分辨率低的限制，导致由聚焦堆栈数据估计的视差的精度低、鲁棒性差。从聚焦堆栈数据的视差维频谱优化出发，引入聚焦堆栈视差维滤波器，提出基于视差维滤波的聚焦堆栈视差维超分辨方法，实现高精度的稠密视差估计。通过聚焦堆栈的频谱分析，选取巴特沃斯滤波作为视差维滤波器，实现聚焦堆栈数据高保真的视差维超分辨。利用视差维超分辨后的稠密聚焦堆栈，基于Robust focus volume regularization（RFV）算法实现稠密、高精度视差估计。模拟数据与实际数据实验结果表明：视差维滤波能够实现高效的视差维超分辨和高精度的稠密视差估计。

由于数据通量限制，光场数据采集存在空间-角度分辨率折中，无法达到诸多应用场景对精细三维重建的要求。本文使用双平面参数化光场数据训练神经辐射场，由神经辐射场生成光场视点平面上新的视点图像，进而实现光场角度域超分辨。由于神经辐射场能够对光场场景进行隐式表达，为高分辨率的四维光场拟合出准确的隐式函数，并将输入变量通过位置编码映射到该变量的傅里叶特征。因此该方法可以准确表达具有复杂不利条件的光场场景，并且能够有效地解决场景高频纹理信息较难拟合的问题。本文通过超分辨光场的角度域信息突破空间-角度分辨率折中、带宽积的限制，在实验中将角度分辨率从5×5提升到9×9，并且峰值信噪比（PSNR）平均提升了13.8%，结构相似度（SSIM）平均提升了9.19%。该研究结果可为后续的光场计算成像工作提供参考。

抠图算法能够有效地将二维图像的前景信息和背景信息分离，实现目标提取、图像合成等计算成像处理。利用四维光场数据的空角耦合关系，通过对光场数据的稀疏化表达建立了满足空角一致性的光场抠图传播模型，并利用该模型将中心子孔径图像的alpha闭合解传播到其他子孔径平面中，快速地得到了具有空角一致性的光场alpha图。同时，基于对极平面图（EPI），提出了光场alpha图空角一致性的定量评价指标。模拟数据集与实测光场数据的数值实验结果表明，所提算法相比逐子孔径图像抠图方法，能够减少冗余计算，更快地得到具有更好空角一致性的高质量光场alpha图。

视差估计是计算成像领域中的重要技术手段。给出由傅里叶视差层（FDL）重建场景深度信息的计算框架，基于FDL的表达方式给出在光场变换域中解构场景的视差层（DL），进而实现视差重建的新方法。利用光场数据重构出FDL，对FDL进行傅里叶逆变换得到对应的DL，利用归一化互相关（NCC）来度量DL图像与中心视图像素点之间的相关性，实现场景视差的准确重建。模拟数据实验和实际数据实验的结果表明，所提方法能够有效地进行场景的精确视差重建。

在光场计算成像中，场景深度重建问题被转化为视差重建问题。通过引入YCbCr颜色空间光场数据实现了基于光场数据单体化的高效视差重建。在Y通道进行区域匹配可避免RGB三通道匹配的冗余计算，进而提高了匹配效率。在Cb、Cr通道进行单体化可实现单体边缘去遮挡和内部视差一致性约束，解决了遮挡区域和平滑区域的误匹配问题。Cb、Cr色度信息为单体化提供了有效聚类信息，将区域生长和二分法相结合实现了单体的精准分割。在单体边缘处，根据单体边缘选取匹配窗口的形状和可见视点，避免了边缘遮挡误匹配的出现。在单体内部中，基于视差一致性先验实现了视差图的优化。模拟数据实验和实际数据实验的结果表明，所提方法在纹理、遮挡和平滑区域均能实现精确重建，对遮挡区域的视差重建具有很强的鲁棒性。

从全光函数的空-角耦合关系出发,分别从空间域、角度域、耦合域和投影域上提取视觉特征,并提出一种无参考光场质量评价方法。在空间域上提取中心子孔径图的自然场景统计(NSS)特征;在角度域和空-角耦合域上分别提取宏像素和极平面图(EPI)上的灰度共生矩阵(GLCM)特征;在投影域上提取重聚焦图局部熵统计分布特征。最后将多视觉特征融合,形成光场的视觉特征向量,使用支持向量回归(SVR)训练出评分模型,建立多视觉特征聚合的光场质量评价方法。实验结果表明,所提评价方法对光场的评分与主观评分有较好的一致性。

提出基于聚焦堆栈单体数据子集架构的全局成像方法,该方法可以提高单体内部的重建精度,减少由物体边界深度跳跃带来的重建误差。首先采用Alpha Matting算法获取物体的边界信息,按照物体的边界信息在(x,y)空间中对聚焦堆栈进行精确划分,在深度方向上对聚焦堆栈数据进行筛选,获得聚焦堆栈单体数据子集。然后根据聚焦测度对单体数据子集进行深度重建和全聚焦成像,利用全变差正则化优化计算结果。最后将优化后的聚焦堆栈单体数据子集的重建结果进行全局融合,得到全局场景的深度图和全聚焦图。实验结果表明,提出的基于聚焦堆栈单体数据子集架构的全局成像方法可以提高计算效率和重建结果的质量,为聚焦堆栈计算成像提供一种优化方案。