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。

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。

通过分析特征点密度与物点聚焦程度的关系，建立基于特征点密度的聚焦测度。将融合特征点密度与边缘信息建立新的聚焦测度，利用聚焦堆栈数据实现场景深度的估计与全聚焦成像。对于由边缘信息建立的聚焦测度在图像纹理区域存在不准确性，该方法可以有效地弥补这一缺点。将刻画边缘信息的Sum-Modified-Laplacian(SML)方法与特征点密度函数相融合建立新的聚焦测度，用于三维场景重构，实现了场景深度估计和全聚焦成像算法。实验结果表明，新方法有效地剔除了SML在纹理区域估计错误的深度值，保留了SML在边缘区域的优势，得到了高精度的场景深度图及其全聚焦图像。