为了提升光场成像的空间分辨率，结合光场图像数字重聚焦与多聚焦图像融合，提出了一种基于多尺度潜在低秩分解和核主成分分析的光场图像全聚焦融合算法。首先，对光场图像进行数字重聚焦得到重聚焦图像，然后对各重聚焦图像进行多尺度分解提取出基础层和显著层，对基础层、显著层分别采用局部梯度差值加权算法和多尺度梯度域显著性提取算法计算相应的特征系数；其次，联立基础层和各显著层的特征系数矩阵，然后用核主成分分析进行降维融合得到融合特征系数矩阵，使得经融合特征系数生成的聚焦决策图能充分考虑基础层和显著层的特征信息；最后，用聚焦决策图引导重聚焦图像进行全聚焦融合。实验结果表明，该算法与传统方法相比在视觉效果和边缘信息丰富度上具有更优表现，所生成的光场全聚焦图像具有更高的分辨率和更好的视觉效果。

针对光路中前景遮挡物影响感兴趣信息采集的问题，本文对应用相机阵列的遮挡物移除算法进行实验研究。用阵列型光场相机采集四维光场数据，然后用数字重聚焦技术进行不同深度的重聚焦，突出目标物细节特征。利用图像重构技术合成子图像阵列，选择最小误差阈值分割法标记遮挡物区域并复现原图像的细节特征。实验结果证明了应用阵列型光场相机移除遮挡物的可行性，及其改善图像质量、复现遮挡区域图像、提高图像可读性、降低噪声影响的能力。依据无参考的图像质量评价指标，本文算法在重构图像质量上SNR与PSNR分别提升了17.3%与77.6%。

针对现有方法处理包含多个显著目标以及显著目标的某些区域与背景区域对比不明显的场景所得显著图不够精细，甚至会丢失某些显著性区域的不足，本文提出了一种结合相机阵列选择性光场重聚焦的显著性检测方法。选用光场数据集，利用同一场景的多幅视点图像，首先对中心视点图像进行结合超分辨率的重聚焦渲染；然后利用基于图的显著性检测方法提出结合全局和局部平滑度约束的传播模型以防止错误标签传播，得到的显著性粗图经过目标图的细化后最终输出精细的检测结果。另外，对于包含多个显著目标的场景，通过选择对场景中某一深度层进行重聚焦，同时对其他深度层产生不同程度的模糊，可以更精确、细致地检测出位于该深度层上的显著目标，一定程度上实现了可选择的显著性检测。在4D光场数据集上进行了实验，结果表明：本文提出的方法所得显著图与真值图之间的平均绝对误差的均值为0.212 8，较现有方法有所降低，检测结果包含更丰富的显著性目标信息，改善了现有显著性检测方法的不足。

光场数据重聚焦包括空间域重聚焦和频域重聚焦两种方法，在重聚焦过程中均需要进行插值计算，重聚焦精度与插值精度密切相关，而插值算法的复杂度会影响计算效率。在实际大量图像处理中，在重聚焦效果满足精度要求的前提下选择计算效率最高的方法，其中，插值精度对频域影响远大于空间域。介绍了空间域重聚焦和频域重聚焦的原理，以及传统3种插值方法和sinc函数插值法，分别用不同的插值方法对这两种重聚焦方法进行实验，比较其重聚焦效果并计算其效率。实验结果表明，在实际应用中为了满足计算效率的需求，在满足精度要求情况下，空间域重聚焦采用线性插值法最佳，频域采用采样半径为2像素的sinc插值最佳。对同一幅影像多次重聚焦时，频域方法优于空间域方法。