上一篇部落格中介紹了光場相機重聚焦演算法原理介紹，對光場影象進行重聚焦可以聚焦在不同的深度處，使位於不同深度物體清晰，因此，我們可以對光場影象進行重聚焦，然後進行深度估計。

焦點堆疊深度估計法原理介紹

計算焦點堆疊每一個畫素的梯度，然後對每張影象梯度影象進行均值濾波，然後計算三個通道梯度值的平方和取均值，再開根號，即為該張影象的梯度值，焦點堆疊的同一位置畫素梯度最大則說明該深度時該畫素最清晰，也就是說該深度面上的物體最清晰，記錄該深度的索引值。

焦點堆疊

焦點堆疊就是聚焦在不用平面處的一系列影象
因此，對光場原始影象進行256次重聚焦，這一系列重聚焦影象就稱之為焦點堆疊。

梯度

梯度的概念可以自己瞭解一下

步驟：計算整副影象的梯度值，然後做均值濾波，每個通道梯度的平方去均值再開根號，為該影象的梯度值。

X方向梯度：

Y方向梯度：

該畫素點梯度：

這裡用到了Matlab的gradient函式，自己瞭解一下

梯度計算程式碼：

function img_gradient = DEFOCUS_ANALYSIS(img)//%img為double型別

grad_map = abs(gradient(IM_Refoc_alpha)) ;%梯度計算
h= fspecial('average',[5,5])    ;%定義一個均值濾波器
shear_std_map = imfilter(grad_map,h,'symmetric'
 
)                       ;%對梯度進行均值濾波
shear_std_map = ((shear_std_map(:,:,1).^2 ...%梯度圖三個通道的平方相加取平均值 然後開根號，就是其梯度值
                    +shear_std_map(:,:,2).^2 ...
                    +shear_std_map(:,:,3).^2)/3).^(1/2)  ;

img_gradient = shear_std_map     ;%img_gradient就是這個影象梯度值，為[m,n]大小的單通道影象
end

放一張梯度圖：

原圖如下：

比較亮的地方就說明該張圖片在整個焦點堆疊中梯度值較大，最清晰

結果展示

我們利用上一篇部落格中的256層重聚焦生成的焦點堆疊進行深度估計

部分焦點堆疊展示：

關於索引值
比如第一個畫素，在焦點堆疊中的第25張影象中梯度值最大，那麼該點的索引值即為25，我們對整幅影象m*n個畫素計算其索引值，256層重聚焦，因此索引值應該∈（0，256）

索引影象

部分索引值

然後可以根據焦距，像距和物距公式計算深度，1/U+1/V=1/F，alpha*F就是V，alpha為上一篇部落格中講到的
這種方法估計深度比較粗糙，而且在紋理重複和邊界估計不準確，需要進行優化，比如MRF優化等

參考：
1.論文Depth from Combining Defocus and Correspondence Using Light-Field Cameras-W.Tao
2.Panoramic Reconstruction from Multiple Light-Field Images-Buyukalp,Yasin