朱先震，呂順，唐天航

（四川大學(xué)計(jì)算機(jī)學(xué)院，成都610065）

0 引言

作為人類(lèi)認(rèn)識(shí)和感知世界的基礎(chǔ)，深度信息被廣泛應(yīng)用于三維重建、無(wú)人駕駛、工業(yè)檢測(cè)、外科手術(shù)定位等諸多領(lǐng)域。目前，大多數(shù)深度估計(jì)方法依據(jù)計(jì)算攝影學(xué)的相關(guān)理論，采用基于光場(chǎng)恢復(fù)[1-2]、深度線索[3-8]或機(jī)器學(xué)習(xí)[9-10]的方式完成場(chǎng)景深度信息的恢復(fù)。然而，基于光場(chǎng)恢復(fù)的深度估計(jì)大多需要額外的附加硬件或修改相機(jī)結(jié)構(gòu)，應(yīng)用范圍有限；基于機(jī)器學(xué)習(xí)的深度估計(jì)每次訓(xùn)練僅針對(duì)特定場(chǎng)景的圖像有效，泛化性不強(qiáng)。故本文選擇基于散焦和透視線索的深度估計(jì)方法作為研究重點(diǎn)。

基于散焦線索的深度估計(jì)將深度估計(jì)問(wèn)題轉(zhuǎn)化為對(duì)散焦區(qū)域的模糊估計(jì)問(wèn)題，依據(jù)薄透鏡成像原理計(jì)算場(chǎng)景的相對(duì)深度。Pentland將散焦圖像建模為清晰圖像與點(diǎn)擴(kuò)散函數(shù)（PSF）的卷積，通過(guò)測(cè)量圖像中給定點(diǎn)的模糊量，計(jì)算場(chǎng)景中相應(yīng)點(diǎn)的距離[3]；Zhuo利用已知的高斯模糊核對(duì)輸入圖像進(jìn)行再模糊，通過(guò)計(jì)算輸入圖像和再模糊圖像的梯度比得到邊緣位置的散焦量，進(jìn)而恢復(fù)完整的場(chǎng)景深度圖[5]?；诖髿馔敢暰€索的深度估計(jì)方法認(rèn)為，由于空氣中氣溶膠的散射作用，距離觀測(cè)點(diǎn)越遠(yuǎn)的物體其成像對(duì)比度、顏色、分辨率衰減越明顯。Zhu等人提出顏色衰減先驗(yàn)，通過(guò)建立霧天圖像場(chǎng)景深度的線性模型，可以很好地恢復(fù)有霧圖像的深度信息[7]；He等人提出暗通道先驗(yàn)用于圖像去霧，在恢復(fù)清晰無(wú)霧圖像的同時(shí)可以得到高質(zhì)量的場(chǎng)景深度圖[8]。

本文致力于解決單幅單目室外圖像的自然場(chǎng)景深度恢復(fù)問(wèn)題。之前算法由于僅采用散焦線索進(jìn)行深度估計(jì)，無(wú)法避免焦平面及模糊紋理二義性，造成最終深度估計(jì)結(jié)果存在誤差，魯棒性不足。為解決該問(wèn)題，本文提出一種聯(lián)合散焦和大氣透視線索的深度估計(jì)方法恢復(fù)輸入圖像的深度信息：①分別計(jì)算圖像散焦與透視線索的深度估計(jì)值；②分析對(duì)比兩種深度估計(jì)信息，采用最小二乘優(yōu)化的方式融合來(lái)自不同線索的深度值，獲得場(chǎng)景的最終深度圖。

1 本文算法

1.1 基于散焦退化模型的散焦深度估計(jì)

從散焦估計(jì)深度是一個(gè)盲反卷積問(wèn)題[11]，在恢復(fù)場(chǎng)景深度信息的同時(shí)需要估計(jì)清晰的場(chǎng)景圖像，求解效率不高，實(shí)時(shí)性不強(qiáng)。在實(shí)際應(yīng)用中，由于人們往往只關(guān)注于高質(zhì)量深度信息的獲取而無(wú)意求解場(chǎng)景的去模糊圖像，故可將深度估計(jì)轉(zhuǎn)化為半盲反卷積問(wèn)題，避免場(chǎng)景清晰圖像的求解。受此啟發(fā)，本文采用的散焦深度估計(jì)方法包括兩個(gè)階段，即邊緣稀疏散焦量的估計(jì)與散焦信息的傳播。

1.1.1 薄透鏡模型及散焦圖像建模

盡管大多數(shù)相機(jī)鏡頭采用具有多個(gè)獨(dú)立透鏡元件的復(fù)雜設(shè)計(jì)，但本文在此僅討論簡(jiǎn)化的薄透鏡成像模型，相關(guān)原理足以支撐本文提出算法的適用場(chǎng)景。

圖1 薄透鏡成像模型

圖2 物距dobject與模糊圓直徑dblur間的關(guān)系

圖1 展示了簡(jiǎn)化的相機(jī)成像模型。由高斯成像公式[12]可知，薄透鏡成像滿(mǎn)足：

其中，dobject為成像物體與鏡頭之間的距離，dimage為鏡頭與準(zhǔn)確聚焦像平面之間的距離，f為鏡頭焦距。由于衍射效應(yīng)，散焦成像形成的模糊光斑可近似為圓形斑點(diǎn)，被稱(chēng)為模糊圓（Circle of Confusion，CoC）。假設(shè)鏡頭到傳感器距離為d，根據(jù)場(chǎng)景幾何關(guān)系結(jié)合式（1），模糊圓的直徑dblur滿(mǎn)足：

其中，A為鏡頭光圈直徑，N為光圈值，模糊圓直徑dblur反映了成像點(diǎn)的散焦程度。圖2展示了當(dāng)焦距f、光圈值N取特定值時(shí)物距dobject與模糊圓直徑dblur滿(mǎn)足的數(shù)量關(guān)系。從圖中可以看出，在焦平面兩側(cè)，場(chǎng)景物距與模糊圓直徑具有一一對(duì)應(yīng)的關(guān)系，故通過(guò)估計(jì)散焦圖像的模糊量可以恢復(fù)場(chǎng)景的相對(duì)深度。此外，散焦引起的圖像退化過(guò)程可以建模為場(chǎng)景反射光和相機(jī)點(diǎn)擴(kuò)散函數(shù)（Point Spread Function，PSF）的卷積[3]。在實(shí)踐過(guò)程中，一般采用標(biāo)準(zhǔn)差為σ的二維高斯函數(shù)作為點(diǎn)擴(kuò)散函數(shù)的近似，因此，散焦成像過(guò)程可以表示為：

1.1.2 場(chǎng)景散焦深度估計(jì)

假設(shè)圖像中的場(chǎng)景邊緣均為理想的階躍邊緣，可將其建模為：

其中，A和B分別表示邊緣強(qiáng)度與偏移量大小，s(x)表示階躍函數(shù)，x表示像素位置。根據(jù)式（3），模糊邊緣可以表示為：高斯函數(shù)g(x,σ)的標(biāo)準(zhǔn)差σ反映了邊緣像素x的模糊程度。

采用Zhuo[5]的方法進(jìn)行邊緣散焦估計(jì)。使用具有已知大小模糊核σr的高斯函數(shù)對(duì)圖像進(jìn)行模糊處理，再次模糊后的邊緣梯度可以表示為：

可以看出邊緣梯度大小僅與邊緣強(qiáng)度A及高斯函數(shù)標(biāo)準(zhǔn)差σ有關(guān)。根據(jù)Zhuo的理論，原始邊緣與再次模糊邊緣之間的梯度比R在邊緣像素處（x=0時(shí)）取得最大值[5]，即：

因此，已知邊緣像素的最大梯度比R與再次模糊的模糊核大小σr，可求出原始圖像的邊緣稀疏散焦量：

實(shí)驗(yàn)中，本文采用σr=1的模糊核對(duì)原始圖像進(jìn)行再次模糊，采用Canny算子提取圖像邊緣，基于式（7）可以求得邊緣稀疏散焦量的估計(jì)。如圖3所示，（a）為原始場(chǎng)景圖像，（b）為求得的場(chǎng)景稀疏散焦圖。

圖3 場(chǎng)景稀疏散焦圖

獲得場(chǎng)景邊緣稀疏深度圖d?后，通過(guò)散焦傳播的方式進(jìn)行完整場(chǎng)景深度d的估計(jì)。根據(jù)局部一致性假設(shè)，在局部較小的圖像區(qū)域內(nèi)，不同像素對(duì)應(yīng)同一成像物體，其深度應(yīng)當(dāng)是一致的?；谶@一假設(shè)，受Chen[6]提出方法的啟發(fā)，采用基于超像素的散焦傳播方法獲得完整場(chǎng)景深度圖。

首先使用SLIC算法[13]對(duì)圖像進(jìn)行過(guò)分割，得到超像素集S={s1,s2,…,sN}。根據(jù)局部一致性假設(shè)，每個(gè)超像素si區(qū)域內(nèi)的深度應(yīng)當(dāng)是一致的，故可依據(jù)上一步求得的邊緣稀疏散焦量為每個(gè)超像素分配其初始深度。超像素si的初始深度可以定義為：

針對(duì)散焦傳播，本文作出如下假設(shè)：超像素si與sj如果有相似的強(qiáng)度和顏色，則具有相似的模糊度。據(jù)此，應(yīng)用特征相似性對(duì)任意兩超像素間的相似度進(jìn)行度 量，構(gòu) 建 相 似 權(quán) 重 矩 陣。其 中，表示超像素si與sj顏色空間的歐氏距離。由于W編碼任意兩個(gè)超像素之間的相似性，因此可以使用該矩陣調(diào)整超像素對(duì)間的散焦模糊量，將邊緣稀疏散焦量傳播至整幅圖像，修正超像素的初始深度值。具體方法可以表示為：

其中，W?表示正則化后的相似權(quán)重矩陣，滿(mǎn)足每行元素相加為1的條件。式（9）表明，每個(gè)超像素的深度估計(jì)來(lái)自于除不包含邊緣像素外的所有其他超像素的散焦傳播。

圖4 散焦傳播得到的完整場(chǎng)景深度圖及深度估計(jì)誤差

使用散焦傳播算法得到的完整場(chǎng)景深度圖如圖4所示。從圖中可以看出，受焦平面二義性影響，實(shí)際拍攝的近景被錯(cuò)誤估計(jì)為具有更大的景深，不符合人類(lèi)的直觀判斷。因此，為提高深度估計(jì)的準(zhǔn)確性，需要融合來(lái)自大氣透視線索的深度信息修正散焦深度估計(jì)中不準(zhǔn)確的深度值。

1.2 基于散射成像模型的透視深度估計(jì)

1.2.1 大氣散射模型及初始透視深度估計(jì)

如圖5所示，由于空氣中灰塵、煙霧等氣溶膠顆粒的存在，幾乎每一個(gè)室外場(chǎng)景反射的光線在到達(dá)相機(jī)前都會(huì)在大氣中散射，造成相機(jī)拍攝圖像的對(duì)比度降低、飽和度下降。針對(duì)這一現(xiàn)象，Narasimhan等人建立了散射成像的數(shù)學(xué)模型，解釋了強(qiáng)散射介質(zhì)中探測(cè)系統(tǒng)成像質(zhì)量下降的原因[14]。該模型可以表示為：

圖5 大氣散射成像模型

其中，I為相機(jī)拍攝圖像的觀測(cè)強(qiáng)度，J為場(chǎng)景輻射照度，A為全局大氣光，t為介質(zhì)透射率。當(dāng)光線在均勻介質(zhì)中傳播時(shí)，介質(zhì)透射率可以表示為：

其中，β為大氣散射系數(shù)，d是場(chǎng)景深度。式（11）表明介質(zhì)透射率隨深度增加呈指數(shù)衰減，在估計(jì)場(chǎng)景介質(zhì)透射率的同時(shí)可恢復(fù)場(chǎng)景相對(duì)深度信息。

大氣散射模型被廣泛應(yīng)用于圖像去霧操作。在圖像去霧的同時(shí)，除了從觀測(cè)圖像I中恢復(fù)出無(wú)霧的原始場(chǎng)景圖J，還可同時(shí)預(yù)測(cè)全局大氣光A及場(chǎng)景介質(zhì)透射率t。He等人基于統(tǒng)計(jì)觀察，提出暗通道先驗(yàn)理論，該理論認(rèn)為對(duì)于室外無(wú)霧圖像，在大多數(shù)非天空區(qū)域中，至少存在一個(gè)顏色通道的像素強(qiáng)度非常低且接近于零[8]，可以表示為：

其中，Jdark表示圖像J的暗通道，Ω(x)表示以像素x為中心的局部圖像域，c表示彩色像素的顏色通道。假定全局大氣光A已知且不為0，結(jié)合式（12），可推導(dǎo)出介質(zhì)透射率t(x)的表達(dá)式：

如圖6所示，（a）為相機(jī)拍攝的室外圖像，（b）和（c）分別為其對(duì)應(yīng)的暗通道及透射率圖。依據(jù)大氣透視線索，在估計(jì)出場(chǎng)景全局大氣光A的基礎(chǔ)上，結(jié)合式（11）和式（13）可求得場(chǎng)景初始透視深度信息：

圖6 圖像暗通道及其透射率

1.2.2 大氣透視深度估計(jì)修正

基于大氣透視線索的深度估計(jì)方法根據(jù)場(chǎng)景中遠(yuǎn)、近景散射效應(yīng)的不同利用式（14）恢復(fù)場(chǎng)景的相對(duì)深度信息。然而，當(dāng)場(chǎng)景本身包含反射強(qiáng)度較高且表面無(wú)陰影覆蓋的明亮區(qū)域時(shí)，該方法會(huì)產(chǎn)生較大的深度估計(jì)誤差。為解決該問(wèn)題，本文提出結(jié)合亮通道計(jì)算與高層語(yǔ)義先驗(yàn)的不可靠深度修正方法。

與暗通道類(lèi)似，將圖像亮通道定義為：

式中，Jbright表示圖像J的亮通道，Ω(x)表示以像素x為中心的局部圖像區(qū)域，c表示彩色像素的r,g,b顏色通道。從式（15）可知，圖像亮通道描述了局部圖像區(qū)域各像素顏色通道強(qiáng)度的最大值。由于圖像明亮區(qū)域的各通道像素強(qiáng)度值都很高，其亮通道與暗通道之間的差異很小，故使用圖像亮通道與暗通道的差值可以識(shí)別不可靠的深度估計(jì)區(qū)域。

基于這一思想，取濾波后的亮、暗通道之間的差值與某一閾值進(jìn)行比較，若差值低于設(shè)定閾值，則判定該像素屬于深度估計(jì)不可靠區(qū)域，具體可以表示為：

式中，G表示引導(dǎo)濾波[15]，用于平滑亮、暗通道之間的差值圖像，α表示設(shè)定閾值，用于判定特定像素的深度估計(jì)是否可靠。實(shí)驗(yàn)中，本文將α設(shè)定為0.4。圖7顯示了使用該方法預(yù)測(cè)出的不可靠深度估計(jì)區(qū)域?？梢钥吹綀D中天空、道路、灰色建筑物等色彩對(duì)比度較低的區(qū)域都被標(biāo)記為不可靠區(qū)域，符合上文的分析判斷。下面介紹使用高層語(yǔ)義先驗(yàn)修正不可靠深度估計(jì)的方法。

圖7 識(shí)別不可靠的深度估計(jì)

首先，使用K-均值聚類(lèi)算法[16]對(duì)圖像進(jìn)行分割，將圖像劃分為天空、地面及中間過(guò)渡區(qū)域。聚類(lèi)后，根據(jù)圖像幾何關(guān)系與圖中顏色、紋理變化，推斷場(chǎng)景隱含的高層語(yǔ)義信息。即，位于圖像頂部且像素強(qiáng)度較高的區(qū)域?yàn)樘炜諈^(qū)域；位于圖像底部且具有特定紋理變化的區(qū)域?yàn)榈孛鎱^(qū)域；除此之外，其余區(qū)域?yàn)橹虚g過(guò)渡區(qū)域。圖8展示了使用K-均值聚類(lèi)法得到的圖像分割結(jié)果。

圖8 圖像場(chǎng)景分割及高層語(yǔ)義推斷

獲得場(chǎng)景高層語(yǔ)義信息后，可以根據(jù)不同區(qū)域的對(duì)象類(lèi)型有針對(duì)地修正其不準(zhǔn)確的深度估計(jì)。對(duì)于天空區(qū)域，默認(rèn)其位于距離焦平面無(wú)限遠(yuǎn)處，故為其分配最大深度值；對(duì)于地面區(qū)域，根據(jù)相機(jī)投影模型[17]，像素距離圖像底部越近對(duì)應(yīng)深度越小，故為最底部的圖像像素分配最小深度值；對(duì)于圖像中間過(guò)渡區(qū)域，取過(guò)渡區(qū)域與深度估計(jì)不可靠區(qū)域的交集，采用乘以特定比例因子的策略過(guò)渡區(qū)域的不可靠深度估計(jì)值，修正后的深度估計(jì)可以表示為：

圖9 基于高層語(yǔ)義信息的深度估計(jì)修正

1.3 多線索深度估計(jì)融合

獲得場(chǎng)景散焦深度估計(jì)與優(yōu)化后的大氣透視深度估計(jì)后，本文采用最小二乘回歸策略，通過(guò)優(yōu)化目標(biāo)函數(shù)取得最小值，獲得兩種深度線索的融合權(quán)重。具體可以表示為：

其中，d為數(shù)據(jù)集中場(chǎng)景真實(shí)深度值，α與β分別為權(quán)重系數(shù)，db為散焦深度估計(jì)值，dp為優(yōu)化后的大氣透視深度估計(jì)值。通過(guò)優(yōu)化式（18）取得最小值，可以得到最終的場(chǎng)景深度圖。

2 實(shí)驗(yàn)與結(jié)果分析

為驗(yàn)證本文提出算法的有效性，本文使用斯坦福大學(xué)的“Make3D”圖像數(shù)據(jù)集[9-18]進(jìn)行測(cè)試?！癕ake3D”數(shù)據(jù)集包含了534張分辨率為1704×2272的室外圖像，以及使用激光掃描測(cè)距儀采集的灰度范圍為1~81的對(duì)應(yīng)真實(shí)深度圖。本文算法基于MATLAB R2018b編程實(shí)現(xiàn)，運(yùn)行于載有Intel Core i5-6300HQ CPU、16GB內(nèi)存、64位操作系統(tǒng)的PC上。同時(shí)使用Zhuo[5]、He[8]、Saxena[9]提出的深度估計(jì)方法作為對(duì)照算法進(jìn)行性能對(duì)比。

2.1 定性分析

如圖10所示，（a）為從“Make3D”數(shù)據(jù)集中隨機(jī)選取的測(cè)試圖像，（b）為測(cè)試圖像對(duì)應(yīng)的真實(shí)深度圖，（c）、（d）、（e）、（f）分別為Zhuo算法、He算法、Saxena算法以及本文提出算法在測(cè)試圖像上的表現(xiàn)。從圖中可以看出，由于“Make3D”數(shù)據(jù)集包含的測(cè)試圖像具有較大景深，缺乏足夠的散焦線索，Zhuo算法采用散焦測(cè)距原理進(jìn)行深度估計(jì)，無(wú)法有效應(yīng)對(duì)此類(lèi)圖像，生成的深度圖對(duì)近、遠(yuǎn)景區(qū)分不明顯，主觀視覺(jué)效果不好；He算法對(duì)場(chǎng)景透射率進(jìn)行估計(jì)，使用透射率作為深度先驗(yàn)進(jìn)行相對(duì)深度估計(jì)，無(wú)法有效應(yīng)對(duì)不準(zhǔn)確透射率帶來(lái)的深度估計(jì)誤差，對(duì)于存在明顯過(guò)亮區(qū)域的測(cè)試圖像，亮區(qū)域深度估計(jì)結(jié)果不符合主觀視覺(jué)判斷；Saxena算法雖然可以生成相對(duì)深度估計(jì)較為準(zhǔn)確的深度圖，但深度估計(jì)結(jié)果存在明顯噪聲，主觀視覺(jué)效果不好。本文提出的算法結(jié)合散焦線索與大氣透視線索進(jìn)行深度估計(jì)，使兩種單一線索得到的深度估計(jì)優(yōu)勢(shì)互補(bǔ)，避免了Zhuo算法與He算法存在的問(wèn)題，生成了視覺(jué)效果良好的、符合人眼主觀判斷的深度圖。

除此之外，本文還使用PENTAX K-5單反相機(jī)拍攝了若干張真實(shí)自然環(huán)境下的室外圖像用于算法測(cè)試。如圖11所示，（a）為拍攝的真實(shí)自然場(chǎng)景圖像，（b）、（c）、（d）、（e）分別為Zhuo算法、He算法、Saxena算法以及本文提出算法在對(duì)應(yīng)圖像上的表現(xiàn)。從圖中可以看出，相較于“Make3D”數(shù)據(jù)集，雖然Zhuo算法深度估計(jì)性能有所提升，但是受焦平面及模糊紋理二義性影響，該算法對(duì)于部分近景區(qū)域及天空區(qū)域的深度估計(jì)存在明顯誤差。對(duì)于He算法，由于選取的拍攝圖像中基本不存在明顯的過(guò)亮區(qū)域，其深度估計(jì)性能也有提升，生成的深度估計(jì)結(jié)果基本符合人眼相對(duì)深度判斷，但視覺(jué)效果還有待提升。對(duì)于Saxena算法，由于該算法采用機(jī)器學(xué)習(xí)的方式進(jìn)行場(chǎng)景深度估計(jì)，無(wú)法保證其在各類(lèi)不同場(chǎng)景中的泛化性，故Saxena算法在真實(shí)拍攝的室外場(chǎng)景圖像上表現(xiàn)不盡人意，相對(duì)深度估計(jì)結(jié)果與人類(lèi)主觀視覺(jué)判斷差別較大。本文提出的算法采用散焦與透視線索進(jìn)行深度估計(jì)，適用于絕大多數(shù)室外場(chǎng)景圖像，避免了Saxena等基于機(jī)器學(xué)習(xí)的深度估計(jì)算法泛化性不強(qiáng)的問(wèn)題。此外，選取部分圖像局部區(qū)域放大對(duì)比可以看出，本文算法對(duì)于深度細(xì)節(jié)處理更加優(yōu)異，較好反映了不同場(chǎng)景的相對(duì)深度關(guān)系，在真實(shí)拍攝的測(cè)試圖像上性能優(yōu)于對(duì)比的3個(gè)基準(zhǔn)算法。

圖10 不同算法在“Make3D”數(shù)據(jù)集上深度估計(jì)結(jié)果對(duì)比

圖11 不同算法在真實(shí)拍攝圖像上深度估計(jì)結(jié)果對(duì)比

2.2 定量分析

選取絕對(duì)相對(duì)誤差（Absolute Relative Error）與平均絕對(duì)對(duì)數(shù)誤差（Mean Absolute Logarithmic Error）作為深度估計(jì)結(jié)果的評(píng)價(jià)指標(biāo)，其中，絕對(duì)相對(duì)誤差可以定義為：

平均絕對(duì)對(duì)數(shù)誤差可以定義為：

式中，N表示圖像像素的數(shù)量，Di表示算法估計(jì)深度值，D*i表示場(chǎng)景真實(shí)深度值。隨機(jī)選擇“Make3D”數(shù)據(jù)集中的100張圖像用于測(cè)試，分別使用Saxena算法、Zhuo算法、He算法以及本文提出算法對(duì)測(cè)試圖像進(jìn)行深度估計(jì)。使用絕對(duì)相對(duì)誤差與平均絕對(duì)對(duì)數(shù)誤差度量不同算法在每張測(cè)試圖像上的性能表現(xiàn)，取所有測(cè)試圖像的誤差均值作為算法的最終性能度量。表1展示了本文提出算法與Saxena算法、Zhuo算法、He算法深度估計(jì)誤差的定量對(duì)比，從表中可以看出，本文提出算法在深度估計(jì)準(zhǔn)確性上優(yōu)于其他算法。

3 結(jié)語(yǔ)

本文沿用基于深度線索的深度估計(jì)方式，提出了一種結(jié)合散焦線索與大氣透視線索的單幅單目室外圖像深度估計(jì)方法。不同于以往采用單一線索的深度估計(jì)方法，本文分別采用散焦與透視線索進(jìn)行深度估計(jì)，采用多線索深度融合的方式獲得最終的場(chǎng)景深度估計(jì)。對(duì)于散焦深度估計(jì)，基于散焦圖像退化模型與局部一致性假設(shè)，求取并傳播邊緣稀疏散焦量，獲得場(chǎng)景散焦深度估計(jì)值；對(duì)于透視深度估計(jì)，基于暗通道先驗(yàn)與高層語(yǔ)義信息，求取并修正大氣散射深度估計(jì)，獲得場(chǎng)景透視深度估計(jì)值；對(duì)于深度信息融合與最終深度圖的生成，采用最小二乘回歸策略獲取不同深度線索的融合權(quán)重，融合來(lái)自散焦與大氣透視線索的深度信息獲得場(chǎng)景的最終深度估計(jì)。實(shí)驗(yàn)結(jié)果表明，相比3個(gè)對(duì)比的基準(zhǔn)算法，提出的算法可以有效避免采用單一線索進(jìn)行深度估計(jì)可能產(chǎn)生的誤差，精度平均提高10%~13%，生成主觀視覺(jué)效果良好的、魯棒性較高的場(chǎng)景深度圖。

表1 本文提出算法與Saxena、Zhuo、He算法的性能對(duì)比