CN110580481A - 一种基于epi的光场图像关键位置检测方法 - Google Patents

Abstract

本发明一种基于EPI的光场图像关键位置检测方法：步骤1、对光场图像进行解码得到四维光场矩阵；步骤2、得到光场图像的中心行、中心列子孔径图像；步骤3、提取3D水平EPI立方体和3D垂直EPI立方体；步骤4、确定多个尺度上都被检测到的特征点；步骤5、处理得到关键位置线；步骤6、确定得到光场图像上稳定的特征点即光场关键位置；步骤7、删除重复的光场关键位置，最终得到光场图像上所有关键位置。本发明一种基于EPI的光场图像关键位置检测方法，克服了现有的光场图像特征检测方法检测出的特征点不稳定问题，能够准确检测到光场图像上稳定的关键位置，具有鲁棒性且时间复杂度低，适用于不同场景。

Description

一种基于EPI的光场图像关键位置检测方法

技术领域

本发明属于数字图像处理技术领域，具体涉及一种基于EPI的光场图像关键位置检测方法。

背景技术

光场相机由于是通过记录光束方向数据信息原理成像，成像可以用位置信息和角度信息获得整个空间的真实信息，克服了传统成像存在遮挡，丢失深度等缺点，对场景的描述更加全面，而广泛应用于多个视点的立体图像显示和安防监控领域。

对光场图像特征检测是目前研究的热点，现有的光场图像特征检测方法有跨视图重复sift特征检测方法和LIFF光场特征点检测方法：跨视图重复sift特征检测方法有计算量大，检测出的特征点不具有鲁棒性等缺点；LIFF光场特征点检测方法有时间复杂度大，焦点堆栈的斜率不具有自适应等缺点。

发明内容

本发明的目的在于提供一种基于EPI的光场图像关键位置检测方法，克服了现有的光场图像特征检测方法检测出的特征点不稳定问题。

本发明所采用的技术方案是，一种基于EPI的光场图像关键位置检测方法，具体按照以下步骤实施：

步骤1、对原始的光场图像name_LensletRaw.bmp进行解码得到四维光场矩阵LF[u，v，s，t]；

步骤2、利用MATLAB对四维光场矩阵LF[u，v，s，t]进行提取，再对提取得到的中心行、中心列子孔径图像进行灰度化处理；

步骤3、在灰度化处理后的中心行、中心列子孔径图像上提取3D水平EPI立方体和3D垂直EPI立方体；

步骤4、对灰度化处理后的中心行、中心列子孔径图像进行多尺度Harris特征点检测，确定光场图像上在多个尺度上都被检测到的特征点；

步骤5、将经步骤4得到的特征点投影到经步骤3得到的相应EPI立方体上对应的EPI图像上，处理得到关键位置线；

步骤6、对特征点投影之后的每个EPI图像先进行hough线检测再滤波，确定得到光场图像上稳定的特征点即光场关键位置；

步骤7、删除重复的光场关键位置，并将剩下的光场关键位置显示在光场图像name_LensletRaw.bmp上，最终得到光场图像上所有关键位置。

本发明的特点还在于：

步骤2具体按照以下步骤实施：

步骤2.1、对四维光场矩阵LF[u，v，s，t]进行如式(2)的处理得到四维光场矩阵LF[u，v，s，t]的中心行u₁和中心列v₁，所述式(2)如下所示：

步骤2.2、使用MATLAB中的squeeze函数分别提取四维光场矩阵LF[u，v，s，t]中心行u₁和中心列v₁的视图：LF(u₁，v₁，s，t)，即光场图像的中心行、中心列子孔径图像，并编号为sub_num，再使用MATLAB中的rgb2gray函数将中心行、中心列子孔径图像灰度化。

步骤3具体按照以下步骤实施：

步骤3.1、将灰度化处理后的每个中心行子孔径图像中的每行作为采样线，叠放该中心行子孔径图像中的所有行的采样线，得到水平EPI图像，将所有中心行子孔径图像的水平EPI图像像素置为0，并组合光场图像的所有中心行子孔径图像的水平EPI图像，得到3D水平EPI立方体；

步骤3.2、将灰度化处理后的每个中心列子孔径图像中的每列作为采样线，叠放该中心列子孔径图像中的所有列的采样线，得到垂直EPI图像，将所有中心列子孔径图像的水平EPI图像像素置为0，并组合光场图像的所有中心列子孔径图像的垂直EPI图像，得到3D垂直EPI立方体。

步骤4具体按照以下步骤实施：

步骤4.1、分别对光场图像的中心行、中心列子孔径图像做公式(3)处理，对每幅子孔径图像建立七组六层的高斯金字塔，所述公式(3)为：

其中，s代表子孔径图像的高度，t代表子孔径图像的宽度，round为MATLAB中取整函数，

再对每幅子孔径图像做如式(4)的处理，得到每幅子孔径图像高斯金字塔中的每层图像L(x,y,σ_i)，所述式(4)为：

其中，G(σ_i)是尺度为σ_i的高斯核函数，I_i(x,y)为高斯金字塔第i组的第一层图像，G(x,y,σ)的表达式为：

步骤4.2、对每幅子孔径图像建立DOG金字塔：将每幅子孔径图像的第一组高斯金字塔第二层减去第一组高斯金字塔第一层得到第一组第一层DOG金字塔，以此类推，将每幅子孔径图像的七组六层高斯金字塔逐组逐层生成每一个差分图像，得到的每一个差分图像为一层DOG金字塔，每幅子孔径图像共得到七组五层DOG金字塔；

步骤4.3、对每组DOG金字塔中的每层图像用MATLAB中的detectHarrisFeatures函数进行角点检测，得到每组DOG金字塔中每层图像上的特征点，特征点信息记为式(5)，所述式(5)为：

[x,y,oi,σi,sub_num] (5)

其中，x，y为该点坐标值，o_i为当前的组数，σ_i为当前尺度值，sub_num为该点所属的子孔径图像编号；

步骤4.3、判断每组DOG金字塔中每层图像上的特征点是否在多个尺度上都存在，若存在则保留此点，否则删除此点，最终得到在多个尺度上都被检测到的特征点。

步骤5具体按照以下步骤实施：

步骤5.1、通过子孔径图像编号sub_num计算3D水平EPI立方体和3D垂直EPI立方体中的每个关键点的坐标，而将在多个尺度上都被检测到的特征点投影到相应EPI立方体上对应的EPI图像上；

步骤5.2、将投影到EPI图像上的特征点坐标像素值置为1，由此得到EPI图像上的特征点组形成的线，即关键位置线。

步骤6具体按照以下步骤实施：

步骤6.1、对特征点投影之后的每个EPI图像进行hough线检测，得到EPI图像上每条关键位置线的起始坐标和ρ，θ，其中ρ是在EPI图像上以像素为单位测量坐标系原点到每条关键位置线的垂直距离，θ是EPI图像上坐标系原点与每条关键位置线EPI形成的垂线和x轴的夹角，并计算每条关键位置线上关键点的个数；

步骤6.2、对hough线检测结果进行滤波：先将关键点的个数少于u₁的关键位置线删除，再保留-60°＜＝θ＜＝60°之间的关键位置线，最后分析判断每个EPI图像中的剩余关键位置线是否交叉，若同一个EPI图像中包含交叉的关键位置线，则保留交叉的关键位置线中包含最多关键点的线，丢弃交叉的其他关键位置线；

步骤6.3、对滤波之后剩下的每条关键位置线上的所有关键点坐标进行平均，得到每条关键位置线代表的每个关键位置的坐标，每个关键位置的信息记为式(6)，所述式(6)为：

(x,y,o_i,σ_i,sub_num,d)

其中，x，y为关键位置的坐标，o_i为当前的组数，σ_i为当前尺度值，sub_num为当前关键位置所属的子孔径图像，d为该关键位置的深度，d＝1/tan(π/2-θ)。

步骤7具体按照以下步骤实施：

步骤7.1、观察关键位置，若3D水平EPI立方体和3D垂直EPI立方体中的关键位置平均坐标落在彼此的1像素窗口内，则判定此关键位置重复，在这种情况下，删除重复的关键位置，保留在水平子孔径阵列中检测到的关键位置；

步骤7.2、将剩下的在中心行、中心列子孔径图像上、检测到的关键位置显示到原始的光场图像name_LensletRaw.bmp上。

本发明的有益效果在于：

本发明一种基于EPI的光场图像关键位置检测方法通过在中心行、中心列子孔径图像的多个尺度上检测特征点并将特征点投影到EPI图像上进行hough线检测大大增加了光场关键位置的稳定性，可为下一步光场图像匹配提供稳定的特征点，从而提高光场图像匹配正确率。

附图说明

图1是本发明一种基于EPI的光场图像关键位置检测方法流程图；

图2是本发明一种基于EPI的光场图像关键位置检测方法步骤2、3、4的具体流程图；

图3是本发明一种基于EPI的光场图像关键位置检测方法步骤4的具体流程图；

图4是本发明实施例的原始光场图像；

图5是原始光场图像的中心行子孔径图像c_1；

图6是原始光场图像的中心行子孔径图像c_2；

图7是原始光场图像的中心行子孔径图像c_13；

图8是实施例EPI图像hough线检测后滤波的结果图；

图9是得到的实施例原始光场图像上关键位置的监测图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种基于EPI的光场图像关键位置检测方法，具体按照以下步骤实施：

步骤1、对原始的光场图像name_LensletRaw.bmp进行解码得到四维光场矩阵LF[u，v，s，t]；

步骤2、利用MATLAB对四维光场矩阵LF[u，v，s，t]进行提取，再对提取得到的中心行、中心列子孔径图像进行灰度化处理；

步骤3、在灰度化处理后的中心行、中心列子孔径图像上提取3D水平EPI立方体和3D垂直EPI立方体；

步骤4、对灰度化处理后的中心行、中心列子孔径图像进行多尺度Harris特征点检测，确定光场图像上在多个尺度上都被检测到的特征点；

步骤5、将经步骤4得到的特征点投影到经步骤3得到的相应EPI立方体上对应的EPI图像上，处理得到关键位置线；

步骤6、对特征点投影之后的每个EPI图像先进行hough线检测再滤波，确定得到光场图像上稳定的特征点即光场关键位置；

步骤7、删除重复的光场关键位置，并将剩下的光场关键位置显示在光场图像name_LensletRaw.bmp上，最终得到光场图像上所有关键位置。

步骤1具体按照以下步骤实施：

步骤1.1、使用MATLAB的imread函数读入大小为[M，N，3]的光场图像name_LensletRaw.bmp，使用MATLAB的dlmread函数读入光场图像对应的name_LensletRaw.txt文件，对name_LensletRaw.txt文件的第三行代表光场图像内每个宏像素间中心点的水平间隔与垂直间隔[x，y]做如公式(1)的处理得到角度分辨率[u，v]，所述公式(1)为：

步骤1.2、使用MATLAB的imread函数读入大小为[M，N，3]的光场白图像name_white_image.bmp，使用im2bw函数将光场白图像二值化，其中定义二值化阈值graythresh＝50/255，筛选光场白图像中像素高于此阈值的像素点，得到有效像素点；

步骤1.3、依据name_LensletRaw.txt文件的第四行至最后一行所代表光场图像内每个宏像素的中心点坐标计算每个角度分辨率[u，v]采样的图像坐标，确认得到的图像坐标合法并且该角度分辨率[u，v]在光场白图像上对应的像素点为有效像素点时，对name_LensletRaw.txt文件包括的四维光场数据进行赋值操作，得到解码后的四维光场矩阵LF[u，v，s，t]。

步骤2具体按照以下步骤实施：

步骤2.1、对四维光场矩阵LF[u，v，s，t]进行如式(2)的处理得到四维光场矩阵LF[u，v，s，t]的中心行u₁和中心列v₁，所述式(2)如下所示：

步骤2.2、使用MATLAB中的squeeze函数分别提取四维光场矩阵LF[u，v，s，t]中心行u₁和中心列v₁的视图：LF(u₁，v₁，s，t)，即光场图像的中心行、中心列子孔径图像，并编号为sub_num，再使用MATLAB中的rgb2gray函数将中心行、中心列子孔径图像灰度化。

步骤3具体按照以下步骤实施：

步骤3.1、将灰度化处理后的每个中心行子孔径图像中的每行作为采样线，叠放该中心行子孔径图像中的所有行的采样线，得到水平EPI图像，将所有中心行子孔径图像的水平EPI图像像素置为0，并组合光场图像的所有中心行子孔径图像的水平EPI图像，得到3D水平EPI立方体；

步骤3.2、将灰度化处理后的每个中心列子孔径图像中的每列作为采样线，叠放该中心列子孔径图像中的所有列的采样线，得到垂直EPI图像，将所有中心列子孔径图像的水平EPI图像像素置为0，并组合光场图像的所有中心列子孔径图像的垂直EPI图像，得到3D垂直EPI立方体。

步骤4具体按照以下步骤实施：

步骤4.1、分别对光场图像的中心行、中心列子孔径图像做公式(3)处理，对每幅子孔径图像建立七组六层的高斯金字塔，所述公式(3)为：

其中，s代表子孔径图像的高度，t代表子孔径图像的宽度，round为MATLAB中取整函数，

再对每幅子孔径图像做如式(4)的处理，得到每幅子孔径图像高斯金字塔中的每层图像L(x,y,σ_i)，所述式(4)为：

其中，G(σ_i)是尺度为σ_i的高斯核函数，I_i(x,y)为高斯金字塔第i组的第一层图像，G(x,y,σ)的表达式为：

步骤4.2、对每幅子孔径图像建立DOG金字塔：将每幅子孔径图像的第一组高斯金字塔第二层减去第一组高斯金字塔第一层得到第一组第一层DOG金字塔，以此类推，将每幅子孔径图像的七组六层高斯金字塔逐组逐层生成每一个差分图像，得到的每一个差分图像为一层DOG金字塔，每幅子孔径图像共得到七组五层DOG金字塔；

步骤4.3、对每组DOG金字塔中的每层图像用MATLAB中的detectHarrisFeatures函数进行角点检测，得到每组DOG金字塔中每层图像上的特征点，特征点信息记为式(5)，所述式(5)为：

[x,y,o_i,σ_i,sub_num] (5)

其中，x，y为该点坐标值，o_i为当前的组数，σ_i为当前尺度值，sub_num为该点所属的子孔径图像编号；

步骤4.3、判断每组DOG金字塔中每层图像上的特征点是否在多个尺度上都存在，若存在则保留此点，否则删除此点，最终得到在多个尺度上都被检测到的特征点。

步骤5具体按照以下步骤实施：

步骤5.1、通过子孔径图像编号sub_num计算3D水平EPI立方体和3D垂直EPI立方体中的每个关键点的坐标，而将在多个尺度上都被检测到的特征点投影到相应EPI立方体上对应的EPI图像上；

步骤5.2、将投影到EPI图像上的特征点坐标像素值置为1，由此得到EPI图像上的特征点组形成的线，即关键位置线。

步骤6具体按照以下步骤实施：

步骤6.1、对特征点投影之后的每个EPI图像进行hough线检测，得到EPI图像上每条关键位置线的起始坐标和ρ，θ，其中ρ是在EPI图像上以像素为单位测量坐标系原点到每条关键位置线的垂直距离，θ是EPI图像上坐标系原点与每条关键位置线EPI形成的垂线和x轴的夹角，并计算每条关键位置线上关键点的个数；

步骤6.2、对hough线检测结果进行滤波：先将关键点的个数少于u₁的关键位置线删除，再保留-60°＜＝θ＜＝60°之间的关键位置线，最后分析判断每个EPI图像中的剩余关键位置线是否交叉，若同一个EPI图像中包含交叉的关键位置线，则保留交叉的关键位置线中包含最多关键点的线，丢弃交叉的其他关键位置线；

步骤6.3、对滤波之后剩下的每条关键位置线上的所有关键点坐标进行平均，得到每条关键位置线代表的每个关键位置的坐标，每个关键位置的信息记为式(6)，所述式(6)为：

(x,y,o_i,σ_i,sub_num,d)

其中，x，y为关键位置的坐标，o_i为当前的组数，σ_i为当前尺度值，sub_num为当前关键位置所属的子孔径图像，d为该关键位置的深度，d＝1/tan(π/2-θ)。

步骤7具体按照以下步骤实施：

步骤7.1、观察关键位置，若3D水平EPI立方体和3D垂直EPI立方体中的关键位置平均坐标落在彼此的1像素窗口内，则判定此关键位置重复，在这种情况下，删除重复的关键位置，保留在水平子孔径阵列中检测到的关键位置；

步骤7.2、将剩下的在中心行、中心列子孔径图像上、检测到的关键位置显示到原始的光场图像name_LensletRaw.bmp上。

下面通过光场相机lytro拍摄的一个光场图像作为实例来说明板发明一种基于EPI的光场图像关键位置检测方法的实现过程：

(1)首先，读入原始光场图像3_LensletRaw.bmp和对应的3_CentersXY.txt文件到MATLAB中，执行步骤1.1，该原始光场图像如图4所示，通过读入的原始光场图像可知二维光场图像的大小为[3785，3935，3]，通过txt文件可知位置分辨率为[378，328]，微透镜中心的水平间隔和垂直间隔为[10，12]，并得到角度分辨率为[11，13]；

(2)其次，读入光场白图像3_white_image.bmp执行步骤1.2，定义二值化阈值为50/255，使用im2bw函数将光场白图像二值化，依据3_LensletRaw.txt文件中每个宏像素中心坐标计算[11，13]个角度采样的图像坐标，当图像坐标合法且光场白图像上显示为有效像素点时，根据计算的图像坐标得到原始光场图像3_white_image.bmp相应位置的每个通道的像素值，得到原始光场图像解码后的四维矩阵LF₁[11,13,378,328]；

(3)然后，对LF₁[11,13,378,328]执行步骤2.1、2.2，分别提取四维光场数据的角度分辨率为[6,:]的中心行子孔径图像和角度分辨率为[:,7]的中心子孔径图像，对中心行子孔径图像编号为c_1，c_2.....c_13，对中心列子孔径图像编号为r_1，r_2....r_11，该原始光场图像的中心行子孔径图像如图5、6、7所示；

(4)再次，执行步骤4.1、4.2，对中心行、中心列子孔径图像分别构建高斯金字塔，从而得到DOG金字塔，执行步骤4.3，对每幅子孔径图像的DOG金字塔的每层图像进行Harris角点检测，最终得到在多个尺度上都存在的角点；

(5)从次，执行步骤3.1、3.2，对中心行、中心列子孔径图像分别提取3D水平EPI立方体和3D垂直EPI立方体，执行步骤5.1，5.2，将得到的角点投影到3D EPI立方体相应的EPI图像上，执行步骤6.1对每个EPI图像进行hough线检测，并对hough线检测结果进行滤波，确保关键位置的稳定性，并执行步骤6.2，6.3得到光场图像关键位置的信息(x,y,o_i,σ_i,sub_num,d)，其中，对某一个水平EPI图像hough线检测后滤波的结果如图8所示，图8中的白线为EPI图像上hough直线检测并过滤后得到的关键位置线；

(6)最后，执行步骤7.1搜索在水平EPI立方体和垂直EPI立方体中检测到的重复关键位置，并得到最终的光场关键位置矩阵，执行步骤7.2将检测到的结果统一显示在光场原图3_LensletRaw.bmp上，结果如图9所示，图9的*代表最终检测到的光场图像特征点。

Claims (8)

1.一种基于EPI的光场图像关键位置检测方法，其特征在于，具体按照以下步骤实施：

步骤1、对原始的光场图像name_LensletRaw.bmp进行解码得到四维光场矩阵LF[u，v，s，t]；

步骤2、利用MATLAB对四维光场矩阵LF[u，v，s，t]进行提取，再对提取得到的中心行、中心列子孔径图像进行灰度化处理；

步骤3、在灰度化处理后的中心行、中心列子孔径图像上提取3D水平EPI立方体和3D垂直EPI立方体；

步骤4、对灰度化处理后的中心行、中心列子孔径图像进行多尺度Harris特征点检测，确定光场图像上在多个尺度上都被检测到的特征点；

步骤5、将经步骤4得到的特征点投影到经步骤3得到的相应EPI立方体上对应的EPI图像上，处理得到关键位置线；

步骤6、对特征点投影之后的每个EPI图像先进行hough线检测再滤波，确定得到光场图像上稳定的特征点即光场关键位置；

步骤7、删除重复的光场关键位置，并将剩下的光场关键位置显示在光场图像name_LensletRaw.bmp上，最终得到光场图像上所有关键位置。

2.根据权利要求1所述的一种基于EPI的光场图像关键位置检测方法，其特征在于，所述步骤1具体按照以下步骤实施：

步骤1.1、使用MATLAB的imread函数读入大小为[M，N，3]的光场图像name_LensletRaw.bmp，使用MATLAB的dlmread函数读入光场图像对应的name_LensletRaw.txt文件，对name_LensletRaw.txt文件的第三行代表光场图像内每个宏像素间中心点的水平间隔与垂直间隔[x，y]做如公式(1)的处理得到角度分辨率[u，v]，所述公式(1)为：

步骤1.2、使用MATLAB的imread函数读入大小为[M，N，3]的光场白图像name_white_image.bmp，使用im2bw函数将光场白图像二值化，其中定义二值化阈值graythresh＝50/255，筛选光场白图像中像素高于此阈值的像素点，得到有效像素点；

步骤1.3、依据name_LensletRaw.txt文件的第四行至最后一行所代表光场图像内每个宏像素的中心点坐标计算每个角度分辨率[u，v]采样的图像坐标，确认得到的图像坐标合法并且该角度分辨率[u，v]在光场白图像上对应的像素点为有效像素点时，对name_LensletRaw.txt文件包括的四维光场数据进行赋值操作，得到解码后的四维光场矩阵LF[u，v，s，t]。

3.根据权利要求1所述的一种基于EPI的光场图像关键位置检测方法，其特征在于，所述步骤2具体按照以下步骤实施：

步骤2.1、对四维光场矩阵LF[u，v，s，t]进行如式(2)的处理得到四维光场矩阵LF[u，v，s，t]的中心行u₁和中心列v₁，所述式(2)如下所示：

步骤2.2、使用MATLAB中的squeeze函数分别提取四维光场矩阵LF[u，v，s，t]中心行u₁和中心列v₁的视图：LF(u₁，v₁，s，t)，即光场图像的中心行、中心列子孔径图像，并编号为sub_num，再使用MATLAB中的rgb2gray函数将中心行、中心列子孔径图像灰度化。

4.根据权利要求1所述的一种基于EPI的光场图像关键位置检测方法，其特征在于，所述步骤3具体按照以下步骤实施：

步骤3.1、将灰度化处理后的每个中心行子孔径图像中的每行作为采样线，叠放该中心行子孔径图像中的所有行的采样线，得到水平EPI图像，将所有中心行子孔径图像的水平EPI图像像素置为0，并组合光场图像的所有中心行子孔径图像的水平EPI图像，得到3D水平EPI立方体；

步骤3.2、将灰度化处理后的每个中心列子孔径图像中的每列作为采样线，叠放该中心列子孔径图像中的所有列的采样线，得到垂直EPI图像，将所有中心列子孔径图像的水平EPI图像像素置为0，并组合光场图像的所有中心列子孔径图像的垂直EPI图像，得到3D垂直EPI立方体。

5.根据权利要求1所述的一种基于EPI的光场图像关键位置检测方法，其特征在于，所述步骤4具体按照以下步骤实施：

步骤4.1、分别对光场图像的中心行、中心列子孔径图像做公式(3)处理，对每幅子孔径图像建立七组六层的高斯金字塔，所述公式(3)为：

其中，s代表子孔径图像的高度，t代表子孔径图像的宽度，round为MATLAB中取整函数，

再对每幅子孔径图像做如式(4)的处理，得到每幅子孔径图像高斯金字塔中的每层图像L(x,y,σ_i)，所述式(4)为：

其中，G(σ_i)是尺度为σ_i的高斯核函数，I_i(x,y)为高斯金字塔第i组的第一层图像，G(x,y,σ)的表达式为：

步骤4.2、对每幅子孔径图像建立DOG金字塔：将每幅子孔径图像的第一组高斯金字塔第二层减去第一组高斯金字塔第一层得到第一组第一层DOG金字塔，以此类推，将每幅子孔径图像的七组六层高斯金字塔逐组逐层生成每一个差分图像，得到的每一个差分图像为一层DOG金字塔，每幅子孔径图像共得到七组五层DOG金字塔；

步骤4.3、对每组DOG金字塔中的每层图像用MATLAB中的detectHarrisFeatures函数进行角点检测，得到每组DOG金字塔中每层图像上的特征点，特征点信息记为式(5)，所述式(5)为：

[x,y,o_i,σ_i,sub_num] (5)

其中，x，y为该点坐标值，o_i为当前的组数，σ_i为当前尺度值，sub_num为该点所属的子孔径图像编号；

步骤4.3、判断每组DOG金字塔中每层图像上的特征点是否在多个尺度上都存在，若存在则保留此点，否则删除此点，最终得到在多个尺度上都被检测到的特征点。

6.根据权利要求1所述的一种基于EPI的光场图像关键位置检测方法，其特征在于，所述步骤5具体按照以下步骤实施：

步骤5.1、通过子孔径图像编号sub_num计算3D水平EPI立方体和3D垂直EPI立方体中的每个关键点的坐标，而将在多个尺度上都被检测到的特征点投影到相应EPI立方体上对应的EPI图像上；

步骤5.2、将投影到EPI图像上的特征点坐标像素值置为1，由此得到EPI图像上的特征点组形成的线，即关键位置线。

7.根据权利要求1所述的一种基于EPI的光场图像关键位置检测方法，其特征在于，所述步骤6具体按照以下步骤实施：

步骤6.1、对特征点投影之后的每个EPI图像进行hough线检测，得到EPI图像上每条关键位置线的起始坐标和ρ，θ，其中ρ是在EPI图像上以像素为单位测量坐标系原点到每条关键位置线的垂直距离，θ是EPI图像上坐标系原点与每条关键位置线EPI形成的垂线和x轴的夹角，并计算每条关键位置线上关键点的个数；

步骤6.2、对hough线检测结果进行滤波：先将关键点的个数少于u₁的关键位置线删除，再保留-60°＜＝θ＜＝60°之间的关键位置线，最后分析判断每个EPI图像中的剩余关键位置线是否交叉，若同一个EPI图像中包含交叉的关键位置线，则保留交叉的关键位置线中包含最多关键点的线，丢弃交叉的其他关键位置线；

步骤6.3、对滤波之后剩下的每条关键位置线上的所有关键点坐标进行平均，得到每条关键位置线代表的每个关键位置的坐标，每个关键位置的信息记为式(6)，所述式(6)为：

(x,y,o_i,σ_i,sub_num,d)

其中，x，y为关键位置的坐标，o_i为当前的组数，σ_i为当前尺度值，sub_num为当前关键位置所属的子孔径图像，d为该关键位置的深度，d＝1/tan(π/2-θ)。

8.根据权利要求1所述的一种基于EPI的光场图像关键位置检测方法，其特征在于，所述步骤7具体按照以下步骤实施：

步骤7.1、观察关键位置，若3D水平EPI立方体和3D垂直EPI立方体中的关键位置平均坐标落在彼此的1像素窗口内，则判定此关键位置重复，在这种情况下，删除重复的关键位置，保留在水平子孔径阵列中检测到的关键位置，；

步骤7.2、将剩下的在中心行、中心列子孔径图像上、检测到的关键位置显示到原始的光场图像name_LensletRaw.bmp上。