1.基于感知损失的光场图像角度超分辨率重建方法，其特征在于：该方法为：将预训练模型提取的图像高维特征的均方差作为损失函数，通过构建一个由四个残差块组成的卷积神经网络模型，学习观测图像与目标视角图像之间的非线性映射关系，从而重建出新视角图像。

2.根据权利要求1所述的基于感知损失的光场图像角度超分辨率重建方法，其特征在于：所述预训练模型由两部分组成，一是学习观测图像到新视角图像的映射函数，即光场图像角度超分辨率网络fW，参数为W；二是感知损失网络φ，定义一系列的损失函数li，i＝1,2,

3...为损失函数的序号；设观测图像x通过角度超分辨率网络fW计算得到新视角图像yp，则定义yp＝fW(x)，每个损失函数计算新视角图像yp和目标新视角图像y的损失大小li(yp,y)，权重比例为λi；通过梯度下降法最小化能量函数E，求解出最优的W值，表示为：该模型在不同卷积层提取特征，表达人类对图像的视觉感知情况，层越深，提取的特征越复杂，代表物体的高维特征；利用卷积特征计算观测图像和新视角图像的视觉感知对比损失情况，根据不同卷积层的特征图定义损失函数 设观测图像x通过角度超分辨率网络fW计算得到新视角图像yp，则定义yp＝fW(x)，每个损失函数计算新视角图像y和新视角图像yp的损失大小 fW的求解过程转化为利用公式(1)进行梯度下降求最优解。

3.根据权利要求1所述的基于感知损失的光场图像角度超分辨率重建方法，其特征在于：在所述方法中引入深度残差网络，形成一种深层的网络结构；在构建的具有深度残差网络结构的卷积神经网络中，各卷积层之间采用跨层连接，用于解决增加深度带来的副作用，增加网络的深度，提高网络的性能；

在所述方法中引入感知损失，用于学习图像高维特征之间的映射关系，保留图像的细节信息。

4.根据权利要求3所述的基于感知损失的光场图像角度超分辨率重建方法，其特征在于：采用VGG19网络的第二块的第二层的激活值relu2_2作为所述高维特征，在时间和精度上达到平衡。

5.根据权利要求3所述的基于感知损失的光场图像角度超分辨率重建方法，其特征在于：在所述预训练中，先采用像素级损失，后采用感知损失，用于避免仅采用感知损失带来的收敛较慢的问题。