1.一种基于深度学习和傅里叶域分析的图像深度估计方法，其特征在于，包括：读取数据集里的图像对，将图像对输入提出的网络架构中获取重建视图；

将图像对和重建视图带入损失函数，训练并确认网络架构，得到最初视差图；

带入以裁剪比λ裁剪的图像对至确认的网络架构，获取视差映射候选对象；以及，融合视差映射候选对象，估计深度并显示于显示设备上；

其中，所述图像对区分为左视图和右视图，所述重建视图区分为重建左视图和重建右视图；

所述读取数据集里的图像对，将图像对输入提出的网络架构中获取重建右视图的步骤包括：读取数据集；

r l

获取右视图I和左视图I；

l r r

左视图I作为输入图像，右视图I作为目标图像带入网络架构内，获得右视差d；

l r

利用左视图I和右视差d获得重建右视图其中，重建右视图 采用如下公式：所述读取数据集里的图像对，将图像对输入提出的网络架构中获取重建左视图的步骤包括：读取数据集；

r l

获取右视图I和左视图I；

r l l

右视图I作为输入图像，左视图I作为目标图像带入网络架构内，获得左视差d；

r l

利用右视图I和左视差d获得重建左视图其中，重建右视图 采用如下公式：所述将图像对和重建视图带入损失函数，训练并确认网络架构，得到最初视差图的步骤包括：r l

将右视图I、左视图I、重建右视图 和重建左视图 带入损失函数；

通过损失函数训练网络架构；

不断迭代，确认网络架构；

获得最初视差图；

所述损失函数Ls采用如下公式：其中，Lam是重建损失函数，重建损失函数Lam区分为重建左视图损失函数 和重建右视图损失函数 Lds是训练视差图的平滑性，Lds区分为右视差平滑度损失函数 和左视差平滑度损失函数 αam为1，αds为0.1；

所述重建左视图损失函数 采用如下公式：M‑1

其中，α设置为0.84，M设置为5，表示输入图像以2 为因子进行缩小， 为高斯滤波器， N为像素个数，i和j分别为像素坐标， 为左视图和重建左视图结构相似性；

其中，左视图和右视图结构相似性 采用如下公式：其中，β1＝0.0448，β2＝0.2856，β3＝0.3001，β4＝0.2363，γ＝β5＝0.1333， 是亮度对比因子， 是对比度因子， 是结构对比因子。

2.如权利要求1所述的基于深度学习和傅里叶域分析的图像深度估计方法，其特征在于：左视差平滑度损失函数 采用如下公式：其中， 表示左视差图像素点(i，j)在水平方向的梯度， 表示左视差图像素点‑8(i，j)在垂直方向的梯度，ε＝10 ，N表示像素点个数。

3.如权利要求2所述的基于深度学习和傅里叶域分析的图像深度估计方法，其特征在于：带入以裁剪比λ裁剪的图像对至确认的网络架构，获取视差映射候选对象的步骤包括：将输入的左视图和右视图分别按照裁剪比λ裁剪到四个角；

确认的网络架构处理每个裁剪图像，得到相应的视差图；

将相应的视差图映射合并成视差映射候选对象；

其中，λ为0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95或1。

4.如权利要求3所述的基于深度学习和傅里叶域分析的图像深度估计方法，其特征在于：所述将相应的视差图映射合并成视差映射候选对象的步骤包括：相应视差图的视差值按1/λ的倍数缩放；

将部分视差图转换至原位置并叠加，对重叠区域进行平均；

水平翻转输入的左右视图，得到裁剪比为λ的视差映射候选对象，并翻转视差映射候选对象。

5.如权利要求4所述的基于深度学习和傅里叶域分析的图像深度估计方法，其特征在于：融合视差映射候选对象采用傅里叶频域分析方法进行融合，所述估计深度 采用如下公式：其中，f为相机的焦距，b为给定相机间的基线，d为估计视差图。