1.一种基于无监督深度学习的光场深度估计方法，其特征在于设计了无监督损失函数；同时从光场图像中提取一组3×3排列的子光圈图像作为光场深度估计网络的输入，输出中心子光圈图像的视差图，实现端到端的训练。

2.根据权利要求1所述的一种基于无监督深度学习的光场深度估计方法，其特征在于该方法需准备光场数据集，制作训练集和测试集，具体实现如下：步骤S1-1：根据双平面表示方法，光场图像定义为LF(u,v,s,t,c)，其中(u,v)为光场角度坐标，(s,t)是光场空间坐标，c为颜色通道，u的取值范围为[-U,U]，v的取值范围为[-V,V]，s的取值范围为[0,W-1]，t的取值范围为[0,H-1]，则光场图像包含了一组(2U+1)×(2V+

1)排列的子光圈图像阵列；光场角度坐标为(u,v)的子光圈图像表示为LF(u,v)(s,t,c)，中心子光圈图像表示为LF(0,0)(s,t,c)，每个子光圈图像大小为W×H；

步骤S1-2：使用海德堡图像处理实验室提供的4D光场数据集作为实验数据集，该数据集包含28个场景的光场图像，并提供了高精度的视差和性能评估指标；将其中16幅光场图像用于制作训练集，剩余12幅光场图像用于制作测试集；

步骤S1-3：从光场图像的子光圈图像阵列中提取0°、45°、90°、135°、180°、225°、270°和

315°方向的最外圈子光圈图像，与中心子光圈图像一起构成一个3×3排列的稀疏子光圈图像阵列；具体如图2所示，所提取子光圈图像为LF(0,0)(s,t,c)、LF(-U,-V)(s,t,c)、LF(0,-V)(s,t,c)、LF(U,-V)(s,t,c)、LF(-U,0)(s,t,c)、LF(U,0)(s,t,c)、LF(-U,V)(s,t,c)、LF(0,V)(s,t,c)和LF(U,V)(s,t,c)。

3.根据权利要求1或2所述的一种基于无监督深度学习的光场深度估计方法，其特征在于该方法需搭建无监督光场深度估计网络，所述的无监督光场深度估计网络由两个子网络组成，分别是视差估计子网络和视差优化子网络：步骤S2-1：所述的视差估计子网络采用与UnsupervisedNet相同的网络结构；所述的视差估计子网络以步骤1-3中提取的3×3排列的稀疏子光圈图像阵列作为输入，输出为中心子光圈图像的初始视差图disp0；

步骤S2-2：所述的视差优化子网络以初始视差图disp0和中心子光圈图像的灰度图作为输入，输出优化后的中心子光圈图像视差图disp1；

优化后的中心子光圈图像视差图disp1计算公式为：

disp1＝disp0+δdisp      (1)。

4.根据权利要求3所述的一种基于无监督深度学习的光场深度估计方法，其特征在于所述的视差优化子网络，具体如下：首先将disp0和中心子光圈图像的灰度图在深度通道上进行堆叠，得到大小为2×W×H×1的张量，作为视差优化子网络中第1个卷积层的输入；

第1个卷积层使用1个卷积核为2×3×3，步长为1×1×1的卷积，对输入进行特征提取，再使用ReLU函数对提取的特征图进行激活；第1个卷积层的输出为2×W×H×1的特征图Ⅰ；

第2个卷积层使用16个卷积核为2×3×3，步长为1×1×1的卷积，对第1个卷积层的输出特征图Ⅰ进行特征提取，再使用ReLU函数对提取的特征图进行激活；第2个卷积层的输出为2×W×H×16的特征图Ⅱ；

第3个卷积层使用32个卷积核为2×3×3，步长为1×1×1的卷积，对第2个卷积层的输出特征图Ⅱ进行特征提取，再使用ReLU函数对提取的特征图进行激活；第3个卷积层的输出为2×W×H×32的特征图Ⅲ；

第4卷积层使用16个卷积核为2×3×3，步长为1×1×1的卷积，对第3个卷积层的输出特征图Ⅲ进行特征提取，再使用ReLU函数对提取的特征图进行激活；第4个卷积层的输出为

2×W×H×16的特征图Ⅳ；

第5卷积层使用16个卷积核为2×3×3，步长为2×1×1的卷积，对第4个卷积层的输出特征图Ⅳ进行特征提取，再使用ReLU函数对提取的特征图进行激活；第5个卷积层的输出为

1×W×H×16的特征图Ⅴ；

第6卷积层使用1个卷积核为3×3，步长为1×1的卷积，对第5个卷积层的输出特征图Ⅴ进行特征提取，再使用Sigmoid函数对提取特征图进行激活；第6个卷积层的输出为视差残差图δdisp，大小为W×H×1。

5.根据权利要求4所述的一种基于无监督深度学习的光场深度估计方法，其特征在于无监督光场深度估计损失函数由光度一致性损失、角度熵损失和散焦损失三部分构成；具体实现如下：步骤S3-1：根据视差估计子网络的输出初始视差图disp0，将光场图像中的所有子光圈图像分别投影到中心子光圈，合成一组新的中心子光圈图像；所述的投影过程具体为：对于一幅子光圈图像LF(u,v)(s,t,c)，根据投影公式合成出一幅新的中心子光圈图像LF′(u,v)(s,t,c)；所述的投影公式为：LF′(u,v)(s,t,c)＝LF(u,v)(s+u·disp0,t+v·disp0,c)    (2)步骤S3-2：根据视差优化子网络的输出disp1，将光场图像中的子光圈图像投影到中心子光圈，合成一组新的中心子光圈图像；所述的投影过程具体为：对于一幅子光圈图像LF(u,v)(s,t,c)，根据投影公式合成出一幅新的中心子光圈图像LF″(u,v)(s,t,c)；所述的投影公式为：LF″(u,v)(s,t,c)＝LF(u,v)(s+u·disp1,t+v·disp1,c)    (3)步骤S3-3：根据合成的中心子光圈图像LF′(u,v)(s,t,c)和中心子光圈图像LF(0,0)(s,t,c)，计算光度一致性损失Lp0，具体公式为：其中β为权重，通常取值为0.8；SSIM(·)为两幅图像的结构相似性计算函数，其计算方法为成熟方法；L′SSIM(u,v)是指投影后的中心子光圈图像LF′(u,v)(s,t,c)与中心子光圈图像之间的结构相似度差异；L′SAD(u,v)是指投影后的中心子光圈图像LF′(u,v)(s,t,c)与中心子光圈图像之间的L1距离；

步骤S3-4：根据合成的中心子光圈图像LF″(u,v)(s,t,c)和中心子光圈图像LF(0,0)(s,t,c)，计算光度一致性损失Lp1，具体公式为：步骤S3-5：根据合成的中心子光圈图像LF′(u,v)(s,t,c)和中心子光圈图像LF(0,0)(s,t,c)，计算角度熵损失Le0，具体公式为：其中w为常数，通常取值0.5；σ为常数，通常取值0.5；h′(u,v)(s,t,c)，g′(u,v)(s,t,c)和L′e(u,v)为计算角度熵损失Le0的中间结果；

步骤S3-6：根据合成的中心子光圈图像LF″(u,v)(s,t,c)和中心子光圈图像LF(0,0)(s,t,c)，计算角度熵损失Le1，具体公式为：其中w为常数通常取值0.5,σ为常数，通常取值0.5；h″(u,v)(s,t,c)，g″(u,v)(s,t,c)和L″e(u,v)为计算角度熵损失Le1的中间结果；

步骤S3-7：根据合成的中心子光圈图像LF′(u,v)(s,t,c)和中心子光圈图像LF(0,0)(s,t,c)，计算散焦损失Ld0，具体公式为：其中d′(u,v)和L′d(u,v)为计算散焦损失Ld0的中间结果；

步骤S3-8：根据合成的中心子光圈图像LF″(u,v)(s,t,c)和中心子光圈图像LF(0,0)(s,t,c)，计算散焦损失Ld1，具体公式为：其中d″(u,v)和L″d(u,v)为计算散焦损失Ld1的中间结果；

步骤S3-9：无监督光场深度估计损失函数为：

Ltotal＝Lp0+Lp1+Le0+Le1+Ld0+Ld1      (10)。

6.根据权利要求5所述的一种基于无监督深度学习的光场深度估计方法，其特征在于该方法需要使用训练集训练无监督光场深度估计网络，具体：通过步骤S1得到的训练集，送入步骤S2中搭建的无监督光场深度估计网络，根据步骤S3中设计的无监督光场深度估计损失函数Ltotal，采用Adam优化算法进行无监督光场深度估计网络的无监督训练，网络迭代优化70000次，获取到最终的模型结果；并使用测试集对模型结果进行测试。