随着科学技术的发展,传统的成像模式已经不能满足人类日益发展的成像要求。由于光场成像模型能够很好的记录光线的位置和方向信息,因而光场成像模型的工业化也将成为未来发展的必然要求。然而光场成像与实际应用还存在着大量的问题有待解决,如何更好的使用光场成像数据也成为了当前研究的热点,仍然需要大量优秀的科研人员进行攻克。本课题针对光场重聚焦图像的轴向超分辨进行研究,而使用者无需按逐像素的相对深度对光场图像重聚焦,算法在当前重聚焦图像的基础上可以将图像翻倍或者更多。算法使光场重聚焦图像变的更加平滑,同时为使用者节省更多的算力,在未来将有一定的应用价值。(1)提出针对光场轴向超分辨的生成对抗网络模型,使用两个小的生成网络模块学习图像顺序特征,第三个生成网络模块将前两个生成模块的输出进行整合,最终输出重聚焦图像。生成对抗网络的特征提取部分借s鉴DenseNet的网络思想,让特征直接传与后层网络。同时构建光场重聚焦数据集对模型进行训练。实验结果表明,提出的生成对抗网络模型对光场轴向超分辨具有比较出色的超分辨结果。(2)将自适应可分离卷积神经网络模型应用于光场轴向超分辨,此算法与生成对抗网络的主要区别在于模型首先根据前后一组光场重聚焦图像生成卷积核,因此针对不同的图像,卷积核会自适应的改变。然后使用生成的卷积核再与网络的输入图像卷积并整合得到目标图像。实验结果表明该算法对光场轴向超分辨具有出色的效果,输出图像在视觉与数值评价指标均有明显的优势。(3)对前两种超分辨算法使用PyQt搭建UI界面,并使用软件开发的思想对该软件的四个主要功能进行测试。经过一系列的测试与使用,此软件的所有功能均可以流畅的运行显示,很大程度上降低了算法的使用难度方便使用。