随着计算机视觉技术的发展,获取高质量深度图的需求越来越迫切。总的来说,深度图获取方法分为两大类:被动式获取和主动式获取。被动式获取方法通常基于立体匹配算法,逐像素点计算匹配代价导致这类算法复杂度较高。相比于立体匹配算法的固有缺陷,使用深度相机可以获取更加稳定的深度图,尤其是在低纹理区域。然而,主动式获取的深度图往往分辨率较低或有相当数量的空洞。因此,需要对这类深度图做进一步增强。因为低质量的深度图可以和描述相同场景的高质量纹理图同时获取,并通过相机参数标定,它们可以变换到同一个坐标系下,所以可以利用高质量纹理图信息对低质量的深度图进行增强。这种类型的主动式方法称为引导性深度图增强。本文围绕被动式和主动式深度获取,以提高获取深度的效率和质量为目标,主要取得了以下创新研究成果。为缓解被动式深度获取复杂度高的问题,本文首先提出一种基于自适应匹配的局部最优深度估计算法,并将仿射不变特征引入匹配,旨在提升低纹理区域的匹配精度。充分的实验表明,对比于先进的局部最优算法,该算法的时间复杂度有所下降同时能获得更高质量的深度图。此外,由于深度估计是逐帧进行的,所以时域·致性无法保证。为此,本文提出一种基于自适应时域滤波的时域一致性增强算法。它同时考虑了深度值的置信度和区域的运动属性。实验表明该方法能获取更稳定的深度图序列并有效抑制虚拟视点图像绘制时产生的闪烁赝像。在主动式深度获取中,一类引导性深度图增强方法假设边界在纹理图和深度图上是同时出现的,并显式使用高质量纹理边界信息增强对应的深度边界而不使用外部数据。然而,这个假设并不总是成立,它会引入纹理拷贝赝像和模糊的深度图边界等问题。在此类方法中,主流算法往往基于马尔科夫随机场,它们通过调整能量函数中的先验正则项的系数来解决上述问题。事实上,由于这类方法缺乏显式的高质量纹理图边界和低质量深度图边界的一致性评估,所以它们不能自适应控制纹理边界的引导在深度图增强任务中的作用。此外,被广泛使用的先验正则项的系数计算方法基于相邻像素之间的深度值和纹理值差异,而忽略了深度图的潜在结构信息。为解决以前方法的缺陷,本文提出三种方法。第一种方法采用逐点边界硬判决的方式减轻边界不一致引起的赝像。第二种方法使用边界结构信息进行软判决边界不一致性定量评价,该方法比硬判决方法更准确。第三种方法综合使用了上述软判决边界不一致性评价和基于最小生成森林距离空间描述的图像结构信息,其增强的深度图效果更鲁棒。在Middlebury和ToF-Mark等数据集上的实验表明这些方法的渐进增益效果。除了基于预定义模型的深度图增强方法,基于数据本身的学习模型旨在隐式学习这种引导信息以获得更好的增强效果。本文提出一个端对端的深度卷积神经网络,它借鉴了已有网络的概念,例如:批归一化和残差学习等等。该网络渐进上采样低分辨率的有噪深度图并利用残差网重建深度图的多尺度高频信号。实验表明对比于先进的深度图增强算法,该算法具有主观和客观效果的提升。