图像深度指的是图像中的每个点(对应图像上的每个像素点)对应场景中点的深度,具体来说就是图像中估计每个像素到摄像机的远近关系。可以通过对预处理的二维图像进行分析与识别,估算场景中的物体在现实世界中的相对远近距离,图像深度信息广泛应用在各个领域,是近年来电子计算机专家和众多研究学者们关注的热点问题,具有广阔的商业前景。近几年来,随着图像深度信息技术的迅猛发展,图像已应用在众多的领域中,而从图像中能够精准地估算出深度信息是三维重建的关键点,可以更好地理解图像场景,也是计算机视觉领域研究的一个基本问题,这将会有效地促进计算机视觉在多种方面的应用,如安全监控、智能机器人、医疗图像、2D转3D等方面。而对于几种常用的图像深度信息提取方法,其中比较典型的方法有马尔科夫随机场(Markov Random Filed:MRF)模型算法。鉴于MRF模型图像深度提取方法,既考虑图像的局部特征,又考虑了图像的全局特征,能比较全面的对图像特征进行提取,从而可以较快地从子数据集中选取合适的图像特征进行深度提取,此方法有一定的实用价值与理论意义。本文以图像深度获取MRF模型和非参数化学习为研究重点,首先对图像相关理论基本概念进行介绍,对图像深度提取常用算法进行研究分析;然后介绍了图像的绝对深度特征、相对深度特征以及位置关联深度特征,在此基础上全面介绍了MRF模型:不仅考虑纹理特征的方向变化,还考虑了空间分布的结构纹理特征;最后结合梯度样本数据集,使用KNN算法训练样本深度值,使用非参数化学习进行深度图的估计。具体研究成果如下:(1)利用MRF的局部集团势能建模。本文详细阐述了图像深度的三个特征:绝对深度特征、相对深度特征、位置关系特征,更加全面的理解图像的特征;通过考虑图像纹理的方向特征、空间分布特征进行MRF建模,此模型参数较少,处理比较方便。MRF考虑图像的局部像素,某一个像素只与相邻的像素有关,根据局部集团势能作用,进而考虑图像的全局像素;(2)利用非参数学习估算图像深度。本文通过传递从RGB-D数据库中提取的图像特征,利用KNN最近邻方法训练样本的深度梯度值,通过MRF模型算法,既考虑图像的局部特征,又考虑图像的全局特征来合成深度梯度场;最后将该梯度场与泊松曲面重建相结合,提取图像的深度图,估计图像深度,进行三维重建。实验结果表明,与传统算法相比较,本算法估计得到的深度图精度更高、误差更小、实用范围更广。结合本文的思路,将上述研究理论进行了对风景区的应用实验、生成相关的深度图,通过与经典的Make3D算法中的相对误差、均方根误差两个方面对比进行验证,通过对Saxena算法、Zhuo算法的均方根梯度误差、处理图像消耗时间进行效果验证及分析,更加全面的验证了本文实验的有效性。