1.一种基于重聚焦极线图邻域分布的深度估计方法，其特征在于，所述方法包括如下步骤：
a1：通过光场重聚焦方式，生成聚焦在不同深度层的光场图，并从中提取一系列不同方向重聚焦极线epi图，即水平重聚焦极线图栈和竖直重聚焦极线图栈；
a2：对于每个像素，在重聚焦epi图中，选取以其为中心的局部窗口中的邻域像素，利用张量kullback-leibler散度kld分析两侧的直方图分布；
a3：分析竖直和水平重聚焦极线图所得结果的置信度，并将其融合以得到深度图；
a4：建立全局优化模型，将初始深度图中的深度点通过初始深度值约束、图像纹理结构约束、以及邻域连续性约束传播到整个图像中。
2.如权利要求1所述的方法，其特征在于，步骤a1中，首先进行光场重聚焦操作，生成一系列聚焦在不同深度的光场图lα(x,y,u,v),(α＝1,2,3,…)，其中x,y为空间坐标，u,v为角度坐标，之后通过固定每张光场图竖直方向的空间坐标y和角度坐标v获得水平极线图(x-u)epi，综合所有的深度层上的极线图生成水平极线图栈即(x-u)epi栈，并以同样的方法生成竖直极线图栈即(y-v)epi栈。
3.如权利要求1或2所述的方法，其特征在于，步骤a2中，对于每个像素在重聚焦epi图中，选取以其为中心的局部窗口中的邻域像素，利用张量kullback-leibler散度即k-l散度分析两侧的直方图分布；
在(x-u)epi栈上，首先将
其中
像素p竖直方向的深度张量dv以同样的方式在竖直(y-v)epi栈中计算，
水平或竖直张量的初始深度图通过以下方式获得：
其中*可选择性地代表h或v，即竖直或水平方向。
4.如权利要求1至3任一项所述的方法，其特征在于，步骤a3中，对竖直和水平重聚焦epi中提取的张量进行分析，从而得到每个结果的置信度，对于从竖直和水平张量得到的深度图，将其通过权重融合。
5.如权利要求4所述的方法，其特征在于，所述步骤a3中，kld曲线波峰附近变化剧烈的像素点，认定所得深度值置信度更高，反之亦然；其中，通过方差作为衡量变化是否剧烈的指标，置信度c*定义为:
c*(p)＝var(d*e(p))|e∈h(α(p)),h(α(p))＝[α*(p)-δ,α*(p)+δ],
(5)
其中*可选择性地代表h或v，var(·)代表计算方差的操作，h(α(p))代表在深度层α维度上，初始深度值α*(p)周围的邻域中张量数值，δ即为邻域宽度。
6.如权利要求1至5任一项所述的方法，其特征在于，步骤a5中，使用多标签优化模型进行深度值的迭代传递，其中，全局优化模型定义如下：
其中αh(p)，αv(p)分别代表从竖直和水平张量中计算求得的初始深度图，gα(p)代表最终深度图中的梯度，
通过最小化方程(6),得到最终深度图αfinal。
7.一种基于重聚焦极线图邻域分布的深度估计装置，其特征在于，包括至少一个存储器以及至少一个处理器；
所述存储器，存储有至少一个可执行程序；
所述可执行程序在由所述处理器执行时，实现如权利要求1至6中任一项所述的方法。