光场绘制（Light field rendering,LFR）技术因其低复杂度和具有真实感的绘制结果,是生成新视点图像的一个有力选择。该技术使用简单的插值运算就能将采集到的多视点图像绘制出具有良好体验效果的新视点。因此在虚拟现实、3D计算成像、多视点系统和其他计算视觉领域,LFR技术有着重要的研究意义和应用价值。然而,LFR技术的主要局限性在于它依赖过采样来减少混叠效应和提高绘制质量。因此无失真的绘制需要大量图像,这已成为制约LFR技术发展和应用的重要因素。在保证重构视点绘制无失真的情况下,如何减少LFR所需要的采集图像数量,即确定LFR的最小采样率,成为LFR技术的一个重要研究问题。为了确定LFR的最小采样率,传统方法使用傅里叶理论来获得光场的频谱结构。基于频谱结构的有限范围边界,可以确定在某些假设条件（即朗伯表面和非遮挡）下光场的最小采样率。然而,现实中许多场景是非朗伯表面的和存在遮挡的。因此,我们无法准确描述这些场景特征对光场频谱的影响,并确定合理的光场采样率。同时,这些场景属性获得的光场信号是非带限的。因此,在光场采样过程中,只依赖频谱分析方法会导致频谱泄漏,从而导致绘制的新视点失真。本文针对以上问题,对LFR技术的采样率进一步研究和优化。研究工作内容如下:（1）基于离散余弦稀疏基的光场采样方法研究。为了分析光场信号的稀疏特性,首先,我们基于离散余弦变换和2维光场模型中相机平面和成像平面之间的映射和变换关系,提出了一种用于实现光场的稀疏采样的离散余弦稀疏基（Discrete Cosine Sparse Basis,DCSB）。其次,我们基于压缩感知（Compressed Sensing,CS）理论,利用伯努利随机测量矩阵压缩光场,从而更合理地减少用于绘制新视点的数据量。最后,我们利用稀疏贝叶斯学习（Sparse Bayesian Learning,SBL）理论获得用于重构光场的稀疏解。根据所得稀疏解,我们在不同真实场景和公开数据集场景进行几组实验。与其他经典采样方法进行对比,重构得到的新视点的质量及其极平面图像（Epipolar plane images,EPI）验证了DCSB的有效性。（2）基于小波变换理论的光场信号采样分析。为了探索更加适合光场采样的稀疏基,以更简单的数值分析优化光场采样,我们从连续信号采样定理,通过对采样间隔和带宽进行假设,找到适用于稀疏化光场信号的正交小波基。我们利用这个正交小波基对光场进行小波变换（Wavelet Transform for Light Field,WTLF）,从而研究光场的稀疏特性和采样方法。通过对小波基的尺度函数和平移分量进行分析,我们解决了传统采样方法中信号频谱的带限限制和信号等间隔采样等问题,从而采样到信息更丰富完整的光场信号。此外,通过将小波基的尺度函数和平移分量正交离散化,最终将非线性组合的光场信号用其离散值进行线性表示,即将光场信号的小波变换降至低于一维进行分析采样。最后的实验结果证明了利用正交小波基稀疏采样和重构光场信号的高效性。（3）基于空域和频域转换的光场稀疏分析方法研究。为了减少光场无失真绘制所需的捕获图像数量,本文提出了一种基于傅里叶分析理论的光场稀疏性分析（Sparsity Analysis For Light Fields,SALF）方法。首先,根据绘制新视点图像的分辨率对光场采样的影响,通过成像平面的频谱,分析了相机平面的频谱结构。基于相机平面的频谱结构,可以合理地确定摄像机的拍摄间隔。其次,我们在频域中对光场进行采样,并使用傅里叶投影切片定理简化光场采样的表达式。最后通过投票方案来选择频率系数非零的相机位置。实验结果表明,使用这些相机位置可以优化LFR中的采样率。实验结果突出了所提出的策略优于其他比较方法。