1. 推荐阅读http://www.mathworks.com/matlabcentral/fileexchange/48405-deprecated-light-field-toolbox-v0-3-v0-4-now-available)来学习如何破解rawdata；
2. 下面是我精炼的一些方法：
1) 通过拍照获取LFR 文件；
2) 新建文件夹与Cameras/A000424242平行，文件的名字就是你相机的序列号；
3) 在序列号文件夹内创建文件夹命名为WhiteImages；
4) 标定相机。参考https://support.lytro.com/hc/en-us/articles/202587194-Desktop-4-Calibration-Pairing-Data
5) 讲SD卡中大约2GB 的数据放入 WhiteImages 文件夹并解压；运行命令LFUtilUnpackLytroArchive；
6) 在LFToolBox 文件夹里执行LFMatlabPathSetup 来添加路径；
7) 进入Samples文件夹，在改路径下执行RunLFUtilProcessWhiteImages
8) LFUtiDecodeLytroFolder，可以将LFR转换为mat格式；这个过程是很慢的，如果数据比较多，建议使用服务器；
9) Load mat数据，将mat写为图片并保存；
注：每个命令的具体功能请见推荐阅读链接中的帮助手册；
更多功能补充中。。。
1. Automatic functions 自动功能:
ALC – Automatic Luminance Control 自动亮度控制
ABLC – Automatic Black Level Calibration 自动暗电流校正
AWB – Auto White Balance Control 自动白平衡控制
Programmable controls 编程控制:
Gain, exposure, frame rate and size 增益、曝光、帧速率和大小
Image mirror, flip, panning and cropping 图像镜像、翻转、平移和裁剪
Column and row sub-sampling or binning 行和列的二次抽样和合并
Image downsizing scalar图像缩小标量
2. Output formats输出格式:
DVP parallel interface DVP并行接口
MIPI CSI2 (single lane) MIPI CSI2 接口（单线）
3. Data formats数据格式:
10-bit RAW RGB 10位原始RGB
直方图均衡化这种方法通常用来增加许多图像的全局对比度，尤其是当图像的有用数据的对比度相当接近的时候。通过这种方法，亮度可以更好地在直方图上分布。这样就可以用于增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展常用的亮度来实现这种功能。
这种方法对于背景和前景都太亮或者太暗的图像非常有用，这种方法尤其是可以带来X光图像中更好的骨骼结构显示以及曝光过度或者曝光不足照片中更好的细节。这种方法的一个主要优势是它是一个相当直观的技术并且是可逆操作，如果已知均衡化函数，那么就可以恢复原始的直方图，并且计算量也不大。这种方法的一个缺点是它对处理的数据不加选择，它可能会增加背景噪声的对比度并且降低有用信号的对比度。
实现
例子
直方图均衡化算法分为三个步骤，第一步是统计直方图每个灰度级出现的次数，第二步是累计归一化的直方图，第三步是计算新的像素值。
第一步：
for(i=0;i for(j=0;j n[s[i][j]]++;
}
}
for(i=0;i p[i]=n[i]/(width*height);
}
这里，n[i]表示的是灰度级为i的像素的个数，L表示的是最大灰度级，width和height分别表示的是原始图像的宽度和高度，所以，p[i]表示的就是灰度级为i的像素在整幅图像中出现的概率(其实就是p[]这个数组存储的就是这幅图像的归一化之后的直方图)。
第二步：
for(i=0;i<=L;i++){
for(j=0;j<=i;j++){
c[i]+=p[j];
}
}
c[]这个数组存储的就是累计的归一化直方图。
第三步：
max=min=s[0][0];
for(i=0;i for(j=0;j if(max max=s[i][j];
}else if(min>s[i][j]){
min=s[i][j];
}
}
}
找出像素的最大值和最小值。
for(i=0;i for(j=0;j t[i][j]=c[s[i][j]]*(max-min)+min;
}
}
参考：
http://zh.wikipedia.org/wiki/%E7%9B%B4%E6%96%B9%E5%9B%BE%E5%9D%87%E8%A1%A1%E5%8C%96
http://blog.csdn.net/zrongh/article/details/7302816