随着现代社会的不断进步与发展,人们对图像的要求越来越高,高分辨率的图像已经成为人们的追求目标,普通相机拍摄的图像已经逐渐无法满足人们的日常需要,就算是具有高倍率的光学透镜也依然存在景深的问题,透镜的焦距和放大率越大,景深越小,这样就导致处在景深范围之外的物体是模糊的。而图像融合技术正是解决这一问题的最佳方案。多聚焦图像融合是图像融合的一个重要研究领域。多聚焦图像融合是将拍摄的多幅相同场景,聚焦程度不同的图像融合成一幅完全清晰或聚焦的图像。本文主要利用正交多项式变换的优势,将正交多项式变换和多聚焦图像融合技术相结合,具体工作内容如下:1.提出了一种基于离散切比雪夫多项式变换(Discrete Tchebichef Transform,DTT)和聚焦评价的多聚焦图像融合方法。首先对离散切比雪夫多项式变换的性质进行分析,建立其与相关分析之间的联系,然后计算低阶离散切比雪夫变换系数,从而得到对应的图像块的聚焦评价值的大小,然后将对应的图像块的聚焦评价值进行比较,最后选取聚焦评价值比较大的图像块作为融合图像中的图像块。通过将本文提出的方法与一些经典的多聚焦图像融合方法进行对比发现,在主观效果方面,本文提出的方法得到的融合图像相对来说比较清晰,而且本文提出的方法的时间复杂度低,对噪声具有鲁棒性。2.提出了一种基于离散切比雪夫多项式变换的深度卷积神经网络(Discrete Tchebichef Transform-based neural Network,DTTNet)。该网络能够对多聚焦图像融合中的源图像的像素的清晰或者模糊程度进行分类。DTTNet是一个端到端的网络,网络结构是一个卷积层和三个全连接层。卷积层的滤波器是由DTT系数固定的,而三个全连接层的权重系数是通过训练数据学习得到的。相比于传统的手动定义的聚焦评价,本文提出方法的聚焦评价是通过学习的方式得到的。实验结果表明,所提出的方法在主观视觉感知和客观评价指标方面与现有的多聚焦图像融合方法相比甚至优于现有技术。