不同种类的纤维纺织品,其强度、截面粗细、纵向长度、卷曲度等特征信息均不相同。同一种类的纤维纺织品也会存在个体差异。这些特征信息是判断纤维对象成熟度的重要标准,是纤维检测和识别过程的关键数据。因而,研究纺织纤维图像对获取并分析这些特征信息具有重要意义。然而,采用全自动控制显微镜系统进行图像获取时,由于同一场景内具备多个纤维目标对象,显微镜传感对它们的空间分辨力具有局限性,导致拍摄获取的纺织纤维图像存在着多焦面问题——同一场景的不同部位存在不同的聚焦效果。而纤维的纵向与横向纹理所存在的多焦面问题会导致图像信息不准确,进一步影响对纤维的判断和鉴别。为了解决这个制约纤维检测的瓶颈,获得更为精准的纤维图像,应用图像融合技术是必不可少的。图像融合技术可以解决多焦面问题。它利用多焦面图像之间存在着冗余性和互补性,将在相同成像条件下的多幅处于不同聚焦平面的图像,通过一定算法得到清晰的部分,组成一幅目标聚焦清晰的图像。得到的融合图像信息比原来任何一幅图像都更为丰富,对目标的表征也更为精确,从而有利于图像的后续处理和对目标的进一步评估与决策。常用的图像融合方法有空域法和变换域法。空域法包括逻辑滤波法、形态学法、图像代数法等,变换域法包括金字塔算法和小波变换法等。这些现有技术具有各自的优势,但也存在以下几种不足：所需的参数过多,结果不稳定；阈值选取不当,因而产生模糊效应、重合不良、图像信息易失；噪声多,融合结果精度不强；融合处理不够实时,效率低。为了能够实时地构造更为清晰、全面的纺织纤维图像,以便于对纤维目标对象的特征进一步地识别、研究和处理,从而需要针对纺织纤维特性提出多焦面纺织纤维图像融合技术。同一目标场景里的多幅多焦面源图像,彼此间存在时间或空间上冗余或互补的图像信息。纺织纤维图像融合技术便是利用这些信息,依据图像融合算法合成一幅各个纤维都聚焦清晰的结果图像。对此本文提出一种基于区域清晰度的图像融合方法。用像素点灰度的模值衡量像素点的清晰度。首先通过对多焦面图像搜索像素点最大模值的方法,确定每个最清晰像素点(即灰度的模值最大)所在的图层号,并保存在图层号矩阵中。再针对图像中的噪声干扰,根据局部区域模值的最大值,确定区域阈值进行去噪处理,并修正图层号矩阵。然后根据图层号矩阵,用对应图层像素点的灰度值合成得到多焦面融合图像。最后对融合方法提出改进措施,以进一步提高图像处理的速度。经过实验,考察本文算法对不同的纤维目标图像的处理能力,以及与小波算法进行一系列评价函数对比分析,表明本文提出的多焦面图像融合方法行之有效。