由于光学镜头和数字成像设备的聚焦区域有限,同一个场景里所有的物体很难都清晰成像。生活中人们往往希望拍摄的照片能够全聚焦,为了能够得到一副清晰的图像,多聚焦图像融合技术广泛地应用在计算视觉领域。通常从3个层次来划分多聚焦图像融合方法,3个层次分别为像素级多聚焦图像融合、特征级多聚焦图像融合以及决策级多聚焦图像融合。在像素级的基础上,本文提出了两种有效的多聚图像融合方法。针对现阶段图像融合算法经常不考虑局部像素相关性的问题,本文提出了一种基于拉普拉斯金字塔与脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)的多聚焦图像融合算法。该方法首先利用拉普拉斯金字塔变换(Laplacian Pyramid,LP)对输入图像进行多分辨率分解,然后将不同分辨率的子图像通过PCNN简化模型以获得各个子图像的点火频率图,同时计算频率图的每个神经元的局部拉普拉斯绝对能量和,接着按照一定融合规则得到最佳子图像,最后经过LP重构实现图像融合。实验结果表明,该方法能够很好地提取源图像的主要能量和细节信息。针对传统PCNN模型参数复杂难以调节的情况,本文提出了一种粒子群优化PCNN模型的自适应多聚焦图像融合方法。该方法首先通过粒子群算法对PCNN模型的多个目标参数进行优化得到最佳的PCNN模型,接着利用双复树小波变换(Dual Tree Complex Wavelet,DTCWT)对源图像进行多层次多频率分解,其中将高频子图像通过最优PCNN模型进行高频子带融合,低频子图像经过Laplacian分量绝对和(Sum of Modified Laplacian,SML)来进行低频子带融合,最后使用DTCWT实现融合后的高频分量和低频分量的重构。实验结果证明,该方法不管是在主观视觉还是客观指标上都有很好结果。