图像融合是一种提取多张源图像的有效信息并组合为一张融合图像的算法,它为计算机的后续处理及人为观察提供了便利。随着相关技术的发展以及图像的海量产生,图像融合可以应用的领域也较为广泛,例如医学图像的多模态融合、摄影领域的多焦距图像融合、遥感领域的全色图与多光谱图像的融合等。与此同时,卷积神经网络(CNN)作为深度学习领域的主要方法,解决或改进了图像领域的诸多问题并且取得了不俗的成绩,例如图像的分类、分割、探测等。目前也有一些基于深度学习的图像融合算法取得不错的结果,在一些指标上超过了传统方法,但是和其他的融合算法比较,其融合图像的细节、边缘及纹理信息有待改进。因此,针对多焦距图像融合问题,本文提出一种基于离散小波变换(DWT)和卷积神经网络的融合算法。该算法结合空域算法和变换域算法的优势,利用DWT把图像分解为低频子带(低频图像)和不同方向的高频子带(高频图像)。针对不同的频率子带,CNN产生不同的决策图,充分发挥频率图的特点。其中低频子带被用于探测聚焦区域,确保判断聚焦区域的准确性;高频子带被用于挑选图像细节信息,例如边缘、纹理等,这使得融合图像在细节方面得到进一步的改进。而且CNN在本算法中充当了自适应的融合规则的角色,替代了传统算法中的人为预先设定的融合规则,进一步提升了融合图像的质量。本算法一共分为五步:第一步对源图像进行小波分解,得到不同方向的频率图。第二步,把这些频率图送入已经训练好的CNN网络,不同的频率图分别得到更具有针对性的权值图。第三步,对权值图进行后续操作,包括修正的拉普拉斯和(SML)、导向滤波(GF),从而得到最终的决策图。第四步,频率子带根据各自的决策图进行融合。第五步,把融合的频率子带进行小波重构得到融合图像。为了验证算法的有效性,本文对实验结果进行了主观评估和客观评估。其中主观评估指通过人眼的观察和判断,评估融合图像的质量;客观评估指的是利用图像指标衡量融合图像的质量。为了验证算法的稳定性,本文测试了20组多焦距图像,计算了其客观评估的指标分数的均值和标准差。最终两种评估表明本文算法优于其余9种对比算法。此外,算法处理三张及更多源图像的策略、CNN被用在不同的变换域和算法的运行时间也在本文中被讨论和分析。