图像融合技术是将两幅或多幅图像融合为一幅包含更多清晰、有效信息的图像的过程。由于焦距的限制,同一成像设备不能呈现完全清晰的全景图像。因此,多聚焦图像融合可以将对同一场景不同聚焦点的多幅图像进行融合以获得一张包含所有场景信息的全聚焦图像。多聚焦图像融合主要有三种策略:像素级融合、特征级融合和决策级融合。像素级图像融合方法是目前应用较为广泛的一类融合方法,主要分为空间域和变换域两种。基于变换域的图像融合方法通过多尺度变换对源图像进行多尺度分解,然后对不同尺度上的图像系数采用不同的融合规则进行融合。但是,此类方法常会造成图像的变形扭曲现象。基于空间域的多聚焦图像融合算法比较简单易操作,但此类方法可能会产生块效应。随着人工神经网络的快速发展,基于人工神经网络的图像融合算法逐渐获得各国学者广泛的认同。本文针对现有算法的不足,利于多尺度分析和人工神经网络的优点,提出了基于脉冲发放皮层模型(Spiking cortical model,SCM)和残差网络(Residual Network,ResNet)的非下采样剪切波变换(Non-subsampled shearlet transform,NSST)域多聚焦图像融合算法,取得了很好的图像融合效果。本文的主要研究如下:(1)基于自适应双通道SCM的NSST域多聚焦图像融合算法为了减轻在基于变换域的多聚焦图像融合图像存在信息丢失现象的缺点,提出了一种新的基于NSST域的自适应双通道SCM(Dual-channel spiking cortical model,DualSCM)多聚焦图像融合算法。首先,对源图像进行NSST分解,然后将NSST系数通过自适应DualSCM进行融合以获得基础融合图像;其次,利用各源图像与基础融合图像之间差图的图像梯度对图像的焦点区域进行检测获得图像融合的决策图,并通过均值滤波和中值滤波对决策图进行改善;最后,源图像利用改善后的决策图加权相加获得最终的融合图像。由于DualSCM的全局耦合性,该算法可以很好地保留原始图像的信息,获得更符合人眼视觉的融合图像。(2)基于残差网络的NSST域的多聚焦图像融合为了获得更清晰、拥有更多层次和纹理信息特征的全景图像,提出了一种基于ResNet的NSST域多聚焦图像融合算法。首先,对源图像进行NSST分解,获得高频系数和低频系数;然后,对产生的低频系数通过ResNet进行融合,而对产生的高频系数采用改进的梯度拉普拉斯能量和(Improved gradient sum of Laplace energy,IGSML)进行融合;最后,对融合后的高低频系数进行NSST逆变换获得最终的融合图像。该算法在对图像进行NSST处理时充分地考虑了图像的低频全局特征和高频细节信息。同时,ResNet具有较深的网络结构,可以很好的获取低频系数图像的空间信息特征,从而有利于低频系数的融合;而IGSML可以利用不同方向梯度来处理高频图像的不同层次和方向的信息特征,更有利于高频系数的融合。实验结果表明,所提出的方法在获得的融合图像中很好地保留了图像的结构特征、边缘信息和纹理特征。