纤维和纺织品自动图像检测系统通过识别切片中各种纤维的类型并进行数量统计,达到检测纺织品质量的目的。在理想情况下,当物体处于聚焦平面上时,才能拍摄出最清晰的图像,而纤维切片的不平整程度和纤维之间的交叠情况导致了显微镜在聚焦过程中出现的多焦面问题,影响了纤维的纵向形态和横向形态的识别。在这种情况下,我们需要找到一个较好的图像融合方法来解决多焦问题。图像融合将相同或不同传感器得到的同一目标的多幅图像在统一的坐标中,利用这些时间或空间上冗余或互补的图像信息,依据图像融合算法合成一幅满足某种需求的新图像。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,从而有利于后续的图像处理和识别。目前在国内外,基于像素级多分辨率图像融合和基于区域的多分辨率图像融合技术被广泛关注。像素级融合主要有两种像素级融合的规则：一种是基于单个像素的融合方法,一种是基于局部窗口活性测度的融合方法。但是,无论是基于像素还是基于窗口的融合规则,都没有考虑图像中的目标特性,图像融合的目的应使图像吸收参加融合图像的目标,使感兴趣的目标的轮廓更清晰。例如：实时性差,对配准误差,噪音敏感,模糊效应,重合失调。基于区域融合的基本思想是：对源图像进行某种分割,得到一幅(或多幅)区域分割图,然后再以区域分割图为指导对源图像逐区域地进行融合。最新的基于区域的融合方法,将待融合的图像分为背景区域、目标区域和两者之间的边缘区域,对三个区域分别采用不同的融合规则进行多尺度融合得到融合图像。为了实现从同一场场景获取到的多层纤维图像中提取每根纤维图像的清晰区域目的,我们需要采用纤维融合技术,通过图像融合算法将在相同的成像条件下拍摄到的分别处于不同聚焦平面多幅相同大小的图像进行融合,以便使最后的融合图像能够获取到切片上的纤维的完整信息,保证我们对每根纤维的细度和长度检测的准确性。传统的多焦融合算法,通常需要在整个样品的所有数据都采集到以后,才能进行各种数据的计算和统计。这样的方法无疑影响了我们对纤维长度和细度检测的实时性,延长了检测时间。相对于采集完图像数据,再对多焦纤维图像进行处理和分析的融合方法,本文提出了多焦融合算法和图像采集系统运行可以同步展开的算法,即在图像采集的过程中,同时对采集到的图像数据进行分析和处理,极大的提高其处理速率。针对纤维图像多焦融合时,存在实时性差的问题,提出一种实时纺织纤维图像融合算法,用像素点灰度模值衡量像素点清晰度。首先,根据第一层采集到的纤维图像提取目标区域；其次,确定每个同一场景的纤维图像在同一位置上的像素点灰度模值,比较所有相同位置上的模值,找出最清晰的像素点对应的最大模值；最后,确定阈值进行噪声处理,检索最大模值对应的图层号,根据阈值,纠正领域内的图层号。实验表明,提出的多焦融合算法实时、可靠。