多聚焦图像融合作为图像融合的一个研究领域,它的主要作用是对相同场景下不同聚焦点的两个或者多个图像进行融合,生成一张视野范围内全部清晰的图像。由于相机的景深是有限的,只能保证景深范围内的物体清晰成像。这将导致后续的图像处理算法(如特征提取、目标识别等)消耗更多的计算机算力,降低特征提取和目标追踪的准确率,增加系统的不稳定性。多聚焦图像融合技术可以解决相机景深有限的问题,从而提升图像信息的利用程度,增加系统可靠程度。目前该技术已经应用在显微镜成像、医疗以及军事等领域。像素级融合能够获得最丰富的图像信息,是多聚焦图像融合的基础。准确的识别图像中清晰区域并将其提取出来是像素级融合的研究重点,传统的像素级融合方法很难准确的识别清晰区域,融合结果可能会出现伪影,图像细节提取不充分等问题。本文的主要研究内容如下:(1)针对多聚焦图像融合中可能出现的噪声以及误配准问题,分别选择基于自适应阈值滤波的去噪算法以及基于快速傅里叶变换的图像配准算法作为多聚焦图像融合的预处理算法。实验结果表明,这些预处理算法能够有效的消除噪声并配准图像,增加多聚焦图像融合算法的稳定性。(2)提出了一种基于双树复小波和像素卷积神经网络(p-CNN,pixel Convolutional Neural Networks)的多聚焦图像融合算法。首先利用生成的数据集训练p-CNN模型,利用训练好的p-CNN生成低频系数融合决策图,并对其进行融合。高频系数则分三步,先后采用绝对值取大,基于边缘的局部方差、引导滤波逐步细化平滑优化获得各个高频系数的最终决策图,并根据最终决策图融合。实验结果表明本文的算法主观上在保留图像能量和细节,去除边缘伪影伪像方面效果提升明显。与LP＿PCNN、NSCT＿PCNN、CSR、p-CNN相比,空间频率提升4.4%、3.8%、4.7%、1.4%,信息熵提升6%、5.7%、3.9%、0.1%,清晰度提升18%、13%、15%、1.6%。时间比p-CNN提升了约一个数量级,对于配准以及高频去噪后的图像也有不错的融合效果。(3)提出了一种基于非下采样剪切波变换(NSST,Nonsubsampled Shearlet Transform)和样本依赖卷积稀疏编码的多聚焦图像融合算法。首先对原图采用NSST进行分解,以产生高频系数和低频系数。通过对数据集训练得到样本依赖字典,然后使用样本依赖卷积稀疏编码对低频进行融合,高频系数采用绝对值取大得到决策图,并将低频决策图作为引导图优化高频融合系数。最后对融合系数进行逆变换,获得清晰的图像。对公开的多聚焦图像以及本文拍摄的舌头图像做对比试验,实验结果表明主观上该算法能够很好的保留图像能量、提取图像细节以及消除图像伪影。与SR、ASR、CSR相比,空间频率提升19%、1.5%、0.5%,信息熵提升了1.3%、0.1%、0.13%,清晰度提升了18.1%、3.2%、1.5%,相较于对比算法,该算法融合速度提升了7.3倍、36倍、5.4倍。失配准以及噪声多聚焦图像融合实验结果表明该算法还具有很好的抗干扰性,与其它算法相比,该算法鲁棒性更强。