由于光学成像系统景深的限制,使得场景中的目标只有在与相机保持特定距离时,才会处于聚焦区域而被清晰成像,其它距离上的目标则处于离焦区域,成像较为模糊。为了对场景进行准确地感知和分析,需要所有目标都能够被图像清晰呈现。多聚焦图像融合是一种简单且高效地拓展景深的方法,它能够将同一场景具有不同聚焦特性的两幅或多幅图像有机地组合起来,生成一幅信息丰富的全聚焦图像。一般地,对于多聚焦图像来说,由于人们在实际采集图像时经常会将光学镜头聚焦到某一个具体目标上,使获取的图像中,目标区域通常全部为聚焦区域或全为离焦区域,即:目标区域具有一致的聚焦特性。近些年来,一些新的图像表示模型,例如稀疏表示、低秩表示以及它们的拓展形式,被大量地应用到多聚焦图像融合中。这些方法通常以图像块的形式进行操作,在融合过程中通常会忽略目标区域聚焦一致性这一特征,并且在融合图像中引入了很多块状的局部模糊,在聚焦与离焦区域边缘还会出现“锯齿”状边缘形变。为解决这些问题,本文提出了一种利用超像素聚类和联合低秩表示模型进行多聚焦图像融合的方法,能够实现较好的融合性能。首先,源图像被分割为若干个不规则尺寸的超像素,而并非像一些算法中,将图像分割成固定尺寸的图像块,以此来消除“锯齿”状边缘形变,使源图像中目标的边界在融合图像中能够得以较好地保留。同时,本文以超像素为单位提取了图像的多种特征,包括颜色特征、边缘特征和纹理特征,增加了融合算法的鲁棒性。其次,为减少融合图像中所出现的块状的“孤立”模糊区域,本文提出了一种基于超像素聚类的融合方法,增强了目标区域的一致性。通过对超像素进行聚类,并构建低秩表示模型,针对源图像中的每一个超像素类进行联合低秩表示,增强了对相同类区域的一致性约束,也提高了对类间区域的区分性。这对一些复杂场景下采集的图像,具有较强的合理性。此外,本文在联合低秩表示模型的基础上增加了拉普拉斯一致性约束项,确保同一类中相邻的超像素具有更好的空间一致性。最后,将联合低秩表示模型求解得到的低秩表示系数和误差联合起来,构建一个聚焦性测量因子,用来判定源图像中的聚焦和离焦区域并完成多聚焦图像的融合。实验结果表明,本文所提出的多聚焦图像融合算法所得到的融合图像,在主观上和客观上都明显优于现有的一些多聚焦图像融合算法。