由于成像设备景深的原因,在单焦距的情况下,很难获取所有物体都聚焦的图像。其最主要原因在于:物体只有处在成像设备特定距离范围内才能够聚焦,而处在范围之外的物体不聚焦。为了获取所有物体都聚焦的图像,一种常用的解决方法是多聚焦图像融合技术。它旨在通过融合两个或两个以上采用不同焦距对同一场景拍摄的图像,使融合后图像中所有物体都聚焦。这种融合后图像含有更多的细节信息,并且更适合人类视觉和计算机处理。因此,多聚焦图像融合也可以被视为一种提高一组图片信息质量的过程。针对多聚焦图像融合问题,本文主要从以下两个方面展开研究,分别为基于深度卷积神经网络的多聚焦图像融合方法和基于Hessian矩阵的多聚焦图像融合方法,主要研究内容如下:1.提出了基于像素的深度卷积神经网络(pixel-Convolutional Neural Network,pCNN)的多聚焦融合算法。该算法由数据驱动,所以相较于传统方法更具有鲁棒性。为了降低时间复杂度,本文提出了一种能够将像素级卷积神经网络转变为图像级神经网络的算法,这种图像级神经网络只需要原算法时间复杂度的25分之一。通过实验验证表明,本文提出的由数据驱动的多聚焦图像融合算法相较于传统方法具有更好的鲁棒性,并能够有效的避免块效应的问题,在时间上也可以满足实时应用的需求。2.提出了基于Hessian矩阵的多聚焦图像融合算法。通过图像分解的方式,利用Hessian矩阵将源图像分为特征与非特征区域,提出了新的聚焦评价,并采取不同的融合规则对这些区域进行融合。实验中,首先将新的聚焦评价与传统的聚焦评价进行对比,实验结果表明新的聚焦评价具有更好的稳定性;其次,将融合结果与传统和最近的多聚焦图像融合算法进行比较,分别在对齐与非对齐图像上进行对比实验,实验结果表明本文提出的算法对未对齐图像具有更好的鲁棒性。同时,由于积分图的引入,计算Hessian矩阵的时间复杂度降低,使该算法具有实时性。