多聚焦图像融合是针对同一场景中的每个不同物体分别进行聚焦,获得多幅使该场景中每一物体均清晰的不同焦距图像,然后对这些具有不同焦距的图像进行清晰区域提取,从而获得包括该场景中所有清晰物体在内的图像的过程.由于这一技术能够对各图像中的有用信息进行有效利用,因此被广泛使用.　　脉冲耦合神经网络（pulse couple neural network,PCNN）是在1990年后被Eckhorn提出的一种简化神经网络模型,这种简化模型建立在猫的视觉原理基础之上,与传统的神经网络模型相比,具有着不需要学习或者训练的特性,并且能将相关有效信息进行复杂背景下的有效提取,在处理机制上与人类的视觉感受颇为相似.　　本文在对 PCNN模型的基本工作原理以及数学实现方法进行深入分析研究的基础上,对标准PCNN模型进行简化及改进,将单通道PCNN模型与双通道PCNN模型相结合,根据图像的清晰度水平选取模型中对应神经元的动态链接强度以及外部刺激来进行多聚焦图像融合.　　本文所做的研究工作主要包括以下几个方面：　　（1）研究了基于简化型自适应PCNN的多聚焦图像融合算法.在对源图像进行分块的基础上,根据 PCNN的工作原理,对其模型进行了简化,并选取 EOL(Eneger of Laplacian)既作为简化 PCNN模型中对应神经元的链接强度又作为其外部刺激进行图像块融合,最后根据融合规则获得融合图像.实验结果表明,这种算法比传统多种算法获得了更好的融合效果.　　（2）研究了基于改进型自适应PCNN的多聚焦图像融合算法.在对源图像进行分块的基础上,根据 PCNN的工作原理,对其模型进行了改进,不仅简化模型参数,而且将硬限幅函数改为软限幅函数,并选取 SML(sum-modified-Laplacian),EOL分别作为改进PCNN模型中对应神经元的链接强度以及外部刺激进行图像块融合,最后根据融合规则获得融合图像.实验结果表明,这种算法比传统多种算法获得了更好的融合效果.　　（3）研究了基于PCNN二次融合的多聚焦图像融合算法.在对源图像进行分块的基础上,将分块源图像分别输入到简化PCNN模型以及改进PCNN模型中进行一次融合,获得两幅具有较好融合效果的一次融合图像；其次将所获得一次融合图像作为源图像输入到简化双通道 PCNN模型中进行二次融合,从而获得最终融合图像.实验结果表明,相比之下,这种算法比传统多种算法获得了更好的融合效果.