由于光学成像系统的聚焦范围有限,因此在物体实际成像的过程中,很难将聚焦部分和非聚焦部分同时清晰的呈现在同一幅图像中。多聚焦图像融合技术能够把某一场景中含有不同清晰目标的多个聚焦图像进行处理,得到一幅所有目标均清晰的融合图像。论文主要研究的内容是多聚焦图像在经过空间域或变换域算法分解后,根据分解后图像包含的信息不同,采用不同的融合规则进行融合,本文的融合规则是在低频图像和高频图像分别采自适应区域和脉冲发放皮层模型(Spiking cortical model,SCM)。本文主要的探究内容和创新点如下:1.在空间域采用卡通纹理分解算法对源图像进行分解。应用卡通纹理分解算法将源图像分为卡通部分和纹理部分。卡通部分是源图像的低频成分,主要包含几何结构;纹理部分是源图像的高频成分,主要包含纹理、精细细节、振荡部分和噪声。根据包含的主要信息不同,在卡通部分采用区域方差作为自适应区域的衡量对比方法,在纹理部分采用区域方差作为SCM的输入。仿真实验表明,基于卡通纹理分解的自适应区域和SCM结合的多聚焦图像融合算法能够能够很好的保留源图像的细节、边缘信息。2.基于空间域的算法主要采用多尺度几何变换中的NSCT和NSST对源图像进行分解。在图像融合过程中,NSCT从源图像提取的信息不够完全,融合后图像上的细节位置容易出现不同程度的模糊。针对NSCT变换的不足,本文研究了基于NSCT域的自适应区域和SCM结合的多聚焦图像融合算法,在融合过程中能够有效地提取有用的特征信息,得到很好的融合图像。但是NSCT的计算复杂度较高,不适用于对实时性有较高要求的场合,而NSST具有更灵活的结构,可加快计算速度。图像经过NSCT或NSST变换后,得到高频系数和低频系数均使用边缘能量进行计算,分别作为自适应区域的衡量方法和SCM的刺激输入进行图像融合。仿真实验表明,基于NSST域的自适应区域和SCM结合的多聚焦图像融合算法能够能够更好的保留源图像的细节、边缘信息。从客观评价和主观视觉上看,该方法优于目前主流的融合方法。