图像融合技术就是充分利用多个图像传感器提供的具有互补性和冗余性的 多个源图像，将其进行综合处理，生成比来自任意单传感器更清晰、更完整、更 可靠的图像，以此提高系统的性能。多传感器图像融合技术可广泛用于数字照相 机的大景深成像、医学多模式图像的综合显示、地球遥感图像分类识别、机器人 视觉、虚拟现实、三维图像重建、防恐怖安全检查等领域。论文在探讨和研究多 源图像分类问题、基于多分辨率的图像融合算法和融合图像质量评价方法的基础 上，将评价指标应用在图像融合过程中，提出了关于图像融合的新的思想和方法。

图像融合评价指标： 信息熵（IE）、标准差（STD）、对比度（CON）、空间频率（SF）、平均梯度（AG）及 Piella 基于结构相似性的两个指标 QW与 QE等

本文考虑了多焦点图像融合的主要目的和小波系数的物理含义，提出了一种基于离散小波变换（DWT）的融合技术，并结合了新颖的系数选择算法。 在通过DWT分解源图像之后，分别采用两种不同的基于窗口的融合规则来组合低频系数和高频系数。 在该方法中，选择具有最大清晰度聚焦度量的低频域中的系数作为融合图像的系数，并提出了基于最大邻域能量的融合方案来选择高频子带系数。 为了保证所得融合图像的均匀性，将一致性验证程序应用于组合系数。 该方法的性能评估是在合成和真实多焦点图像中进行的。 实验结果表明，与几种现有的融

针对深度学习在计算机视觉上的良好表现，提出一种基于深度学习的多聚焦图像融合算法，在原有的AlexNet网络模型基础上改进了卷积核大小、步长等；利用改进后的深度学习网络特有的得分机制分类了聚焦图像块与散焦图像块；使用矫正矩阵矫正了误判图像块，并细分、修复了融合后的图像聚焦与散焦分界区域，得到了融合图像；选取6组多聚焦图像验证了本文算法的有效性。实验结果表明：与其他算法相比, 运用本文算法进行图像融合，能够保存较多的图像原始高频信息,并在互信息、边缘信息保持度、平均梯度和熵等评价指标上取得了较好的表