b. 基于区域梯度特征的多聚焦图像融合法
通常一副图像中的清晰特征往往不能简单的由一个像素值来表征，往往需要通过某一局域中的多个像素的相互关系来表征和体现。从空域角度看，清晰图像比模糊图像灰度变化明显，有较锐化的边缘。从频域角度看，模糊图像的高频分量相对较少，而清晰图像比模糊图像包含更多的信息和细节，也就相应地包含更多的高频分量。因此人眼对图像清晰模糊的判断在很大程度上取决于图像中物体的边界是否清晰，即物体的边缘是否明显，因此很多时候图像的区域梯度特征是用来判断图像清晰特征的重要依据，所以可以通过以某像素为中心的区域梯度特征来确定融合结果图像中对应的像素点的值。
基于区域梯度特征的多聚焦图像融合法的基本思路为，首先对待融合的图像逐个像素的计算该像素所在的某一区域内的梯度值，其次对该像素的梯度值在区域内加权，再次选取加权后梯度值中较大的那个像素的灰度值作为最后的融合图像的对应位置处的灰度值，再经过一致性滤波，以得到最终的融合图像，其流程图如图5所示。现有好多基于此法的算法被提出来，所采用的区域梯度算子有简单梯度算子，sobel算子，拉普拉斯算子，canny算子等。该算法融合效果普遍较好，但是由于是基于像素的，计算量大，会对噪声敏感，而且在对象边沿处容易产生模糊效果。
 
图5.区域梯度特征的多聚焦图像融合步骤示意图
c. 区域分块融合法
    多聚焦图像融合的目的是综合多个聚焦图像中的清晰部分，得到一个全景都清晰的融合图像。因此，对于明显的清晰和模糊区就直接选取源图像中清晰的部分；对于清晰和模糊交界的区域，对两幅输入图像中的对应部分进行加权组合来形成融合图像。
    基于图像块的多聚焦图像融合法就是基于此思想提出来的，它首先将待融合的图像进行分块，然后比较对应图像块的清晰度指标特征，取清晰度指标大的作为清晰图像块，进而重构融合图像。其融合过程如图6所示。清晰度指标一般选择图像块的块均匀度、块区域局部对比度、块空间频率、边缘特征等。
该法较基于区域梯度特征的多聚焦图像融合法，计算量要小，能够准确地提取各源图像的有用信息，可以实现信息的互补，由于是直接选取清楚图像块进行融合，因而融合效果较好。但是由于是基于块分割的，所以其对图像的清晰区域与不清晰区域就会产生划分不够明确的结果，融合结果容易出现块效应，而且，分割子块的阈值参数和尺寸的选择对融合结果都有一定的影响。
 
图6块分解的融合过程示意图
2.3.2  频域融合算法
基于空间域的方法提取的图像特征有限，容易降低图像对比度，产生块效应，从而影响融合图像的效果。为了从图像中提取更多的细节信息，出现了多分辨率分析方法。对参加融合的各源图像进行多分辨率分解后，为了获得更好的融合效果并突出重要的特征细节信息，在进行融合处理时，不同频率分量、不同分解层、不同方向均可采用不同的融合准则进行融合处理；另外，同一分解层上的不同局部区域上采用的融合准则也可以不同。这样就可能充分挖掘待融合图像的互补及冗余信息，有针对性地突出感兴趣的特征和细节信息。
a. 金字塔方法
图像处理的塔形（亦称金字塔：Pyramid）分解是由 Burt 和 Adelson 提出的，传统的基于塔型变换的融合方法大多是在此结构及其派生结构的基础上建立起来的。概括地说，金字塔图像融合方法计算流程如下：首先构造输入图像的金字塔；再按一定的特征选择方法进行取值，形成融合金字塔；然后通过对金字塔实施逆变换来进行图像重建，以生成融合图像。常用的金字塔可分为：Laplacian金字塔、梯度金字塔、数学形态学金字塔等。它们都建立在高斯金字塔的基础上。这种分解虽属于多尺度、多分辨率分解，但分解是冗余的，即分解后各层间数据有冗余、有相关性，图像在进行这些塔形分解后的数据总量均比源图像增加约 1/3(梯度塔形分解的数据量增加更多)。另外，图像的 Laplace 塔形分解、比率塔形分解和对比度塔形分解均无方向性。小波变换可以解决以上问题。 基于二维经验模式分解（BEMD）的显微图像融合算法的研究(6):http://www.youerw.com/tongxin/lunwen_7861.html