基于梯度的多焦点图像融合与焦点感知显著性增强

多焦点图像融合（MFIF）旨在从多个部分聚焦的输入图像中生成一幅全聚焦图像，这在监控、显微镜和计算摄影等应用中至关重要。然而，现有方法难以保持清晰的聚焦-散焦边界，常常导致过渡模糊和聚焦细节丢失。为解决此问题，我们提出了一种基于显著边界增强的 MFIF 方法，该方法在有效检测焦点信息的同时，生成高质量的融合边界。特别地，我们提出了一个基于梯度域的模型，该模型可以获得具有完整边界的初始融合结果，并有效保留边界细节。此外，我们引入了 Tenengrad 梯度检测来从源图像和初始融合图像中提取显著特征，生成相应的显著性图。对于边界精炼，我们开发了一种基于梯度和互补信息的聚焦度量，将显著特征与跨图像的互补信息相结合，以强调聚焦区域并产生高质量的初始决策结果。在四个公开数据集上的大量实验表明，我们的方法在主观和客观评估中均一致优于 12 种最先进的方法。我们已在 https://github.com/Lihyua/GICI 上实现了代码。