常规的尺度不变特征变换（SIFT)图像特征提取方法难以提取多聚焦图像离焦模糊区域的特征，使得图像间存在局部、少量的公共特征，导致多聚焦图像配准精度差，严重影响后续图像融合和三维重建质量。在分析图像离焦模糊区域特征提取不确定性的基础上，提出了一种多聚焦图像离焦模糊区域的SIFT特征提取方法。首先提取多聚焦图像聚焦清晰区域的SIFT特征，再利用光流跟踪提取对应离焦模糊区域的SIFT特征，避免了在离焦模糊区域直接提取SIFT特征的不确定性。实验结果表明：提出的方法在离焦模糊区域具有良好的SIFT特征提取能力和提取精度，能实现多聚焦图像SIFT特征匹配数量显著增长，SIFT特征提取的误差为0.03~0.39 pixels，优于现有方法的0.21~1.71 pixels。降低了离焦模糊区域SIFT特征提取的不确定性，为多聚焦图像精确配准奠定了基础。

针对传统多聚焦图像融合算法中融合边缘出现模糊、伪影等问题，提出了一种结合改进拉普拉斯能量和（SML）与差分图像的多聚焦图像融合算法。首先，为了提取源图像的聚焦特征信息，分别通过SML和滤波差分进行聚焦度量，再采用引导滤波获得更多的细节特征；接着，利用像素最大值规则生成初始融合决策图，再对初始融合决策图进行小区域去除消除因聚焦和散焦区域相似造成的噪点，并对融合决策图进行不一致处理，获得更精确的聚焦区域；最后，由逐像素加权平均规则，得到融合图像。实验结果表明，所提出的算法在主观视觉效果和客观评价指标上均优于对比算法，互信息、特征互信息、图像梯度特征在彩色图像上分别提高了0.17%、0.38%和0.11%，在灰度图像上分别提高了0.7%、0.69%和0.33%，并且平均运行时间少于0.5 s，具有较高的计算效率。此外，该算法能够较好地保留源图像信息的完整性，融合图像边缘清晰、无伪影。

针对在用短波红外显微镜观测目标时，目标的尺寸往往会受到镜头景深限制的问题，提出一种多聚焦融合的方法，可有效扩展显微镜成像的景深。通过改变物距获得大量不同聚焦平面的图像，利用多尺度和局域加权方差来量化区域清晰度，获得焦平面掩膜，之后采用形态学方法优化掩膜边界，最终加权融合焦平面区域得到细节完备的目标整体图。实验中利用景深为10 μm左右的显微镜镜头得到了纵向尺寸为几百微米目标的高质量图像。实验结果表明所提方法相较其他方法在对焦平面边界，细节的保留方面有一定优势。

多聚焦图像融合技术是为了突破传统相机景深的限制，将焦点不同的多幅图像合成一幅全聚焦图像，以获得更加全面的信息。以往基于空间域和基于变换域的方法，需要手动进行活动水平的测量和融合规则的设计，较为复杂。所提出的方法与传统的神经网络相比增加了提取浅层特征信息的部分，提高了分类准确率。将源图像输入训练好的多尺度特征网络中获得初始焦点图，然后对焦点图进行后处理，最后使用逐像素加权平均规则获得全聚焦融合图像。实验结果表明，本文方法融合而成的全聚焦图像清晰度高，保有细节丰富且失真度小，主、客观评价结果均优于其他方法。