一种用于超景深融合的快速多曝光融合

超景深融合在刀具，电路板，器件外壳和部分小型零件等测量领域的应用越来越广泛，但上述测量目标大多是由多种材料组成，对光线有着不同程度和类型的反射，使得成像点的强度超过了相机的感光范围，导致过曝和过暗的低质量成像点出现。为了解决现有的高动态成像融合算法(HDR)在超景深融合中融合速度缓慢的问题，采用了聚焦评价和灰度评价的方式，获取高细节信息和剔除低细节信息。在限制图像动态范围不失真的同时，且利用聚焦算子的评价速度要高于HDR的优势，达到了高速融合多曝光图片的目的。实验结果表明，在融合速度上，本文算法远快于现有的HDR算法，达到了0.1463 s，且融合质量与主流HDR算法的图像质量相当。

对物体进行三维测量的方式有很多种，比如结构光检测[1]，双目立体视觉[2]，超景深(多焦面) [3]， 其中超景深以检测速度快，融合精度高为特点。在超景深融合中，对图像的纹理细节要求是非常高的， 一般通过多角度光照可以获得不错的纹理效果，但针对不同反射率的材料，依旧会存在着细节处的光强超出相机感光范围的情况。高动态范围图像融合有着灵活的动态曝光范围，可以解决这个问题，并且对获取单张良好的曝光图具有一定的效率。

快速高动态融合算法中具有代表性的有由Mertens [4]等人提出的基于拉普拉斯金字塔的特征提取的HDR [5]融合算法， 该算法不需要输入图像的曝光值可以直接得出丰富的细节图像， 但由于拉普拉斯金字塔的创建和分解，其速度对超景深融合而言依旧是不够快速；有关于音调映射的方法在融合速度上也有不错的效果， 如Debevec [6]， 和Robertson [7]提出的方法， 但在细节信息保留上的效果不尽人意；Mahmoud Afif [8]提出了一种基于深度学习和拉普拉斯金字塔的单张图的高细节图预测方法，有着对弱曝光或过曝图的良好的视觉还原效果，但细节的补全是依赖于训练数据集中的样本，可能会有着不真实的细节信息出现，不适用于超景深合成；蒋[9]提出了一种基于视觉注意力神经网络的多曝光图像融合方法，但更关注于融合图像的去鬼影效果没有关注实时性。为了在超景深合成中保留更多细节的同时加快图像处理的效率，本文通过使用聚焦融合算子作为评价函数获得合适的融合权重，在超景深显微镜系统中，实现在高速融合图像的情况下，保持不错的图像融合结果，并实现更好地保留图像细节的目的。

本文将设计一种算子用于超景深的源图像高动态融合，实验其效果并与其他基于图像融合的高动态融合算法进行效果比较， 使用二阶梯度法[10]作为图像质量的评价方式， 并将融合图像用于超景深合成[11]并与非融合图像的超景深进行对比。本文算法的优势在于，融合速度快，在超景深算法中高动态融合效果好，可以提升超景深融合精度。

2. 超景深显微测量系统 2.1. 超景深介绍 超景深是对一系列部分聚焦，大部分离焦的一系列有着单方向空间排序的小景深图片的融合算法，