多聚焦图像融合是图像处理领域的一个热点问题。近年来,随着深度学习技术的发展,卷积神经网络在多聚焦图像融合中的应用也越来越来越广泛。大部分基于卷积神经网络的多聚焦图像融合方法主要思路在于,将多聚焦图像融合的问题转化为区分聚焦像素和离焦像素的二分类问题,然后通过训练一个可以判别像素聚焦水平的卷积神经网络来产生决策图,最终在决策图的引导下完成多聚焦图像融合。然而,这些多聚焦图像融合方法仍然面临着一些不足:其一,根据决策图来实现图像融合,其融合效果完全取决于生成的决策图的准确性,而随着图像中内容的增加,决策图的准确性也会随之下降;其二,卷积神经网络的训练需要大量的带标签的数据集,然而实际上这种数据集并不存在,现有的基于卷积神经网络的多聚焦图像融合方法都只是简单地通过对全聚焦图像进行模糊处理,这些近似处理的方法并不能完全模拟自然图像。为了避免决策图的生成并提高融合图像的质量,本文首先设计了基于单判决器生成对抗网络的多聚焦图像融合方法。该网络主要包含生成器和判决器两个部分。生成器的输入是多聚焦图像而输出是生成的图像,其主要目的是为了产生足够清晰的“假”全聚焦图像,而判决器的输入是“真”全聚焦图像或生成器产生的“假”全聚焦图像,其目的是尽可能区分这两个全聚焦图像中的“真”图像和“假”图像。该网络是一个端到端的网络,可以根据多聚焦源图像生成最终的融合图像,无需生成决策图。在基于单判决器生成对抗网络的多聚焦图像融合方法中,本文将全聚焦图像作为判决器的真实图像,而通过对全聚焦图像进行高斯模糊的方式来生成多聚焦源图像,这种方法显然不能准确模拟自然图像。因此,本文在上述方法的基础上进一步提出了基于双判决器生成对抗网络的多聚焦图像融合方法。在该方法中,多聚焦源图像既是生成器的输入图像,同时又分别作为两个判决器的真实图像,该网络可以直接在多聚焦图像数据集的基础上进行训练,无需像其他方法一样对全聚焦图像进行高斯模糊来生成数据集。另外,本文创造性地提出了基于结构相似度的自适应损失函数,根据源图像与真实图像间结构相似度的不同而动态调整生成器与两个判决器之间的对抗损失,使得网络得以在提高融合效果的同时保持网络的稳定性。融合图像质量在主观视觉和客观指标两方面上进行评定,经实验结果表明,融合图像清晰度高,保有细节丰富。