1.一种基于显著稀疏表示和邻域信息的多聚焦图像融合方法，其特征在于，包括以下步骤：步骤1，基于均匀网格将待融合的图像划分为图像块，并构建向量化的图像融合字典；

步骤2，进行图像显著稀疏建模，得到解图像显著稀疏模型；

步骤3，求解图像显著稀疏分解模型的参数；

步骤4，进行图像标签初始融合；

步骤5，对图像标签融合优化；

步骤6，基于优化的图像标签重构融合的图像。

2.根据权利要求1所述的方法，其特征在于，步骤1包括：将待融和的两幅图像A和图像B按照大小为Px×Py的网格单元均匀划分为无重叠的图像块，其中Px和Py分别表示横坐标方向的像素点个数和纵坐标方向的像素点个数，图像A中第i个图像块灰度值矩阵拉长为d＝Px×Py行1列的列向量 图像B中第i个图像块灰度值矩阵拉长为d＝Px×Py行1列的列向量 N表示图像块的总数，图像A和图像B分别转换为矩阵 和 其中 和 分别表示图像A的第N个图像块的列向量和图像B的第N个图像块的列向量；通过图像A和B的图像块列向量构造图像融和字典D为：

3.根据权利要求2所述的方法，其特征在于，步骤2包括：图像显著稀疏建模为：

在约束条件YA＝DXA+ZAD+EA下最小化目标函数min||XA||1+||ZA||1+λ||EA||2,1，其中，λ为常数系数，XA、ZA和EA分别表示图像A的显著稀疏模型的公共稀疏系数矩阵、显著稀疏系数矩阵和误差；

在约束条件YB＝DXB+ZBD+EB下最小化目标函数min||XB||1+||ZB||1+λ||EB||2,1，XB、ZB和EB分别表示图像B的显著稀疏模型的公共稀疏系数矩阵、显著稀疏系数矩阵和误差。

4.根据权利要求3所述的方法，其特征在于，步骤3包括以下步骤：步骤3-1：初始化图像A和图像B的显著稀疏模型参数：图像A和图像B的初始公共稀疏系数矩阵分别为 且 图像A和图像B的初始显著稀疏系数分别为 和图像A和图像B的初始误差分别为 和 图像A和图像B的初始拉格朗日乘子系数分别为 和 加快收敛速度因子ρ＝1.1，收敛因子ε＝0.05，惩罚因子μ0＝10-6，最大惩罚参数μmax＝1010，迭代次数j＝0,常系数λ＝30；

步骤3-2：计算第j+1次迭代图像A的误差

其中， 为 的第i列，为1≤i≤N， 为图像A在约束条件下的误差，GA(:,i)为GA的第i列，μj为第j次迭代的惩罚因子， 为第j次迭代图像A的公共稀疏系数矩阵， 为第j次迭代图像A的显著稀疏系数矩阵， 为第j次迭代图像A的拉格朗日乘子；

计算第j+1次迭代图像B的误差

其中， 为 的第i列， 为图像B在约束条件下的误差，GB(:,i)为GB的第i列， 为第j次迭代图像B的公共稀疏系数矩阵， 第j次迭代图像B的拉格朗日乘子， 为第j次迭代图像B的显著稀疏系数矩阵；

步骤3-3：计算第j+1次迭代图像A的公共稀疏系数矩阵计算第j+1次迭代图像B的公共稀疏系数矩阵

其中S为函数，函数S定义为 x和τ为函数参数；

步骤3-4：计算第j+1次迭代图像A的显著稀疏系数矩阵计算第j+1次迭代图像B的显著稀疏系数矩阵

步骤3-5：计算第j+1次迭代图像A的拉格朗日乘子计算第j+1次迭代图像A的拉格朗日乘子

步骤3-6：计算第j+1次迭代惩罚因子μj+1：μj+1＝min(μjρ,μmax)                     (10)其中ρ为收敛速度因子，μmax为最大惩罚因子；

步骤3-7：如果收敛条件 成立，则输出

否则，将j更新为j+1，转入步骤3-2；

如果收敛条件 成立，则输出

否则，将j更新为j+1，转入步骤3-2。

5.根据权利要求4所述的方法，其特征在于，步骤4包括：定义待融合图像A的第i个图像块的聚焦参数J(A,i)为误差乘以平衡因子与显著稀疏系数矩阵乘以字典的第i列的2范数，计算公式如下：J(A,i)＝||bEA(:,i)+ZAD(:,i)||2       (11)其中EA(:,i)表示误差EA的第i列，D(:,i)表示字典D的第i列；平衡因子b定义为2幅待配准图像A和B的显著稀疏系数矩阵分别与第i列字典矩阵乘积之和除以2幅待配准图像误差矩阵的第i列之和，计算公式为：其中EB(:,i)表示误差EB的第i列；

定义待融合图像B第i个图像块的聚焦参数λ(B,i)为误差乘以平衡因子与显著稀疏系数矩阵乘以字典的第i列的2范数，计算公式如下：J(B,i)＝||bEB(:,i)+ZBD(:,i)||2      (13)采用2范数最大化规则融和像素；使用公式(14)构造融合标签 其中表示第N个图像块的标签，每个列向量都包含了所选择源图像的对应列向量的标签，1和0分别代表该列来自于源图像A和图像B，标签融合规则为：

6.根据权利要求5所述的方法，其特征在于，步骤5包括：步骤5-1：分别求误差EA的最大值 和误差EB的最大值 如果图像A的误差大于最大误差 的90％，则保留源图像A的像素；如果图像B的误差大于最大误差 的90％，则保留源图像B的像素，基于源图像细节信息的融合标签优化规则为：步骤5-2：按照标签优化规则公式(15)融合图像，计算融合图像中每一个图像块8邻域的图像块来源，niA表示第i列所对应的图像块的8邻域中来源于图像A中选择的个数，niB表示第i列所对应的图像块的8邻域中来源于图像B中选择的个数，如果该图像块8个邻域块从图像A中选择的图像块个数大于从源图像B中选择的图像块个数，则代表在源图像A中该图像块所对应的区域是聚焦区域；如果该图像块8个邻域块从图像A中选择的图像块个数小于从源图像B中选择的图像块个数，则代表源图像B在该图像块所对应的区域是聚焦区域；如果数目相等，则是边界区域，即按照式(16)更新融合图像：其中-1代表边界，从而得到了最终融合图像标签yiF。

7.根据权利要求6所述的方法，其特征在于，步骤6包括：根据融合图像标签yiF赋值构造融合图像Fi，如果图像标签为1，则选用图像A对应的像素；如果图像标签为0，则选用图像B对应的像素；否则取图像A和图像B的平均值：将第i个图像块融合后的大小为d行1列向量的图像Fi，从第一个元素开始，px个元素为一列，共计转换为py列，得到大小为Px×Py的图像块Di；

设定待融合图像A和图像B的宽为w，则图像块Di在重构融合图像的行ix和列iy分别为：其中mod为取余数函数。