1.基于代数多重网格和分水岭分割的图像融合方法，其特征在于，所述方法包括：S1、利用代数多重网格对至少两幅源图像进行重建，分别得到每幅源图像的重建图像；

S2、根据所述源图像求取均值图像；

S3、利用分水岭图像分割方法对均值图像进行区域分割，得到若干分割区域；

S4、对于每个分割区域，分别求取每幅源图像与每幅源图像对应的重建图像均方误差值，比较均方误差值的大小，计算每个分割区域清晰度，对分割区域的源图像来源进行标记，得到分割区域清晰度决策图；

S5、根据所述分割区域清晰度决策图所标记的源图像来源，判断源图像清晰与模糊的边界线，根据所述边界线得到融合图片。

2.根据权利要求1所述的基于代数多重网格和分水岭分割的图像融合方法，其特征在于，步骤S1中所述重建图像的获得方法具体为：对源图像构建亲和力矩阵M，选取代数多重网格粗化的粗网格，构造所述代数多重网格粗化所需的算子；对所述亲和力矩阵M进行代数多重网格粗化得到N层粗网格Ω0,Ω2,...,ΩN-1；采用V-循环方法对粗网格进行迭代得到精确解，根据所述精确解获得重建图像；其中，ΩN-1表示第N层粗网格。

3.根据权利要求2所述的基于代数多重网格和分水岭分割的图像融合方法，其特征在于，所述选取代数多重网格粗化的粗网格包括：根据源图像亲和力矩阵得到最细的粗网格Ω0，根据所述最细的粗网格Ω0构造序列ΩN-1,ΩN-2,...,Ω0，所述序列满足条件 代数多重网格的较粗的粗网格Ωm+1＝Cm是较细的粗网格Ωm的一个真子集，记Fm＝Ωm-Cm,Cm表示根据Ωm提取的下一层粗网格；m∈{0,1,...,N-1}。

4.根据权利要求2所述的基于代数多重网格和分水岭分割的图像融合方法，其特征在于，构造所述代数多重网格粗化所需的算子包括：插值算子 限制算子 粗网格算子Am+1以及光滑算子。

5.根据权利要求4所述的基于代数多重网格和分水岭分割的图像融合方法，其特征在于，所述插值算子 包括：其中， 表示第i层粗网格的第m个误差； 表示第k层粗网格的第m+1个误差； 表m示第i+1层粗网格的第m个误差；e表示所有粗网格的第m个误差； 表示第i层粗网格的插值算子和相对应的误差； 为离散方程的精确解；um为实际求得的精确解； 表示插值算子； 表示第i层粗网格的第m+1个误差； 表示第k个较小变量集中第i层粗网格的第m个误差的权重；

所述限制算子 为所述插值算子 的转置矩阵；

所述粗网格算子Am+1包括：

其中，Am+1表示粗网格算子，Am表示第m层粗网格的系数矩阵序列；

所述光滑算子包括：采用高斯-赛德尔迭代算法或带参数的雅克比算法的算子。

6.根据权利要求2所述的基于代数多重网格和分水岭分割的图像融合方法，其特征在于，所述采用V-循环方法对粗网格进行迭代得到精确解，根据所述精确解获得重建图像包括：构建N个与源图像相同大小的空图像分别为M1,M2,...,MN，分别对应N层粗网格Ω0,Ω2,...,ΩN-1；采用V-循环方法对粗网格进行迭代得到粗网格的值，对应所述粗网格Ω0,Ω2,...,ΩN-1中为1的位置用源图像对应位置的像素值表示，其余位置则用0表示；对粗网格插值，将Ω0,Ω2,...,ΩN-1中为0部分对应M1M2…MN中的像素值，通过像素值插值得到重建图像。

7.根据权利要求1所述的基于代数多重网格和分水岭分割的图像融合方法，其特征在于，所述利用分水岭图像分割方法对所述均值图像进行区域分割，得到若干分割区域包括：利用索贝尔算子求均值图像的梯度图像；

利用形态学算子中的‘开’和‘闭’运算对所述梯度图像进行平滑，得到平滑后的梯度图像；

利用分水岭图像分割方法对所述平滑后的梯度图像进行区域分割，将源图像分割成若干个不同的区域。

8.根据权利要求1所述的基于代数多重网格和分水岭分割的图像融合方法，其特征在于，步骤S4中所述的决策图由决策图公式生成，且决策图公式为：其中，MSEA表示源图像A与其重建图像的均方误差，MSEB表示源图像B与其重建图像的均方误差；DA(x,y)表示标记为源图像A；DB(x,y)表示标记为源图像B；(x,y)表示图像的像素点坐标。