1.一种基于多曝光的工件字符图像局部细节增强融合方法，其特征在于：包括如下工艺步骤：

1)，构建多曝光源图像权重项：通过结合像素级对比度、亮度和饱和度三个质量指标来计算每一幅多曝光源图像的权重项，提取图像局部细节，构建多曝光源图像序列的初始权重图；

2)，细化初始权重图：采用具有实时边缘保持特性的递归滤波来有效地过滤噪声得到细化的权重图，并对细化的权重图进行归一化操作，以保证每个像素所在位置的总和为1；

3)，进行拉普拉斯金字塔重构融合：即采用拉普拉斯金字塔对输入的多曝光源图像序列进行分解；采用高斯金字塔对步骤2)获得的递归滤波细化后的权重图进行分解；然后在每一层进行输入图像的拉普拉斯金字塔和细化权重图的高斯金字塔混合，最后对融合后的拉普拉斯金字塔图像反变换进行多分辨率重构融合；

4)，提取多曝光源图像细节特征：采用引导滤波对每一幅多曝光源图像进行细节特征提取，再将每一幅多曝光源图像的细节特征进行融合，进一步增强图像的局部细节；

具体的说，采用引导滤波对每一幅多曝光源图像的灰度图进行细节特征提取，然后根据曝光文本字符图像序列的亮度权重项对每幅图像提取出的字符细节进行细节融合，计算公式如下：其中Di(x,y)表示细节特征图， 表示细节特征融合图，GF(.)表示引导滤波操作，N表示采集的曝光文本字符图像数量；

5)，进行局部细节增强融合：将拉普拉斯金字塔多分辨率重构融合得到的图像和引导滤波提取细节特征融合得到的图像两者进行融合，得到最终的局部细节增强融合结果图。

2.如权利要求1所述的基于多曝光的工件字符图像局部细节增强融合方法，其特征在于：所示步骤1)具体构建方法如下：令Ii，i＝1,2,…,N表示彩色源图像，将彩色源图像转换为灰度源图像 转换公式如下：其中 分别表示红(R)、绿(G)、蓝(B)通道；

1‑1)，构建局部对比度权重项:针对图像过度曝光区域的字符边缘纹理细节不明显，算法引入非标准化的稠密SIFT描述符DSIFT来衡量每一幅多曝光源图像对应像素点的活动水平，采用“加权平均”的权重分配策略来计算局部对比度的权重项 计算公式如下：其中,Ci(x,y)为局部对比度权重项指标， 为多曝光源图像序列的灰度图，(.)表示用于计算未归一化稠密SIFT源图像映射的运算符，通过计算每个2*2的单元格中八个方向的直方图来生成描述符，||.||1表示向量的L1范数；

1‑2),构建亮度权重项：针对多曝光源图像过度曝光的区域亮度非常明显，而曝光不足的区域比较暗淡的情况，采用亮度的灰度值高低来描述字符区域的过曝光或者欠曝光现象，计算公式如下：其中，Bi(x,y)表示曝光文本字符图像序列的亮度权重项，T表示设定的阈值，取值为10‑

30；

1‑3),构建饱和度权重项：通过计算曝光文本字符图像序列的饱和度来保证合成曝光文本字符图像的视觉感受，公式如下：其中，Si(x,y)表示曝光文本字符图像序列的饱和度权重项，

分别表示第i张图像在R、G、B三通道的分量，表示对应R、G、B三通道在像素(x,y)处的平均值；

1‑4),对每一幅多曝光源图像，采用局部对比度，亮度，饱和度三个权重项的联合乘积来计算初始权重图Wi(x,y)，计算公式如下：

3.如权利要求2所述的基于多曝光的工件字符图像局部细节增强融合方法，其特征在于：所述步骤2)具体为：采用具有实时边缘保持特性的递归滤波来有效地过滤噪，得到精确r平滑的权值图Wi(x,y)，并对对平滑细化过后的权重图进行归一化操作，以保证每个像素所在位置的总和为1，计算公式如下：r

Wi(x，y)＝RF(Wi(x，y)，Ii(x，y))

其中，RF(.,.)表示递归滤波器操作， 表示曝光文本字符图像序列的归一化的‑12细化权重图，表示采集的曝光文本字符图像序列的数量，ε取值为10 。

4.如权利要求3所述的基于多曝光的工件字符图像局部细节增强融合方法，其特征在于：所述步骤3)具体为：采用基于拉普拉斯的图像金字塔重构方法对多张多曝光源图像进行融合，即采用高斯金字塔对多曝光源图像进行多尺度分解，对图像进行高斯滤波和下采样操作得到第一层高斯金字塔图像G1，重复上述操作，依次可以构造出第k层高斯金字塔Gk，公式如下：其中，pyrDown(.)表示图像的下采样操作，即删除图像所有的偶数行偶数列或者奇数行奇数列，g5×5表示5×5的高斯内核， 表示卷积操作；

然后，利用相邻层级的高斯金字塔图像进行差值计算得到对应层级的拉普拉斯金字塔图像，先将第k层的高斯金字塔图像Gk进行一次图像上采样和高斯滤波，再将第k‑1层的高斯金字塔Gk‑1减去上一步操作之后的第k层高斯金字塔图像Gk，得到第l‑1层拉普拉斯金字塔图像Ll‑1，计算公式如下：其中，pyrUp(.)表示图像的上采样操作，即图像新增的偶数行、偶数列或者奇数行、奇数列用0填充；

最后，利用生成的l‑1层拉普拉斯金字塔对多曝光源图像进行重构还原，其包含了图像下采样操作过程中丢失的细节信息和不同尺度分解层的特征信息，并将其与高斯金字塔顶层图像Gk由上到下依次进行图像上采样融合，得到拉普拉斯图像金字塔重构融合结果图取k＝5，计算公式如下：其中， 表示最底层拉普拉斯重构图，即令最顶层的高斯金字塔图像作为拉普拉斯重构的第一层图像；

对采集的多幅不同曝光文本字符图像序列进行基于多尺度图像金字塔的多曝光源图像融合，通过步骤2)计算出各幅多曝光源图像的归一化权重图 构造出对应归一化权重图的高斯金字塔，再利用得到的权重高斯金字塔作为加权平均系数，与构造出的各幅曝光文本字符图像的多层拉普拉斯金字塔进行融合，将每一幅字符图像中同一层级对应的联合乘积求和，得到其中一层的融合拉普拉斯系数，根据同层级的加权求和，得到融合拉普拉斯金字塔，公式如下：其中，F(x,y)表示拉普拉斯重构的融合结果图，l表示图像金字塔多尺度分解的层数，N表示采集的曝光文本字符图像数量；

然后，根据上式的拉普拉斯重构方法，对融合的拉普拉斯金字塔进行图像重构，得到重构融合结果图F(x,y)。

5.如权利要求4所述的基于多曝光的工件字符图像局部细节增强融合方法，其特征在于：所述步骤5)具体为：将步骤4得到的细节特征融合图 与步骤3得到的重构融合结果图F(x,y)进行融合得到最终细节增强的曝光融合结果图，计算公式如下：其中， 表示细节增强的曝光融合结果图，X表示常量值，取1。