1.基于显著特征差异的多聚焦图像融合方法，其特征在于，包括以下步骤：根据源图像获取多聚焦图像；

基于Hessian矩阵对多聚焦图像进行特征提取，得到特征图；

基于改进的修正拉普拉斯能量和对特征图进行显著特征提取，得到改进的修正拉普拉斯图；

对改进的修正拉普拉斯图进行显著像素差异分析，得到初始决策图；

对初始决策图进行区域筛选优化，得到最终决策图；

根据最终决策图和多聚焦图像重构融合结果，得到融合图像。

2.根据权利要求1所述一种基于显著特征差异的多聚焦图像融合方法，其特征在于，所述基于Hessian矩阵对多聚焦图像进行特征提取，得到特征图这一步骤，其具体包括：将Hessian矩阵改进为在不同尺度上加权的多尺度Hessian矩阵；

设置阈值并基于多尺度Hessian矩阵对多聚焦图像进行特征提取，得到特征图。

3.根据权利要求2所述一种基于显著特征差异的多聚焦图像融合方法，其特征在于，所述多尺度Hessian矩阵公式表示如下：上式中，j为第j个尺度，n为尺度的数量， 为尺度j的权重，H(x,y,σj)表示改进前的Hessian矩阵，MSH(x,y)表示在不同尺度下的H(x,y,σj)利用权重 求和得到的新的矩阵。

4.根据权利要求3所述一种基于显著特征差异的多聚焦图像融合方法，其特征在于，所述基于改进的修正拉普拉斯能量和对特征图进行显著特征提取，得到改进的修正拉普拉斯图这一步骤，其具体包括：考虑对角线上的像素，对修正拉普拉斯进行改进，得到改进的修正拉普拉斯能量和；

基于改进的修正拉普拉斯能量和对特征图进行显著特征提取，得到改进的修正拉普拉斯图。

5.根据权利要求4所述一种基于显著特征差异的多聚焦图像融合方法，其特征在于，所述改进的修正拉普拉斯能量和的表达式如下：上式中，PSML(f(x,y),α)表示我们利用半径为α大小的窗口计算图像f(x,y)的改进的修正拉普拉斯能量和， 表示图像f(x,y)的修正拉普拉斯，α表示窗口的半径，L表示预设阈值，(i,j)代表半径为α的窗口内除中心像素点(x,y)以外的像素点。

6.根据权利要求5所述一种基于显著特征差异的多聚焦图像融合方法，其特征在于，所述对改进的修正拉普拉斯图进行显著像素差异分析，得到初始决策图这一步骤，其具体包括：对改进的修正拉普拉斯图作差，得到第一类差异信息；

基于修正拉普拉斯能量计算源图像的最大修正拉普拉斯图和最小修正拉普拉斯图；

对最大修正拉普拉斯图和最小修正拉普拉斯图作差，得到第二类差异信息；

基于预设规则，结合第一类差异信息和第二类差异信息，生成初始决策图。

7.根据权利要求6所述一种基于显著特征差异的多聚焦图像融合方法，其特征在于，所述预设规则公式表示如下：上式中，IDM表示初始决策图，MMD表示第一类差异信息，MSD表示第二类差异信息。

8.根据权利要求7所述一种基于显著特征差异的多聚焦图像融合方法，其特征在于，所述对初始决策图进行区域筛选优化，得到最终决策图这一步骤，其具体包括：对初始决策图进行小结构区域去除，得到中间决策图；

考虑目标的一致性，基于自适应多尺度一致性方法对中间决策图进行优化，得到最终决策图。

9.根据权利要求8所述一种基于显著特征差异的多聚焦图像融合方法，其特征在于，所述融合结果重构的公式表示如下：上式中，FM(x,y)表示最终决策图，fA(X,y)表示多聚焦图像A，fB(x,y)表示多聚焦图像B。

10.基于显著特征差异的多聚焦图像融合系统，其特征在于，包括：图像获取模块，用于根据源图像获取多聚焦图像；

第一特征提取模块，基于Hessian矩阵对多聚焦图像进行特征提取，得到特征图；

显著特征提取模块，基于改进的修正拉普拉斯能量和对特征图进行显著特征提取，得到改进的修正拉普拉斯图；

差异分析模块，用于对改进的修正拉普拉斯图进行显著像素差异分析，得到初始决策图；

优化模块，用于对初始决策图进行区域筛选优化，得到最终决策图；

融合模块，用于根据最终决策图和多聚焦图像重构融合结果，得到融合图像。