由于成像设备等各种因素影响，图像在成像或传感过程中会受到噪声干扰。图像去噪旨在减少或消除噪声对图像的影响，这一过程往往会导致高频信息的丢失。为了在去除图像噪声的同时保护图像的边缘信息与纹理细节，文章提出了一种计算复杂度相对较低的含有信息保留模块的卷积神经网络，直接对含噪声图像进行降噪。信息保留模块通过残差学习提取局部长路径和局部短路径的混合特征信息。该文采用峰值信噪比(PSNR/dB)和结构相似性(SSIM)两项评价指标对实验结果进行量化，这两项指标值越大，说明去噪效果越好。实验结果表明，在峰值信噪比和结构相似性2项评价指标的均值可达到30.36 dB和0.828 0，相比其他对比算法，2项评价指标分别平均提升了2.15 dB和0.072 9。该算法对不同种类、不同水平的噪声都具有良好的去噪效果，且速度优于所对比的一般算法，对基于卷积神经网络的去噪工作的进一步发展有一定的作用。

针对传统的基于先验知识与假设条件的去雾算法在实际应用中受到太多限制的问题, 本文提出了一种基于端到端卷积神经网络的去雾算法, 即通过学习雾天图像与清晰图像之间的映射关系实现图像去雾。首先, 该算法采用了多尺度映射, 通过多尺度的卷积提取出雾霾图像的较多细节信息特征; 其次, 运用反卷积以减少训练网络的复杂性; 最后, 结合浅层与深层的合并机制将删除特征图中的伪像素, 提高恢复无雾图像的质量。实验结果表明, 本文提出的去雾算法在自然雾天图像和合成雾天图像上均优于其它对比算法, 并且合成雾天图像在结构相似度(SSIM)和峰值信噪比(PSNR)两个重要的图像评价指标上都取得了良好的表现。

遥感图像融合是指将不同传感器得到的具有不同观测特性的图像信息有选择、有策略地结合起来, 以得到具有更优观测特性的新图像的方法。提出一种深度学习结合非下采样剪切波变换(NSST)的遥感图像融合算法, 利用改进的超分辨率重建网络对多光谱图像(MS)进行空间分辨率增强, 全色图像(PAN)参考重建后的多光谱图像的每个分量进行直方图匹配。将对应通道的图像进行NSST变换, 分别得到低频子带和若干高频子带。低频子带通过使用基于梯度域的自适应加权平均规则来获得低频融合系数, 高频子带采用局部空间频率最大值规则来获得高频融合系数, 最后经逆NSST变换重构获得融合图像。对不同数据集中的City和Inland多光谱图像采用双三次插值方法进行上采样, 作者提出算法的通用图像质量指数(UIQI)分别为0.988 6和0.932 1, 光谱角映射(SAM)分别为1.872 1和2.143 2。实验结果表明, 图像结构更加清晰, 保存的光谱信息更加完整, 融合图像质量优于对比算法, 融合图像更利于人类视觉观察。

针对深度学习在计算机视觉上的良好表现，提出一种基于深度学习的多聚焦图像融合算法，在原有的AlexNet网络模型基础上改进了卷积核大小、步长等；利用改进后的深度学习网络特有的得分机制分类了聚焦图像块与散焦图像块；使用矫正矩阵矫正了误判图像块，并细分、修复了融合后的图像聚焦与散焦分界区域，得到了融合图像；选取6组多聚焦图像验证了本文算法的有效性。实验结果表明：与其他算法相比, 运用本文算法进行图像融合，能够保存较多的图像原始高频信息,并在互信息、边缘信息保持度、平均梯度和熵等评价指标上取得了较好的表现。

提出了一种非抽样双树复小波变换(UDT-CWT)与基于块主元旋转的非负矩阵分解(BPP-NMF)相结合的多聚焦图像融合算法。利用UDT-CWT具有完美的平移不变性及良好的方向选择性, 首先对图像进行多尺度、多方向分解并得到低频子带和高频子带系数; 然后对低频子带系数采用块主元旋转的非负矩阵分解的融合策略, 高频系数则选用高斯加权区域能量与区域标准差一致性选择的融合准则。最后对融合后的系数进行UDT-CWT逆变换得到重构图像。选用多组多聚焦图像进行融合并对融合结果进行主观视觉、客观方面的评价。试验结果表明, 该融合算法不仅具有良好的视觉效果, 同时在客观评价指标也优于一般的融合策略, 验证了该算法的有效性。

针对目前图像融合过程中的不足之处，结合有限离散剪切波具有高的方向敏感性和抛物尺度化特性，提出了一种有限离散剪切波变换下的图像融合算法。首先对严格配准的多传感器图像进行有限离散剪切波变换，得到低频子带系数和不同尺度不同方向的高频子带系数; 然后对低频子带系数采用全局特征值和像素点之间的差异性与区域空间频率匹配度相结合的融合算法，高频方向子带系数采用方向权重对比度与相对区域平均梯度和相对区域方差相结合的方案; 最后通过有限离散剪切波逆变换得到融合图像。实验结果表明，与其他的融合算法相比较，本文算法不但有良好的主观视觉效果，而且3幅图像的客观评价指标分别平均提高了09%、38%、31%，26%、38%、29%和15%、125%、59%，充分说明了本文融合算法的优越性。

为了提高多聚焦图像的融合精度, 结合有限离散剪切波变换(FDST)良好的局部化特性及平移不变性, 提出了一种基于有限离散剪切波变换与改进对比度相结合的图像融合新算法。对经过严格配准后的多聚焦图像进行FDST分解, 得到低频子带系数和不同尺度不同方向的高频子带系数; 对低频子带系数采用区域平均能量匹配度自适应融合算法, 高频子带系数的选取则根据低频与高频系数关联得到的对比度进行融合; 应用有限离散剪切波逆变换重构得到融合图像, 并对融合结果进行主观视觉和客观评价。通过仿真实验, 算法在主观视觉效果上有着明显的优越性。在不同融合算法比较的融合结果中, 熵值、互信息量和边缘相似度分别平均提高了1.4%、34.6%和8.0%, 各项客观评价指标优于其他算法。

以提升遥感图像和多聚焦图像的融合精度为目的, 结合非下采样剪切波变换(NSST)可以捕捉图像的细节特征, 提出了一种NSST和加权区域特性的图像融合方法。利用非下采样剪切波变换对源图像进行多尺度、多方向分解, 得到低频子带和高频子带, 低频子带系数采用改进梯度投影的非负矩阵分解(NMF), 高频子带系数采用加权区域能量和区域方差相结合的融合策略, 然后应用非下采样剪切波的逆变换得到融合的图像。实验结果表明: 该方法从主观视觉方面很好地保留了多幅图像的有用信息, 给出该方法与其他融合算法在客观评价指标应用信息熵EN、互信息MI和加权边缘信息量QAB/F的比较结果 。