针对目前合成孔径雷达(SAR)与可见光图像融合结果目标信息缺失、对比度不高的缺点，提出了一种基于纹理分割和top-hat变换的图像增强融合算法。将SAR图像灰度共生矩阵的熵纹理特征图进行阈值分割，提取SAR图像的感兴趣区域（ROI）；并对SAR和可见光图像进行非下采样Contourlet变换(NSCT)分解，低频系数采用基于区域的融合规则，在感兴趣区域内选择SAR的低频系数。对低频系数进行top-hat变换得到显著化的图像亮、暗细节特征，并加入到低频系数上形成低频合成系数；高频子带系数采用局部方向信息熵显著性因子取大的融合规则；对融合系数进行NSCT逆变换得到最终的融合图像。实验证明了本算法的有效性。

特征匹配的准确率影响图像配准的精度, 是基于特征配准方法的重点和难点之一。为了解决单向最近邻/次近邻法所导致特征点一对多的误匹配问题, 提出了一种红外和可见光图像的特征双向匹配方法。首先, 对红外图像进行反相和直方图均衡化处理, 增强两类图像的相似性, 提取数量更多重复率高的共有特征；其次, 对提取的 SURF(Speed-up Robust Feature)特征进行双向最近邻/次近邻粗匹配, 确保特征匹配的一致性, 降低误匹配率, 并利用 RANSAC(Random Sample Consensus)算法对特征点进行二次匹配, 实现特征点精确匹配。实验结果表明, 该算法在正确匹配率和配准精度方面都优于传统 SURF的单向最近邻/次近邻匹配方法, 具有有效性。

SAR和可见光图像成像机理不同, 图像差异较大, 较难取得良好的融合效果。本文面向目标识别, 通过分析图像的成像机理, 首先在NSCT 融合框架下, 将SAR 图像中重要的目标信息加入到可见光图像中, 并尽可能多的保留源图像的边缘细节信息; 再结合数学形态学和多尺度空间理论, 提取源图像的亮、暗细节特征, 进行特征级融合, 得到亮、暗细节特征显著增强的融合图像。实验结果表明, 本文算法有效的融合了SAR 图像的目标信息, 并增强了源图像的细节特征, 达到了较好的视觉效果, 提高了图像的目标检测和识别能力。

提出了一种基于变分法和梯度增强的红外与可见光图像融合算法。首先对红外与可见光的梯度特征进行自适应加权融合，得到初始融合梯度场；其次构建梯度特征增强模型，获得融合图像增强的梯度场；最后通过变分法将融合问题转换为最优化问题，得到最接近增强后梯度场的融合图像。实验结果表明，相比基于多分辨率框架下进行融合的拉普拉斯分解、小波变换及常见的基于变分的融合算法，所提出的算法得到的融合图像梯度特征最大，视觉效果最好，证明了算法的有效性。

针对可见光与SAR图像灰度差异大，共有特征提取难的问题，提出了一种基于k-均值聚类分割和形态学处理的轮廓特征配准方法。利用k-均值聚类算法对两类图像进行分割，得到图像分割区域；通过形态学处理，有效减少SAR图像斑点噪声影响，准确提取两类图像的封闭轮廓；采用轮廓不变矩理论，引入矩变量距离均值、方差约束机制和一致性检查的匹配策略，获取最佳匹配对，实现了两类图像的配准。通过实验，三组图像的配准精度分别达到0.3450、0.2163和0.1810，结果表明该法可行且能达到亚像素的配准精度。

鉴于SAR(synthetic aperture radar)与可见光图像的成像机理存在很大差别, 使得其同名特征的提取和配准十分困难, 但在某些情况下, 这两类图像的边缘存在一定的相关性。提出一种基于边缘与SURF(speed-up robust feature)算子的图像配准方法。通过适当预处理增强图像间的共性, 采用综合性能比较好的Canny算子提取两幅图像共有的边缘特征, 在边缘图像的基础上提取SURF特征; 通过比值提纯法进行特征点粗匹配, RANSAC(random sample consensus)算法剔除误匹配点, 计算仿射变换模型从而实现SAR与可见光图像的自动配准。实验结果表明: 该算法的正确匹配率为100%, 均方根误差为0.852个像素, 配准精度达到亚像素水平。

利用灰度信息对可见光与红外图像进行匹配时, 其效果受两类图像间灰度分布差异的影响。结合这两类图像的特征, 提出了一种基于边缘图像和 SURF(Speed-Up Robust Feature)特征的图像匹配方法。首先采用改进的三次 B样条分别对两幅源图像进行边缘提取; 然后利用 SURF算法在边缘图像上进行特征点检测; 再通过最近邻次近邻比值法对特征点进行粗匹配, 最后利用对极几何约束的 RANSAC算法剔除误匹配点对, 从而实现图像的匹配。实验结果表明, 在正确匹配率方面本文算法明显优于 Canny边缘提取和 SURF的匹配方法, 具有一定的有效性。