针对传统图像融合方法引起的清晰度低、轮廓模糊以及适应性差等问题, 提出了一种改进的红外与可见光图像融合方法。采用非下采样轮廓波(NSCT)对红外与可见光图像进行分解, 分别得到带通子带系数与低频子带系数。采用融合准则采用改进的空间频率(MSF-PCNN)获取高频融合系数, 采用改进的脉冲耦合神经网络(PCNN), 即NL-PCNN, 获取低频融合系数。针对两种异源低频信息, 利用改进的加权锐化滤波器和加权均值滤波器作频率梯度分离进行轮廓提取。实验结果表明了所提融合算法的有效性, 在获取图像轮廓信息, 增强融合图像清晰度方面均优于传统的图像融合算法, 具有较高的自适应能力。

针对低照度图像存在亮度低、对比度低、边缘模糊等问题, 首先将低照度图像NSCT多尺度分解, 获得低频子带图像和高频子带系数; 接着将低频图像采用多尺度Retinex 提升图像亮度, 借助非线性的双边滤波函数估计其照度分量, 利用Gamma校正函数对照度分量进行校正, 提高图像的动态范围, 利用影响因子校正反射分量, 丰富其层次性, 对图像的整体轮廓进行增强; 然后将高频部分用Bayes阈值隔离噪声, 利用自适应分数阶微分对图像的边缘、纹理等细节进行增强; 最后对处理后的图像进行NSCT重构。实验结果表明,本文算法的对比度、清晰度及信息熵与现有增强方法相比, 平均提高了10.7%、9.8%、2.3%。增强后的图像在细节、边缘保持等方面也优于现有算法, 改善了图像整体的视觉效果。

为了解决浮选气泡图像现场光照不均、相互黏结、无背景等造成的直接形态特征提取困难问题, 提出一种浮选气泡NSCT域(Nonsubsampled Contourlet Transform, NSCT)的多尺度等效形态特征提取及识别方法。通过NSCT变换将浮选气泡图像分解为低频图像和多尺度多方向高频图像; 采用模糊集方法二值化低频子带图像, 得到气泡亮点图像, 提取亮点个数、平均面积、标准差和椭圆率作为等效形态尺寸特征; 结合方向模极大值及差分盒维法计算各高频子带方向的分形维数; 最后, 将多尺度多方向等效形态尺寸特征作为输入, 采用量子门节点神经网络对三类浮选气泡图像进行状态识别和分类。实验结果表明, 该方法提取的等效形态尺寸特征与分类的相关性高, 能对三种类型浮选气泡图像进行有效的状态识别, 平均识别准确率达95.1%。本算法的识别准确率较几种流行算法而言有较大提高, 适用于动态变化的浮选工况。

针对小波变换容易造成细节信息丢失、非下采样轮廓波变换（NSCT）分解的低频子带系数不稀疏以及红外与可见光图像融合结果综合性能不佳的问题，提出了一种基于稀疏表示和NSCT-PCNN的红外与可见光图像融合算法。首先将源图像进行NSCT分解，获得低、高频子带；其次，利用K奇异值分解（K-SVD）算法对低频子带进行字典训练，实现低频子带的稀疏表示和低频稀疏系数的融合；然后，利用高频子带的空间频率激励脉冲耦合神经网络（PCNN），选择较大点火次数的系数作为高频子带的融合系数；最后对低、高频子带融合系数进行NSCT逆变换，得到融合的图像。实验结果表明,该算法在视觉效果和客观指标方面均具有较大优势，且融合结果综合性能优于现有算法。

为了在一定程度上为后续图像处理提供更为有效的信息，针对红外与可见光图像融合，提出了一种改进的算法。NSCT 用于分解红外图像和可见光图像，采用像素特征能量加权融合规则和邻域方差特征信息融合规则得到其低频和高频系数，最后通过逆NSCT 进行图像重构得到融合图像。优化后的算法在融合图像清晰度上比Contourlet 算法提高了2.22%，在图像信息丰富程度上提高近3.1%。实验结果表明，该算法可以有效地提高图像融合质量。

提出了一种针对人类视觉系统的双波段红外图像融合算法。首先采用非下采样Contourlet变换把源图像分解成尺多度、多方向上的子带，然后采用绝对值最大算子的方法对高频部分进行融合，采用基于区域方差的方法对低频部分进行融合，最后进行重构得到融合图像。对试验中采集的双波段红外图像进行了融合实验，并将融合效果与梯度金字塔变换方法和小波变换方法进行了比较。实验结果表明，针对人类视觉系统的双波段红外图像融合算法有效可行，可以获得比常用的算法更好的融合效果。

提出了一种基于Contourlet变换的非下采样变换(Nonsubsampled Contourlet Transform, NSCT)和脉冲耦合神经网络(Pulse Coupled Neural Network, PCNN)的可见光与红外图像融合算法。该算法首先对源图像进行NSCT分解，得到低频子带系数和各带通方向子带系数。然后对低频子带系数提出一种基于可见光与红外图像自身特性的加权平均融合方法，再对各带通子带系数提出基于PCNN的融合方法。最后经过NSCT逆变换得到融合图像。实验证明，该方法优于小波方法和传统的NSCT方法。

针对红外与可见光图像融合,提出了一种基于NSCT变换的图像融合方法。对经NSCT变换的低频子带系数采用基于区域能量自适应加权的融合规则,对高频子带系数采用混合的融合方法,即对于低层,采用基于区域方差选大的融合方法,对于高层采用像素点的绝对值选大的融合方法。实验结果表明,该融合算法可以获得更多的细节信息,能获得较理想的融合图像。

针对小波变换在表达图像边界及线状特征上的缺陷,以及NSCT变换在表达图像细节信息的不足,提出了在红外图像与可见光图像融合的过程中采用基于NSCT变换和小波变换相结合的图像融合算法。在图像NSCT分解后,对低频系数使用基于小波变换的融合算法,对高频系数结合融合图像的特点采用了基于区域方差的融合规则。实验结果表明,基于NSCT变换和小波变换相结合的融合算法能更好地保持可见光图像的光谱信息和红外图像的目标信息,具有更多的细节特征以及更清晰的边缘。