为克服当前较多遥感图像融合方法存在间断以及吉布斯现象，本文利用像素点间灰度以及梯度信息，设计了一种采用非下采样Shearlet变换(NSST)耦合细节强化因子的图像融合方法。将多光谱(MS)图像经过强度-色调-饱和度(IHS)变换，分离出强度成分。随后，借助变换处理强度成分与全色(PAN)图像，获取对应的高频和低频系数。以强度成分对应的低频系数为依据，通过图像的空间频率特性计算加权系数，将PAN图像的低频系数植入到强度(I)成分对应的低频系数中，融合低频系数。采用像素点间灰度以及梯度信息，构造细节强化因子，融合高频系数。最后，采用IHS和NSST反变换重构这些融合系数，获取融合结果。实验结果显示：较当前融合技术，所提算法拥有更为理想的融合效果，具有更高的互信息值和更低的光谱偏差度值。

非下采样剪切波变换（NSST）域中低频子带的融合需要人工给定融合模式，因此未能充分捕获源图像的空间连续性和轮廓细节信息。针对上述问题，提出了基于深度卷积神经网络的红外与可见光图像融合算法。首先，使用孪生双通道卷积神经网络学习NSST 域低频子带的特征来输出衡量子带空间细节信息的特征图。然后，根据高斯滤波处理的特征图设计了基于局部相似性的测量函数来自适应地调整NSST 域低频子带的融合模式。最后，根据NSST 域高频子带的方差、局部区域能量以及可见度特征来自适应地设置脉冲耦合神经网络参数完成NSST 域高频子带的融合。实验结果表明：该算法QAB/F 指标略弱于对比算法，但SF、SP、SSIM 以及VIFF 指标分别提高了约50.42%、14.25%、7.91%以及61.67%，有效地解决了低频子带融合模式给定的问题，同时又克服了手动设置PCNN 参数的缺陷。

针对显微图像自动对焦和成像系统质量评价问题, 结合多尺度分解工具和梯度绝对值算子设计, 提出了一种显微图像清晰度评价算法。采用非下采样剪切波分解, 对输入的显微图像进行多尺度、多方向变换, 得到一幅低频子带图像和若干幅高频子带图像。结合抗噪阈值设置, 计算各子带图像的梯度绝对值算子和, 利用图像清晰度变化对于低频和高频子带系数影响的差异, 将高低频梯度绝对值算子的比值作为最终的显微图像清晰度评价数值。开展了仿真论证实验和实拍论证实验, 实验结果表明, 所提出的清晰度评价算法具有较好的单调性和抗噪特性, 和几种经典的评价算法相比, 本文方法得到的评价结果在灵敏度、稳定性和鲁棒性方面表现更为优异, 具有很好的实际应用价值。

针对紫外成像仪中紫外光图像与可见光图像的灰度值特点及传统的图像融合方法在图像融合时存在紫外光斑信息丢失的问题，提出一种基于非下采样剪切波变换(NSST)和自适应稀疏表示的紫外光与可见光图像融合方法。首先用NSST变换分解源图像，得到低频子带系数和高频子带系数；然后采用邻域标准偏差取大的融合规则融合低频子带系数，生成近似融合图像；根据自适应稀疏思想指导高频子带系数的融合；最后通过逆NSST变换重构得到融合图像。实验结果表明，该方法在保留可见光背景信息的基础上，很好地融合了紫外光斑信息，改善了图像的主观视觉质量，在客观评价指标上也有所提高。

针对光谱差异较大的红外与可见光图像, 本文提出一种基于潜在低秩表示(LatLRR)和脉冲式耦合神经网络(PCNN)的多尺度融合模型。首先, 该算法利用非下采样剪切波变换(NSST)获取图像的低频与高频分量。鉴于图像的低频分量决定最终的融合效果, 采用LatLRR算法挖掘源图像内在的显著特征对低频分量自适应加权融合。除此外, 针对决定融合图像细节的高频分量, 则利用双通道PCNN模型作为它的融合规则。其中平均梯度算子(AVG)和方向梯度和算子(SDG)分别作为PCNN的外界刺激与链接强度, 它们能更好地表征图像的纹理特性。通过上述全新的融合规则, 可将包含在红外图像内部的显著性特征与可见光图像的梯度特征完美结合, 从而获取具有优良视觉效果的融合图像。本文采用3种不同的场景来测试所提方法的融合性能, 与其他典型融合方法相比, 本文提出的算法具有更佳的视觉效果, 同时客观评价参数值增加约2%~5％。

提出了一种基于邻域特征与脉冲发放皮层模型（Spiking Cortical Model，SCM）相结合的红外与可见光图像融合算法。首先，源图像经过非下采样剪切波变换（Non-subsampled Shearlet Transform， NSST）分解得到各自的低频子带图像和高频子带图像。然后，根据低频与高频子带的特点，选择适合的邻域特征作为 SCM的外部激励，通过比较 SCM的输出对低频与高频分量进行融合。最后将融合得到的低频与高频子带图像经逆变换重建得到最终的融合图像。通过实验仿真与其他几种方法进行比较，可以看出本文算法的融合图像红外目标突出，背景信息丰富，视觉效果良好，并且在标准差、信息熵，以及互信息等客观评价方面具有明显的提高。

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。

为了将红外图像的全局信息与可见光图像的细节信息进行有效结合，进一步提高融合后图像的质量，提出了一种同时增强图像边缘细节和对比度的非下采样剪切波变换（ NSST）域红外和可见光图像融合方法。首先，通过平移不变剪切波将图像分解成为低频子带与高频子带，通过全局显著性图分析图像的对比度信息；利用改进型局部显著度图分析图像局部边缘信息。针对不同频带系数，结合边缘信息和对比度信息对频带系数进行融合，最后，利用逆变换得到最终的融合图像。大量实验结果表明，本文方法在提高图像整体对比度的同时增强了图像的边缘细节表现能力，优于现有的基于小波变换，非下采样轮廓波变换（NSCT）和显著度图等几种图像融合方法。

针对夜视图像彩色融合通常存在细节信息不够丰富、颜色对比度低的问题，为了获得更为理想的彩色融合效果，提出一种新的基于非下采样剪切波变换(Non-subsampled Shearlet Transform，NSST)和颜色对比度增强的彩色融合方法。首先，分别设计基于S 函数和局部方向对比度的低频与高频融合规则，完成源可见光与红外图像在NSST 域的融合；其次，将灰度融合图像赋给Y 分量，源图像的差值信号赋给U 和V 色差分量，形成YUV 空间的伪彩色融合图像。最后，选择一幅与待上色图像具有相似颜色分布的自然日光图像作为彩色参考图像，在YUV空间对伪彩色融合图像进行颜色对比度增强的非线性色彩传递。与近年方法相比，该方法所得彩色融合效果细节信息丰富、热目标突出。将该方法运用于彩色夜视领域，可有效增强场景深度感知和目标的可探测性。