针对传统图像融合算法目标不突出、边缘及纹理细节不清晰或缺失、对比度降低等问题，提出一种基于引导滤波（GF）和双树复小波变换（DTCWT）的红外与可见光图像融合算法。首先，根据红外与可见光图像的特点，在DTCWT分解前对可见光图像进行GF增强，同时对经DTCWT分解后的红外高频分量进行GF增强；然后，根据不同频带系数特点，提出一种基于显著性的自适应加权规则对红外与可见光低频子带分量进行融合，采用一种基于拉普拉斯能量和（SML）与梯度值向量的规则对不同尺度、方向下高频子带进行融合；最后，对融合后的高、低频系数进行DTCWT逆变换以得到最终重构图像。将所提算法与6种高效融合算法进行对比评价，实验结果表明，所提融合算法在不同场景下具有显著的目标特征，同时背景纹理和边缘细节清晰，整体对比度适宜，并且在4类客观评价指标上也取得了较好的效果。

为解决多模医学图像融合边缘模糊,互补信息不充分的问题,提出一种基于改进的引导滤波和双通道脉冲耦合神经网络(PCNN)的医学图像融合算法。利用非下采样轮廓波对医学源图像进行变换,采用双通道PCNN融合图像的低频部分,将改进的拉普拉斯能量和作为双通道PCNN的激励输入,将改进的空间频率作为链接强度;采用改进的引导滤波算法融合图像的高频部分。融合后的低频和高频信号进行非下采样轮廓波变换逆变换即可得到融合图像。实验结果表明,多模医学图像融合中,所提算法有效保留了源图像的特征信息,并在互信息量、信息熵、空间频率等客观评价指标上取得了良好的效果。

为了使融合后的多聚焦图像细节特征丰富且边缘清晰,提出一种基于快速有限剪切波变换(FFST)与引导滤波的图像融合算法。利用FFST将源图像分解为低频系数和高频系数。在融合低频系数时,定义一种改进的拉普拉斯能量和(NSML),并设计一种基于区域NSML的低频系数选择方案;针对高频系数富含细节信息的特点,提出一种基于引导滤波的区域能量加权融合算法。然后,通过逆FFST获取最终的融合图像。对比实验结果表明,所提算法在主观视觉效果与客观评价指标方面都取得了较好的结果。

为了解决红外与可见光图像融合时信息容易相互干扰、影响融合质量的问题, 将引导滤波、高斯低通滤波与非下采样方向滤波器组相结合, 提出一种新的图像融合方法。利用引导滤波和高斯低通滤波, 将源图像分解为低频近似部分、强边缘部分和高频细节部分, 并将高频细节部分进行非下采样方向滤波, 进一步得到高频方向细节部分; 对低频近似部分应用基于局部区域能量的融合规则, 对强边缘部分提出一种基于卷积稀疏表示的融合规则, 对高频方向细节部分提出改进的脉冲耦合神经网络的融合规则, 得到相应的融合部分, 并通过逆变换得到最终的融合图像。对多组红外与可见光图像的实验结果表明, 算法得到的融合结果的主观视觉效果和客观评价指标均优于传统的图像融合方法, 其客观评价指标中的标准差、信息熵、互信息、平均梯度和空间频率相比融合效果较好的基于离散小波变换和稀疏表示的融合方法平均提高20.28%、2.24%、47.41%、5.34%、8.02%。

对红外与可见光图像融合过程中出现的融合时间较长、细节信息提取不足的缺点，提出一种局部化非降采样剪切波变换（Local Non-subsampled Shearlet Transform，LNSST）的红外与可见光图像融合提升算法。对红外图像和可见光图像采用LNSST 域算法进行多层次、多方向的分解，得到低频子带系数和各带通方向子带系数。低频部分使用基于灰度突变度的权值平均的融合规则；高频部分采用区域纹理平滑度和拉普拉斯能量和相结合的融合方法，然后对低频融合系数和高频融合系数进行LNSST 逆变换得到融合后的图像。用不同的算法进行验证结果显示本文提出的融合算法生成的融合图像细节更多、更清晰，执行时间相对较短。

为了提高全色图像与多光谱图像的融合质量,提出一种基于非下采样双树复轮廓波变换和稀疏表示的图像融合算法.对多光谱图像进行亮度-色度-饱和度变换,再对亮度分量和全色图像进行直方图匹配及亮度平滑滤波处理.利用非下采样双树复轮廓波变换处理亮度分量和全色图像,得到对应的高低频系数.对于低频系数,利用稀疏表示进行融合,采用空间频率和l1范数双指标取大的融合规则得到稀疏表示系数;对于高频系数,将改进的拉普拉斯能量和作为脉冲耦合神经网络的外部输入项,提出了改进的脉冲耦合神经网络的融合策略.最后进行非下采样双树复轮廓波逆变换和亮度-色度-饱和度逆变换得到融合结果.实验结果表明,该算法最大限度地保留光谱信息的同时可以提高空间分辨率,视觉效果及客观指标均优于经典的融合算法.

针对甲状腺肿瘤超声图像对比度低和SPECT 图像边界模糊的特点，结合多尺度几何分析和单尺度稀疏表示的思想，提出了一种Shearlet 变换与稀疏表示相结合的图像融合算法。首先，用该变换对已经精确配准的源图像进行分解，得到图像的高低频子带系数。对稀疏性较差的低频子带系数进行字典训练并求解其稀疏表示系数，并采用能量值取大的规则进行融合。高频子带系数采用区域拉普拉斯能量和的规则。最后，用Shearlet 逆变换得到融合图像。实验结果表明，此算法在主观视觉效果和客观评价指标上优于多尺度融合方法和单尺度下基于稀疏表示的图像融合方法。

提出了基于非下采样Shearlet变换和加权非负矩阵分解的红外热波图像融合方法.红外热波序列图像经非下采样Shearlet变换后,采用动态加权非负矩阵分解算法对低频系数进行融合处理.该算法的加权系数依据图像像素突变度动态调整,以突出红外热波图像的缺陷区域;高频系数则采取基于区域改进拉普拉斯能量和的融合策略,以保持缺陷的边缘细节.实验结果表明,本文方法在主观视觉效果及边缘保持度、相关度、运行时间三种客观定量评价指标中,融合性能更优,具有快速、有效等优点,能更完整和清晰地保持红外热波图像的边缘轮廓.该方法可有效地应用于多幅红外热波序列图像的融合中,在红外热波无损检测领域具有较高的实用价值.

针对基于传统多尺度分析对图像分解得到的方向子带数量较少, 抑制噪声能力弱, 融合图像边缘连贯性不好的缺点, 本文提出一种基于 Surfacelet变换和复合激励模型的多聚焦图像融合方法。通过分别将两幅图像经 Surfacelet变换后得到若干不同频带子图像, 该方法根据低频子带和高频子带的特点, 建立复合激励模型, 即分别把改进的拉普拉斯能量和与空间频率作为复合型 PCNN的外部激励, 采用复合型 PCNN优选融合系数, 改善融合效果。获取的融合图像的灰度级分布更加分散, 图像纹理连贯, 细节突出。实验结果表明, 该算法克服传统多聚焦图像融合方法的缺陷, 客观评价指标显示本方法优于 Laplace、DWT和 PCA等传统图像融合方法。