针对红外与可见光图像融合过程中细节信息丢失过多、融合结果纹理不清晰、对比度不高等问题，提出一种基于图像增强和二次非下采样轮廓波变换（NSCT）分解的红外与可见光图像融合方法。首先，对可见光图像采用基于引导滤波的图像增强算法提升图像可视性。其次，对增强后的可见光图像和红外图像分别进行NSCT分解得到低频子带和高频子带，并且在不同子带间使用不同的融合规则，得出一次融合图像的NSCT系数。然后，对一次融合图像的NSCT系数重构再分解为高频子带和低频子带并分别与可见光图像的高低频子带融合得到二次融合图像的NSCT系数。最后，对二次融合图像的NSCT系数进行逆变换重构得到最终的融合图像。利用公共数据集进行大量试验，使用8种评估指标，与8种基于多尺度的融合方法对比。实验结果表明：所提方法能保留更多源图像中的细节信息，还能提高融合结果的边缘轮廓清晰度、整体对比度，在主观视觉和评价指标上都存在优势。

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。