针对红外与可见光图像融合易发生热目标亮度损失、可见光图像细节信息丢失的问题，提出一种基于图像增强和滚动引导滤波的多尺度融合算法。首先，提出一种自适应图像增强方法，提高可见光图像的整体亮度，并保持细节处的对比度。然后，根据特征的不同将源图像分解为三层，采用基于引导滤波的显著性提取方法得到亮度层；利用滚动引导滤波良好的尺度感知和边缘保持特性，并结合高斯滤波得到基础层和细节层。最后，对亮度层采用像素值取大的融合规则，提出一种新的最小二乘优化方案对基础层进行融合，使用修正拉普拉斯能量和作为清晰度的度量对细节层进行融合。实验结果表明，与其他融合方法相比，所提方法在主观评价和客观评价上都有较好的表现。

针对户外环境下红外与可见光图像融合效果不足的问题, 提出一种基于卷积神经网络的红外与可见光户外图像融合方法。该方法先利用滚动引导滤波器对输入的红外图像进行预处理, 过滤噪声并消除无用信息。然后, 利用Curvelet变换将红外图像与可见光图像分解成高频系数与低频系数, 利用基于卷积神经网络的深度特征融合规则融合高频系数, 采用最小融合规则融合低频系数。实验结果表明, 该方法的融合图像在主观视觉与客观定量两方面均获得了较好的结果。

全色(Panchromatic, Pan)图像与多光谱(Multi-spectral, MS)图像融合的目的是生成具有高空间分辨率的多光谱图像。为了进一步提升融合图像的质量，提出一种基于细节信息提取的融合方法。首先，使用滚动引导滤波器与差值运算分别获取 Pan与 MS的高频分量。其次，采用自适应强度 -色度 -饱和度(Adaptive Intensity-Hue-Saturation，AIHS)变换处理 MS的高频分量与经像素显著性检测后 Pan的高频分量，生成对应的强度分量(Intensity，I)，再将 Pan与 I作差值运算获取细节图像。接着，采用引导滤波器计算 Pan与 MS的高频分量的差值，得到残差图像。最后，利用最速下降法将细节图像与残差图像注入到原始的 MS图像中获得最终融合结果。实验结果表明，本文所提算法得到的融合图像能够取得较好的主观视觉效果，且客观定量评价指标较优。

针对红外与可见光图像在融合过程中目标物体的边缘模糊导致细节丢失的问题，提出一种基于滚动引导滤波器（RGF）和卷积稀疏表示（CSR）的红外与可见光图像融合方法。首先，利用RGF和高斯滤波器对配准后的源图像进行多尺度分解；其次，针对基础层，通过构建对比显著图和权重矩阵进行融合；然后，针对细节层，利用交替方向乘子方法（ADMM）求解卷积稀疏系数，采用CSR融合规则完成特征响应系数融合；最后，经过重构得到融合结果图。实验结果表明，所提方法能够克服在目标物体的边缘处模糊导致细节信息丢失的问题，较好地保留源图像的对比度和边缘纹理信息，同时提高了多个客观评价指标。

图像融合将来自不同捕获条件或不同传感器的互补图像进行融合以提高图像的视觉质量。针对这一任务, 本文提出一种改进的滚动引导滤波与神经网络相结合的多尺度融合算法。首先, 使用孪生卷积神经网络学习图像特征, 并以此获得包含源图像显著特征的权值映射图。随后, 使用改进的滚动引导滤波对图像进行多尺度分解, 结合信息熵使滚动引导滤波权重参数自适应化来实现多尺度自适应分解, 并结合非线性映射增强图像细节信息。最后, 采用局部能量与权值图相结合的自适应调整融合模式对多尺度图像进行融合。经实验对比, 所提方法能够避免出现图像边缘圆晕效应, 且能够更好地突出图像边缘、细节纹理特征。另外, 与其他算法相比, 本文所提出的算法在平均梯度、信息熵、视觉信息保真度以及空间频率等客观评价指标项上均取得了更优的性能表现。

针对红外与可见光图像尺度差异大、图像较模糊,且图像中可提取的特征点数量不足以及特征分布不均匀易导致现有配准算法失效的情况,提出一种结合滚动引导滤波和相位信息的红外与可见光图像配准方法。利用滚动引导滤波构建尺度空间,在不增加耗时的前提下尽可能保持图像边缘信息; 提出一种改进的Shitomasi角点检测算法,提取具有尺度不变性且分布均匀的强角点; 在特征描述阶段,给出一种新的加权函数进行频率扩展,以得到更显著的相位一致性信息,实现更准确的图像特征描述。实验结果表明,该配准方法对存在9倍尺度差异的红外与可见光图像仍能实现准确配准,且对多组图像对的配准RMSE误差均保持在2像素之内。

针对红外与可见光图像融合时，易产生细节丢失、噪声抑制不佳等问题，本文提出了一种改进的滚动引导滤波融合算法。该算法充分利用了滚动引导滤波边缘和局部亮度保持特性，在通过均值滤波将输入图像分解为基础层与细节层的基础上，结合滚动引导滤波与高斯滤波获取输入图像的显著图，利用不同尺度参数的引导滤波对显著图优化得到权重图，将权重图作为权重分别指导基础层与细节层的融合，最后联合融合后的子图重构得到融合图像。针对 3类测试数据进行的融合实验表明，与非下采样轮廓波变换、基于引导滤波、基于显著性检测的两个尺度的图像融合等经典方法相比，本文方法得到的融合图像不但从主观视觉效果上细节信息更丰富、目标对比度加强，并且在非线性相关信息熵、相位一致性等 6项客观评价指标上均具有较好的效果。