针对传统多尺度融合方法不能突出目标信息、融合图像缺失细节与纹理的问题，提出一种基于梯度域引导滤波和显著性检测的红外与可见光图像融合方法。该方法利用梯度域引导滤波将输入图像分解为基础层和细节层，同时利用加权的全局对比度方法将基础层分解为特征层以及差异层。在融合过程中，分别采用相位一致性组合加权局部能量、局部熵结合加权最小二乘优化、平均规则来融合特征层、差异层、细节层。实验结果表明，所提融合方法的多项指标相对于其他方法提升较多，且图像视觉效果更好，在突出目标信息、保留轮廓细节、提高对比度和清晰度方面十分有效。

针对现有的红外与可见光图像融合算法无法很好地保留红外图像热辐射信息这一问题，提出了一种基于热辐射信息保留的图像融合算法。通过NSCT（non-subsampled contourlet transform）变换对红外与可见光图像进行多尺度分解，得到各自的高频子带和低频子带，可见光低频子带部分经拉普拉斯算子提取特征后与红外低频子带部分叠加得到融合图像的低频系数，高频部分使用基于点锐度和细节增强的融合规则进行融合以得到高频系数，最后通过逆NSCT 变换重构得到融合图像。实验表明，相较于其它图像融合算法，所提算法能在保留红外图像热辐射信息的同时，保有较好的清晰细节表现能力，并在多项客观评价指标上优于其它算法，具有更好的视觉效果，且在伪彩色变换后有良好的视觉体验，验证了所提算法的有效性和可行性。

系统分析了滚动导向滤波的参数,根据参数变化的规律提出一种基于滚动导向滤波的混合多尺度分解方法,并基于此方法将红外与可见光图像分解到基本层、小尺度层和大尺度层。在基本层上使用像素能量与梯度能量相结合的融合规则,在大、小尺度层上采用双通道自适应脉冲耦合神经网络(DAPCNN)的融合规则。通过逆混合多尺度分解方法得到融合图像。与已有的图像分解方法相比,所提图像分解方法不仅可以很好地提取图像的纹理细节,保留图像的边缘特征,还可以避免在边缘位置上出现光晕现象。实验结果表明,所提方法可以很好地提取图像的红外目标信息,并将其融合到可见光图像中,与已有的融合方法相比,所提方法不仅在人眼视觉感知的主观评价方面具有明显优势,而且在互信息、信息熵、标准差、非线性相关信息熵和Chen-Varshney指标等客观评价标准上也具有很大的优势。

为了充分利用源图像重要特征,提出了一种基于迭代导向滤波与多视觉权重信息的红外与可见光图像融合算法.首先,通过一种迭代导向滤波器将输入图像分解为基础层与细节层; 其次,利用边角信息、清晰度与对比度来综合确定二进制权重系数,再选择导向滤波对其优化,进一步去除噪声并抑制伪影的产生; 最后,应用重构准则对基础层与细节层进行组合,得到融合图像.实验结果表明,与其它多尺度分解相比,该方法具有尺度感知特性,可以更好地分离空间重叠的特征,不仅可以使夜视融合图像的细节信息更突出,还能够有效地抑制伪影.

为了提高多聚焦融合技术中融合图像系数间的相关性,增强区域信息丰富度,提出一种基于熵率分割和多尺度分解的多聚焦图像融合方法。利用多尺度分解后边缘和细节信息保存在高频子带这一特征,通过模值比较和一致性检测,可以更好地保留图像的细节;同时结合低频子带与熵率分割,把图像中相近的信息系数分到同一个区域中,再根据区域空间频率和能量融合图像,提高系数间的相关性,使得融合图像边缘过渡更加自然;最后,对图像进行逆变换得到融合结果图。实验结果表明,本文方法在主客观评价中都具有较好的表现,能够得到较好的融合效果,适用性高。

目前基于多尺度分解的图像融合算法存在以下问题：1）多尺度分解时，图像边缘被平滑；2）融合结果中红外显著区域的对比度降低；3）小尺度细节受到抑制，在融合图像中显示不清晰。为解决上述问题，本文提出了一种基于BMA（Bayesian model averaging）滤波器和边缘的图像融合算法。首先，利用BMA 滤波器分别对红外与可见光图像进行多尺度分解；其次，分别利用显著性提取和边缘权值映射算法，计算各基层和细节层的融合权值矩阵；最后通过图像重构获得融合图像。实验证明，该融合算法优于传统的图像融合算法。

可见光红外图像融合技术对于提升成像区域的信息丰富程度具有重要意义。提出了一种基于多尺度分解和显著性区域提取的可见光红外图像融合算法。利用边缘保持的图像平滑算法，构建了多尺度图像分解框架，将图像分解为不同尺度的基础层图像和若干细节层图像，同时结合导向滤波器，在每个分解图层实施显著性区域提取。通过加权重建进行融合信息的视觉增强，得到最终的融合结果。针对不同融合算法和图像库开展了主客观评价对比实验，结果表明：所提出的算法具有较好的主客观评价结果，算法融合效果表现优异，适用性较好。

将多尺度变换和“高频取大、 低频加权平均”融合规则相结合是融合双波段图像的有效方法。 但用该类方法融合多波段图像时, 序贯式加权常常会导致原图像间固有的差异信息在融合图像中被弱化, 从而影响后续的目标识别和场景理解。 该问题在融合具有纹理特征的多波段图像时更为突出。 为此, 提出了一个基于嵌入式多尺度分解和可能性理论的多波段纹理图像融合新方法。 首先, 利用一种多尺度变换方法把多波段原图像分别分解为高频和低频成分, 并对多波段图像中标准差最大的一幅原图像的低频成分利用另一种多尺度方法进行分块, 再以该分块图像的大小和位置为标准对其余波段的原图像进行分块。 然后, 基于可能性理论的相关融合规则逐一融合对应的多波段块图像, 再把块融合图像进行拼接, 以拼接结果作为低频融合图像。 最后, 将该低频融合图像和利用取大规则融合得到的高频成分一起通过多尺度逆变换获得最终的融合图像。 这种方法不仅将像素级和特征级融合方法综合在一起, 而且将空间域和变换域技术综合在一起, 并通过对大小块采用不同融合规则解决了目标边缘的锯齿效应问题。 实验表明该方法效果显著。