图像融合是一门综合了传感器技术、图像处理、信号处理、计算机和人工智能等多种学科的有巨大应用前景的新兴技术。红外与可见光图像融合方法是其研究热点之一,在空间监测、军事、安全监控等领域的应用得到了不断的推广,但目前的融合结果存在虚假噪声,融合信息利用率不高,图像边缘保留不足等问题。论文从提高红外图像与可见光图像融合质量入手,采用了一种先进的多尺度分析工具——非下采样剪切波变换(Non-subsampled Shearlet Transform,NSST),对基于NSST变换的红外与可见光图像融合及其改进算法展开了深入研究,并提出了相应的解决方案及算法。主要研究内容如下:1、针对基于稀疏表示的红外与可见光图像融合过程受红外噪声影响,背景模糊,论文提出了一种基于稀疏字典学习和NSST变换的红外与可见光图像融合算法。对图像进行NSST分解,利用滑动窗口将低频分量划分为图像块,对图像块进行零均值化处理后再进行稀疏分解,选择区域能量的融合规则对其进行融合,高频系数选择拉普拉斯能量和的融合规则对其进行融合。实验表明,算法能有效抑制红外图像颗粒噪声,且不存在斑块噪声,视觉效果较好,客观评价指标较优。2、脉冲耦合神经网络(Pulse Coupled Neural Networks,PCNN)具有生物学背景,其信号形式和处理机制更符合人眼视觉神经系统的生理学基础,有着传统图像处理算法无法比拟的先天优势,但是目前基于PCNN的融合算法运算时间比较长,区域特征不明显。论文构造了区域双通道单元连接脉冲耦合神经网络(Region Dual-channel Unit-linking PCNN,RDU-PCNN)模型。与PCNN模型相比,RDU-PCNN模型更符合人的视觉特性,具有明显的区域特征,全局耦合特点。在此基础上,提出了一种基于RDU-PCNN和独立成分分析基的红外与可见光图像融合算法。首先,使用NSST将源图像分解为一系列高频子图像和一个低频子图像;然后采用基于RDU-PCNN的融合规则融合高频子带,采用基于独立成分分析基的融合规则融合低频子带;最后使用NSST逆变换重建融合图像。实验结果表明,该算法不仅可以保留可见光图像的场景和空间信息,还可以提取红外图像的目标信息。提出了基于RDU-PCNN和离散余弦变换的融合算法,将RDU-PCNN算法用于低频信息融合,高频采用基于离散余弦变换的融合规则进行系数提取。由于离散余弦变换能极大地去除元素在变换域中的相关性,该算法不仅可以提高图像融合的质量,还可以减少边缘振铃现象,突出感兴趣目标的视觉特性。3、针对图像融合出现细节信息丢失,NSST分解后高频冗余信息过多等问题,提出了基于压缩感知和在线ICA基的红外与可见光图像融合算法。首先,采用NSST将红外与可见光图像分解为高频子带和低频子带;其次,使用压缩感知技术融合高频子带,使用在线ICA基融合低频子带;最后,通过NSST逆变换重建融合图像。该算法不仅能融合互补信息,而且还可以提取有用信息,能够用较少的稀疏系数精确地重建图像。4、针对红外图像目标边缘受噪声干扰严重、弱边缘提取困难,基于多分辨分析的图像融合方法易引入人工副效应,导致融合图像边缘模糊或出现伪影,提出了基于引导滤波、NSST变换和相位一致性的红外与可见光图像融合算法。首先,采用NSST变换将可见光和红外图像分别分解成多个高频细节层和一个低频基层;然后,采用相位一致性从细节层提取显著层,使用引导滤波来计算基层和显著层的滤波输出;接下来,利用场景一致性,使用新的加权平均对系数进行融合并获得细节层和基层系数图,最后通过NSST逆变换获得融合图像。实验结果表明本方法可以降低噪声,融合图像边缘比较清晰,边缘信息能够有效保留。