随着图像传感器种类增多,多源图像融合技术迸发出了蓬勃的生命力。图像融合技术可以对各传感器所得的图像信息取长补短去除冗余以获得一幅新的图像。可见光与红外图像的融合作为图像融合的分支,在民生、军事、医疗等方面都有广泛应用。为了提升彩色图像与红外图像的融合质量,本文进行了相应的图像配准与图像融合技术的研究,既可有效保留可见光的色彩信息,又可稳定捕捉图像细节特征。主要研究工作如下:针对图像的配准,改进了基于SIFT算法的图像特征点匹配方法,解决了因待匹配两图像存在视场大小区别且像素灰度存在的非线性差异导致的特征点鲁棒性弱、分布不均匀等问题,提高了匹配质量。特征点检测时,在尺度空间层设置权重系数,对各层图片分别设置网格,并结合图像的频谱能量响应强度图采用四叉树的方法筛选出均匀分布且稳定的特征点。重新构建了描述子,将特征点的特征向量降维至72维,采用双向匹配策略进行粗匹配以减少降维可能带来的误匹配,并采用随机一致性算法进行精匹配。实验数据表明,该方法可以在异源图像中提取到可靠稳定的特征点,并提高了特征点匹配的准确性,使配准后的图像均方根误差稳定在2像素内。为了在融合图像中留存色彩信息,同时减少场景内目标轮廓细节损失,采用基于HSV-NSCT的图像融合算法并提出改进。通过对红外图像以及可见光在HSV空间分解出的V分量进行NSCT变换分解,分析两类源图像相同位置区域能量的匹配度进行区域能量计算得到新的低频子带;高频子带采用区域SML与原高频分量为外部刺激的双通道脉冲耦合神经网络融合成为新的高频部分。将新的低频和高频子带进行重构,结果作为V分量与可见光的H、S分量融合得到融合结果。与不同算法实验结果比较,该算法结果客观指标中的空间频率与平均梯度指标平均提升了10%与6%,说明该算法较强的细节捕捉能力可以提高融合结果中的细节信息丰富度以及图像分辨率与清晰度。为了在提高图像融合算法的运行速度的同时不损失融合图像画质,采用基于HSV-NSST的算法进行图像融合并提出改进。NSST算法分解级数受外因限制大,分解出的低频中仍含有没有完全分解出来的细节信息,对其进行再分解。该算法对红外图像以及可见光在HSV空间分解出的V分量进行NSST变换分解,将分解所得的低频分量进行高斯二次分解,其中对携带有残余细节纹理信息的低频细节分量采用卷积稀疏表示模型的表征,并选择较大的信息丰富度的系数重构细节层,在基础层的融合中,选用区域积化能量和较大方作为区域基础分量,对基础层与细节层重构为新的低频分量。在高频部分,采用NISL值作为对边缘与纹理信息丰富程度的表达选取出新的高频信息。将新的低频和高频子带进行重构,结果作为V分量与可见光的H、S分量组合变换得到融合结果。与对比算法实验数据结果比较,该算法得到的图像结果的客观评价数据均有提高,其中代表信息量的指标平均提高了15%,表征清晰度的指标有平均10%的提高。说明经过该算法融合后的图像丰富度与视觉效果都有提升。