在不同时刻或方式下,把相同背景下由相同的传感器在相同或不同模式下获取的几幅图像融合成为一幅图像的处理方法称为图像融合。单图像传感器只用于特定的场景,不能表达出图像的多种特征;但是由于多图像传感器所采样到的数据过于庞大,所以必须针对每一幅图像进行有效数据的提取。视觉显著性能够体现的是场景中目标吸引视觉注意的能力,如果对目标图像进行显著性分析和提取,那么就可以增强图像中的目标区域,从而达到提高融合效果的目的。因此,有必要对视觉显著性在图像融合中的应用进行深入的研究。本文根据视觉显著性的相关理论及模型,对视觉显著性在红外和可见光图像融合及多聚焦图像融合中的应用展开了深入研究,主要研究内容如下:1.针对引导滤波频率调谐(Guided Filter Frequency Tuned,FTG)方法的光晕现象,本文使用的方法是在局部区域内计算像素点的显著性大小来确定像素点的位置,从而得到正则化参数ε的加权状态,使改进后的FTG算法能够削弱原引导滤波光晕现象。2.针对红外光图像细节模糊、对比度差和可见光纹理不清晰等问题,用改进的FTG算法提取红外图像显著性图,然后对原图像进行非下采样轮廓波变换(Non-Subsampled Contourlet Transform,NSCT)。图像低频部分的显著性区域按照自适应权重的融合规则,非显著性区域按照区域能量和区域清晰度的融合规则;图像高频部分采用系数绝对值取大法。此算法较好的改善了目前红外与可见光图像融合中丢失了较多的可见光背景信息的问题并且使红外图像的目标区域更加清晰。3.针对多聚焦图像中的失焦区域不清晰问题,用改进的显著性算法提取多聚焦图像的显著性图,利用稀疏分解特性来降低NSCT算法的复杂度提高融合效率。图像低频部分用显著性大小来指导稀疏系数,高频部分比较拉普拉斯能和,最后采用多尺度逆变换得到融合图像。此算法比单独使用多尺度或者稀疏融合算法能够获得更好的融合效果。