图像融合是通过特定的算法将多幅信息互补的源图像合成一副新图像,它综合了传感器、图像处理、信号处理、计算机视觉和人工智能等现代高新技术,是一门新兴的学术研究学科。其中,红外和可见光图像融合应用的最为广泛。红外图像能够直接反映目标的温度信息。然而,由于红外辐射原理以及红外焦平面阵列的成像特点,图像的清晰度和层次感远不如可见光图像,缺少可见光图像中清楚的轮廓信息和丰富的纹理信息。两种图像间的天然互补性使得它们的融合图像含有更加丰富的信息,适宜于人眼观察,便于执行目标的发现、识别跟踪等进一步的操作。因而,被广泛应用于军事侦查、工业探伤、地质探测等技术领域。本文主要介绍了多尺度分解和稀疏表示这两种常用的红外和可见光融合算法。主要研究内容如下:1、基于多尺度变换的图像融合框架。利用图像实验分析了一些常用的多尺度变换结构的图像融合效果与其分解层数、融合规则等影响因素之间的关系,并比较了多个常用多尺度变换间融合效果的优劣。2、稀疏表示是最新发展的图像表示理论。与采用固定字典的传统多尺度变换相比,采用从源图像中学习得到的过完备字典来进行图像分解,因而,其稀疏表示系数可以更准确的表示源图像的特征信息。将其应用在图像融合领域,有可能会获得更佳的融合效果。首先详细介绍了稀疏融合的原理和步骤,并对影响稀疏融合效果的学习字典参数进行了分析,最后用实验证明了稀疏融合算法在某些无噪声图像和有噪声图像下的算法的有效性。3、针对多尺度分解和稀疏融合方法各自的优势和缺陷进行理论分析,提出一种通用的结合多尺度变换和稀释表示的图像融合框架:首先对源图像进行多尺度分解,获得其低频带系数和高频带系数,在低通带采用稀疏融合的方法进行融合。最后采用多尺度逆变换得到源图像,实验证明:相对于单独使用多尺度和稀疏融合算法,新框架下的融合图像能获得更佳的图像融合的效果。