图像融合技术是数字图像处理领域的重要分支,受到了越来越多研究者的重视,并取得了显著的研究进展。其中基于稀疏表示的图像融合方法因其优异的性能而受到研究者的广泛关注。然而,这些方法大多将整个图像使用一个字典来表示,并不能有效表达自然图像中不同形态结构。并且这些方法是假设源图像是清晰、高分辨率的。显然,实际获得的源图像很难满足这一条件。此外,传统稀疏表示方法将图像分割成堆叠的块,并将图像块拉成向量来处理,在这一过程中,重叠块之间的一致性被忽略。针对这些问题,本文提出基于判别字典学习的图像融合与超分辨率重建联合实现方法,有效提高融合图像质量,具体以方法如下:(1)为克服单一字典表达能力的局限性,将分析和综合稀疏表示的互补表示机制集成到了字典学习中,训练一对表达能力和判别能力较强的分析和综合字典,用于表达图像主要结构和边缘细节分量,以及图像背景和亮度分量。此外,为提高融合图像显著特征保留性能,对于图像主要结构和边缘细节分量的融合,提出一种基于图像块显著性特征的融合策略,该方法能较好地保存图像信息,提高图像对比度。(2)对于低分辨率图像融合,提出一种基于判别字典学习和优势嵌入联合实现图像融合与超分辨率重建的方法。首先联合训练两对低秩、稀疏字典和一个高、低分辨图像编码系数转换矩阵,一对字典用于表示输入图像的低秩和稀疏分量,另一对用于重构高分辨率融合低秩和稀疏分量,转换矩阵用于建立高、低分辨率图像之间的潜在关系。为了提高融合和超分辨率重建结果的可视化效果,学习了结构信息补偿字典用于补偿丢失的细节信息。此外,为了将优秀的图像融合方法的优势整合到融合后的结果中,提出了一种基于反卷积的优势嵌入方案,实有效验结果表明,提出的方法能有效增强融合图像视觉效果。(3)为解决传统稀疏表示方法将图像切块并向量化,破坏相邻像素一致性问题,提出一种基于卷积稀疏表示的图像融合和超分辨率重建联合实现方法。该方法通过一组稀疏特征图和滤波器之和来表示整幅图像,因此能有效保持源图像局部特征的相关性。设计了一种高、低分辨率滤波器联合学习框架,低分辨率滤波器用于分解输入图像得到稀疏特征图,高分辨率滤波器组则用于图像的超分辨率重建。并且根据不同成分的形态特性设计了不同的融合规则。最后实验表明,提出的方法在有效保留图像显著特征的同时,还能提高图像对比度。