图像融合利用特定数据处理手段和融合规则提取多源图像的互补信息并进行综合表示,实现对观察对象更为全面、具体的精确表达。融合图像比源图像分辨率更高、信息集聚度更强,其提供的丰富特征信息有利于后续的检测识别与目标跟踪,减少决策过程中的不确定因素,融合系统具有良好的应用前景。在分析目前多源图像融合方法不足的基础上,本文围绕准确定位并有效提取源图像的清晰区域这一关键步骤,在多尺度变换域和稀疏域中针对多源图像融合算法展开了深入研究,主要研究内容如下:1、针对红外目标与背景界限模糊、红外目标不突出的问题,提出基于非下采样Shearlet变换和稀疏重构的红外和可见光图像融合算法。该算法结合基于超像素分割的显著性分析方法提取目标区域的轮廓,再通过多方向边缘检测算子精确定位目标区域的边界,最后利用形态学方法和自适应阈值分割方法去除伪聚焦区域并确定融合决策图。该算法能够准确定位红外图像中的目标区域,融合图像既突出显示了目标区域又保留了背景区域的丰富细节信息。2、针对多聚焦图像清晰测度选择困难、聚焦区域定位精度差的问题,提出基于非下采样Shearlet变换和显著性分析的多聚焦图像融合算法。首先利用人眼视觉机制,通过显著性分析搜索聚焦区域边界,消除原聚焦区域的虚假轮廓,再利用空间频率图作为约束条件,结合分水岭算法消除伪聚焦区域,实现对聚焦区域的精确分割。该方法提升了融合图像的清晰度,较好地抑制了伪影干扰。3、针对红外目标边缘受噪声干扰严重、弱边缘提取困难的问题,提出一种基于核密度估计聚类和稀疏表示的图像融合算法。通过区域统计特性和核密度估计聚类方法在红外图像中精确分离目标区域;在此基础上,利用K-SVD算法得到图像背景区域的稀疏表示,增强了对背景细节表征能力,改善了弱边缘提取效果,抑制了噪声对融合图像的影响,融合效果也优于其他方法。4、传统的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。为了解决上述问题,提出了基于稀疏分解和背景差分的融合方法。通过鲁棒主成分分析提取多聚焦图像的轮廓信息,再利用引导滤波区分处理背景和目标区域的特性,即在平滑背景区域同时较好地保存细节信息,得到增强图像,最后根据源图像与增强图像的差分图提取目标区域的轮廓信息,通过其空间频率图定位聚焦区域,确定精确的融合决策图。实验表明,上述融合方法具有明显的优越性,融合效果显著提高,主观和客观评价均表明本文融合方法性能明显优于经典方法。