像素级多源图像融合是将源自同一场景的两幅或多幅采用不同成像原理或成像条件的源图像融合成一幅图像的过程。融合后的图像具有单一源图像无法表达的信息。因此,相较于源图像,融合图像能更全面、准确地描述相关场景,更适合人类的视觉感官或计算机后期处理。当前,这一图像处理技术广泛应用于地质勘探、视频监控和医疗诊断等领域。本文对低秩表示的原理和图像融合技术的应用领域进行了深入研究。按照算法复杂程度由低到高的顺序,本文分别提出了基于低秩表示的多聚焦图像融合方法,基于潜在低秩表示的红外与可见光图像融合方法和基于多重潜在低秩表示的多模态医学图像融合方法,希望这些方法能进一步完善现阶段图像融合技术存在的缺陷并推动图像融合技术的进一步发展。本文的主要研究内容和创新点如下所示:1.在多聚焦图像融合问题中,本文首先通过非下采样剪切波变换将源图像分解成一个低频子带和若干个高频子带。然后利用低秩表示对各高频子带进行去噪处理后以选取像素最大值的方式确定融合图像的高频子带,再利用自适应稀疏表示对低频子带进行去噪并生成融合图像的低频子带。最后将融合图像的低频子带和高频子带通过逆非下采样剪切波变换得到融合图像。实验结果表明,本文方法的去噪能力明显优于以往的多聚焦图像融合方法,在大多数评价指标中较以往方法有大幅度提高。2.在红外与可见光图像融合问题中,本文首先通过潜在低秩表示将每幅源图像分解成低秩分量、显著分量和噪声分量。然后利用卷积神经网络根据源图像的特征信息生成权值图,经过引导滤波的优化后,分别与源图像的低秩部分和显著部分做哈达玛积,再叠加生成融合图像的低秩分量和显著分量。最后将融合图像的各分量叠加,就得到了融合图像。实验结果表明,与以往红外与可将光图像融合方法过于注重目标显示不同,本文方法在不但能清晰显示红外目标,也能很好的保留可见光图像的背景信息。在Tsallis熵这项评价指标中,本文方法较以往方法的领先幅度最大超过50%。3.在多模态医学图像融合问题中,本文首先对源图像进行多次潜在低秩表示分解,使每幅源图像分解成一个低秩分量和若干个显著分量。然后用选取像素最大值的方式确定融合图像的各分解层显著分量,将这些显著分量叠加生成融合图像的显著分量。另一方面,利用VGG-19神经网络的特征识别能力生成权值图与经过多层分解后的源图像低秩分量做哈达玛积,再叠加生成融合图像的低秩分量。最后叠加融合图像的低秩分量和显著分量以生成融合图像。实验结果表明,本文方法的病灶显示清晰度和色彩保持度均优于以往的多模态医学图像融合方法,在部分评价指标上也有明显的优势。