随着日新月异的科学技术不断出现与更新,人们对高质量、高仿真度的视觉体验的需求度逐渐提高,对传感器的成像技术也有了更多的要求。然而,现有的图像捕捉设备仍存在着许多难以解决的技术问题,得到的图像无法获得人们想要的效果。例如:在医学诊断中,单一模态的医学图像难以获得完整的病灶信息;在日常拍摄时,光学成像设备无法获得与自然场景动态范围相同的图像,容易导致图像的部分区域曝光过度或曝光不足等等。为了解决这一系列问题,图像融合技术慢慢走进人们的视野,并逐渐成为了图像处理领域中的研究热点之一。大部分的图像融合算法都会对源图像进行分解处理,以获得图像的某些深层次信息,之后利用这些信息再进行图像融合。在多种图像分解方法中,基于像素级的分解方法能够直接对源图像的像素信息进行处理,有利于图像的后续分析与融合。本文针对基于像素级的图像融合算法中所存在的一些问题进行了深入研究,并提出了改进方案。论文的主要创新工作如下,1)利用模糊逻辑在判别非清晰概念方面的独特优势,提出了一种基于结构块分解(Structural Patch Decomposition,SPD)和模糊逻辑技术的多模医学图像融合方法。首先,采用SPD方法提取两个不同的显着性特征。接下来,利用两个不同特征构建了两个新的融合决策图,称为不完整融合决策图和补充融合决策图。在这一步中,补充融合决策图由我们定义的两个不同的模糊逻辑系统构成。然后将两个决策图组合以构建初始融合决策图。通过用高斯滤波器处理初始融合决策图来获得最终融合决策图。最后,采用加权平均方法来创建最终融合图像。另外,还提出了一种有效的彩色医学图像融合方案,其可以有效地防止颜色失真并获得优异的诊断效果。2)针对传统多曝光图像融合方法仅使用单一特征进行曝光程度判别的缺陷,本文提出了一种基于稀疏分解和稀疏曝光字典(Sparsity Exposure Dictionary,SED)的多曝光图像融合方法。首先,利用过曝光和欠曝光的图像块来训练SED,让训练出的字典包含更多多曝光图像的基础信息。然后利用SED对源图像进行稀疏分解以构建曝光估计图,其中通过稀疏分解可以获得源图像中某一区域的稀疏原子数,利用该原子数可测量相应区域中的曝光程度。在获得所有源图像的曝光估计图后,本文进一步设计了融合多曝光图像的框架。在融合框架中,本文首先使用图像序列的曝光估计图构建融合的初始决策图。接着利用引导滤波对初始决策图进行优化以构建最终决策图。最后,通过拉普拉斯金字塔与源图像和高斯金字塔的权重混合以及最终决策图生成融合图像。