红外与可见光图像融合是图像融合领域的研究热点之一,在军事、航空和安防监控等领域有重要应用。红外与可见光图像融合的目的是将红外图像中显著的目标信息与可见光图像中丰富的纹理信息进行有效的融合。但现有的融合算法存在引入较多伪影、目标显著性低、纹理细节丢失以及融合时间较长等问题。针对上述问题,本文进行了以下研究:1.针对图像融合中显著目标不突出以及存在较多的伪影问题,提出了结合快速自适应二维经验模态分解(Fast and Adaptive Bidimensional Empirical Mode Decomposition,FABMED)和改进的显著性检测的图像融合算法。通过FABEMD将源图像分解为基础层和细节层。利用改进的显著性检测算法和引导滤波生成各层的融合规则。实验结果表明该融合算法更好地保留了源图像中目标的显著性,提高了融合图像的对比度,在融合过程中引入了更少的伪影。2.针对融合图像中源图像细节信息丢失问题,提出了基于改进的自适应双通道脉冲耦合神经网络(Adaptive Dual-channel Pulse-coupled Neural Network,ADC-PCNN)和显著性检测的图像融合算法。通过FABEMD将源图像分解为基础层和细节层。利用ADC-PCNN和显著性检测生成各层的融合规则。实验结果表明该算法在融合图像中可保留丰富的细节信息,提高了图像融合质量。3.针对图像融合时耗时较长,在实际应用中存在局限的问题,提出了结合二尺度分解和改进的显著性检测的快速图像融合算法。采用均值滤波将源图像二尺度分解为基础层和细节层。利用改进的显著性检测和引导滤波生成各层的融合规则。实验结果表明该算法耗时低,同时有较好的融合质量,体现了可行性。