图像融合是指将来自两个或多个传感器的同一场景图像融合在一起的过程,使得融合后图像信息更丰富,包含比源图像更多的冗余信息,更符合人的视觉特性,便于进一步图像处理和分析。随着数字图像处理技术的发展,基于多尺度分析理论的图像融合技术已经成为研究的热点,并在军事、医疗、遥感探测等领域都得到了广泛应用。Shearlet是近几年比较流行的一种多尺度分析方法,不仅具有简单的数学结构、很好的方向敏感性、良好的局部时频特性及较低的计算复杂度,还是一种接近最优的多维函数“稀疏”表示工具,使其受到众多研究者的青睐。然而,由于Shearlet离散化过程中采用了下采样操作,因而不具备平移不变性,应用于图像去噪、图像融合时易在奇异点附近产生伪布吉斯现象。为了克服Shearlet的不足,改进的Shearlet变换相继被提出,如非下采样剪切波变换(NSST)、快速有限剪切波变换(FFST)等。任何研究的开展,都离不开理论的支撑。本文借助改进的Shearlet变换和引导滤波理论,以提高图像质量、保持边缘清晰、便于探测、识别、分析和处理目标信息为目的而进行图像融合方法的研究。改进的Shearlet变换是在Shearlet变换的基础上提出的,克服了Shearlet变换的不足,具有更好的方向性和时频特性,在图像细节表现方面具有独特的能力,具体变换过程在后文有详细介绍。引导滤波是一种局部线性滤波器,与传统的滤波器相比,图像引导滤波器在保持图像边缘梯度的同时,能够增强图像的细节信息,保留了输入图像的整体特征,被广泛应用于图像去噪、图像去雾及图像融合。本文将其应用于图像融合中,主要是为了在保持图像边缘清晰的同时能够增强图像的细节信息。此外,就当下比较流行的其他几种多尺度几何分析方法(小波、曲波、轮廓波等)在图像融合中的应用选择问题,本文开展了对比实验进行了性能分析,为后续图像融合算法的研究具有一定的指导意义。根据偏振图像的特点,提出了一种基于区域能量与非下采样剪切波变换(NSST)的偏振图像融合算法。在该算法中,首先利用NSST将源图像分解为低频系数和高频系数;对分解得到的低频系数提出一种基于区域距离能量加权融合规则进行融合,对高频系数先基于区域能量取大融合,再应用引导滤波进行细节增强,以突出图像的细节特征;最后,通过NSST逆变换得到融合图像。该算法的特点在于引入引导滤波对图像的高频系数进行增强,在保持图像边缘的同时丰富图像细节,改善图像的清晰程度,以更符合人的视觉特性。依据多聚焦图像的特点,本文提出了一种基于快速有限剪切波变换与引导滤波的多聚焦图像融合算法。在融合前,利用FFST将源图像分解为低频系数和高频系数。在融合低频系数时,定义了一种新的改进的拉普拉斯能量和(NSML),并设计了一种基于区域NSML的低频系数选择方案;针对高频系数富含细节信息的特点,提出了一种基于引导滤波的区域能量加权融合算法。最后,通过逆FFST获取最终的融合图像。从主观视觉效果来看,融合图像不仅细节突出,而且边缘清晰;从客观评价指标来看,各项指标相对其他算法均有所提升。