红外与可见光图像的融合研究是一类应用相对广泛且比较典型的信息融合技术。由于人眼所获取的视觉图像主要来自可见光波段,因此利用可见光探测器获取的图像信息是最贴近人类日常生活应用的,也是人类视觉最为敏感的。此外,红外探测器成像具有很强的烟雾穿透能力和抗干扰能力,能够弥补在夜视或低能见度条件下可见光成像系统的不足。因此,红外与可见光图像之间具有良好的互补特性,若将这两种光谱各自的优势有效地结合,不仅可以提高红外目标的可识别度,还能够改善图像的清晰度,获得更加详细准确的信息。此项研究,在军事作战、电子产品检测以及资源探测等众多领域中都有极高的实用价值。在当下所研究的红外与可见光图像融合算法中,多尺度几何变换是一种极其有效的图像分解方法,其主要工作原理是将源图像分解为一系列具有不同尺度的子图分量,再设计适当的融合规则对各层分量进行融合处理,最后由对应的逆变换获得最终的融合图像。然而,目前的变换方法对边缘等细节信息的区别能力较弱,在分解的过程中容易丢失有效信息。此外,常用的融合规则对异源图像之间光谱差异的抵制能力不强,对不同场景的融合性能也不稳定。所以,针对上述问题,本文从以下几个方面展开研究,以求改善融合算法的视觉性能:1.提出一种多尺度变换方法——共现分析剪切波变换（CAST）。利用图像本身的共现信息对像素进行操作,并将边缘检测的思想直接应用到滤波过程当中,是边缘探测与边缘保留的一种完美结合。该方法内部的参数是基于图像特征值而设定,具有很强的自适应性。能在兼顾Shearlet变换优良的方向敏感性的同时,可根据纹理出现的统计信息而非强度信息来决定是否平滑各个像素点,由此分解后的图像具有更为精细的多尺度与多方向分量信息。此外,CAST具有平移不变性,在整个过程中不存在上下采样操作,通过简单的线性差值与叠加运算即可完成图像的分解与重构,计算效率较高。2.针对微光与红外图像的融合,提出了一种在CAST域基于图像显著性测度和零穿越计数测度的融合模型。该模型首先采用CAST作为多尺度分解方法,获取源图像的基础层与细节层分量系数矩阵。对于反映图像能量特征的基础层分量,首先对其进行亮度校正预处理,校正后的基础层分量再由改进的LatLRR算子提取显著特征并生成自适应权重图进行融合指导,获得该层最终融合系数。此方法可弥补微弱光线下成像的亮度缺陷,增加图像整体对比度。同时,鉴于零穿越计数正则化方法可以促进梯度的稀疏性,二阶差分零穿越计数正则化的变分模型被采用作为细节层分量的融合规则,可以将隐匿在源图像中的梯度特征极大程度地还原到融合图像中,使融合图像的边缘更加清晰,融合位置过渡自然。最后,通过7组实验验证了该算法的融合性能,从主观和客观的角度表明此方法融合后图像的视觉效果更加优良。3.针对CAST对基础层分量的稀疏能力不足的问题以及改善细节层分量融合的自适应性,提出了一种在CAST域基于测量域稀疏表示与双通道SPCNN模型的图像融合方法。首先对输入图像采用CAST进行图像分解。其次,将基础层分量映射到测量域,根据测量域特征将其分为边缘块、纹理块与平滑块,再由分类稀疏字典对其进行分类稀疏编码,并根据分类图像块的区域能力指导融合;而对于细节层分量,以自适应双通道SPCNN模型作为融合规则,在传统的单通道PCNN模型的基础上进行优化设计,以双通道模型来处理异源信息,此外,利用修正的空间频率算子（MSF）对SPCNN模型中的神经元进行激活,并将改进的加权拉普拉斯能量和（IWSML）作为自适应链接强度。最后,以6组实验证明,由该算法融合后的图像,边缘纹理清晰且整体对比度较高,同时更加符合人类的视觉感知范围,融合效果更佳。