紫外成像技术通过双光路系统对目标进行成像,一路通过紫外相机对240~280nm波段的紫外光成像得到紫外图像,另一路通过可见光相机对可见光背景成像得到可见光图像,并对得到的双光路图像融合输出一路融合后的图像。该成像技术在电力和铁路等领域的电晕检测和故障定位方面具有很大的优势,得到了国家的大力支持和推广。但是目前系统的图像融合精度不够高,清晰度不够好,对紫外检测带来了不便,针对此问题,本文展开了一系列研究。本文主要对紫外成像中的紫外光和可见光图像融合进行了深入研究,主要包括:图像去噪、去雾、配准和融合等四部分。本文首先对图像进行去噪处理,并选用相应的去雾算法提升图像质量。图像配准的准确度直接影响目标定位的精确度,因此本文重点研究了图像配准算法,提升配准精度;图像融合作为本课题的研究重点,是将两张含有完全不同信息的紫外光图像和可见光图像融合为一张图像,并最大程度地保留两张图像源的信息作为目标判断和定位的依据,提升图像融合的质量对紫外成像具有非常重要的意义。本文利用一次维纳滤波算法去除乘性噪声和椒盐噪声,利用中值滤波算法滤除高斯噪声。利用He算法对图像进行去雾处理,视觉效果明显提升,并在信息熵、平均梯度等常用指标方面均优于其他算法。本文对传统配准算法进行研究并得出ICP-SURF(ICP,Iterative Closest Points,迭代最近点匹配算法;SURF,Speeded Up Robust Feature,加速稳健特征算法)算法,本算法的配准结果在主观评价和客观评价指标两方面优于传统的SIFT(Scale-invariant feature transform,尺度不变特征变换)、SURF等算法。在图像融合方面,本文对NSST(Non-subsampled Shearlet Transform,非下采样剪切波)算法进行了优化和改进,首先利用NSST对两图像进行分解得到各自的高频和低频图像,对高频图像利用PCNN(Pulse Coupled Neural Network,脉冲耦合神经网络)融合算法进行融合,对低频采用基于模糊逻辑的自适应加权平均算法进行融合,最后对融合后的高频和低频图像进行NSST反变换得到最终的融合图像,本文融合结果在主观和客观评价两方面均优于剪切波、小波和NSCT(Non-subsampled Contourlet Transform,非下采样轮廓波变换)等算法,取得了满意的效果。