传感器种类的日趋增多直接导致了图像信息量的加大,繁多的图像存储和传输成为难题,加上单一传感器得到的图像会存在某方面的不足,因此图像融合技术备受关注。目前基于多尺度变换图像融合方法已成为主流,其中非下采样剪切波变换(Non-Subsampled Shearlet Transform,NSST)是一种相对较新的工具,拥有简单且严密的数学模型,不但具有小波变换(Wavelet Transform,WT)、轮廓波变换(Contourlet Transform,CT)等优势,还具有平移不变性、对信号更好的逼近性能。此外,NSST正处于初步探索阶段,因此本文利用NSST现有的优势,对NSST的图像融合方法进行了更深入的研究,提出了基于方向区域和树结构匹配及隐马尔科夫树模型和方向区域匹配的图像融合方法。本文方法利用统计模型既考虑了同一子带内NSST系数相关性,又兼顾了尺度间系数的关联,有效地提高了图像融合精度。本文的主要创新工作表现在以下两个方面:(1)由于遥感图像的NSST系数在同一子带内存在方向区域相关性,在不同尺度同一方向子带间存在父子相关性,本文提出了基于NSST方向区域和二叉树结构匹配的遥感图像融合方法。不但考虑了NSST系数的两种相关性,并且提出多方向模板,对含有丰富纹理信息的遥感图像进行任意方向信息的提取,并根据自适应阈值判断两种相关性的强弱,从而指导融合规则的选取。该算法克服了传统方法选用经验值作为阈值所具有的随机性强、无理论依据的缺点。实验选用来自World View＿2和Quick-Bird卫星的数据集,通过CC、ERGAS、RMSE等评价指标将本文方法与现有方法进行对比,验证了本文方法得到的融合结果图像空间分辨率更高、光谱特性更强。(2)由于隐马尔科夫树模型不但可以对各方向子带间父子系数进行建模,同时还可以利用参数模型中根节点状态概率和转移概率更准确的估计每个系数大、小状态的概率,因此本文提出了基于NSST隐马尔科夫树模型与方向区域匹配的图像融合方法。在隐马尔科夫树模型的基础上,增加了融合规则对子带内方向性的检测。本文算法针对多聚焦图像和医学图像,选择信息熵和平均梯度作为评价指标,与现有方法相比有效地增强了图像对比度与精确度。本文方法与传统方法相比都实现了某种程度的改进,第一个算法的效率更高,实时性更好。第二个算法在考虑NSST系数方向性的同时,可以对NSST父子系数相关性进行更准确的估计,有效地提高了图像的对比度。