多传感器图像融合(包括高空间分辨率全色图像与多光谱图像的融合以及多聚焦图像的融合等)与图像去噪(包括图像中高斯噪声的去除以及随机脉冲噪声的去除等)都是当前图像处理领域的研究热点。现有变换域高空间分辨率全色图像与多光谱图像的融合方法难以在空间分辨率的提高与光谱信息的保持之间达到良好的平衡；现有变换域多聚焦图像融合算法又存在融合规则对变换系数的误选,从而导致融合图像的清晰度相对于源图像的聚焦区域来说存在一定程度的降低；现有的高斯噪声去除方法在去除图像中所含高斯噪声的同时,会导致图像中边缘细节信息的模糊；现有的随机脉冲噪声去除方法在对图像中的随机脉冲噪声进行去除时,通常都不能有效恢复被噪声污染数据所具有的几何特征,从而导致在去噪图像中出现锯齿状边缘以及其他类型的失真(如块状效应)。针对图像融合与去噪中存在的上述问题,本文以一种新的多尺度几何分析工具——平移不变Shearlet变换(Transaction Invariant Shearlet Transform, TIST)为主线,对其在多传感器图像融合领域与图像去噪处理领域的应用进行了深入研究。本文的主要工作和创新可以概括为以下几个方面：(1)针对高空间分辨率全色图像与多光谱图像融合中难以在空间分辨率的提高与光谱信息的保持之间达到良好平衡的问题,提出了一种基于区域分割与IHS彩色空间域TIST变换的融合算法。该算法将IHS变换与平移不变剪切波变换结合起来,采用Mean-shift图像分割方法对高空间分辨率全色图像进行分割,根据分割所得区域的方差,将对应区域分为需要进行空间细节信息增强的区域以及需要保持光谱特性的区域,据此来指导TIST域带通方向子带系数的融合。对于TIST域低频子带系数,采用基于局部四阶相关系数的融合策略；对于带通方向子带系数,则采用在区域的边界以及需要进行空间细节信息增强的区域注入全色图像带通方向子带系数,而在需要保持光谱特性的区域保留多光谱图像的带通方向子带系数的融合策略。该融合算法在空间分辨率的提高与光谱信息的保持之间达到了较好的平衡,融合后的多光谱图像不仅较好地保持了源多光谱图像的光谱特性,而且其空间分辨率也得到了有效提高。(2)针对基于多尺度分解的多聚焦图像融合方法的不足(①常用的多尺度分解与重构算法都存在不同程度的误差,这种误差的存在会导致源图像中部分有用信息的丢失；②多尺度变换域内图像内容的复杂性会导致融合规则对变换系数的误选,从而导致融合图像的清晰度相对源图像的聚焦区域来说存在一定程度的降低),提出了一种基于聚焦区域检测的平移不变Shearlet变换域(TIST域)多聚焦图像融合算法。该算法首先通过一种简单的TIST域多聚焦图像融合方法得到一幅初始的融合图像,然后根据所有源图像与初始融合图像像素间的局部相似程度来获得每一源图像的聚焦区域检测图,并据此将该源图像中的所有像素分成聚焦区域内部、聚焦与离焦区域之间的过渡以及离焦区域内部,最终据此来指导TIST域各子带系数的融合。该算法能在融合图像中注入更多源图像中的有用信息,避免“伪影”等虚假信息的引入,有效提高融合图像的质量,从而得到与所有区域都清晰的标准参考图像更为接近的融合图像。(3)针对图像中高斯噪声的去除问题,提出了一种基于TIST域高斯比例混合模型(GSM)的图像高斯噪声去除方法。该方法根据图像剪切波变换系数的分布具有非高斯性及重尾性的特点,用高斯比例混合模型作为描述图像平移不变剪切波系数在局部邻域内分布规律的分布模型,通过贝叶斯最小二乘(Bayes Least Squares, BLS)估计对邻域中心的平移不变剪切波系数进行估计。该算法不仅能有效抑制图像中的高斯噪声,而且还能在抑制噪声的同时,较好地保持图像中的边缘、纹理等细节信息,有效改善图像的主客观效果。(4)针对图像中随机脉冲噪声的检测与去除问题,通过引入迭代技术对一种高效随机脉冲噪声检测方法HEIND进行了改进,并在此基础上提出了一种结合改进高效随机脉冲噪声检测方法与基于Shearlet的图像修复方法的随机脉冲噪声去除方法。该方法将改进高效随机脉冲噪声检测方法检测所得的噪声像素所在的位置作为需要进行修复的区域,利用基于Shearlet的图像修复方法对噪声所在位置的灰度值进行修复,从而在有效去除图像中随机脉冲噪声的同时,有效恢复被噪声污染数据所具有的几何特征,更好地保护图像的边缘、轮廓等细节信息,使去噪后的图像具有更好的视觉效果。