单一传感器获得图像只能表现出场景或物体的某一特征,具有片面性,而多个传感器对同一场景或物体得到的图像信息具有冗余性和互补性,因此图像融合的过程是将具有互补信息和冗余特性的图像进行有效地综合处理,最终获得一幅含有更精准、更丰富信息的高质量融合图像。图像融合技术有利于观察者对所测物体或场景进行全面了解及分析,做出准确地识别、定位、诊断等,因此广泛应用于军事、医学等各个领域。多尺度几何分析是图像融合中一种有效的工具,其中非下采样Contourlet变换(NSCT)相比于小波、Contourlet变换(CT)具有多尺度、多方向、平移不变性等优势,更适用于图像融合。脉冲耦合神经网络(PCNN)模拟猫的视觉神经工作原理,具有仿生机制,其变阈值特性、捕获特性、脉冲同步发放特性等特点利于实现图像融合。因此将多尺度下的NSCT与PCNN进行结合的融合方法具有较大的应用价值。本文主要研究了NSCT与PCNN相结合的融合算法,对低频子带与高频子带系数分别提出了合理有效的融合规则,目的是提高融合图像清晰度,具有较好的融合效果。首先将严格配准的源图像通过NSCT变换进行多分辨率多方向分解,得到低频子带图像与高频子带图像,考虑到低频子带的融合策略对最终融合图像的轮廓清晰度,信息含量的影响,提出基于信息熵的活性测量融合算法；高频子带系数采用自适应PCNN的融合规则,将改进的空间频率作为外部激励,加权的改进拉普拉斯能量和作为链接强度,用于消除图像中模糊与清晰区域由于不连续而引起的块状效应；高频子带融合系数则由PCNN点火次数确定。最后,将融合后的低频子带和高频子带通过NSCT逆变换得到融合图像。为验证本文算法的适用性及有效性,采用两组多源图像脑部CT、MRI图像、红外光与可见光图像分别进行仿真实验,融合结果与其他融合方法进行分析比较,实验结果表明,本文提出的融合算法更符合人眼视觉系统,与其他融合算法相比主观视觉效果及客观评价指标更优。