得益于计算机视觉技术的飞速发展,图像融合技术作为其重要分支,在数字图像处理领域得到了来自世界各地的科研人员的重视。由于传统光学镜头景深有限,当同一场景中含有多个目标物体时,很难通过一次取景就得到一幅所有目标都清晰的图像。图像融合技术作为信息融合领域重要的图像处理方法,充分利用了多源图像信息互补的优势,以一种简单高效的方法克服了光学镜头的成像缺陷,将多幅图像融合为一张新的、包含所有有效信息的图像。随着图像融合技术的不断革新,通过图像融合技术输出的图像更利于人眼视觉系统对图像信息的理解,该技术已在军事、医学、遥感测绘、工业检测等领域得到应用,因此,针对图像融合技术展开研究对提升成像系统的性能具有重要意义。在当前主流的图像融合算法中,基于图像多尺度变换的算法毫无疑问是图像融合领域的研究热点。其中,非下采样轮廓波变换(Non-subsampled contourlet transform,NSCT)作为一种能有效表达图像稀疏特性的多尺度图像分解方法,它不仅继承了传统小波变换的时频特性,还实现了图像的多方向变换;同时,混合l0-l1图像分解模型作为一种新兴的图像分解算法,很好的克服NSCT变换忽略了图像重要的空间一致性,而导致图像亮度和色彩畸变的缺陷。脉冲耦合神经网络(Pulse coupled neural network,PCNN)由于模仿了哺乳动物视觉系统对信号的处理以及传导机制,省去了传统人工神经网络需要大量数据进行训练的麻烦,从而被应用到图像融合领域;近年来,随着深度学习概念的提出,通过卷积神经网络(Convolutional neural network,,CNN)对图像进行深度特征提取,为后期图像融合的完整度和清晰度提供了一定的保障。本文将图像多尺度变换与神经网络模型相结合,对多聚焦图像融合、红外与可见光图像融合算法进行了探讨,通过大量实验对所提算法进行有效性验证,同时从主观视觉角度和客观指标量化两个方面对实验结果进行评价,实验结果表明所提算法在图像融合领域有良好的效果。文章主要内容如下:1.介绍了基于NSCT的图像多尺度变换模型,叙述了基于混合l0-l1模型的图像分解算法;2.针对多聚焦图像融合,考虑到PCNN模型通过其特殊的神经元点火机制,能对图像高低频分量系数进行选取的特点,结合NSCT多尺度性、多方向性以及平移不变性等优良特性,提出了一种在NSCT域内通过图像相位一致性与空间频率来驱动PCNN神经元点火的多聚焦图像融合算法,该算法通过NSCT对源图像进行多尺度分解,并分别制定了基于图像空间频率与相位一致性特性的高低频融合策略来检测图像的聚焦区域,结合PCNN点火特性,利用图像梯度能量和低水平不变形属性来有效提高多聚焦图像融合效果;3.针对多聚焦图像融合,利用交叉双边滤波器良好的图像边缘保持特性,提出了一种在NSCT域内结合交叉双边滤波的多聚焦图像融合算法,该算法首先利用NSCT将源图像分解为高频子带和低频子带,并通过计算低频子带的拉普拉斯能量和来确定聚焦区域的像素点,同时利用交叉双边滤波器对高频子带进行再分解,其良好的边缘保持特性有助于检测出高频子带中的边缘细节信息,达到了良好的融合效果;4.针对红外与可见光图像的融合,由于红外与可见光图像独特的成像机制,提出了一种在混合l0-l1图像稀疏分解域内结合卷积神经网络与图像显著性检测的红外与可见光图像融合算法,首先利用图像稀疏特性对源图像进行稀疏分解,再以红外图像显著性检测作为基础层分量融合规则,以卷积神经网络的深度特征提取机制作为细节层分量的融合策略,对源图像进行融合,该算法有效融合了红外图像中的热目标信息及可见光图像中的丰富光谱信息;