下载文档原格式
本科毕业设计论文题目多聚焦图像融合算法研究专业名称学生姓名指导教师毕业时间毕业 任务书一、题目多聚焦图像融合算法研究二、指导思想和目的要求本题目来源于科研，主要研究多聚焦图像的概念，学习多聚焦图像的常用融合算法，进而实现相关算法。
希望通过该毕业设计，学生能达到：1．利用已有的专业知识，培养学生解决实际工程问题的能力；2．锻炼学生的科研工作能力和培养学生团队合作及攻关能力。
三、主要技术指标1．学习多聚焦图像的特点；2．研究多聚焦图像的融合算法；3．实现多聚焦图像的融合。
四、进度和要求第01周----第02周： 参考翻译英文文献；第03周----第04周： 学习多聚焦图像的特点；第05周----第08周： 研究多聚焦图像的融合算法；第09周----第14周： 编写多聚焦图像的融合程序；第15周----第16周： 撰写毕业设计论文，论文答辩。
五、主要参考书及参考资料1.张德丰.MATLAB 数字图像处理[M].北京：机械工业出版社，2012.2. 敬忠良. 图像融合——理论与应用[M].北京：高等教育出版社，2010.3. 郭雷. 图像融合[M]. 北京：电子工业出版社，2011.4. 孙巍. 孙巍. 像素及多聚焦图像融合算法研究[D].长春：吉林大学，2008.5. 马先喜. 多聚焦图像融合算法研究[D].无锡：江南大学，2012.学生 指导教师 系主任 __ __设计论文摘要图像融合是将同一对象的两个或多个图像按一定规则合成为一幅图像。
其关键是抽取每幅源图像中的清晰区域，并将这些清晰区域以一定的规则融合起来，从而生成一幅清晰且信息量完整的融合图像。
多聚焦图像融合的具体目标在于提高图像的空间分辨率、改善图像的几何精度、增强特征显示能力、改善分类精度、替代或修补图像数据的缺陷等。
本文概括了多聚焦图像融合的一些基本概念和相关的基本知识，对DWT分解的层数和方向子带的个数对融合结果的影响进行了初步的研究。
图像融合算法研究及其实现摘要关键词：Abstract Keywords:目录摘要Abstract第一章绪论1.1背景及其意义1.2国内国外研究现状1.3图像融合的原理及方法1.4本文的主要研究内容及章节安排第二章图像融合质量的评价标准2.1主观评价方法2.2客观评价方法2.3小结第三章图像预处理3.1 图像去噪3.2 图像增强3.3 图像配准3.4 小结第四章基于空域的图像融合方法4.1像素灰度取最大最小方法4.2 像素加权系数融合方法4.3 主分量分析融合方法4.4实验结果对比4.5小结第五章基于频域的图像融合方法5.1基于金字塔图像融合方法5.2基于小波变换的图像融合方法5.2.1小波变换的基本理论5.2.2小波变换的图像融合算法5.3实验结果对比分析5.4小结第六章总结与展望6.1总结6.2展望参考文献致谢第一章绪论1.1图像融合的背景及其意义图像融合是指多源信道采集到的针对于同一目标的数据信息，经过数据处理等计算机技术，最大限度的提取各信道的有用信息，将之合成为一幅信息更全面、质量更高的图像。
融合后的图像比单一图像的信息更为准确，更容易被计算机和人眼识别。
成像相机通常只有一个有限的景深。
在一个由摄像机捕获的图像中，只有聚焦的对象是清晰的，而其他对象是模糊的。
通常我们需要考虑在不同焦距下，从同一角度进行的图像融合。
图像融合的目的是整合互补多个图像的冗余信息，与单个源图像相比，融合后的图像能更好的描述场景。
图像融合在许多领域扮演重要角色，如遥感技术，生物医学成像，计算机视觉技术，防御系统等。
在遥感技术中，图像融合将雷达图像和LandsatMSS图像进行融合更好的用于地质解释；在生物医学成像中，由于CT，MR，B超，X光片都是灰度图像，图像融合将这些不同仪器得到的图像进行处理，更容易医生对病人病情做出判断；在计算机视觉技术中，经过图像融合处理后的图像更容易于识别以及后续的机器处理；在防御系统中，图像融合被用于战场卫星监测和精确制导。
基于傅里叶变换的图像融合算法研究图像融合是一种将多幅图像进行融合，以获得更加细节丰富和信息完整的图像的技术。
它在计算机视觉、图像处理和模式识别等领域中扮演着重要角色。
基于傅里叶变换的图像融合算法在图像处理领域得到了广泛应用，并取得了一定的研究结果。
本文将对基于傅里叶变换的图像融合算法进行深入研究，探讨其优势、局限性以及未来发展方向。
傅里叶变换是用来分析信号的频域特性的重要数学工具，其本质是将一个信号分解为各个频率的正弦函数和余弦函数的线性组合。
基于傅里叶变换的图像融合算法主要利用了图像在频域上的特性，将不同图像的频率信息进行融合，从而得到融合后的图像。
首先，基于傅里叶变换的图像融合算法具有良好的频域特性分析能力。
通过傅里叶变换，可以将图像从空域转换到频域，从而更好地分析图像的频率特性。
基于傅里叶变换的图像融合算法可以对图像的低频和高频信息进行分析和提取，从而更好地捕捉图像的细节和边缘特征。
其次，基于傅里叶变换的图像融合算法可以实现图像的无损融合。
由于傅里叶变换的线性性质，图像的频域信息可以进行加权融合，从而实现图像的无损融合。
这样，在融合后的图像中，可以同时呈现原始图像的所有细节和特征，增强了图像的信息量和可读性。
然而，基于傅里叶变换的图像融合算法也存在一些局限性。
首先，傅里叶变换无法处理非平稳信号，而图像中的某些区域可能是非平稳的，例如边缘和纹理等。
这就导致基于傅里叶变换的图像融合算法在处理这些区域时可能会出现信息丢失或者伪影的问题。
其次，基于傅里叶变换的图像融合算法对图像分辨率的要求较高。
基于傅里叶变换的图像融合算法需要对原始图像进行频率域的分解和融合，这就要求原始图像的分辨率较高，以保证融合后的图像仍然能够保留较好的细节和特征。
所以，未来基于傅里叶变换的图像融合算法需要在以下几个方面进行改进和发展。
首先，可以结合其他图像处理技术，例如小波变换和局部对比度增强，进一步提升融合算法对非平稳信号的处理能力，以减少信息丢失和伪影的问题。
多源图像融合算法及应用研究共3篇多源图像融合算法及应用研究1随着计算机视觉和图像处理技术的不断发展，多源图像融合算法已经成为了一个重要的研究领域。
多源图像融合是指将来自不同传感器、不同视角或不同场景拍摄的多幅图像融合成一幅图像，以提高图像的质量、增强信息的丰富度和稳健性。
多源图像融合算法主要包含以下两种：基于像素级的融合算法和基于特征级的融合算法。
像素级融合算法是将不同源的图像进行加权平均或最大化，以获得最终的融合图像。
这种方法相对来说非常简单，但它忽略了图像中的不同区域可能拥有不同的贡献，导致图像的细节和轮廓不够清晰，而且容易出现图像失真的现象。
特征级融合则是将特征提取出来然后进行融合。
这种方法通过对图像进行分析和处理，能够使得融合图像更加优秀。
其中最常用的特征是小波分解和局部图像特征分解(LDP)。
小波变换能够分解出不同频率、不同方向的图像特征，从而更好地保留图像的细节信息。
而局部图像特征分解则能够在多源图像中，提高某些区域的重要性和识别率。
多源图像融合算法有广泛的应用，例如在军事目标识别、医学影像诊断、自然灾害监测等方面。
在军事领域中，多源图像融合技术可以将来自不同传感器的信息集成在一起，进行精密目标识别和监测。
在医学领域中，多源图像融合能够将来自不同结果的医学影像进行综合，更加准确地诊断病情，提高手术的成功率。
在自然灾害监测方面，多源图像融合可以将遥感图像与地面观测图像结合来进行灾情监测和预测，在自然灾害发生后，能够更快速、更准确地进行救援工作。
总之，多源图像融合技术是计算机视觉和图像处理技术领域中不可或缺的一环。
在不同领域中，可以对多源图像融合算法进行不同的优化，从而更好地发挥其应用价值。
随着多源传感器技术、高分辨率图像、高性能计算等技术的不断发展，多源图像融合的研究前景将更加广阔多源图像融合技术在如今的计算机视觉和图像处理领域中扮演着重要的角色，因其能将来自不同传感器和来源的图像信息进行融合，提高了图像的识别率和目标跟踪的可靠性。
基于深度学习的图像融合技术研究深度学习是一种人工智能技术，它的出现使得计算机能够学习并处理更加复杂的问题。
在图像处理方面，深度学习算法中的人工神经网络可以识别图像特征并对其进行融合，从而产生更加高质量的图像。
当前，基于深度学习的图像融合技术正受到越来越多的关注。
这种技术可以将不同感兴趣区域（ROI）内的图像融合为一幅完整的图像，同时保留最重要的信息。
在很多领域中，这种技术的应用非常广泛，比如医学诊断、无人驾驶汽车控制、安全监控等等。
大量的研究表明，深度卷积神经网络（DCNN）是实现图像融合的一项非常有前途的技术。
DCNN通常由多个卷积层和池化层组成，这些层可以对特征进行抽取和匹配。
在图像融合任务中，通过研究深度学习模型中的DCNN和深度学习架构，可以找到一种有效的方法来提高图像的融合质量。
除了DCNN外，GAN（生成式对抗网络）也是实现图像融合非常有效的技术。
GAN由两个互相对抗的网络组成，生成器和鉴别器。
生成器的任务是生成逼真的图像，而鉴别器的任务是判别生成器生成的图像是否真实。
通过不断地训练，GAN可以更加逼真地生成图像，从而实现更好的融合效果。
不管是DCNN还是GAN，它们需要大量的训练数据来训练模型。
在训练过程中，需要使用数据增强技术和正则化技术来防止过拟合。
同时，还需要对超参数进行调整和优化，以便得到最佳的融合质量。
总之，基于深度学习的图像融合技术具有广泛的应用前景。
通过研究不同的深度学习模型和算法，我们可以找到更加有效的方法来实现高质量的图像融合。
随着深度学习技术的不断发展，我们相信未来将会出现更加先进的图像融合方案。
多模态遥感图像融合算法的改进与优化研究研究方案：多模态遥感图像融合算法的改进与优化研究引言：随着航天技术的进步和遥感技术的发展，多模态遥感图像融合算法在地理信息系统、农业、城市规划、环境保护等领域应用广泛。
然而，目前的融合算法仍然存在一些问题，例如信息丢失、噪声叠加、边缘模糊等。
本研究旨在改进和优化多模态遥感图像融合算法，提出新的观点和方法，为解决实际问题提供有价值的参考。
一、研究方案1. 确定研究目标和问题：本研究的目标是改进和优化多模态遥感图像融合算法，解决现有算法存在的问题，提高图像融合的质量和效果。
2. 文献综述：对目前已有的多模态遥感图像融合算法进行综述和分析，了解各种算法的优缺点，并总结已有研究成果。
3. 研究方法：采用实验和理论相结合的研究方法，利用真实的多模态遥感图像数据进行实验验证，并通过数学模型和算法分析进行理论研究。
4. 研究内容：4.1. 提出改进和优化算法的具体方法和流程；4.2. 设计并实施实验，采集多模态遥感图像数据；4.3. 分析采集到的数据，评估和比较不同算法的融合效果；4.4. 提供新的观点和方法，解决现有算法存在的问题。
二、方案实施1. 数据采集：选择适当的地区和时间点，利用遥感技术采集多模态遥感图像数据。
确保采集到的数据具有多种不同的传感器来源和多种不同波段的信息。
2. 数据预处理：对采集到的原始数据进行预处理，包括去噪、辐射定标、几何矫正等。
确保数据的质量和准确性。
3. 算法改进与优化：基于综述和分析的结果，提出改进和优化多模态遥感图像融合算法的具体方法和流程。
例如，可以采用多尺度分解和融合、稀疏表示、深度学习等方法。
4. 算法实现：利用计算机编程语言，实现改进和优化后的融合算法。
确保代码的正确性和有效性。
5. 实验验证：设计并实施一系列实验，采用同一组多模态遥感图像数据，分别采用不同的算法进行图像融合。
根据一定的评价指标，对比分析不同算法的融合效果。
6. 结果分析：对实验结果进行统计和分析，评估和比较不同算法的融合效果。
图像融合毕业论文图像融合毕业论文随着科技的不断发展和人们对图像处理技术的需求增加，图像融合作为一种重要的图像处理技术，逐渐受到了广泛关注。
图像融合是将多幅不同源的图像融合成一幅具有更多信息的图像，以便更好地满足人们的需求。
这种技术在军事、医学、环境监测等领域都有广泛的应用。
图像融合的目标是通过将多个图像的信息融合到一起，得到一幅具有更多信息的图像。
融合后的图像可以提供更多的细节和更全面的信息，有助于人们更好地理解和分析图像。
图像融合的方法主要有像素级融合、特征级融合和决策级融合等。
像素级融合是将多个图像的像素逐个进行融合，得到新的像素值。
这种方法简单直接，但容易造成图像的模糊和失真。
特征级融合则是通过提取图像的特征，将特征进行融合得到新的图像。
这种方法可以保留图像的细节和特征，但需要较复杂的算法和计算过程。
决策级融合是将多个图像的决策信息进行融合，得到最终的决策结果。
这种方法可以提高图像的准确性和可靠性，但需要对决策信息进行有效的融合和处理。
在图像融合的研究中，深度学习技术的应用也逐渐受到关注。
深度学习是一种通过模拟人脑神经网络的方式进行机器学习的技术，可以自动学习和提取图像的特征。
通过深度学习技术，可以更好地实现图像的融合和处理。
图像融合在军事领域有着重要的应用。
在军事侦察中，通过将多个传感器获取的图像进行融合，可以得到更全面的情报信息。
这对于军事作战和决策具有重要意义。
此外，在军事目标识别和跟踪中，图像融合也可以提高目标的检测和识别准确性。
在医学领域，图像融合可以用于医学影像的处理和分析。
通过将多个医学影像进行融合，可以得到更全面的病情信息，有助于医生做出更准确的诊断和治疗方案。
此外，图像融合还可以用于医学影像的重建和增强，提高影像的质量和清晰度。
环境监测是另一个图像融合的应用领域。
通过将多个传感器获取的图像进行融合，可以更好地监测和分析环境中的变化和问题。
例如，通过将红外图像和可见光图像进行融合，可以提高对于火灾、烟雾等灾害的监测和预警能力。
基于深度学习的图像融合算法研究与应用近年来，深度学习技术在计算机视觉领域有着广泛的应用。
其中，图像融合是一个非常重要的研究方向。
图像融合技术可以将多幅图像融合成一幅图像，从而得到更加清晰和准确的图片。
本文将介绍基于深度学习的图像融合算法的研究情况和应用现状。
一、深度学习算法在图像融合中的应用图像融合技术已经成为了计算机视觉领域的研究热点之一。
传统的图像融合方法有PCA、拉普拉斯金字塔等。
这些方法虽然有着很好的效果，但是他们无法很好地处理纹理信息，因此，如何结合多种信息更好地融合图像一直是研究的重点。
近年来，随着深度学习技术的发展，深度学习算法成功的应用于图像融合领域，不断的推进图像融合的研究进程。
二、深度学习算法在图像融合中的研究进展1. 基于特征提取的图像融合方法在图像融合中，深度学习算法可以自动学习特征，更好地融合多源信息，提高图像的准确度和清晰度。
目前，基于特征提取的图像融合方法已经成为了研究的主流之一。
2. 基于生成式对抗网络（GAN）的图像融合方法生成式对抗网络（GAN）是一种深度学习的架构，它包含一个生成器和一个判别器。
在图像融合中，生成器可以根据多幅图像进行学习，从而生成出更加准确和清晰的图像，判别器可以判断生成的图像是否真实。
目前，基于生成式对抗网络（GAN）的图像融合方法已经在多个领域得到了广泛的应用。
三、深度学习算法在图像融合中的应用案例1. 基于深度学习算法的目标检测与追踪技术基于深度学习算法的目标检测和追踪技术可以有效地解决目标检测和跟踪问题。
通过使用不同颜色的线条，在融合的图像中标出目标的位置，从而更好地实现目标跟踪。
2. 纹理融合技术纹理融合技术可以将两幅具有不同纹理的图像进行融合，从而得到更加富有纹理和清晰的图像。
在工业领域，纹理融合技术可以应用于印刷和纺织等领域。
四、深度学习算法在图像融合中的应用前景深度学习算法在图像融合领域的应用前景非常广阔。
随着技术的不断发展，深度学习算法可以更好地处理多源信息，提高图像的准确度和清晰度。
医学图像配准与融合算法研究一、引言在医学领域中，图像配准与融合技术起到了至关重要的作用。
医学图像是医生进行疾病诊断与治疗的重要依据，而不同来源、不同模态的医学图像可能存在位置、形态上的差异。
图像配准与融合算法能够通过对多幅医学图像进行处理与整合，提高医生对病情的诊断准确性，并且在医学影像导航、手术引导、治疗评估等方面发挥重要作用。
本文将对医学图像配准与融合算法的研究进行探讨。
二、医学图像配准算法1. 刚体变换配准算法刚体变换配准算法是一种常用的医学图像配准方法，它通过对两幅图像中的特征点进行匹配，计算出旋转、平移和缩放的参数，以实现两幅图像的精确对齐。
该方法适用于解决位置变化较小的图像配准问题。
2. 弹性变形配准算法弹性变形配准算法是一种能够解决图像形态差异较大的医学图像配准方法。
该算法基于物理模型，通过对图像进行网格划分，并在每个网格点上计算出弹性变形场，以实现对图像的形态变换。
弹性变形配准算法可以广泛应用于不同部位、不同模态的医学图像配准。
三、医学图像融合算法1. 像素级融合算法像素级融合算法是一种将两幅或多幅医学图像像素级别进行整合的方法。
该算法通过对不同图像的像素进行加权平均或逻辑运算，以生成一幅融合后的医学图像。
像素级融合算法能够有效整合不同模态、不同特征的医学图像信息。
2. 特征级融合算法特征级融合算法基于图像处理和机器学习技术，通过提取不同图像的特征，并将其融合起来，以实现对医学图像的融合。
该算法能够加强图像的边缘信息、纹理信息等，并提高医生对疾病的识别能力。
四、医学图像配准与融合算法的研究进展随着计算机技术和医学影像设备的不断发展，医学图像配准与融合算法在疾病诊断与治疗中的应用越来越广泛。
目前，研究者们将深度学习、人工智能等技术引入医学图像配准与融合算法的研究中，取得了较好的效果。
例如，利用深度学习算法对医学图像进行特征提取和匹配，可以提高医学图像配准的准确性和效率。
此外，还有一些新的医学图像配准与融合算法被提出，如基于图像分割的配准算法、基于形变场的融合算法等，这些算法能够更加精确地对医学图像进行处理与分析。
红外与可见光图像融合算法研究一、本文概述随着科技的发展，图像处理技术已经成为现代社会中不可或缺的一部分，尤其在军事、医疗、安全监控等领域，其应用日益广泛。
红外与可见光图像融合算法作为图像处理技术的一个重要分支，近年来受到了广泛关注和研究。
本文旨在深入探讨红外与可见光图像融合算法的原理、方法及其应用，为相关领域的研究和实践提供理论支持和技术指导。
本文将概述红外与可见光图像融合的基本概念，包括红外图像和可见光图像的特点、图像融合的必要性以及融合的基本原理。
在此基础上，将详细介绍目前国内外在红外与可见光图像融合领域的研究现状和发展趋势，包括各种融合算法的优势和局限性。
本文将重点研究红外与可见光图像融合的关键技术，包括图像预处理、特征提取、融合策略等。
针对这些关键技术，本文将深入分析其原理、方法及其优缺点，并结合实际案例进行具体说明。
同时，本文还将探讨如何优化融合算法，以提高融合图像的质量和效率。
本文将通过实验验证所研究的红外与可见光图像融合算法的有效性和可行性。
通过实验数据的收集、处理和分析，将评估融合算法的性能指标，如清晰度、对比度、融合度等，并与其他算法进行对比分析。
本文还将讨论融合算法在实际应用中的潜力和挑战，为未来的研究提供方向和建议。
本文将全面深入地研究红外与可见光图像融合算法的原理、方法及其应用，以期为相关领域的研究和实践提供有益参考和借鉴。
二、红外与可见光图像融合技术概述红外与可见光图像融合技术是一种多源信息融合技术，旨在将红外图像和可见光图像中的有用信息进行融合，以生成一种包含更多信息、更具可读性和可理解性的新图像。
这种技术能够结合不同传感器捕捉到的信息，利用它们各自的优点，以弥补彼此的不足。
红外图像主要反映物体的热辐射信息，对于隐蔽目标、伪装目标以及夜间目标的检测具有显著优势。
红外图像往往分辨率较低，且难以区分目标的细节和纹理。
而可见光图像则提供了丰富的色彩和纹理信息，对于场景的识别和目标的分类具有较好的效果。
本科学生毕业论文论文题目：图像融合算法研究学院：电子工程学院年级：2010级专业：电子信息工程姓名：学号：指导教师：杜宝祥2014 年 5 月 10 日摘要对多元图像信息进行的一系列提取与合成，统称为图像融合。
通过对多元图像信息的提取与合成，从而获得对同一目标的更为准确、更为全面、更为可靠的图像描述。
研究者可以得到包含多种情况下，不同条件下、不同环境下、不同模式下、不同观察角度下，对同一目标的综合特征描述的图像。
图像融合通常可分为像素级融合、特征级融合以及决策级融合三个层次。
本文首先介绍了图像融合的大概、国内外研究现状、面临的问题以及本文的主要工作。
接着重点论述了图像融合的三个层次以及像素级图像融合的几种常用方法，并通过matlab仿真，比较加权平均法、主成分分析(PCA)法、IHS融合法以及小波变换法的融合效果。
关键词图像融合；主成分分析（PCA）；IHS；小波变换AbstractTo a series of multiple image information extraction and synthesis, collectively known as image fusion. Based on multiple image information extraction and synthesis, thereby gaining the same target is more accurate, more comprehensive, more reliable image description. The researchers can get contains a variety of situations, different conditions, different environment, different mode, different observation angles, the comprehensive description of the image on the same target. Image fusion is usually divided into pixel level fusion, feature level fusion and decision level fusion three levels.This paper first introduces the purpose of image fusion, domestic and foreign research present situation, problems and the main work of this article. Then mainly discusses the three levels of image fusion, and several commonly used methods of image fusion at pixel level, and through matlab simulation, comparing the weighted average method, principal component analysis (PCA) method, IHS fusion method and wavelet transform fusion effect.Key wordsImage fusion; principle components analysis（PCA）; Intensity-Hude-Saturation （IHS）;wavelet transform目录摘要 (I)Abstract (II)第一章前言 (1)1.1概述 (1)1.2国际研究现状 (1)1.3国内研究现状 (1)1.4图像融合技术发展历程 (2)1.5本文的主要内容 (3)第二章图像融合理论 (5)2.1图像融合的三个层次 (5)2.2图像融合规则 (8)第三章像素级图像融合的常用方法 (10)3.1加权平均法 (10)3.2主成分分析法（PCA法） (10)3.3基于IHS变换的图像融合方法 (12)3.4基于小波变换的图像融合方法 .................................................. 错误!未定义书签。
第四章 MATLAB仿真 ................................................................................. 错误!未定义书签。
4.1 MATLAB仿真结果 ........................................................................ 错误!未定义书签。
4.2图像融合的客观评价参数 (15)4.2.1 信息熵 .............................................................................. 错误!未定义书签。
4.2.2均方根误差 ....................................................................... 错误!未定义书签。
4.2.3信噪比 ............................................................................... 错误!未定义书签。
4.2.4平均梯度 ........................................................................... 错误!未定义书签。
4.3四种方法的客观评价 (17)结论 (18)参考文献 (19)附录一 (21)附录二 (25)附录三 (32)致谢 (36)第一章前言1.1概述图像融合是指将多源信道所采集到的关于同一目标的图像数据经过图像处理与计算机技术等，最大限度的提取各自信道中的有利信息，最后综合成高质量的图像，以提高图像信息的利用率、改善计算机解译精度与可靠性、提升原始图像的空间分辨率与光谱分辨率，利于监测[1]。
本文重点论述了图像融合的三个层次以及像素级图像融合的几种常用方法，并通过matlab仿真，比较加权平均法、主成分分析(PCA)法、IHS融合法以及小波变换法的融合效果。
1.2国际研究现状近二十年，图像融合技术在航天、军事、遥感、医学等各个领域都取得了很大的应用，发挥的作用也越来越大，能夠融合的图像种类也越来越多。
美国，作为世界上的超级大国，在图像融合领域也是起步最早，发展最快的国家[2]。
在二十世纪七十年代初期，由美国国防部出资，麻省理工大学协助开发的声纳信号处理系统中，融合技术得到了最早的应用[3]。
后来的八十年代以来，美国军部一直对信息融合技术、图像融合技术给予高度的重视，自美国国防部在海湾战争中体会到该技术的巨大应用潜力，以后逐年加大投资力度，建立了关于数据融合的军用系统[4]。
在国际图像融合领域上，除了美国，英、法等发达国家前期也有了较大的投入，在算法融合、实际应用融合系统上也处于领先的地位。
1.3国内研究现状多传感器图像信息融合技术是正在蓬勃兴起的一门学科，应用的前景十分广泛。
目前，图像融合的研究重点在于:在尽可能的提高融合后图像的空间分辨率的同时，保持原始图像的特征，从而使其后续分析理解的有效性能够得到保证[5]。
此外，序列图像与视频信息的融合问题，也是一个非常有意义的研究课题。
在融合技术中，关于像素级融合方法的文献较多，而介绍特征级与决策级融合方法的文献相对较少，这也是融合技术的又一个重要研究领域。
而在许多实际应用中，要实时的进行并完成像素级的融合处理工作是.相当困难的，于是，进行决策级与特征级图像信息融合的实时处理就成了主要的选择。
目前，目标自动识别与图像理解是特征级与决策级图像信息融合技术中的难点问题。
在我国，图像融合理论近几年成为研究热点，西工大、国防科技大、北理工、西电、华科等高校在图像融合理论与应用系统的研究方面也都做了很多工作，但与国际先进水平相比，仍然有很大的差距。
1.4图像融合技术发展历程传统的图像融合方法，都是基于彩色空间变换融合法实现的，譬如本文将介绍的IHS变换法、主成分析法等[6]。
传统图像融合方法都没有对源图像进行分解变换，属于比较简单的图像融合方法。
直到八十年代中期，科学家们提出了金字塔法，即基于基于金字塔分解图像融合方法，包括拉普拉斯金字塔、梯度金字塔、对比度金字塔等。
也从此开始讲这一技术应用到一般的图像处理中。
可是，由于层与层之间存在分解量的相关性，导致了融合的效果并不十分理想[7]。
直到九十年代，随着小波变换理论的广泛应用，小波变换也成为图像融合技术方面新的工具。
这也促进了图像融合技术的研究呈现上升的趋势。
目前，在小波变换域中进行图像融合的方法有基于极大值，局部能量，局部方差等融合算子。
这些特点使得图像融合在遥感、医学、计算机视觉、气象预报、军事目标检测与识别等方面的应用潜力得到了认可。
多源图像融合作为多源信息融合的一个具体的研究领域，具有信息融合特点的同时，也具有一些自己的特点[8]。
如多源图像融合输入数据是图像，因而对图像配准等预处理有更严格的要求。
而且考虑到图像融合的目的以及图像融合的优势，对于图像融合算法实现必须满足两个要求。
一方面，图像融合算法应使得融合后图像包含原图像中所具有的重要信息；另外一方面，图像融合算法不应引入任何误导人类视觉感知或图像处理的错误信息。
然而，由一维度小波变换张成的二维度可分离小波只具有有限的方向，无法做到最优表示含有线或面的奇异高维函数。
这种“尴尬”直到2002年Do M.N与Verrtli M提出的Contourlet变换才逐渐被打破。
Contourlet变换是一种二维图像的稀疏表示方法，它不单具备小波变换多分变率时频分析特征，还拥有优越的各向异性特征，当用它来表示一条光滑的曲线时，需要用到的系数比小波变换更少就可以抓住图像的几何结构。
2006年，Arthur L.Cunha等科学家在Contourlet变换的基础上，提出了NSCT变换，与之前的Contourlet变换相比，NSCT变换具有多尺度、良好的频域、空域方向特性、局部特性以及平移不变特性[9]。
在NSCT的基础上，基于多分辨率的图像融合技术得到了更为广泛的应用与发展。
图像融合涉及信息融合、图像处理等多个领域，是一个较年轻的研究方向。
