图像融合是通过一定的算法将两幅或多幅源图像融合成一幅新图像的过程。得到的融合图像能够保留源图像的有用信息,去除冗余信息。由于融合后图像观测的准确性和鲁棒性更高,可信度和可理解性更好,这就更有利于人和计算机有效、可靠和全面地对图像信息进行后续处理。作为信息融合的一个重要分支,图像融合技术在计算机视觉、人工智能和图像理解等领域得到了广泛的应用和研究。图像融合方法通常包括空域和变换域方法。而基于多尺度多方向变换域的图像融合方法,能够从低频到高频多层次地处理图像信息,从而得到了良好的融合效果和性能指标。目前,该研究课题是图像融合研究领域的热点。基于多尺度多方向变换域的图像融合方法在图像融合领域中的应用相当广泛。它包括基于金字塔变换、小波变换和Contourlet变换等的图像融合方法。多尺度多方向分析在捕捉图像的边缘、轮廓等重要方向结构信息方面具有显著的优势。通过在此变换域建立合理的统计模型,并结合精确估计的模型参数来设置融合规则,可以使图像融合的效果更佳。因此,研究基于多尺度多方向变换域统计建模的图像融合方法具有重要的理论和应用意义。本文首先详细地介绍了图像融合的国内外研究现状和发展动态,综述了一些经典的基于空间域和变换域的图像融合方法,分析了基于多尺度多方向变换域图像融合的基本原理和融合框架,归纳总结了图像质量的评价标准和分类。然后,介绍了基于小波域统计建模的多聚焦图像融合方法。在Burt融合规则的基础上,采用小波变换,结合主成分分析(PCA)和广义高斯分布(GGD)建模,实现图像融合。采用主观评价和客观评价的方法,将实验结果与加权平均法、基于PCA方法、区域能量法等现有的典型融合算法进行了对比和分析。实验结果表明,由本文提出的融合算法所得到的融合图像的信息量更丰富、保真度更高。其次,分析了基于Contourlet变换域统计建模的图像融合方法。本文在Contourlet变换基础上,提出将混合高斯模型(GMM)与广义高斯模型联合建模的融合方法。该方法将Contourlet变换域的高频子带和低频子带分别采用广义高斯和混合高斯建模,通过利用估计得到的分布参数,分别在改进的Burt融合规则和后验概率加权平均下实现图像融合。分别对多聚焦图像、遥感图像和医学图像进行了融合实验,并将本文实验结果与在同等实验条件下基于小波变换的方法进行了对比和分析。实验结果表明,本文算法不仅能够增强融合图像的空间细节信息,使信息量更丰富,视觉效果和性能更好,而且验证了该融合算法适合于较为广泛类型图像的融合。最后,介绍了基于金字塔双树方向滤波器组(PDTDFB)变换域统计建模的图像融合方法。PDTDFB变换具有更好的多尺度多方向分析能力,其方向选择更加丰富,平移不变性更强。基于此变换,采用混合拉普拉斯模型(LMM)对各子带建模,确定融合参数,得到融合图像。分别对多聚焦图像、遥感图像和医学图像进行了图像融合实验,并与小波变换域在同等实验条件下的实验结果进行对比。实验结果表明,该方法能有效地融合多种类型的源图像,尤其在细节信息的保持方面效果更为突出。