图像融合技术能将同一场景、信息互补的多模态图像进行融合,形成一幅信息量更丰富的图像。该技术可突破单一传感器成像原理的限制,已被广泛应用于医疗外科、军事遥感等领域。图像质量评价作为融合算法选择和优化的重要支撑,是图像融合领域的研究难点之一。本文以图像融合客观评价指标为出发点,开展以下研究工作:1、针对多聚焦图像融合,提出一种特征层上的客观评价新方法。该指标主要包括两个步骤:首先,分别检测源图像和融合图像的角点;然后,计算融合图像和源图像之间的角点重合率,以此来度量融合图像的质量。该指标的优势在于,它是在特征级(角点)中构建相似性,避免了评估过程中的焦点检测。实验结果表明,该指标可以在数据集上获得较高的检测精度。2、基于高准确率、低相关性的图像融合指标集,提出一种综合评估算法。本文提出一个基于指标集的综合指标方法。其构造过程包含两个步骤:首先,构造一个候选指标集,指标集中的每个指标的高准确率较高,指标间的相关性较低;然后,在训练图像集上动态确定各个指标的权重;最终,构造一个综合指标。考虑到融合图像质量的金标准来自主观感知,本文在计算每个指标的评估准确性时引入评估难度以减少主观感知错误的影响。实验结果表明,该方法优于其它评价方法。3、提出3D ROC(Receiver Operating Characteristic)模型,并将其应用于图像融合质量指标验证中。在机器学习领域中,每个实例携带的目标信息量不同,本文将影响学习性能的实例信息作为学习器性能评价的关键因素之一;图像融合指标可抽象为分类器,将指标的验证等效于对分类器的评估,提出了一种新的分类性能评价方法,即将接收者操作特征(ROC)曲线扩展到三维空间中,记为3D ROC柱状图。在柱状图中,x轴和y轴与ROC空间中的描述相同,分别标记为假正率和真正率;z轴表示实例携带信息重要性的定量指标,其中3D ROC柱状图的体积(V3RH)用作摘要指数。该方法保留了类不平衡下的鲁棒性以及阈值的独立性等优点。此外,本文对3D ROC柱状图和V3RH进行扩展并详细介绍两柱状图间的差异;与此同时,提供了一种在评估过程中表征实例的简便方法。本文采用人工数据集和实际数据集进行实验以验证所提方法的性能,实验结果表明该方法是一种可靠的分类器性能度量方法。4、提出了一种基于多尺度、多方向分解的图像融合算法。该算法通过分解源图像的高、低频子带,捕获源图像中的方向信息,具有较强的保留纹理和边缘等细节信息的能力。针对高低频子带的特点,本文设计了不同的融合规则。对于低频子带,本文使用加权求和的方式,其中权重的大小与当前像素的局部显著性相关。针对高频子带,本文使用梯度最大法进行融合。在多组医学图像进行测试,选用6个对比算法、7个客观评价指标进行对比分析;结果表明,该算法的优势明显,能够获得较清晰的融合图像,符合人眼视觉感受。但目前存在算法的时间开销较大问题,通过设计更为高效的多尺度表示方法,将有助于实现算法的实时性。