图像融合技术能在原图像不能有效展现信息的情况下,实现多源图像优势互补,使融合图像更好地呈现出有用信息,因此受到了人们的广泛关注。迄今为止,图像融合算法多种多样,其中基于多尺度变换的融合方法,充分考虑到图像本质属性之间的差异,将待融合图像进行多尺度、多方向分解,能获得比传统像素级融合更好的效果,是目前异质遥感图像融合领域的研究热点。合成孔径雷达(Synthetic Aperture Radar,SAR)与多光谱图像在成像机理及特性等方面有着完全不同的表现形式,各自特征明显又具有极大的互补性,因此非常适合采用多尺度融合算法,但常用多尺度融合算法目前仍存在精度不高、效率偏低等问题。基于此,本文在现有融合算法的基础上,深入研究基于多尺度变换的SAR和多光谱图像融合,主要研究内容和创新点如下:(1)论文在图像融合技术整体框架下,研究了IHS变换、小波变换、非下采样轮廓波变换、脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)、非下采样剪切波变换(Non-subsampled Shearlet Transform,NSST)等常用融合算法,分析了它们在融合算法和融合应用中的差异,然后从主观和客观角度出发,详细分析了图像融合质量评价体系,最后通过实验分析,得出NSST变换在提高融合图像空间分辨率及光谱特征上具有最优的表现力。(2)分析了IHS、NSST和PCNN的互补特性,重点研究了三者相结合的融合算法。IHS能分离多光谱图像中的亮度信息和色彩信息,但空间细节刻画不足,NSST对于分解后的高频子带具有更细致的描述,但会损失图像亮度信息,引入符合人眼视觉特性的PCNN模型能有效改善这一问题。基于此,本文将三者结合起来应用于SAR和多光谱图像融合。(3)针对传统PCNN直接把像素灰度值作为神经元激励输入,易造成高频子带在细节信息上表达缺失的问题,提出了一种基于自适应PCNN的高频子带分层融合规则。对于高频内层子带,将改进拉普拉斯能量和作为PCNN外部输入,结合空间频率调节PCNN链接强度的自适应融合规则;高频最外层子带采用绝对值取大的融合规则。研究结果表明:与传统PCNN融合相比,在主观效果上,本文融合算法能较好的保留源图像的边缘细节信息;在客观指标上,本文算法所得图像在E、SD、AG、RMSE和CC等质量评价参数上的表现更为优越,同时能在一定程度上抑制噪声,验证了本文算法的有效性和可靠性。