一般传统方法在提取被噪声严重污染的图像中的线性特征时存在巨大困难。Beamlet分析是由Donoho提出的一种高维奇异性分析方法,作为一种多尺度几何分析的有效工具,具有分级、多尺度的优良特性,特别适合于提取图像中的线性特征。Beamlet是一个在一定范围内的位置、方向和尺度下二进组织的线段库,线段在Beamlet分析中的角色相当于小波分析中的点所扮演的角色。论文研究了Beamlet变换的实现方法,Beamlet的多尺度分析框架,首先提出基于多方向信息的Beamlet边缘检测方法,成功将改进算法应用于被噪声严重污染的图像中线性特征的提取。该算法通过对图像进行水平和垂直方向的对称延拓和错切变换,突出图像各方向上的边缘信息,使得Beamlet变换能够捕捉到更多的方向信息。改进的Beamlet边缘检测算法充分弥补了传统Beamlet方向性限制的缺点。实验证明该算法对于含噪声图像的线性特征提取有很好的效果。其次,目前对Beamlet应用的研究大多局限于图像的线特征提取、轮廓重构等方面,本文提出了小波与Beamlet变换相结合的算法,成功的将Beamlet应用于图像融合中,以提高小波融合效果。算法通过Beamlet变换分别检测源图像小波分解后的高频部分的边缘特征,之后论文中提出边缘密度的概念,计算Beamlet变换后图像的边缘密度,并以此为依据进行基于模糊C均值的多阈值,最后根据选取的阈值对于不同阈值内的小波系数采用相应的融合规则进行融合。最终实验证明该算法有效的改进了基于小波的图像融合算法,并得到了良好的融合效果。