随着世界范围内暴力犯罪活动与恐怖袭击的发生,公共场所的安全备受关注。传统的安检仪存在威胁个人健康、隐私,及只能探测金属物品等缺陷,对于携带的化学试剂、陶瓷刀具等却无法检测。被动式毫米波探测成像安检仪,通过接收目标的毫米波辐射温度,采用合成孔径实时成像,迅速探测到人体衣物下、皮肤上的藏匿物,包括金属、非金属品,且对凝胶炸药、汽油等化学试剂具有高灵敏度,是当前安检技术研究的重要方向。被动毫米波探测器能探测到隐匿物,但其得到的图像分辨率低,对识别隐匿物存在一定的影响。在此背景下,为弥补毫米波辐射图像模糊的不足,提出将场景清晰的可见光图与毫米波图进行融合,综合两者优势,让毫米波辐射图探测到的隐匿物轮廓在可见光图中显示出来,使工作人员能根据融合结果辨别人体携带隐匿物的位置、性质,进一步提高了公共场所的安全保障能力。为此,本文致力于研究可见光/被动毫米波图像的融合算法,并进行仿真。主要研究内容如下:提出将混合正交双向小波包与脉冲耦合神经网络模型(PCNN)相结合应用于可见光/毫米波图像的融合中。第一步:混合正交双向小波包变换对两原图像分解,根据需要设计最佳树,得到分解系数;第二步:根据系数特征,采取不同的融合算子处理系数;用基于图像灰度值的融合规则处理低频;高频则是带入自适应脉冲耦合神经网络模型进行融合;最后重构输出融合结果。实验仿真证实,与传统融合方法相比,新方法得到的融合结果易于分辨隐匿物的性质、位置。在上面研究的基础上,考虑到高尺度的图像分解会产生大量的子图,从而导致在融合处理中出现存储困难、效率低、不能实时成像等问题。为此,引入了压缩感知(CS),并研究其图像融合框架。尝试将CS理论用于数据量大的高频系数融合;实验仿真表明,新方法得到的融合结果在提高算法效率的基础上,能清晰地展示隐匿物的性质、位置。