随着信息技术以及光谱成像技术的不断发展,光谱图像感知技术在军用、民用等多领域具有重大的理论以及实践价值。各种传感器的发展和普及给人类生产生活带来了极大的便利。但是由于传感器种类越来越丰富,不同设备的成像机理存在很大差异,相同设备的不同参数设置也会造成成像品质的巨大差异。为了弥补单一图像难以全面描述被摄场景信息的不足,对光谱图像融合的研究应运而生。图像融合作为光谱图像感知领域的一个重要研究对象近年来备受关注。多源光谱图像融合的目的是将源自不同传感器的数据进行特征分析并完成对各自优势特征的互补融合,最终形成更加全面和精确的感知表达。本文从光谱感知应用的实际需求,主要以红外和可见光图像,多焦距图像,多曝光图像,医学图像,高光谱和多光谱图像等为对象研究多源图像融合,提出了一系列基于稀疏表示的融合方法。并基于光谱图像融合实时性这一重大挑战,对本文提出方法中的关键算法进行了基于FPGA的硬件实现探索。本文的主要研究内容可以概括如下:1.针对红外-可见光图像融合难以同时保留红外图像目标主体和可见光图像背景的特点,基于传统多分辨率方法依赖分解级数以及传统稀疏表示方法鲁棒性差等缺点,本文设计了一种基于鲁棒主成分分析和压缩感知的红外-可见光图像融合算法。鲁棒主成分分析被用于将红外及可见光图像分解成稀疏和低秩分量。然后利用压缩感知理论对两种不同图像的稀疏分量进行融合。最终得到的融合图像很好地提取了红外可见光图像的目标主体,并大程度地保留了可见光图像中较为清晰的背景。2.针对现有基于稀疏表示的图像融合算法字典学习缺乏对拟合数据鲁棒性的考虑,对动态和连续数据的噪声以及异常值的控制能力弱的缺点,本文引入引导滤波并提出一种基于联合块聚类的在线鲁棒字典学习方法。引导滤波作为边缘保留算子为融合图像提供了足够锐化的细节特征。基于联合块聚类的在线鲁棒字典学习创建了信息丰富但体量精简的字典,减少了运算复杂度。使得该图像融合算法具有处理大规模动态数据的潜力。3.针对高光谱图像处理存在同物异谱、光谱混合等困难。本文提出了一种基于空间组稀疏正则化分解的高光谱-多光谱图像融合方法。该方法使用改进的简单线性迭代聚类超像素算法对高光谱图像进行聚类以充分利用其空间特征,并利用基于空间组稀疏正则化和l2,1范数的高光谱图像解混算法分解输入图像。融合了从高光谱图像中提取的端元和从多光谱图像中提取的对应丰度。最终融合的图像充分蕴含了源图像们的空间结构和光谱特征,很好地解决了高光谱图像超分辨率重建问题。4.以上述基于稀疏表示的光谱图像融合方法的实用性为出发点,研究了稀疏表示关键算法:OMP算法的FPGA实现。本文对传统OMP算法进行了改进,使用Gram-Schmidt正交化来改善信号残差的更新过程,从而使信号恢复仅需要执行一次最小二乘求解,这在硬件实现中大大减少了矩阵运算的数量。并利用Xilinx Vivado高级综合（HLS）工具进行了基于FPGA的实现。为压缩传感信号重建在不同的信号大小,不同的测量矩阵大小和不同的稀疏度的情况下提供了一种快速且可重新配置的实现方法。