随着科学技术的快速发展,越来越多的传感器被应用于各个领域。图像融合就是利用各种成像传感器不同的成像方式,提供互补信息,增加图像的信息量,提高对环境的适应性,以获得更可靠、更准确的信息供观察或进一步处理。该技术被广泛的应用于军事、医学、计算机视觉、目标识别等领域。随着人们对图像质量要求的提高,巨量信息的采样对传感器性能的要求越来越高,因此寻求新的理论方法迫在眉睫,压缩感知理论的提出与发展为解决这些问题提供了新的思路。压缩感知可以针对信号自身的稀疏性构造稀疏模型,从尽量少的数据中提取尽量多的信息,抛弃当前信号采样中的冗余信息,直接从连续时间信号变换得到压缩样本,然后选用合适的观测矩阵及恢复算法进行观测和恢复,以实现低采样率下的精确重构。因此,将压缩感知理论直接信息采样等优点引入传统的图像融合算法中是一种简便且高效的融合手段。这种基于压缩感知理论的图像融合算法不需要对信号进行完全采样,与原图像没有直接对应关系,在采样时也不需要知道信号的任何先验信息,因而减少了恢复的数据量,在一定程度上缓解了传输和存储的巨大压力,也降低了对硬件的要求。本文首先介绍了压缩感知的基本理论框架,包括稀疏基、观测矩阵以及恢复算法,重点放在对恢复算法的介绍上,并对各算法进行对比仿真。其次讨论了图像融合的基本理论,包括其融合过程、融合层次以及融合规则,重点分析了基于拉普拉斯金字塔变换和基于小波变换的两种融合算法。然后将压缩感知技术与这两种融合算法相结合,并对多聚焦图像进行仿真分析。最后采用熵、空间频率、平均梯度等作为融合评价指标评估基于压缩感知的融合优势。实验表明,基于压缩感知的图像融合方法不仅降低了计算处理的复杂度和对硬件实现的要求,而且节省了存储空间,降低了开销。