图像融合是将多个传感器在同一场景获取的多幅图像,综合生成一幅包含该场景中完整信息的图像,其目的是提高图像的分辨率和清晰度,以便于观察和再处理。本文将主要介绍在稀疏表示(Sparse Representation,SR)下的图像融合方法。与交换域和空间域所不同的是,稀疏表示是信号可以近似地由过完备字典中的几个原子信号的稀疏线性组合来表示。此外,稀疏表示的变换空间是稀疏域,在稀疏域中的活跃度量较为可靠,且图像通过空间滑窗技术使用基于图像块的方法进行分割,能够较好的保留图像的特征信息,具有平移不变性。卷积稀疏表示则是稀疏表示的卷积形式,不再使用图像块对图像进行处理,通过卷积的形式能够进一步提高图像融合效果。在本文中,在图像融合过程中采用了卷积稀疏表示(Convolution Sparse Representation,CSR)、形态成分分析(Morphological Component Analysis,MCA)和非下采样剪切波(Non-subsampled Shearlet Transform,NSST)等方法,通过稀疏表示的优越性来提高融合图像的清晰度。本文的具体研究内容如下:(1)为解决稀疏表示在图像融合过程中的块效应,提出卷积稀疏表示和形态成分分析方法的图像融合方法。利用卷积稀疏表示的优越性对形态成分分析模型进行改进,形成CSR-MCA的新型模型,可以同时实现源图像的多组件和全局稀疏表示。使用预学习的CSR-MCA模型得到源图像的平滑和细节成分的稀疏表示,然后使用不同的融合规则对每个图像分量进行融合,并对融合后的分量进行叠加重构获得最终的融合图像。(2)为克服多尺度变换方法中出现的伪吉布斯现象,提出非下采样剪切波和卷积稀疏表示的图像融合方法。非下采样剪切波能够将源图像进行分解,获得的低频和高频系数中包含图像中的特征信息,通过不同的融合规则分别对低频和高频系数进行融合重构,有效的保留源图像中的细节信息。将卷积稀疏表示引入到融合过程,避免多尺度变换中容易出现的伪吉布斯现象和稀疏表示方法中的块效应,以提高融合效果,具有较好的清晰度。(3)为了实现融合过程的完整性,搭建图像融合辅助平台,对未处理的图像进行增强和配准等预处理,更好的读取自然图像和医学图像;同时该平台包含了传统的融合算法和本文提出的算法,能够获得更好的图像融合对比效果。通过平台的可以更加直接明了的展示图像融合的各个过程步骤,有效的进行人机交互。