分布式压缩感知建立在压缩感知理论基础上,既能利用信号内的相关性又能挖掘信号间的相关性,可以提高信号的重构精度,在图像处理等领域有着广泛的应用。作为图像处理的一个重要分支,图像融合因其广阔的应用前景,吸引了国内外研究学者的广泛关注。鉴于同一场景的待融合源图像间存在着很强的相关性,本论文通过引入分布式压缩感知挖掘图像的相关性进而实现图像融合,具体工作如下:1、多聚焦图像融合旨在识别同一场景下多张单聚焦图像的聚焦区域,并将所有聚焦区域融合成一张全聚集图像。考虑到多张单聚焦图像的相关性,论文提出一种基于分布式压缩感知的多聚焦图像融合算法。首先,通过简单对比源图像的方差来获得低频图像和高频图像,并进一步获得低频字典和高频字典;其次,引入分布式压缩感知挖掘源图像的相关性,重构精细的高频图像,并基于所有高频图像给出一种决策方法以获得初始决策图;接着,利用形态学处理获取精确的决策图;最后,通过决策图来指导源图像选取聚焦像素点,进而达到最终融合的目的。在实验部分先采用两组图进行主观评价,本文所提算法均获得令人满意的视觉效果。客观评价方面使用三组常用的测量指标,并在十组图片中同现有九种算法进行对比,仿真结果证明了该方法拥有优异的客观性能。因此,无论是主观视觉或者客观测量,所提出的基于分布式压缩感知的多聚焦融合算法与现有的主流算法相比更具竞争力。2、多曝光图像融合旨在获取多张不同曝光度图像的加权图,并根据权重融合成一张具有良好对比度及鲜艳色彩的高质量图像。考虑到不同曝光程度图像的相关性,论文提出一种基于分布式压缩感知的多曝光图像融合算法。首先,同样通过简单对比源图像的方差获得低频图像和高频图像以及对应的字典;其次,基于分布式压缩感知重构精细的高频图像,并通过比较重构的精细高频图像实现局部对比度测量获得局部对比度加权图;接着,直接基于亮度特征值实现亮度测量得到亮度特征加权图;然后,将局部对比度权重与亮度特征权重相乘获得初始的加权图;最后使用向导滤波器来消除初始加权图中的噪声和不连续性,并基于拉普拉斯金字塔分解实现图像融合。实验中将本文所提算法同现有八种算法进行主观和客观对比,该方法不仅在主观视觉上效果显著,更在客观指标测量下明显优于其他八种算法。结果表明,本文所提的基于分布式压缩的多曝光图像融合算法在主观视觉上与客观指标均优于现有的主流算法。