图像融合是将同一场景下不同成像设备或同一成像设备在不同条件下获得的多幅图像合成一幅复合图像的技术。其中红外可见光融合是图像融合中一个热点话题,其意义在于将红外可见光图像的冗余信息和互补信息整合到最终的融合图像中去,使得融合图像比单张输入图像具有更突出的目标和更丰富的细节纹理,方便后续各种图像处理任务如:隐蔽性武器探测、目标检测和跟踪、视频监控等。由于从传感器直接获取的原始红外图像往往存在对比度低等问题,因此在进行红外可见光融合之前必须对红外图像进行增强处理。传统的直方图均衡技术基本能满足低动态范围红外增强需求。然而随着科学技术的发展,高品质的红外传感器可以捕获到高位宽,动态范围较广的红外图像,此时不仅仅要对红外图像进行增强还需要对其动态范围进行压缩,若再采用传统的直方图均衡技术就会存在细节丢失的问题。而最新提出的几种基于多尺度的高动态范围红外增强技术由于分解时存在边缘模糊或梯度反转效应,在某些场景会出现伪轮廓现象。同样基于多尺度的红外可见光融合算法也存在类似问题,此外大多数的融合算法单单从保留纹理细节信息的角度出发进行融合规则的设计而忽略图像的亮度特性,从而导致融合图像对比度低,目标不显著的问题。为了解决上述问题本文做出了以下工作:首先,为了解决传统多尺度方法中由于边缘模糊或梯度反转导致的伪轮廓问题,以及只考虑纹理特征细节而忽略亮度特征的缺点。本文在最小二乘的基础上从亮度和梯度分离的角度出发提出了一种图像滤波算法——小梯度滤波器。它能够在移除小梯度纹理和噪声的同时保持图像整体的亮度和边缘梯度,避免近似层的边缘模糊和残差层的梯度反转导致的伪轮廓问题,同时有效将梯度细节和亮度信息进行分离。实验结果证明,该滤波器不仅能有效保留图像边缘、避免伪轮廓现象,还能将亮度特征和梯度特征分离且包含多个意义明确的可调参数,具有较强的灵活性。其次为了在压缩高动态范围红外图像的同时增强图像对比度和细节且降低噪声和伪轮廓的影响,本文在多尺度框架下提出了基于小梯度滤波分解的高动态范围红外增强技术。该算法利用小梯度滤波器将图像分解为保留图像亮度背景的近似层和残留图像梯度纹理、噪声的残差层;分解后采用简单的直方图均衡对不存在噪声和小细节的近似层进行增强,提升图像对比度;同时采用自适应双平台直方图均衡化来改善残差层的细节信息、抑制噪声;最后对增强的近似层和残差层进行重构和重映射获得最终的增强结果。实验结果表明,本文提出的算法在保留细节方面优于直方图的方法且有效降低了噪声和伪轮廓的影响。最后针对当前多尺度融合算法对比度低、目标不显著和伪轮廓问题。本文提出了一种基于小梯度滤波器和图像显著性映射的融合算法。算法同样采用小梯度滤波对图像的亮度特征和梯度特征进行分离。分解后根据近似层和残差层的不同特点和视觉特性,提出了对比度和梯度显著性映射,并构造了相应的权重矩阵。最后对近似层和残差层进行融合和重构得到最终的融合图像。在公共数据集上的主客观实验结果表明,该方法在保持图像对比度、提高目标显著性、防止伪轮廓和降低噪声方面优于其它几种方法。