0 引言
图像技术的不断发展以及现代光学成像设备的聚焦范围局限性，很难保证成像图像都位于聚焦区域。多聚焦图像融合技术将同一场景通过相同传感器得到的不同聚焦信息有效地整合在一起，形成一幅内容丰富、信息饱和的聚焦图像，可应用在遥感技术、医学图像和摄影等方面。
基于变换域的融合方法将源图像通过各种变换以得到多尺度、多方向的多幅子带图像；然后，通过各种融合规则对子带图像进行融合；再通过反变换得到最终融合图像。非下采样轮廓波变换(Non-Subsampled Contourlet Transform，NSCT)[1]的提出主要解决了融合图像的边缘及轮廓表现得不是很明显的问题。但是此变换忽视了空间一致性。通过NSCT[2-3]和脉冲耦合神经网络(Pulse Coupled Neural Network，PCNN)的有效结合，不仅解决了空间一致性问题，同时也实现了更好的视觉效果。由于非下采样剪切波变换(Non-Subsampled Shearlet Transform，NSST)[4]具有多方向、多尺度变换，平移不变等良好特性，也被用于图像融合。稀疏表示(Sparse Representations，SR)[5]、低秩表示(Low-Rank Representation，LRR)[6]最近几年也相继出现在图像融合领域，LRR在带有噪声的图像融合中表现较为突出。基于卷积神经网络(Convolutional Neural Networks，CNN)的图像融合技术[7]等也被提出，并且达到了很好的视觉效果。
BUDADES A等提出的非局部均值滤波(Non-Local Mean Filter，NLMF)算法[8]不仅能达到去除噪声的目的，还能在很大程度上保留图像的结构信息。
本文详细内容请下载:http://www.chinaaet.com/resource/share/2000003549
作者信息:
吴 剑1，吴晓红1，何小海1，李林怡2，卿粼波1
(1.四川大学 电子信息学院 图像信息研究所，四川 成都610065；
2.中国民航局第二研究所，四川 成都610041)
