图2.5  多波段图像融合的基本流程
一般情况下，由于成像传感器所在的平台各异，且成像模式不同，同时还会受到各种环境因素的影响，对同一场景或目标所成的图像间会出现位移、畸变以及噪声污染等问题，因此，图像在融合之前必须经过一系列的预处理。源图像经预处理后，接下来就是根据具体的应用目的不同，采用不同的融合算法对多个源图像在不同的层次上进行融合处理，同时还要对融合的结果进行质量评价，形成具有反馈的系统，从而有利于选择最合适的融合方式以得到最优的融合结果。最后，将得到的融合结果应用于各种不同的场合。[10]
2.3  像素级多波段图像融合的主要方法
“理想”的像素级图像融合的目标是：将若干输入图像（源图像）中的视觉信息表现在一幅融合的图像中，而不引入失真，不造成信息的损失。简言之，一幅“理想”的融合图像要包含源图像中全部的视觉信息。由于不同传感器或同一传感器在不同时刻得到的图像具有冗余性及一些微小的差异，在一幅图像中“完全”包含源图像的视觉信息在大多数情况下是不可能的。实际应用中像素级图像融合的目标是：使融合图像包含源图像中“最重要”的视觉信息。融合的过程就是提取源图像中最重要的特征，并将这些特征无失真地呈现在融合图像中。所谓“最重要”的视觉信息，主要取决于融合图像的应用场合。对于绝大多数场合，“最重要”的视觉信息是指在视觉上最能够反映场景或场景中事物的特征。像素级图像融合遇到的主要问题是融合图像中失真的引入以及源图像中有用的视觉信息的损失。这正是像素级图像融合算法要解决的主要问题。像素级多波段图像融合的方法可分为两类：空域法和频域法。[11]
2.3.1 空域法
空间域图像融合算法不需要对配准后的源图像进行任何处理，直接对源图像的空间像素点进行融合。空间域融合是最简单的融合方法，主要有以下几种方法：
（1）逻辑滤波器法
最直观的融合方法是两个像素的灰度值进行逻辑运算，如:两个像素的度值均大于特定的门限值，进行“与”运算。来自“与”运算的特征被认为是多源图像融合研究应了环境的主要方面。同样，“或”滤波用来分割图像，因为所有大于特定的门限值的传感器信息都可用来进行图像分割。两个像素的灰度值均小于特定的门限值时，用“或非”运算。
（2）线性加权法
线性加权法是一种最简单的图像融合方法，它直接对多幅源图像的对应像素点进行加权叠加。即将源图像对应像素的灰度值通过加权平均来生成新的图像,如果Ak(i,j)为n幅图像Ak在对应位置(i,j)的灰度值，那么融合后图像Bk(i,j)可通过下式得到:
                (2.5)
其中，
线性加权法的优点在于概念简单，计算量非常小，适合实时处理.其缺点是融合后的图像包含很强的噪声，特别是当融合图像的灰度差异很大时，就会出现明显的拼接痕迹，视觉效果差。
2.3.2  频域法
基于空间域的方法提取的图像特征有限，容易降低图像对比度，产生块效应，从而影响融合图像的效果。为了从图像中提取更多的细节信息，出现了多分辨率分析方法。对参加融合的各源图像进行多分辨率分解后，为了获得更好的融合效果并突出重要的特征细节信息，在进行融合处理时，不同频率分量、不同分解层、不同方向均可采用不同的融合准则进行融合处理；另外，同一分解层上的不同局部区域上采用的融合准则也可以不同。这样就可能充分挖掘待融合图像的互补及冗余信息，有针对性地突出感兴趣的特征和细节信息。 Curvelet基于目标特性的多波段图像融合技术研究(6):http://www.youerw.com/tongxin/lunwen_8898.html