图像融合算法的层次图像融合是采取某种或者多种算法对两幅或者多幅对付统一目的图像的差异的源图像进行处理[6]，最后形成一幅新的图像。它可以强化图像中有效的信息以此来得到更为精确的成果[7]。在融合应用中，因为有差异的的应用目的、有差异的输入数据及有差异的数据预处理，使融合在不同层次上对多源数据举行处理，每个层次表现出不同的级别。一般情况下像素级、特征级、决策级三级构成图像融合[2]。80432

    (1)像素级融合

像素级融合主要处理的是多传感器目标的丈量成果，是直接分析各图像传感器的输出信号[4]。它是直接在最初始的数据层上举行的融合，也有利于图像的进一步分析与理解。像素级融合之所以是准确性最高的融合是因为它能够提供特征级、决策级层次（因为像素级融合是特征级融合和决策级的基础）不具有的，更为丰富的精确可靠的细节信息。固然它是目前在现实中应用最普遍的图像融合方法之一，但它也有很多的不足的点：比如预处理的信息量大、对带宽要求高、处理所需要的时间过长[5]。因为这些无法抗拒的原因，所以在举行像素级融合之前，必需对参与融合的各个图像进行准确的预处理（预处理精度最少要到达像素级），论文网

是以，像素级融合实施难度最大且最为庞大。

    （2）特征级融合

特征级融合是对源图像的特定细节所做的预处理和特性提取后归纳特性信息。特征级融合属于中央的条理的融合，它既保存了充足多的信息，又可对信息举行压缩功能，有便于后续工作的处理。它有很多可以从源图像中提取出来的特性信息有线型、边沿、纹理、光谱、相似亮度地域[7]等利于系统的决定的功能，好比关联几何、特征提取和目标辨认等功能。因为提取的特性直接与最后的成果处理有关，所以在特征级融合过程中所产生的融合成果能最大限度地为最后的成果处理供给其所必需的特性信息。

 (3)决策级融合

决策级融合的方式是先对各个源数据举行处理，得出一些辨认的成果，融合中央再将根据一定的准则调和处理这些结果的每个数据源以此取得最后最优的成果。决策级融合方式对比其他两种融合方法有相对的容错能力，但是这种方法的预处理的价值对照会高一点，图像中的损失的原始信息也是三种融合方法中损失最多的[7]。

最后，因为图像融合的三个条理与多传感器信息融合的三个条理有必定的相对应关系，所以在现实应用中，应该根据不同的数据融合、原始数据的特点、可用的资源及目标的要求，选择适当的数据融合层次使用一种或者多种的融合方法，才能够组成高效的融合系统以此来得到最优的融合效果。

在本末节的最后，像素级、特征级、决策级三个层次不但能够分块自立举行，并且由于它们分别可以作为一个团体进行分层次融合所以它们之间有着非常密切的相关性，并且像素级的融合成果可作为特征级、决策级的输入好比本程序中先融合后去雾的过程。

2  图像融合算法的发展

图像的融合方式总体上可以分为两类：空间域和变换域。如平均的融合方法、乘积变换方法[8]、主成分分析(PCA)和基于IHS方法属于空间域方式。另一个重要的空间域融合方式是基于高通滤波的方法。

空间域方法虽然可以强化图像中有用的信息以此来获得更为准确的结果，但它的缺点是容易产生空间融合图像的失真。光谱扭曲是一个非常重要的负面因素，比如在进行如分类问题等进一步的处理时。而空间扭曲则可以很好地处理频域图像的融合。多分辩率分析已经成为遥感图像分析的一个十分有效的工具。离散小波调动融合已经成为一个十分有效的工具。也有一些其他融合方法,如基于拉普拉斯算子的金字塔[9],基于曲波变换等。这些方法表现出更好的性能在空间和光谱融合图像的质量与其他空间的融合方法。一些著名的图像融合方式是高通滤波技术、基于IHS变换的图像融合、基于主成分分析的图像融合、小波变换图像融合[9]、双向空间频率匹配等。