1、基于非多尺度变换的图像融合方法
1)平均与加权平均方法
加权平均方法将原图像对应像素的灰度值进行加权平均,生成新的图像，它是最直接的融合方法。其中平均方法是加权平均的特例。使用平均方法进行图像融合，提高了融合图像的信噪比,但削弱了图像的对比度,尤其对于只出现在其中一幅图像上的有用信号。
2)像素灰度值选大（或小）的图像融合方法
假设参加融合的两幅原图像分别为A、B，图像大小分别为M*N,融合图像为F，则针对原图像A、B的像素灰度值选大（或小）图像融合方法可表示为
其中：m、n分别为图像中像素的行号和列号。在融合处理时，比较原图像A、B中对应位置（m、n）处像素灰度值的大小，以其中灰度值大（或小）的像素作为融合图像F在位置（m、n）处的像素。这种融合方法只是简单地选择原图像中灰度值大（或小）的像素作为融合后的像素，对待融合后的像素进行灰度增强（或减弱），因此该方法的实用场合非常有限。
3)基于PCA的图像融合方法
PCA图像融合方法首先用三个或以上波段数据求得图像间的相关系数矩阵，由相关系数矩阵计算特征值和特征向量，再求得各主分量图像；然后将高空间分辨率图像数据进行对比度拉伸，使之与第一主分量图像数据集具有相同的均值和方差；最后拉伸后的高空间分辨率图像代替第一主分量，将它与其他主分量经PCA逆变换得到融合图像。
PCA融合算法的优点在于它适用于多光谱图像的所有波段；不足之处是在PCA融合算法中只用高分辨率图像来简单替换低分辨率图像的第一主成分，故会损失低分辨率图像第一主成分中的一些反应光谱特性的信息，不考虑图像各波段的特点是PCA融合算法的致命缺点。
4)基于调制的图像融合方法
借助通信技术的思想，调制技术在图像融合领域也得到了一定的应用，并在某些方面具有较好的效果。用于图像融合上的调制手段一般使用于两幅图像的融合处理，具体操作一般是将一幅图像进行归一化处理；然后将归一化的结果与另一图像相乘；最后重新量化后进行显示。用于图像融合上的调制技术一般可分为对比度调制技术和灰度调制技术。、
5)非线性方法
将配准后的原图像分为低通和高通两部分，自适应地修改每一部分，然后再把他们融合成符合图像。
6)逻辑滤波方法
逻辑滤波方法是一种利用逻辑运算将两个像素的数据合成为一个像素的直观方法，例如当两个像素的值都大于某一阈值时，“与”滤波器输出为“1”（为“真”）。图像通过“与”滤波器而获得特征可认为是图像中十分显著的成分。
7)颜色空间融合方法
颜色空间融合法的原理是利用图像数据表示成不同的颜色通道。简单的做法是把来自不同传感器的每幅原图像分别映射到一个专门的颜色通道,合并这些通道得到-一幅假彩色融合图像。该类方法的关键是如何使产生的融合图像更符合人眼视觉特性及获得更多有用信息。Toet等人将前视红外图像和微光夜视图像通过非线性处理映射到一个彩色空间中，增强了图像的可视性。文献研究表明，通过彩色映射进行可见光和红外图像的融合，能够提高融合结果的信息量，有助于提高检测性能。
8)最优化方法
最优化方法为场景建立一个先验模型，把融合任务表达成一个优化问题，包括贝叶斯最优化方法和马尔可夫随机场方法。贝叶斯最优化方法的目标是找到使先验概率最大的融合图像。文献提出了一个简单的自适应算法估计传感器的特性与传感器之间的关系，以进行传感器图像的融合;另一文献提出了基于图像信息模型的概率图像融合方法。马尔可夫随机场方法把融合任务表示成适当的代价函数，该函数反映了融合的目标，模拟退火算法被用来搜索全局最优解。
9)人工神经网络方法
受生物界多传感器融合的启发，人工神经网络也被应用于图像融合技术中。神经网络的输入向量经过一个非线性变换可得到一个输出向量,这样的变换能够产生从输入数据到输出数据的映射模型,从而使神经网络能够把多个传感器数据变换为一个数据来表示。由此可见，神经网络以其特有的并行性和学习方式，提供了一种完全不同的数据融合方法。然而，要将神经网络方法应用到实际的融合系统中，无论是网络结构设计还是算法规则方面，都有许多基础工作有待解决，如网络模型、;网络的层次和每一层的节点数、网络学习策略、神经网络方法与传统的分类方法的关系和综合应用等。目前应用于图像融合有三种网络: a)双模态神经元网络。b)多层感知器。c) 脉冲耦合神经网络(PCNN)。Broussard等 人借助该网络实现图像融合来提高目标的识别率，并证实了PCNN用于图像融合的可行性。
2、基于多尺度变换的图像融合方法
5)后面还有NSCT、NSST、稀疏表示、CNN等方法
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/216846.html原文链接：https://javaforall.net
