图像融合作为信息融合的重要分支,综合了传感器技术、信号处理、图像处理和人工智能等学科,是准确获取图像信息的有效途径。多聚焦图像融合是多源图像融合领域的研究重点,它克服了单一图像在光谱、几何、空间分辨率等方面的问题。其中,像素级融合信息丢失较少,细节信息获取较多,已成为多聚焦图像融合研究的主流方向。然而像素级融合对配准精度要求较高,并且在融合过程中需要处理大量的图像细节,实时性较差。本文深入研究了像素级图像融合过程中的关键问题与环节。具体工作如下:针对图像配准过程中,初始匹配点对不准确、运算速度慢的问题,提出了基于视差约束和聚类分析的特征匹配方法,首先采用Harris角点检测和归一化互相关(Normalized Cross Correlation,NCC)函数对源图像进行粗匹配,然后分别利用距离特征向量和方向特征向量对粗匹配结果进行K-means聚类,最后,采用随机抽样一致算法(Random Sampling Consensus,RANSAC)进行二次优化。本文通过引入聚类分析思想,旨在提高匹配点对的查准率,降低精匹配运算时间。实验结果表明,基于视差约束和聚类分析的配准算法可以消除大部分错误匹配点对,提高传统图像匹配算法的精度,缩短运行时间。针对传统基于多尺度变换的多聚焦图像融合算法中,融合精度相对较低的问题,提出了基于对偶树Contourlet变换(Dual Tree Contourlet Transform,DTCT)的图像融合方法,首先对多聚焦图像分别进行DTCT分解,得到低通子带和带通子带,其次对低通子带采用区域标准差最大的融合规则,对于带通子带采用绝对值最大的融合规则,分别对系数进行处理,最后对处理后的系数进行重构得到融合后图像。实验结果表明,基于DTCT的多聚焦图像融合方法优于传统的基于多尺度变换的多聚焦图像融合方法,其融合精度高,且图像细节保留完整。提出的算法大多数指标上优于对比算法,同时与先进算法性能相近。