近年来,传感器开始运用在实际生活中的许多地方,图像信息的获得也就变得更加的简单。针对同一个场景中包含的信息,不同的传感器会存在不同的拍摄模式。从而使得信息的着重点不一致。为了完善信息,图像融合技术能够结合不同的着重点,因此得到广泛应用。遥感卫星的相继升空促使人们能够获得多空间、多光谱及时间分辨率的同场景图像信息。然而由于传感器自身设计的限制,往往在满足高频谱分辨率的情况下,就无法得到高空间分辨率。图像融合技术的出现解决这一难题,它能将两幅图像的优势结合在一起,从而获取高频谱分辨率和高空间分辨率。跟已有的遥感图像融合技术对比,基于稀疏表示的遥感图像融合技术拥有其强大的自适应性,较好的保存结构信息和光谱信息等整体信息,因而引起了许多学者的关注。本文针对遥感图像融合算法进行深入研究,针对低分辨率多光谱图像和高分辨率全色图像的融合算法提出一系列的改进。两者的融合效果需要达到的目标是:保证光谱信息的完整保留同时获得一定的空间分辨率的提高。具体的工作内容如下:(1)引导滤波是以局部线性模型为基础,选定合适的导向图像,导向图像中的像素值,亮度和颜色都将作为被滤波图像的模板。根据与模板之间的相似度,计算领域像素对定点像素的影响,在定点像素上自适应生成滤波核。在融合阶段初期,采用引导滤波的拟合方式可以促使亮度图和全色图之间的差异变小,为后期的融合效果做到铺垫。稀疏表示模型引入图像融合框架中保留了图像的结构信息以及通过字典学习针对相关性进行处理同时还能达到去噪的效果。论文结合两种算法的优点,提出了基于引导滤波的遥感图像稀疏融合算法,选择低分辨率多光谱图像和高分辨率全色图像作为融合素材,最终融合成为高分辨率多光谱图像。最开始,将IHS(Intensity,Hue,Saturation)变换作用在多光谱图像上,其次以全色图像为导向模板图,对IHS分解出的亮度部分进行引导滤波。根据处理后的亮度图和全色图的特点,分别进行自适应字典训练,得到两个不同的稀疏表示系数。融合规则以图像活跃度较大的稀疏表示系数为最终融合后的系数。(2)前期在对遥感融合框架有了初步的基础以后,进行深度挖掘,尝试加入多尺度变换到现有的遥感融合模型中。在IHS分解和引导滤波拟合处理完全之后,选择了将shearlet变换放入整体框架中,替换掉原有的图像整体融合,这次使用shearlet变换作用在两幅需要处理的图像中,分别将他们分离成两种子带系数:高频子带系数和低频子带系数。低频子带系数采用稀疏表示的方法进行稀疏系数融合,高频子带系数利用区域方程和区域能量相结合的方法进行融合。改进之后的融合算法进一步提升了融合效果。更好的实现了目标。