近年来随着传感器成像技术的快速发展,成像质量不断提高。不同成像传感器对目标特征的兴趣点有所不同,为了得到目标特征更加全面的表达,多传感器图像融合得到了快速发展。多传感器图像融合可以克服单个传感器提供信息不足的缺点,通过将单传感器的优势信息进行互补,融合得到一幅信息更丰富、内容更全面的高质量图像。多尺度变换能够较好地提取源图像中的结构信息,稀疏表示可以获得源图像的稀疏降维表示。基于此,本文结合多尺度变换和稀疏表示的各自特点,研究多传感器的图像融合。论文主要工作如下:1.论文简要介绍了图像融合的背景、意义和研究现状,以及在像素级进行融合的变换域算法如多尺度变换算法和稀疏表示算法。详细介绍了循环引导滤波器和稀疏表示的相关理论知识,给出了图像质量评价的方法和几个常用客观评价指标的原理。2.论文在多尺度引导滤波图像融合的基础上,提出了多尺度循环引导滤波图像融合算法。迭代使用循环引导滤波器实现图像的多尺度变换,通过实验验证了所提算法的有效性。3.论文在多尺度循环引导滤波图像融合的基础上,结合稀疏表示对图像的稀疏表达特性,提出了基于循环引导滤波器和稀疏表示的图像融合算法。首先,利用循环引导滤波器对字典训练样本集进行两层分解,得到一个低频近似分量样本集和两个高频细节分量样本集,对源图像进行同样的两层分解。其次,利用K-SVD算法对两个高频细节分量样本集分别训练字典,并利用所训练字典求解源图像两个高频细节分量的稀疏系数。再次,对源图像的不同尺度分量分别设计融合规则,低频近似分量采取基于图像显著性的加权平均融合规则;高频细节分量通过对稀疏系数进行L1范数取大,并与训练字典重构得到高频细节分量的融合图像。最后,对融合后的低频近似分量图像与两个高频细节分量图像进行多尺度逆变换得到融合图像。通过实验从主观视觉效果和客观评价指标两方面进行分析,本文提出的算法具有更好的融合效果。