图像融合技术将同一场景的图像融合为一幅图像,很好地解决了图像之间信息的互补性和冗余性,从而能更好地描述目标或场景。图像融合主要包括特征提取、对提取的特征进行融合和重构得到融合后的图像。由于稀疏表示能尽可能的用少量的原子表示信号,较好地提取出信号的主要特征,本文从稀疏表示理论出发,针对图像融合的问题,对基于稀疏表示的图像融合算法进行了深入的探索和研究。由于基于学习或训练得到的字典能对图像进行自适应地稀疏表示,本文对基于MOD(Method of Optimal Directions)和K-SVD字典训练算法做了分析和讨论,并将其应用到图像融合中。同时,稀疏自编码网络(Sparse Auto-Encoder,SAE)可以较好地对图像进行稀疏表示,并已被广泛地应用于图像处理领域,本文研究了基于SAE的图像融合算法。利用SAE训练得到过完备字典,然后对待融合图像进行稀疏表示,最后融合稀疏系数并重构得到融合图像。本文分别对以上三种基于字典训练的图像融合算法做了仿真实验,并比较和分析了三种算法的优劣性。其次,考虑到自然图像往往由多种成分组成,本文研究了一种基于图像卡通纹理稀疏分解的图像融合算法。本文首先利用稀疏表示模型,采用MCA-TV(Morphological Component Analysis with Total Variation)算法,将待融合图像通过Curvelet变换和局部DCT(Discrete Cosine Transform)变换得到卡通分量和纹理分量以及其对应的稀疏系数,然后分别采用不同的融合规则对得到的卡通分量稀疏系数和纹理分量稀疏系数进行融合并逆变换得到融合后的卡通分量和纹理分量,最后将两者叠加得到最终融合图像。同时,为了验证本文所研究的基于图像卡通纹理稀疏分解的图像融合算法的性能,本文分别用CT(Computed Tomography)和MRI(Magnetic Resonance Imaging)、红外和可见光以及多聚焦图像进行了仿真实验,并与现有的几种主流的融合算法进行了分析与比较,最后验证了本文所研究的融合算法较优。