提出了一种新的基于非下采样轮廓波（NSCT）和脉冲耦合神经网络（PCNN）相结合的自适应图像融合方法，对已经配准的源图像进行NSCT分解，得到低频子带系数和不同方向的高频子带系数，对NSCT分解的低频部分采用简单的加权平均融合规则；而高通子带系数，采用改进的拉普.斯能量作为PCNN链接强度的方法.最后，对融合的系数进行NSCT逆变换得到融合图像.实验结果表明，本文算法明显优于其他几种方法，具有更好的融合性能，清晰度更高，是一种可行、有效的图像融合方法，

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

针对融合后的医学图像时常存在细节纹理不够清晰的问题，本文提出一种新的基于非下采样剪切波变换（Non-Subsampled Shearlet Transform，NSST）的医学图像融合算法，对多模态医学影像进行融合，增强细节结构提取的能力，提高图像融合质量，为医疗诊断提供依据.首先，将已配准的源图像进行NSST分解，得到低频子带和一系列高频子带；其次，对于低频子带系数，提出利用局域平均能量与局域标准差的合成值进行子带之间选择的融合策略，有利于完整保存基础信息，对于高频子带系数，利用改进的拉普拉斯能量和（New Sum of Modified Laplacian，NSML）的方法进行融合；接着，将融合过后的低、高频子带进行NSST的逆过程变换，从而得到融合之后的图像；最后，在灰度和彩色医学多模态图像上进行大量的实验，并选择信息熵（IE），空间频率（SF），标准差（SD）和平均梯度（AG）对融合后的图像进行质量评价.仿真结果表明，本文算法在主观视觉效果以及客观评价指标上均取得较大改善.与其他算法相比，信息熵，标准差，空间频率和平均梯度的平均值分别提高了2.99%，4.06%，1.78%和1.37%，融合后的图像包含更丰富的细节纹理信息，视觉效果更好.

主要用于遥感图像道路信息提取，能得到很好的效果。

医学图像融合后的评价指标：交叉熵；应该使用标准图像&融合后图像，使用方法cross_entro=num2str(cross_entropy(data.M1,data.M2));

该代码对应于2016年的《Nonlinear IHS: A Promising Method for Pan-Sharpening》一文，属于多光谱与全色图像融合代码，也属于IHS方法的一个变种。

在分析已有小波图像融合方法的基础上,针对高、低频融合规则的选择问题,提出了一种基于小波多分辨率分解的图像融合算法。该算法对小波分解后的低频子图像采用基于主成分分析的低频融合规则进行融合,而对高频子图像采用系数绝对值取最大和基于局部均值方差最大化的融合规则进行融合。实验结果表明,该方法提高了融合图像包含的信息量,最大可能地消除了局部对比度极性反转的情况,明显地增强了融合图像的清晰度,而且很好地保留了源图像中的边缘细节。

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码介绍

基于多尺度变换的像素级图像融合是计算机视觉领域的研究热点，广泛应用于医学图像处理等领域。本文对多尺度变换的像素级图像融合进行综述，阐述多尺度变换图像融合的基本原理和框架。在多尺度分解方面，以时间为序梳理了塔式分解、小波变换和多尺度几何分析方法的发展历程。

实现偏振图像的偏振度和偏振相角的融合，并实现融合后的图像与强度图像融合，比较梯度等信息