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。

基于对小波去噪以及多尺度变换图像去噪问题的理解，提出了对多尺度变换图像去噪方法的一些展望。

针对传统基于压缩感知的单字典超分辨方法难以充分描述复杂的遥感图像纹理的问题，提出了一种多尺度残余字典超分辨重建方法。首先对插值图像的高频子带执行Contourlet变换获得多个子频带；然后在各子频带上建立对应子残余字典，并进行字典学习和超分辨重建；最后对高频和低频部分进行融合得到完整的超分辨图像。实验结果表明：与其他相关方法相比，本文方法的超分辨效果无论主观视觉还是客观评价指标都有很大提高。其中客观评价指标，本文方法的峰值信噪比(peak signal-to-noise ratio, PSNR)和结构相似度(structural similarity, SSIM)平均值分别提高6 dB和0.05。对于纹理复杂的遥感图像的超分辨重建场合，更好地满足重建效果和时效的要求，具有重要的理论和应用意义。

针对非下采样金子塔(NSP)用于平移不变的剪切波变换(NSST)中不能有效捕获图像的结构信息问题,提出一种多尺度非局部均值滤波(MNLMF)和剪切波(SF)方向滤波的新变换,即利用MNLMF代替NSST中NSP分解,然后将其用到图像融合中,并将输入图像分解成不同子带.对于近似子带,采用区域像素能量(PE)与梯度能量(GE)加权和的融合规则;对于方向子带,提出基于GE与系数绝对值(CAV)混合的融合规则.同时提出了基于MNLMF与SF的图像融合算法.仿真对比实验表明,所提出的方法在视觉感知和客观质量评价两个方面具有明显的优势.

基于小波多尺度变换和模糊聚类的图像边缘检测研究.pdf

counterlet变换，小波的多尺度变换的一种，可运行，不错