随着计算机技术的广泛应用,图像技术发生了巨大的进步,例如在国防、环境、农林、水利等重要领域。传统的单一类型遥感数据已不能满足人们日益增长的研究需求,我们需要同时同步使用高光谱和高空间分辨率两种信息。因此,多源遥感图像方法越来越受到学者的重视。在实际应用中,高光谱、低空间分辨率的多光谱图像(MS)主要用于准确识别土地覆盖类型、海洋光谱特性分析、地质勘探、地表植被研究和军事目标的检测与识别等精确地物分类方向。而高空间、低光谱分辨率的全色图像(PAN)主要用于准确描述特征的纹理和形状,例如环境监测、土地使用、城市规划、资源管理等方面。以上的两种情况下,其单个图像均不能提供足够的信息。因此,遥感图像融合是必不可少的,多源的图像具有可以丰富视觉信息,减少不确定性的优点。遥感图像融合即充分利用了多源遥感图像的差异性和互补性,最终目标是融合MS图像和PAN图像,生成具有高空间分辨率和高光谱分辨率的融合图像。所获融合图像比任一源图像所包含的信息更加全面,提高了数据的可靠性,进而提升遥感图像高效解译的可能性,深化了该领域的应用潜力和价值,对我国的国防建设、经济发展和国民生活等发展意义重大。本文首先对遥感图像融合的当前研究现状、层次划分与算法分类等方面进行了简要阐述,并介绍了算法所用的相关概念和知识。另外,还介绍了融合图像的评价手段及指标等。本文提出了一种基于联合滤波(MSJF)和显著性检测相互结构的遥感图像融合方法。本文的方法使用联合滤波,以便于从源图像中正确提取高频和低频。联合滤波方法最突出的优点是能够有效地减少由源图像间微小差异引起的伪影。该方法在早期的滤波分解过程中将两幅图像关联起来,而不是分别对两幅图像进行滤波,这样使得分解效果更佳。并且,在计算低频融合权值的过程中,本文采用了基于人眼判断图像质量的显著性检测方法,使得融合结果的视觉效果更优;对于高频融合,扩展的拉普拉斯修正和(ESML)方法使得融合更加细致,因为与传统SML相比,增加了对角线方向的计算。本文克服了一些传统方法的不足,例如基于多分辨率分析(MRA)的方法在空间对比度细节方面一直存在瑕疵;SML可能会产生伪影等。文中运用不同卫星数据(Landsat8、IKONOS、QuickBird)对本文提出的方法及5种对比算法进行实验验证与比较,并给出了融合结果图和数据比较结果。文中选择了6种评价指标,对单波段和组合波段分别进行了实验。通过直观的图表对比表明,该算法有效地保留了图像的结构信息和纹理信息,提高了图像的清晰度在主观评价和客观评价方面具有许多优势。