3．1 低频系数融合规则
    由于低频分量对恢复图像质量影响很大，可融合为：
   
式中，k，α，β为加权因子。
    (A(j，k)+K×B(j，k))×α为取两幅图像的加权均值，影响融合后图像的能量，对融合后图像的亮度起决定作用；(A(j，k)-K×B(j，k)×β为取两幅图像的加权差值，包含两幅图像的模糊信息。因子K调节两幅图像的占优比例，使两幅亮度不同的图像达到均衡。随着α增大，图像加亮；随着β增大，图像的边缘加强。
    对于不同图像，适当调整K、α及β，可消减模糊边缘，同时确保不会丧失过多边缘信息。
3．2 高频系数的融合规则
    高频系数融合采用局部方差准则。局部方差定义为：
    Std(X，Y)=1／MN∑∑[X(i,j)-Y]2 (7)
式中，X为M×N的区域；X(i，j)为区域X中像素点(i,j)的灰度值；Y为区域X的灰度平均值。
    局部方差可反映区域信息含量，融合图像是对同一目标不同时刻(或采用不同成像设备所成的像)的反映，因此，可选取信息含量更丰富的图像组成融合结果，得到该目标的更多信息。
3．3 融合步骤
    采用小波分析的图像融合算法的一般步骤如图2所示。

    对二维图像进行Ⅳ层的小波分解，最终将得到(3N+1)个不同频带，其中包含3N个高频带和一个低频带。融合的基本步骤：(I)对源图像分别进行提升小波分解；(2)对各分解层分别进行融合处理，采用不同的融合算子对各分解层的不同频率分量进行融合处理。对于低频分量，采用加权平均法进行融合。对于高频分量，采用局部方差准则处理其系数；(3)对得到的系数矩阵进行反变换即得到输卅图像。

4 仿真结果
    分别采用传统的haar、coif5以及提升格式db2小波、coifs小波对两幅模糊图像进行融合。图3为仿真结果，可看到基于提升coif5的图像效果明显好于传统的haar和coif5小波。从计算量和实时性考虑，所采用算法的计算量比传统的小波大大减少，实时性也较传统小波有很大提高。

5 结束语
    探讨一种基于提升小波变换的图像融合算法，提升小波的构造不依赖于傅里叶变换，应用它进行图像融合可提高处理速度，节约内存空间，提高实时性。试验表明，使用提升小波使融合图像自然、边缘清晰，同时保留了多输入原图像的有用信息。适合任意尺寸的图像融合。今后的工作将进一步研究融合规则和融合方法，使图像融合算法能够在模糊图像恢复、自动目标识别与跟踪、遥感、医学图像处理、智能机器人、复杂智能制造系统等领域有更广泛的应用。