由于医学影像成像机制具有多样性,因此通过不同成像机制所形成的医学影像能够反映的组织信息差异较大。例如,计算机断层扫描(CT)图像可以清晰的显示骨骼等致密结构,而磁共振(MR)图像能够为软组织提供高分辨率的解剖信息,但单一模态图像有其局限性,只能反映单一方面的组织信息,无法提供全面、准确的信息。在这种情况下,多模态医学影像融合则成为一种有效的解决方案,可以将不同模态图像中的互补信息进行提取,并融合为一幅完整的图像,使其具有更多的显著特征和有利于诊断的辅助信息,在医疗诊断和临床操作中发挥着关键的作用。本文通过深入研究多模态医学影像融合理论及稀疏表示理论,针对其弊端做出的改进和主要的研究内容如下:针对基于稀疏编码的医学图像融合方法存在的细节保存能力不足的问题以及单字典不能准确地反映输入图像的复杂结构,导致重建图像质量不佳的问题,提出了一种基于卷积稀疏表示双重字典学习与自适应PCNN的多模态医学图像融合方法。该方法首先通过已配准的训练图像去学习卷积稀疏与卷积低秩子字典,在两个字典下使用交替方向乘子法(alternating direction multiplier method,ADMM)求得其卷积稀疏表示系数与卷积低秩表示系数,通过与对应的字典重构得到卷积稀疏与卷积低秩分量;然后利用新拉普拉斯能量和(novel sum-modified Laplacian,NSML)以及新空间频率和(novel sum-modified SF,NMSF)去激励脉冲耦合神经网络(pulse coupled neural network,PCNN)分别对卷积稀疏与卷积低秩分量进行融合;最后将融合后的卷积稀疏与卷积低秩分量进行组合得到最终的融合图像。通过对灰度图像与彩色图像进行实验仿真并与其他融合方法进行比较,结果表明,本文算法相比较其他稀疏表示方法,有效提高了多模态医学图像融合的质量,更好的保留了源图像的细节信息,使融合图像的信息更加丰富,符合人眼的视觉特性,有效地辅助医生进行疾病诊断。针对传统的基于多尺度的医学图像融合方法存在的能量损失严重、融合图像对比度低的问题以及基于稀疏表示的融合方法中采用L1范数最大融合规则时,导致多模态图像的空间不一致性问题,提出了一种基于多尺度分解与卷积稀疏表示的多模态医学影像融合算法。该算法首先通过对已预配准的源医学影像进行NSST分解,将不同尺度的子图像分别作为训练图像,利用交替方向乘子法(alternating direction multiplier method,ADMM)对不同尺度的子字典进行优化求解;然后对各个尺度上的子图像进行卷积稀疏编码,得到不同子图像的稀疏系数;其次对高频子图像系数采用改进的L1范数与改进的空间频率(novel sum-modified SF,NMSF)相结合的规则,对低频子图像的融合采用改进的L1范数与区域能量相结合的规则;最后通过对融合后的低频子带与高频子带进行逆NSST得到最终的融合图像。实验结果表明所提出的方法在对比度提升,细节提取与信息保留等方面有良好的表现,提升了融合图像质量。针对上述提出的两种改进方法,使用MATLAB平台与Python分别进行了相关的实验,并与较近文献中的最新融合方法进行效果对比,从实验结果的客观指标以及主观视觉分析,本文的方法都有着较好的表现,表明本文方法的先进性。