随着科学技术快速发展,诸多前沿科技和研究成果被运用到医学领域,涌现了大量高精度的医学成像技术。但是不同模态医学图像的成像原理各异,反映的人体生理信息存在不同的侧重点和缺陷,针对这一问题,提出了多模态医学图像融合技术。该技术将不同模态的医学图像信息进行整合和互补,同时保留了各自的优势特性,为临床诊断和治疗方案制定提供了更为全面、可靠、直观的信息依据。本文着眼于优化目前基于提升小波变换和基于双树复小波变换的融合算法存在的不足,提出了两种医学图像融合新算法,主要工作及研究内容如下:1)首先,介绍了多模态医学图像融合技术的背景和研究意义,描述了该领域国内外的研究现状和存在的研究挑战,并对本文的论文创新点做了简单概括。其次,阐述了不同模态医学图像的特征、图像融合流程等基础知识,并对基于空间域和变换域的传统融合算法进行了比较,指出了各自的优势和不足。最后,对目前主流的图像融合质量评价体系作了介绍。2)针对多模态医学图像特性以及医学应用需求,提出了一种基于提升小波变换和PCNN的医学图像融合算法。首先,对已预处理源图像进行提升小波分解获得高、低频子带;其次,低频部分根据区域方差判定图像区域相关性,并以区域能量获取系数权重;进而,高频部分采用改良空间频率刺激PCNN网络,并以点火区域强度作为系数判定标准;最后,融合后所得子带通过提升小波逆变换重构获得融合图像。3)针对多模态图像经双树复小波分解后高频部分各子带边缘特性存在的差异,提出了以边缘强度特性作为高频子带分层依据,并对强、弱边缘特性子带采用不同的融合算法。其中,强边缘特性子带采用区域梯度能量加权的融合规则,弱边缘特性子带采用区域方差取大的融合规则。针对低频部分包含信息的丰富性,采用区域能量取大与加权相结合的方法。最后,通过提升双树复小波逆变换获得融合结果。4)本文以CT/MRI、MRI/SPECT、MR-T1/MR-T2作为研究对象进行了大量灰度、彩色图像融合实验。实验结果表明:本文提出的融合算法生成融合图像信息更为丰富,较好地保留了边缘细节信息,纹理清晰,具有更好的视觉效果。