图像融合将来自多个传感器的图像进行组合,最终获取一幅信息更完整的图像。图像融合技术在医学领域主要应用于临床诊断,通过将病变部位的多模态图像进行组合,有利于医生更加准确地进行病变部位定位,提高诊断准确率。本文研究了基于反卷积神经网络自适应变换的CT/MRI医学图像融合算法。论文研究内容如下:提出了基于反卷积神经网络的图像自适应变换方法。为获得待融合图像的最佳变换,利用高斯方向滤波器设计具有不同截止频率以及不同方向的滤波器组合,作为反卷积神经网络的初始滤波器。在设计方向滤波器组合时,充分考虑多个不同角度的方向滤波器组合实现360全方向覆盖,避免因角度缺失导致图像特征提取不完整。依据反卷积神经网络输出的重构图像与源图像误差最小的网络学习机理,不断对滤波器进行调整优化,使得网络学习性能不断提升,最终获得使重构图像与源图像误差最小的最优方向滤波器组合,并得到最佳分解的高、低频特征图。将上述图像自适应变换方法用于后续章节的融合算法研究之中,实验结果表明本文所提出的基于反卷积神经网络的图像自适应变换方法所获得的融合图像质量优于小波变换。提出了基于图像自适应变换及边缘激励DCPCNN的CT/MRI图像融合算法。首先进行基于反卷积神经网络的图像自适应变换设计,通过将1个高斯低通滤波器和4个不同方向的高斯高通滤波器组作为反卷积神经网络最初状态的滤波器,将单组CT和MRI图像输入网络进行自适应变换,从而得到对应数量、对应方向的高、低频特征图。基于低频特征图的特点,设计绝对值取大融合规则对其进行融合处理。高频特征图采用基于边缘检测算子的双通道脉冲耦合神经网络进行融合。边缘检测算子的加入能够进一步提升对于轮廓细节信息的保留。将本文提出的基于图像自适应变换及边缘激励DCPCNN的图像融合算法同已有的基于神经网络及引导滤波的图像融合算法进行比较,结果表明本文算法获得的融合图像清晰度更高,细节信息也更加丰富,且平均梯度以及边缘强度值更优。提出了基于图像自适应变换及多特征组合的CT/MRI图像融合算法。首先进行基于反卷积神经网络的图像自适应变换设计,通过将1个高斯低通滤波器和8个不同方向的高斯高通滤波器组合作为反卷积神经网络最初状态的滤波器,将单组CT和MRI图像输入网络进行自适应变换,从而得到对应数量、对应方向的高、低频特征图。低频特征图采用引导滤波融合规则进行融合,通过粒子群优化算法寻找最优引导滤波器窗口半径,降低算法时间复杂度。为了有效解决融合过程中未充分考虑图像区域对比度造成融合图像细节信息丢失的问题,在融合规则设计时提出了基于改进的拉普拉斯能量和与区域偏差系数相结合的多特征组合融合规则。将本文提出的基于图像自适应变换及多特征组合融合算法同已有的基于神经网络及引导滤波的图像融合算法进行比较,结果表明本文算法所获得的融合图像质量更优,平均梯度以及边缘强度值也均优于对比算法。本文研究成果在疾病诊断中具有重要的应用价值。