医学图像融合技术是当今国内外研究的一个热点,医学图像融合能够综合利用医学图像中的互补信息,得到包含信息更全面、显示效果更好的图像,为临床诊断和治疗提供更精确的数据。如何有效利用各类图像提供的信息获取最佳的融合图像具有重要的理论研究价值和现实意义。针对传统的医学图像融合算法没有充分考虑图像目标特性的问题,提出基于水平集区域分割的医学图像融合方法,并根据其特点在多分辨率分析、区域分割及分析方法、基于区域的融合策略等方面进行了深入研究和大量实验,重点对基于水平集活动轮廓模型分割方法和基于区域的医学图像规则方面进行研究和改进。本文主要以CT与MRI图像作为研究对象,论文研究内容如下:1.基于边界的水平集模型对噪声比较敏感,往往存在无法处理不均匀区域及对初始轮廓敏感的问题,因此,提出一种基于改进活动轮廓模型和视觉特性的医学图像分割方法,通过引入标记矩阵实现单水平集多相分割,并采用基于显著图的初始轮廓提取方法对初始轮廓的位置进行优化,明显提高了图像分割的精度和速度。2.基于区域的水平集模型不易分割复杂多相图像,在分割过程中往往存在边缘定位不准确或过度分割的问题,并且收敛速度慢、对初始轮廓的位置比较敏感,针对这些问题,提出一种融合改进多相Chan-Vese水平集模型和感兴趣区域的分割方法,该模型将梯度信息、边缘检测算子以及惩罚项引入到能量函数中,通过FCM得到初始轮廓,实验结果表明,提出的方法可以有效地处理带有病变组织的医学图像。3.传统的像素级图像融合方法在融合过程中没有充分考虑图像中的目标特性,一般的基于区域分割的融合算法在区域划分方面缺乏针对性,基于此,提出了一种基于NSCT和水平集区域分割的图像融合算法,并采用基于视觉特性的区域分析方法将分割结果划分为感兴趣区域和背景区域,将系数根据区域划分情况进行区域融合。实验结果表明,该方法融合结果很好的继承了源图像的目标信息,融合结果显示清晰,效果较好。