利用脑肿瘤图像处理技术进行计算机辅助诊断,不仅能够大幅度提升医生对脑肿瘤患者进行颅脑检查的效率和准确度,而且对于提高脑肿瘤患者的治愈率和存活率也有着重要的临床意义。医学脑肿瘤图像中往往存在着各组织之间的灰度对比度较低,各组织之间以及正常组织与肿瘤区域之间的边界比较模糊的特点,而且脑组织结构较为复杂,表现在二维图像中往往还存在着局部体效应,这些都给脑肿瘤图像的处理工作带来了困难。本文主要从脑图像的恢复和肿瘤区域的提取两方面对脑肿瘤图像的处理进行了研究。传统的图像恢复算法往往存在着计算量过大等缺陷,近年来基于稀疏表示的恢复算法成为了研究的热点。并且现阶段医学领域中对于脑肿瘤图像中肿瘤的提取主要依赖于分割算法,虽然分割方法众多,但由于脑肿瘤图像的特殊性,到目前为止还没有一个十分有效的解决方法。本文的目的在于寻求-种更加自动、准确、快速、鲁棒性较强的脑肿瘤图像处理方法。图像的稀疏表示方法就是通过少数几个基函数的线性组合来以最稀疏的形式表示原图像,展现原图像中的关键特征信息,揭示图像的内在结构和本质属性。本文基于稀疏表示模型对脑肿瘤图像的恢复和肿瘤区域的检测与提取进行了研究,主要的工作内容如下：本文首先叙述了核磁共振成像技术以及核磁共振脑组织图像的特点,介绍了脑肿瘤图像处理的背景和意义,以及现阶段脑肿瘤图像处理的特点和面临的困难,并简要阐述了图像恢复和肿瘤检测的国内外研究现状。稀疏表示模型是本文研究的理论基础,在此本文详细阐述了该模型产生的背景及其基本理论,接着分析了稀疏表示模型的两种求解算法,并简要介绍了目前稀疏表示模型在图像处理领域中的应用。在稀疏表示模型基础上,本文提出了一种基于L1范数主成分分析的脑肿瘤图像恢复和肿瘤区域检测算法,该算法能够在恢复出脑部特征图像的同时检测出图像中的肿瘤区域。与传统主成分分析恢复出的效果的比较说明了该算法的有效性。同时提取出的肿瘤图像克服了传统分割算法中肿瘤区域边缘易受噪声破坏的缺陷,对于图像中的噪声具有更强的鲁棒性。此外,本文还提出了一种基于鲁棒主成分分析的脑肿瘤检测与提取算法,充分利用稀疏表示中RASL算法的抗旋转性能,实现了脑肿瘤图像集中肿瘤区域的批量检测与提取。实验结果表明该算法不会受图像中旋转平移等因素的影响,并且克服了某些传统分割算法对于某些肿瘤无法正确分割的问题,而且相比于传统的分割算法,本文算法能够实现肿瘤的全自动检测与提取,并且对实验结果的比较说明了本文算法具有更高的准确度。