传感技术的迅猛发展使得图像成像系统逐渐完善,得到的图像信息呈爆炸式增长。这些信息之间既有互补性,又存在较大的冗余性。图像融合技术可以将多幅图像由不同类型传感器或同一类型传感器的互补信息融合至一幅图像上,并在消除冗余信息后,生成一幅新的图像。融合后的图像能够弥补单一图像的不足,并且可以提高图像信息的利用率,获得更加丰富且精确的信息,同时借助获取的信息来生成高质量的图像。图像融合技术已经被广泛地应用在医疗成像、军事、遥感、数码成像等领域。本文主要针对多模态医学图像融合算法进行研究。主要内容总结如下:1.针对脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）中参数需要根据经验或实验结果进行手动设置这一问题,提出一种将改进后的拉普拉斯能量和（Improved Sum Modified Laplacian,ISML）设置为PCNN连接强度的方法。首先,利用非下采样剪切波变换（Nonsubampled Shearlet Transform,NSST）分解工具对两幅源图像进行分解,将源图像分解为一个低频子带和若干个高频子带。原始的加权局部能量（Weighted Local Energy,WLE）和空间频率（Spatial Frequency,SF）通过采用最大值的融合策略。但是,当同一位置像素的能量和细节信息接近时,这一融合策略并不适合;因此提出一种基于WLE和SF加权平均的方法对低频子带进行能量保存和细节提取。其次,传统PCNN模型中需要人工设置参数的值,如连接强度、振幅、衰减系数等,连接强度是其中最重要的一个参数;而且传统的PCNN忽略了像素之间的相关性。为了实现连接强度的自适应设置以及考虑邻域像素的信息,在PCNN模型中,将ISML设置为连接强度。接着,计算改进的PCNN模型,得到点火次数,根据点火次数确定高频子带的融合系数。最后,采用NSST的逆变换对融合后的低频子带和高频子带进行重构,得到最终的融合图像。本文在不同模态的脑部医学图像上进行实验,结果表明,改进的方法取得良好的视觉效果及客观评价结果。2.针对图像融合方法中出现的模糊、伪影问题,提出一种广义随机游走（Generalized Random Walk,GRW）与八邻域SML相结合的图像融合模型。与大多数已有的融合方法不同,将图像融合视为概率合成过程,在考虑邻域信息的情况下,利用GRW通过全局优化得到最终概率,这些概率图作为融合过程中的权重,产生融合图像。在概率图中,像素能量越大,概率越高。首先,对两幅源图像进行NSST分解。然后,通过比较低频子带的多尺度SML大小得到初始决策图像,通过多尺度引导滤波器对决策图的边缘进行平滑,加入GRW得到中间决策图,最终加入引导滤波器,获得最终决策图。将低频子带和获取的决策图进行结合,得到融合后的低频子带。高频子带包含大量的细节信息,原始的SML只包含垂直和水平两个方向的信息,在进行信息提取时容易造成信息丢失。因此,将SML由两个邻域扩展到八个邻域,通过计算像素的八邻域SML,选择值大的高频子带作为融合后的高频子带系数。最后,采用NSST的逆变换进行重构,得到最终的融合图像。实验结果表明,与5种医学图像融合方法相比,能够有效地避免模糊、伪影的出现,该方法获得更具竞争力的性能,在视觉质量和客观评价指标方面都具有提高。