医学图像融合是将人体同一部位的两种或多种不同成像原理的医学图像,用融合技术变成一幅具有综合信息的图像,以实现对人体更全面、准确、详细的描述,这对临床医学诊断治疗有重要的意义与价值。近年来,医学图像融合逐渐成为研究热点,本文针对小波变换容易造成细节信息丢失、且图像融合时信息会相互干扰从而导致综合性能不佳的问题,围绕多尺度框架下的医学图像融合算法展开研究。主要研究内容如下:(1)针对小波变换造成细节信息丢失、图像融合时信息相互干扰导致的综合性能不佳的问题,本文提出一种基于快速有限剪切波变换(Fast Finite Shearlet Transform,FFST)与改进脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)的医学图像融合算法。使用FFST对源图像进行分解得到低频和高频系数,为了克服FFST低频系数不够稀疏的缺点,使用稀疏表示融合方法对低频系数进行融合,并且不会干扰高频信息的细节,高频系数则使用改进的PCNN来融合,用FFST逆变换来获得融合后的图像。多组不同类型医学图像的实验分析表明本文提出的融合算法具有较好的性能,融合结果较好地保持了源图像信息,主观上更有利于人眼的观察,在多个重要客观评价指标上其综合性能优于对比算法。(2)在使用FFST对源图像进行分解时,为了使融合图像更符合人眼视觉效果,针对高频系数利用改进的PCNN模型来优化融合算法。用像素本身作为神经元的反馈输入来激励每一个神经元,并选择空间频率(Spatial Frequency,SF)和拉普拉斯能量(Energy of Laplacian,EOL)分别作为神经元的链接强度值,将得到的累计输出进行自适应处理后获得加权函数,从而得到新的点火映射图来融合高频系数,实现了更好的融合效果。(3)针对低频信息易丢失,在FFST方法中,细节的主观效果不够清晰的问题。鉴于卷积神经网络的强信息提取能力,本文提出一种结合FFST与卷积神经网络的医学图像融合算法,以期获得信息更加全面,边缘、纹理等细节信息更加清晰的融合图像。该算法在FFST基础上使用卷积神经网络模型来融合高频系数。多组医学图像实验表明本文算法获得的融合结果具有更好的主观视觉效果,更丰富的细节信息。