随着生物医学工程技术、计算机技术的发展,许多功能各异的成像设备不断出现,为医生的诊断提供了丰富的多模态图像。然而一种模态类型的图像在反映同一个体组织器官的形态、结构和功能信息十分地有限,不利于医生的诊断,满足不了日渐增长的临床需求。而倘若能结合多种模态图像的互补信息,这将有助于医生更全面地了解病灶信息,从而进行准确地病灶定位。本文的研究对象是MRI、CT、PET和SPECT四种模态医学图像,主要从图像分解重构和融合规则两方面对融合效果进行分析和优化。针对医学图像形态结构复杂且重要的特点,鉴于Riesz小波变换及其高阶泛化在映射时具有保留帧边界的特性,对高阶函数有较好的表示,因此将其引入作为图像分解与重构的工具。针对医学图像融合易出现伪影、失真现象,本文充分利用Frei-Chen算子在提取图像点、线、空间、边缘等特征的优势,并基于其构造综合显著性特征的融合规则对经过尺度分解得到的低频子带分量进行融合,而对于高频子带的融合则直接采取灰度显著性取大的融合策略,提出了基于Riesz小波变换和边缘检测的融合算法。为了更进一步提取图像的全局特征,有效保留更多的图像细节信息,本文又提出了基于注意力机制和改进的PCNN图像融合算法。具体是:以Frei-Chen算子交替作为卷积核,基于卷积结果构造图像融合注意力机制,用于低频子带图像的融合。而对于蕴含着丰富的纹理、亮度和色彩信息的高频子带,鉴于PCNN模型在处理高频信号方面的优越性,本文对该模型进行优化后用于高频子带的融合,主要是针对PCNN模型参数多且难以设定的问题,提出了参数自适应的简化模型—PA-PCNN模型,并以改进的空间频率作为模型的激励。融合实验结果表明:基于Riesz小波变换能对特征有良好地表示;而相比于其他经典文献中的融合方法,基于注意力机制结合改进的PA-PCNN算法的融合方案所获得的融合结果,在所选的客观指标上具有很大优势,同时在视觉上也有更加清晰的表示。研究成果为医学图像融合提供了良好的选择。