1、醫(yī)學(xué)圖像融合是對(duì)多幅不同模態(tài)的醫(yī)學(xué)圖像進(jìn)行信息綜合，合成一幅包含所有源圖像重要信息的融合圖像的過程。該技術(shù)充分利用不同模態(tài)醫(yī)學(xué)圖像提供病灶信息的冗余性和互補(bǔ)性，以獲得比單一模態(tài)醫(yī)學(xué)圖像更全面、更精確的病灶屬性描述。隨著多分辨率分析理論的發(fā)展和完善，基于多分辨率分析的圖像融合已被公認(rèn)為是性能更為理想的一類融合方法，但此類方法合成圖像的質(zhì)量很大程度上取決于執(zhí)行圖像多尺度分解的理論工具的性能。新近出現(xiàn)的具有平移不變性的非下采樣的輪廓波變換（N

2、SCT）和非下采樣的剪切波變換（NSST）擁有更加完美的圖像表述能力，更適合于圖像的融合處理。
　　本研究主要內(nèi)容包括：⑴針對(duì)許多圖像融合方法不能很好地提取并保存源圖像細(xì)節(jié)信息的問題，本文提出了一種基于 NSCT域的細(xì)節(jié)增強(qiáng)的醫(yī)學(xué)圖像融合方法。該方法通過如下方式實(shí)現(xiàn)源圖像信息的提取、保存以及合成圖像細(xì)節(jié)的增強(qiáng)。利用視覺可見性的測(cè)度準(zhǔn)則計(jì)算源圖像的權(quán)值圖，實(shí)現(xiàn)源圖像重要信息的提取和轉(zhuǎn)移；對(duì)各級(jí)分解子帶進(jìn)行內(nèi)容適應(yīng)性增強(qiáng)，以此突出源圖

3、像的細(xì)節(jié)信息；對(duì)重構(gòu)前的混合子帶進(jìn)行增益控制增強(qiáng)，進(jìn)一步調(diào)整融合圖像的亮度和清晰度。實(shí)驗(yàn)結(jié)果表明提出的方法能夠有效增強(qiáng)融合圖像的細(xì)節(jié)信息。⑵針對(duì)傳統(tǒng)的基于NSCT的融合算法遺漏其高頻子帶系數(shù)間相關(guān)性關(guān)系的問題，提出了基于NSCT域系數(shù)統(tǒng)計(jì)的醫(yī)學(xué)圖像融合方法。該方法首先通過廣義高斯分布函數(shù)精確擬合 NSCT域高頻子帶系數(shù)的概率分布直方圖，然后使用吉森香農(nóng)差（JSD）量化兩個(gè)高斯分布函數(shù)間的相似度，最后將系數(shù)間的依賴性關(guān)系嵌入到高頻子帶的融

4、合規(guī)則中。實(shí)驗(yàn)結(jié)果表明提出的方法明顯優(yōu)于傳統(tǒng)的基于NSCT的醫(yī)學(xué)圖像融合方法，在互信息和信息熵兩個(gè)客觀評(píng)價(jià)指標(biāo)上具有優(yōu)異的性能表現(xiàn)。⑶為了彌補(bǔ)經(jīng)典的 PCNN模型中待定參數(shù)過多、缺乏適應(yīng)性、時(shí)間開銷過大的缺陷，本文提出了基于NSST與雙通道單位鏈接PCNN的醫(yī)學(xué)圖像融合方法。該方法簡化了傳統(tǒng)PCCN模型中的鏈接結(jié)構(gòu)，將NSST對(duì)圖像靈活的多尺度、多方向分解的特性同雙通道 PCCN模型全局耦合及脈沖同步發(fā)放特性結(jié)合在一起。同傳統(tǒng)的 PCN

5、N模型相比，提出的模型具有設(shè)置參數(shù)少、適應(yīng)性強(qiáng)的優(yōu)點(diǎn)。算法執(zhí)行的過程中以區(qū)域圖像清晰度的對(duì)比度作為鏈接強(qiáng)度的智能化輸入，并通過賦時(shí)矩陣T確定迭代次數(shù)，有效提高了其適應(yīng)性并減少了時(shí)間消耗。多組融合實(shí)驗(yàn)的結(jié)果顯示提出的方法具有優(yōu)異的圖像融合性能，其融合圖像在主觀視覺表現(xiàn)和多項(xiàng)客觀指標(biāo)的評(píng)價(jià)中均優(yōu)于傳統(tǒng)的基于PCNN的醫(yī)學(xué)圖像融合方法。⑷針對(duì)二維醫(yī)學(xué)圖像融合算法應(yīng)用于三維醫(yī)學(xué)圖像體數(shù)據(jù)的融合時(shí)導(dǎo)致第三維信息丟失的問題，本文提出一種新的基于3D