常用的医学图像包括解剖结构图像和功能图像,单一的解剖结构图像或功能图像由于各自成像机理的不同,所提供人体的医疗信息不同,这往往不能很好地满足临床的需求。因此,要克服单一模态的医学图像不能全面反映身体某一部位的全部信息这一临床局限性,需要将多模态的医学图像进行融合处理,使得一幅融合图像可以综合的表达多种医学图像信息,从而为医生进行临床诊断和治疗提供更加充分的判断依据,为病情诊断和手术治疗提供帮助。本文基于这一临床需求,进行了多模态医学图像融合算法的研究工作,研究的目的是希望改进出有效的图像融合算法,提高融合图像的质量,为临床诊断提供更为精准的判断依据。本文以人体脑部组织同一视角下的CT和MR、MR和PET两组图像为融合研究对象,从多尺度几何分析和融合规则两方面为出发点,提出了基于非下采样Shearlet变换(Non-Subsampled Shearlet Transform,NSST)的低频域稀疏表示(Sparse Representation,SR)和高频域自适应脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)的医学图像融合算法。NSST克服了小波变换不具有平移不变性和方向数上的限制,能够更加有效地捕获到图像的几何结构信息。NSST分解图像得到的低频分量具有较差的稀疏性,因此,提出了将稀疏表示理论应用到本文选取的两组图像NSST分解后的低频分量的融合过程中,又由于稀疏系数L1范数取大的融合方式容易使图像产生灰度不连续效应,本文考虑到低频分量携带了源图像大部分的能量信息,为了尽可能多的保留源图像的能量信息和细节信息,采用改进的拉普拉斯能量和(SML)这一典型清晰度评价融合性能的指标用于稀疏表示系数的融合,对低频分量的稀疏表示系数采用SML取大的规则进行融合。NSST分解图像得到的高频分量具有较好的稀疏性,且携带了源图像不同方向、不同角度的细节信息,本文基于高频分量的这一特性,采用了一种改进的自适应PCNN的图像融合算法,克服了传统PCNN算法中将链接域衰减时间常数、链接域放大系数、动态门限的衰减时间常数、动态门限的放大系数和神经元的链接强度几个参数设为固定值这一局限性,而是根据每幅源图像的像素特征进行自适应的计算这几个参数。通过对选取的CT-MR、MR-PET两组图像进行融合仿真实验,并与目前常用的几种医学图像融合算法进行比较。仿真结果表明,本文所提出算法融合的图像质量从主观视觉评价和客观质量评价两方面来分析均取得了较好的融合效果。本文算法有效的综合了CT-MR、MR-PET两组图像中的信息,融合图像更加全面的携带了源图像中的有效特征信息。