医学影像成像技术不断发展与完善,为医疗诊断提供大量可靠的单模态医学诊断图像。但是,这些图像都有其反映的侧重点,是针对组织器官的某一特征的,其所呈现的信息是局部、片面、不完整的。许多学者对如何将不同模态医学图像信息在同一张图像上呈现出来这一课题进行了研究。本文对此课题进行了探讨,其核心是基于反馈机制的多尺度变换域医学图像融合算法研究。通过图像融合技术,实现不同模态医学图像之间的融合,达到图像信息增强的效果,从而得到信息更全面丰富、分辨率更高的图像。为病情确诊和诊治方案的提出提供可靠的依据。研究内容及创新点如下:本文先对医学图像(如CT、MRI、PET等)的成像原理进行了分析,又对各自特点进行了归纳总结;然后对空间域算法、频率域算法、小波变换、多分辨率几何变换在图像领域中的应用进行分析。对空间域与频率域、小波变换与轮廓波变换、轮廓波变换与非下采样轮廓波变换等三组理论对比分析,提出了一种基于NSCT变换的自适应多模态医学图像融合算法。依据分解后的高低频子带图像特点的不同,分别提出了如下融合方法:低通子带图像反映源图像的基本信息,采用子块与区域能量相结合的方法;而高频子带图像呈现源图像纹理轮廓边缘等细节信息,采用改进的拉普拉斯能量和取大的方法;同时结合反馈系统理论,利用遗传优化算法,自适应调整融合规则中的可变参数,获得最优的融合系数;最后,对系数进行重构得到融合图像。针对NSCT变换计算复杂度高、耗时长、实时性差等缺点,提出NSST域的医学图像融合算法。与NSCT相比,NSST计算更高效、结构更灵活、图像处理性能更优越。在融合规则的设计过程中,结合脉冲耦合神经网络,模仿人类视觉系统,使融合结果更加符合人眼视觉系统。将低频子带系数与PCNN模型相结合,采用区域点火强度取大的方法;高频子带图像采用视觉敏感度、结构相似度、改进的梯度能量、区域能量等多因子相结合的策略;同时结合粒子群优化算法,使其构成闭环系统。融合后的高低频子带系数,经逆NSST重构图像。使用二值图像及伪彩色图像作为源图像,应用本文所提出的算法和其他学者所提出的算法进行融合,并从主观和客观两方面对实验结果进行分析。实验结果表明:应用本文算法得到的融合图像信息更为丰富,空间分辨率明显提高,对细节信息的继承更好。从图像质量评价指标分析,通过本文算法得到的融合图像部分评价指标最好,综合评价指数良好,这表明本文算法可以更好继承源图像信息,更注重细节的融合。证明了文本所提出的两种算法是可行有效的,能得到满意的融合结果,具有实际应用价值。