医学图像融合在基于图像引导的医疗诊断和治疗中起着重要的作用。在自然条件下,图像常常在采集或传输过程中被噪声所破坏。而且现有的图像融合方法大都是基于源图像无噪声条件下提出的。对于噪声医学图像融合,一种最直观的方法是对源图像先进行去噪,然后再对其融合。但是,在去噪过程中源图像边缘和细节将被过度平滑,融合过程又将丢失大部分信息,这将降低最终融合结果的视觉效果。为解决以上问题,本文为提升医学图像融合质量改善展开了一系列研究,研究成果如下:(1)目前大多数方法假定源图像是无噪声的,但是在自然条件下通常是不存在的。传统的融合方法在图像被噪声干扰时性能明显下降,于是本文提出了一种基于低秩稀疏判别字典学习的医学图像融合、去噪和增强的方法。具体地,为了提高学习字典的判别能力,将低秩,稀疏正则项引入到字典学习模型中。此外,在图像分解模型中,在稀疏成分中添加加权核范数与稀疏控制约束来去除噪声和保持纹理细节。最后,融合源图像的低秩和稀疏分量构造融合结果。实验结果表明,该方法在视觉和定量评价方面都优于现有的最新方法。(2)在医学图像融合研究中,源图像不应引入任何伪影或噪声,否则得到的融合结果往往是不令人满意的。为了保留源图像的边缘细尺度信息,又提出了多成分判别字典学习与外部块先验引导的医学图像融合算法。在此过程中,建立了一种新的判别字典学习模型。考虑到低秩分量之间的线性相关性,在编码系数中加入类一致性约束,进一步提高字典的判别能力。利用源图像的外部块先验和内部自相似性建立图像分解模型。实验结果表明,该方法优于一些在客观评价和主观视觉方面的先进方法。(3)本文提出基于低秩稀疏判别字典学习的医学图像融合、去噪和增强的方法图像粗尺度信息得到了很好的保留,但图像的细尺度信息被平滑。基于这个原因,又提出了多成分判别字典学习与外部块先验引导的医学图像融合算法,在这个过程中,不仅图像粗尺度信息得以保留,同时图像的精细尺度得到了很大程度的保护。