随着对成像技术和成像设备研究的不断深入,各种模态的医学图像层出叠见,极大地促进了医学影像技术的发展。但是由于成像原理的不同以及成像设备的物理局限,单一模态的医学图像无法全面反映患者身体某部位或某器官的信息,且相互之间无法替代。因此,解决多种模态医学图像的优势集成、冗余去除等问题就变得极具意义,多模态图像融合技术也应时而生。基于多尺度分析的图像融合方法是近年的研究热点,其中非下采样Contourlet变换(Nonsubsampled Contourlet Transform,NSCT)相比于小波变换、Contourlet变换等具有多方向特性、多尺度特性及平移不变性,更适于图像融合。脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)符合人眼视觉系统的生理机制,具有同步脉冲发放和全局耦合特性。因此本文先通过实验验证了NSCT在融合领域中的最佳滤波器组合,然后在NSCT域下对基于PCNN的融合方法做深入研究。本文的主要研究成果和结论如下:(1)针对传统PCNN模型的参数设置不灵活、实时性和准确性差等问题,设计了一种NSCT域内模型关键参数依据图像特征自适应调整的图像融合基本框架。实验证明,基于此模型的算法能显著提升多种模态医学图像的融合质量,能完整保留源图像的有效信息,融合图像对比度高,视觉效果更佳。(2)针对MRI图像具有容积效应、边缘模糊等问题,设计了一种适用于CT与多种加权方式的MRI图像的GIF结合PCNN的融合算法。将改进的引导滤波(Guided Filter,GIF)引入融合规则以突出边缘特征,检测细微变化。实验证明,此算法能完整清晰地保留CT的骨骼边缘和MRI的软组织细节,敏感地反映出细微差异,融合图像纹理细致,对比度高。(3)针对彩色图像融合存在轮廓和细节不清晰、色彩对比度低等问题,在改进的简化PCNN模型基础上,设计了一种SFLA-PCNN优化模型,实现了PCNN模型的全参数自适应调整。将混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)的实现简单、收敛速度快、参数少以及寻优能力强等优点引入到多模态彩色医学图像融合方法中,并采用信息熵和Rastrigin函数对其适应度函数进行改进,使源图像固有的特征信息得到有效利用。实验证明,融合图像与源图像信息关联度更高,色彩对比明显,充分体现出边缘特征,有利于临床诊断。