摘要
近年来，自适应稀疏表示算法是多模态医学图像融合研究的热点。自适应稀疏表示算法是通过自适应选择字典进行稀疏表示的算法。该算法通过采样图像块，根据图像块的梯度方向构建多个字典，随后使用这些字典对图像进行稀疏表示，从而实现图像融合。该算法在图像融合的过程同时可以去除融合过程中产生的噪声，然而它在保持边缘信息上有一定缺陷，导致边缘部分细节丢失。因此本文主要对自适应稀疏表示算法进行改进并做了以下工作： (1)本研究介绍多模态医学图像融合的发展历史和实用价值，并根据不同融合等级、融合方法对图像融合进行介绍。其次本研究掌握了该领域近十年来国内外研究现状，分类介绍融合算法，为接下来的研究奠定了基础。 (2)图像融合算法的研究必不可少的过程是评价算法的融合质量。本文从主观评价和客观评价两个角度给出了评价方法。在主观评价中主要有细节放大法和差分法；在客观评价指标中，根据其评价过程中有无标准参考图像，对其进行了分类汇总：无参考客观评价指标和全参考客观评价指标。并且详细地介绍了各种指标的计算过程。随后对不同指标进行了性能评价，得到适用于不同类型图像融合的相对有效指标。 (3)对于多模态医学图像来说，多尺度图像融合算法效果较好。本文概括了多尺度融合算法的流程图，其中有两个关键步骤：一是多尺度变换，二是融合规则的选择。本文介绍了多种多尺度变换法和不同的融合规则，并给出了计算过程。随后将几种多尺度算法与稀疏表示结合进行仿真与评估，为改进自适应稀疏表示算法提供思路。 (4)提出了一种基于引导滤波器与自适应稀疏表示的多模态图像融合算法。该算法首先将输入图像通过滤波器分解为细节层和基础层；其次采用自适应稀疏表示对细节层图像进行融合；根据显著性特征和引导滤波器求得基础层图像的权值图，而后根据基础层图像的权值图对其进行加权平均融合的计算；最后将得到的细节层图像和基础层图像相加得到最终的融合结果。 (5)第二种算法是基于拉普拉斯金字塔与自适应稀疏表示的多模态医学图像融合算法。该算法首先利用拉普拉斯金字塔将输入图像分解为四层金字塔；其次对每一层金字塔图像都进行自适应稀疏表示融合；最后通过拉普拉斯金字塔逆变换得到最终的结果。通过使用三组CT和MRI图像进行对比实验，验证了两种算法的有效性并全面的分析其优劣性，最终得出结论：第二种算法优于第一种算法。
NETL