图像的识别与理解是医学影像自动诊断的核心内容,在医学图像研究中具有重要的价值和意义。医学图像中蕴含着丰富的人体图像信息和规则,使得医学图像的显示、理解、应用都面临着巨大的挑战。如何更加全面地理解与应用两个或多个成像设备获得的同一场景图像信息,正成为未来研究的热点问题之一。本文针对医学图像处理中的热点问题之一医学图像融合方法进行了如下研究：(1)根据人类视觉系统对图像理解的方式与特点,结合多模医学影像的多分辨率融合方法,提出基于HVS-WB的医学图像融合规则的改进。该规则结合人类视觉认知习惯,采取不同模态分解部位使用不同的融合方法,改善了传统多尺度模态分解中高频部分与低频部分融合规则相一致的弊病。在提高了融合的速度的同时,兼顾了融合的精度,比传统的图像融合方法更稳健、更精确。(2)针对像素级图像融合,提出了基于显著性区域分割的医学图像融合算法。通过考虑图像中的目标或者目标区域对整个算法的影响,利用图像分割思想进行显著性区域分割,并结合多尺度分解过程中高频部位的能量信息特点进行融合规则改进,使得到的融合图像更一致,更能满足图像融合系统对图像质量的需求,有效地解决了融合过程中细节丢失的问题。(3)首次把Framelet变换引入到医学图像融合中,并结合基于HVS的图像融合规则改进,提出基于Framelet变换的图像融合算法。使获得的融合图像其分辨率为最优质,边缘轮廓最为清晰,融合图像最大程度地保存了源图像的细节信息,解决了传统多尺度融合中的基于小波图像融合过程中存在丢失边缘信息和纹理模糊的问题。(4)利用Curvelet分解在刻画图像曲线的优势,及其对纹理活跃性的有效描述,结合局部窗口内的每个像素点的能量特性,提出基于第二代Curvelet变换与像素能量特征对比度相结合的医学图像融合算法。通过实验对算法进行验证,分析了第二代Curvelet变换与像素能量特征对比度相结合的医学图像融合算法。融合图像的曲线信息与边缘部位检测的优越性,解决了小波变换不能够有效地获取图像中的几何特征等奇异性问题。(5)提出医学图像多层次迭代融合的概念。即针对不同源图像特点选择合适融合方法的同时,采用多层次迭代取得融合图像的方法。实验表明合理地再次选择源图像进行多层次迭代融合方法,有效解决了传统图像融合的各类方法中,单次融合后造成部分细节信息的丢失的问题,能在一定程度上弥补单次图像融合方法中带来的信息缺失,其各项客观融合评价指标均有提升。