裴春阳，樊宽刚，马 政

（江西理工大学电气工程与自动化学院，江西赣州 341000）

0 引言

由于医学成像技术的进步，多模态医学图像逐渐在临床研究和病灶分析中发挥重要作用。但是，单个成像模态的医学图像只能反映有限的组织信息，例如，计算机断层扫描成像（Computed Tomography，CT）能够较清晰地可视化人体的骨骼结构，而核磁共振成像（Magnetic Resonance Imaging，MRI）对软组织和神经血管结构的显示效果较好。在医学成像中，CT和MRI图像的融合可以生成一种结合骨骼结构和软组织信息的复合图像，医学专家在分析病情时无须单独观察单个医学图像，极大地增加了病灶分析的便利性，从而有利于临床诊断和治疗［1］。

目前，研究者根据不同的源图像类型提出了许多融合算法。其中，基于变换域的算法因其在提取源图像的显著信息方面的优异性能受到更广泛的关注。典型的基于变换域的图像融合方法包括基于离散小波变换（Discrete Wavelet Transform，DWT）［2-4］、非下采样轮廓波变换（Non-Subsampled Contourlet Transform，NSCT）［5-6］、非下采样剪切波变换（Non-Subsampled Shearlet Transform，NSST）［7-9］等。对于此类基于变换域的方法，每一种变换域有优点和局限性，所以，变换域的选择通常要考虑输入图像的类型。再者，执行逆变换操作的过程通常伴随着细节信息的丢失［10］，造成融合图像质量下降，比如空间不连续、块效应等。

为了进一步提高融合性能，文献［11］中提出了基于稀疏表示（Sparse Representation，SR）的融合方法。该方法首先根据一个训练好的过完备字典把参与融合的源图像稀疏地表征为稀疏系数，然后引入对应的活跃度测量和融合规则来选择这些稀疏系数，最终将选择后的稀疏系数重构得到融合图像。……