随着人类社会的发展和医疗标准的提高,医学领域的发展受到了来自世界各国学者的重视。新技术和科学的不断革新,使得各类先进的医学设备被应用在现今的各大医院。医疗成像设备,通常采用不同的方法获取患者病变处的图像,由于设备和技术的局限性,单模态的医学图像往往不能清晰显示病症,需要结合多模态的医学图像,以便诊断者对病症进行诊治。医学设备由于采用的技术不同,获取的医学图像显示的病理也不同,但它们之间存在一定联系,比如内容存在互补信息等。因此,研究多模态的医学图像融合以获得更多的图像细节对临床医疗诊断具有重要意义。针对医学图像融合直接利用稀疏表示,难以获得较好的融合效果,本文结合医学图像融合技术、低秩表示和稀疏表示相关理论,对二次低秩分解和稀疏表示的医学图像融合方法进行改进,提出了一种基于潜在低秩分解和稀疏字典表达结合的医学图像融合方法,希望能为医学工作提供帮助。本文主要工作和创新点如下:1.针对基于二次低秩分解与稀疏表示融合的方法,造成信息缺失过多,计算复杂,提出改进方法:在分解阶段进行一次低秩分解,低秩成分采取灰度值“绝对值”取大规则融合;训练过完备字典的样本是与医学领域不相关的图像。改进的方法减少了信息过多缺失,计算量小,耗时短,融合图像质量有所提升。2.在低秩分解和稀疏结合的基础上,提出基于潜在低秩分解和字典学习的医学图像融合方法。用潜在低秩分解的方法将待融合源图像分解为低秩成分、稀疏成分和稀疏噪声成分。对低秩成分采取灰度值“绝对值”取大规则融合;对稀疏成分,设计潜在低秩分解模型,对图像集进行分解,运用K-SVD算法,分别训练得到低秩字典和稀疏字典用于稀疏重构;剔除稀疏噪声。为了验证所提方法的能够适用于医学领域,本文进行了实验仿真和分析,结果显示本文的方法与其他七种稀疏融合方法相比,视觉效果显著,图像融合质量较好。