图像融合技术在计算机辅助诊断中发挥了重要作用。传统融合方法通过设计融合策略来同时解决图像融合中的两个关键问题，即细节提取和能量保存，而这容易造成信息丢失或能量保存度不足。鉴于此，提出了一种对细节提取和能量保存问题进行分别解决的融合方法。该方法的第一部分旨在进行细节提取，首先，使用非下采样剪切波变换（NSST）将源图像分解成低频和高频子带；然后，通过改进的能量策略来融合低频子带，而对于高频子带的融合，提出了一种基于直觉模糊集理论的策略；最后，利用逆NSST来重构图像。而在第二部分里，为了达成能量保存，提出了一种亮度增强方法。在43组图像上验证该方法的性能，并把该方法和主成分分析（PCA）、局部拉普拉斯滤波器（LLF）等其他八种传统融合方法进行对比，两种医学图像融合类型（核磁共振图像（MRI）和正电子发射断层图像（PET）、核磁共振图像（MRI）和单光子发射计算机断层图像（SPECT））的实验结果表明，该方法在视觉质量和互信息（MI）、空间频率（SF）、Q值、平均梯度（AG）、信息熵（EI）和标准差（SD）等客观评价指标上均具有优势，能够提高医学图像融合质量。

针对现有超声谐波包络信号的Nakagami参数成像能够实现对消融过程的无创监测，然而并不能精确估计消融区域的问题，提出了一种基于超声谐波包络Nakagami参数图像的高斯逼近自适应阈值分割（GATS）方法用于微波消融区域的准确有效监测。首先，使用高通滤波器获得超声回波射频信号的谐波分量；然后，估计谐波信号包络的Nakagami形状参数，并使用复合窗口成像生成Nakagami参数图像；最后，对Nakagami参数图像进行高斯逼近以呈现消融区域，对逼近图像进行各向异性平滑预处理，并使用对平滑后图像进行自适应阈值分割来精确估计消融区域。微波消融实验结果表明，基于P-M（Perona-Malik）算法的各向异性平滑后的阈值分割消融区域与实际消融区域的长、短轴误差相较基于Catte算法得到的误差分别减小了2.95个百分点和1.15个百分点，与基于中值滤波改进（Median）算法得到的误差相比分别减小了6.52个百分点和2.33个百分点。可见对超声谐波包络Nakagami参数图像使用P-M算法的GATS能够更为精确地估计消融区域，为临床消融手术提供有效监测。

为有效分割图像,提出了灰度迭代阈值脉冲耦合神经网络(GIT-PCNN)。GIT-PCNN简化了传统PCNN模型,将其指数衰减的阈值改进为图像的灰度迭代阈值。GIT-PCNN分割图像时无需进行参数和循环次数选择,也无需使用特定原则确定循环结束条件,一次点火过程完成分割。GIT-PCNN分割图像时充分利用了图像的灰度信息和PCNN特有的空间邻近及像素灰度值相似集群发放脉冲提供的图像局部位置信息。实验结果表明,GIT-PCNN在主观及客观的分割性能和速度上均优于经典的PCNN分割方法。

为有效滤除灰度图像中的椒盐噪声并保留图像的边缘及细节信息，提出一种简化的阈值单向衰减脉冲耦合神经网络(PCNN)点火矩阵自适应图像滤波方法，简化的PCNN结构减少了所需参数并提高了运算速度。该方法通过对PCNN点火矩阵的分析，定位出被噪声污染的像素，只对噪声像素进行滤波，因而有效地保留了图像的细节信息；并根据椒盐噪声的特点，动态估计图像的噪声强度，自适应地选择滤波窗口的大小和滤波次数。实验结果表明提出方法较常见的图像降噪方法在滤波效果、自适应性及保留图像细节方面有明显的优势。