1.一种基于稀疏表示的改进耦合字典学习的脑部CT/MR图像融合方法，其特征在于，该方法包括：预处理阶段：对于已经配准的脑部CT/MR源图像IC，IR∈RMN，RMN表示具有M行N列的向量空间，使用步长为1的滑动窗把源图像IC，IR分别分割为 大小的图像块，对于每幅CT源图像IC和MR源图像IR，都有 个图像块，然后将这些图像块编纂成m维列向量，将CT源图像IC中的第j个图像块记为 MR源图像IR中的第j个图像块记为 减去各自的平均值：其中， 和 分别表示 和 中所有元素的均值，1表示一个全1的m维列向量；

融合阶段：使用CoefROMP算法求解 的稀疏系数，公式表示如下：其中，||α||0表示稀疏系数α中非零元素的个数，ε表示允许偏差的精度，DF表示字典DC和DR融合后得到的融合字典；

将稀疏系数的l2范数作为源图像的活跃度测量，则稀疏系数 和 通过以下的融合规则融合：均值 和 使用“加权平均”规则融合：

其中， 则 和 的融合结果为：

重建阶段：对所有的图像块都执行预处理阶段和融合阶段以得到所有图像块的融合结果，对于每个块向量 通过反滑窗的过程重塑成 的图像块并放回到对应的像素位置，再对重复像素取平均得到最终的融合图像IF。

2.如权利要求1所述的方法，其特征在于，在融合阶段中，所述融合字典通过以下方法计算获得：使用高质量CT和MR图像作为训练集，从训练集中采样得到向量对{XC,XR}，定义为n个采样的CT图像向量组成的矩阵， 为对应的n个采样的MR图像向量组成的矩阵，其中Rd×n表示具有d行n列的向量空间；

在字典学习代价函数基础上加入支撑完整的先验信息，交替地更新DC，DR和A，对应的训练优化问题如下：其中，A是XC和XR的联合稀疏系数矩阵，τ是联合稀疏系数矩阵A的稀疏度，⊙表示点乘，掩膜矩阵M由元素0和1组成，定义为M＝{A|＝0}，等价于如果A(i,j)＝0则M(i,j)＝1，否则为0，引入辅助变量：则式(1)可以等价的转化为：

式(3)的求解过程分为稀疏编码和字典更新两个步骤：

首先，在稀疏编码阶段，随机矩阵初始化字典 和 通过求解式(4)来实现对联合稀疏系数矩阵A的更新：分别对联合稀疏系数矩阵A中每一列的非零元素进行处理，而保持零元素完备，则式(4)可以转换为下式：式中， 是 对应A的非零支集的子矩阵，αi是A第i列的非零部分，式(5)由系数重用正交匹配追踪算法CoefROMP求解，得到更新的联合稀疏系数矩阵A；

其次，在字典更新阶段，式(3)的优化问题转化为：

则式(6)的补偿项写为：

式中， 表示字典 中待更新的第k列， 表示联合稀疏系数矩阵A的第k行， 表示掩膜矩阵M的第j行，用来保证 中的零元素在正确的位置，掩膜矩阵 是将行向量 复制d次得到尺寸为d×n的秩为1的矩阵，利用掩膜矩阵 可以有效地去除 中那些未用到第k个原子所对应样本的列，对误差矩阵Ek进行奇异值分解(SVD)得到Ek＝UΔVT，使用矩阵U的第一列更新字典 中的原子 同时将稀疏系数矩阵A中的 更新为矩阵V的第一列与Δ(1,1)的乘积；

最后，循环执行稀疏编码和字典更新这两个阶段，直至达到预设的迭代次数为止，输出C R一对耦合的D和D字典。

3.如权利要求1所述的方法，其特征在于，使用以下方法对字典DC和DR进行融合：LC(n)和LR(n)，n＝1,2,…,N分别代表CT字典和MR字典的第n个原子的特征指标，融合公式表示如下：此处设λ＝0.25。