CN105427269A - 一种基于wemd和pcnn的医学图像融合方法 - Google Patents

Abstract

本发明公开了一种基于WEMD和PCNN的医学图像融合方法，具体按照以下步骤实施：首先对源图像进行一层WEMD分解，不仅克服了传统小波方法小波基函数选取困难、自适应差的问题，而且有效避免了传统BEMD方法所得BIMF分量的“灰度斑”现象，加快了分解速度；然后对相应的BIMF分量和残差分量分别根据其图像特性设计了不同的融合规则，以最大限度的提供融合图像的视觉效果，BIMF分量采用基于改进的简化PCNN模型的融合规则选择图像的清晰区域，残差分量采用基于区域能量的融合规则增强图像细节；最后，融合结果通过对融合分量进行WEMD逆变换获得，本发明解决了现有技术中存在的多尺度分解算法自适应性差和所得融合图像边缘与对比度失真严重的问题。

Description

一种基于WEMD和PCNN的医学图像融合方法

技术领域

本发明属于医学数字图像处理技术领域，具体涉及一种基于WEMD和PCNN的医学图像融合方法。

背景技术

医学图像融合技术是将两种或两种以上互为差异和互为补充的医学影像信息进行适当的处理，使图像中的有用信息在处理后综合表达并显示出来，代替医生主观的人工综合方式，使医生对病情的分析与判断更加准确，提高临床诊断效率和可靠性。

医学图像融合主要包括功能成像图像与功能成像图像、解剖成像图像与解剖成像图像、功能成像图像与解剖成像图像之间的融合。常见的融合类型有CT与MRI图像融合、MRI与MRI图像融合、PET与MRI图像融合和SPECT与MRI图像融合[1]。在众多的医学图像融合技术中，基于多尺度分析的医学图像融合方法如今已成为研究的热点，这类融合方法的关键在于图像多尺度分解工具的选取和融合规则的制定。小波变换以及后小波变换[2]作为重要的多尺度分解工具，已在医学图像融合领域得到了广泛应用[3-7]。然而无论是小波变换还是后小波变换，其在分解过程中，都依赖于预先给定的小波函数，自适应较差，且不同的小波函数所得到的结果差异较大[8]。

二维经验模态分解[9](bidimensionalempiricalmodedecomposition,BEMD)作为一种新的多尺度分解工具，一经提出便吸引了大量学者进行研究，已成为近几年的研究热点。BEMD是基于图像数据本身的，能够自适应的根据图像数据将二维图像信号分解成有限的几个内蕴模函数(bidimensionalintrinsicmodefunction，简称BIMF)和一个残差分量，以表征图像的不同频率特征。然而BEMD由于分解过程中要进行插值操作导致分解相当费时，不利于实时图像处理。而且其分解所得的BIMF分量有“灰度斑”现象，即出现了频率混叠。梁灵飞等人提出的窗口经验模态分解(windowempiricalmode,WEMD)[10]作为一种新的分解工具，则不存在上述问题。

近几年来，学者围绕BEMD在医学图像融合中的应用进行了大量研究[11-15]，而这种研究主要集中在融合规则上。文献[11]将特征提取和区域分割分别利用到分解所得的BIMF分量和残差分量上，提出了一种新的区域融合规则；文献[12]对分解所得的BIMF分量采用基于区域能量的融合规则，残差分量则直接相加以获得融合后的残差分量；文献[13]先将分解得到的BIMF分量和残差分量分别输入到脉冲耦合神经网络(pulsecoupledneuralnetwork,PCNN)中以提取图像的纹理和背景特征，再将对应于图像纹理信息和背景信息的系数分别通过PCNN和双通道PCNN(dual-channelpulsecoupledneuralnetwork，DCPCNN)进行融合；文献[14]首先根据幅值能量比将BIMF分为高低频分量，然后将低频分量输入到双通道PCNN中以选取低频融合系数，最后将高频分量、低频分量和残差分量叠加得到融合后的图像；文献[15]提出了m-BIMF的概念，并用m-PCNN[16]获取融合后的m-BIMF分量，而残差分量则采用了一种基于熵的加权融合方案。

综上分析，围绕BEMD的医学融合技术的融合规则主要是基于区域的融合规则和基于脉冲耦合神经网络的融合规则。基于区域的融合规则利用图像的局部区域特征来确定融合系数，能够突出图像的细节信息；基于脉冲耦合神经网络的融合规则利用神经元的脉冲点火特性来选择融合系数，能够保留更多的细节信息。

发明内容

本发明的目的是提供一种基于WEMD和PCNN的医学图像融合方法，解决了现有技术中存在的多尺度分解算法自适应性差和所得融合图像边缘与对比度失真严重的问题。

本发明所采用的技术方案是，一种基于WEMD和PCNN的医学图像融合方法，具体按照以下步骤实施：

步骤1、设有两幅医学图像，分别记为图像A和图像B，将图像A和图像B分别进行配准；

步骤2、对图像A进行一层WEMD分解得到BIMF分量BIMF_A和残差分量R_A，对图像B进行一层WEMD分解得到BIMF分量BIMF_B和残差分量R_B；

步骤3、对步骤2得到的BIMF分量BIMF_A和BIMF分量BIMF_B进行融合，得到融合后的BIMF分量BIMF_F；

步骤4、对步骤2得到的残差分量R_A和残差分量R_B进行融合，得到融合后的残差分量R_F；

步骤5、对步骤3得到的融合后的BIMF分量BIMF_F和步骤4得到的残差分量R_F进行WEMD逆变换，得到融合图像F。

本发明的特点还在于，

步骤3对BIMF分量BIMF_A和BIMF分量BIMF_B进行融合，按照BIMF分量融合规则，具体过程为：

步骤(3.1)、将BIMF分量BIMF_A和BIMF分量BIMF_B均归一化到[0,1]之间，作为相应PCNN的馈送输入和

步骤(3.2)、分别计算BIMF分量BIMF_A和BIMF分量BIMF_B的每个像素的清晰度和作为相应神经元的链接强度；

步骤(3.3)、设定BIMF分量BIMF_A和BIMF分量BIMF_B的PCNN初始值：L_ij(0)＝U_ij(0)＝θ_ij(0)＝Y_ij(0)＝0；

步骤(3.4)、按照PCNN模型进行迭代计算，最终得到BIMF分量BIMF_A和BIMF分量BIMF_B的PCNN输出点火时间映射图矩阵Y_A和Y_B，设计算迭代次数为N_max，当n＜N_max时反复迭代，直到n＝N_max时结束；

步骤(3.5)、设PCNN中每个神经元与周围3×3邻域神经元链接，根据如下判决算子确定Y_A和Y_B融合后的BIMF分量BIMF_F为：

其中，BIMF_F(i,j)，BIMF_A(i,j)和BIMF_B(i,j)分别代表BIMF分量BIMF_F和图像A、B在像素点(i,j)位置处的BIMF系数值；ε为阈值；和分别表示像素点(i,j)处点火时间Y_A(i,j)和Y_B(i,j)的邻域均值；Y_A和Y_B分别为PCNN输出的点火时间映射图矩阵。

步骤(3.4)中的PCNN模型为：

其中阶梯函数Y_ij(n)的具体表达式为：

式中，n为迭代次数；ij表示像素在图像矩阵中的位置；F_ij和L_ij分别为馈送输入和链接输入，两者构成神经网络的接收域；I_ij为外部输入刺激，这里为像素点(i,j)处的灰度值；U_ij为内部活跃信号，属于神经网络的调制域部分；脉冲产生器部分由神经元的外部输出Y_ij和变阈值函数输出θ_ij构成；β_ij为链接强度；W_ijkl为突触连接权；α_L，V_L分别为链接输入的时间常数和放大系数；Δt为阈值衰减常数，当Y_ij取值为θ_ij时表示点火成功，输出一个脉冲，取值为0时表示不输出脉冲，神经元的输出阈值被用来近似表示神经元的点火时间，模型输出为阈值强度的点火映射图。

PCNN的参数设置如下：V_L＝1.0，α_L＝0.2，Δt＝0.0393，N_max＝200，ε＝Δt/2，

步骤(3.2)中链接强度用像素点(i,j)处的清晰度表示具体为：

G(i,j)为像素点(i,j)处的梯度：

f代表原图像，M×N代表邻域窗口的大小，M＝N＝3。

步骤4对残差分量R_A和残差分量R_B进行融合，按照残差分量融合规则，具体过程为：

步骤(4.1)、分别按照以下两式计算R_A(i,j)和R_B(i,j)中心像素(i,j)处的局部区域能量：

其中，M×N代表邻域窗口的大小，M＝N＝3；w(m,n)表示加权模板，取值为

步骤(4.2)、计算R_A(i,j)与R_B(i,j)的区域匹配度M_AB(i,j)：

其中，E_AB(i,j)表示R_A(i,j)与R_B(i,j)的相关区域能量，E_AB(i,j)的计算如下：

$;$

步骤(4.3)、确定融合后的残差分量R_F(i,j)。

步骤(4.3)确定融合后的残差分量R_F(i,j)具体为：

设匹配度阈值为T，T＝[0.5～1]，如果M_AB(i,j)＜T，则选用局部区域能量最大的系数作为融合系数，即

否则，执行以下加权规则：

得到融合后的残差分量R_F(i,j)。

本发明的有益效果是，一种基于WEMD和PCNN的医学图像融合方法，首先对图像进行WEMD分解，不仅克服了传统小波方法小波基函数选取困难、自适应差的问题，而且有效避免了传统BEMD方法所得BIMF分量的“灰度斑”现象，加快了分解速度；然后对BIMF分量和残差分量分别根据其图像特性设计了不同的融合规则，以最大限度的提供融合图像的视觉效果，BIMF分量采用基于改进的简化PCNN模型的融合规则选择图像的清晰区域，残差分量采用基于区域能量的融合规则增强图像细节；最后，融合结果通过对融合分量进行WEMD逆变换获得。因此，将WEMD和PCNN相结合，可以有效提高融合后的医学图像质量，为后续的临床诊断提供参考。

附图说明

图1是本发明一种基于WEMD和PCNN的医学图像融合方法的流程图；

图2是本发明一种基于WEMD和PCNN的医学图像融合方法的图像融合示意图；

图3是本发明一种基于WEMD和PCNN的医学图像融合方法中待融合图像，其中，(a)为CT图像，(b)为MRI图像；

图4是基于文献16提到的m-PCNN方法的融合图像；

图5是基于文献4提到的小波和PCNN的融合图像；

图6是基于文献18提到的NSCT和PCNN的融合图像；

图7是本发明一种基于WEMD和PCNN的医学图像融合方法得到的CT图像和MRI图像的融合图像；

图8是本发明一种基于WEMD和PCNN的医学图像融合方法中待融合图像，其中，(a)为MRI-T1加权图像，(b)为MRI-T2加权图像；

图9是基于文献16提到的m-PCNN方法的融合图像；

图10是基于文献4提到的小波和PCNN的融合图像；

图11是基于文献18提到的NSCT和PCNN的融合图像；

图12是本发明一种基于WEMD和PCNN的医学图像融合方法得到的MRI-T1加权图像和MRI-T2加权图像的融合图像。

具体实施方式

下面结合具体实施方式对本发明进行详细说明。

用于实施的硬件环境是：IntelCorei5处理器，3.20Hz计算机，4GB内存，512M显卡，运行的软件环境是：matlab2014a和Windows764位操作系统。我们用Matlab软件实现了本发明所提出的方法。实验所采用的CT图像和MRI图像来自http://www.metapix.de/indexp.htm，所采用的MRI-T1加权图像和MRI-T2加权图像来自http://www.nlm.nih.gov/research/visible/getting_data.html，且都已经过严格配准。

本发明一种基于WEMD和PCNN的医学图像融合方法，如图1和图2所示，具体按照以下步骤实施：

步骤1、设有两幅医学图像，分别记为图像A和图像B，将图像A和图像B分别进行配准；

步骤2、对图像A进行一层WEMD分解得到BIMF分量BIMF_A和残差分量R_A，对图像B进行一层WEMD分解得到BIMF分量BIMF_B和残差分量R_B；

步骤3、对所述步骤2得到的BIMF分量BIMF_A和BIMF分量BIMF_B进行融合，得到融合后的BIMF分量BIMF_F：

对BIMF分量BIMF_A和BIMF分量BIMF_B进行融合，按照BIMF分量融合规则，具体过程为：

步骤(3.1)、将BIMF分量BIMF_A和BIMF分量BIMF_B均归一化到[0,1]之间，作为相应PCNN的馈送输入和

步骤(3.2)、分别计算BIMF分量BIMF_A和BIMF分量BIMF_B的每个像素的清晰度和作为相应神经元的链接强度；

步骤(3.3)、设定BIMF分量BIMF_A和BIMF分量BIMF_B的PCNN初始值：L_ij(0)＝U_ij(0)＝θ_ij(0)＝Y_ij(0)＝0；

步骤(3.4)、按照PCNN模型进行迭代计算，最终得到BIMF分量BIMF_A和BIMF分量BIMF_B的PCNN输出点火时间映射图矩阵Y_A和Y_B，设计算迭代次数为N_max，当n＜N_max时反复迭代，直到n＝N_max时结束；

步骤(3.5)、设PCNN中每个神经元与周围3×3邻域神经元链接，根据如下判决算子确定Y_A和Y_B融合后的BIMF分量BIMF_F为：

其中，BIMF_F(i,j)，BIMF_A(i,j)和BIMF_B(i,j)分别代表BIMF分量BIMF_F和图像A、B在像素点(i,j)位置处的BIMF系数值；ε为阈值；和分别表示像素点(i,j)处点火时间Y_A(i,j)和Y_B(i,j)的邻域均值；Y_A和Y_B分别为PCNN输出的点火时间映射图矩阵。

步骤(3.4)中的PCNN模型为：

其中阶梯函数Y_ij(n)的具体表达式为：

式中，n为迭代次数；ij表示像素在图像矩阵中的位置；F_ij和L_ij分别为馈送输入和链接输入，两者构成神经网络的接收域；I_ij为外部输入刺激，这里为像素点(i,j)处的灰度值；U_ij为内部活跃信号，属于神经网络的调制域部分；脉冲产生器部分由神经元的外部输出Y_ij和变阈值函数输出θ_ij构成；β_ij为链接强度；W_ijkl为突触连接权；α_L，V_L分别为链接输入的时间常数和放大系数；Δt为阈值衰减常数，当Y_ij取值为θ_ij时表示点火成功，输出一个脉冲，取值为0时表示不输出脉冲，神经元的输出阈值被用来近似表示神经元的点火时间，模型输出为阈值强度的点火映射图。

PCNN的参数设置如下：V_L＝1.0，α_L＝0.2，Δt＝0.0393，N_max＝200，ε＝Δt/2，

步骤(3.2)中链接强度用像素点(i,j)处的清晰度表示具体为：

G(i,j)为像素点(i,j)处的梯度：

f代表原图像，M×N代表邻域窗口的大小，M＝N＝3；

步骤4、对所述步骤2得到的残差分量R_A和残差分量R_B进行融合，得到融合后的残差分量R_F：

对残差分量R_A和残差分量R_B进行融合，按照残差分量融合规则，具体过程为：

步骤(4.1)、分别按照以下两式计算R_A(i,j)和R_B(i,j)中心像素(i,j)处的局部区域能量：

其中，M×N代表邻域窗口的大小，M＝N＝3；w(m,n)表示加权模板，取值为

步骤(4.2)、计算R_A(i,j)与R_B(i,j)的区域匹配度M_AB(i,j)：

其中，E_AB(i,j)表示R_A(i,j)与R_B(i,j)的相关区域能量，E_AB(i,j)的计算如下：

步骤(4.3)、确定融合后的残差分量R_F(i,j)：

设匹配度阈值为T，T＝[0.5～1]，如果M_AB(i,j)＜T，则选用局部区域能量最大的系数作为融合系数，即

否则，执行以下加权规则：

得到融合后的残差分量R_F(i,j)。

步骤5、对步骤3得到的融合后的BIMF分量BIMF_F和步骤4得到的残差分量R_F进行WEMD逆变换，得到融合图像F。

本发明方法所得的融合结果与其它融合方法所得的融合结果客观效果对比，如表1所示，图像的空间频率(SF)越大，总体活跃度越大，图像融合效果越好；图像的平均梯度(AG)越大，图像的层次越多，融合图像越清晰；图像的标准差(SD)越大，则图像的灰度级分布越分散，图像的反差越大，图像中包含的信息越多；图像的交互信息量(MI)越大，则表示融合图像从源图像中获取的信息越多，融合的效果就越好；图像的边缘保持度(Q^AB/F)越大，则融合图像保留的源图像边缘信息越多，融合性能越好。

表1融合结果客观评价

从图4、图5、图6、图7的视觉结果可以看出，本发明方法融合结果图像清晰度与对比度最高，边缘失真度最少，视觉效果最优，基本与源图像保持一致。表1结果显示，本发明方法在五个指标中有四个指标均最大：空间频率最大、清晰度最大、交互信息量最大、边缘保持度最大，与图像的视觉效果相一致。

图8为待融合的MRI-T1加权图像、MRI-T2加权图像，图9、图10、图11为文献其他方法得到的融合处理后的图像，图12为本发明方法得到的本发明方法所得的融合处理后的图像，本发明方法融合结果与其它融合方法所得的融合结果客观效果对比，如表2所示：

表2融合结果客观评价

图9、图10、图11、图12的视觉结果可以看出，本发明方法融合结果图像清晰度与对比度最高，边缘失真度最少，视觉效果最优，基本与源图像保持一致。表1结果显示，本发明方法在五个指标中有四个指标均最大：空间频率最大、标准差最大、交互信息量最大、边缘保持度最大，而在清晰度指标上只略逊于基于NSCT的融合方法，是一种十分有效的方法。

本发明方法首次将WEMD应用到多源医学图像融合中，并充分利用基于区域的融合规则和基于脉冲耦合神经网络的融合规则的优越特性，实现了CT与MRI图像和MRI与MRI图像的融合。该方法不仅具有一定的自适应性，能够满足实时医学图像处理的需求，而且所得的融合结果图像基本与源图像保持一致，有效克服了基于小波以及非子采样Contourlet变换的图像融合方法所得融合图像存在边缘失真和基于m-PCNN的图像融合方法所得融合图像存在对比度失真的现象。

参考文献

[1]JamesA.P.,DasarathyB.V..Medicalimagefusion:Asurveyofthestateoftheart[J],InformationFusion,2014,19:4-19.

[2]焦李成,侯彪,王爽等.图像多尺度几何分析理论与应用—后小波分析理论与应用[M].西安：西安电子科技大学出版社,2008:1-24.

[3]LiWei,ZhuXuefeng.Anewalgorithmofmulti-modalitymedicalimagefusionbasedonpulse-coupledneuralnetworks[J].AdvancesinNaturalComputation,LectureNotesinComputerScienceVolume3610,2005,995-1001.

[4]杨艳春,党建武,王阳萍.基于提升小波变换与自适应PCNN的医学图像融合方法[J].计算机辅助设计与图形学学报,2012,24(4):494-499.

[5]L.Yang,B.L.Guo,W.Ni,Multimodalitymedicalimagefusionbasedonmultiscalegeometricanalysisofcontourlettransform,Neurocomputing,2008,72:203–211.

[6]SudebDas,MalayKumarKundu.NSCTbasedmultimodalmedicalimagefusionusingpulse-coupledneuralnetworkandmodifiedspatialfrequency[J].Medical&BiologicalEngineering&Computing(MBEC),2012,50(10):1105-1114.

[7]WangNianyi.MultimodalmedicalimagefusionframeworkbasedonsimplifiedPCNNinnonsubsampledcontourlettransformdomain[J].JournalofMultimedia,2013,8(3):270-276.

[8]PajaresG,delaCruzJM.Awavelet-basedimagefusiontutorial[J].PatternRecognition,2004,37(9):1855-1872.

[9]NunesJC,BouaouneY,DelechelleE,etal.Imageanalysisbybidimensionalempiricalmodedecomposition[J].ImageandVisionComputing,2003,21(12):1019-1026.

[10]梁灵飞.窗口经验模式分解及其在图像处理中的应用[D].北京:北京邮电大学,2010.

[11]郑有志，覃征.基于二维经验模态分解的医学图像融合算法[J].软件学报,2009,20(5):1096–1105.

[12]陈珊,郑琴,秦绪佳.基于二维经验模式分解的医学图像融合方法[J].计算机系统应用,2014,23(6):105–110.

[13]张宝华，刘鹤，张传亭.基于经验模态分解提取纹理的图像融合算法[J].激光技术,2014,38(4):463–468.

[14]ZhangBaohua,ZhangChuanting,WuJianshuai,etal.AmedicalimagefusionmethodbasedonenergyclassificationofBEMDcomponents[J].Optik-InternationalJournalforLightandElectronOptics,2014,125(1):146-153.

[15]FengKongsen,ZhangXiaoli,LiXiongfei.Anovelmethodofmedicalimagefusionbasedonbidimensionalempiricalmodedecomposition[J].JournalofConvergenceInformationTechnology,2011,6(12):84-91.

[16]WangZhaobin,MaYide.Medicalimagefusionusingm-PCNN[J].InformationFusion,2008,9:176-185.

[17]苗启广,王宝树.一种自适应PCNN多聚焦图像融合新方法[J].电子与信息学报,2006,28(3):466-470.

[18]QuXiaobo,YanJingwen,XiaoHongzhi,etal.Imagealgorithmbasedonspatialfrequency-motivatedpulsecoupledneuralnetworksnonsubsampledcontourlettransformdomain[J].ActaAutomaticaSinica,2008,34(12):1508-1514。

Claims (7)

1.一种基于WEMD和PCNN的医学图像融合方法，其特征在于，具体按照以下步骤实施：

步骤1、设有两幅医学图像，分别记为图像A和图像B，将图像A和图像B分别进行配准；

步骤2、对图像A进行一层WEMD分解得到BIMF分量BIMF_A和残差分量R_A，对图像B进行一层WEMD分解得到BIMF分量BIMF_B和残差分量R_B；

步骤3、对所述步骤2得到的BIMF分量BIMF_A和BIMF分量BIMF_B进行融合，得到融合后的BIMF分量BIMF_F；

步骤4、对所述步骤2得到的残差分量R_A和残差分量R_B进行融合，得到融合后的残差分量R_F；

步骤5、对所述步骤3得到的融合后的BIMF分量BIMF_F和所述步骤4得到的残差分量R_F进行WEMD逆变换，得到融合图像F。

2.根据权利要求1所述的一种基于WEMD和PCNN的医学图像融合方法，其特征在于，所述步骤3对BIMF分量BIMF_A和BIMF分量BIMF_B进行融合，按照BIMF分量融合规则，具体过程为：

步骤(3.1)、将BIMF分量BIMF_A和BIMF分量BIMF_B均归一化到[0,1]之间，作为相应PCNN的馈送输入和

步骤(3.2)、分别计算BIMF分量BIMF_A和BIMF分量BIMF_B的每个像素的清晰度和作为相应神经元的链接强度；

步骤(3.3)、设定BIMF分量BIMF_A和BIMF分量BIMF_B的PCNN初始值：L_ij(0)＝U_ij(0)＝θ_ij(0)＝Y_ij(0)＝0；

步骤(3.4)、按照PCNN模型进行迭代计算，最终得到BIMF分量BIMF_A和BIMF分量BIMF_B的PCNN输出点火时间映射图矩阵Y_A和Y_B，设计算迭代次数为N_max，当n＜N_max时反复迭代，直到n＝N_max时结束；

步骤(3.5)、设PCNN中每个神经元与周围3×3邻域神经元链接，根据如下判决算子确定Y_A和Y_B融合后的BIMF分量BIMF_F为：

其中，BIMF_F(i,j)，BIMF_A(i,j)和BIMF_B(i,j)分别代表BIMF分量BIMF_F和图像A、B在像素点(i,j)位置处的BIMF系数值；ε为阈值；和分别表示像素点(i,j)处点火时间Y_A(i,j)和Y_B(i,j)的邻域均值；Y_A和Y_B分别为PCNN输出的点火时间映射图矩阵。

3.根据权利要求2所述的一种基于WEMD和PCNN的医学图像融合方法，其特征在于，所述步骤(3.4)中的PCNN模型为：

$\left\{\begin{array}{c}{F}_{ij}\left(n\right)=I_{ij}\\ L_{ij}\left(n\right)=\exp (-{\mathrm{\α}}_L)L_{ij}(n-1)+V_L\underset{k,l}{\Σ}{W}_{ijkl}{Y}_{kl}(n-1)\\ U_{ij}\left(n\right)=F_{ij}\left(n\right)\[1+{\mathrm{\β}}_{ij}{L}_{ij}\left(n\right)\]\\ {\mathrm{\θ}}_{ij}\left(n\right)={\mathrm{\θ}}_{ij}(n-1)+\mathrm{\Δ}t\\ Y_{ij}\left(n\right)=step\[U_{ij}\left(n\right)-{\mathrm{\θ}}_{ij}\left(n\right)\]\end{array}\right.$

其中阶梯函数Y_ij(n)的具体表达式为：

$Y_{ij}\left(n\right)=\left\{\begin{array}{cc}0,& U_{ij}\left(n\right)<{\mathrm{\&theta;}}_{ij}\left(n\right)\\ {\mathrm{\&theta;}}_{ij}\left(n\right),& U_{ij}\left(n\right)\&GreaterEqual;{\mathrm{\&theta;}}_{ij}\left(n\right)\end{array}\right.$

式中，n为迭代次数；ij表示像素在图像矩阵中的位置；F_ij和L_ij分别为馈送输入和链接输入，两者构成神经网络的接收域；I_ij为外部输入刺激，这里为像素点(i,j)处的灰度值；U_ij为内部活跃信号，属于神经网络的调制域部分；脉冲产生器部分由神经元的外部输出Y_ij和变阈值函数输出θ_ij构成；β_ij为链接强度；W_ijkl为突触连接权；α_L，V_L分别为链接输入的时间常数和放大系数；Δt为阈值衰减常数，当Y_ij取值为θ_ij时表示点火成功，输出一个脉冲，取值为0时表示不输出脉冲，神经元的输出阈值被用来近似表示神经元的点火时间，模型输出为阈值强度的点火映射图。

4.根据权利要求3所述的一种基于WEMD和PCNN的医学图像融合方法，其特征在于，所述PCNN的参数设置如下：V_L＝1.0，α_L＝0.2，Δt＝0.0393，N_max＝200，ε＝Δt/2， $w=\left[\begin{array}{ccc}0.707& 1.0& 0.707\\ 1.0& 1.0& 1.0\\ 0.707& 1.0& 0.707\end{array}\right].$

5.根据权利要求2所述的一种基于WEMD和PCNN的医学图像融合方法，其特征在于，所述步骤(3.2)中链接强度用像素点(i,j)处的清晰度表示具体为：

${\mathrm{\&beta;}}_{ij}=\underset{m=1}{\overset{M}{\&Sigma;}}\underset{n=1}{\overset{N}{\&Sigma;}}{\&lsqb;G(i+m-\frac{M+1}{2},j+n-\frac{N+1}{2})\&rsqb;}^2,$

G(i,j)为像素点(i,j)处的梯度：

$G(i,j)=\sqrt{{\&lsqb;f(i,j)-f(i+1,j)\&rsqb;}^2+{\&lsqb;f(i,j)-f(i,j+1)\&rsqb;}^2},$

f代表原图像，M×N代表邻域窗口的大小，M＝N＝3。

6.根据权利要求1所述的一种基于WEMD和PCNN的医学图像融合方法，其特征在于，所述步骤4对残差分量R_A和残差分量R_B进行融合，按照残差分量融合规则，具体过程为：

步骤(4.1)、分别按照以下两式计算R_A(i,j)和R_B(i,j)中心像素(i,j)处的局部区域能量：

$E_A(i,j)=\underset{m=1}{\overset{M}{\&Sigma;}}\underset{n=1}{\overset{N}{\&Sigma;}}w(m,n){\&lsqb;R_A(i+m-\frac{M+1}{2},j+n-\frac{N+1}{2})\&rsqb;}^2,$

$E_B(i,j)=\underset{m=1}{\overset{M}{\&Sigma;}}\underset{n=1}{\overset{N}{\&Sigma;}}w(m,n){\&lsqb;R_B(i+m-\frac{M+1}{2},j+n-\frac{N+1}{2})\&rsqb;}^2,$

其中，M×N代表邻域窗口的大小，M＝N＝3；w(m,n)表示加权模板，取值为 $w_{3\&times;3}=\frac{1}{16}\left[\begin{array}{ccc}1& 2& 1\\ 2& 4& 2\\ 1& 2& 1\end{array}\right];$

步骤(4.2)、计算R_A(i,j)与R_B(i,j)的区域匹配度M_AB(i,j)：

$M_{AB}(i,j)=\frac{E_{AB}(i,j)}{E_A(i,j)+E_B(i,j)},$

其中，E_AB(i,j)表示R_A(i,j)与R_B(i,j)的相关区域能量，E_AB(i,j)的计算如下：

$E_{AB}(i,j)=\underset{m=1}{\overset{M}{\&Sigma;}}\underset{n=1}{\overset{N}{\&Sigma;}}w(m,n)\left|R_A(i+m-\frac{M+1}{2},j+n-\frac{N+1}{2})\right|\left|R_B(i+m-\frac{M+1}{2},j+n-\frac{N+1}{2})\right|;$

步骤(4.3)、确定融合后的残差分量R_F(i,j)。

7.根据权利要求6所述的一种基于WEMD和PCNN的医学图像融合方法，其特征在于，所述步骤(4.3)确定融合后的残差分量R_F(i,j)具体为：

设匹配度阈值为T，T＝[0.5～1]，如果M_AB(i,j)＜T，则选用局部区域能量最大的系数作为融合系数，即

$R_F\left(i,j\right)=\left\{\begin{array}{c}{R}_A\left(i,j\right),E_A\left(i,j\right)\&GreaterEqual;E_B\left(i,j\right)\\ R_B\left(i,j\right),E_A\left(i,j\right)<E_B\left(i,j\right)\end{array}\right.,$

否则，执行以下加权规则：

$\left\{\begin{array}{c}\mathrm{\&alpha;}\left(i,j\right)=\frac{1}{2}+\frac{1-M_{AB}\left(i,j\right)}{2\left(1-T\right)}\\ \mathrm{\&beta;}\left(i,j\right)=\frac{1}{2}-\frac{1-M_{AB}\left(i,j\right)}{2\left(1-T\right)}\\ R_F\left(i,j\right)=\mathrm{\&alpha;}\left(i,j\right)R_A\left(i,j\right)+\mathrm{\&beta;}\left(i,j\right)R_B\left(i,j\right),if{E}_A\left(i,j\right)\&GreaterEqual;E_B\left(i,j\right)\\ R_F\left(i,j\right)=\mathrm{\&beta;}\left(i,j\right)R_A\left(i,j\right)+\mathrm{\&alpha;}\left(i,j\right)R_B\left(i,j\right),if{E}_A\left(i,j\right)<E_B\left(i,j\right)\end{array}\right.,$

得到融合后的残差分量R_F(i,j)。