波和PCNN的融合图像；
[0057] 图6是基于文献18提到的NSCT和PCNN的融合图像；
[0058] 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；
[0059] 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；
[0060] 图9是基于文献16提到的m-PCNN方法的融合图像；
[0061] 图10是基于文献4提到的小波和PCNN的融合图像；
[0062] 图11是基于文献18提到的NSCT和PCNN的融合图像；
[0063] 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】
[0064] 下面结合【具体实施方式】对本发明进行详细说明。
[0065] 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. R〇v/research/visible/RettinRdata,html,且者已经过严格配准。
[0066] 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：
[0067] 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；
[0068]步骤2、对图像A进行一层WEMD分解得到WMF分量WMFA和残差分量RA，对图像B进行一层WEMD分解得到WMF分量WMFB和残差分量RB;
[0069] 步骤3、对所述步骤2得到的WMF分量WMFA和WMF分量WMFB进行融合，得到 融合后的WMF分量WMFf:
[0070] 对WMF分量WMFA和WMF分量WMFB进行融合，按照WMF分量融合规则，具体过 程为：
[0071] 步骤（3. 1)、将WMF分量WMF#WMF分量WMFB均归一化到[0, 1]之间，作为 相应PCNN的馈送输入iV和< ;
[0072] 步骤（3. 2)、分别计算WMF分量WMFJPWMF分量WMFb的每个像素的清晰度席 和，作为相应神经元的链接强度；
[0073] 步骤（3. 3)、设定WMF分量WMFjPWMF分量WMF亦PCNN初始值：L^ (0)= Uij(〇) = 9ij(〇) =Yij(〇) = 〇 ;
[0074] 步骤（3. 4)、按照PCNN模型进行迭代计算，最终得到WMF分量WMF#WMF分量 8頂匕的PCNN输出点火时间映射图矩阵YJPYB，设计算迭代次数为N_，当η<N_时反复 迭代，直到η=N_时结束；
[0075] 步骤（3. 5)、设PCNN中每个神经元与周围3X3邻域神经元链接，根据如下判决算 子确定Y#Y識合后的WMF分量WMFA:
[0076]
[0077] 其中，BniFF(i，j)，B頂FA(i，j)和WMFB(i，j)分别代表WMF分量WMFf和图像A、B 在像素点（i，j)位置处的BIMF系数值；ε为阈值；巧仏刀和fs(〖,./)分别表示像素点（i,j) 处点火时间YA(i，j)和YB(i，j)的邻域均值；YjPYB分别为PCNN输出的点火时间映射图矩 阵。
[0078] 步骤（3. 4)中的PCNN模型为：
[0079]
[0080] 其中阶梯函数(η)的具体表达式为：
[0081]
[0082] 式中，η为迭代次数；ij表示像素在图像矩阵中的位置；F、,和Lu分别为馈送输入 和链接输入，两者构成神经网络的接收域；^为外部输入刺激，这里为像素点（i，j)处的灰 度值；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 输出和变阈值函数输出Θ^构成；β^为链接强度；WljklS突触连接权；α。\分别为链 接输入的时间常数和放大系数；At为阈值衰减常数，当取值为Θ^时表示点火成功，输 出一个脉冲，取值为〇时表示不输出脉冲，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。
[0083]PCNN的参数设置如下：VL= 1.0,aL=〇. 2,At= 0.0393,1^= 200,ε=At/2，
[0084] 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：
[0085]
[0086] G(i，j)为像素点（i，j)处的梯度：
[0087]
[0088] f代表原图像，MXN代表邻域窗口的大小，M=N= 3 ;
[0089] 步骤4、对所述步骤2得到的残差分量RA和残差分量R凋行融合，得到融合后的 残差分量Rf:
[0090] 对残差分量RA和残差分量R8进行融合，按照残差分量融合规则，具体过程为：
[0091]步骤（4. 1)、分别按照以下两式计算RA(i，j)和RB(i，j)中心像素（i，j)处的局部 区域能量：
[0094] 其中，MXN代表邻域窗口的大小，M=N= 3 ;w(m，n)表示加权模板，取值为
[0092]
[0093]
L0095」 步骤C4.幻、计算RA(i，j)与RB(i，j)的区域匹配度MAB(i，j):
[0096]
[0097] 其中，EAB(i,j)表示RA(i,j)与RB(i,j)的相关区域能量，EAB(i,j)的计算如下：
[0098]
[0099] 步骤（4. 3)、确定融合后的残差分量RF(i,j):
[0100] 设匹配度阈值为T，T= [0. 5~1]，如果MAB(i，j) <T，则选用局部区域能量最大 的系数作为融合系数，即
[0101]
[0102] 否则，执行以下加权规则：
[0103]
[0104] 得到融合后的残差分量RF(i，j)。
[0105] 步骤5、对步骤3得到的融合后的WMF分量WMFf和步骤4得到的残差分量R「进 行WEMD逆变换，得到融合图像F。
[0106] 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（qab/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。
[0107] 表1融合结果客观评价
[0108]
[0109] 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。
[0110] 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：
[0111] 表2融合结果客观评价
[0112]
[0113] 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。
[0114] 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。
[0115] 参考文献
[0116] [1]JamesA.P. ,DasarathyB.V..Medicalimagefusion:Asurveyofthestate oftheart[J]，InformationFusion，2014, 19:4-19.
[0117] [2]焦李成，侯彪，王爽等.图像多尺度几何分析理论与应用一后小波分析理论 与应用[M].西安：西安电子科技大学出版社，2008:1-24.
[0118] [3]LiWei,ZhuXuefeng.Anewalgorithmofmulti-modalitymedical imagefusionbasedonpulse-coupledneuralnetworks[J].AdvancesinNatural Computation,LectureNotesinComputerScienceVolume3610, 2005, 995-1001.
[0119] [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.
[0120] [5]L.Yang,B.L.Guo,ff.Ni,Multimodalitymedicalima