1.一种基于快速有限剪切波变换与稀疏表示的医学图像融合法，其特征在于，所述医学图像融合法包括如下方法：S1：通过FFST将源图像A和源图像B进行分解，获取所述源图像A和源图像B的低频系数和高频系数；

S2：通过稀疏表示融合法将所述源图像A和源图像B的低频系数进行融合，确定融合低频系数；

S3：根据PCNN融合法将所述源图像A和源图像B的高频系数进行融合，获取融合高频系数；

S4：将所述融合低频系数和融合高频系数通过FFST逆变换进行重构，获取融合图像。

2.根据权利要求1所述的一种基于快速有限剪切波变换与稀疏表示的医学图像融合法，其特征在于，所述步骤S2确定融合低频系数，具体如下：S2.1：所述源图像A和源图像B的低频系数通过K-SVD算法，确定过完备字典矩阵；

S2.2：根据OMP优化算法获取融合图像的稀疏系数矩阵；

S2.3：根据所述过完备字典矩阵和融合图像的稀疏系数矩阵，确定融合样本训练矩阵，具体为：VF＝DαF

其中：VF为融合样本训练矩阵，D为过完备字典矩阵，αF为融合图像的稀疏系数矩阵；

S2.4：通过融合样本训练矩阵确定所述融合低频系数。

3.根据权利要求2所述的一种基于快速有限剪切波变换与稀疏表示的医学图像融合法，其特征在于，所述步骤S2.1确定过完备字典矩阵，具体如下：S2.1.1：通过滑动窗口对所述源图像A和源图像B的低频系数进行分块处理，获取源图像A和源图像B的低频系数的图像子块；

S2.1.2：根据所述源图像A和源图像B的低频系数的图像子块，获取源图像A和源图像B的低频系数的样本训练矩阵；

S2.1.3：通过K-SVD算法将所述源图像A和源图像B的低频系数的样本训练矩阵进行迭代运算，确定过完备字典矩阵。

4.根据权利要求2所述的一种基于快速有限剪切波变换与稀疏表示的医学图像融合法，其特征在于，所述步骤S2.2根据OMP优化算法获取融合图像的稀疏系数矩阵，具体如下：S2.2.1：通过OMP优化算法估计源图像A和源图像B的低频系数的样本训练矩阵的稀疏系数，获取源图像A和源图像B的低频系数的稀疏系数矩阵；

S2.2.2：根据所述源图像A和源图像B的低频系数的稀疏系数矩阵，获取融合图像的稀疏系数矩阵的列向量，具体为：其中： 为融合图像的稀疏系数矩阵的列向量， 为源图像A的低频系数的稀疏系数矩阵的列向量， 为源图像B的低频系数的稀疏系数矩阵的列向量，||αA||1为源图像A的低频系数的稀疏系数矩阵中列向量各个元素绝对值之和，||αB||1为源图像B的低频系数的稀疏系数矩阵中列向量各个元素绝对值之和；

S2.2.3：根据所述融合图像的稀疏系数矩阵的列向量，确定所述融合图像的稀疏系数矩阵。

5.根据权利要求1或2或3或4所述的一种基于快速有限剪切波变换与稀疏表示的医学图像融合法，其特征在于，所述步骤S3获取融合高频系数，具体如下：S3.1：设置PCNN神经网络；

S3.2：累计PCNN神经网络迭代运行的输出，获取源图像A和源图像B的高频系数对应的新点火映射图，具体为：其中：

OA为源图像A的高频系数对应的新点火映射图，OB为源图像B的高频系数对应的新点火映射图，OAE为源图像A的高频系数的拉普斯能量作为PCNN神经网络的链接强度值时的输出，OAS为源图像A的高频系数的拉普斯能量作为PCNN神经网络的链接强度值时的输出，OBE为源图像B的高频系数的拉普斯能量作为PCNN神经网络的链接强度值时的输出，OBS为源图像B的高频系数的拉普斯能量作为PCNN神经网络的链接强度值时的输出；

S3.3：根据所述源图像A和源图像B的高频系数对应的新点火映射图，获取融合高频系数，具体为：其中：HF(i,j)为融合高频系数，HA(i,j)为源图像A的高频系数，HB(i,j)为源图像B的高频系数，OA(i.j)为源图像A的高频系数对应的新点火映射图，OB(i.j)为源图像B的高频系数对应的新点火映射图。

6.根据权利要求5所述的一种基于快速有限剪切波变换与稀疏表示的医学图像融合法，其特征在于，所述步骤S3.1设置PCNN神经网络，具体如下：S3.1.1：将PCNN神经网络模型初始化；

S3.1.2：根据PCNN神经网络模型的链接输入、内部状态、变阈值输入和外部输入，设置所述PCNN神经网络，具体为：其中：Fij[n]为PCNN神经网络的反馈输入，Iij为PCNN神经网络的刺激信号，Lij[n]和Lij[n-1]为PCNN神经网络的链接输入，αL为PCNN神经网络的定值，VL为PCNN神经网络的链接输入的放大系数，Wijkl为PCNN神经网络的神经元之间的连接权系数，Yij[n]和Yij[n-1]为PCNN神经网络的外部输入，Uij[n]为PCNN神经网络的内部状态，β为PCNN神经网络的链接强度，θij[n]和θij[n-1]为PCNN神经网络的变阈值输入，αθ为PCNN神经网络的变阈值衰减时间常数，Vθ为PCNN神经网络的变阈值的放大系数，k为源图像的分解尺度，l为源图像的分解方向数。

7.根据权利要求5所述的一种基于快速有限剪切波变换与稀疏表示的医学图像融合法，其特征在于，所述步骤S3.2累计PCNN神经网络迭代运行的输出，具体如下：S3.2.1：获取源图像A和源图像B的高频系数的拉普斯能量和标准差，具体为：其中：SD为源图像A和源图像B的高频系数的标准差，EOL为源图像A和源图像B的高频系数的拉普斯能量，f(i,j)为像素值，mk为像素均值，W为滑动窗口，n为滑动窗口的长或宽，fii为在活动窗口内对i进行求导的结果，fjj为在活动窗口内对j进行求导的结果，(i,j)为源图像中像素点的位置；

S3.2.2：将所述源图像A和源图像B的高频系数的拉普斯能量和标准差分别作为PCNN神经网络的链接强度值，获取所述PCNN神经网络迭代运行的输出。