1.一种基于拉普拉斯金字塔与参数自适应脉冲耦合神经网络的医学图像融合方法，其特征在于，所述医学图像融合方法具体包括如下步骤：S1：利用FFST变换将源图像A和源图像B进行分解，获取得到所述源图像A和源图像B的低频系数和高频系数；

S2：所述源图像A和源图像B的低频系数均通过LP变换分解为子低频系数和子高频系数，将所述源图像A的子低频系数和源图像B的子低频系数通过稀疏表示SR融合方法进行融合，将所述源图像A的子高频系数和源图像B的子高频系数通过绝对值取大法进行融合，获取融合后的子低频系数和子高频系数；

S3：所述融合后的子低频系数和子高频系数通过LP逆变换进行融合，得到融合后的低频系数；

S4：将所述源图像A的高频系数和源图像B的高频系数通过参数自适应脉冲耦合神经网络PCNN进行融合，获取得到融合后的高频系数；

S5：所述融合后的低频系数和融合后的高频系数通过FFST逆变换获取得到最终的融合图像。

2.根据权利要求1所述的一种基于拉普拉斯金字塔与参数自适应脉冲耦合神经网络的医学图像融合方法，其特征在于，在所述步骤S2中，利用SR融合方法获取所述融合后的子低频系数，具体如下：S2.1：通过预设滑动窗口对所述源图像A的子低频系数和源图像B的子低频系数均进行分块处理，获取得到源图像A的子低频系数的图像子块和源图像B的子低频系数的图像子块；

S2.2：将所述源图像A的子低频系数的图像子块和源图像B的子低频系数的图像子块均转化为列向量，用以组建源图像A和源图像B的子低频系数的样本训练矩阵；

S2.3：通过K‑SVD算法对所述源图像A和源图像B的子低频系数的样本训练矩阵进行迭代运算，获取得到子低频系数的完备字典矩阵；

S2.4：利用OMP优化算法估计所述源图像A和源图像B的子低频系数的样本训练矩阵的稀疏系数，获取得到融合稀疏系数矩阵；

S2.5：将所述子低频系数的完备字典矩阵和融合稀疏系数矩阵相乘，得到融合样本训练矩阵，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为融合稀疏系数矩阵；

S2.6：将所述融合样本训练矩阵每一列的列向量均转化为数据子块，利用所述数据子块重构得到子低频系数，即为获取融合后的子低频系数。

3.根据权利要求2所述一种基于拉普拉斯金字塔与参数自适应脉冲耦合神经网络的医学图像融合方法，其特征在于，在步骤S2.2中，将所述源图像A的子低频系数的图像子块和源图像B的子低频系数的图像子块均转化为列向量，即将所述源图像A的子低频系数的图像子块和源图像B的子低频系数的图像子块均按从左到右从上到下的顺序重新进行排列。

4.根据权利要求2或3所述的一种基于拉普拉斯金字塔与参数自适应脉冲耦合神经网络的医学图像融合方法，其特征在于，在所述步骤S2.3中，获取得到所述子低频系数的完备字典矩阵，即为将所述源图像B的子低频系数的样本训练矩阵直接设置在源图像A的子低频系数的样本训练矩阵的后面，行数保持不变。

5.根据权利要求4所述的一种基于拉普拉斯金字塔与参数自适应脉冲耦合神经网络的医学图像融合方法，其特征在于，所述步骤S2.4获取得到融合稀疏系数矩阵，具体如下：S2.4.1：利用OMP优化算法估计所述源图像A和源图像B的子低频系数的样本训练矩阵的稀疏系数，获取得到源图像A和源图像B的子低频系数的稀疏系数矩阵；

S2.4.2：通过所述源图像A和源图像B的子低频系数的稀疏系数矩阵，获取融合稀疏系数矩阵，其中所述融合稀疏系数矩阵的列向量，具体为：其中： 为融合稀疏系数矩阵第i列的列向量， 为源图像A的子低频系数的稀疏系数矩阵第i列的列向量， 为源图像B的子低频系数的稀疏系数矩阵第i列的列向量，||αA||1为源图像A的子低频系数的稀疏系数矩阵中列向量各个元素的绝对值之和，||αB||1为源图像B的子低频系数的稀疏系数矩阵中列向量各个元素的绝对值之和。

6.根据权利要求1或2所述的一种基于拉普拉斯金字塔与参数自适应脉冲耦合神经网络的医学图像融合方法，其特征在于，在所述步骤S2中，获取所述融合后的子高频系数，即所述源图像A的子高频系数和源图像B的子高频系数通过绝对值取大法进行融合，其中融合后得到的子高频系数即为所述融合后的子高频系数。

7.根据权利要求6所述的一种基于拉普拉斯金字塔与参数自适应脉冲耦合神经网络的医学图像融合方法，其特征在于，所述步骤S4利用参数自适应脉冲耦合神经网络PCNN获取得到融合后的高频系数，具体如下：S4.1：将PCNN神经网络模型初始化后，设置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，具体为：其中：Fpq[n]为PCNN神经网络第n次的反馈输入，Ipq为PCNN神经网络的刺激信号，Lpq[n]为PCNN神经网络第n次的链接输入，αL为PCNN神经网络的定值，Lpq[n‑1]为PCNN神经网络第n‑1次的链接输入，VL为PCNN神经网络的链接输入的放大系数，Wpqkl为PCNN神经网络的神经元之间的连接权系数，Ypq[n‑1]为PCNN神经网络第n‑1次的外部输入，Upq[n]为PCNN神经网络第n次的内部状态，β为PCNN神经网络的链接强度，θpq[n]为PCNN神经网络第n次的变阈值输入，αθ为PCNN神经网络的变阈值衰减时间常数，θpq[n‑1]为PCNN神经网络第n‑1次的变阈值输入，Vθ为PCNN神经网络的变阈值的放大系数，Ypq[n]为PCNN神经网络的第n个外部输入，Upq[n]为PCNN神经网络的第n个内部状态，k为源图像的分解尺度，l为源图像的分解方向数；

S4.2：根据所述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，重新设置所述PCNN神经网络模型，并将所述源图像A和源图像B的高频系数均代入重新设置的PCNN神经网络模型中，通过加权函数确定出源图像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的高频系数的标准差作为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的高频系数的标准差作为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；

S4.3：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，将所述源图像A和源图像B的新点火映射图中各像素处的点火时间输出阈值进行比较，通过所述比较结果获取融合后的高频系数，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中各像素处的点火时间输出阈值，OB(i,j)为源图像B的高频系数对应的新点火映射图中各像素处的点火时间输出阈值，(i,j)为新点火映射图中像素点的位置。

8.根据权利要求7所述的一种基于拉普拉斯金字塔与参数自适应脉冲耦合神经网络的医学图像融合方法，其特征在于，在所述步骤S4.2中，所述PCNN神经网络的链接强度值对应的输出，具体如下∶S4.2.1：将所述源图像A和源图像B的高频系数代入拉普斯能量和标准差公式中，获取得到源图像A和源图像B的高频系数的拉普斯能量和标准差，所述拉普斯能量和标准差公式，具体为：其中：SD为标准差，EOL为拉普斯能量，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；

S4.2.2：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，并代入所述PCNN神经网络模型中，获取得到所述源图像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时的输出。