1.一种基于多尺度形态学梯度的自适应简化脉冲耦合神经网络模型的遥感图像融合方法，其特征在于，包括：S1：获取合成孔径雷达图像和多光谱图像；

S2：对合成孔径雷达图像分别进行高斯曲率滤波分解和高斯滤波分解，得到小尺度图像、大尺度图像和基尺度图像；

S3：对多光谱图像进行色彩饱和强度变换，得到强度图像；

S4：采用基于多尺度形态学梯度的自适应简化脉冲耦合神经网络模型对基尺度图像和强度图像进行融合，得到近似图像；

基于多尺度形态学梯度的自适应简化脉冲耦合神经网络模型的构建过程包括：设置自适应参数，自适应参数包括输入图像的标准差关系值、连接强度、动态阈值的幅值以及动态阈值的衰减因子；根据自适应参数得到自适应简化脉冲耦合神经网络模型；

自适应参数为：

αF＝log(1/σ(S))

其中，αF表示输入图像的标准差关系值，σ(S)表示输入图像的标准差，S表示输入图像的像素值，βij′表示连接强度，m表示区域内的神经元个数，xkl表示中心像素的邻域神经元灰度值， 表示区域内神经元灰度值的均值，(k,l)表示中心像素的邻域像素点，VE表示动态阈值的幅值，β′表示输入图像的标准差，αE表示动态阈值的衰减因子，S′表示归一化的Otsu阈值；

采用多尺度形态学梯度模型分别提取基尺度图像的梯度特征和强度图像的梯度特征；

采用多尺度形态学梯度模型提取图像的梯度特征的公式为：

其中，Gt(x,y)表示梯度特征，t表示尺度的个数，I(x,y)表示输入图像，gt(x,y)表示结构元素，表示膨胀运算，Θ表示腐蚀运算；

根据基尺度图像的梯度特征和强度图像的梯度特征分别得到基尺度图像的多尺度形态学梯度算子和强度图像的多尺度形态学梯度算子；

采用基尺度图像的多尺度形态学梯度算子和强度图像的多尺度形态学梯度算子对自适应简化脉冲耦合神经网络模型进行调制，得到基于多尺度形态学梯度的自适应简化脉冲耦合神经网络模型；

S5：将近似图像、小尺度图像和大尺度图像融合，得到融合后的强度图像；

S6：采用色彩饱和强度逆变换对融合后的强度图像进行重构，得到融合后的遥感图像。

2.根据权利要求1所述的一种基于多尺度形态学梯度的自适应简化脉冲耦合神经网络模型的遥感图像融合方法，其特征在于，对合成孔径雷达图像数据进行高斯曲率滤波分解的公式为：R(i,j)＝I(i,j)+min{|dn|,n＝1,…,8}d1＝(I(i‑1,j)+I(i+1,j))/2‑I(i,j)d2＝(I(i,j‑1)+I(i,j+1))/2‑I(i,j)d3＝(I(i‑1,j‑1)+I(i+1,j+1))/2‑I(i,j)d4＝(I(i‑1,j+1)+I(i+1,j‑1))/2‑I(i,j)d5＝(I(i‑1,j)+I(i,j‑1)+I(i‑1,j‑1))/3‑I(i,j)d6＝(I(i‑1,j)+I(i,j+1)+I(i‑1,j+1))/3‑I(i,j)d7＝(I(i,j‑1)+I(i+1,j)+I(i+1,j‑1))/3‑I(i,j)d8＝(I(i,j+1)+I(i+1,j)+I(i+1,j+1))/3‑I(i,j)其中，R(i,j)表示像素点(i,j)高斯曲率滤波分解结果，I(i,j)表示合成孔径雷达图像I中的像素点(i,j)，dn表示第n个窗口的滤波结果。

3.根据权利要求1所述的一种基于多尺度形态学梯度的自适应简化脉冲耦合神经网络模型的遥感图像融合方法，其特征在于，对合成孔径雷达图像数据进行高斯滤波分解的公式为：其中，I(a,b)表示像素点(a,b)的高斯滤波分解结果，σ表示标准差。

4.根据权利要求1所述的一种基于多尺度形态学梯度的自适应简化脉冲耦合神经网络模型的遥感图像融合方法，其特征在于，得到小尺度图像、大尺度图像和基尺度图像的过程包括：对合成孔径雷达图像进行高斯曲率滤波分解，得到第一滤波图像；对合成孔径雷达图像进行高斯滤波分解，得到第二滤波图像并将其作为基尺度图像；将第一滤波图像和第二滤波图像作减法运算，得到大尺度图像；将合成孔径雷达图像和第一滤波图像作减法运算，得到小尺度图像。

5.根据权利要求1所述的一种基于多尺度形态学梯度的自适应简化脉冲耦合神经网络模型的遥感图像融合方法，其特征在于，得到多尺度形态学梯度算子的公式为：其中，M(x,y)表示多尺度形态学梯度算子，wt表示第t个尺度的权重，Gt(x,y)表示第t个尺度的梯度特征，n表示尺度总数。

6.根据权利要求1所述的一种基于多尺度形态学梯度的自适应简化脉冲耦合神经网络模型的遥感图像融合方法，其特征在于，对自适应简化脉冲耦合神经网络模型进行调制的公式为：其中，M1表示基尺度图像的多尺度形态学梯度算子， 表示基尺度图像的连接强度，M2表示强度图像的多尺度形态学梯度算子， 表示强度图像的连接强度。

7.根据权利要求1所述的一种基于多尺度形态学梯度的自适应简化脉冲耦合神经网络模型的遥感图像融合方法，其特征在于，自适应简化脉冲耦合神经网络模型的公式为：其中，Eij(n)表示动态阈值，VE表示动态阈值的幅值，Yij(n)表示神经元状态判断参数，Uij(n)表示内部活动项， 表示基尺度图像在坐标(i,j)的像素值， 表示基尺度图像的连接强度，Wijkl表示相邻神经元之间的欧几里得距离的倒数， 表示强度图像在坐标(i,j)的像素值， 表示强度图像的连接强度，Nij表示以坐标(i,j)为中心的局部区域，Ykl(n‑1)表示邻域神经元状态判断参数，n表示迭代次数。