脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)是一种基于生物背景的神经网络。作为第三代人工神经网络,PCNN在图像处理领域有着非常广泛的应用,主要应用于图像去噪、图像分割、图像增强等。由于PCNN更接近于生物神经网络,使得其具有传统神经网络所没有的特性,如脉冲发放同步、变阈值、波的形成与传播等特性,这些特性可以很好的应用于图像处理这为本文在图像融合技术中使用脉冲耦合神经网络提供了理论意义和支持。本文首先介绍PCNN模型的基本原理,详细阐述其运行方式;再对PCNN的特性进行分析,探讨该模型在图像处理方面的应用方式及其优势;通过论述PCNN的特点,可知将多尺度下的非采样Contourlet变换(Nonsubsampled Contourlet Transform,NSCT)与PCNN相结合的融合算法,其应用价值更大。相对于传统的小波变换、离散小波变换、脊波变换,具有平移不变性的非采样Contourlet变换,在处理图像融合方面更理想。本文对NSCT变换的理论知识进行介绍说明,又针对其组成部分依次详细论述,在此基础上,总结出NSCT的诸多优良特性特征,表明该变换在图像处理方面的明显优势。本文的图像融合是在对传统PCNN和NSCT结合的基础上改进实现的。将源图像进行NSCT变换处理,判断二者的聚焦情况:(1)对二者聚焦均清晰/均模糊的区域按能量系数加权处理;(2)对二者聚焦清晰/模糊情况相反的区域,以区域方差作为低频子带融合系数的选取规则,高频子带融合系数的选取规则为,采用区域方差作为低频子带融合系数的选取规则,将清晰度和区域能量分别作为PCNN的外界输入和链接强度;然后经过NSCT逆变换,得到最终的融合结果。将NSCT的平移不变性与PCNN的全局耦合脉冲同步特性进行结合,提出一种基于双通道PCNN与NSCT结合的图像融合方法。NSML代表在NSCT域低频子图的边缘特征,并用于激励自适应PCNN神经元。高频子带部分则将NSCT分解后的空间频率作为PCNN的外部输入。经过大量的实验,对融合性能进行评估,结果表明,不论是从视觉质量还是通过客观的评价本文提出的方案均优于小波与PCNN,NSCT与PCNN融合方法,具有现实意义。