1.一种基于视觉整体和局部特征融合的轮廓检测方法，其特征在于，该方法具体包括以下步骤：

步骤(1)针对轮廓待检测图像，提取表征其整体特性的低分辨子图I1；首先利用双线性插值法，对轮廓待检测图像进行尺寸扩展，使扩展后图像I的长和宽相等，长和宽均等于M，其中M为2的整数幂次值；然后利用高斯金字塔方法，对I进行分解层数为n的尺度分解，得到分解后的低分辨率子图I1，用来表征轮廓待检测图像的整体特性；I1尺寸记为N1×N1，N1的默认值为64；因此可根据图像I的长和宽，获得分解层数n的具体数值；

步骤(2)针对轮廓待检测图像，提取表征其局部特征的边界响应子图I2；设置具有方向选择特性的经典感受野，分别利用二维高斯导函数模型提取扩展后图像I在中心水平、中心垂直、正对角线、负对角线上的方向响应；然后针对I的任意像素，获得所有方向上的最大响应，并结合方向响应的响应强度系数确定最终的边界响应，从而得到具有局部特征的边界响应子图I2；

步骤(3)构建包含池化模块的卷积神经网络G，实现整体轮廓信息快速提取；其中G由四个单元和一个损失层构成，前两个单元都分别由双层普通卷积层和池化层组成，第三个单元由双层普通卷积层组成，第四个单元由上采样层和单层普通卷积层组成；构建具有上述结构特性的卷积神经网络G，其中初始卷积核权重随机设置；将步骤(1)获得的低分辨子图I1训练样本输入卷积神经网络G，经sigmod函数激活后与训练样本轮廓标签做损失运算，沿损失减小方向反向传播更新卷积核权重，迭代多次，至损失值小于阈值￡,获得训练后的卷积神经网络G；

步骤(4)构建包含空洞卷积模块的卷积神经网络L，实现局部轮廓信息精细提取；其中L由四个单元、一个融合层和一个损失层构成，每个单元由单层普通卷积层和单层空洞卷积层组成，其中普通卷积核与空洞卷积核的个数相同，四个单元空洞卷积的dilated分别等于

2，2，4，4；构建具有上述结构特性的卷积神经网络L，其中初始卷积核权重随机设置；将步骤(2)获得的边界响应子图I2训练样本输入卷积神经网络L，经sigmod函数激活后与训练样本轮廓标签做损失运算，沿损失减小方向反向传播更新卷积核权重，迭代多次，至损失值小于阈值 获得训练后的卷积神经网络L；

步骤(5)实现整体和局部轮廓信息的融合，获取精细轮廓；首先将待检测图像经过步骤(1)和步骤(2)处理后，获得其所对应的低分辨子图I1和边界响应子图I2；将I1和I2分别输入到网络G和网络L中，获得整体轮廓信息G(i,j)和局部轮廓信息L(i,j)；以L(i,j)的尺寸为基准，对G(i,j)进行双线性插值；根据L(i,j)各像素的对比度关系，对整体轮廓信息G(i,j)进行融合，从而获取精细轮廓；

具体处理过程如下：

①求出L(i,j)中每个像素点的对比度，此处用temp(i,j)表示；

②以图像坐标(u,v)处像素为例，当该点为轮廓点时，即temp(u,v)＞ξ；

③当该点为非轮廓点时，即temp(u,v)≤ξ；

其中ξ表示轮廓像素点的对比度阈值，默认值为最大对比度的75％。

2.根据权利要求1所述一种基于视觉整体和局部特征融合的轮廓检测方法，其特征在于：步骤2中设置具有方向的默认设置8个方向：0°，45°，90°，135°，180°，225°，270°，315°。