1.一种基于多级特征信道优化编码的图像轮廓检测方法，其特征在于，该方法具体包括以下步骤：

步骤1:获取输入图像I(x,y)的初级轮廓响应；

首先计算输入图像I(x,y)的Gabor滤波器响应，结果记为 如式(1)～(4)所示；

式中： 表示图像I(x,y)经过Gabor滤波器在尺度m，方向θ＝nπ/K上得到的Gabor特征信息；σx,σy分别表示Gabor小波基函数沿x轴和y轴的标准偏差；ω为高斯函数的复调制频率；以ψ(x,y)为母小波，通过对其进行尺度和旋转变换，得到Gabor滤波器ψm,n(x,y)；其中，u,v是ψm,n(x,y)的模板尺寸；m＝0,...,S‑1，n＝0,...,K‑1，S和K分别表示尺度数和方向数；α为ψ(x,y)的尺度因子，式中：α>1；

基于相似度指标SSIM，计算Gabor滤波器对应的最优尺度mopt和方向θopt，如式(5)～(8)所示；

mark

其中 表示滤波器响应 与已知的轮廓标记图像I 之间的相似度 ，当 取 极大 值 时 ，获 得最 优 尺度 mo p t和 方向θop t ；

mark

和 分别表示 与I 之间在亮度、对比度mark

和结构上的定量相似性度量；uGabor、umark分别表示图像 和I 的亮度均值，δGabor、δmarkmark mark

分别表示图像 和I 的亮度标准差， 分别表示图像 和I 的亮度方mark

差，δG,m代表图像 和I 的亮度协方差；为了避免由于式(6)～(8)中的各项分母接近零值时所引起的系统不稳定，C1、C2和C3设置为某个正常数，小于滤波器响应 亮度均值的

3％；

将mopt和θopt作为非下采样轮廓波变换的频率分离参数，非下采样轮廓波变换对图像I(x,y)分解得到轮廓子图 由于非下采样轮廓波变换分解过程尺寸保持不变，因此将 与I(x,y)直接进行像素级的特征增强融合操作，最终获得输入图像I(x,y)的初级轮廓响应E(x,y)，如式(9)和(10)所示；

式中， 表示尺度mopt和方向θopt参数条件下的非下采样轮廓波变换，表示对应的非下采样轮廓波变换轮廓子图；t表示轮廓子图 的亮度均值；max表示取最大值函数，下同；

步骤2：将步骤1获得的初级轮廓响应E(x,y)，传输至全卷积神经网络，获得分别由FCN‑

5 4 3

32S、FCN‑16S、FCN‑8S网络单元训练得到的热图F ，F ，F ；全卷积神经网络分为特征编码器和特征解码器两部分，整个网络包含8个卷积块，5个最大池化层，5个上采样和2个卷积层；

具体结构如下：

1.特征编码器

以VGG‑16作为基础网络进行全卷积神经网络的优化改造；为实现网络计算速度的提高，增强泛化能力，在卷积块(3×3、1×1、3×3)结构中，每两个3×3的卷积核中加入1×1卷积核；为加强学习图像特征的非线性和平移不变性，每层卷积模块后面加入最大池化层；同时E(x,y)经过池化层Max pool5处理后，尺寸变成I(x,y)的1/32，记为 表示经过FCN‑

32S网络单元训练后输出的特征图；E(x,y)经过池化层Max pool4和卷积层1×1，尺寸变成I(x,y)的1/16，记为 表示经过FCN‑16S网络单元训练后输出的特征图；同理，E(x,y)经过池化层Max pool3和卷积层1×1，尺寸变成I(x,y)的1/8，记为 表示经过FCN‑8S网络单元训练后输出的特征图；其中每个池化层输出利用Relu激活函数实现稀疏编码功能；特征编码器包括如下十三层结构，其中步长stride均为1：第一层，卷积层CONV1‑1，通道个数8，卷积核大小3×3；CONV1‑2，通道个数8，卷积核大小为3×3；

第二层，最大池化层Max pool1，池化区域大小为2×2；

第三层，卷积层CONV2‑1，通道个数16，卷积核大小为3×3；CONV2‑2，通道个数16，卷积核大小为1×1；CONV2‑3，通道个数16，卷积核大小为3x3；

第四层，最大池化层Max pool2，池化区域大小为2×2；

第五层，卷积层CONV3‑1，通道个数32，卷积核大小为3×3；CONV3‑2,通道个数32，卷积核大小为1×1；CONV3‑3，通道个数32，卷积核大小为3×3；

第六层，最大池化层Max pool3，池化区域大小为2×2；

第七层，卷积层CONV4‑1，通道个数64，卷积核大小为3×3；CONV4‑2，通道个数64，卷积核大小为1×1；CONV4‑3，通道个数64，卷积核大小为3×3；

第八层，最大池化层Max pool4，池化区域大小为2×2；

第九层，卷积层CONV5‑1，通道个数128，卷积核大小为3×3；CONV5‑2，通道个数128，卷积核大小为1×1；CONV5‑3，通道个数128，卷积核大小为3×3；

第十层，最大池化层Max pool5，池化区域大小为2×2；

第十一层，卷积层CONV6，通道个数256，卷积核大小为1×1；

第十二层，卷积层CONV7，通道个数256，卷积核大小为1×1；

第十三层，卷积层CONV8，通道个数1，卷积核大小为1×1；

2.特征解码器

初级轮廓响应E(x,y)经过特征编码不断缩小为原来的1/8，1/16，1/32，获得的特征图分辨率低，因此加入特征解码器，对低分辨率的特征图进行双线性上采样操作；对于经过325

倍下采样的图像 利用32倍双线性上采样得到与I(x,y)一样大小的热图，记为F ；在池化层Max pool4后加入调节特征图像通道个数的预测卷积层1×1，输出得到图像 同时把32倍下采样的图像 进行两倍上采样，所得结果与 对应元素相加，再利用16倍双线4

性上采样得到与I(x,y)一样大小的热图，记为F ；在池化层Max pool3后加入调节特征图像通道个数的预测卷积层1×1，输出得到图像 同时把16倍下采样的图像 进行两倍上采样，所得结果与 对应元素相加，再利用8倍双线性上采样得到与I(x,y)一样大小的热3

图，记为F；

5 4 3

步骤3：对步骤2获得的热图F ，F ，F ，利用max函数取各像素上的最大像素值，融合得到mark

图像轮廓掩模图F，再经过Relu激活函数作用，与已知的轮廓标记图像I 进行损失运算，结果记为loss，并采用随机梯度下降，不断迭代更新各个网络层的参数，当loss值小于阀值ε时训练结束，ε设为训练图像样本像素总数的1～3％，获得训练后的全卷积神经网络；

步骤4：将待检测图像经过步骤1～3所构建的Gabor滤波器、非下采样轮廓波变换以及训练后的全卷积神经网络，得到图像轮廓掩模图，与待检测图像进行点乘操作，最终获得图像轮廓检测结果。