1.一种基于分频视觉机制的轮廓特征提取方法，其特征在于，该方法具体包括以下步骤：步骤1：针对输入图像I(x,y)，引入如式(1)所示的高斯函数 模拟LGN经典感受野所具有的频域响应特性；

其中

利用高斯函数 的尺度参数σj作为LGN经典感受野对视觉信息流的分频特性参数，从而获得f个空间频率调谐通道，默认f＝3，σ1＝1，σ2＝2，σ3＝4，下同； 表示朝向角，上标j表示空间频率调谐通道的序号，j＝1,2,…,f，下同；下标i表示朝向角的序号，i＝1,2,…,Nθ，下同，Nθ默认设置为8；空间大小比率γ决定了LGN经典感受野的椭圆率；

针对某个尺度参数σj，计算第i个朝向角 的LGN经典感受野分频激励响应如式(3)所示；

式(3)中默认γ＝0.5，*表示卷积运算；

步骤2：在步骤1所获得的 基础上，提取f个空间频率调谐通道的初级轮廓响应E(x,y,σj)；具体实现过程如下：针对步骤1所获得的激励响应 在固定某个尺度参数σj情况下，使 遍历Nθ个不同朝向角，采用最大值策略，选取 的最大值，从而获得初级轮廓响应E(x,y,σj)，如式(4)所示；同时记录各尺度参数σj情况下 最大值所对应的朝向角，记为θCRF(j)；

其中max表示取最大值函数，下同；

步骤3：采用如式(5)和(6)所示的双高斯差函数模拟LGN非经典感受野响应特性同时记录各尺度参数σj情况下 最大值所对应的朝向角为θNCRF(j)；定义第j条空间频率调谐通道上LGN非经典感受野中心-外周的抑制强度如式(7)所示；

式(6)中默认γ＝1；ρ表示LGN非经典感受野外周与中心的半径比值，根据电生理实验发现非经典感受野的直径一般为经典感受野的2～5倍，默认ρ＝4；式(7)中|| ||表示范数运算；

步骤4：针对步骤2和步骤3分别获取的θCRF(j)和θNCRF(j)，计算两者的朝向差异特性，得到侧抑制强度首先分别计算朝向差异△θCRF-NCRF(j)，如式(8)所示；

再经幂指数归一化，得到朝向调制权重W1(j)，如式(9)所示；

其中，δ表示抑制强度随视觉特征差异增大而衰减的调节参数，默认δ＝0.2，下同；

计算得到反映朝向差异特性的侧抑制强度 如式(10)所示；

步骤5：对LGN非经典感受野局部窗口内的输入图像对比度进行修正，得到低对比度加强后的Cc(x,y)；

首先定义窗长为υ的LGN非经典感受野局部窗口Wxy，下标xy表示窗口的中心坐标为(x,y)，υ通常设定为3～11之间的奇数；w(xi,yi)表示Wxy的空间权重函数，如式(11)所示；

然后对输入图像I(x,y)进行空间权重函数w(xi,yi)的加权计算，得到亮度L(x,y)，如式(12)所示；

接着计算局部窗口Wxy内的输入图像对比度C(x,y)，如式(13)所示；

其中，Lmax、Lmin分别表示局部窗口Wxy内，亮度L(x,y)的最大值和最小值；

最后采取阈值修正法，计算低对比度加强后的Cc(x,y)，如式(14)所示；

其中Cc表示修正阈值，

步骤6：基于步骤2获得的初级轮廓响应E(x,y,σj)，以及步骤3获得的LGN非经典感受野响应特性 将两者融合后，按步骤5所获得的Cc(x,y)进行加权处理，得到低对比度差异指标△C(x,y,j)，如式(15)所示；

再经幂指数归一化，得到低对比度调制权重W2(x,y,j)，如式(16)所示；

计算得到反映低对比度差异特性的侧抑制强度 如式(17)所示，其中上标j的含义同前；

步骤7：针对步骤4和步骤6分别得到的 和 调制空间频率调谐通j j

道上的特征抑制强度E_Inh (x,y)，最终得到图像纹理抑制后的轮廓信息r (x,y)，如式(18)～(20)所示；

rj(x,y)＝max(E(x,y；σj)-α·E_Inhj(x,y)，0)  (18)式中，α表示经典感受野与非经典感受野的神经元间连接强度，默认α＝3；

步骤8：实现初级视皮层分频视觉信息流的快速融合编码，将步骤7获得的rj(x,y)，并行传递至初级视皮层区进行权重融合加工处理，最终得到轮廓响应Total_r(x,y)，如式(21)所示；

其中，βj为第f条空间频率调谐通道上轮廓响应的频段融合权重，取值范围为[0,1]，通常可按式(22)进行设置；