1.一种基于卷积神经网络的监督暗视觉图像边缘检测方法，其特征在于，包括：获取暗视觉图像，将暗视觉图像输入到训练好的优化监督图像边缘检测模型中进行暗视觉图像边缘检测，得到边缘检测结果；所述优化监督图像边缘检测模型由六个边缘检测模块和一个拼接模块构成；

训练优化监督图像边缘检测模型的过程包括：

S1：获取暗视觉原始图像数据集和正常光照条件下相同场景的边缘标注图像数据集，将数据集分为训练集和测试集，对训练集中的暗视觉原始图像和正常光照条件下相同场景的边缘标注图像同时进行数据增强处理，得到扩增的训练样集；

S2：将扩增的训练集中的图像输入到优化的监督图像边缘检测模型中，得到六个边缘检测模块的效果过程图；六个边缘检测模块的结构为：第一模块包括两个卷积层，第一层卷积核个数为32，卷积窗口的大小为3*3，步长为2*

2，激活函数为relu函数；第二层卷积核个数为64，卷积窗口的大小为3*3，步长为1*1，激活函数为relu函数；

第二模块包括两个卷积层，第一层卷积核个数为128，卷积窗口的大小为3*3，步长为1*

1，激活函数为relu函数；第二层卷积核个数为128，卷积窗口的大小为3*3，步长为1*1；

第三模块包括一个卷积层和两个相同的卷积结构；卷积层的卷积核个数为256，卷积窗口的大小为1*1，步长为1*1；卷积结构为：relu激活函数，卷积核个数为256，卷积窗口的大小为3*3，步长为1*1，激活函数为relu函数；

第四模块包括一个卷积层和三个相同的卷积结构；卷积层的卷积核个数为256，卷积窗口的大小为1*1，步长为2*2；卷积结构为：relu激活函数，第一个卷积层的卷积核个数为

256，卷积窗口的大小为1*1，步长为1*1，激活函数为relu函数；第二个卷积层的卷积核个数为512，卷积窗口的大小为3*3，步长为1*1；

第五模块包括一个卷积层和三个相同的卷积结构；卷积层的卷积核个数为512，卷积窗口的大小为1*1，步长为2*2；卷积结构为：relu激活函数，第一个卷积层的卷积核个数为

256，卷积窗口的大小为1*1，步长为1*1，激活函数为relu函数；第二个卷积层的卷积核个数为512，卷积窗口的大小为3*3，步长为1*1；

第六模块包括一个卷积层和三个相同的卷积结构；卷积层的卷积核个数为256，卷积窗口的大小为1*1，步长为1*1；卷积结构为：relu激活函数，第一个卷积层的卷积核个数为

128，卷积窗口的大小为1*1，步长为1*1，激活函数为relu函数；第二个卷积层的卷积核个数为256，卷积窗口的大小为3*3，步长为1*1；

S3：将六个边缘检测效果的过程图进行拼接，把拼接后的图像转变为三维图像，对三维图像进行卷积得到边缘检测图像；

S4：计算优化监督图像边缘检测模型的损失函数，根据损失函数计算训练过程中的得到的边缘检测图像与正常光照条件下相同场景的边缘标注图像的误差；

S5：不断调整损失函数的权重，当损失函数的值最小时，保存模型的训练权重参数；

S6：将测试集中的数据输入到优化监督图像边缘检测模型中进行测试；

S7：输出边缘检测结果，则模型训练完成。

2.根据权利要求1所述的一种基于卷积神经网络的监督暗视觉图像边缘检测方法，其特征在于，所述暗视觉图像数据集的获取过程包括：提取正常光照下图像的R、G、B通道得到R1、G1、B1图像；将R1、G1、B1图像的灰度级线性变化到0‑47，得到R2、G2、B2图像；将R2、G2、B2图像重新组合得到暗视觉环境下图像；将重新组合的图像进行集合处理，得到暗视觉图像数据集。

3.根据权利要求1所述的一种基于卷积神经网络的监督暗视觉图像边缘检测方法，其特征在于，拼接模块用于将六个边缘检测模块得到的边缘检测效果过程图进行拼接；采用contat函数将拼接后的图像转变为三维图像，对三维图像进行卷积；进行卷积的卷积核个数为1，卷积窗口的大小为1*1，步长为1*1。

4.根据权利要求1所述的一种基于卷积神经网络的监督暗视觉图像边缘检测方法，其特征在于，所述暗视觉图像数据集中的图像进行增强处理，包括对图像进行随机裁剪以及图像翻转、旋转处理。

5.根据权利要求1所述的一种基于卷积神经网络的监督暗视觉图像边缘检测方法，其特征在于，优化的监督图像边缘检测模型的损失函数为：n

其中，A(.)表示损失函数，n表示监督图像边缘检测模型各模块输出图像的维度，W表示模型中所有参数的集合，w表示相对应的参数集合， β分别表示损失函数中各项的系数，Y+表示边缘标注图像数据集中非边缘数据，σ(.)表示每个权重的规模水平，yj表示边缘检测‑图像的像素是否被标记为边缘，X表示输入的图像，Y 表示边缘标注图像数据集中边缘数据。

6.根据权利要求5所述的一种基于卷积神经网络的监督暗视觉图像边缘检测方法，其特征在于，对损失函数的系数进行优化，损失函数系数优化公式为：其中，λ表示控制正样本与负样本的权重。

7.根据权利要求5所述的一种基于卷积神经网络的监督暗视觉图像边缘检测方法，其特征在于，设置控制正样本与负样本的权重λ，λ的初始值设置为0.6‑1.2之间，通过模型的训练，不断更新。

8.根据权利要求1所述的一种基于卷积神经网络的监督暗视觉图像边缘检测方法，其特征在于，计算边缘检测图像与正常光照条件下相同场景的边缘标注图像的误差的过程为：获取正常光照条件下相同场景的边缘标注图像的边缘点数目集合；获取经过边缘检测模型图像的边缘点数目集合；根据误差公式计算边缘检测图像与正常光照条件下相同场景的边缘标注图像的误差；

误差公式为：

其中，error表示边缘检测图像与正常光照条件下相同场景的边缘标注图像的误差，Mnew表示经边缘检测模型后图像边缘点的集合，Mo表示正常光照条件下相同场景的边缘标注图像边缘点的集合，m表示经边缘检测模型后图像的边缘点，|| ||Euclid表示第m个标注的边缘点到检测到的边缘点之间的欧式距离。