1.一种基于非经典感受野非线性两侧亚单元响应的轮廓检测方法，其特征在于包括以下步骤：A、输入经灰度处理的待检测图像，预设抑制系数，预设以滤波模板中心为起点的均分

180°圆心角的多个方向，对待检测图像中的各像素点的灰度值分别按照各方向进行二维高斯一阶导函数滤波，获得各像素点的各方向的响应值；对于各像素点，选取其各方向的响应值中的最大值，作为该像素点的最优响应，该最优响应对应的方向为该像素点的最优方向；

B、预设高斯差分函数并对该函数进行归一化处理，得到归一化的高斯差分滤波函数及相应的模板范围；对于各个像素点，采用归一化的高斯差分滤波函数分别对以当前像素点为模板中心的模板范围内的各个像素点进行滤波，得到各个像素点的模板范围内的各像素点的归一化的高斯差分滤波响应；

C、对于各个像素点：预设周边区域边界值，将其模板范围内的归一化的高斯差分滤波响应大于周边区域边界值的像素点作为周边区域集合，周边区域集合各像素点构成的范围即为周边区域(6)，从而得到周边区域(6)的像素点数量；以模板中心(1)作为圆心，周边区域(6)的外圆作为外圆，构建中心-周边区域集合，将中心-周边区域集合除去周边区域集合中的像素点，得到中心区域集合，中心区域集合各像素点构成的范围即为中心区域(2)；对中心区域(2)中的各像素点的最优响应和最优方向分别求取平均值，分别得到中心区域的平均响应和平均方向；以中心区域的平均方向及其延长线将周边区域划分为两个部分，分别为半圆环周边区域Ⅰ(4)、半圆环周边区域Ⅱ(5)，半圆环周边区域Ⅰ(4)、半圆环周边区域Ⅱ(5)中的像素点分别构成半圆环周边区域Ⅰ集合、半圆环周边区域Ⅱ集合；

D、对于各个像素点：预设类别的数量，构建半圆环周边区域Ⅰ(4)的聚类特征向量，所述的半圆环周边区域Ⅰ(4)的聚类特征向量的构成元素为半圆环周边区域Ⅰ集合中各像素点的最优响应和最优方向；构建半圆环周边区域Ⅱ(5)的聚类特征向量，所述的半圆环周边区域Ⅱ(5)的聚类特征向量的构成元素为半圆环周边区域Ⅱ集合中各像素点的最优响应和最优方向；半圆环周边区域Ⅰ(4)的聚类特征向量进行聚类分析，得到半圆环周边区域Ⅰ(4)范围内的预设数量的各个类，每个类中包含该类的元素、元素数量、该类的聚类中心；对半圆环周边区域Ⅱ的聚类特征向量进行聚类分析，得到半圆环周边区域Ⅱ(5)范围内的预设数量的各个类，每个类中包含该类的元素、元素数量、该类的聚类中心；

E、对于各个像素点：将半圆环周边区域Ⅰ(4)范围内的各个类的聚类中心依次与半圆环周边区域Ⅱ(5)范围内的各个类的聚类中心相减后求L2范数，得到半圆环周边区域Ⅰ(4)范围内的各个类的聚类中心所对应的差异值集合，取各个差异值集合中的最小值作为该类的半圆环周边区域差异值；

F、将各个像素点的中心区域的平均响应和平均方向求L2范数，然后将该求取L2范数后的结果分别与各个类的半圆环周边区域差异值相减，求取各个相减结果的平均值，得到各个像素点的中心-周边差异值；将各个像素点的中心-周边差异值进行归一化得到各个像素点的归一化中心-周边差异值，用1与各个像素点的归一化中心-周边差异值相减得到各个像素点的抑制权重，将各个像素点的最优响应减去该像素点对应的抑制权重与抑制系数的乘积，即得到各个像素点的抑制后响应；

G、对各像素点的抑制后响应使用非极大值抑制和二值化处理，得到各像素点的最终轮廓值，进而得到最终轮廓图。

2.如权利要求1所述的基于非经典感受野非线性两侧亚单元响应的轮廓检测方法，其特征在于：所述的步骤A的二维高斯一阶导函数如下：

其中

θ为方向参数，θ∈(0,π]；σ为尺度，λ为感受野的椭圆长短轴比例常数，(x',y')为待检测图像中各像素点的坐标；

像素点(x',y')的响应为：

其中θi为方向参数， Nθ为方向参数的数量；I(x',y')为像素点(x',y')的灰度值，*表示卷积计算；

像素点(x',y')的最优响应为：

像素点(x',y')的最优角度为：

θmax(x',y')＝argE(x',y')   (5)；

其中arg为提取角度的函数。

3.如权利要求2所述的基于非经典感受野非线性两侧亚单元响应的轮廓检测方法，其特征在于：步骤B所述的归一化的高斯差分滤波函数ω(x,y)为：

其中，

||x||1为L1范数，||x||1＝|x1|+|x2|...+|xn|，x1,x2...xn为模板范围内各像素点的H(DoG(x,y))值，H(x)＝max(0,x)，(x,y)为以当前像素点为滤波模板中心的模板范围内的像素点的坐标。

4.如权利要求3所述的基于非经典感受野非线性两侧亚单元响应的轮廓检测方法，其特征在于：步骤C所述的周边区域集合OL为：

OL＝{(x,y)|ω(x,y)>d}  (7)；

其中d为周边区域边界值；

中心区域集合的确定方式如下：

2 2

(xm,ym)＝{(x,y)|max{xj+yj},(xj,yj)∈OL,j＝1,2,,card(OL)}  (8)；

rad＝xm2+ym2   (9)；

LL＝{(x,y)|x2+y2

IL＝{(x,y)|(LL-OL)}   (11)；

其中，(xm,ym)为周边区域集合的外圆的像素点的坐标，rad为周边区域集合的外圆的半径，LL为中心-周边区域集合，IL为中心区域集合；card(OL)为集合OL的元素数量；

像素点(x',y')的中心区域的平均响应和平均方向IF为：IF＝(IFE,IFθ)  (12)；

其中，IFE(x',y')为像素点(x',y')的中心区域的平均响应，IFθ(x',y')为中心区域的平均方向，ilt代表集合IL中的元素，t＝1,2,...,card(IL)，card(IL)为集合IL中的元素数量；

像素点(x',y')半圆环周边区域Ⅰ(4)集合OLl为：OLl＝{(x,y)|y>tan(IFθ(x',y'))*x}∩OL  (15)；

像素点(x',y')半圆环周边区域Ⅰ(4)集合OLr为：OLr＝{(x,y)|y

5.如权利要求4所述的基于非经典感受野非线性两侧亚单元响应的轮廓检测方法，其特征在于：步骤D所述的半圆环周边区域Ⅰ(4)的聚类特征向量CFl(x',y')为：CFl(x',y')＝(CFle(x',y'),CFlθ(x',y'))  (17)；

其中CFle(x',y')＝E((x',y')+OLlp)   (18)；

CFlθ(x',y')＝θmax((x',y')+OLlp)    (19)；

步骤D所述的半圆环周边区域Ⅱ(5)的聚类特征向量CFr(x',y')为：CFr(x',y')＝(CFre(x',y'),CFrθ(x',y'))  (20)；

其中CFre(x',y')＝E((x',y')+OLrq)  (21)；

CFrθ(x',y')＝θmax((x',y')+OLrq)  (22)；

其中OLlp为OLl集合中的元素，OLrq为OLr集合中的元素，p∈{1,2,...,card(OLl)}，q∈{1,2,...,card(OLr)}；

聚类分析之后，半圆环周边区域Ⅰ(4)聚类中心的集合为COFl，半圆环周边区域Ⅱ(5)聚类中心的集合为COFr，均为Nk×2的矩阵；Nk为类别的数量。

6.如权利要求5所述的基于非经典感受野非线性两侧亚单元响应的轮廓检测方法，其特征在于：步骤E所述的半圆环周边区域Ⅰ(4)范围内的各个类的聚类中心所对应的差异值集合ΔOL为：ΔOL(u,v)＝||COFlu-COFrv||2,u＝{1,2,...,Nkmeans},v＝{1,2,...,Nkmeans}(23)；

其中，COFlu、COFrv分别为半圆环周边区域Ⅰ(4)、半圆环周边区域Ⅱ(5)的聚类中心的集合中的元素，u＝{1,2,...,Nk}，v＝{1,2,...,Nk}；ΔOL为半圆环周边区域Ⅰ(4)、半圆环周边区域Ⅱ(5)的聚类中心的差异值的集合，ΔOL(u,v)为ΔOL中的元素；||x||2为L2范数，x1,x2...xn为(COFlu-COFrv)的全部结果；

各个类别的半圆环周边区域差异值的集合Leng为：

Leng＝minh{ΔOL}  (24)；

minh为选取ΔOL各行元素最小值的函数；Leng为1×Nk的矩阵。

7.如权利要求6所述的基于非经典感受野非线性两侧亚单元响应的轮廓检测方法，其特征在于：步骤F所述的中心-周边差异值ΔL(x',y')为：

其中，Lengn为集合Leng中的元素，n＝{1,2,...,Nk}；

归一化中心-周边差异值S{ΔL(x',y')}为：

其中，ΔL(x',y')max为各像素点的中心-周边差异值的最大值，ΔL(x',y')min为各像素点的中心-周边差异值的最小值；

像素点(x',y')的抑制权重为W(x',y')为：

W(x',y')＝1-S{ΔL(x',y')}  (27)；

像素点(x',y')的抑制后响应Eend(x',y')为：Eend(x',y')＝E(x',y')-kW(x',y')  (28)；

其中k为抑制系数。