1.一种基于双侧注意通路的显著轮廓提取方法，其特征在于，包括以下步骤：步骤(1)：模拟视皮层下神经元的颜色拮抗特性，构建基于局部亮度特征的单拮抗动态调节模型，得到初级边界响应Iborder(x,y)，(x,y)表示图像的横纵坐标；

步骤(2)模拟V1区经典感受野的方向敏感特性，提出多方向微动方法，得到初级轮廓响应E(x,y)；

首先引入高斯导函数Gau(x,y)模拟多方向上的刺激响应，结果记为e(x,y；θ)，θ∈[0,π)表示感受野的方向角；接着选取Q个方向响应强度最大值作为初始轮廓emax(x,y；θstd)，公式如下：其中θstd表示多方向响应最大值所对应的方向角，即最优方向；

然后以最优方向θstd为中心轴，按设定幅度进行方向微动，每次微动所生成的方向角记为θr，r＝1,2,…,M，公式如下：其中M决定了方向微动的幅度；可知 即最佳方位区间，其中

表示初始轮廓中相邻方向的角度差；

最后，在最佳方位区间内采用winner‑take‑all策略，将微动响应e(x,y；θr)通过竞争机制得到初级轮廓响应E(x,y)，公式如下：E(x,y)＝max{e(x,y；θr)|r＝1,2,…,M}步骤(3)模拟视觉信息分流传递和交互响应特性，构建双侧信息流交互模型，分别得到背侧空间显著轮廓 和腹侧神经元稀疏响应步骤(4)模拟多视通路信息融合机制，提出基于双侧信息流的加权融合策略，得到最终显著轮廓由于双侧注意通路的视觉信息均从V1区分流而来，根据各侧响应与E(x,y)的比值来决定双侧信息的融合权重，记为βl，l＝1,2，获得最终显著轮廓 公式如下：

2.根据权利要求1所述的一种基于双侧注意通路的显著轮廓提取方法，其特征在于，所述的步骤(1)包括以下子步骤：步骤1.1针对输入图像I(x,y)，分解出亮度分量L(x,y)，以L(x,y)每个像素点为中心，计算出H×H区域内的亮度均值Lavg(x,y)，公式如下：其中，(i,j)表示H×H区域内的坐标，step表示移动步长；为解决边界溢出问题，以L(x,y)的边缘像素填充边界；

然后利用L(x,y)与Lavg(x,y)的大小关系，判断点(x,y)是否归属于局部暗区域，从而确定该点是否需要增强处理，得到亮度调节响应Lrod(x,y)，公式如下：其中，a∈(0,1)表示亮度调节因子；

步骤1.2针对输入图像I(x,y)，模拟锥细胞的颜色红、绿、蓝、黄的分离作用，分解出R(x,y)、G(x,y)、B(x,y)及Y(x,y)4种颜色响应，经过单拮抗编码后形成4种颜色拮抗通道，分+ ‑ + ‑ + ‑ + ‑别记为R/G 、G/R 、B/Y及Y /B；再对锥细胞对立响应之差与高斯导函数Gau(x,y)进行卷积运算，结果记为 公式如下：其中，*表示卷积运算符；

γ、σ表示感受野的椭圆率和尺度；C(x,y)和S(x,y)表示单拮抗编码中对立的颜色响+ ‑应，取值范围为R(x,y)、G(x,y)、B(x,y)或Y(x,y)；下标C/S表示对应的颜色拮抗通道，取值+ ‑ + ‑ + ‑ + ‑范围为R/G、G/R、B/Y或Y/B；k(x,y)表示对立颜色响应权重，取决于局部区域内的颜色和亮度强度，具体表现为：在局部亮区域内锥细胞可感知颜色和亮度，对立颜色差异大则k(x,y)→0；而局部暗区域内锥细胞只对颜色敏感，对立颜色差异小则k(x,y)→1，k(x,y)的具体设置规则如下：按式步骤1.1同理计算，获得Lrod(x,y)的局部亮度均值 并将 经过非线性激活处理后，作为k(x,y)的动态调节因子，公式如下：

利用k(x,y)对图像I(x,y)进行单拮抗动态编码，得到的颜色边界响应记为及 步骤1.3由于视网膜中视杆细胞的总数是锥细胞的

数十倍，为满足边界的完整性感知，按比例融合 和Lrod(x,y)，得到初级边界响应Iborder(x,y)，公式如下：

3.根据权利要求1所述的一种基于双侧注意通路的显著轮廓提取方法，其特征在于，所述的步骤(3)包括以下子步骤：步骤3.1根据背侧注意通路的空间响应特性，强化空间显著轮廓；

由于图像I(x,y)在不同尺度下存在着不同分辨率的空间特征点，为覆盖多尺度的空间特征，首先采用高斯金字塔将I(x,y)分解出5个不同尺度的特征图，记为Iz(x,y)，z＝0,1,

2,3,4，公式如下：

其中I0(x,y)默认为I(x,y)；

然后引入高斯差分函数DOG(x,y)计算出多层特征图Ip,q(x,y)，公式如下：其中q和p分别表示DOG(x,y)的中心和周边层所对应的第z个尺度特征图，且中心与周边层的层级差为1或2，取值范围为I2,1(x,y)、I3,1(x,y)、I3,2(x,y)、I4,2(x,y)或I4,3(x,y)；

其中，W(m,n)表示高斯金字塔核，默认大小为5×5；Ip(x,y)和Iq(x,y)分别表示DOG(x,y)周边和中心层所对应的尺度特征图；Θ表示高斯差分计算，N(·)表示归一化算子；σoff和σon分别表示DOG(x,y)周边和中心层的尺度参数，默认取σoff＝3.5，σon＝2；

经过不同尺度层级差分和归一化处理，得到背侧注意通路的空间特征图D(x,y)，公式如下：最后计算D(x,y)中每个像素点的空间强度F(x,y)，并将F(x,y)作为E(x,y)的空间调制系数，得到背侧空间显著轮廓 公式如下：其中，Dmin(x,y)和Dmax(x,y)分别表示D(x,y)的最小值和最大值；

weight∈(0,1]表示空间强化权重，默认取weight＝0.6；

步骤3.2根据腹侧神经元的稀疏响应特性，抑制冗余纹理；

由于背侧注意通路的反馈信息会增强腹侧相应位置处神经元对视觉刺激的响应，且腹侧神经元集群自身具备的稀疏响应特性，能有效区分纹理和显著轮廓；采用改进的LIF模型模拟腹侧神经元，将背侧空间显著轮廓 作为神经元的输入激励，利用稀疏编码描述腹侧信息流的稀疏性，公式如下：其中，cm、gl表示腹侧神经元的膜电容和漏电导； 表示以点(x,y)为中心的一个局部窗口(5×5)内像素的直方图，V为 的空间维度；||·||L表示L范数，L＝1,2；在的刺激下，当腹侧神经元的膜电压大于脉冲发放阈值v>vth时，脉冲发放达到峰值vG，并瞬间被重置为相应的静态电势vreset；在进入绝对不应期ref后，不再发放脉冲，最后得到腹侧神经元稀疏响应