1.一种基于仿生型特征增强网络的轮廓检测方法，其特征在于包括以下步骤：A、构建深度神经网络结构，深度神经网络结构具体如下：前置网络、编码网络、解码网络；

所述的前置网络包括视网膜模拟网络、LGN模拟网络；

所述的编码网络为VGG16网络，分为Stage1阶段、Stage2阶段、Stage3阶段、Stage4阶段、Stage5阶段；

B、在视网膜模拟网络中：原始图像依次经过两个3*3*64卷积层处理，然后经过最大池化层处理后，获得最大池化结果a；最大池化结果a分成两路，一路依次经两个3*3*128卷积层处理，每个3*3*128层分别输出一个结果，这两个结果经相加融合；

之后与另一路经过两个3*3*256和一个1*1*128卷积层处理的结果相加融合，获得融合结果a；融合结果a经过最大池化层处理，获得最大池化结果b；

最大池化结果b分成两路，一路依次经两个3*3*256卷积层处理，每个3*3*256卷积层分别输出一个结果，这两个结果经相加融合，获得融合结果c；另一路依次经过两个3*3*512卷积层处理后，经过1*1*256卷积层处理，然后与融合结果c相加融合，获得融合结果d，输入LGN模拟网络中；

在LGN模拟网络中：融合结果d分成3路，第一路经过两次上采样后经1*1卷积层处理后，获得输出结果F1；第二路经过一次上采样后与经过sigmod函数处理的可学习的参数ω相乘，获得输出结果F2；第三路与“1‑ω”经sigmod函数处理的结果相乘，获得输出结果F3；可学习参数ω在经过sigmod函数处理后范围在0‑1之间；输出结果F1、输出结果F2、输出结果F3分别输入编码网络中；

C、所述的编码网络中：输出结果F1依次经过Stage1阶段、Stage2阶段处理后，与输出结果F2相加融合，然后经过Stage3阶段处理，与输出结果F3相加融合，然后依次经过Stage4阶段、Stage5阶段处理；其中，Stage阶段1、Stage2阶段、Stage3阶段、Stage4阶段、Stage5阶段处理的结果分别输出，获得S1输出结果、S2输出结果、S3输出结果、 S4输出结果、S5输出结果；

各个输出分别经过1*1卷积层统一通道数后，得到结果S1、结果S2、结果S3、结果S4、结果S5输入解码网络中；

D、解码网络处理后，获得解码输出结果，即为最终输出轮廓。

2.如权利要求1所述的基于仿生型特征增强网络的轮廓检测方法，其特征在于：所述的各步骤涉及的卷积层表达式为m*n‑k conv+ReLU，其中，m*n表示卷积核的大小，k表示输出通道数，conv表示卷积，ReLU表示激活函数；m*n、k均为预设值；所述的最终融合层的卷积表达式为m*n‑k conv。

3.如权利要求1所述的学习生物视觉通路的轮廓检测方法，其特征在于：所述的VGG16网络由原始VGG16网络去除了全连接层和最后一个池化层后获得。

4.如权利要求1所述的基于仿生型特征增强网络的轮廓检测方法，其特征在于：所述的解码网络包括第一Multi‑DERM模块、第二Multi‑DERM模块、第三Multi‑DERM模块、第四Multi‑DERM模块，

所述的第一Multi‑DERM模块中设有四个DERM模块和四个R模块，第二Multi‑DERM模块中设有三个DERM模块和三个R模块，第三Multi‑DERM模块中设有二个DERM模块和二个R模块，第四Multi‑DERM模块中设有一个DERM模块和一个R模块；

第一Multi‑DERM模块中：

所述的结果S1、结果S2、结果S3、结果S4、结果S5输入第一Multi‑DERM模块中，依次两两分别输入一个DERM模块中，经DERM模块处理，每个DERM模块分别获得两个通道数不同的输出结果；

第一个DERM模块的低通道数输出结果输入第一个R模块中，第一个DERM模块的高通道数输出结果与第二个DERM模块的低通道数输出结果相加融合后，分别输入第一个R模块和第二个R模块中，第一个R模块对两个输出结果融合处理后获得第一Multi‑DERM输出结果a；

第二个DERM模块的高通道数输出结果与第三个DERM模块的低通道数输出结果相加融合后，分别输入第二个R模块和第三个R模块中，第二个R模块对两个输出结果融合处理后获得第一Multi‑DERM输出结果b；第三个DERM模块的高通道数输出结果与第四个DERM模块的低通道数输出结果相加融合后，分别输入第三个R模块和第四个R模块中，第三个R模块对两个输出结果融合处理后获得第一Multi‑DERM输出结果c；第四个DERM模块的高通道数输出结果输入第四个R模块中，第四个R模块对两个输出结果融合处理后获得第一Multi‑DERM输出结果d；第一Multi‑DERM输出结果a、第一Multi‑DERM输出结果b、第一Multi‑DERM输出结果c、第一Multi‑DERM输出结果d分别输入第二Multi‑DERM模块中；

第二Multi‑DERM模块中：

第一Multi‑DERM输出结果a、第一Multi‑DERM输出结果b、第一Multi‑DERM输出结果c、第一Multi‑DERM输出结果d分别输入一个DERM模块中，每个DERM模块分别获得两个通道数不同的输出结果；

第一个DERM模块的低通道数输出结果输入第一个R模块中，第一个DERM模块的高通道数输出结果与第二个DERM模块的低通道数输出结果相加融合后，分别输入第一个R模块和第二个R模块中，第一个R模块对两个输出结果融合处理后获得第二Multi‑DERM输出结果a；

第二个DERM模块的高通道数输出结果与第三个DERM模块的低通道数输出结果相加融合后，分别输入第二个R模块和第三个R模块中，第二个R模块对两个输出结果融合处理后获得第二Multi‑DERM输出结果b；第三个DERM模块的高通道数输出结果输入第三个R模块中，第三个R模块对两个输出结果融合处理后获得第二Multi‑DERM输出结果c；第二Multi‑DERM输出结果a、第二Multi‑DERM输出结果b、第二Multi‑DERM输出结果c分别输入第三Multi‑DERM模块中；

第三Multi‑DERM模块中：

第二Multi‑DERM输出结果a、第二Multi‑DERM输出结果b、第二Multi‑DERM输出结果c分别输入一个DERM模块中，每个DERM模块分别获得两个通道数不同的输出结果；

第一个DERM模块的低通道数输出结果输入第一个R模块中，第一个DERM模块的高通道数输出结果与第二个DERM模块的低通道数输出结果相加融合后，分别输入第一个R模块和第二个R模块中，第一个R模块对两个输出结果融合处理后获得第三Multi‑DERM输出结果a；

第二个DERM模块的高通道数输出结果输入第二个R模块中，第二个R模块对两个输出结果融合处理后获得第三Multi‑DERM输出结果b；第三Multi‑DERM输出结果a、第三Multi‑DERM输出结果b分别输入第四Multi‑DERM模块中；

第四Multi‑DERM模块中：

第三Multi‑DERM输出结果a、第三Multi‑DERM输出结果b分别输入DERM模块中，获得两个通道数不同的输出结果；这两个输出结果分别输入R模块中， 经R模块融合处理后，获得第四Multi‑DERM输出结果；

第四Multi‑DERM输出结果经1*1卷积调整通道数后输出，即得最终输出轮廓。

5.如权利要求4所述的基于仿生型特征增强网络的轮廓检测方法，其特征在于：所述的DERM模块包括DEM模块和R模块，输入DERM模块的两个结果，分别同时输入DEM模块和R模块，经DEM模块融合处理获得低通道数输出结果，经R模块处理获得高通道数输出结果。

6.如权利要求5所述的基于仿生型特征增强网络的轮廓检测方法，其特征在于：在DEM模块中：

输入DEM模块的两个相邻结果中，上一输入结果经最大池化处理后，经1*1卷积放大通道数，经Relu函数处理，输入相加融合模块中；下一输入结果经3*3卷积并放大通道数后，经Relu函数处理，也输入相加融合模块中；

上述两个Relu函数处理结果在相加融合模块中进行相加融合后，输出，即得DERM模块的高通道数输出结果。

7.如权利要求4或5所述的基于仿生型特征增强网络的轮廓检测方法，其特征在于：所述的R模块包括两个权重卷积模块和一个相加融合模块；输入R模块的两个相邻结果中，上一输入结果经一个权重卷积模块处理，然后输入相加融合模块中；下一输入结果经第二个权重卷积模块处理后，上采样至与上一输入结果尺寸及通道数相等，然后输入相加融合模块中；

上述权重卷积处理结果在相加融合模块中进行相加融合后，输出，即得R模块输出结果；在DERM模块中，这一输出结果即为DERM模块的低通道数输出结果。