1.一种基于滑动窗口算法的图像目标边缘增强处理方法，其特征在于具体步骤为：步骤1：采集图像数据库中的图像数据，经预处理后得到训练图像集合、训练图像标签集合、测试图像集合，其中训练图像集合、训练图像标签集合均包含了N幅图；N为正整数；

步骤2：对步骤1得到的训练图像集合、训练图像标签集合中的m幅图像采用滑动窗口算法进行特征提取，得到输入子集：输入训练子集和输入训练标签子集；其中，m大于等于1，且m小于等于N；

步骤3：从步骤2中的输入子集中，选取图像中非边缘子块，构成非边缘典型特征子块集合；非边缘图像子块集合和非边缘图像标签子块集合；

步骤4：对非边缘典型特征子块集合中的图像分别进行矩阵求解，得到非关键边缘抑制算子HQ1，结合图像数据库中的图像数据，进行非相关边缘抑制，得到非边缘区域弱化的初始特征图Finit；

步骤5：利用步骤4得到的非边缘区域弱化的初始特征图Finit得到的边缘典型特征子块集合：边缘特征图像子块集合和边缘特征图像标签子块集合，对其者进行矩阵求解后，得到关键边缘增强算子HQ2；

步骤6，结合步骤4得到非关键边缘抑制算子和步骤5得到的关键边缘增强算子HQ2，对测试图像集合中的测试图片依次调用非关键边缘抑制算子HQ1、关键边缘增强算子HQ2，得到对应图像数据的边缘增强特征图Fout。

2.根据权利要求1所述的基于滑动窗口算法的图像目标边缘增强处理方法，其特征在于：在步骤1中，设从图像数据库中采集到原始训练图像集合为：Iorigin＝{A1,...,An,...,AN}：所述原始训练图像集合对应的原始图像标签集合为Ilabel＝{B1,...,Bn,...,BN}；所述原始训练图像集合中所有目标图像轮廓和背景构成所述原始图像标签集合；

对原始训练图像集合Iorigin、原始训练图像标签集合为Ilabel中图像进行降维预处理：使用平均值法，将原始训练图像集合Iorigin、原始训练图像标签集合Ilabel中的每一幅图像转化为单通道图像，分别构成的新集合为训练图像集合 训练图像标签集合其中，所述训练图像集合所述训练图像标签集合

所述训练图像集合中第n幅图像(Xn)H×W矩阵形式为：所述训练图像标签集合中第n个图像所对应的标签图像(Ln)H×W矩阵形式为：其中，H为图像的高度，W为图像宽度。

3.根据权利要求1所述的基于滑动窗口算法的图像目标边缘增强处理方法，其特征在于：步骤2具体内容为：步骤21：确定滑动窗口的大小及滑动步长；滑动窗口的大小为c×c(c≤H,c≤W)，步长为s(s≤H‑c)；利用滑动窗口算法得到包含图像局部特征的图像子块构成集合P；

步骤22：确定每幅图像所得到的图像子块总数；

每行数量Row：

每列数量Col：

则每幅图像所得到的图像子块总数为T＝Row×Col，因此，图像子块集合P＝{p1,...,pt,...,pT}；

步骤23：设定滑动窗口滑动方向(按照先左后右，先上后下的滑动方向)，依次对训练图像集合的图片Xn及训练图像标签集合中的标签图像Ln利用滑动窗口算法，得到输入子集：输入训练子集 和输入训练标签子集其中，t表示第t幅图像；

所述输入训练子集 的第t幅图像 的具体形式为：所述输入训练标签子集 中的第t幅图像 具体为：其中， 为第t个图像子块中第c个位置的像素点，该像素点位置标记的取值范围是[1,c·c]。

4.根据权利要求3所述的基于滑动窗口算法的图像目标边缘增强处理方法，其特征在于：设定：

非边缘特征子块为仅包含背景的子块或仅包含目标的子块；

边缘特征子块为包含背景子块和目标的子块；

步骤3的具体内容：

步骤31：所述图像标签集合中的标签图像Ln中的各像素点e的取值为V＝{0,1}，则结合目标图像轮廓和图像背景，设定当V＝1表示目标，V＝0表示背景，V＝0和V＝1的相邻两像素点表示边缘；

步骤32：在输入训练标签子集 中，随机地提取q个且像素值全为0的标签图像子块构成集合 其中 表示大小为c×c的第q个像素值全为0的标签图像子块，同时，在输入图像子集 中，选取q个与所有选取的标签图像子块位置相同的图像子块构成集合 其中 表示表示大小为c×c的第q个像素值全为0的图像子块；

步骤33：像素值全为1时，对应选取得到包含q个标签图像子块的集合和图像子块集合 其中 表示

大小为c×c的第q个像素值全为1的标签图像子块， 表示大小为c×c的第q个像素值全为1的图像子块；

步骤34：将选取的像素值为0和1的集合进行合并，得到非边缘典型特征子块集合；非边缘图像子块集合 和非边缘图像标签子块集合。

5.根据权利要求4所述的基于滑动窗口算法的图像目标边缘增强处理方法，其特征在于：所述步骤4的具体内容：步骤41：拼接所述非边缘图像标签子块集合 中的各元素，得到非边缘标签图像子块拼接矩阵 具体形式为：拼接非边缘图像子块集合 中各元素，得

到非边缘图像子块拼接矩阵 其形式为：

步骤42：定义一个K×K的锚框M：其中K为正奇数，且K＜c；

步骤43：在非边缘图像子块拼接矩阵 中，使用锚框M，按照滑动窗口的滑动方向进n行框选，依次框选出K×K范围的元素值；最终得到矩阵E；

具体框选步骤为：

锚框M依次以非边缘图像子块拼接矩阵 中的各元素值为中心进行框选，并对锚框M在非边缘图像子块拼接矩阵 边缘外所框到位置，进行0填充；

锚框M对非边缘图像子块拼接矩阵 中的 框选的结果为E1；维度等于K×K；将该结2

果展开为维度是1×K的向量

对非边缘图像子块拼接矩阵 中的其余像素点 框选的结果依次展开，得到 紧接着，将 拼接，得到 所对应的矩n

阵E：

步骤44：对于m幅图像X1...Xm(1＜m≤N)，根据步骤43的框选步骤，分别得到m幅图像

1 m 1 m 1:m

X1...Xm对应的矩阵E ...E，紧接着，对E ...E进行拼接，得到m幅图像对应矩阵E ：

1:m

步骤45：求解E 的逆矩阵，即计算 的逆矩阵

1:m + 1:m T 1:m ‑1 1:m T(E ) ＝((E )·E ) ·(E )    (0.11)步骤46：将与m幅图像X1...Xm所对应的非边缘图像标签子块拼接矩阵 中的分别展开为列向量 再将m个非边缘

1:m

图像标签子块拼接矩阵 拼接，得到标签列向量L ：

1:m 1:m

步骤47将逆矩阵 与标签列向量L 进行矩阵乘法，得到结果矩阵P ：

1:m 1:m

将矩阵 转换为方阵(P )K×K；方阵(P )K×K即为所求非关键边缘抑制算子HQ1；

步骤48：利用非关键边缘抑制算子HQ1对原始图像Xn进行非相关特征抑制，得到所述非边缘区域弱化的初始特征图Finit。

6.根据权利要求5所述的基于滑动窗口算法的图像目标边缘增强处理方法，其特征在于：步骤51：根据步骤4得到的非边缘区域弱化的初始特征图Finit获取边缘典型特征子块集合；具体内容为：结合步骤3可得到，边缘特征标签子块集合 为从第n幅图像Ln中得到的q个图像标签子块中，每个c×c的子块中包含 个像素值全为0的像素点和 个像素值全为1的像素点；边缘特征标签子块集合 表示大小为c×c的第q个像素值既包含0又包含1的标签子块；

边缘特征标签子块集合所对应训练图像的边缘特征图像子块集合为 具体为其中 表示大小为c×c的第q个像素值既包含背景又包含目标的图像子块；

所述边缘特征图像子块集合 和所述边缘特征标签子块集合 共同构成边缘典型特征子块集合；

步骤52：将所述边缘特征图像子块集合为 中各元素拼接后的矩阵设定为 将所述边缘特征标签子块集合 各元素拼接后的矩阵设定为 结合步骤41至步骤47，

1:m

得到关键边缘增强算子HQ2＝(P )2。

7.根据权利要求6所述的基于滑动窗口算法的图像目标边缘增强处理方法，其特征在于：步骤6中利用关键边缘增强算子HQ2对所述非边缘区域弱化的初始特征图Finit进行特征提取，得到边缘增强特征图Fout。