1.一种基于长短时程突触互补神经元网络的边缘检测方法，其特征在于，该方法具体包括以下步骤：步骤(1)构建具有长短时程突触互补特性神经元网络，其尺寸与待测图像map(i,j)相同，i＝1,2,…,M；j＝1,2,…,N，其中M、N分别表示待测图像的长、宽尺寸；

步骤(2)考虑到不同颜色拮抗通道对边缘检测结果的影响程度并不相同，因此构建颜色拮抗加权编码模块，定义颜色拮抗影响因子，通过对不同颜色拮抗通道的响应进行加权编码，获得加权编码响应S_result(i,j)；具体实现过程如下：首先获取map(i,j)的红、绿、蓝、黄色分量R(i,j)、G(i,j)、B(i,j)以及Y(i,j)，其中黄色分量与红，绿分量的关系如式(1)所示；

Y(i,j)＝(R(i,j)+G(i,j))/2      (1)

+ ‑

以R/G颜色拮抗通道为例，为模拟单中心结构的感受野，提取待测图像的局部信息，对红色分量R(i,j)和蓝色分量G(i,j)，进行相同尺度σ＝1.5的二维高斯函数处理，得到+ ‑然后进行如式(2)所示的单颜色拮抗编码，获得R /G 颜色拮抗通道所对

应的单颜色拮抗编码响应Srg(i,j)；

式中，λ1>λ2，λ1,λ2∈(0,1)表示视锥细胞的输入权重，反映了图像的亮度信息与色度信+ ‑ + ‑ + ‑息强度；同理，可得到其他三个颜色拮抗通道G /R、B/Y 、Y /B的单颜色拮抗编码响应Sgr(i,j)、Sby(i,j)、Syb(i,j)；

对于不同的待测图像，主导图像颜色信息的拮抗通道并不相同，因此定义颜色拮抗影+ ‑响因子；以R/G颜色拮抗通道为例，如式(3)所示；

式中， 分别表示红、绿、蓝、黄色分量的平均值；同理可得其他三个颜色拮+ ‑ + ‑ + ‑抗通道G/R、B/Y、Y/B的颜色拮抗影响因子μg、μb、μy；

利用颜色拮抗影响因子μr、μg、μb、μy对待测图像的单颜色拮抗编码响应Srg(i,j)、Sgr(i,j)、Sby(i,j)、Syb(i,j)进行加权编码，获得待测图像四个颜色拮抗通道的加权编码响应S_result(i,j)，如式(4)所示；

S_result(i,j)＝μr×Srg(i,j)+μg×Sgr(i,j)+μb×Sby(i,j)+μy×Syb(i,j)      (4)步骤(3)构建放电时间编码模块，将获得的待测图像四个颜色拮抗通道的加权编码响应S_result(i,j)编码为时间相关的信息，以模拟输入信号强度对神经元首次放电时间和放电频率的影响；

构建边界长度为L的突触作用窗口Dn(x,y)，其中L为奇数，x,y＝1,2,…,L，n＝1,2,…,M×N，周围调制神经元(k,l)作为突触前神经元， 中央调制神经元(m,n)作为突触后神经元， 通过对Dn(x,y)进行滑动移窗的方式，使中央调制神经元与S_result(i,j)中各元素一一对应；同时，为解决边界溢出问题，在S_result(i,j)矩阵的边缘进行零填充，使其尺寸变为考虑到神经元间的动态突触连接具有脉冲时序依赖性和脉冲频率依赖性，此时输入信号强度将是影响上述特性的关键因素之一；因此利用Izhikevich神经元模型，在突触作用窗口Dn(x,y)中，分别对S_result(i,j)进行放电时间编码，从而获得Dn(x,y)中各神经元的首次放电时间tn(x,y)，构成时间矩阵Tn(x,y)，并记各Tn(x,y)中元素最大值为t_maxn，最小值为t_minn；之后，计算Dn(x,y)中各神经元首次放电时间的平均值t_avern，如式(5)所示；

步骤(4)构建长短时程突触互补编码模块，对步骤(3)所得的Tn(x,y)进行长短时程突触互补编码；

定义短时程突触作用的时间邻域，基于神经元群体放电频率编码，对Tn(x,y)进行短时程突触可塑性编码；具体实现过程如下：首先定义t_avern的一个邻域(t_avern‑t_shortn,t_avern+t_shortn)为短时程突触作用的时间邻域，t_shortn定义如式(6)所示；

然后统计Dn(x,y)内神经元群体的簇放电频率fn，如式(7)所示；

其中mn表示Dn(x,y)中，tn(x,y)∈(t_avern‑t_shortn,t_avern+t_shortn)的神经元个数；

为保证神经元间突触连接的非线性特性，并为了保证鲁棒性，避免突触作用发生较大的波动，将频率因素进行非线性激活，从而获得Dn(x,y)内短时程突触作用系数Syp_shortn，如式(8)所示；

式中，λ、g为常量；

步骤(5)考虑到长时程的突触连接在神经元的集群表达过程中，将受到各神经元的放电时序和空间拓扑结构影响；因此基于神经元群体时空编码，对步骤(3)所获得的Tn(x,y)进行长时程突触可塑性编码；具体实现过程如下：长时程突触动态连接被视为是大脑学习能力和记忆能力的基础，突触前后神经元的放电顺序决定了长时程突触的连接作用呈现长时程增强或是抑制；因此，对Dn(x,y)中的神经元进行放电时序编码，并进行非线性激活，得到放电时序编码响应t_inn(k,l)，如式(9)所示；

式中，tn(m,n)、tn(k,l)分别表示突触作用窗口Dn(x,y)中央调制神经元和周围调制神经元的首次放电时间，τ是突触作用时间尺度系数，衡量长时程突触作用对时间因素的敏感程度；

接着，对神经元进行空间拓扑编码；计算Dn(x,y)中位于(k,l)的周围调制神经元与位于(m,n)的中央调制神经元的欧氏距离，如式(10)所示，并记其中的最大值为dmax；

然后，对d(k,l)进行高斯函数处理，如式(11)所示，当d(k,l)＝1时，s(k,l)取到最大值smax；当d(k,l)＝dmax时，s(k,l)取到最小值为smin；

式中，a、b、c均为常量：a表示高斯函数曲线的尖峰系数；b表示突触作用窗口中周围调制神经元与中央调制神经元的欧氏距离最小值，此时突触作用最强；c是突触作用空间尺度系数，衡量长时程突触作用对空间因素的敏感程度；

对s(k,l)进行归一化操作，得到空间拓扑编码响应s_in(k,l)，如式(12)所示；

然后，将放电时序编码响应t_inn(k,l)与空间拓扑编码响应s_in(k,l)相乘，得到长时程突触作用矩阵Syp_longn(k,l)，如式(13)所示；

式中的限制条件表示，当周围调制神经元先于中央调制神经元放电时，长时程突触作用呈现增强趋势，反之呈现减弱趋势；

同时为保证运算正常，给长时程突触作用矩阵中心元素赋值Syp_longn(m,n)＝0.1，构成长时程突触作用系数矩阵Syp_longn(x,y)；

步骤(6)将步骤(4)获得的Syp_shortn与步骤(5)获得的Syp_longn(x,y)相乘，获得长短时程突触可塑性互补的作用矩阵Synn(x,y)，即具有长短时程突触互补特性的突触作用窗口，如式(14)所示；

Synn(x,y)＝Syn_shortn×Syn_longn(x,y)     (14)Synn(x,y)通过与放电时间矩阵Tn(x,y)进行卷积操作，实现Dn(x,y)内的长短时程突触可塑性互补编码，如式(15)所示；

Resn(x,y)＝Tn(x,y)*Synn(x,y)     (15)

将Resn(x,y)按照Dn(x,y)在S_result(i,j)中对应的位置重构，即可得到边缘响应结果Res(i,j)；并记Res(i,j)中元素的最大值为Resmax，最小值为Resmin；

步骤(7)最后，在归一化层将Res(i,j)进行灰度归一化和灰度映射操作，即可得到基于长短时程突触互补神经元网络的边缘检测结果，如式(16)所示；