買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉電子科技大學申請的專利一種基于邊緣拓撲引導的紅外小目標檢測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN118823327B 。

龍圖騰網通過國家知識產權局官網在2025-09-12發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202410981707.9，技術領域涉及：G06V10/25；該發明授權一種基于邊緣拓撲引導的紅外小目標檢測方法是由鄧佳坤;彭真明;黃逸安;胡晨;趙軒;郭進一設計研發完成，并于2024-07-22向國家知識產權局提交的專利申請。

本一種基于邊緣拓撲引導的紅外小目標檢測方法在說明書摘要公布了：本發明涉及圖像處理及機器視覺應用領域，提供了一種基于邊緣拓撲引導的紅外小目標檢測方法，主旨在于通過目標邊緣檢測以及邊緣拓撲化，消除類內距離，在分割網絡引入邊緣拓撲特征層，進而提升模型對各類目標的檢測性能。具體步驟為，首先對輸入紅外圖像進行邊緣檢測；接著將邊緣拓撲化，構造多子圖混合的候選圖結構，并通過網絡得到同時包含圖像特征和圖拓撲特征的邊緣拓撲特征層；之后將其引入分割網絡共同參與模型訓練，得到最終的檢測模型。

本發明授權一種基于邊緣拓撲引導的紅外小目標檢測方法在權利要求書中公布了：1.一種基于邊緣拓撲引導的紅外小目標檢測方法，其特征在于，包括如下步驟： 步驟1：對輸入紅外圖像進行邊緣檢測，得到邊緣圖像，轉入步驟2； 步驟2：通過步驟1得到的邊緣圖像構造多子圖混合的候選圖結構，通過多層消息傳遞網絡對更新各節點特征，得到邊緣拓撲特征層，轉入步驟3； 步驟3：將邊緣拓撲特征層嵌入目標檢測網絡模型，構建出邊緣拓撲引導網絡，通過模型訓練得到最終的具有奇形目標檢測能力的紅外小目標檢測模型； 其中，步驟2中通過邊緣環繞收斂特性將奇形目標的幾何邊緣轉化為環形拓撲結構，消除類內距離差異； 所述步驟2包括如下步驟： 步驟2.1：將步驟1得到的得到邊緣圖像的邊緣結果，采用式（6）進行全局閾值分割，得到邊緣模板圖像，式（6）如下： 其中，為全局閾值，用于提取邊緣； 步驟2.2：對于步驟2.1得到的邊緣模板圖像，值為1表示為邊緣區域，對邊緣模板圖像進行連通域特征表達，每個連通域表示一個候選目標的邊緣，得到邊緣模板圖像的邊緣集合，其中連通準則采用4連通，即值為1且上下左右方向相鄰的像素屬于同一個連通域，特征包含了位置信息和強度信息，邊緣集合可由式（7）表示，式（7）如下： 其中，表示中第個連通域，同時，和分別表示連通域每個像素的位置信息和特征，其中,,分別為像素的橫坐標和縱坐標，為連通域的像素個數；,，也就是原圖和多尺度邊緣特征對應像素位置的值作為特征，最終的大小為，的大小為； 步驟2.3：將步驟2.2得到的邊緣集合轉換為多子圖混合候選圖，多子圖混合候選圖如式（8）所示： 其中，邊緣圖拓撲由步驟2.2的中對應轉化得到，,這里，共包含了個節點，與對應的像素個數對應，且,這表示每個節點將存放維的特征，與中對應；是一個稀疏的鄰接矩陣，描述節點與節點的連接關系，表示節點與節點有一條邊連接，對應在圖像上則是相鄰，則表示它們之間沒有邊進行連接； 步驟2.4：對步驟2.3的多子圖混合候選圖中的每一個邊緣圖拓撲，為了使中每個節點獲取到整個圖的拓撲信息，每個節點將通過式（9）計算它來自鄰居的消息傳遞向量，式（9）如下： 其中，為節點在第層接收到的信息，為消息函數，表示第層節點的節點特征，表示節點的鄰居集合，表示層中節點的鄰居節點的節點特征； 步驟2.5：利用步驟2.4得到的消息傳遞向量，通過式（9）更新自身節點特征，式（9）如下： 其中，為節點更新函數，通過組合當前節點狀態和消息，得到新的節點狀態； 步驟2.6：對于步驟2.3多子圖混合候選圖中的每一個邊緣圖拓撲，依次采用步驟2.4和步驟2.5運算多次，每個節點將得到所有節點的消息，至此，邊緣圖拓撲中每個節點的特征中不僅會包含圖像結構信息，同時也會包含邊緣拓撲信息，最終停止的邊緣圖拓撲記為，多子混合候選圖記為； 步驟2.7：每次重復步驟2.4和2.5都會對每個節點進行消息傳遞，更新其特征，待如步驟2.6更新停止后，通過式（10）計算每個節點的多層聯合特征，式（10）如下式所示： 其中，為激活函數，能將括號內的值映射在特定范圍；為連接函數，為消息傳遞或者特征更新的次數，對應步驟2.4和2.5的重復次數為原始的特征維度為，經過函數后將得到的特征向量，令,為參數矩陣，大小為，表示轉置，最終的維度為； 步驟2.8：利用步驟2.7得到的多層聯合特征，采用式（11）獲取整個圖的拓撲特征，其中不僅包含了原始圖像層面的邊緣特征，還包含了圖結構層面的拓撲特征： 其中，為圖節點集合，表示節點個數，表示最大值池化，最終的維度為； 步驟2.9：利用步驟2.8得到的圖的，采用式（12）對預測其該圖對應的類別，類別包括目標和虛警，式（12）如下所示： 其中，為激活函數,能將括號內的值映射在,為參數向量，維度為，最終，每個圖將輸出一個預測值； 步驟2.10：將步驟2.9得到的圖的預測值和真實標簽通過式（13）構建損失函數，并進行模型訓練，將求解出最優的和，式（13）如下： 其中，表示訓練圖樣本集合，表示訓練樣本的個數； 步驟2.11：模型訓練完畢后，代入相關最優參數，步驟2.1、2.2、2.3、2.6、2.7、2.8用于從得到的邊緣結果，得到每條邊緣的拓撲特征，構建大小為、值為0的張量，在圖的每個節點的對應位置上，輸入所屬圖或邊緣的拓撲特征，得邊緣拓撲特征層，如式（14）所示： 其中，表示邊緣結果，大小為，表示邊緣拓撲特征層提取過程,為經過輸出的邊緣拓撲特征層，其大小為，和分別為訓練得到的最優參數。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人電子科技大學，其通訊地址為：611731 四川省成都市高新區(西區)西源大道2006號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。