买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉重庆科技学院申请的专利基于滑动窗口算法的图像目标边缘增强处理方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115660993B 。

龙图腾网通过国家知识产权局官网在2025-12-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211359931.1，技术领域涉及：G06T5/90；该发明授权基于滑动窗口算法的图像目标边缘增强处理方法是由韩琦;侯明阳;王洪艺;翁腾飞设计研发完成，并于2022-11-02向国家知识产权局提交的专利申请。

本基于滑动窗口算法的图像目标边缘增强处理方法在说明书摘要公布了：本发明公开了一种基于滑动窗口算法的图像目标边缘增强处理方法，具体步骤为：对训练图像集合、训练图像标签集合采用滑动窗口算法进行特征提取、非边缘子块选择、矩阵求解等操作后得到非关键边缘抑制算子，进而获取非边缘区域弱化的初始特征图；结合初始特征图获取边缘典型特征子块集合并进行求解后，得到关键边缘增强算子HQ2；非关键边缘抑制算子HQ1和关键边缘增强算子，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、关键边缘增强算子，得到测试图像的边缘增强特征图有益效果：降低噪声，对关键边缘进行增强，强化目标和背景的差异，得到凸显典型特征的边缘平滑图像。用于数据扩充后，提高图像分割识别等正确率。

本发明授权基于滑动窗口算法的图像目标边缘增强处理方法在权利要求书中公布了：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×cc≤H,c≤W，步长为ss≤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，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]； 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； 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 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行框选，依次框选出K×K范围的元素值；最终得到矩阵En； 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；将该结果展开为维度是1×K2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，得到所对应的矩阵En： 步骤44：对于m幅图像X1...Xm1＜m≤N，根据步骤43的框选步骤，分别得到m幅图像X1...Xm对应的矩阵E1...Em，紧接着，对E1...Em进行拼接，得到m幅图像对应矩阵E1:m： 步骤45：求解E1:m的逆矩阵，即计算的逆矩阵 E1:m+＝E1:mT·E1:m-1·E1:mT0.9 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个非边缘图像标签子块拼接矩阵拼接，得到标签列向量L1:m： 步骤47将逆矩阵与标签列向量L1:m进行矩阵乘法，得到结果矩阵P1:m： 将矩阵转换为方阵P1:mK×K；方阵P1:mK×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； 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，对其进行矩阵求解后，得到关键边缘增强算子HQ2； 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，得到关键边缘增强算子HQ2＝P1:m2 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。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人重庆科技学院，其通讯地址为：401331 重庆市沙坪坝区大学城东路20号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。