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！

龙图腾网获悉中山大学申请的专利基于自适应超像素最大熵聚类分割的深度图空洞补偿方法及系统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：CN116664647B 。

龙图腾网通过国家知识产权局官网在2026-01-23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：202310432629.2，技术领域涉及：G06T7/50；该发明授权基于自适应超像素最大熵聚类分割的深度图空洞补偿方法及系统是由江明;龚俊荣设计研发完成，并于2023-04-20向国家知识产权局提交的专利申请。

本基于自适应超像素最大熵聚类分割的深度图空洞补偿方法及系统在说明书摘要公布了：本发明涉及空间图像处理技术领域，提出一种基于自适应超像素最大熵聚类分割的深度图空洞补偿方法及系统，其中包括：通过ToF相机获取RBG图、深度图和幅度图；对经过预处理的RBG图I11依次经过下采样、梯度化处理、梯度重构和分水岭操作后，利用AISNS算法获得RBG图像的最佳分类数量ncc，最后采用SPMEC算法对图I11进行ncc类的场景聚类分割，得到场景聚类分割图；利用滑动窗口遍历所述深度图及其对应的幅度图，结合场景聚类分割图中相应像素点的场景聚类分类结果，将各空洞像素点判定为孤立点、边缘点或内部点；根据各空洞像素点的类别选择适配的补偿策略，结合场景聚类分割图中的分类信息进行像素点深度值的估算，完成深度图空洞补偿。

本发明授权基于自适应超像素最大熵聚类分割的深度图空洞补偿方法及系统在权利要求书中公布了：1.基于自适应超像素最大熵聚类分割的深度图空洞补偿方法，其特征在于，包括以下步骤： 通过ToF相机获取RGB图、深度图和幅度图； 对RGB图进行预处理； 对经过预处理的RGB图I1依次经过下采样、梯度化处理、梯度重构和分水岭操作后，利用自适应图像分割数量选择算法获得RGB图像的最佳分类数量nc，最后采用超像素最大熵聚类分割算法对图I1进行nc类的场景聚类分割，得到场景聚类分割图； 利用滑动窗口遍历所述深度图及其对应的幅度图，结合场景聚类分割图中相应像素点的场景聚类分类结果，将各空洞像素点判定为孤立点、边缘点或内部点； 根据各空洞像素点的类别选择适配的补偿策略，结合场景聚类分割图中的分类信息进行像素点深度值的估算，完成深度图空洞补偿； 对经过预处理的RGB图I1进行场景聚类分割，包括： 设下采样系数为，对图I1进行下采样处理得到图I2；其表达式为： ； 对图I2的R、G、B通道分别进行垂直和水平方向的Sobel算子边缘特征提取，得到经过图像梯度化处理的梯度图I3； 对图I3采用多种尺度结构元素进行形态学梯度重构，得到多幅重构梯度图像，并针对任一像素点在所述多幅重构梯度图像中对应的梯度值，从中找出最大的梯度值作为该像素点的梯度值，得到较优的梯度图I'3； 对图I'3进行分水岭操作，将图I'3分为N个区域，得到分割图像，并记中的各个区域的集合为；统计集合内每个区域的平均像素值；其表达式为： 其中，分别表示区域中R、G、B通道的平均像素值，；是区域内的像素点的数量；是区域内第i个像素点的通道t的像素值，； 通过密度峰值算法处理分割图像中各个区域的平均像素值，得到RGB图像的决策图IDG，然后采用密度平衡算法对决策图IDG进行更新，再统计更新后的决策图IDG中各个点与其邻域点之间的距离，并根据这些点的最大距离所对应的区间找出分类数量阈值范围，根据所述分类数量阈值范围确定当前RGB图的最佳分类数量的取值； 设置粗略超像素分割区域数为，其中；使用简单非迭代聚类算法对图I1进行粗略超像素分割处理，然后在超像素分割图的基础上再采用最大熵聚类分割算法进行类分割的精细优化，得到场景聚类分割图。

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中山大学，其通讯地址为：510275 广东省广州市海珠区新港西路135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。