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！

龙图腾网获悉四川省建筑机械化工程有限公司申请的专利基于智能识别的背光效果图像边缘增强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：CN120953153B 。

龙图腾网通过国家知识产权局官网在2026-02-10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：202511476122.2，技术领域涉及：G06T5/94；该发明授权基于智能识别的背光效果图像边缘增强方法是由李政;饶建波;许彤;郑伟;王励谦;罗宇设计研发完成，并于2025-10-16向国家知识产权局提交的专利申请。

本基于智能识别的背光效果图像边缘增强方法在说明书摘要公布了：本发明涉及图像处理技术领域，公开了一种基于智能识别的背光效果图像边缘增强方法，包括：判定现场环境类型；针对判定的现场环境类型对原始图像基于设定的环境感知型增强机制进行全局优化输出全局预处理图像；对全局预处理图像构建背光区域分割模型；输出局部增强图像；对局部增强图像设计结构感知型局部自适应阈值算法，输出保持结构连续性的二值化图像；通过边缘检测算法提取二值化图像的边缘图，优化二值化图像中的轮廓的拓扑结构；与木模板加工标准特征库比对，输出边缘质量评估结果并反馈至加工控制系统。本发明将缺陷检测与加工控制的深度联动，从“被动检测”到“主动优化”，提升生产效率与良品率。

本发明授权基于智能识别的背光效果图像边缘增强方法在权利要求书中公布了：1.一种基于智能识别的背光效果图像边缘增强方法，其特征在于，包括： 通过多光谱图像采集设备获取木模板加工现场的原始图像，同时采集加工现场的环境参数，通过所述原始图像和环境参数进行亮度特征和粉尘雾度特征的统计，判定现场环境类型； 针对判定的现场环境类型对所述原始图像基于设定的环境感知型增强机制进行全局优化输出全局预处理图像； 所述环境感知型增强机制具体为： 若现场环境类型为低光环境：对所述原始图像执行CLAHE增强低光照区域对比度，动态调整tile网格大小与clipLimit参数，结合引导滤波去噪操作得到全局预处理图像； 若现场环境类型为高粉尘环境：对所述原始图像调用高粉尘增强策略，执行基于工业粉尘场景训练得到的DehazeNet去雾模型结合双边滤波去噪操作得到全局预处理图像； 若为背光环境：对所述原始图像调用背光增强策略，执行多尺度Retinex增强结合高光抑制操作得到全局预处理图像； 若为正常环境：对所述原始图像调用通用增强策略，执行自适应直方图均衡结合NLM去噪操作得到全局预处理图像； 对所述全局预处理图像构建背光区域分割模型，提取所述全局预处理图像中木模板的纹理特征与光照特征，输出所述全局预处理图像中背光区域像素级掩码；然后对定位的背光区域像素级掩码采用自适应各向异性扩散滤波增强边缘连续性，根据木模板纹理方向动态调整扩散系数，抑制垂直于边缘方向的扩散，保留平行于边缘方向的信息，输出局部增强图像； 对所述局部增强图像设计结构感知型局部自适应阈值算法，结合梯度方向、边缘密度信息动态调整局部阈值范围；嵌入轻量化U-Net网络对图像纹理进行结构强化，输出保持结构连续性的二值化图像； 具体过程为： 对所述局部增强图像，采用Sobel算子，分别计算图像在水平方向和垂直方向的梯度，进而得到每个像素点的梯度幅值和梯度方向； 对所述局部增强图像进行边缘检测，得到所述局部增强图像的边缘图；然后统计所述边缘图中边缘像素的数量，并与所述局部增强图像的总像素数量进行比较，从而得到边缘密度信息； 根据计算得到的梯度方向和边缘密度信息，构建局部阈值调整模型，所述局部阈值调整模型为：，其中，为初始阈值，a、b为调整系数，为像素点x,y的梯度幅值，为像素点x,y所在局部区域的边缘密度； 构建轻量化U-Net网络； 将经过局部阈值调整模型处理后的图像输入到轻量化U-Net网络中，并通过所述轻量化U-Net网络输出二值化图像； 通过边缘检测算法提取所述二值化图像的边缘图，基于图卷积网络提取所述二值化图像中的轮廓，将所述边缘图表示为图结构节点，通过损失函数优化所述二值化图像中的轮廓的拓扑结构；然后提取所述轮廓的几何特征，并与木模板加工标准特征库比对，输出边缘质量评估结果并反馈至加工控制系统； 具体过程为： 边缘图提取：对输入的二值化图像执行Canny边缘检测算法，提取边缘图E，其中边缘像素标记为1，非边缘像素标记为0； 图结构构建：将边缘图E中的边缘像素作为图结构节点,其中，N为边缘像素总数；定义节点邻接关系：若节点与为8邻域连通边缘像素，则建立边连接，形成图结构W=V,E； 图卷积网络轮廓提取：构建图卷积网络GCN，输入图结构W及节点特征，所述节点特征包括梯度方向和曲率，通过2-3层图卷积层聚合邻域特征，输出轮廓候选节点的概率分布，提取初始轮廓； 拓扑结构优化：定义所述损失函数，通过所述损失函数反向传播优化所述图卷积网络GCN的参数，使得所述图卷积网络GCN输出优化后轮廓，所述损失函数为： ； 、、为对应的损失函数的权重，为连续性约束损失函数，为曲率约束损失函数，为闭合性判断损失函数，且，其中，为节点i和节点j的实际欧氏距离，为预期连续距离，为节点i和节点j之间的边，W为图结构； 轮廓几何特征提取：对优化后轮廓计算特征集F，所述特征集F包括长度特征、曲率特征和闭合特征； 标准特征库比对：构建木模板加工标准特征库，包含合格轮廓的几何特征阈值范围；计算特征偏差，通过加权求和得到质量评分，为特征权重； 结果输出与反馈：若，判定为边缘质量合格；否则标记不合格区域，并将不合格区域坐标及偏差值反馈至加工控制系统，用于调整加工参数。

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四川省建筑机械化工程有限公司，其通讯地址为：610000 四川省成都市成华区二仙桥西一巷7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。