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！

龙图腾网获悉电子科技大学申请的专利一种基于边缘拓扑引导的红外小目标检测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：CN118823327B 。

龙图腾网通过国家知识产权局官网在2025-09-12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：202410981707.9，技术领域涉及：G06V10/25；该发明授权一种基于边缘拓扑引导的红外小目标检测方法是由邓佳坤;彭真明;黄逸安;胡晨;赵轩;郭进一设计研发完成，并于2024-07-22向国家知识产权局提交的专利申请。

本一种基于边缘拓扑引导的红外小目标检测方法在说明书摘要公布了：本发明涉及图像处理及机器视觉应用领域，提供了一种基于边缘拓扑引导的红外小目标检测方法，主旨在于通过目标边缘检测以及边缘拓扑化，消除类内距离，在分割网络引入边缘拓扑特征层，进而提升模型对各类目标的检测性能。具体步骤为，首先对输入红外图像进行边缘检测；接着将边缘拓扑化，构造多子图混合的候选图结构，并通过网络得到同时包含图像特征和图拓扑特征的边缘拓扑特征层；之后将其引入分割网络共同参与模型训练，得到最终的检测模型。

本发明授权一种基于边缘拓扑引导的红外小目标检测方法在权利要求书中公布了：1.一种基于边缘拓扑引导的红外小目标检测方法，其特征在于，包括如下步骤： 步骤1：对输入红外图像进行边缘检测，得到边缘图像，转入步骤2； 步骤2：通过步骤1得到的边缘图像构造多子图混合的候选图结构，通过多层消息传递网络对更新各节点特征，得到边缘拓扑特征层，转入步骤3； 步骤3：将边缘拓扑特征层嵌入目标检测网络模型，构建出边缘拓扑引导网络，通过模型训练得到最终的具有奇形目标检测能力的红外小目标检测模型； 其中，步骤2中通过边缘环绕收敛特性将奇形目标的几何边缘转化为环形拓扑结构，消除类内距离差异； 所述步骤2包括如下步骤： 步骤2.1：将步骤1得到的得到边缘图像的边缘结果，采用式（6）进行全局阈值分割，得到边缘模板图像，式（6）如下： 其中，为全局阈值，用于提取边缘； 步骤2.2：对于步骤2.1得到的边缘模板图像，值为1表示为边缘区域，对边缘模板图像进行连通域特征表达，每个连通域表示一个候选目标的边缘，得到边缘模板图像的边缘集合，其中连通准则采用4连通，即值为1且上下左右方向相邻的像素属于同一个连通域，特征包含了位置信息和强度信息，边缘集合可由式（7）表示，式（7）如下： 其中，表示中第个连通域，同时，和分别表示连通域每个像素的位置信息和特征，其中,,分别为像素的横坐标和纵坐标，为连通域的像素个数；,，也就是原图和多尺度边缘特征对应像素位置的值作为特征，最终的大小为，的大小为； 步骤2.3：将步骤2.2得到的边缘集合转换为多子图混合候选图，多子图混合候选图如式（8）所示： 其中，边缘图拓扑由步骤2.2的中对应转化得到，,这里，共包含了个节点，与对应的像素个数对应，且,这表示每个节点将存放维的特征，与中对应；是一个稀疏的邻接矩阵，描述节点与节点的连接关系，表示节点与节点有一条边连接，对应在图像上则是相邻，则表示它们之间没有边进行连接； 步骤2.4：对步骤2.3的多子图混合候选图中的每一个边缘图拓扑，为了使中每个节点获取到整个图的拓扑信息，每个节点将通过式（9）计算它来自邻居的消息传递向量，式（9）如下： 其中，为节点在第层接收到的信息，为消息函数，表示第层节点的节点特征，表示节点的邻居集合，表示层中节点的邻居节点的节点特征； 步骤2.5：利用步骤2.4得到的消息传递向量，通过式（9）更新自身节点特征，式（9）如下： 其中，为节点更新函数，通过组合当前节点状态和消息，得到新的节点状态； 步骤2.6：对于步骤2.3多子图混合候选图中的每一个边缘图拓扑，依次采用步骤2.4和步骤2.5运算多次，每个节点将得到所有节点的消息，至此，边缘图拓扑中每个节点的特征中不仅会包含图像结构信息，同时也会包含边缘拓扑信息，最终停止的边缘图拓扑记为，多子混合候选图记为； 步骤2.7：每次重复步骤2.4和2.5都会对每个节点进行消息传递，更新其特征，待如步骤2.6更新停止后，通过式（10）计算每个节点的多层联合特征，式（10）如下式所示： 其中，为激活函数，能将括号内的值映射在特定范围；为连接函数，为消息传递或者特征更新的次数，对应步骤2.4和2.5的重复次数为原始的特征维度为，经过函数后将得到的特征向量，令,为参数矩阵，大小为，表示转置，最终的维度为； 步骤2.8：利用步骤2.7得到的多层联合特征，采用式（11）获取整个图的拓扑特征，其中不仅包含了原始图像层面的边缘特征，还包含了图结构层面的拓扑特征： 其中，为图节点集合，表示节点个数，表示最大值池化，最终的维度为； 步骤2.9：利用步骤2.8得到的图的，采用式（12）对预测其该图对应的类别，类别包括目标和虚警，式（12）如下所示： 其中，为激活函数,能将括号内的值映射在,为参数向量，维度为，最终，每个图将输出一个预测值； 步骤2.10：将步骤2.9得到的图的预测值和真实标签通过式（13）构建损失函数，并进行模型训练，将求解出最优的和，式（13）如下： 其中，表示训练图样本集合，表示训练样本的个数； 步骤2.11：模型训练完毕后，代入相关最优参数，步骤2.1、2.2、2.3、2.6、2.7、2.8用于从得到的边缘结果，得到每条边缘的拓扑特征，构建大小为、值为0的张量，在图的每个节点的对应位置上，输入所属图或边缘的拓扑特征，得边缘拓扑特征层，如式（14）所示： 其中，表示边缘结果，大小为，表示边缘拓扑特征层提取过程,为经过输出的边缘拓扑特征层，其大小为，和分别为训练得到的最优参数。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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”。