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！

龙图腾网获悉北京龙知远科技发展有限公司申请的专利一种基于近红外成像的图像处理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：CN120339137B 。

龙图腾网通过国家知识产权局官网在2025-12-26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：202510820627.X，技术领域涉及：G06T5/77；该发明授权一种基于近红外成像的图像处理方法及系统是由刘威设计研发完成，并于2025-06-19向国家知识产权局提交的专利申请。

本一种基于近红外成像的图像处理方法及系统在说明书摘要公布了：本发明公开了一种基于近红外成像的图像处理方法及系统，具体涉及图像数据处理领域，包括：采集生产线运行过程中连续的近红外图像帧，并提取对应的像素集；获取所有图像帧的像素灰度值，建立像素灰度分布图；利用多分支卷积神经网络对分布图进行空间特征学习，分离出背景、目标结构及动态残影区域；以目标结构区域为中心对图像帧进行空间对齐，叠加生成全局区域分布；再通过历史图像样本构建训练集，完成区域分布预测模型的神经网络训练；利用该模型对实时图像进行背景与残影区域分布预测，并通过邻域修补完成动态残影的修正，实现了高速生产线近红外图像的动态残影快速消退处理。

本发明授权一种基于近红外成像的图像处理方法及系统在权利要求书中公布了：1.一种基于近红外成像的图像处理方法，其特征在于，包括如下步骤： S1：基于产线的运行速度对生产区域进行连续近红外图像采集，生成近红外图像帧的像素集； S2：获取所有图像帧对应像素集的像素灰度值，建立像素灰度分布图； S3：利用多分支卷积神经网络对像素灰度分布图进行空间特征学习，分离出背景、目标结构及动态残影区域分布； S4：以目标结构区域为中心，对连续的图像帧执行空间对齐，叠加所有图像帧生成全局区域分布； S5：获取历史近红外图像帧样本，通过样本构建的训练集进行神经网络模型训练，建立区域分布预测模型； S6：基于区域分布预测模型预测实时图像的背景与残影区域分布，通过背景区域对残影区域执行邻域修补，输出残影修正后的图像； 在S3中，利用多分支卷积神经网络对像素灰度分布图进行空间特征学习，分离出背景、目标结构及动态残影区域分布具体包括： 对像素灰度分布图进行逐像素扫描，将像素灰度值按行列顺序排列形成多维输入张量； 设定多分支卷积神经网络结构，在多维输入张量中保留单通道输入格式，并分别对不同分支配置对应尺寸的卷积核； 其中，所述的多分支包含背景、目标结构及动态残影分支； 将多维输入张量输入多分支卷积神经网络，并基于配置的卷积核在各分支内进行局部卷积操作，提取像素空间特征构建不同分支的特征图，其中，空间特征包含纹理特征、边缘特征以及连续区域特征； 将不同分支的特征图进行跨分支特征融合，通过特征聚类分离出背景、目标结构及动态残影区域分布； 所述将不同分支的特征图进行跨分支特征融合，通过特征聚类分离出背景、目标结构及动态残影区域分布具体包括： 在多分支卷积神经网络的输出中，依次读取背景分支、目标结构分支及动态残影分支的特征图； 将三类特征图叠加，在每个像素位置构建基于背景特征值、目标结构特征值及动态残影特征值的联合特征，形成像素级的联合特征集合； 预设背景、目标结构及动态残影区域的联合特征分类模板，并分别建立对应的类别索引； 对联合特征集合在整个像素灰度分布图范围内执行无监督聚类，提取每个类别簇的局部联合特征集合，对局部联合特征集合计算平均特征，通过平均特征与联合特征分类模板距离标注每个聚类簇的类别索引； 将所标注类别索引映射到像素灰度分布图的行列位置，生成单个图像帧对应的背景区域、目标结构区域及动态残影区域分布； 在S6中，基于区域分布预测模型预测实时图像的背景与残影区域分布，通过背景区域对残影区域执行邻域修补，输出残影修正后的图像具体包括： 将产线端的外部光源参数和实时产线运行速度输入区域分布预测模型； 获取模型输出结果，对实时采集近红外图像帧的像素灰度分布图进行背景区域及动态残影区域分布标注； 在像素灰度分布图中提取标注的残影区域与背景区域的像素位置坐标； 在残影区域的像素位置坐标上，对像素灰度分布图的像素灰度值进行邻域修补处理，按照背景域的像素灰度值对残影区域执行像素灰度修正，输出残影修正后的图像帧。

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北京龙知远科技发展有限公司，其通讯地址为：100176 北京市大兴区北京经济技术开发区经海三路118号院1号楼二层208；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。