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！

龙图腾网获悉北京理工大学申请的专利一种基于PCNN和改进形态学的低空目标边缘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：CN117078709B 。

龙图腾网通过国家知识产权局官网在2025-11-11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：202310826722.1，技术领域涉及：G06T7/13；该发明授权一种基于PCNN和改进形态学的低空目标边缘检测方法是由乔栋;刘月鹏;李翔宇设计研发完成，并于2023-07-07向国家知识产权局提交的专利申请。

本一种基于PCNN和改进形态学的低空目标边缘检测方法在说明书摘要公布了：本发明公开的一种基于PCNN和改进形态学的低空目标边缘检测方法，属于航天检测技术领域。本发明实现方法为：获取临空平台搭载光电载荷拍摄的包含低空目标的图像，使用滤波算法对图像进行预处理；采用PCNN模型对滤波后的图像进行图像分割，将存在低空目标的区域筛选出来，区域提取得到待检测的图像，消除细节给边缘检测造成的影响；对获得的待检测图像，使用改进的形态学梯度进行边缘检测，利用形态学梯度滤波算子抑制随机噪声的特性，提高低空目标边缘检测的精度和抗噪声的能力；利用形态学细化算子对获得的低空目标边缘进行细化，保持图像细小部分的连通性，提高低空目标边缘检测的精度。利用本发明具有检测精度高、抗干扰能力强的优点。

本发明授权一种基于PCNN和改进形态学的低空目标边缘检测方法在权利要求书中公布了：1.一种基于PCNN和改进形态学的低空目标边缘检测方法，其特征在于：包括如下步骤， 步骤一：获取临空平台搭载光电载荷拍摄的包含低空目标的图像，然后使用滤波算法对图像进行预处理； 步骤二：在图像处理前，对PCNN模型各个节点的权重和偏置参数进行初始化； 步骤三：采用PCNN模型对自适应中值滤波后的图像进行图像分割，将存在低空目标的区域筛选出来，进行区域提取得到待检测的图像，提高图像分割的精度和速度，消除细节给边缘检测造成的影响； 步骤三中， PCNN模型由输入层，耦合层和脉冲输出层构成，当PCNN模型处理图像时，它为一单层二维的局部连接的网络,神经元的个数等于输入图像中像素点的个数，神经元与像素点一一对应；每一个神经元与对应的像素点相连，同时与邻近的神经元相连，同时将PCNN基本模型作如下简化： Uijn＝Fijn1+βLijn Eijn＝exp-αEEijn-1+VEVijn-1 其中，和为衰减时间常数，αE为阈值衰减时间常数，VE为阈值幅度系数，VF和VL为连接幅值系数，β为连接强度，Mijkl和Wijkl为链接权值； 步骤四：对获得的待检测图像，使用改进的形态学梯度进行边缘检测，利用形态学梯度滤波算子抑制随机噪声的特性，提高低空目标边缘检测的精度和抗噪声的能力； 灰度图像的开运算和闭运算的定义与二值图像的开运算和闭运算具有相同的形式；开运算和闭运算的定义分别为： 其中，f为原始图像，b为结构元素，为膨胀运算，Θ为腐蚀运算； 由于随机噪声的宽度可能会小于结构元素的宽度，这样会使随机噪声被混杂在处理后的图像中，构建两个3×3大小的结构元素，一个为十字形结构元素C1，另一个为交叉形结构元素C2分别为 使得结构元素关于原点对称且互补，有效减少了漏检的现象；采用这两个形态学梯度的加权组合形式，则改进的形态学梯度滤波算子为： y＝c1y×+c2y++kmaxy×,y+-miny×,y+ 其中，c1和c2为权系数，y×和y+为两个形状不同的结构元素相对应的改进形态学梯度，k为两个边缘提取后不同结构元素边缘提取极限差的系数；c1,c2和k都使用自适应算法进行取值； 步骤五：利用形态学细化算子对获得的低空目标边缘进行细化，保持图像细小部分的连通性，提高低空目标边缘检测的精度。

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理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5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。