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！

龙图腾网获悉北京工业大学申请的专利一种基于位置-边界信息引导的图像对象分割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：CN116883710B 。

龙图腾网通过国家知识产权局官网在2026-04-07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：202310304844.4，技术领域涉及：G06V10/764；该发明授权一种基于位置-边界信息引导的图像对象分割方法是由李建强;高正凯;贾卓霖;王一霖;李欣阳;马天宝;徐曦设计研发完成，并于2023-03-27向国家知识产权局提交的专利申请。

本一种基于位置-边界信息引导的图像对象分割方法在说明书摘要公布了：一种基于位置‑边界信息引导的图像对象分割方法属于计算机视觉领域。本发明通过结合两个模块的信息获得花粉分割图像：目标定位模块通过图像级标签训练的分类网络获得定位图，提供准确的位置信息；边界引导模块利用花粉轮廓先验知识匹配目标花粉获得显著图，得到细粒度的边界信息。本方法可以充分利用两者之间的互补关系，获得准确的目标花粉边界，并丢弃非目标对象如杂质像素，显著提高花粉图像分割质量。

本发明授权一种基于位置-边界信息引导的图像对象分割方法在权利要求书中公布了：1.一种基于位置-边界信息引导的图像对象分割方法，其特征在于，包括以下步骤： 步骤1：图像裁剪 将数字切片扫描仪扫描得到的整张花粉大图片进行裁剪和筛选；将整张花粉图片进行裁剪，得到最优尺寸花粉图片，使用的尺寸为； 步骤2：目标定位模块获得定位图 目标定位模块目的是利用图像级标签训练分类网络，通过类激活映射获得花粉定位图；此模块共包含三大阶段； 步骤2.1构建数据集及图像预处理：根据图像内容将裁剪后的图像分为花粉、杂质、其他三类，其中将包含清晰花粉的图像归为花粉类，不包含花粉但含有明显杂质的图像分为杂质类，其余图像分为其他类；之后使各类别图像数量平衡，便于分类网络训练； 步骤2.2构建分类网络：基于CNN网络，构建起花粉图像多分类网络，利用图像级标签监督网络训练；此阶段网络采用了经典的DenseNet网络； 步骤2.3类激活映射获得定位图：利用类激活映射得到花粉类激活图，对于DenseNet这种含有全局平均池化层的深度分类网络，利用最高层特征图各通道的加权组合，获得含有类别信息的激活图，获得含有类别信息的激活图，记为，如公式1所示； 1 式中C指网络最后一层有C张特征图，指第c张特征图，指第c张特征图所占权重； 之后根据设定的阈值将花粉类激活图二值化，即可得到定位图，记为，如公式2所示； 2 式中为预先设定好的阈值，设定为0.65；代表定位图第a行b列的像素值，代表花粉类激活图第a行b列的像素值； 步骤3：边界引导模块获得显著图 边界引导模块的目的是利用花粉轮廓的明显特征筛选图像的轮廓区域，生成显著图；首先从原始图片中提取目标轮廓，轮廓特征用两个特征描述子即形状上下文特征、形状度量特征代表；之后根据特征描述子将目标轮廓与构建的模板库中的花粉模板相匹配，形成轮廓与模板间的对应关系，筛选强对应关系的轮廓区域作为此模块的显著区域，生成显著图，同时得到边界范围和区域类别信息； 步骤3.1轮廓提取：首先对图像做迁移均值滤波和高斯滤波处理，弱化内部纹理的影响并平滑图像边缘；将图像转为灰度图后利用canny算子提取图像中所有的边缘线条；最后保留最外层封闭线条，并检验封闭区域的面积和颜色，符合花粉特性要求的线条作为轮廓提取结果； 步骤3.2形状上下文特征提取：利用形状上下文特征描述子统计了轮廓点集中每一个点的上下文信息； 步骤3.2.1轮廓点采样：对于单个轮廓的n个轮廓点，统计了其中每个点与其余n-1个点之间的距离，得到一个n*n的相对距离矩阵；每次剔除最短距离点对中的任意一个点，并解除它与其他点之间的距离关系，依次重复，直至点对只剩下m个轮廓点；m=n，设定m为100； 步骤3.2.2计算形状上下文特征描述子：在m个轮廓采样点中，对于其中的一个点，构建以其为中心的极对数坐标系，为了保证描述符具有旋转不变性，定义与轮廓重心点的连线方向为坐标系X轴的正方向；求重心点如公式3所示： 3 其中m表示轮廓点总数，,分别表示第i个点的横纵坐标； 将坐标系划分为12个角度区域和5个距离区域bin，即共生成60个极坐标区域记为K，统计样本点落入不同区域的个数，最后进行归一化处理，即可得到形状上下文描述子；如公式4所示： 4 式子#{U:V}表示，在U条件下V的数目；表示剩余的边界样本点，表示点的第k个极坐标区域；每个轮廓采样点均会生成一个形状上下文直方图，表示该直方图中第k个极坐标区域对应的值，图像中m个采样点得到的m个直方图被定义为该图像的形状上下特征； 步骤3.3形状度量特征提取：为了衡量轮廓的整体形状，提出了形状度量特征，包含四个特征维度，分别为圆度比、圆方差、矩形度和凹度，对目标轮廓提取以上四维度的特征计算得到其形状度量特征； 步骤3.3.1计算圆度比：圆度比度量轮廓圆的程度，定义为轮廓包围面积与周长相同的圆的面积之间的比值，记为，如公式5所示； 5 其中A表示面积，P表示周长，、、分别为目标轮廓包围的面积、圆的面积、目标轮廓周长； 步骤3.3.2计算圆方差：圆方差可以度量轮廓圆的程度，被定义轮廓点和重心之间距离集合的标准差与平均值之间的比值，记为，如公式67所示； 6 7 其中式表示径向距离，表示重心点，通过公式3计算得出；表示第i个做轮廓点，表示第i个点和重心点的径向距离，表示径向距离的标准差，表示径向距离的平均值； 步骤3.3.3计算矩形度：矩形度可以度量外接矩形内形状的密度，即轮廓和矩形的相似度，定义为轮廓包围面积与其最小外接矩形面积之间的比值，记为，如公式8所示； 8 其中表示最小外接矩形的面积； 步骤3.3.4计算凹度：凹度衡量轮廓的凹陷程度，定义为轮廓的凸包周长和轮廓周长之间的比值，记为，如公式9所示； 9 其中表示凸包周长； 步骤3.3.5计算形状度量特征描述子：最终，对样本轮廓点计算如上四个特征值，集成得到形状度量特征描述子，如公式10； 10 步骤3.4模板匹配：对模板轮廓和目标轮廓分别计算两个特征描述子，根据特征距离将提取的目标轮廓与模板像匹配，选取匹配度高的轮廓区域，经过轮廓过滤和K-NN分类之后，得到显著图； 步骤3.4.1计算形状上下文特征的距离：通过形状上下文特征描述子可以为第一个轮廓上的每个点，在第二个轮廓上找到“最佳”匹配点；所有匹配点之间的特征距离作为轮廓之间的特征距离度量； 对于目标轮廓上的一个点和模板轮廓上的一个点，利用卡方统计，来表示这两个点之间的特征距离；每两个点之间的特征距离组成了m*m的特征距离矩阵C，如公式11所示；用F表示目标轮廓的特征，T表示模板轮廓的特征； 11 和分别表示第i个目标轮廓点和第j个模板轮廓点的第k个极坐标区域的特征值，K表示极坐标区域总数； 形状上下文特征距离度量值表示目标轮廓和模板轮廓上最佳匹配点的特征距离之和，通过对特征距离矩阵对称加和得到，如公式12； 12 表示在U条件下V的最小值，m表示样本点个数，和分别表示第i个目标轮廓样本点和第j个模板轮廓样本点； 步骤3.4.2计算形状度量特征的距离：对于轮廓的形状度量特征，用目标轮廓与模板轮廓特征之间的欧氏距离表示形状度量特征距离，如公式13表示； 13 其中和分别表示目标轮廓和模板轮廓的type特征，type可取； 步骤3.4.3计算联合距离表示：将目标轮廓与模板轮廓之间的形状距离D定义为形状上下文距离与形状度量特征距离的加权和，如公式14所示： 14 式中，是两种距离所对应的加权参数，为0.8； 步骤3.4.4K-NN分类：对于每个从图片中提取的目标轮廓，均可与400张模板生成400个距离特征，利用K-NN分类的思想，统计与样本轮廓距离最为接近即距离特征最小的100个模板中各类别的占比，将占比最大的类别作为此轮廓的类别； 最后根据以上步骤得到的轮廓生成花粉显著图； 步骤4：生成花粉分割图像 融合目标定位模块生成的花粉定位图与边界引导模块生成的花粉显著图得到最终的花粉分割图像；为了得到准确的花粉分割图像，以显著图的激活区域称为作为基准，将定位图的激活区域称为作为条件，选择与存在交集的作为花粉分割的最终结果，如公式1516所示； 15 16 其中{}表示集合，、、分别表示显著图、定位图和最终花粉分割图像上的第h个激活区域。

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工业大学，其通讯地址为：100124 北京市朝阳区平乐园100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。