Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
专利交易 商标交易 积分商城 国际服务 IP管家助手 科技果 科技人才 会员权益 需求市场 关于龙图腾 更多
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)韩军伟获国家专利权

合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)韩军伟获国家专利权

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!

龙图腾网获悉合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)申请的专利基于对比学习的纤维显微内镜图像重建方法及存储介质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:CN115170686B

龙图腾网通过国家知识产权局官网在2026-04-28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:202210716619.7,技术领域涉及:G06T5/60;该发明授权基于对比学习的纤维显微内镜图像重建方法及存储介质是由韩军伟;屈亚威;程鹏飞;张贺晔;张鼎文;韩龙飞;徐晨初设计研发完成,并于2022-06-14向国家知识产权局提交的专利申请。

基于对比学习的纤维显微内镜图像重建方法及存储介质在说明书摘要公布了:本发明的一种基于对比学习的纤维显微内镜图像重建方法及存储介质,该方法包括:获取批量光纤显微内镜图片,按其是否有网格进行图像配对,再对网格图像进行像素过滤处理得到近似网格的图片与陷波滤波处理得到没有网格的图片;基于卷积自动编码器、卷积自动解码器、注意力机制和门控卷积等构建去网格模型,并优化模型;通过获取图像输入到优化模型,生成清晰图片;本发明通过使神经网络学习无网格图像和有网格图像及其经过处理的图像,结合有网格图像和无网格图像,针对网格和无网格的粗糙纹理特征的学习,在对抗学习的监督下使生成的图像更接近无网格图像且远离有网格图像,能够将有网格结构的光纤显微内镜图像转化为无网格的光纤显微内镜图像。

本发明授权基于对比学习的纤维显微内镜图像重建方法及存储介质在权利要求书中公布了:1.一种基于对比学习的纤维显微内镜图像重建方法,其特征在于,包括以下步骤: 获取批量光纤显微内镜图片,按其是否有网格进行图像配对,再对网格图像进行像素过滤处理得到近似网格的图片与陷波滤波处理得到没有网格的图片; 基于卷积自动编码器、卷积自动解码器、注意力机制和门控卷积构建去网格模型,并根据数据集对去网格模型进行参数优化得到优化模型; 通过获取待优化图像与其陷波滤波图像输入到优化模型,生成清晰图片;所述获取批量光纤显微内镜图片,按其是否有网格进行图像配对,再对网格图像进行像素过滤处理得到近似网格的图片与陷波滤波处理得到没有网格的图片,具体包括: 获取光纤显微内镜的图片与从有网格图片中转换来的过滤图像,其中获得过滤图像的步骤具体为:首先对有网格图像进行参数为1的高斯滤波,去除掉黑暗条件拍摄下图像包含的噪声,再对有网格图片进行置像素值大于30的像素点为0的像素过滤操作,得到近似只包含网格的图像C,过滤的步骤为: 其中pixel代表有网格图像I中的所有像素; 再对有网格图像进行过滤范围为200-500的陷波滤波处理,得到近似无网格的图像F,过滤的步骤为: 其中是傅里叶变换,是中的像素点,是的中心点,根据像素点与中心点的欧几里得距离判断是否需要进行过滤;所述基于卷积自动编码器、卷积自动解码器、注意力机制和门控卷积构建去网格模型,并根据数据集对去网格模型进行参数优化得到优化模型,具体包括: 利用获得到的特征图优化去网络模型,其中去网络模型包含用于恢复被网格遮挡部分的蜂窝特征编码器CFE和用于提取无网格特征的滤波编码器FFE,其中蜂窝特征编码器CFE的输入为像素过滤图像C和图像I,蜂窝编码器的具体步骤包含: 其中表示蜂窝特征编码器学习到的特征,和为用门限卷积进行的下采样和上采样,门限卷积为对同一特征图进行不同的卷积编码操作,然后对其中一个编码后的特征图进行sigmoid激活再与另一个编码的特征图进行点乘,公式为: 其中、、代表不同的卷积网络均无填充,其中、为卷积核大小为33步长为1的卷积,为卷积核大小为33步长为4的卷积,提取到高层特征后进行残差学习,残差学习包含三个残差学习块; 滤波编码器FFE的输入为滤波图片F,滤波编码器FFE的具体步骤包含: 其中和指用实现缩小特征图尺寸的普通上下采样卷积编码,FABlock指在普通卷积编码上添加通道注意力机制和像素注意力机制的卷积编码,具体包含: 其为添加的通道注意力卷积编码,为对F添加的像素注意力卷积编码,其用公式表示分别为: 其中为平均池化层,其他两个为卷积核大小为33步长为1的普通卷积编码; 最后将蜂窝特征编码器CFE和滤波编码器FFE提取到的特征按通道进行相加融合,通过卷积得到与原图大小、通道数一致的特征图,并进行损失函数计算,其中损失函数为: 其中FFT为傅里叶变换,在损失的基础上,添加基于对抗学习的傅里叶变换的对抗损失,通过权重超参数β调节学习到的特征函数与GT的相似度,并使其远离含网格的图像,在迭代训练中减少损失,在损失不再缩小时,保存当前网络权重用于进行图像去网格。

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合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室),其通讯地址为:230000 安徽省合肥市望江西路5089号,中国科学技术大学先进技术研究院未来中心B1205-B1208;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。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。