買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜北京理工大學重慶創新中心;北京理工大學申請的專利一種基于卷積神經網絡的傅里葉疊層顯微圖像去噪方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN114331911B 。

龍圖騰網通過國家知識產權局官網在2025-05-27發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210007222.0，技術領域涉及：G06T5/60；該發明授權一種基于卷積神經網絡的傅里葉疊層顯微圖像去噪方法是由許廷發;張瑾華;李佳男;張繼洲;陳毅文設計研發完成，并于2022-01-05向國家知識產權局提交的專利申請。

本一種基于卷積神經網絡的傅里葉疊層顯微圖像去噪方法在說明書摘要公布了：本發明公開了一種基于卷積神經網絡的傅里葉疊層顯微圖像去噪方法，包括以下步驟：S1、利用傅里葉疊層顯微系統對人體血細胞樣本進行成像，制作數據集；S2、搭建卷積神經網絡；S3、將訓練集的輸入送入到卷積神經網絡的編碼模塊、去噪模塊和解碼模塊，利用卷積神經網絡的特性，抑制噪聲信息通道的表達；S4、利用L1損失函數反復迭代優化卷積神經網絡，完成卷積神經網絡的訓練；S5、利用卷積神經網絡對實際采集的傅里葉顯微圖像進行去噪，獲得高質量重建圖像。本發明結合傅里葉疊層顯微系統獲得的強度圖和相位圖，利用深度學習方法的優勢，改善了傳統重建算法的噪聲問題，給醫學高質量成像提供了一種準確科學的算法。

本發明授權一種基于卷積神經網絡的傅里葉疊層顯微圖像去噪方法在權利要求書中公布了：1.一種基于卷積神經網絡的傅里葉疊層顯微圖像去噪方法，其特征在于，包括以下步驟：S1、利用傅里葉疊層顯微系統對人體血細胞樣本進行成像，得到強度圖和相位圖并制作數據集，包括訓練集和驗證集；S2、搭建卷積神經網絡，包括編碼模塊、去噪模塊和解碼模塊；S3、將訓練集的輸入送入到卷積神經網絡的編碼模塊、去噪模塊和解碼模塊，利用卷積神經網絡的特性，自動學習圖像的目標信息和噪聲信息，對特征圖的目標信息通道賦予第一權重，對特征圖的噪聲信息通道賦予第二權重，從而抑制噪聲信息通道的表達；S4、利用L1損失函數反復迭代優化卷積神經網絡，每次迭代后，利用驗證集對訓練模型進行測試，采用峰值信噪比和結構相似性作為評價指標，當損失函數、峰值信噪比和結構相似性無明顯變化時，完成卷積神經網絡的訓練；S5、利用卷積神經網絡對實際采集的傅里葉顯微圖像進行去噪，獲得高質量重建圖像；所述步驟S2中編碼模塊由4個卷積池化塊組成，對輸入的圖像進行特征提取和下采樣；所述卷積池化塊包括依次連接的1*1卷積層、批歸一化層、激活函數層、3*3卷積層、批歸一化層、激活函數層和最大池化層；所述步驟S2中去噪模塊包括依次連接的全局平均池化層、1*1卷積層、激活函數層和1*1卷積層和激活函數層；所述步驟S2中去噪模塊的輸入為編碼模塊池化操作之前獲得的不同層級的特征圖，分別對不同層級的特征圖進行全局池化操作，并將不同層級特征圖的通道特征進行融合，融合后的通道特征信息經過卷積層和激活函數的優化，再按照不同層級特征圖的通道數進行分割，分割后的通道特征信息分別對應層級的特征圖進行相乘操作，實現通道特征權重重分配，從而突出信息通道的表達并抑制噪聲信息的表達；所述步驟S2中解碼模塊由4個卷積上采樣塊組成，對高層級的特征圖進行特征提取，并與去噪模塊優化后的相同層級特征圖進行融合，共同進行上采樣操作，最終獲得高分辨復振幅，包括強度信息和相位信息；所述卷積上采樣塊包括依次連接的上采樣層、1*1卷積層、批歸一化層、激活函數層、3*3卷積層、批歸一化層和激活函數層。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人北京理工大學重慶創新中心;北京理工大學，其通訊地址為：401120 重慶市渝北區龍興鎮曙光路9號9幢；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。