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！

龙图腾网获悉长江大学申请的专利一种去除FIBSEM噪声图像中噪声的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：CN119722503B 。

龙图腾网通过国家知识产权局官网在2025-08-29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：202411607917.8，技术领域涉及：G06T5/70；该发明授权一种去除FIBSEM噪声图像中噪声的方法是由聂昕;徐雯;周迎;孙传瑞;侯玉龙设计研发完成，并于2024-11-12向国家知识产权局提交的专利申请。

本一种去除FIBSEM噪声图像中噪声的方法在说明书摘要公布了：本发明提供了一种去除FIBSEM噪声图像中噪声的方法，以DnCNN网络模型为框架，通过搭建初始改进DnCNN网络去噪模型和模型参数优化，得到改进DnCNN网络去噪模型，利用改进DnCNN网络去噪模型对FIBSEM噪声图像进行去噪，包括以下步骤：S1搭建初始改进DnCNN网络去噪模型；S2模型参数优化：S2.1数据预处理；S2.2残差学习训练；S2.3模型测试；S3循环；S4去噪。本发明采用改进的DnCNN网络模型，结合残差学习和批归一化技术，使得去噪过程更为稳定，能够适应不同噪声水平，针对FIBSEM图像的噪声去除，有效减少了因样品表面形貌起伏和成分差异导致的噪声和窗帘效应。

本发明授权一种去除FIBSEM噪声图像中噪声的方法在权利要求书中公布了：1.一种去除FIBSEM噪声图像中噪声的方法，其特征在于，以DnCNN网络模型为框架，通过搭建初始改进DnCNN网络去噪模型和模型参数优化，得到改进DnCNN网络去噪模型，利用改进DnCNN网络去噪模型对FIBSEM噪声图像进行去噪，去除FIBSEM噪声图像中噪声的方法包括以下步骤： S1搭建初始改进DnCNN网络去噪模型：初始改进DnCNN网络去噪模型包括加载预处理噪声图像单元、输入层，组合卷积层和输出层，组合卷积层包括1个头部卷积层、15个稳定增强型卷积层和1个尾部卷积层； 头部卷积层参数如下：卷积核尺寸为3×3，步长为1，通道数为64； 尾部卷积层参数如下：卷积核尺寸为3×3，步长为1，通道数为64； 稳定增强型卷积层包括卷积操作单元、批量归一化单元和修正线性单元，在修正线性单元采用ReLU激活函数，卷积操作单元的参数如下：卷积核尺寸为3×3，步长为1，通道数为64； S2模型参数优化：S2.1数据预处理：将利用FIBSEM系统获取的含噪声图像进行人工去噪作业，得到无噪声图像集，将无噪声图像集采用train_test_split函数划分为无噪声训练集和无噪声测试集； S2.2残差学习训练：将无噪声训练集中的原始图像经过随机裁剪作业、几何变换作业和添加噪声作业后，得到人为噪声图像训练集，利用人为噪声图像训练集中的图像和无噪声训练集中的原始图像作为数据对，训练初始改进DnCNN网络去噪模型以进行参数优化；在训练中，使用L1损失函数计算误差，设置L1损失函数的权重为1； S2.3模型测试：将无噪声测试集中的原始图像添加设定的噪声，构成人为测试样本集，利用训练后的初始改进DnCNN网络去噪模型进行去噪作业，得到去噪后测试图像集； 通过对去噪后测试图像集中的图像和无噪声测试集中的原始图像进行对比，采用峰值信噪比作为评价指标评估改进DnCNN网络去噪模型的去噪效果； S3循环：重复步骤S2.2和步骤S2.3，直至去噪效果达到预期效果，得到改进DnCNN网络去噪模型； S4去噪：将利用FIBSEM系统获取的含噪声目标图像采用改进DnCNN网络去噪模型进行去噪作业，得到目标图像。

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长江大学，其通讯地址为：430100 湖北省武汉市蔡甸区大学路111号长江大学(武汉校区)；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。