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！

龙图腾网获悉江苏大学申请的专利一种基于条件约束和特征匹配的生成对抗网络的淋巴瘤图像数据生成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：CN113936072B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202111270875.X，技术领域涉及：G06T11/00；该发明授权一种基于条件约束和特征匹配的生成对抗网络的淋巴瘤图像数据生成方法是由韩飞;朱少钧;郭鑫利;曹洁川;李海龙设计研发完成，并于2021-10-29向国家知识产权局提交的专利申请。

本一种基于条件约束和特征匹配的生成对抗网络的淋巴瘤图像数据生成方法在说明书摘要公布了：本发明提出了一种基于条件约束和特征匹配的生成对抗网络的淋巴瘤图像数据生成方法，用于淋巴瘤图像的数据增强。该方法首先结合标签约束，给WGAN‑GP的生成模型搭建一层全连接层和四层反卷积层来生成图像，之后给WGAN‑GP的判别模型搭建三层卷积层和一层全连接层来识别图像是来自真实的还是生成的，最后结合特征匹配手段建立损失函数，通过生成模型和判别模型的对抗学习来生成指定标签的图像，从而达到数据增强的目的。对淋巴瘤图像的获取需要大量的临床病例，然而该方法能够解决以往工作人员难以获取指定类型的淋巴瘤图像数据的问题，进一步提高工作人员工作效率，从而减少工作人员工作时间并且提高生成图像的真实性。

本发明授权一种基于条件约束和特征匹配的生成对抗网络的淋巴瘤图像数据生成方法在权利要求书中公布了：1.一种基于条件约束和特征匹配的生成对抗网络的淋巴瘤图像数据生成方法，其特征在于，包括下列步骤： 步骤1：对图像数据进行归一化处理并对类标签数据进行OneHot编码； 步骤2：根据图像类标签信息搭建基于卷积神经网络的WGAN-GP生成模型； 步骤3：根据图像类标签信息搭建基于卷积神经网络的WGAN-GP判别模型； 步骤4：根据真实样本和生成样本在判别模型每层网络的取值，计算出特征匹配的惩罚项； 步骤5：构建生成模型和判别模型的损失函数； 步骤6：优化损失，引入图像数据对模型进行训练； 步骤7：根据训练好的生成模型，通过指定类标签，生成预期的图像； 所述的步骤1包含下列步骤： 步骤1.1：加载图像并对图像进行归一化处理，将值限定在区间[0,1]中； 步骤1.2：采用python的sklearn包中的OneHotEncoder方法给图像对应的类标签进行编码； 所述的步骤2包含下列步骤： 步骤2.1：将输入噪声初始化，在python中导入tensorflow库，采用正态分布随机取值的方法将维度为[batch_size,128]的噪声初始化，其中第一个参数batch_size为生成模型每生成一次能够产生的样本个数；第二个参数128表示每128维的噪声通过生成模型将会生成一个样本； 步骤2.2：将噪声和条件约束相结合，通过tensorflow中的concat方法能够将噪声和标签拼接起来，其中标签的维度为[batch_size,label_size]；label_size为类标签经过OneHot编码后的值，拼接之后的值做为生成模型的输入，其维度为[batch_size,128+label_size]； 步骤2.3：搭建一层全连接神经网络，导入tensorflow.contrib.layers包中的fully_connected方法构建全连接层，输入的维度为噪声和标签拼接后的维度[batch_size,128+label_size]，输出的维度为16*16*8*DEPTH，其中DEPTH为图片的长；其中全连接网络的权值采用服从标准偏差为0.01的正态分布的值初始化，偏置项初始化值设为0.0，之后将通过全连接网络的值采用tensorflow中的reshape方法将维度值变为[batch_size,16,16,8*DEPTH]，其中第一个参数batch_size的值与步骤2.1的相同，第二个参数的16和第三个参数的16表示输出图片的大小，第四个参数8*DEPTH表示通道数； 步骤2.4：搭建四层反卷积层，采用tensorflow中的conv2d_transpose方法搭建反卷积层，第一层的反卷积层的输入维度为全连接层的输出，卷积核的维度为[5,5,4*DEPTH,8*DEPTH]，卷积步长维度为[1,2,2,1]，卷积核初始化采用服从标准偏差为0.01的正态分布的值，偏置项初始化值设为0.0，padding值设为“SAME”；将卷积后的值通过relu激活函数，之后将relu激活函数的输出采用tensorflow中的reshape方法将维度变为[batch_size,32,32,4*DEPTH]；第二层的反卷积层的输入为reshape方法后的输出，其中卷积核的维度为[5,5,2*DEPTH,4*DEPTH]，卷积步长维度为[1,2,2,1]，卷积核初始化采用服从标准偏差为0.01的正太分布的值，偏置项初始化值设为0.0，padding值设为“SAME”；将卷积后的值通过relu激活函数，第三层反卷积层的输入为relu激活函数的输出，卷积核的维度为[5,5,DEPTH,2*DEPTH]，卷积步长维度为[1,2,2,1]，卷积核初始化采用服从标准偏差为0.01的正态分布的值，偏置项初始化值设为0.0，padding值设为“SAME”；将卷积后的值通过relu激活函数，第四层反卷积层的输入为relu激活函数的输出，卷积核的维度为[5,5,1,DEPTH]，卷积步长维度为[1,2,2,1]，卷积核初始化采用服从标准偏差为0.01的正态分布的值，偏置项初始化值设为0.0，padding值设为“SAME”，将卷积后的值通过sigmoid激活函数； 步骤2.5：输出生成的样本，采用tensorflow库中的reshape方法将sigmoid激活函数的输出维度变为[-1,img_size]，第一个参数-1表示按照第二个参数自动排列为一行，img_size表示图像的尺寸，将转换后的值作为生成模型的输出。

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江苏大学，其通讯地址为：212013 江苏省镇江市京口区学府路301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。