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！

龙图腾网获悉安徽大学申请的专利一种基于深度学习的背光X射线图像多层噪声去除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：CN119991484B 。

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：202510067901.0，技术领域涉及：G06T5/70；该发明授权一种基于深度学习的背光X射线图像多层噪声去除方法是由孙超雨;郭亮;孙传奎;陈伯伦;缪文勇;涂绍勇;陈忠靖;袁永腾;滑蕊;孙长银设计研发完成，并于2025-01-16向国家知识产权局提交的专利申请。

本一种基于深度学习的背光X射线图像多层噪声去除方法在说明书摘要公布了：本发明提出一种基于深度学习的背光X射线图像多层噪声去除方法，包括：采集背光X射线图像中的球壳轮廓，利用计算机建模得到无噪声图像数据集；模拟图像噪声，并添加到无噪声图像数据集中得到有噪声图像数据集；构建以FR‑Unet架构为核心的图像降噪模型，以有噪声图像数据集为输入，进行图像增强，输出降噪后的有噪声图像；再与无噪声图像对比计算均方差损失MSE，多次训练，得到最优图像降噪模型；将最优图像降噪模型应用于真实实验图像，验证模型的降噪效果，并确保图像质量和细节保留。本发明能有效去除多层噪声，在保持高图像保真度的同时实现高效噪声减少，避免重要信息的丢失，提高了惯性约束聚变实验数据分析的质量和准确性。

本发明授权一种基于深度学习的背光X射线图像多层噪声去除方法在权利要求书中公布了：1.一种基于深度学习的背光X射线图像多层噪声去除方法，其特征在于，具体包括以下步骤： S1、设计图像采集模块，通过数字探测器CCD在惯性约束聚变实验ICF过程中采集背光X射线图像中的球壳轮廓；再通过球壳轮廓标定光学参数和物理参数，利用计算机程序根据标定的参数进行建模得到X光照射球壳投影图像，作为无噪声图像数据集； S2、设计噪声模拟模块，通过模拟与真实实验场景中分布类似的图像噪声分布，将模拟图像噪声添加到无噪声图像数据集中得到有噪声图像数据集；所述模拟图像噪声包括模拟散粒噪声和模拟周期性散斑噪声； S3、构建以FR-Unet架构为核心的图像降噪模型，以步骤S2得到的有噪声图像数据集为输入，进行图像增强，输出降噪后的有噪声图像；FR-Unet网络模型包括三个部分：主干特征提取部分、加强特征提取部分和图像重建部分； 加强特征提取部分包括m个加强特征提取层，每一层包括自学习频域模块、密集残差模块和上采样层；用以融合初步有效图像特征，增强图像特征的表达能力，具体实现过程包括： 在自学习频域模块中先进行傅里叶变换，将输入自学习频域模块的图像空间特征变换为图像频域特征； 图像频域特征再与一个复数形式的卷积核相乘，得到一个与图像频域特征维度相匹配的复数权重矩阵，矩阵中复数权重的实部和虚部分别记为可训练参数R1和R2，这两个参数在训练过程中通过反向传播进行迭代更新； 将输入图像特征的频谱与该复数权重矩阵进行逐元素相乘，完成线性变换，实现对低频信号的增强，对高频信号的减弱； 最终再通过一次逆傅里叶变换，将图像特征从频域转换回空间域，得到图像增强后的图像空间特征； S4、图像降噪模型损失函数计算；将降噪后的有噪声图像与步骤S1中得到的无噪声图像数据集进行图像均方差损失MSE计算，以评价模型的降噪效果，并对模型进行训练；通过多次迭代和优化，得到训练好的最优图像降噪模型； S5、进行应用与验证；将最优图像降噪模型应用于真实的惯性约束聚变实验图像，验证模型的降噪效果，并确保图像质量和细节保留。

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安徽大学，其通讯地址为：230601 安徽省合肥市经济技术开发区九龙路111号安徽大学磬苑校区；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。