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！

龙图腾网获悉哈尔滨工程大学;哈尔滨工程北米科技有限公司申请的专利一种在视觉模糊状态下的留胚米小目标图像特征增强方法、程序、设备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：CN119784594B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202411990947.1，技术领域涉及：G06T3/4053；该发明授权一种在视觉模糊状态下的留胚米小目标图像特征增强方法、程序、设备及存储介质是由李冰;李泽龙;刘洪丹;刘斌;高天翔;姜柏;徐梁;鲁喆;晏彬;贾思烨设计研发完成，并于2024-12-31向国家知识产权局提交的专利申请。

本一种在视觉模糊状态下的留胚米小目标图像特征增强方法、程序、设备及存储介质在说明书摘要公布了：本发明属于留胚米加工品质检测技术领域，具体涉及一种在视觉模糊状态下的留胚米小目标图像特征增强方法、程序、设备及存储介质。本发明提出DF‑SRGAN的生成对抗网络整体结构，在网络的生成器中通过并联残差融合模块对图像的特征进行提取，通过逆卷积融合模块去学习上下文信息，通过残差反馈增强模块增强图像的局部细节，随后经过上采样和卷积操作后得到超分辨率图像。本发明对生成网络和对抗网络的损失函数进行改进，训练后的DF‑SRGAN网络可以生成高质量的留胚米图像，为后续研究提供优质图像数据支持。本发明可以同时生成大量的高质量留胚米图像数据，避免因小目标图像质量差而导致图像不可使用的问题。

本发明授权一种在视觉模糊状态下的留胚米小目标图像特征增强方法、程序、设备及存储介质在权利要求书中公布了：1.一种在视觉模糊状态下的留胚米小目标图像特征增强方法，其特征在于，包括以下步骤： 步骤1：获取留胚米图像数据，构建训练集； 步骤2：构建DF-SRGAN模型，通过训练集训练； 所述DF-SRGAN模型包括并联残差融合模块、逆卷积融合模块和残差反馈增强模块； 所述并联残差融合模块用于对输入的图像进行特征提取，重建留胚米小目标图像的复杂细节；所述逆卷积融合模块用于将重建的留胚米小目标图像在视觉上更加接近真实场景；所述残差反馈增强模块用于增强图像的局部细节，抑制噪声和伪影，残差反馈增强模块输出的图像经上采样和卷积操作后得到超分辨率图像； 所述残差反馈增强模块将不同感受野信息进行融合，并充分学习不同层级的特征信息，缓解梯度消失问题，保证输入特征不被损失，同时增强网络对高层次特征的学习，增强留胚米小目标图像的清晰度，抑制背景噪声干扰； 训练DF-SRGAN模型时，将留胚米高分辨率图像与DF-SRGAN模型输出的留胚米超分辨率图像一同输入到判别器中进行目标判别，评估DF-SRGAN模型的输出与真实图像的相似度；损失函数为： 其中，α和β是平衡因子；表示对抗损失函数，表示内容损失函数； 其中，IHR表示参考图像，即真实的留胚米高分辨率图像；ILR表示DF-SRGAN模型输入的留胚米低分辨率图像；为生成器的函数表示，即将输入的低分辨率图像ILR转换为高质量的超分辨率图像并尽可能与参考图像IHR相似；θG表示生成器可训练参数集合；为判别器的函数表示，用于对生成器生成的图像进行评估，θD表示判别器可训练参数集合；W和H分别表示图像的宽度和高度，参考图像与超分辨率图像大小相等；表示经过特征提取网络VGG中卷积输出的深层特征图；图像的损失为目标重建图像和目标参考图像IHR之间的欧式距离； 所述判别器采用基于跨连卷积融合的判别器网络结构，在多个卷积层之间引入跳跃连接，将来自不同层的特征进行加权融合，有效综合浅层和深层的细节特征信息，实现跨层特征融合，并在其末级采用全连接层来输出整个图像的区分性，为生成器的优化提供更准确的反馈，从而提升超分辨率重建图像的质量； 判别器的损失函数为： lD＝-logDIHR-range-0.05,0.05-logrange0.95,1.05-DILR 其中，D·表示为判别器的输出概率函数，用于判断输入图像是真实图像还是生成图像，通过引入扰动range-0.05,0.05和range0.95,1.05，增强了判别器的鲁棒性和泛化能力； 步骤3：将原始留胚米图像输入至训练好的DF-SRGAN模型中，得到图像特征增强后的留胚米超分辨率图像。

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哈尔滨工程大学;哈尔滨工程北米科技有限公司，其通讯地址为：150001 黑龙江省哈尔滨市南岗区南通大街145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。