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！

龙图腾网获悉南京理工大学申请的专利基于深度神经网络的超分辨率光声显微成像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：CN116580264B 。

龙图腾网通过国家知识产权局官网在2025-11-11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：202310589978.5，技术领域涉及：G06V10/774；该发明授权基于深度神经网络的超分辨率光声显微成像方法是由马海钢;魏翔;封婷;左超;陈钱;高杨设计研发完成，并于2023-05-24向国家知识产权局提交的专利申请。

本基于深度神经网络的超分辨率光声显微成像方法在说明书摘要公布了：本发明公开了一种基于深度神经网络的超分辨率光声显微成像方法，包括：通过光学分辨率光声显微成像系统获得高、低分辨率两组光声信号数据；将采集的两组光声信号数据进行图像重建；对两组重建的原始光声图像预处理，构成输入样本集；搭建深度神经网络模型并训练，所述深度神经网络模型具体为基于光声图像优化的DenseRes‑SRGAN对抗神经网络架构；将采集的高、低分辨率图像输入训练好的深度神经网络，获得超分辨结果。本发明的高低分辨率采样并没有跳过视场内的信息，与稀疏数据相比，代表像素是大步进扫描模式下各个小像素的加权表示，从而将低分辨率、大焦点直径所无法分辨的低尺度信息复现，与稀疏数据高分辨重建相比有重建泛化能力以及真实性的提升。

本发明授权基于深度神经网络的超分辨率光声显微成像方法在权利要求书中公布了：1.一种基于深度神经网络的超分辨率光声显微成像方法，其特征在于，具体步骤为： S1：通过光学分辨率光声显微成像系统获得高、低分辨率两组光声信号数据； S2：将采集的两组光声信号数据进行图像重建； S3：对两组重建的原始光声图像预处理，构成输入样本集； S4：搭建深度神经网络模型并训练，所述深度神经网络模型具体为基于光声图像优化的密集连接超分辨生成对抗神经网络架构，所述密集连接超分辨生成对抗神经网络架构包括一个生成器和一个判别器，所述生成器包括： 1光声图像底层特征提取模块：将输入的单通道图像进行均匀分割并按序排列，得到的分割图像先后经过卷积层和PReLU激活函数层，得到基于卷积层参数的图像特征； 2光声图像高层特征提取模块：基于卷积层参数的图像特征经过五个大小相同的残差块，其中每个残差块由两组卷积层，以及中间的PReLU激活函数层组成；再接入密集块，密集块由若干密集层构成，密集层由两组归一化层、激活层、卷积层构成，且若干密集层之间为密集连接； 3反卷积层：将最后一个密集块输出的图像通过卷积层、正则化层、逐点相加层；接着通过两组卷积块构成的反卷积层扩充图像尺寸，其中卷积块由卷积层、pixelshuffle层、PReLU激活函数层组成； 4重建层：通过单一卷积层进行重建； 所述判别器结构是一个CNN网络，其中激活函数使用Leaky-ReLU；CNN网络的末端使用密集块再接sigmoid函数做一个二分类，对生成器生成的重建图像进行打分； 所述密集连接超分辨生成对抗神经网络架构参数损失函数包括生成器的损失函数和判别器的损失函数； 生成器的损失函数具体为： 其中，lSR为感知损失函数，θG为生成器损失函数，为含参数的生成器模型，为批次大小为N的低分辨率图像，为批次大小为N的高分辨率图像； KA、KB分别为修改的感知损失比率，为内容损失函数，为对抗损失函数； 判别器的损失函数为二分类交叉熵损失函数； 所述内容损失函数具体为： 所述对抗损失函数具体为： 其中，为内容损失函数，W，H分别对应图像宽、高度，φ为代入VGG19某层的特征函数运算，为对抗损失函数，为含参数的判别器模型； S5：将采集的高、低分辨率图像输入训练好的深度神经网络，获得超分辨结果。

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南京理工大学，其通讯地址为：210094 江苏省南京市玄武区孝陵卫街道孝陵卫街200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。