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！

龙图腾网获悉浙江大学申请的专利基于像素动态聚合和局部感知增强的息肉图像分割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：CN117115188B 。

龙图腾网通过国家知识产权局官网在2025-12-16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：202310837865.2，技术领域涉及：G06T7/12；该发明授权基于像素动态聚合和局部感知增强的息肉图像分割方法是由卢建刚;周燕;朱英豪;陈金水设计研发完成，并于2023-07-07向国家知识产权局提交的专利申请。

本基于像素动态聚合和局部感知增强的息肉图像分割方法在说明书摘要公布了：本发明公开了一种基于像素动态聚合和局部感知增强的息肉图像分割方法，所述息肉图像分割方法设计了像素动态聚合用于提取表征更强的特征，局部感知增强用于检测难以区分的细节信息；该方法的整体设计思路包括获取息肉图像，对息肉图像进行数据处理，得到变换后的图像；对息肉图像进行特征提取，得到息肉图像的图像特征；对息肉图像特征进行特征处理，得到息肉图像的目标特征；利用目标特征对息肉区域进行分割，得到息肉图像的二值分割结果，其中，二值分割结果用于表征息肉图像中每个像素所属对象的类型。本发明解决了相关技术中息肉图像分割精度不高且泛化能力差的技术问题。

本发明授权基于像素动态聚合和局部感知增强的息肉图像分割方法在权利要求书中公布了：1.基于像素动态聚合和局部感知增强的息肉图像分割方法，其特征在于： 所述息肉图像分割方法包含数据处理、预训练权重加载、编码器特征提取、关键像素点提取、关键像素点传播、局部感知增强、特征加权融合、模型训练与推理；所述像素动态聚合包括关键像素点提取和关键像素点传播；所述息肉图像分割方法按如下步骤进行： 步骤1，数据处理：将原始息肉图像大小统一调整为352×352，采用归一化方式让图片数据分布范围从[0,1]变成[-1,1]，符合标准正态分布，使模型更容易收敛；利用数据增强来扩充样本数量，数据增强采用5种方法，分别是随机翻转、随机剪裁、随机旋转、色彩增强、添加随机噪声，其中，色彩增强包括对比度、亮度、强度、锐度变化； 步骤2，预训练权重加载：特征编码器Res2Net-50加载公开的在ImageNet数据集上训练得到的预训练权重，进行网络权重初始化； 步骤3，编码器特征提取：读取步骤1处理后的图像数据，特征编码器Res2Net-50完成步骤2中的预训练权重加载后，从输入图像中提取多尺度特征Eii＝0,1,2,3,4，第i层的特征大小为C×H×W，第i+1层的特征大小为2C×H2×W2，其中，C是特征通道数大小，H和W分别是特征的高度和宽度；多尺度特征中的深层多尺度特征E′ii＝1,2,3,4含有的噪声信息较少，用于像素动态聚合和局部感知增强； 步骤4，关键像素点提取：将步骤3中提取的多尺度特征进行关键像素点提取，对特征编码器提取的深层多尺度特征E′ii＝1,2,3,4逐级进行哈达玛乘积，得到信息增强后的深层多尺度增强特征Fii＝1,2,3,4，将尺度大小为C×H×W的第i层深层多尺度增强特征Fi下采样到与尺度大小为C2×2H×2W的第i-1层深层多尺度增强特征Fi-1大小一致，再将深层多尺度增强特征Fi和深层多尺度增强特征Fi-1拼接起来得到拼接特征图，将拼接特征图送入3×3的卷积，通道数由C转换为1，利用激活函数得到关联特征图，得到的关联特征图经过平均池化操作过后，与高分辨率特征相乘，再与关联特征图逐像素相减，得到结构性特征图，散射出高分辨率特征关键像素点集合；得到高分辨率特征关键像素点集合的同时，关联特征图通过最大池化操作得到的特征与低分辨率特征相乘后，获得显著性区域特征图，散射出低分辨率特征关键像素点集合，再和高分辨率特征关键像素点集合融合，筛选出相关性最大的像素点集合，作为关键像素点； 步骤5，关键像素点传播：将步骤4中所生成的关键像素点进行关键像素点传播，将关键像素点的信息从网络结构的顶层传播到底层，在选择到关联特征图的关键像素点的通道索引之后，显著性区域特征图和结构性特征图传播关键像素点信息；对关键像素点的通道索引k进行排序，得到关键像素点索引与关键像素点坐标，根据关键像素点坐标，利用不规则采样方法对深层多尺度增强特征Fi、Fi-1进行采样，获取采样特征图Si、Si-1，采样特征图Si、Si-1相乘后再送入sigmoid激活函数处理后得到相似性特征图，相似性特征图与采样特征图Si相乘后，与采样特征图Si-1逐像素相加，得到结构性传播特征图，根据关键像素点索引对结构性特征图进行采样，得到像素聚合特征图Pi-1；在不同特征层之间，关键像素点传播过程中采用从深层到浅层方向的传播机制； 步骤6，局部感知增强：将步骤3中提取的深层多尺度增强特征进行局部感知增强，将深层多尺度增强特征Fi送入动态卷积进行特征调制，得到调制特征图，利用动态卷积高效融合的特点以增强特征表达能力，将调制特征图与宽度和长度由H×W变换为1×1后的深层多尺度增强特征图Fi进行逐像素相乘，产生通道调制特征图；进一步利用空间特征增强以提取更精细的边缘细节，将通道调制特征图展平，通道数由C变换为1，再变换到原来的通道数大小C，从而得到伸缩特征图，通过通道数的伸缩变换增强空间表征能力，放大息肉前后背景差异，将通道调制特征图送入动态卷积得到通道-空间调制特征图，与伸缩特征图逐像素相乘得到最终的局部增强特征图；局部感知增强过程中，采用从浅层向深层传播的方式来提取更多的局部精细化细节信息； 步骤7，特征加权融合：将步骤4和步骤5中像素动态聚合生成的像素聚合特征图和步骤6中局部感知增强生成的局部增强特征图进行特征加权融合操作，得到融合特征图，像素动态聚合生成的像素聚合特征图和局部感知增强生成的局部增强特征图的权重大小分别为0.9和0.1，融合特征图送入sigmoid激活函数之后得到最终的预测图； 步骤8，模型训练与推理：在实验过程中，模型训练和推理采用了5个息肉领域广泛使用的公开数据集，分别是Kvasir-SEG,ClinicDB,ColonDB,Endoscene和ETIS，划分训练集、测试集和验证集时，随机地将Kvasir数据集和CVC-ClinicDB数据集中80％的图片用于训练，剩余的10％用于验证，10％用于测试，将数据集ColonDB、Endoscene和ETIS全部用于测试；在训练过程中，模型的训练参数设置上，采用的优化器是Adam，学习率设置为0.0001，模型的学习率采用梯度衰减策略，衰减率大小为0.1，衰减的周期大小为50，模型训练的总周期大小是100，批大小为20；在推理过程中，每批输入的图片大小同样统一调整为352×352。

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浙江大学，其通讯地址为：315400 浙江省宁波市余姚市凤山街道冶山路479号科创大厦12楼；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。