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！

龙图腾网获悉桂林电子科技大学申请的专利基于Dense-Unet与超像素的磁共振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：CN116958555B 。

龙图腾网通过国家知识产权局官网在2026-02-06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：202310962110.5，技术领域涉及：G06V10/26；该发明授权基于Dense-Unet与超像素的磁共振图像分割方法是由许睿;郭欣;王子民设计研发完成，并于2023-08-02向国家知识产权局提交的专利申请。

本基于Dense-Unet与超像素的磁共振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Dense‑Unet与超像素的磁共振图像分割方法，其特征在于，包括如下步骤：1数据预处理；2改进UNet网络；3超像素分割；4结果融合；5测试。这种方法具有更好的语义分割性能、能提高分割精度、在边缘细节上能分割地更加精准。

本发明授权基于Dense-Unet与超像素的磁共振图像分割方法在权利要求书中公布了：1.一种基于Dense-Unet与超像素的磁共振图像分割方法，其特征在于，包括如下步骤： 1数据预处理：将PASCALVOC2012作为数据集、把数据集中的图像大小的尺寸设定为240*240，分为训练集和测试集，对数据集进行数据增强包括上下水平镜像、高斯噪声、高斯模糊、改变对比度和尺寸缩放，其中： 1-1上下水平镜像：采用图像处理库或编程语言提供的函数实现水平镜像，即将图像从左到右翻转，图像处理库采用MATLAB工具； 1-2高斯噪声：向图像的每个像素添加服从高斯分布的随机值引入高斯噪声，采用随机数生成器生成高斯分布的随机数，并将随机数添加到图像的每个像素上； 1-3高斯模糊：高斯模糊采用高斯滤波器实现，高斯滤波器为权重矩阵，用于对图像进行卷积操作，卷积操作采用对图像的每个像素与周围像素的加权平均实现； 1-4改变对比度：改变图像的对比度采用调整像素值的范围来实现，即采用直方图均衡化，将图像的像素值映射到新的范围，包括： 1-4-1计算图像的直方图，获取每个像素值的频率分布； 1-4-2计算累积分布函数CDF均衡化直方图； 1-4-3将图像中的每个像素值映射为对应的CDF值； 1-5尺寸缩放：采用图像处理库或编程语言提供的函数来实现图像的尺寸缩放，即采用插值算法重新分配像素值，插值算法为最近邻插值，它将每个像素的值设置为其最近邻的像素值，具体为： 1-5-1将输入图像缩小或放大到目标尺寸； 1-5-2对于每个目标像素，找到离它最近的输入像素，并将目标像素的值设置为该输入像素的值； 2改进UNet网络：将密集卷积模块插入到Unet模块中，取代一部分卷积块，采用swish激活函数取代relu激活函数，在编码器和解码器之间进行跳跃连接，解码器上接收来自编码器的特征，在缓解梯度消失问题的同时进行有效的特征提取，其中，密集卷积模块由多个卷积层ConvolutionalLayer和多条连接Concatenation组成，密集卷积模块中包含多个卷积层ConvolutionalLayer，每个卷积层由一个卷积操作和一个非线性激活函数组成，卷积操作通过在输入特征图上滑动一个小的滤波器即卷积核提取特征，每个卷积层的输出特征图作为下一个卷积层的输入，密集卷积模块中的每个卷积层的输出特征图都与之前所有层的输出特征图进行连接Concatenation即沿深度维度，Swish函数为：fx＝x·sigmoidx，sigmoidx为神经元的非线性作用函数：当x趋近于负无穷时sigmoidx趋近于0；当x趋近于正无穷时sigmoidx趋近于1；当x＝0时，sigmoidx为12； 3超像素分割：在网络之外另外采用尺度自适应的超像素分割网络，采用同样的数据集进行训练，具体为： 在尺度可调整的超像素分割算法中，超像素是顺序生成的，对于单个的超像素，从一个单像素长成一个超像素区域，依据宽度优先搜索和贪婪最短路径策略，并且提前设置路径距离阈值T来限制超像素的生长，根据图像内容生成不同大小的超像素，超像素区域的生长是从一个种子像素开始的，这个种子像素是图像中的任何一个像素，然后添加符合条件的相邻像素来生长出一个超像素，根据图像的复杂程度，在图像上生成不同尺寸的超像素，包括： 3-1将种子s添加到超像素SK中，并且路径距离DK＝0,s,Ds添加到距离最低优先级队列Q； 3-2具有最小路径距离Dp的超像素P从距离最低优先级队列中弹出QP,Dp； 3-2-1如果DpT，p的邻居满足条件1或条件2，就添加到超像素Sk和优先级队列Q：对于相邻像素pnb,条件1pnb未分配给任何超像素；条件2pnb未分配给超像素SK，并且新的路径距离小于旧路径距离pnb，新的路径距离计算公式为 3-2-2如果Dp＞＝T，p被视为超像素SK的边界像素，并且将未分配给任何超像素的p的邻居像素添加到种子集X，循环执行步骤3-2，直到优先级队列Q为空； 3-3然后从种子集X选择一个新的种子，并且这个种子没有分配给任何超像素，然后从该种子开始生成一个新的超像素，循环执行步骤3-1到步骤3-3； 4结果融合：将步骤2和步骤3的结果进行融合，即将DenseUNet特征图与超像素分割结果进行逐像素的拼接操作，然后对融合后的特征进行全局池化操作，得到最后的结果； 5测试：将数据集PASCALVOC2012中的训练集输入到步骤2和步骤3中，将结果进行融合，将最终的分割结果与真实的标签值作对比，得到三个参数值，Dice系数DSC、JAC和HD，DSC衡量重叠程度，HD代表groundtruth与分割边界之间所有最小距离的最大距离，DSC和JAC值越大，网络性能越好；HD值越小，网络性能越好，评价指标的计算方式如下，其p为预测分割的像素集，g为groundtruth的像素集： DSC的计算公式： JAC的计算公式如下： HD的计算公式： HDp,g＝maxhp,g,hg,p， hp,g＝maxmin|a-b|， hg,p＝maxmin|b-a|， 将得到的结果与其它的模型分割出的结果作比较，如果优于其它的模型则达到预期，如果未达到预期，将unet网络重新训练，直至达到预期结果输出模型。

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桂林电子科技大学，其通讯地址为：541004 广西壮族自治区桂林市金鸡路1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。