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！

龙图腾网获悉济南大学;济南嘲风智能科技有限公司申请的专利一种基于语义增强变分自动编码器的图像异常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：CN116309638B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202310234689.3，技术领域涉及：G06T7/11；该发明授权一种基于语义增强变分自动编码器的图像异常分割方法是由牛四杰;周雪莹;史欣妤;朱翠萍;高希占;冯光;杨阳设计研发完成，并于2023-03-13向国家知识产权局提交的专利申请。

本一种基于语义增强变分自动编码器的图像异常分割方法在说明书摘要公布了：本发明涉及图像分析方法，特别涉及一种基于语义增强变分自动编码器的图像异常分割方法。包括训练阶段和测试阶段，所述训练阶段为通过引入图像和特征空间分布约束，构建一个语义增强变分自动编码器模型，对正常图像分布进行刻画；所述测试阶段为通过计算融合通道域和空间域的异常注意力图，捕获全局和局部异常变化，分割异常图像中与正常图像有明显差异的异常区域。

本发明授权一种基于语义增强变分自动编码器的图像异常分割方法在权利要求书中公布了：1.一种基于语义增强变分自动编码器的图像异常分割方法，其特征在于：包括训练阶段和测试阶段，所述训练阶段为通过引入图像和特征空间分布约束，构建一个语义增强变分自动编码器模型，对正常图像分布进行刻画；所述测试阶段为通过计算融合通道域和空间域异常注意力图，分割异常图像中与所学习正常图像有明显差异的异常区域； 所述训练阶段步骤包括： a收集图像数据，对收集的数据进行预处理； b利用传统变分自动编码器，学习正常图像的分布； c构建图像空间分布约束，生成语义信息丰富的正常图像； d构建特征空间分布约束，训练精确提取正常图像特征的编码器； 所述测试阶段步骤包括： e提出通道域异常注意力，检测全局异常； f提出空间域异常注意力，检测局部异常； g融合通道域和空间域异常注意力图构建像素水平异常分数，分割异常区域； 在步骤b中，传统变分自动编码器包括编码模块ME、重参数模块MR和重建模块MD，变分自动编码器的编码模块从输入图像x∈RM×N×C提取图像特征，重参数模块用于拟合图像特征z∈RD的分布，重建模块将图像特征重建为图像 在步骤c中，构建图像空间分布约束步骤包括： c-1构建语义增强模块MA，将输入图像的特征z沿随机方向移动以获得语义增强的特征 c-2将输入重建模块MD，使其重建为新的具有不同语义信息的正常图像 c-3构建图像判别模块MI，所述图像判别模块MI的优化目标为： c-4通过对齐新生成图像与原始图像x的分布增强重建模块MD生成正常图像的能力，重建模块MD的优化目标为： 其中，为语义增强的特征； 在步骤d中，构建特征空间分布约束步骤包括： d-1将新生成的正常图像依次输入编码模块ME和重参数模块MR，获得特征 d-2构建特征判别模块MF，通过对齐新生成的正常图像的特征与原始图像特征z的分布提升编码器提取正常图像特征的能力，编码器ME的优化目标为： 所述特征判别模块MF的优化目标为： 所述重参数模块MR的优化目标为： 所构建的语义增强变分自动编码器模型总优化目标为： 其中，为变分自动编码器的优化目标；λ1、λ2和λ3为超参数，用于平衡不同部分的影响，通常设置为λ1＝1，λ2＝1，λ3＝0.1； 在步骤e中，提出通道域异常注意力步骤包括： e-1将待检测图像xt∈RM×N×C输入编码模块ME，获得其最后一层卷积块的输出特征图F∈Rw×h×c； e-2将高斯噪声添加到待检测图像中，并依次输入编码模块ME及重参数模块MR，获得其潜变量zn； e-3计算特征图F∈Rw×h×c每通道特征图Fj∈Rw×h的异常权重为： 其中，为第j层特征图被置零后的特征图送入重参数模块MR获得的潜变量； e-4通道域异常注意力图为： 其中，Fj∈Rw×h为第j通道特征图； 在步骤f中，提出空间域异常注意力步骤包括： f-1将待检测图像xt依次输入编码模块ME、重参数模块MR和重建模块MD，获得重建图像 f-2将待检测图像与重建图像分别送入编码模块ME，获得编码模块ME不同尺度卷积块的输出特征图和其中，l＝{1,2,3,4}为不同尺度卷积块； f-3将待检测图像和重建图像的多尺度特征图通过自适应平均池化归一化长宽尺寸，随后在通道维度分别级联，获得多尺度融合特征和其中wm和hm为最大尺度特征的长宽尺寸，cm为不同尺度特征通道维度之和； f-4空间域异常注意力图为； 其中，r,s∈[0,R,[0,S表示多尺度融合特征的行和列位置，Mr,s和表示r，s位置的特征向量。

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济南大学;济南嘲风智能科技有限公司，其通讯地址为：250000 山东省济南市市中区南辛庄西路336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。