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！

龙图腾网获悉西北工业大学申请的专利一种工业CT图像耦合伪影的多尺度生成对抗网络校正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：CN119379830B 。

龙图腾网通过国家知识产权局官网在2026-04-10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：202411478410.7，技术领域涉及：G06T12/30；该发明授权一种工业CT图像耦合伪影的多尺度生成对抗网络校正方法是由黄魁东;柴世杰设计研发完成，并于2024-10-22向国家知识产权局提交的专利申请。

本一种工业CT图像耦合伪影的多尺度生成对抗网络校正方法在说明书摘要公布了：本发明提供一种工业CT图像耦合伪影的多尺度生成对抗网络校正方法，属于数字图像处理领域。本方法针对工业CT成像中多种伪影耦合作用造成的图像降质退化难以有效校正的问题，提供一种多尺度生成对抗网络校正方法，利用特征金字塔结构帮助网络捕获更全面的伪影特征信息，并配合多尺度判别器搭建生成对抗网络框架，使得生成的去伪影图像更加清晰和真实。本方法在具有强力耦合伪影校正能力的同时，可更好地恢复图像的细节信息，进而保证CT图像中零件几何尺寸和轮廓边缘的准确性。

本发明授权一种工业CT图像耦合伪影的多尺度生成对抗网络校正方法在权利要求书中公布了：1.一种工业CT图像耦合伪影的多尺度生成对抗网络校正方法，其特征在于包括以下步骤： 步骤1：根据需要进行工业CT图像耦合伪影校正的零件种类，选择相同或相近种类的零件设计模型和实际零件，构建融合仿真CT图像数据集和实际CT图像数据集的融合CT图像数据集，具体构建方式如下： 1实际CT图像数据集由对实际零件进行工业CT扫描重建获取，包括未做任何校正的实际耦合伪影CT图像，和与之对应的利用现有方法进行必要校正后的实际理想CT图像两部分；在实际零件工业CT扫描中获取散射模型和射束硬化模型，用于仿真CT图像数据集的处理； 2仿真CT图像数据集包括仿真理想CT图像和与之对应的仿真耦合伪影CT图像；仿真理想CT图像由工业CT仿真软件对零件设计模型进行单能仿真投影并重建获取；仿真耦合伪影CT图像的获取方法为：在对应的单能仿真投影中，先后根据散射模型模拟实际散射、根据射束硬化模型模拟实际多能投影、添加响应不一致像素模拟实际环形伪影、添加泊松噪声和高斯噪声模拟实际混合噪声，然后对处理后的单能仿真投影进行重建得到仿真耦合伪影CT图像； 步骤2：构建适用于工业CT图像耦合伪影校正的多尺度生成对抗网络，主要包括特征提取模块、特征融合及回归模块和特征判别模块： 1特征提取模块具有以下特征：特征提取模块的骨干网络由四个尺度密集块组成，尺度密集块间由过渡层相连，以减少所提取到的特征图维度，最终通过融合层完成特征的整合和优化；具体地，第一尺度密集块包含6个卷积层，第二尺度密集块包含12个卷积层，第三尺度密集块包含24个卷积层，第四尺度密集块包含24个卷积层；过渡层包括归一化层、1×1卷积层和2×2平均池化层；融合层包括一个上采样层和一个具有softmax激活的全连接层； 2特征融合及回归模块具有以下特征：特征融合及回归模块采用特征金字塔结构，该模块通过横向连接结构将相邻尺度的模糊特征图相连，在保持特征图的尺寸不变的前提下减少卷积核的数量和特征图的通道数，有助于模型捕捉局部和全局的伪影特征；模块通过像素间的加法进行特征结合，并重复迭代过程，生成中间层的特征图，从而实现特征的有效融合； 3特征判别模块具有以下特征：特征判别模块由初始化层和循环增加层组成；特征图通过初始化层生成一种尺度的特征图，随后经过两次循环增加层生成两个不同尺度的特征图；具体地，初始化层包括一个3×3卷积层和一个ReLU激活层，循环增加层包含一个3×3卷积层、一个规范化层和一个ReLU激活层； 步骤3：利用融合CT图像数据集对所构建的多尺度生成对抗网络进行耦合伪影校正训练，网络训练所使用的损失函数由像素空间损失、感知损失和判别器损失3部分组成，其中像素空间损失包括结构相似度像素空间损失和均方误差像素空间损失两部分，判别器损失为全局和局部判别器损失的融合； 步骤4：以峰值信噪比和结构相似度作为评价指标，利用融合CT图像数据集进行网络超参数调节，通过多次迭代找到最优的超参数设置，实现网络模型优化； 步骤5：利用训练好的多尺度生成对抗网络，对需要进行耦合伪影校正的零件工业CT图像进行校正处理。

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西北工业大学，其通讯地址为：710072 陕西省西安市碑林区友谊西路127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。