专利交易市场

本发明属于医学图像技术领域，具体涉及一种基于深度学习算法的延迟CT(T2CT)图像生成方法。包括以下步骤：S1，采集患者的T2PET、T1PET和T1CT图像；S2，将采集的T2PET、T1PET和T1CT图像输入到所提出的多分辨率配准卷积神经网络后，输出包含大、中、小形变量的三个形变场；S3，将步骤S2中输出的包含大、中、小形变量的三个形变场，融合为一个形变场；S4，将所述的形变场和输入的T1CT图像输入到空间转换网络中以生成T2CT图像。本发明具有能够在延迟的PET扫描中执行衰减校正，同时通过生成T2CT图像来避免患者进行额外的CT扫描从而降低患者经受的X射线辐射剂量的特点。

本发明公开了一种单帧高动态范围图像生成方法，首先对输入图像进行过曝光区域检测，获取曝光区域图像O，然后进行形态学腐蚀，得到曝光区域图像B，再结合输入图像的灰度图像A，得到预处理函数pp；将预处理函数pp与输入图像I相乘得到融合图像后的LDR图像IL，LDR图像IL根据其分块平均亮度值进行扩展，这样得到的高动态范围图像能判断出图像是暗图像、正常图像或者亮图像。这样，既要避免过曝光区域对图像处理过程的影响，也要同时考虑保证非过曝光区域的图像质量，避免了伪像和轮廓效应，同时避免颜色失真。

本发明一种基于深度卷积生成对抗网络的WCE图像生成方法，通过应用改进的DCGAN网络根据原始样本图像生成高质量的WCE图像，涉及深度学习中计算机视觉的图像增广技术领域；本方法包括以下步骤：获取WCE图像，并对其进行预处理；然后对DCGAN模型进行改进，使其能够生成高分辨率高质量的WCE图像；对改进的DCGAN模型进行训练直至达到纳什均衡，保存网络状态；使用训练好的生成网络进行WCE图像生成。本发明能够生成高质量多样性的WCE图像，更加符合临床场景。

本发明属于智能建造工程领域，公开一种骨料基因的数字图像生成方法、装置及介质，在基础骨料模型的基础上先加入导电骨料模型，随后再在加入导电骨料模型后的模型中的内部和表面增加水体从而得到具有含水率基因特性的第二骨料模型，并利用对应含水率和粒径的浮点型变量为第二骨料模型进行命名，随后构建真实模拟场景，对所生成的模型进行真实场景模拟后，再进行自动标记，以此可以得到批量的识别训练数据集，无需人工批注即可自动化地生成标签图，效率和准确性均有大大提升，解决了传统的骨料基因识别训练所需标签图制作效率低下和耗费人力等问题。

本申请实施例公开一种对抗图像生成方法、装置，设备以及可读存储介质，方法包括：根据目标分类模型，生成与目标分类模型分类等效的参考模型；获取目标图像，根据参考模型生成针对目标图像的原始噪声；将第一噪声和原始噪声输入对抗模型，在对抗模型满足收敛条件时，输出与第一噪声对应的第二噪声；第二噪声为增强原始噪声信息熵的噪声；根据第二噪声以及目标图像，生成目标图像对应的增强噪声图像；增强噪声图像在目标分类模型中的分类准确度小于目标图像在目标分类模型中的分类准确度。采用本申请，可以保障增强噪声图片难以被恶意的目标分类模型所识别，提高增强噪声图片的安全性。