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！

龙图腾网获悉南京邮电大学申请的专利一种基于贝叶斯推断和Boosting驱动的细胞图像实例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：CN117132771B 。

龙图腾网通过国家知识产权局官网在2025-09-26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：202310840381.3，技术领域涉及：G06V10/26；该发明授权一种基于贝叶斯推断和Boosting驱动的细胞图像实例分割方法是由刘维振;宋杰设计研发完成，并于2023-07-10向国家知识产权局提交的专利申请。

本一种基于贝叶斯推断和Boosting驱动的细胞图像实例分割方法在说明书摘要公布了：一种基于贝叶斯推断和Boosting驱动的细胞图像实例分割方法。对于细胞图像的实例分割，由于其包含着非常复杂的图像特征前‑背景对比度低，图像噪声大，细胞分布密度大，细胞黏连，多层细胞重叠等，这就使得从病理图像中精准分割出每一个细胞个体是件很困难的事，过去的一些研究当中的方法，要么只能分割出部分细胞，要么就是需要大量的数据集和算力，因而我们迫切需要一种既能够完整分割每一个细胞，且不需要耗费大量算力，同时分割效果达到预期的一种方法。本发明通过引入多水平集能量函数，以及最小描述长度来进行轮廓推理，再加上多层级联Boosting进行分类与回归，从而使得图像当中每一个目标都能够得到识别和精准分割。

本发明授权一种基于贝叶斯推断和Boosting驱动的细胞图像实例分割方法在权利要求书中公布了：1.一种基于贝叶斯推断和Boosting驱动的细胞图像实例分割方法，其特征是包括如下步骤： 步骤S1首先我们需要构造出这些多水平集能量函数来供我们的这个分割模型来进行控制和优化，其中，所述多水平集能量函数可表示为： ； 步骤S2结合最小描述长度理论，我们可以对步骤S1中优化好的能量函数进行二次优化，使得推理出的轮廓更加光滑； 步骤S3通过Boosting分类模型来根据图像特征对图像当中的目标进行一一分类，而且我们采用的是多个Boosting模块来实现这一过程，防止遗漏任何一条图像信息，锁定目标区域；所述步骤S3中，利用Boosting算法来实现图像当中不同特征分类的方法，将每个Boosting模块都看作一个弱学习器，对其不断进行迭代训练最后转换成一个个强学习器，更好的对图像进行表征学习；Boosting算法包含函数模型，目标函数，优化算法， 步骤S31首先我们构造一个累加的函数模型，如下所示： 其中，M分别表示Boosting算法的迭代次数，C 0 ·表示初始函数，代表函数增量 步骤S32以步骤S31所构造的函数模型为例，采用贪婪策略作为优化算法来优化每一次的迭代过程，将这些弱学习器表示为，从而可以得到其优化过程如下所示： 考虑到Boosting模块的学习过程是复杂且漫长的，表征出的图像特征难免与真实的有所差异，对于这些差异可以通过构造损失函数作为目标函数表现出来，损失函数可以采用二项式对数似然损失函数： 不难看出这是用来实现二类别分类的过程，多类别的可以参考上式来进行变更，y k ∈{-1,1}，，且，p k x的表示形式如下所示： 因而，参数的优化过程可以描述为： 除此之外，Boosting的分类过程也可以形象的描述成概率二叉树决策分类的过程，以二分类为例，树的左右半部分分别用p - x和p + x来表示，同时设定一个阈值ε，如果p + x-12ε，则预测为树的右半部分，相反，如果p - x-12ε，则预测为树的左半部分，结合最终所估计的C M x，不难得出树的左右两部分概率的表达式为： ，； 步骤S4Boosting模型除了能进行分类之外，还可以实现回归功能，通过迭代回归的方式定位目标边界，进而增强了其分类准确度为步骤S1和S2创造有利条件； 步骤S5利用评估指标对分割结果进行定性和定量评估。

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南京邮电大学，其通讯地址为：210023 江苏省南京市栖霞区文苑路9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。