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！

龙图腾网获悉大连大学附属中山医院;大连工业大学申请的专利一种基于融合网络的红细胞高光谱图像分类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：CN116386036B 。

龙图腾网通过国家知识产权局官网在2025-05-27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：202310252976.7，技术领域涉及：G06V20/69；该发明授权一种基于融合网络的红细胞高光谱图像分类方法是由王若雨;李雨乐;王喆;姜万维;宗成国;刘静;王慧慧;张旭;刘阳设计研发完成，并于2023-03-16向国家知识产权局提交的专利申请。

本一种基于融合网络的红细胞高光谱图像分类方法在说明书摘要公布了：一种基于融合网络的红细胞高光谱图像分类方法，使用融合网络对红细胞高光谱图像进行分类。该网络包括数据预处理模块、数据转换模块、深度学习网络模块和模型输出模块。基于SG预处理方法设计利用粒子群优化的预处理模块，用来消除光谱信号中的随机噪声。设计定长窗口数据转换模块，放大一维光谱数据的差异并对一维光谱数据进行增维。针对预处理模块和数据转换模块的输出，构建同时进行一维和二维数据的深度学习网络模块。最后基于决策层融合的方法设计了模型的输出模块，可综合考虑一维和二维数据的预测结果，有效提升模型的准确率和鲁棒性。本方法将神经网络和集成学习思想相结合，通过模型融合技术提高分类准确率，实现对红细胞的有效分类。

本发明授权一种基于融合网络的红细胞高光谱图像分类方法在权利要求书中公布了：1.一种基于融合网络的红细胞高光谱图像分类方法，其特征在于，包括如下步骤：S1、高光谱显微成像系统用于捕获血液涂片中含有红细胞区域的高光谱图像，使用工具ENVI5.3从采集到的高光谱图像中裁剪出红细胞区域作为ROI区域，并对每种类型的红细胞一维光谱数据进行标记，形成具有五种红细胞的数据集；设计基于粒子群优化算法的SG数据预处理模块对红细胞一维光谱数据进行预处理，用于消除频谱信号中的随机噪声；S1-1、用于采集红细胞高光谱图像的高光谱显微成像系统，包括带有6V、20W金属卤素灯的显微镜，VISNIR高光谱相机和显示设备；S1-2、数据集由五种类型的红细胞组成，即球形红细胞、椭圆形红细胞、泪滴形红细胞、缗钱状红细胞和口形红细胞；采集到的用作数据集的高光谱图像总数为1000张，每种红细胞包括200张高光谱；S1-3、黑色高光谱校准图像采集是用镜头盖覆盖相机的镜头；白色高光谱校准图像是将均匀的白色校正板移动到与透镜垂直的位置；S1-4、在红细胞高光谱图像采集和校准后，使用工具ENVI5.3选择红细胞高光谱图像上的ROI区域，并返回该ROI区域的光谱反射值的平均值，对所有的ROI区域的光谱反射值标注类别；S1-5、对一维光谱数据进行预处理，利用数据预处理模块，即使用粒子群算法PSO确立SG预处理算法的多项式阶数p和窗口大小w的最优参数；S2、将S1中预处理后的一维光谱数据按照一定的比例划分为训练集和测试集；S3、设计基于定长窗口的数据转换模块；通过定长窗口分段的方式，使得同一个窗口内相近的波段被尽可能分开，不同窗口之间的对应波段依次排列成一行；S3-1、对数据预处理模块的输出做归一化处理，利用minmax归一化方法将一维数据映射到[0,1]上；S3-2、将缩放后的一维光谱数据利用定长窗口遍历，窗口宽度记为W，窗口数量记为K，各个窗口之间不设定重叠部分；S3-3、依次遍历K个窗口的每一个光谱值，记作： S3-4、经过归一化和切分数据后，得到尺寸为[W,K]的二维矩阵数据，并将其保存为Python平台中的灰度图像；S4、针对数据预处理模块的输出和数据转换模块的输出，构建同时进行一维数据卷积和二维数据卷积的深度学习网络模块；该深度学习网络模块由两个卷积模型并联而成，将数据预处理模块和数据转换模块的输出引入到深度学习网络模块中，数据预处理模块的输出分别连接一维卷积模型和数据转换模块，数据转换模块的输出连接二维卷积模型；其中，一维卷积模型处理数据预处理模块输出的一维光谱数据，通过卷积层和池化层学习一维光谱数据的反射率差异，最后一层的softmax函数输出样本属于每种类型的概率分布；二维卷积模型处理数据转换模块输出的二维灰度图像，通过卷积层和池化层学习二维灰度图像的特征，最后一层的softmax函数输出样本属于每种类型的概率分布；在训练阶段，将数据预处理模块的输出输入到该一维卷积模型中进行训练，直到一维卷积模型收敛或者达到预设训练次数；同时将数据转换模块的输出输入到二维卷积模型中进行训练，直到二维卷积模型模型收敛或者达到预设训练次数；S5、设计基于决策层融合的输出模块；在模型预测阶段，一维卷积模型和二维卷积模型的最后一层softmax输出的概率，每个概率值看作该模型对这个类型的置信度，将一维卷积模型和二维卷积模型的输出引入到输出模块，将一维卷积模型和二维卷积模型的输出中样本属于每个类型的概率进行加权融合，再将概率最大的类型作为融合网络的分类预测结果。

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大连大学附属中山医院;大连工业大学，其通讯地址为：116000 辽宁省大连市中山区解放街6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”。