專利名稱：一種基于奇異值分解的圖像分析方法及應(yīng)用于織物瑕疵檢測的方法
技術(shù)領(lǐng)域：
本發(fā)明屬圖像分析處理領(lǐng)域，應(yīng)用于紡織品表面質(zhì)量自動檢測與控制領(lǐng)域，本發(fā)明涉及ー種基于奇異值分解的圖像分析方法及應(yīng)用于織物瑕疵檢測的方法。
背景技術(shù)：
奇異值分解(SVD)作為ー種強大的矩陣分解工具，由于其出色的性質(zhì)，被廣泛應(yīng)用于數(shù)值分析、信號處理和模式識別等領(lǐng)域。設(shè)M為mXn的矩陣，則對M的奇異值分解公式為M=UDVt 其中，U為mXm的正交矩陣，Vt為nXn的正交矩陣，D為mXn的對角矩陣，其對角線上的元素稱為M的奇異值，非負(fù)且按降序排列。在圖像分析領(lǐng)域，奇異值分解主要用于圖像的壓縮、重構(gòu)和恢復(fù)等。在織物瑕疵進行檢測領(lǐng)域，Tomczak和Mosorov (2006)將織物圖像劃分成不重疊的子窗ロ，并對每個子窗ロ實施SVD，提取最大的奇異值作為特征，然后對所提取的特征進行模糊C均值聚類(FCM)后進行瑕疵判別。Chen和Feng (2010)將織物圖像劃分成不重疊的子窗ロ，并對每個子窗ロ實施SVD，提取奇異值均值作為特征進行瑕疵判別。Mak和Ι Ε(2010)首先將無瑕疵的織物圖像劃分成不重疊的子窗ロ，將所有子窗口中的灰度值展開成為列向量組成樣本矩陣；然后對該樣本矩陣實施SVD，并提取左奇異矩陣每列作為特征子圖像；最后通過將待檢測圖像樣本投影到特征子圖像，計算所得的投影值的平方和作為瑕庇判別指標(biāo)。值得注意的是，Tomczak和Mosorov (2006)和Chen和Feng (2010)都是通過提取子窗ロ的奇異值作為特征向量對瑕疵進行判別。由于對ー個矩陣分解后所得的奇異值實質(zhì)是對矩陣重構(gòu)后誤差的量度，并不能真實地反映瑕疵特征，僅對部分瑕疵類型有效。Mak和Tii2UOlO)所用的投影值可以看作為相應(yīng)特征圖像的權(quán)重系數(shù)，其值反映是與相應(yīng)特征圖像的相關(guān)度，該指標(biāo)對織物紋理適應(yīng)性較差，尤其對于隨機性較大的平紋織物紋理。

發(fā)明內(nèi)容
本發(fā)明的目的就是為了克服現(xiàn)有檢測方法不足，提出了一種基于奇異值分解的圖像分析方法及應(yīng)用于織物瑕疵檢測方法。本發(fā)明首先將圖像樣本實施奇異值分解，得到相應(yīng)的奇異向量與奇異值；然后選取最優(yōu)個數(shù)的奇異值對所述圖像樣本進行重構(gòu)，得到重構(gòu)圖像，并將重構(gòu)圖像與圖像樣本作差并取絕對值，得到兩者的殘差圖像；最后對殘差圖像實施ニ值化操作，得到ー個只包含兩種數(shù)值的特征圖像。為了能適應(yīng)不同形貌瑕疵，本發(fā)明同時對經(jīng)一定角度旋轉(zhuǎn)后的圖像樣本進行上述的分析。雖然，對旋轉(zhuǎn)后圖像進行分析吋，圖像會因截取操作而裁剪掉少量的邊緣區(qū)域，但是由于旋轉(zhuǎn)角度很小，損失的區(qū)域?qū)傮w分析影響非常小，可忽略不計。
本發(fā)明的一種基于奇異值分解的圖像分析方法，包括以下步驟( I)首先將圖像樣本實施奇異值分解，得到相應(yīng)的奇異向量與奇異值；然后選取最優(yōu)個數(shù)的奇異值對所述圖像樣本進行重構(gòu)，得到重構(gòu)圖像，并將重構(gòu)圖像與圖像樣本作差并取絕對值，得到兩者的殘差圖像；最后對殘差圖像實施ニ值化操作，得到ー個只包含兩種數(shù)值的特征圖像；(2)將所述圖像樣本旋轉(zhuǎn)一定角度，并對旋轉(zhuǎn)后圖像樣本的最大內(nèi)接矩形區(qū)域按照步驟(I)再次進行分析，得到另ー個只包含兩種數(shù)值的特征圖像；(3)將上述所得的兩張?zhí)卣鲌D像疊加，得到最終的圖像特征；如上所述的對圖像樣本進行重構(gòu)具體實現(xiàn)如下將所述的圖像樣本記為A，大小為mXn，對A進行奇異值分解，即A=UDVt,記D中對角線上P個奇異值為Cl1, d2,…，dp,且滿足(!々(!,···Μρ,ρ等于m和η的最小值；將D中除前 m個奇異值以外的奇異值設(shè)為0，2彡m彡p，并記所得的對角矩陣為Dm，則對A進行重構(gòu)的公式為Am=UDmVT，其中Am稱為使用前m個奇異值對A的重構(gòu)圖像；如上所述的選取最優(yōu)個數(shù)的奇異值具體實現(xiàn)如下將所述的圖像樣本記為A，大小為mXn，對A進行奇異值分解，記所得的P個奇異值為も，d2,…，dp，P等于m和η的最小值；首先，選取第一個奇異值，得到重構(gòu)后的圖像A1,進而得到相應(yīng)的殘差圖像E1=IA-A11 ;然后計算E1中所有元素的標(biāo)準(zhǔn)差。與平均值μ之比F1 ;同理，記取前k個奇異值，計算所得的F值為Fk，2彡k彡P(guān) ;最后，在所得的F1,匕…，F(xiàn)p中選取最大值Fmax，則Fmax所對應(yīng)的奇異值個數(shù)即為所述的選取最優(yōu)奇異值個數(shù)；如上所述的旋轉(zhuǎn)一定角度Θ是指以圖像幾何中心點為對稱軸對圖像進行順時針或逆時針方向的旋轉(zhuǎn)，角度Θ取值范圍為5° ^ Θ ^ 45° ；如上所述的兩張?zhí)卣鲌D像疊加是指將兩張?zhí)卣鲌D像相加，并將相加后大于255的像素點重新賦值為255。本發(fā)明還提供了一種基于奇異值分解的圖像分析方法應(yīng)用于織物瑕疵檢測的方法，包括以下步驟(I)首先將織物圖像樣本實施奇異值分解，得到相應(yīng)的奇異向量與奇異值；然后選取最優(yōu)個數(shù)的奇異值對所述的織物圖像樣本進行重構(gòu)，得到重構(gòu)圖像，并將重構(gòu)圖像與織物圖像樣本作差并取絕對值，得到兩者的殘差圖像；最后對殘差圖像實施ニ值化操作，得到ー個只包含兩種數(shù)值的特征圖像。(2)將所述織物圖像樣本旋轉(zhuǎn)一定角度，并對旋轉(zhuǎn)后織物圖像樣本的最大內(nèi)接矩形區(qū)域按照步驟(I)再次進行分析，得到另ー個只包含兩種數(shù)值的特征圖像；(3)將上述所得的兩張?zhí)卣鲌D像疊加，得到最終的圖像特征；如上所述的選取最優(yōu)個數(shù)的奇異值具體實現(xiàn)如下將所述的織物圖像樣本記為A，大小為mXn，對A進行奇異值分解，即A=UDVt,記D中對角線上P個奇異值為Cl1, d2,…，dp,且滿足(!々(!,···Μρ,ρ等于m和η的最小值；將D中除前m個奇異值以外的奇異值設(shè)為0，2 < m < p，并記所得的對角矩陣為Dm，則對A進行重構(gòu)的公式為Am=UDmVT，其中Am稱為使用前m個奇異值對A的重構(gòu)圖像；如上所述的選取最優(yōu)個數(shù)的奇異值具體實現(xiàn)如下將所述的織物圖像樣本記為A，大小為mXn，對A進行奇異值分解，記所得的P個奇異值為Cl1, d2,…，dp，p等于m和η的最小值；首先，選取第一個奇異值，得到重構(gòu)后的圖像A1,進而得到相應(yīng)的殘差圖像E1=IA-A11 ;然后計算E1中所有元素的標(biāo)準(zhǔn)差σ與平均值μ之比F1 ；同理，記取前k個奇異值，計算所得的F值為Fk，2彡k彡P(guān) ;最后，在所得的F1, F2…，F(xiàn)p中選取最大值Fmax，則Fmax所對應(yīng)的奇異值個數(shù)即為所述的選取最優(yōu)奇異值個數(shù)；如上所述的旋轉(zhuǎn)一定角度Θ是指以圖像幾何中心點為對稱軸對織物圖像樣本進行順時針或逆時針方向的旋轉(zhuǎn)，角度Θ取值范圍為5° ^ Θ ^ 45° ；如上所述的兩張?zhí)卣鲌D 像疊加是指將兩張?zhí)卣鲌D像相加，并將相加后大于255的像素點重新賦值為255。有益效果I、本發(fā)明的方法本身對光照不勻有抵消作用，不需要傳統(tǒng)的圖像預(yù)處理步驟；2、不包括傳統(tǒng)方法的訓(xùn)練與特征提取階段，對不同種類的織物紋理有較強的適應(yīng)性；3、結(jié)合對經(jīng)旋轉(zhuǎn)后的原圖像進行分析，能夠增強對瑕疵類型的適應(yīng)性，提高瑕疵檢測精度。


圖I是未經(jīng)旋轉(zhuǎn)的圖像示意2是對圖I經(jīng)5°順時針旋轉(zhuǎn)后示意3中的剖面線部分是圖2的最大內(nèi)接矩形區(qū)域示意4是本發(fā)明所用的有線狀瑕疵試驗圖像圖5是本發(fā)明所用的有線狀和塊狀瑕疵試驗圖像圖6是本發(fā)明所用的有點狀瑕疵試驗圖像圖7是本發(fā)明所用的有塊狀瑕疵試驗圖像圖8是本發(fā)明所用的另一有線狀瑕疵試驗圖像圖9是本發(fā)明所用的另一有線狀和塊狀瑕疵試驗圖像圖10是對試驗圖像圖4的檢測結(jié)果圖11是對圖4經(jīng)5°順時針旋轉(zhuǎn)后圖像的檢測結(jié)果圖12是對試驗圖像圖4的最終檢測結(jié)果圖13是對試驗圖像圖5的檢測結(jié)果圖14是對圖5經(jīng)5°順時針旋轉(zhuǎn)后圖像的檢測結(jié)果圖15是對試驗圖像圖5的最終檢測結(jié)果圖16是對試驗圖像圖6的檢測結(jié)果圖17是對圖6經(jīng)5°順時針旋轉(zhuǎn)后圖像的檢測結(jié)果圖18是對試驗圖像圖6的最終檢測結(jié)果圖19是對試驗圖像圖7的檢測結(jié)果圖20是對圖7經(jīng)5°順時針旋轉(zhuǎn)后圖像的檢測結(jié)果圖21是對試驗圖像圖7的最終檢測結(jié)果圖22是對試驗圖像圖8的檢測結(jié)果圖23是對圖8經(jīng)5。順時針旋轉(zhuǎn)后圖像的檢測結(jié)果
圖24是對試驗圖像圖8的最終檢測結(jié)果圖25是對試驗圖像圖9的檢測結(jié)果圖26是對圖9經(jīng)5°順時針旋轉(zhuǎn)后圖像的檢測結(jié)果圖27是對試驗圖像圖9的最終檢測結(jié)果圖28對圖I經(jīng)20°順時針旋轉(zhuǎn)后最大內(nèi)接矩形區(qū)域示意圖29對圖I經(jīng)45°順時針旋轉(zhuǎn)后最大內(nèi)接矩形區(qū)域示意
具體實施例方式下面結(jié)合具體實施方式
，進ー步闡述本發(fā)明。應(yīng)理解，這些實施例僅用于說明本發(fā) 明而不用于限制本發(fā)明的范圍。此外應(yīng)理解，在閱讀了本發(fā)明講授的內(nèi)容之后，本領(lǐng)域技術(shù)人員可以對本發(fā)明作各種改動或修改，這些等價形式同樣落于本申請所附權(quán)利要求書所限定的范圍。本發(fā)明的一種基于奇異值分解的圖像分析方法，包括以下步驟( I)首先將圖像樣本實施奇異值分解，得到相應(yīng)的奇異向量與奇異值；然后選取最優(yōu)個數(shù)的奇異值對所述圖像樣本進行重構(gòu)，得到重構(gòu)圖像，并將重構(gòu)圖像與圖像樣本作差并取絕對值，得到兩者的殘差圖像；最后對殘差圖像實施ニ值化操作，得到ー個只包含兩種數(shù)值的特征圖像；(2)將所述圖像樣本旋轉(zhuǎn)一定角度，并對旋轉(zhuǎn)后圖像樣本的最大內(nèi)接矩形區(qū)域按照步驟(I)再次進行分析，得到另ー個只包含兩種數(shù)值的特征圖像；(3)將上述所得的兩張?zhí)卣鲌D像疊加，得到最終的圖像特征；如上所述的對圖像樣本進行重構(gòu)具體實現(xiàn)如下將所述的圖像樣本記為A，大小為mXn，對A進行奇異值分解，即A=UDVt,記D中對角線上P個奇異值為Cl1, d2,…，dp,且滿足(!々(!,···Μρ,ρ等于m和η的最小值；將D中除前m個奇異值以外的奇異值設(shè)為0，2彡m彡P(guān)，并記所得的對角矩陣為Dm，則對A進行重構(gòu)的公式為Am=UDmVT，其中Am稱為使用前m個奇異值對A的重構(gòu)圖像；如上所述的選取最優(yōu)個數(shù)的奇異值具體實現(xiàn)如下將所述的圖像樣本記為A，大小為mXn，對A進行奇異值分解，記所得的P個奇異值為も，d2,…，dp，P等于m和η的最小值；首先，選取第一個奇異值，得到重構(gòu)后的圖像A1,進而得到相應(yīng)的殘差圖像E1=IA-A11 ;然后計算E1中所有元素的標(biāo)準(zhǔn)差。與平均值μ之比F1 ;同理，記取前k個奇異值，計算所得的F值為Fk，2彡k彡P(guān) ;最后，在所得的F1,匕…，F(xiàn)p中選取最大值Fmax，則Fmax所對應(yīng)的奇異值個數(shù)即為所述的選取最優(yōu)奇異值個數(shù)；如上所述的旋轉(zhuǎn)一定角度Θ是指以圖像幾何中心點為對稱軸對圖像進行順時針或逆時針方向的旋轉(zhuǎn)，角度Θ取值范圍為5° ^ Θ ^ 45° ；如上所述的兩張?zhí)卣鲌D像疊加是指將兩張?zhí)卣鲌D像相加，并將相加后大于255的像素點重新賦值為255。本發(fā)明實施例選取六張具有不同紋理背景的瑕疵圖像作為試驗圖像，這些試驗圖像全部來自生產(chǎn)實踐大小為512X512像素，其上面包括常見的瑕疵類型點狀、線狀和塊狀。本發(fā)明所用的試驗圖像圖4 (線狀)，圖5 (線狀和塊狀)，圖6 (點狀)，圖7 (塊狀)，圖8 (線狀)，圖9 (線狀和塊狀)。具體的實現(xiàn)步驟為
I.對大小為512X512的試驗圖像A，如圖I所示，實施奇異值分解，即分解為A=UDVt,記所得的512個奇異值為Cl1, d2,…，d512。2.選取前q個奇異值對試驗圖像A進行重構(gòu)，記重構(gòu)圖像Aq=UDJt。首先，選取第ー個奇異值，得到重構(gòu)后的圖像A1，進而得到相應(yīng)的殘差圖 像E1=IA-A1I ;然后計算E1中所有元素的標(biāo)準(zhǔn)差σ與平均值μ之比F1;同理，記取前k個奇異值，計算所得的F值為Fk，2彡k彡P(guān) ;最后，在所得的F1,匕…，F(xiàn)p中選取最大值Fmax,則Fmax所對應(yīng)的奇異值個數(shù)q即為所述的選取最優(yōu)奇異值個數(shù)。3.將試驗圖像A與重構(gòu)圖像Aq作差并取絕對值，得到殘差矩陣Eq= I A-Aq I ;計算Etl中所有元素的均值μ與標(biāo)準(zhǔn)差σ ,所用ニ值化操作條件為當(dāng)殘差矩陣Etl中數(shù)值介于μ ±3. 5 σ之間時，賦值為O ;反之賦值為255，得到ニ值化后的特征圖像BW1154.將試驗圖像A進行5°的順時針方向旋轉(zhuǎn)，如圖2所示，并截取旋轉(zhuǎn)后圖像的最大內(nèi)接矩形區(qū)域進行上述步驟分析，記所得的ニ值化后的特征圖像為BW2，其中最大內(nèi)接矩形區(qū)域見圖3所示。再將特征圖像BW2進行5°的逆時針方向旋轉(zhuǎn)，最后將BW1與BW2相カロ，得到最終檢測結(jié)果如圖10-圖27所示。5.當(dāng)對試驗圖像A進行20°和45°的順時針方向旋轉(zhuǎn)，如圖28和圖29所示，進行上述步驟進行分析。實驗結(jié)果表明，圖4和圖8檢測精度下降，而圖5、圖6、圖7和圖9檢測結(jié)果精度提高，圖4和圖8檢測精度下降原因是由于旋轉(zhuǎn)截取操作丟失了部分原圖像中的瑕疵。
權(quán)利要求
1.一種基于奇異值分解的圖像分析方法，其特征是包括以下步驟 (1)首先將圖像樣本實施奇異值分解，得到相應(yīng)的奇異向量與奇異值；然后選取最優(yōu)個數(shù)的奇異值對所述圖像樣本進行重構(gòu)，得到重構(gòu)圖像，并將重構(gòu)圖像與圖像樣本作差并取絕對值，得到兩者的殘差圖像；最后對殘差圖像實施ニ值化操作，得到ー個只包含兩種數(shù)值的特征圖像； (2)將所述圖像樣本旋轉(zhuǎn)一定角度Θ，并對旋轉(zhuǎn)后圖像樣本的最大內(nèi)接矩形區(qū)域按照步驟(I)再次進行分析，得到另ー個只包含兩種數(shù)值的特征圖像； (3)將上述所得的兩張?zhí)卣鲌D像疊加，得到最終的圖像特征； 所述的對圖像樣本進行重構(gòu)具體實現(xiàn)如下 將所述的圖像樣本記為A，大小為mXn，對A進行奇異值分解，即A=UDVt,記D中對角線上P個奇異值為も，d2,…，dp,且滿足(^>4〉··· >dp,p等于m和η的最小值；將D中除前m個奇異值以外的奇異值設(shè)為0，2彡m彡P(guān)，并記所得的對角矩陣為Dm，則對A進行重構(gòu)的公式為Am=UDmVT，其中Am稱為使用前m個奇異值對A的重構(gòu)圖像； 所述的選取最優(yōu)個數(shù)的奇異值具體實現(xiàn)如下 將所述的圖像樣本記為A，大小為mXn，對A進行奇異值分解，記所得的P個奇異值為(I1, d2, ···，dp, p等于m和η的最小值；首先，選取第一個奇異值，得到重構(gòu)后的圖像A1,進而得到相應(yīng)的殘差圖像E1=IA-A1I ;然后計算E1中所有元素的標(biāo)準(zhǔn)差。與平均值μ之比F1;同理，記取前k個奇異值，計算所得的F值為Fk，2彡k彡P(guān) ;最后，在所得的F1,匕…，F(xiàn)p中選取最大值Fmax，則Fmax所對應(yīng)的奇異值個數(shù)即為所述的選取最優(yōu)奇異值個數(shù)； 所述的兩張?zhí)卣鲌D像疊加是指將兩張?zhí)卣鲌D像相加，并將相加后大于255的像素點重新賦值為255。
2.根據(jù)權(quán)利要求I所述的ー種基于奇異值分解的圖像分析方法，其特征在于，所述的圖像樣本為位深度為8位灰度圖像。
3.根據(jù)權(quán)利要求I所述的ー種基于奇異值分解的圖像分析方法，其特征在于，所述的對殘差圖像實施ニ值化操作是指計算殘差圖像中所有元素的均值μ與標(biāo)準(zhǔn)差σ，當(dāng)殘差圖像中某一元素的數(shù)值介于μ±3.5σ之間時，賦值為O ;反之賦值為255。
4.根據(jù)權(quán)利要求I所述的ー種基于奇異值分解的圖像分析方法，其特征在于，所述的旋轉(zhuǎn)一定角度Θ是指以圖像幾何中心點為對稱軸對圖像進行順時針或逆時針方向的旋轉(zhuǎn)，角度Θ取值范圍為5°≤Θ≤45°。
5.如權(quán)利要求I所述的ー種基于奇異值分解的圖像分析方法應(yīng)用于織物瑕疵檢測的方法，其特征是包括以下步驟 (1)首先將織物圖像樣本實施奇異值分解，得到相應(yīng)的奇異向量與奇異值；然后選取最優(yōu)個數(shù)的奇異值對所述的織物圖像樣本進行重構(gòu)，得到重構(gòu)圖像，并將重構(gòu)圖像與織物圖像樣本作差并取絕對值，得到兩者的殘差圖像；最后對殘差圖像實施ニ值化操作，得到ー個只包含兩種數(shù)值的特征圖像。
(2)將所述織物圖像樣本旋轉(zhuǎn)一定角度，并對旋轉(zhuǎn)后織物圖像樣本的最大內(nèi)接矩形區(qū)域按照步驟(I)再次進行分析，得到另ー個只包含兩種數(shù)值的特征圖像； (3)將上述所得的兩張?zhí)卣鲌D像疊加，得到最終的圖像特征； 所述的選取最優(yōu)個數(shù)的奇異值具體實現(xiàn)如下將所述的織物圖像樣本記為A，大小為mXn，對A進行奇異值分解，即A=UDVt,記D中對角線上P個奇異值為d” d2,…，dp,且滿足(!々(!,···Μρ,ρ等于m和η的最小值；將D中除前m個奇異值以外的奇異值設(shè)為0，2彡m彡P(guān)，并記所得的對角矩陣為Dm，則對A進行重構(gòu)的公式為Am=UDmVT，其中Am稱為使用前m個奇異值對A的重構(gòu)圖像； 所述的選取最優(yōu)個數(shù)的奇異值具體實現(xiàn)如下 將所述的織物圖像樣本記為A，大小為mXn，對A進行奇異值分解，記所得的P個奇異值為も，d2,…，dp，P等于m和η的最小值；首先，選取第一個奇異值，得到重構(gòu)后的圖像A1,進而得到相應(yīng)的殘差圖像E1=IA-A11 ;然后,計算E1中所有元素的標(biāo)準(zhǔn)差σ與平均值μ之比F1 ；同理，記取前k個奇異值，計算所得的F值為Fk，2彡k彡P(guān) ;最后，在所得的F1, F2…，F(xiàn)p中選取最大值Fmax，則Fmax所對應(yīng)的奇異值個數(shù)即為所述的選取最優(yōu)奇異值個數(shù)； 所述的旋轉(zhuǎn)一定角度Θ是指以圖像幾何中心點為對稱軸對織物圖像樣本進行順時針 或逆時針方向的旋轉(zhuǎn)，角度Θ取值范圍為5° ^ Θ ^45° ； 所述的兩張?zhí)卣鲌D像疊加是指將兩張?zhí)卣鲌D像相加，并將相加后大于255的像素點重新賦值為255。
全文摘要
本發(fā)明屬圖像分析處理領(lǐng)域，應(yīng)用于紡織品表面質(zhì)量自動檢測與控制領(lǐng)域，本發(fā)明涉及一種基于奇異值分解的圖像分析方法及應(yīng)用于織物瑕疵檢測的方法。本發(fā)明首先將圖像樣本實施奇異值分解；然后選取最優(yōu)個數(shù)的奇異值對所述圖像樣本進行重構(gòu),計算重構(gòu)圖像與圖像樣本作差后的殘差圖像；最后對殘差圖像實施二值化操作分割出圖像特征。為了能適應(yīng)不同形貌瑕疵，本發(fā)明同時對經(jīng)一定角度旋轉(zhuǎn)后的圖像樣本進行上述的分析。本發(fā)明本身對光照不勻有抵消作用，無需傳統(tǒng)預(yù)處理步驟；不包括傳統(tǒng)方法的訓(xùn)練與特征提取階段，對不同種類的織物紋理有較強的適應(yīng)性；結(jié)合對經(jīng)旋轉(zhuǎn)后的原圖像進行分析，能夠增強對瑕疵類型的適應(yīng)性，提高瑕疵檢測精度。
文檔編號G06T7/00GK102867299SQ20121028308
公開日2013年1月9日 申請日期2012年8月9日 優(yōu)先權(quán)日2012年8月9日
發(fā)明者汪軍, 張孝南, 周建, 李冠志, 龐明軍, 張奇, 陳霞, 李立輕 申請人:東華大學(xué), 紹興中紡院江南分院有限公司