一種基于分塊的vca端元提取方法
【專利摘要】本發(fā)明公開了一種基于分塊的VCA端元提取方法，包括：利用非監(jiān)督分類方法對(duì)高光譜圖像進(jìn)行粗略分塊，將具有相似物質(zhì)的像元分為相同塊內(nèi)；對(duì)分塊后的各塊內(nèi)區(qū)域分別使用VCA進(jìn)行端元提取，提取端元之后使用最小二乘法反演豐度，每塊內(nèi)根據(jù)豐度值的大小確定一個(gè)主要端元；將所有塊內(nèi)的主要端元提取出并組成全局圖像的端元矩陣。本發(fā)明在分塊后的相對(duì)簡單的環(huán)境塊內(nèi)環(huán)境使用VCA端元提取方法，然后利用塊內(nèi)豐度反演結(jié)果反饋控制塊內(nèi)的主要端元，從而避免了遺漏主要端元。
【專利說明】
一種基于分塊的VCA端元提取方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，具體涉及一種基于分塊的VCA端元提取方法。
【背景技術(shù)】
[0002] 高光譜圖像是同時(shí)反映物體反射光譜信息和空間信息的三維數(shù)據(jù)圖像，具有覆蓋 波段廣，快速無損，光譜信息含量充分等特點(diǎn)。高光譜成像系統(tǒng)利用圖像分光儀和傳感器， 在紫外線，可見光，近紅外，紅外波段(波長在300nm-2500nm之間）獲取成像對(duì)象的一系列相 對(duì)連續(xù)波段下的高光譜圖像。由于傳感器的空間分辨率限制以及自然界地物的復(fù)雜多樣 性，一些像元中常常不止含有一種物質(zhì)，這樣的像元被稱為混合像元。由于混合像元的存 在，使得傳統(tǒng)的分類方法不適于地物的精確細(xì)分和鑒別。為了提高遙感分類的準(zhǔn)確性，必須 解決混合像元的問題，因此混合像元解混在地物分類和識(shí)別之前成為關(guān)鍵的一步。
[0003] 在進(jìn)行混合像元解混之前，首先需要建立高光譜圖像的線性混合模型（LMM)。在 LMM中，高光譜圖像中的像元是由組成圖像的基本物質(zhì)(端元)在不同波段下的光譜特性以 一定的比例（豐度）線性組合而成?；旌舷裨饣焓歉吖庾V圖像線性混合模型的逆過程，是 使用一定手段提取圖像中的端元以及計(jì)算端元對(duì)應(yīng)豐度的過程。
[0004] 頂點(diǎn)成分分析(VCA)是一種最基本基于幾何的高光譜圖像端元提取方法?；趲?何的端元提取方法從高光譜數(shù)據(jù)集空間分布特征出發(fā)，認(rèn)為在幾何空間中，端元常存在于 由高光譜圖像數(shù)據(jù)集組成的單形體、多面體或者凸錐的頂點(diǎn)部分。VCA通過反復(fù)尋找數(shù)據(jù)空 間中的正交向量并計(jì)算像元在正交向量上的投影距離逐一提取端元。
[0005] 由于實(shí)際地物的復(fù)雜性以及噪聲等影響，在利用VCA進(jìn)行端元提取的過程中，常常 會(huì)出現(xiàn)遺漏主要端元，提取端元不準(zhǔn)確，容易受噪聲影響等現(xiàn)象。

【發(fā)明內(nèi)容】

[0006] 為解決現(xiàn)有技術(shù)存在的不足，本發(fā)明公開了一種基于分塊的VCA端元提取方法，本 發(fā)明將高光譜圖像復(fù)雜的環(huán)境用一定的分類方法，分為多個(gè)相對(duì)簡單的圖像部分，然后在 簡單的圖像上進(jìn)行VCA端元提取，這一定降低了全局圖像的噪聲對(duì)算法的影響，避免了遺漏 主要端元，提高了端元提取的準(zhǔn)確性。
[0007] 為實(shí)現(xiàn)上述目的，本發(fā)明的具體方案如下：
[0008] -種基于分塊的VCA端元提取方法，包括：
[0009] 利用非監(jiān)督分類方法對(duì)高光譜圖像進(jìn)行粗略分塊，將具有相似物質(zhì)的像元分為相 同塊內(nèi)；
[0010] 對(duì)分塊后的各塊內(nèi)區(qū)域分別使用VCA進(jìn)行端元提取，提取端元之后使用最小二乘 法反演豐度，每塊內(nèi)根據(jù)豐度值的大小確定一個(gè)主要端元；
[0011] 將所有塊內(nèi)的主要端元提取出并組成全局圖像的端元矩陣。
[0012] 進(jìn)一步的，在利用非監(jiān)督分類方法對(duì)高光譜圖像進(jìn)行粗略分塊之前還需要使用 PCA對(duì)高光譜圖像數(shù)據(jù)進(jìn)行降維處理。
[0013] 進(jìn)一步的，在PCA降維中，首先對(duì)輸入的高維圖像數(shù)據(jù)X=(X1，X2, . . .，Xm)T進(jìn)行向 量中心化，計(jì)算向量中心化之后的數(shù)據(jù)的協(xié)方差矩陣，并計(jì)算協(xié)方差矩陣的特征值矩陣Λ 和特征向量矩陣A;
[0014] 然后使用特征向量矩陣A對(duì)高維圖像數(shù)據(jù)X進(jìn)行主成分變換為Z=ATX;
[0015] 最后選取Z中的部分主成分作為原高維數(shù)據(jù)的低維特征，從而實(shí)現(xiàn)數(shù)據(jù)降維。
[0016] 進(jìn)一步的，對(duì)降維后的高光譜圖像數(shù)據(jù)利用迭代自組織數(shù)據(jù)分析方法IS0DATA進(jìn) 行非監(jiān)督分類，分類類數(shù)1和已知的圖像中的端元個(gè)數(shù)r相等，即l = r，分塊結(jié)果為Γ,，其中 i = l, 2，···，!·〇
[0017] 進(jìn)一步的，IS0DATA在非監(jiān)督分類過程中，加入了對(duì)類別進(jìn)行自動(dòng)的合并和分裂。 其中合并機(jī)制是指，當(dāng)總類數(shù)過多或者某兩類類中心距離小于某一閾值時(shí)，將該兩類進(jìn)行 合并為新的一類，類內(nèi)樣本數(shù)目小于某一閾值時(shí)將該類取消；
[0018] 分裂機(jī)制是指，當(dāng)總類數(shù)過少或者某類內(nèi)樣本數(shù)目超過某一閾值，類內(nèi)標(biāo)準(zhǔn)差大 于分裂閾值，則將其分為兩類，從而得到類數(shù)比較合理的聚類結(jié)果。
[0019] 進(jìn)一步的，對(duì)于所有的分塊區(qū)域1^，設(shè)置端元個(gè)數(shù)V，其中V <r，分別進(jìn)行VCA端 元提取。
[0020] 進(jìn)一步的，VCA端元提取算法過程是首先找到一個(gè)初始單位向量，然后將所有像元 點(diǎn)投影到這一向量上，投影距離最大的像元點(diǎn)記為端元點(diǎn)，加入端元矩陣集合，依據(jù)新的端 元集合，再找到一個(gè)和所有已經(jīng)找到的端元都正交的向量，并進(jìn)行下一輪循環(huán)，計(jì)算像元投 影距離，找尋新的端元，直到找到所有端元為止。
[0021] 進(jìn)一步的，對(duì)于所有的分塊區(qū)域廠，，提取塊內(nèi)端元之后，分別利用最小二乘法對(duì) 分塊區(qū)域進(jìn)行豐度反演。根據(jù)分塊區(qū)域內(nèi)豐度大小反饋，確定每個(gè)分塊區(qū)域中的主要端元， 提取出所有塊中的主要端元，構(gòu)成全局圖像的端元矩陣。
[0022] 進(jìn)一步的，在線性模型中，高光譜圖像的像元X是端元矩陣E和豐度矩陣A的線性組 合，即滿足公式X = EXA，豐度矩陣元素滿足和為和非負(fù)性 J.-1
約束條件；
[0023] 最小二乘法根據(jù)求解過程中是否考慮非負(fù)約束和和為1的約束，可分為無約束最 小二乘法UCLS，和為1約束最小二乘法SCLS，非負(fù)約束最小二乘法NCLS，全約束最小二乘法 FCLS〇
[0024] 進(jìn)一步的，在無約束最小二乘法UCLS中，不考慮豐度的和為1與非負(fù)性約束，求得r 個(gè)端元{^}〇 = 1，2，..1，后），利用最小二乘法求解線性混合模型可得像元1的豐度估計(jì) 為 auas (Xi) = (ETE) -fxi。
[0025] 本發(fā)明的有益效果：
[0026] 1.本發(fā)明在使用VCA提取端元之前，首先利用非監(jiān)督分類將高光譜圖像中相似像 元聚合，排除不相關(guān)像元的影響，降低端元提取環(huán)境的復(fù)雜度。
[0027] 2.本發(fā)明在分塊后的相對(duì)簡單的環(huán)境塊內(nèi)環(huán)境使用VCA端元提取方法，然后利用 塊內(nèi)豐度反演結(jié)果反饋控制塊內(nèi)的主要端元，從而避免了遺漏主要端元。
【附圖說明】
[0028] 圖1為本發(fā)明的流程圖；
[0029] 圖2a Washington DC mall圖像；
[0030] 圖2b Washington DC mall圖像使用ISODATA分塊之后的圖像；
[0031] 圖3a_圖3e為使用基于分塊的VCA提取端元、原始VCA提取端元與理論端元的比較 圖（Washington DC mall數(shù)據(jù)）；
[0032] 圖4a HYDICE Urban圖像；
[0033] 圖4b HYDICE Urban圖像使用ISODATA分塊之后的圖像；
[0034] 圖5a_圖5f為使用基于分塊的VCA提取端元、原始VCA提取端元與理論端元的比較 圖（HYDICE Urban數(shù)據(jù)）。
【具體實(shí)施方式】：
[0035] 下面結(jié)合附圖對(duì)本發(fā)明進(jìn)行詳細(xì)說明：
[0036] -種基于分塊的VCA端元提取方法，包括如下步驟：
[0037] 步驟(1)輸入高光譜圖像數(shù)據(jù)XeRmXn，其中m為高光譜圖像的波段數(shù)，n為高光譜圖 像的像元總數(shù)，端元個(gè)數(shù)r，使用PCA對(duì)高光譜圖像數(shù)據(jù)進(jìn)行降維處理。
[0038]步驟(2)對(duì)降維后的高光譜圖像數(shù)據(jù)利用IS0DATA進(jìn)行非監(jiān)督分類，分類類數(shù)為1， 其中l(wèi)=r。
[0039] 步驟(3)利用分類結(jié)果對(duì)高光譜圖像進(jìn)行分塊為Γ,，其中i = l，2, ...，r。
[0040] 步驟(4)對(duì)于所有的分塊區(qū)域，設(shè)置端元個(gè)數(shù)V，其中V <r，分別進(jìn)行VCA端元 提取。
[0041] 步驟（5)對(duì)于所有的分塊區(qū)域Γ,，分別利用最小二乘法對(duì)分塊區(qū)域進(jìn)行豐度反 演。
[0042] 步驟(6)根據(jù)分塊區(qū)域內(nèi)豐度大小反饋，確定每個(gè)分塊區(qū)域中的主要端元，提取出 所有塊中的主要端元，構(gòu)成全局圖像的端元矩陣。
[0043] 所述步驟(1)的PCA降維處理：
[0044]在進(jìn)行IS0DATA非監(jiān)督分類之前，需要對(duì)信號(hào)進(jìn)行降維，本發(fā)明使用主成分分析 (PCA)降維。PCA是一種線性變換，變換之后各主成分之間互不相關(guān)，并且按照包含的信息量 從大到小排列。將高維數(shù)據(jù)經(jīng)過PCA變化之后，前幾個(gè)主成分涵蓋了原數(shù)據(jù)的主要信息，因 此可以用低維特征刻畫原高維數(shù)據(jù)，從而實(shí)現(xiàn)數(shù)據(jù)降維。在PCA降維中，首先對(duì)輸入的高維 圖像數(shù)據(jù)X=( X1，X2,.. .，xm)T進(jìn)行向量中心化，計(jì)算向量中心化之后的數(shù)據(jù)的協(xié)方差矩陣， 并計(jì)算協(xié)方差矩陣的特征值矩陣Λ和特征向量矩陣A。然后使用主成分變換矩陣A進(jìn)行主成 分變換Z = ATY。最后選取Z中的部分主成分作為原高維數(shù)據(jù)的低維特征，從而實(shí)現(xiàn)數(shù)據(jù)降 維。
[0045] 所述步驟(2)中的IS0DATA非監(jiān)督分類：
[0046]迭代自組織數(shù)據(jù)分析方法(IS0DATA)算法，是一種無需先驗(yàn)知識(shí)，直接從樣本中提 取特征進(jìn)行聚類的非監(jiān)督分類方法。IS0DATA算法改進(jìn)了 K均值聚類，把所有樣本都調(diào)整完 畢之后，再重新計(jì)算各類樣本的均值，并且加入了對(duì)類別進(jìn)行自動(dòng)合并和分裂，具有一定的 自組織性。IS0DATA算法中的合并機(jī)制是指，當(dāng)總類數(shù)過多或者某兩類類中心距離小于某一 閾值時(shí)，將該兩類進(jìn)行合并為新的一類，類內(nèi)樣本數(shù)目小于某一閾值時(shí)將該類取消。分裂機(jī) 制是指，當(dāng)總類數(shù)過少或者某類內(nèi)樣本數(shù)目超過某一閾值，類內(nèi)標(biāo)準(zhǔn)差大于分裂閾值，則將 其分為兩類，從而得到類數(shù)比較合理的聚類結(jié)果。
[0047] 所述步驟(4)中的VCA端元提?。?br>[0048] VCA端元提取算法是基于線性光譜模型的，通過反復(fù)尋找數(shù)據(jù)空間中的正交向量 并計(jì)算像元在正交向量上的投影距離逐一提取端元。VCA的基礎(chǔ)理論是，單形體若干個(gè)頂點(diǎn) 可以張成一個(gè)子空間，而單形體的頂點(diǎn)是在某個(gè)與這個(gè)子空間正交的向量上的投影長度最 大值點(diǎn)。
[0049] VCA端元提取算法首先找到一個(gè)初始單位向量，然后將所有像元點(diǎn)投影到這一向 量上，投影距離最大的像元點(diǎn)記為端元點(diǎn)，加入端元矩陣集合。依據(jù)新的端元集合，再找到 一個(gè)和所有已經(jīng)找到的端元都正交的向量，并進(jìn)行下一輪循環(huán)，計(jì)算像元投影距離，找尋新 的端元，直到找到所有端元為止。
[0050] 所述步驟(5)中的最小二乘法：
[0051] 在線性模型中，高光譜圖像的像元X是端元矩陣E和豐度矩陣A的線性組合，即滿足 m 公式X = EX A。豐度矩陣滿足和為一Σ% = 和非負(fù)性^ &沒約束條件。當(dāng)已經(jīng)求 Μ 出端元矩陣之后，混合像元求解豐度的問題就變成了一個(gè)簡單的線性問題，因此可以用最 小二乘法求解。最小二乘法根據(jù)求解過程中是否考慮非負(fù)約束和和為1的約束，可分為無約 束最小二乘法(UCLS)，和為1約束最小二乘法(SCLS)，非負(fù)約束最小二乘法(NCLS)，全約束 最小二乘法(FCLS)。在UCLS中，不考慮豐度的和為1與非負(fù)性約束，求得r個(gè)端元{ ej}(j = l， 2, . . .，r)后，利用最小二乘法求解線性混合模型可得像元i的豐度估計(jì)為auas(Xl) = (ETEr Vxio
[0052] 具體實(shí)施例：
[0053] 具體實(shí)施部分使用地物空間分布相對(duì)簡單的Washington DC mall數(shù)據(jù)和空間分 布相對(duì)復(fù)雜HYDICE Urban數(shù)據(jù)分別進(jìn)行測(cè)試。在試驗(yàn)過程中，將基于分塊的VCA端元提取方 法與原始VCA端元提取方法進(jìn)行試驗(yàn)比較，并將人工提取的純凈端元作為理論端元。
[0054]實(shí)驗(yàn)數(shù)據(jù)Washington DC mall是拍攝于美國華盛頓地區(qū)的高光譜數(shù)據(jù)。該數(shù)據(jù)共 有210個(gè)波段，去除掉部分受噪聲影響的波段，剩下191個(gè)波段。整個(gè)圖像大小為1280X307， 本試驗(yàn)選取該數(shù)據(jù)中地物空間分布相對(duì)簡單的，大小為200X 150的一部分圖像。該部分圖 像的偽彩色圖如圖2a所示。該部分圖像中含有五種物質(zhì)，分別是水域、馬路、草地、屋頂和樹 木。
[0055] 實(shí)驗(yàn)數(shù)據(jù)HYDICE Urban高光譜數(shù)據(jù)包含210個(gè)光譜波段，維數(shù)為307X307。圖像數(shù) 據(jù)中包含六種物質(zhì):路，泥土，樹，草，屋頂，金屬。在實(shí)驗(yàn)中，去掉水吸收影響的波段，該數(shù)據(jù) 剩下178個(gè)波段。該部分圖像的偽彩色圖如圖4a所示。
[0056] 試驗(yàn)結(jié)果如圖3a-圖3e(Washington DC mall數(shù)據(jù)）和圖5a-圖5f(HYDICE Urban數(shù) 據(jù))所示。由端元光譜圖的比較結(jié)果可以看出，基于分塊的VCA端元提取方法提取的端元曲 線與端元的理論光譜曲線十分接近。
[0057] 為了進(jìn)一步得到不同端元提取方法提取端元準(zhǔn)確性在數(shù)字量上的對(duì)比，使用由不 同端元提取方法得到的端元光譜與理論端元光譜的光譜角（Spectral Angle Distance， SAD)的大小來衡量提取端元的準(zhǔn)確性。光譜角的公式定義安
其中，Athe。為一個(gè)端元的理論值，Au_x為利用不同的端元提取方法提取的端元光譜信息值， 光譜角越小表示兩個(gè)光譜向量越接近。光譜角比較結(jié)果如表1所示和表2所示。可以明確看 出，對(duì)于地物空間分布相對(duì)簡單的Washington DC mall數(shù)據(jù)和空間分布相對(duì)復(fù)雜HYDICE Urban數(shù)據(jù)，基于分塊的VCA提取端元的精確度都有很大的提高。
[0058]表1為使用基于分塊的VCA提取端元、原始VCA提取端元與理論端元的光譜角的比 較表(Washington DC mall數(shù)據(jù)）；表2為使用基于分塊的VCA提取端元、原始VCA提取端元與 理論端元的光譜角的比較表(HYDICE Urban數(shù)據(jù)）。
[0059] 表1基于分塊VCA，VCA提取的端元與理論端元SAD比較表
[0060]
[0061 ]~表2基于分塊VCA，VCA提取的端元與理論端元SAD比較表 ' '
[0062]
[0063] 本發(fā)明將復(fù)雜環(huán)境的高光譜圖像用一定的分類方法，分為多個(gè)相對(duì)簡單的圖像部 分，然后分塊進(jìn)行提取端元，從而在一定程度上排除不相關(guān)像元的影響，降低端元提取環(huán)境 的復(fù)雜度，減少了全局圖像的噪聲對(duì)算法的影響，避免了遺漏主要端元。具體事例表明，該 發(fā)明大大提高了提取端元的準(zhǔn)確度。
[0064] 上述雖然結(jié)合附圖對(duì)本發(fā)明的【具體實(shí)施方式】進(jìn)行了描述，但并非對(duì)本發(fā)明保護(hù)范 圍的限制，所屬領(lǐng)域技術(shù)人員應(yīng)該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不 需要付出創(chuàng)造性勞動(dòng)即可做出的各種修改或變形仍在本發(fā)明的保護(hù)范圍以內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于分塊的VCA端元提取方法，其特征是，包括： 利用非監(jiān)督分類方法對(duì)高光譜圖像進(jìn)行粗略分塊，將具有相似物質(zhì)的像元分為相同塊 內(nèi)； 對(duì)分塊后的各塊內(nèi)區(qū)域分別使用VCA進(jìn)行端元提取，提取端元之后使用最小二乘法反 演豐度，每塊內(nèi)根據(jù)豐度值的大小確定一個(gè)主要端元； 將所有塊內(nèi)的主要端元提取出并組成全局圖像的端元矩陣。2. 如權(quán)利要求1所述的一種基于分塊的VCA端元提取方法，其特征是，在利用非監(jiān)督分 類方法對(duì)高光譜圖像進(jìn)行粗略分塊之前還需要使用PCA對(duì)高光譜圖像數(shù)據(jù)進(jìn)行降維處理。3. 如權(quán)利要求2所述的一種基于分塊的VCA端元提取方法，其特征是，在PCA降維中，首 先對(duì)輸入的高維圖像數(shù)據(jù)X=(X1，X2, . . .，xm)T進(jìn)行向量中屯、化，計(jì)算向量中屯、化之后的數(shù) 據(jù)的協(xié)方差矩陣，并計(jì)算協(xié)方差矩陣的特征值矩陣A和特征向量矩陣A; 然后使用特征向量矩陣A對(duì)高維圖像數(shù)據(jù)X進(jìn)行主成分變換為Ζ=ΑΤχ; 最后選取Ζ中的部分主成分作為原高維數(shù)據(jù)的低維特征，從而實(shí)現(xiàn)數(shù)據(jù)降維。4. 如權(quán)利要求3所述的一種基于分塊的VCA端元提取方法，其特征是，對(duì)降維后的高光 譜圖像數(shù)據(jù)利用迭代自組織數(shù)據(jù)分析方法ISODATA進(jìn)行非監(jiān)督分類，分類類數(shù)1和已知的圖 像中的端元個(gè)數(shù)r相等，即l=r，分塊結(jié)果為Γι，其中i = l，2，...，r。5. 如權(quán)利要求4所述的一種基于分塊的VCA端元提取方法，其特征是，ISODATA在非監(jiān)督 分類過程中，加入了對(duì)類別進(jìn)行自動(dòng)的合并和分裂； 其中，合并機(jī)制是指，當(dāng)總類數(shù)過多或者某兩類類中屯、距離小于某一闊值時(shí)，將該兩類 進(jìn)行合并為新的一類，類內(nèi)樣本數(shù)目小于某一闊值時(shí)將該類取消； 分裂機(jī)制是指，當(dāng)總類數(shù)過少或者某類內(nèi)樣本數(shù)目超過某一闊值，類內(nèi)標(biāo)準(zhǔn)差大于分 裂闊值，則將其分為兩類，從而得到類數(shù)比較合理的聚類結(jié)果。6. 如權(quán)利要求4所述的一種基于分塊的VCA端元提取方法，其特征是，對(duì)于所有的分塊 區(qū)域Γι，設(shè)置端元個(gè)數(shù)，其中<r，分別進(jìn)行VCA端元提??； VCA端元提取算法過程是首先找到一個(gè)初始單位向量，然后將所有像元點(diǎn)投影到運(yùn)一 向量上，投影距離最大的像元點(diǎn)記為端元點(diǎn)，加入端元矩陣集合，依據(jù)新的端元集合，再找 到一個(gè)和所有已經(jīng)找到的端元都正交的向量，并進(jìn)行下一輪循環(huán)，計(jì)算像元投影距離，找尋 新的端元，直到找到所有端元為止。7. 如權(quán)利要求4所述的一種基于分塊的VCA端元提取方法，其特征是，對(duì)于所有的分塊 區(qū)域Γ 1，提取塊內(nèi)端元之后，分別利用最小二乘法對(duì)分塊區(qū)域進(jìn)行豐度反演； 根據(jù)分塊區(qū)域內(nèi)豐度大小反饋，確定每個(gè)分塊區(qū)域中的主要端元，提取出所有塊中的 主要端元，構(gòu)成全局圖像的端元矩陣。8. 如權(quán)利要求3所述的一種基于分塊的VCA端元提取方法，其特征是，在線性模型中，高 光譜圖像的像元X是端元矩陣E和豐度矩陣A的線性組合，即滿足公式X = EXA，豐度矩陣元 素 au滿足和巧和非負(fù)性"y 的約束條件； 在無約束最小二乘法UCLS中，不考慮豐度的和為1與非負(fù)性約束，求得r個(gè)端元{ej后，j =1，2, . . .，r，利用最小二乘法求解線性混合模型可得像元i的豐度估計(jì)為aucLs(Xi) = 化化)-iet化。
【文檔編號(hào)】G06T3/00GK105976310SQ201610289893
【公開日】2016年9月28日
【申請(qǐng)日】2016年5月4日
【發(fā)明人】劉治, 聶明鈺, 邱清晨, 孫育霖
【申請(qǐng)人】山東大學(xué)