一種紅外診斷系統(tǒng)及方法
【專利摘要】本發(fā)明涉及醫(yī)療技術(shù)領(lǐng)域，尤其涉及一種紅外診斷系統(tǒng)及方法。本發(fā)明通過匹配出與彩色圖像最匹配的檢索信息，即可通過該最匹配的檢索信息對彩色圖像進(jìn)行診斷，即對彩色圖像中存在的疾病進(jìn)行診斷，降低了診斷的要求。
【專利說明】
一種紅外診斷系統(tǒng)及方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及醫(yī)療技術(shù)領(lǐng)域，尤其涉及一種紅外診斷系統(tǒng)及方法。
【背景技術(shù)】
[0002] 目前紅外診斷在醫(yī)學(xué)上有所應(yīng)用，但是在現(xiàn)有的紅外診斷過程中需要在拍攝紅外 圖像后，人工的進(jìn)行進(jìn)一步的診斷，在人工診斷的過程中，對診斷能力具有較高的要求，所 以，紅外診斷技術(shù)由于要求較高并沒有被廣泛的使用。

【發(fā)明內(nèi)容】

[0003] 針對現(xiàn)有技術(shù)存在的問題，現(xiàn)提供了一種紅外診斷系統(tǒng)及方法。
[0004] 具體的技術(shù)方案如下：
[0005] -種紅外診斷系統(tǒng)，包括：
[0006] 紅外攝像模塊，利用紅外成像技術(shù)獲取灰度圖像；
[0007] 編碼模塊，與所述紅外攝像模塊連接，將所述灰度圖像進(jìn)行彩色處理，輸出一彩色 圖像，以通過所述彩色圖像顯示紅外信息；
[0008] 特征提取模塊，與所述編碼模塊連接，對所述彩色圖像進(jìn)行特征提取；
[0009] 檢索模塊，與所述特征提取模塊連接，所述檢索模塊中預(yù)存儲有多個標(biāo)準(zhǔn)信息，利 用提取的特征于所述標(biāo)準(zhǔn)信息中選取出與所述彩色圖像適配的檢索信息；
[0010] 匹配模塊，與所述檢索模塊連接，利用預(yù)設(shè)算法于所述檢索信息中計算得到一與 所述彩色圖像最匹配的檢索信息。
[0011]優(yōu)選的，所述特征提取模塊包括：
[0012] 分割模塊，將所述彩色圖像分割為多個區(qū)域；
[0013] 提取模塊，與所述分割模塊連接，于所述多個區(qū)域中提取感興趣的區(qū)域；
[0014] 構(gòu)建模塊，與所述提取模塊連接，對所述感興趣的區(qū)域進(jìn)行特征提取，以構(gòu)建特征 空間。
[0015] 優(yōu)選的，所述特征提取模塊提取的特征包括:顏色、形狀和紋理。
[0016] 優(yōu)選的，所述檢索模塊的檢索方法包括:基于顏色特征的檢索，基于形狀特征的檢 索和基于紋理特征的檢索。
[0017] 優(yōu)選的，所述預(yù)設(shè)算法為遺傳算法。
[0018] 一種紅外診斷方法，包括：
[0019] 步驟S1，利用紅外成像技術(shù)獲取灰度圖像；
[0020] 步驟S2,將所述灰度圖像進(jìn)行彩色處理，輸出一彩色圖像，以通過所述彩色圖像顯 示紅外信息；
[0021 ]步驟S3，對所述彩色圖像進(jìn)行特征提??；
[0022]步驟S4,利用提取的特征于預(yù)存儲的標(biāo)準(zhǔn)信息中選取出與所述彩色圖像適配的檢 索信息；
[0023]步驟S5,利用預(yù)設(shè)算法于所述檢索信息中計算得到一與所述彩色圖像最匹配的檢 索信息。
[0024]優(yōu)選的，所述步驟S3包括：
[0025]步驟S31，將所述彩色圖像分割為多個區(qū)域；
[0026]步驟S32,于所述多個區(qū)域中提取感興趣的區(qū)域；
[0027]步驟S33，對所述感興趣的區(qū)域進(jìn)行特征提取，以構(gòu)建特征空間。
[0028]優(yōu)選的，提取的特征包括:顏色、形狀和紋理。
[0029]優(yōu)選的，所述步驟S4中的檢索方法包括:基于顏色特征的檢索，基于形狀特征的檢 索和基于紋理特征的檢索。
[0030] 優(yōu)選的，所述預(yù)設(shè)算法為遺傳算法。
[0031] 上述技術(shù)方案的有益效果是：
[0032] 上述技術(shù)方案中，通過匹配出與彩色圖像最匹配的檢索信息，即可通過該最匹配 的檢索信息對彩色圖像進(jìn)行診斷，即對彩色圖像中存在的疾病進(jìn)行診斷，降低了診斷的要 求。
【附圖說明】
[0033] 圖1為本發(fā)明一種紅外診斷系統(tǒng)的實施例的結(jié)構(gòu)示意圖；
[0034] 圖2為本發(fā)明一種紅外診斷方法的實施例的流程圖。
【具體實施方式】
[0035] 需要說明的是，在不沖突的情況下，下述技術(shù)方案，技術(shù)特征之間可以相互組合。 [0036]下面結(jié)合附圖對本發(fā)明的【具體實施方式】作進(jìn)一步的說明：
[0037] 一種紅外診斷系統(tǒng)，如圖1所示，包括：
[0038]紅外攝像模塊，利用紅外成像技術(shù)獲取灰度圖像；
[0039]編碼模塊，與紅外攝像模塊連接，將灰度圖像進(jìn)行彩色處理，輸出一彩色圖像，以 通過彩色圖像顯示紅外信息；
[0040] 特征提取模塊，與編碼模塊連接，對彩色圖像進(jìn)行特征提?。?br>[0041] 檢索模塊，與特征提取模塊連接，檢索模塊中預(yù)存儲有多個標(biāo)準(zhǔn)信息，利用提取的 特征于標(biāo)準(zhǔn)信息中選取出與彩色圖像適配的檢索信息；
[0042] 匹配模塊，與檢索模塊連接，利用預(yù)設(shè)算法于檢索信息中計算得到一與彩色圖像 最匹配的檢索信息。
[0043]本實施例中，紅外攝像模塊由紅外熱像儀利用相關(guān)的紅外成像技術(shù)生成，紅外成 像技術(shù)是一種輻射信息探測技術(shù)，利用某種特殊的電子裝置，將物體的熱分布轉(zhuǎn)化為灰度 圖像，并且以灰度級或偽彩色顯示出來，從而得到被測目標(biāo)的溫度分布場。紅外成像技術(shù)一 般是被動地接收物體的紅外輻射而成像的，用圖像的灰度表征物體的溫度場分布。由于物 體熱平衡的原因和根據(jù)普朗克定律，采用紅外成像技術(shù)拍攝的圖像局部相鄰具有較高的空 間灰度相關(guān)性。
[0044]本實施例中，由于人眼的彩色敏感細(xì)胞能分辨出幾千種彩色色調(diào)和亮度，但是對 黑白灰度級卻不敏感。紅外攝像模塊產(chǎn)生的紅外圖像為黑白灰度級圖像(灰度圖像），灰度 值動態(tài)范圍不大。因此，人眼很難從這些灰度級中獲得豐富的信息。為了更直觀地增強(qiáng)顯示 圖像的層次，提高人眼分辨能力，編碼模塊對灰度圖像進(jìn)行偽彩色處理，從而達(dá)到圖像增強(qiáng) 的效果，使圖像信息更加豐富。在彩虹編碼的基礎(chǔ)上，結(jié)合醫(yī)用紅外熱像系統(tǒng)對圖像特征檢 測的要求和對偽彩色編碼處理的算法研究，使得不同的圖像和不同的區(qū)域因溫度的不同而 顯示不同的色彩，并且彩色圖像層次分明、色彩清晰。
[0045] 本實施例中，特征提取模塊是通過計算機(jī)視覺技術(shù)和圖像處理技術(shù)實現(xiàn)的，指的 是使用計算機(jī)提取彩色圖像中的信息，決定每個彩色圖像的點(diǎn)是否屬于一個圖像特征。特 征提取的結(jié)果是把彩色圖像上的點(diǎn)分為不同的子集，這些子集往往屬于孤立的點(diǎn)、連續(xù)的 曲線或者連續(xù)的區(qū)域。
[0046] 本實施例的檢索模塊是基于內(nèi)容的圖像檢索技術(shù)進(jìn)行圖像檢索，基于內(nèi)容的圖像 檢索技術(shù)是指直接根據(jù)描述媒體對象圖像內(nèi)容的各種特征進(jìn)行檢索，它能從數(shù)據(jù)庫的標(biāo)準(zhǔn) 信息中查找到具有指定特征或含有特定內(nèi)容的檢索信息(包括視頻片段），它區(qū)別于傳統(tǒng)的 基于關(guān)鍵字的檢索手段，融合了圖像理解、模式識別等技術(shù)。
[0047]在廣域網(wǎng)（Internet)環(huán)境下實現(xiàn)一個基于內(nèi)容檢索的圖像數(shù)據(jù)庫系統(tǒng)的框架結(jié) 構(gòu)可分為兩個部分:圖像特征索引的創(chuàng)建和圖像檢索。一般來說，圖像特征的分析和索引的 創(chuàng)建是在服務(wù)器端離線完成的，其主要功能包括圖像入庫前的預(yù)處理、圖像的內(nèi)容特征的 提取與分析、圖像特征描述的編碼和存儲。對于圖像的檢索，其主要的任務(wù)是將用戶感興趣 的圖像實例提交給服務(wù)器，對其內(nèi)容的特征進(jìn)行提取和表示。然后調(diào)用圖像檢索引擎按一 定的相似檢索方法進(jìn)行圖像之間的相似度計算，對查詢得到的相似圖像(檢索信息)按它們 的相似距離從小到大進(jìn)行排序，并將結(jié)果反饋。
[0048]本發(fā)明一個較佳的實施例中，特征提取模塊包括：
[0049]分割模塊，將彩色圖像分割為多個區(qū)域；
[0050]提取模塊，與分割模塊連接，于多個區(qū)域中提取感興趣的區(qū)域；
[0051 ]構(gòu)建模塊，與提取模塊連接，對感興趣的區(qū)域進(jìn)行特征提取，以構(gòu)建特征空間。
[0052] 本實施例中，在特征提取之前先對彩色圖像進(jìn)行分割，提取感興趣區(qū)域進(jìn)行相關(guān) 處理。彩色圖像分割是圖像處理與計算機(jī)視覺領(lǐng)域的基礎(chǔ)性工作。圖像分割方法的數(shù)量非 常多，本實施例以能量最小化方法進(jìn)行舉例說明，能量最小化方法的基本步驟為:①設(shè)計一 個目標(biāo)函數(shù)(能量函數(shù)），其最小值對應(yīng)最優(yōu)解，常用的兩個約束是數(shù)據(jù)和先驗知識。數(shù)據(jù)約 束限制了理想解應(yīng)該和真實數(shù)據(jù)盡量接近;先驗約束要求理想解的形式應(yīng)該和先驗知識保 持一致;②最小化目標(biāo)函數(shù)，大多數(shù)感興趣的能量函數(shù)是非凸的，有多個極小值，導(dǎo)致多數(shù) 方法只能找到逼近解，因此，最小化過程通常比較困難。合適的編碼問題的約束形成能量函 數(shù)和找到一個好的最小化方法是同等重要的，因為任何一步出錯都會造成分割的失效。
[0053] 能量最小化方法，給出了分割的統(tǒng)一框架，用標(biāo)準(zhǔn)優(yōu)化方法可以求解，②提供了明 確的思路來編碼要解決問題的約束，由于最小化能量函數(shù)和MRF的最大后驗估計是等效的， 從貝葉斯統(tǒng)計角度也可以求證能量最小化方法的正確性。能量最小化方法有多種分類方 法，包括全局和局部方法、確定性和隨機(jī)性方法、連續(xù)性和離散性方法等。常采用全局和局 部的分類方法，常見的全局能量最小化方法包括模擬退火方法、動態(tài)規(guī)劃方法和圖論方法 等；局部能量最小化方法包括變分方法和ICM(Iterated conditional modes)方法等。模擬 退火方法代表了一類隨機(jī)優(yōu)化方法;動態(tài)規(guī)劃是一個多步?jīng)Q策過程，通過把一個N步過程轉(zhuǎn) 化為N個單步過程實現(xiàn)將全局最優(yōu)轉(zhuǎn)化為局部最優(yōu)之和；圖論方法的主要思想是將圖像映 射成加權(quán)圖，把圖像像素看作圖的頂點(diǎn)，鄰接像素之間的關(guān)系看作圖的邊，鄰接像素之間的 相似性看作邊的權(quán)值，根據(jù)邊的權(quán)值設(shè)計能量函數(shù)，通過最小化能量函數(shù)完成對圖的分割， 從而實現(xiàn)圖像分割；變分方法是幾何活動輪廓模型（Geometry active contour model)的 能量最小化方法;ICM方法是基于確定性貪婪策略來尋優(yōu)的能量最小化方法。
[0054]上述實施例中，針對分割結(jié)果進(jìn)行相關(guān)的特征提取，首先應(yīng)用歸一化分割 (Normalized cut，Ncut)方法進(jìn)行圖像的分割，提取感興趣區(qū)域;然后對提取的感興趣區(qū)域 進(jìn)行特征提取構(gòu)成特征空間，接著用檢索模塊以及匹配模塊進(jìn)行診斷，得出診斷結(jié)果。 [0055] Ncut準(zhǔn)則是一種無監(jiān)督圖像分割技術(shù)，它不需要初始化，并具有3個主要的特點(diǎn)： (1)它將圖像分割問題轉(zhuǎn)換為圖的劃分問題；（2)它是一個全局準(zhǔn)則；（3)它同時最大化不同 組之間的不相似性和同一組內(nèi)的相似性。Ncut準(zhǔn)則的基本原理是：對于一個給定的圖G = (V，E)，假設(shè)將其分為兩個不相交的部分A與B，AUB = V，這兩個部分不相似程度可以定義為 原先連接兩部分而現(xiàn)在被刪去的所有邊的權(quán)的綜合：
[0057]式中w(i，j)即連接點(diǎn)i和點(diǎn)j的邊的權(quán)，它表示兩點(diǎn)之間的相似程度。一幅圖的最 優(yōu)二分法即是使cut的值最小，但由于割直接與割中邊的數(shù)目成比例，因此最小割通常并非 就是最優(yōu)割。
[0058]本發(fā)明一個較佳的實施例中，特征提取模塊提取的特征包括:顏色、形狀和紋理。
[0059] 本發(fā)明一個較佳的實施例中，檢索模塊的檢索方法包括:基于顏色特征的檢索，基 于形狀特征的檢索和基于紋理特征的檢索。
[0060] 上述實施例中的三種檢索方式具體為：
[0061] 首先，基于顏色特征的檢索:彩色圖像的顏色是物體表面的一種視覺特性，每種物 體都有其特有的顏色特征，如人們說到綠色往往是和樹木或草原相關(guān)，談到藍(lán)色往往是和 大?；蛩{(lán)天相關(guān)。同一類物體往往有著相似的顏色特征，因此可以根據(jù)顏色特征來區(qū)分物 體，本實施例采用直方圖來描述顏色特征。
[0062] 其次，基于形狀特征的檢索:形狀特征是描述彩色圖像的關(guān)鍵要素之一，它可以較 好地反映出區(qū)域的特征，因此該特征是CBIR技術(shù)中一個比較重要的可利用因素。在二維圖 像空間中，形狀通常被認(rèn)為是一條封閉的輪廓曲線所包圍的區(qū)域，所以對形狀的描述涉及 到對輪廓邊界的描述以及對這個邊界所包圍區(qū)域的描述。目前的基于形狀檢索方法大多圍 繞著從形狀的輪廓特征和形狀的區(qū)域特征建立圖像索引。形狀包括面積、連通性、環(huán)形性、 偏心率、主軸方向等特征。
[0063]最后，基于紋理特征的檢索:紋理是指圖像像素灰度集或顏色的某種規(guī)律性變化。 紋理特征主要包括粗糙度、方向性、對比度以及規(guī)則性?；诩y理的檢索通常采用統(tǒng)計方 法、結(jié)構(gòu)方法以及頻譜分析方法進(jìn)行。
[0064] 本發(fā)明一個較佳的實施例中，預(yù)設(shè)算法為遺傳算法。
[0065] 本實施例中，匹配模塊主要進(jìn)行圖像模式識別與模式匹配，模式識別的基本原理 是，將一個輸入模式與保存在系統(tǒng)中的多個標(biāo)準(zhǔn)模式相比較，找出最近似的標(biāo)準(zhǔn)模式，將該 標(biāo)準(zhǔn)模式所代表的類名作為輸入模式的類名輸出。本研究在將獲取的圖像信息經(jīng)過特征提 取以后經(jīng)過圖像檢索使用模式識別算法進(jìn)行模式匹配，最終匹配得到相應(yīng)的專家系統(tǒng)里面 的預(yù)存儲信息。
[0066]本申請采用遺傳算法(Genetic Algorithm，簡稱GA)實現(xiàn)圖像的模式識別與匹配。 遺傳算法是基于達(dá)爾文生物進(jìn)化論的自然選擇學(xué)說和群體遺傳學(xué)原理，借鑒自然界中自然 選擇、適者生存的法則，在計算機(jī)中采用遺傳學(xué)中的相應(yīng)名字和方法建立的一種算法。遺傳 算法建立在自然選擇和種群遺傳基礎(chǔ)上，模擬自然界"物競天擇、適者生存"的進(jìn)化過程，在 問題空間進(jìn)行全局并行、隨機(jī)的搜索優(yōu)化，使得種群成為全局最優(yōu)的收斂。
[0067] GA實施中最關(guān)鍵的三點(diǎn)是:定義編碼結(jié)構(gòu)、確定適應(yīng)度函數(shù)及定義遺傳算子。利用 馬爾科夫理論，對采用實編碼的遺傳算法進(jìn)行全局收斂性分析，得出了在群體數(shù)為無窮大 時能收斂到全局最優(yōu)解的結(jié)論。雖然其建立在群體規(guī)模無窮大基礎(chǔ)上，但在規(guī)模有限時，收 斂到全局更優(yōu)點(diǎn)是可以達(dá)到的。基于此，在進(jìn)行遺傳算法設(shè)計時，個體染色體位串由分類器 所有實數(shù)權(quán)值級聯(lián)構(gòu)成，每個染色體可表示為(W1T，W2T，W3T，"_，W1T)型的實向量，其中Wi (i = 1，2，…，M)為分類器的權(quán)值向量。這樣，群體中的每一個個體就是一個分類器。分類器 在測試樣本集中的判別率作為個體染色體的適應(yīng)值，其中使用Yik(i = 1，2，…N)表示第k次 迭代時群體中的第i個個體。
[0068] 一種紅外診斷方法，如圖2所示，包括：
[0069] 步驟S1，利用紅外成像技術(shù)獲取灰度圖像；
[0070] 步驟S2,將灰度圖像進(jìn)行彩色處理，輸出一彩色圖像，以通過彩色圖像顯示紅外信 息；
[0071 ]步驟S3，對彩色圖像進(jìn)行特征提??；
[0072] 步驟S4,利用提取的特征于預(yù)存儲的標(biāo)準(zhǔn)信息中選取出與彩色圖像適配的檢索信 息；
[0073] 步驟S5,利用預(yù)設(shè)算法于檢索信息中計算得到一與彩色圖像最匹配的檢索信息。
[0074] 本發(fā)明一個較佳的實施例中，步驟S3包括：
[0075] 步驟S31，將彩色圖像分割為多個區(qū)域；
[0076] 步驟S32,于多個區(qū)域中提取感興趣的區(qū)域；
[0077] 步驟S33,對感興趣的區(qū)域進(jìn)行特征提取，以構(gòu)建特征空間。
[0078]本發(fā)明一個較佳的實施例中，提取的特征包括:顏色、形狀和紋理。
[0079]本發(fā)明一個較佳的實施例中，步驟S4中的檢索方法包括:基于顏色特征的檢索，基 于形狀特征的檢索和基于紋理特征的檢索。
[0080] 本發(fā)明一個較佳的實施例中，預(yù)設(shè)算法為遺傳算法。
[0081] 上述實施例中，通過特征提取模塊將特征提取，以及圖像檢索模塊進(jìn)行彩色圖像 的檢索，輸出一檢索信息，檢索信息與匹配模塊進(jìn)行交互，從而確定一最匹配的檢索信息， 即可通過該最匹配的檢索信息對彩色圖像進(jìn)行診斷，即對彩色圖像中存在的疾病進(jìn)行診 斷，降低了診斷的要求。
[0082] 通過說明和附圖，給出了【具體實施方式】的特定結(jié)構(gòu)的典型實施例，基于本發(fā)明精 神，還可作其他的轉(zhuǎn)換。盡管上述發(fā)明提出了現(xiàn)有的較佳實施例，然而，這些內(nèi)容并不作為 局限。
[0083] 對于本領(lǐng)域的技術(shù)人員而言，閱讀上述說明后，各種變化和修正無疑將顯而易見。 因此，所附的權(quán)利要求書應(yīng)看作是涵蓋本發(fā)明的真實意圖和范圍的全部變化和修正。在權(quán) 利要求書范圍內(nèi)任何和所有等價的范圍與內(nèi)容，都應(yīng)認(rèn)為仍屬本發(fā)明的意圖和范圍內(nèi)。
【主權(quán)項】
1. 一種紅外診斷系統(tǒng)，其特征在于，包括： 紅外攝像模塊，利用紅外成像技術(shù)獲取灰度圖像； 編碼模塊，與所述紅外攝像模塊連接，將所述灰度圖像進(jìn)行彩色處理，輸出一彩色圖 像，以通過所述彩色圖像顯示紅外信息； 特征提取模塊，與所述編碼模塊連接，對所述彩色圖像進(jìn)行特征提取； 檢索模塊，與所述特征提取模塊連接，所述檢索模塊中預(yù)存儲有多個標(biāo)準(zhǔn)信息，利用提 取的特征于所述標(biāo)準(zhǔn)信息中選取出與所述彩色圖像適配的檢索信息； 匹配模塊，與所述檢索模塊連接，利用預(yù)設(shè)算法于所述檢索信息中計算得到一與所述 彩色圖像最匹配的檢索信息。2. 根據(jù)權(quán)利要求1所述的紅外診斷系統(tǒng)，其特征在于，所述特征提取模塊包括： 分割模塊，將所述彩色圖像分割為多個區(qū)域； 提取模塊，與所述分割模塊連接，于所述多個區(qū)域中提取感興趣的區(qū)域； 構(gòu)建模塊，與所述提取模塊連接，對所述感興趣的區(qū)域進(jìn)行特征提取，以構(gòu)建特征空 間。3. 根據(jù)權(quán)利要求1所述的紅外診斷系統(tǒng)，其特征在于，所述特征提取模塊提取的特征包 括:顏色、形狀和紋理。4. 根據(jù)權(quán)利要求3所述的紅外診斷系統(tǒng)，其特征在于，所述檢索模塊的檢索方法包括： 基于顏色特征的檢索，基于形狀特征的檢索和基于紋理特征的檢索。5. 根據(jù)權(quán)利要求1所述的紅外診斷系統(tǒng)，其特征在于，所述預(yù)設(shè)算法為遺傳算法。6. -種紅外診斷方法，其特征在于，包括： 步驟S1，利用紅外成像技術(shù)獲取灰度圖像； 步驟S2,將所述灰度圖像進(jìn)行彩色處理，輸出一彩色圖像，以通過所述彩色圖像顯示紅 外信息； 步驟S3，對所述彩色圖像進(jìn)行特征提?。? 步驟S4,利用提取的特征于預(yù)存儲的標(biāo)準(zhǔn)信息中選取出與所述彩色圖像適配的檢索信 息； 步驟S5,利用預(yù)設(shè)算法于所述檢索信息中計算得到一與所述彩色圖像最匹配的檢索信 息。7. 根據(jù)權(quán)利要求1所述的紅外診斷方法，其特征在于，所述步驟S3包括： 步驟S31，將所述彩色圖像分割為多個區(qū)域； 步驟S32,于所述多個區(qū)域中提取感興趣的區(qū)域； 步驟S33，對所述感興趣的區(qū)域進(jìn)行特征提取，以構(gòu)建特征空間。8. 根據(jù)權(quán)利要求1所述的紅外診斷方法，其特征在于，提取的特征包括:顏色、形狀和紋 理。9. 根據(jù)權(quán)利要求8所述的紅外診斷方法，其特征在于，所述步驟S4中的檢索方法包括： 基于顏色特征的檢索，基于形狀特征的檢索和基于紋理特征的檢索。10. 根據(jù)權(quán)利要求6所述的紅外診斷方法，其特征在于，所述預(yù)設(shè)算法為遺傳算法。
【文檔編號】G06F19/00GK106096255SQ201610395354
【公開日】2016年11月9日
【申請日】2016年6月3日 公開號201610395354.X, CN 106096255 A, CN 106096255A, CN 201610395354, CN-A-106096255, CN106096255 A, CN106096255A, CN201610395354, CN201610395354.X
【發(fā)明人】田思, 徐璟, 李永平, 章曉敏
【申請人】寧波大紅鷹學(xué)院