專利名稱：基于金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解圖像融合方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種圖像融合方法，特別是涉及一種結(jié)合金字塔形分解 和經(jīng)驗(yàn)?zāi)B(tài)分解的圖像融合方法。
背景技術(shù)：
圖像融合是一種將兩幅或多幅來自相同或不同類型傳感器的同一場 景的圖像進(jìn)行信息融合的技術(shù)，它以生成對此場景更為精確、更為全面、 更為可靠的圖像描述或解釋(一般是復(fù)合圖像)，這種描述或解釋更適合 人的視覺感知或計算機(jī)的處理。
目前，獲得高質(zhì)量圖像傳感器很多，譬如前視紅外，可見光，CT， MRI，毫米波雷達(dá)圖像，激光成像雷達(dá)，合成孔徑雷達(dá)等。由于成像原理 的不同和技術(shù)條件的限制，任何一個單一圖像數(shù)據(jù)都不能全面的反映目 標(biāo)對象的特性，是具有一定的應(yīng)用范圍的局限性。而圖像融合則是充分 利用了多個被融合圖像中包含的冗余信息和互補(bǔ)信息，最大限度獲得目 標(biāo)和場景的完整信息描述。但由于圖像融合的性能依賴于使用環(huán)境，任 何一個獨(dú)立的傳感器都有其功能的局限性。多源圖像融合技術(shù)不同于一 般意義上的圖像增強(qiáng)，它是計算機(jī)視覺、圖像理解領(lǐng)域的一項(xiàng)新技術(shù)。 圖像融合通常有多幅輸入圖像，通過融合處理形成一幅合成圖像，而這 幅合成圖像包括所有輸入圖像的相關(guān)信息，能夠?qū)δ繕?biāo)場景進(jìn)行更好地 解釋。隨著圖像融合技術(shù)的發(fā)展，圖像融合技術(shù)廣泛運(yùn)用于目標(biāo)識別、機(jī)器人、醫(yī)學(xué)和軍事等領(lǐng)域。
根據(jù)圖像融合處理所處的不同的階段，圖像融合處理通常可在三個 不同層次上進(jìn)行像素級融合、特征級融合、決策級融合。像素級的圖 像融合是最低層次的圖像融合，融合過程直接作用于校準(zhǔn)后的圖像上， 這樣融合后的圖像根據(jù)像輸入圖像像素點(diǎn)集的物理特性采用融合的技術(shù) 對圖像進(jìn)行合并。特征級的圖像融合則是中間層次上的融合，其先從原 始多源圖像中提取有用特征，然后根據(jù)特征信息對多源信息進(jìn)行分類、 匯集和綜合。目前典型的圖像特征包括邊緣、角點(diǎn)、線等。決策級的圖 像融合是最高層次的圖像融合，在進(jìn)行融合處理前，要先對從各個傳感 器獲得的源圖像進(jìn)行最高層次的抽象，通常對圖像進(jìn)行信息抽取和分類， 建立對同一 目標(biāo)的初步判決結(jié)論，然后對來自不同傳感器的決策進(jìn)行融 合處理，最終獲得聯(lián)合判決。
其中，基于像素級多源圖像融合算法有很多種，其大致可分為非基 于多分辨率變換的圖像融合算法和基于多分辨率變換的圖像融合算法兩 大類。非基于多分辨率變換的圖像融合算法包括加權(quán)平均方法、非線 性方法、彩色映射法、最優(yōu)化方法以及人工神經(jīng)網(wǎng)絡(luò)方法等。基于多分 辨率變換的圖像融合算法也叫基于多尺度的圖像融合算法，是目前公認(rèn) 的最有效的最有發(fā)展前途的圖像融合算法?；诙喾直媛首儞Q的圖像融 合算法首先對輸入圖像采用特定的方法進(jìn)行多層的不同分辨率分解，然 后對分解后的圖像表示按照一定的融合規(guī)則進(jìn)行選取或合并，從而得到 最后的融合圖像。
金字塔和小波是目前研究最多也是運(yùn)用最廣的多分辨率圖像融合方法。然而金字塔和小波都依賴于預(yù)先定義的濾波器或小波函數(shù)，并且相 同的應(yīng)用采用不同的濾波器或小波函數(shù)其圖像融合效果差別很大。金字 塔和小波分解希望得到物理上具有相互關(guān)聯(lián)的多尺度表示，但是沒有理 論證明其分解表示能完全實(shí)現(xiàn)圖像的物理特性表示。目前，有人提出了
經(jīng)驗(yàn)?zāi)B(tài)分解empirical mode decomposition (EMD)的自適應(yīng)多尺度分解 方法，該方法不需要預(yù)先定義濾波器或小波函數(shù)(參考文獻(xiàn)Huang NE, Shen Z， Long S民Wu ML， Shih朋，Zheng Q, Yen NC， Tung CC, and Liu HH. The empirical mode decomposition and Hilbert spectrum for nonlinear and nonstationary time series analysis. Proc. R. Soc. London A, vol. 454, pp. 903-995， 1998.)。該所述經(jīng)驗(yàn)?zāi)B(tài)分解能夠較好地對非線性和非穩(wěn)態(tài)的圖 像數(shù)據(jù)進(jìn)行分析，并且該方法也很快延伸到圖像融合中并取得了較好的 效果。雖然經(jīng)驗(yàn)?zāi)B(tài)分解的圖像融合方法比金字塔和小波融合方法具有 一定的優(yōu)越性，但是其也具有明顯的不足， 一是圖像分解的冗余度大， 分解后的表示占用較多的存貯空間，所以不太適用于存貯空間小，網(wǎng)絡(luò) 帶寬低或?qū)崟r性要求高的圖像融合系統(tǒng)需要。

發(fā)明內(nèi)容
鑒于上述技術(shù)不足的地方，本發(fā)明的主要目的在于提供一種圖像分 解冗余度小，分解后的表示占有存貯空間小，并且網(wǎng)絡(luò)帶寬占用率低和 實(shí)時性能高，且圖像融合質(zhì)量高、速度快的圖像融合方法。
為了實(shí)現(xiàn)上述目的，本發(fā)明采用了下述技術(shù)方案
本發(fā)明所述基于金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解圖像融合方法結(jié)合了金字塔形和經(jīng)驗(yàn)?zāi)B(tài)分解兩種技術(shù)，包括如下步驟
1 )將輸入的源圖像分別經(jīng)過金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解方法分解成一 系列具有高頻特性的金字塔結(jié)構(gòu)的細(xì)節(jié)圖像組和一個具有低頻特性的近 似圖像組；
2) 分別對分解后的一系列具有高頻特性的細(xì)節(jié)圖像組和一個具有低 頻特性的近似圖像組進(jìn)行融合；
3) 對融合后的一系列細(xì)節(jié)圖像和近似圖像進(jìn)行金字塔形的經(jīng)驗(yàn)?zāi)B(tài)
分解的逆變換，進(jìn)而得到s蟲合后的圖像。
其中，所述金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解方法包括以下步驟A、將待分 解的圖像進(jìn)行一次經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,簡稱 EMD)，且分解成本征模型函數(shù)(Intrinsic Mode Functions,簡稱IMF)
的圖像和趨勢圖像；B、將趨勢圖像進(jìn)一次金字塔形分解，分解成近似圖 像和差異圖像；C、將差異圖像和本特征模型函數(shù)的圖像進(jìn)一步相加得到 細(xì)節(jié)圖像。
此外，所述細(xì)節(jié)圖像和近似圖像為采用不同的融合規(guī)則進(jìn)行融合。 相比現(xiàn)有技術(shù)，本發(fā)明所述基于金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解圖像融合 方法具有分解表示冗余度低，冗余度小于4/3，且分解運(yùn)算速度快，保留 了經(jīng)驗(yàn)?zāi)B(tài)分解的優(yōu)點(diǎn)，并且該方法由于是一個完全重構(gòu)的圖像分解方 法，故該融合方法所得到的圖像融合質(zhì)量比較高。


圖1為本發(fā)明所述基于金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解圖像融合方法的步驟流程圖2為本發(fā)明所述基于金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解圖像融合方法中所 述金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解方法的一次分解的功能模塊示意圖3為本發(fā)明所述基于金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解圖像融合方法中所 述金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解方法的一次分解的數(shù)據(jù)流程示意圖4為本發(fā)明所述基于金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解圖像融合方法中所 述金字塔形分解的示意圖。
具體實(shí)施例方式
下面結(jié)合附圖以及具體實(shí)施例來對本發(fā)明所述基于金字塔形的經(jīng)驗(yàn) 模態(tài)分解圖像融合方法作進(jìn)一步的詳細(xì)說明。
本發(fā)明所述融合方法是基于金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解兩種技術(shù)進(jìn)行 圖像融合的方法，保持了金字塔形和經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,簡稱EMD)的優(yōu)點(diǎn)，使得冗余度相比現(xiàn)有的融合方法而言 得到了降低，冗余度小于4/3，并且分解運(yùn)算速度快，且融合后的圖像質(zhì)
參照圖1中所示，本發(fā)明基于金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解圖像融合方 法為包括如下步驟首先，將輸入的源圖像分別經(jīng)過金字塔形的經(jīng)驗(yàn)?zāi)?態(tài)分解方法分解成一系列具有高頻特性的金字塔結(jié)構(gòu)的細(xì)節(jié)圖像組和一 個具有低頻特性的近似圖像組(步驟10);其次，對分解后的一系列具有 高頻特性的細(xì)節(jié)圖像組和近似圖像組進(jìn)行融合(步驟ll);最后，將融合 后的細(xì)節(jié)圖像和近似圖像進(jìn)行金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解的逆變換，進(jìn)而得到融合后的圖像(步驟12和步驟13)。
其中，參見圖2和圖3中所示，所述金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解方法
包括以下步驟步驟100:將待分解的源圖像30進(jìn)行一次經(jīng)驗(yàn)?zāi)B(tài)分解
31，且分解成本征模型函數(shù)(Intrinsic Mode Functions,簡稱IMF)圖像 310和趨勢圖像311;步驟101:將趨勢圖像311進(jìn)一次金字塔形分解32， 分解成近似圖像321和差異圖像320;步驟102:將差異圖像320和本征 模型函數(shù)圖像310進(jìn)一步相加得到細(xì)節(jié)圖像33。
此外，如果需要對圖像作進(jìn)一步的分解，則在上述步驟102后，繼 續(xù)將近似圖像321作為下一層分解的輸入圖像，如此重復(fù)步驟100、步驟 101和步驟102，進(jìn)行N層分解，進(jìn)而得到一系列具有高頻特性的金字塔 結(jié)構(gòu)的細(xì)節(jié)圖像33組和一具有低頻特性的近似圖像321組。
另外，在所述基于金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解圖像融合方法中，對于上 述步驟11中所述細(xì)節(jié)圖像和近似圖像因?yàn)榘男畔⒉煌瑸椴捎貌煌?的融合規(guī)則進(jìn)行融合。
(1) 由于細(xì)節(jié)圖像中包括圖像邊緣等重要信息。為了更好滿足人的 視覺系統(tǒng)的需要，因此細(xì)節(jié)圖像的融合規(guī)則一般是選擇突出信息強(qiáng)的邊 緣、線或區(qū)域邊界信息，即需要采用選擇較大的細(xì)節(jié)圖像值，這也叫基 于能量的選擇。
于實(shí)際應(yīng)用中，對于細(xì)節(jié)圖像組tf，在本發(fā)明中為采用窗口能量最 大的選擇原則，另外，由于考慮到周圍點(diǎn)的情況，在計算能量時可加入 窗口的概念，如下其中，『是窗口的大小，可以5X5、 3X3或者是1X1， v^ZH)為窗 口內(nèi)對應(yīng)點(diǎn)權(quán)值的大小，其值圍繞窗口中心點(diǎn)對稱分布且權(quán)值和等于1， 所述結(jié)果A就是結(jié)果基于能量的判斷依據(jù)。具體融合規(guī)則如下 ①將/V， A7，…對應(yīng)，計算細(xì)節(jié)圖像中每一點(diǎn)的窗口能量；
②融合后的細(xì)節(jié)圖像每一點(diǎn)選擇相同位置點(diǎn)窗口能量最大點(diǎn)所 對應(yīng)的細(xì)節(jié)圖像A7中對應(yīng)點(diǎn)值；
(D按照①、②的步驟得到其它各層的融合后細(xì)節(jié)圖像D/，其中， W, 2,…，7V。
(2) 由于近似圖像中包含目標(biāo)場景大量的紋理信息，因此對于近似 圖像組為w，為采用權(quán)值相加的融合規(guī)則，即通過采用權(quán)值相加的融合原
則去有效的保留圖像的紋理信息，同時能夠克服圖像噪聲的影響。公式 如下
其中，A表示輸入圖像/對應(yīng)的融合權(quán)值，^是輸入圖像/分解后的 近似圖像，A是融合后圖像的近似圖像，/是輸入圖像的集合。
此外，最簡單的融合權(quán)值是各輸入圖像權(quán)值相等，即均值融合，也
可以采用較復(fù)雜的融合權(quán)值，例如基于主元分析((Principal component analysis ,簡稱PCA))融合算法。
結(jié)合圖l、圖2、圖3和圖4，下述為本發(fā)明所述基于金字塔形的纟 驗(yàn)?zāi)B(tài)分解圖像融合方法的具體實(shí)施步驟，如下
空首先，將輸入的源圖像(假定源圖像為《，/=1， 2...)分別經(jīng)過N
層金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解方法分解成一系列具有高頻特性的金字塔結(jié) 構(gòu)的細(xì)節(jié)圖像組D/和一個具有低頻特性的近似圖像組j,(見圖1中所
示步驟IO)，其中，^表示分解的層數(shù)，且hl， 2, ...， N。具體分解步
驟如下
1) 將待分解的圖像(初始時為0=《，為輸入的源圖像)進(jìn)行一
次經(jīng)驗(yàn)?zāi)B(tài)分解，且分解成本征模型函數(shù)的圖像/MF,"7和趨勢圖像 (步驟100)，見如下所示。
< (附,")=(w,") + (1 (w，")
2) 采用金子塔形分解對將趨勢圖像i^+M乍進(jìn)一步分解，且分 解成近似圖像爿"和差異圖像丄"7 (步驟101)。
其中，于實(shí)際應(yīng)用中，所述近似圖像的大小為輸入圖像的1/4，為趨 勢圖像進(jìn)行濾波后，長和寬進(jìn)行下采樣的結(jié)果。所述差異圖像為近似圖 像在表示趨勢圖像時的差異結(jié)果，其大小和趨勢圖像大小相同。
3) 將差異圖像和本征模型函數(shù)的圖像/MF/+/相加得到細(xì)節(jié)圖像 Aw (步驟102)。
在實(shí)際應(yīng)用中，用戶在對圖像進(jìn)行一次分解后，如果需要對圖像進(jìn)行 進(jìn)一步分解，則可將上述過程產(chǎn)生的近似圖像作為下一層分解的輸 入圖像。如此重復(fù)進(jìn)行N層分解便可得到了一系列具有高頻特性的金字 塔結(jié)構(gòu)的細(xì)節(jié)圖像組A"和一個具有低頻特性的近似圖像組 <。上述過程可表示如下
其次，對分解后的具有高頻特性的細(xì)節(jié)圖像組A"和具有低頻特性的 近似圖像組為w進(jìn)行融合(見圖i中所示步驟11)。
最后，對融合后的金字塔結(jié)構(gòu)的細(xì)節(jié)圖像D/和近似圖像^/進(jìn)行金 字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解的逆變換，從得至幅蟲合后的圖像F。其中，F(xiàn)=l， 2， ...， N (見圖1中所示步驟12和步驟13)。
其中，且參照圖3中所示，所述經(jīng)驗(yàn)?zāi)B(tài)分解可以將信號自適應(yīng)分 解為有限數(shù)量且具有良好行為的本征模型函數(shù)，該本征模型函數(shù)的獲取 過程是一個篩選過程， 一個迭代的過程。該所述經(jīng)驗(yàn)?zāi)B(tài)分解的算法步 驟如下
1) 對待分解圖像進(jìn)行初始化，此時，趨勢圖像i^I(I為待分解的 圖像)；
2) 令圖像〃=/ 進(jìn)入篩選過程；
3) 對圖像i/進(jìn)行極值點(diǎn)求解，找出區(qū)域極大值點(diǎn)集和區(qū)域極小值點(diǎn)
集；
4) 分別對區(qū)域極大值點(diǎn)集和區(qū)域極小值點(diǎn)集進(jìn)行平面插值，進(jìn)而得 出圖像//的上下包絡(luò)面，根據(jù)上下包絡(luò)面求出圖像的均值M;
5) 根據(jù)// ,^=// ,">^^附，"人進(jìn)一步判斷/Z是否滿足本征模型函
數(shù)定義，如不滿足，貝鵬倒步驟3;反之，則繼續(xù)往下執(zhí)行；
6) 根據(jù)內(nèi)蘊(yùn)模函數(shù)/M^m，"戶/^w,")，迭代出了一個/,;
7) i^m，"j=Wm，"j-/M^m，^，如果還需要進(jìn)一步分解，則轉(zhuǎn)到步驟2。如上述，在經(jīng)過L層經(jīng)驗(yàn)?zāi)B(tài)分解后，最終的分解過程可以表示為
Jf(w， w) = 7MF! (m， w) +《(m,") 《(m， ") = /M ;+1 O， ") + (m， ") 1S / 2丄一 1
或者
/_
Jf (w,") = Z /M/^ (m， w) +(w, w)
乂=1
其中，/M^.表示第y'個本征模型函數(shù)，^則是經(jīng)過丄層分解后的趨 勢圖像。
所述金字塔形分解為對經(jīng)過經(jīng)驗(yàn)?zāi)B(tài)分解后的趨勢圖像進(jìn)行一 次金字塔分解，參照圖4所示，該所述金字塔形分解的具體過程如下
首先，采用低通濾波器或高斯濾波器對趨勢圖像《^進(jìn)行濾波，并 在濾波后對濾波后的圖像進(jìn)行采樣，從而得到近似圖像為^ (步驟400)。 近似圖像A^表示如下
2
其中，<w，v)是可分離的低通濾波器，即w ，v) =w ,當(dāng)w柳 - a,則= w'卩-"=0.5, w'0 == ，且通常a的值取0.4。
由于，所述近似圖像W"并不能完全代表分解前的趨勢圖像尺w， 因此為了完美重構(gòu)趨勢圖像，貝lj必須記錄近似圖像和趨勢圖像的差異值。 但是由于近似圖像大小和趨勢圖像大小并不相等，故在計算差異時需要 對近似圖像進(jìn)行插值運(yùn)算(步驟401)，該插值運(yùn)算可以看作上面運(yùn)算的 逆運(yùn)算。所述插值運(yùn)算結(jié)果i '/"公式表示為
<formula>formula see original document page 13</formula>其中，w ，v)是可分離的低通濾波器Kfw,vj =w v , w'仰=a， w'「" = w'f-" = ft5, w'0 = = /2 ,通常a的值取0.4，求和時只有整 數(shù)的位置點(diǎn)才參與計算。
最后，則將趨勢圖像和插值運(yùn)算結(jié)果的差值定義為差異圖 像Z"(步驟402)。
(附，")=《"1 (附，")-(附,")
權(quán)利要求
1. 一種基于金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解圖像融合方法，其特征在于，包括以下步驟1)將輸入的源圖像分別經(jīng)過金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解方法分解成一系列具有高頻特性的金字塔結(jié)構(gòu)的細(xì)節(jié)圖像組和一個具有低頻特性的近似圖像組；2)對分解后的具有高頻特性的細(xì)節(jié)圖像組和低頻特性的近似圖像組進(jìn)行融合；3)將融合后的細(xì)節(jié)圖像和近似圖像進(jìn)行金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解的逆變換，進(jìn)而得到融合后的圖像；其中，所述金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解方法進(jìn)一步包括如下步驟A、將待分解的圖像進(jìn)行一次經(jīng)驗(yàn)?zāi)B(tài)分解，且分解成本特征模型函數(shù)的圖像和趨勢圖像；B、將趨勢圖像進(jìn)一次金字塔形分解，分解成近似圖像和差異圖像；C、將差異圖像和本征模型函數(shù)的圖像進(jìn)一步相加得到細(xì)節(jié)圖像。
2. 根據(jù)權(quán)利要求1所述基于金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解圖像融合方 法，其特征在于，所述細(xì)節(jié)圖像采用窗口能量最大的選擇融合原則。
3. 根據(jù)權(quán)利要求1所述基于金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解圖像融合方 法，其特征在于，所述近似圖像采用權(quán)值相加的融合規(guī)則。
4. 根據(jù)權(quán)利要求1所述基于金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解圖像融合方 法，其特征在于，且在需要對圖像作進(jìn)一步分解的情況下，所述金字塔 形的經(jīng)驗(yàn)?zāi)B(tài)分解方法還進(jìn)一步包括，在步驟C后，將金字塔形分解而得的近似圖像作為下一層分解的輸入圖像，進(jìn)一步重復(fù)步驟A、步驟 B和步驟C，進(jìn)而得到具有高頻特性的金字塔結(jié)構(gòu)的細(xì)節(jié)圖像和低頻特 性的近似圖像。
5. 根據(jù)權(quán)利要求3所述基于金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解圖像融合方法，其特征在于，所述權(quán)值相加的融合規(guī)則為均值融合。
6. 根據(jù)權(quán)利要求3所述基于金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解圖像融合方 法，其特征在于，所述權(quán)值相加的融合規(guī)則為采用基于主元分析的融合 算法。
全文摘要
本發(fā)明公開一種基于金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解圖像融合方法，包括，首先將輸入的源圖像分別經(jīng)過金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解方法分解成一系列具有高頻特性的金字塔結(jié)構(gòu)的細(xì)節(jié)圖像組和一個具有低頻特性的近似圖像組；其次對分解后的細(xì)節(jié)圖像和近似圖像組進(jìn)行融合；最后對融合后的細(xì)節(jié)圖像和近似圖像進(jìn)行金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解的逆變換，得到融合后的圖像。其中，金字塔形的經(jīng)驗(yàn)?zāi)B(tài)分解方法包括將待分解的圖像進(jìn)行一次經(jīng)驗(yàn)?zāi)B(tài)分解，且分解成本征模型函數(shù)的圖像和趨勢圖像；將趨勢圖像通過一次金字塔形分解生成近似圖像和差異圖像；將差異圖像和本特征模型函數(shù)的圖像相加得到細(xì)節(jié)圖像。本發(fā)明優(yōu)點(diǎn)在于分解表示冗余度低，分解運(yùn)算速度快，圖像融合質(zhì)量高。
文檔編號G06T5/50GK101447072SQ20091007648
公開日2009年6月3日 申請日期2009年1月6日 優(yōu)先權(quán)日2009年1月6日
發(fā)明者征 覃, 鄭有志 申請人:覃 征;鄭有志