專利名稱：一種基于改進(jìn)支持向量機(jī)相關(guān)反饋的遙感圖像檢索方法
技術(shù)領(lǐng)域：
本發(fā)明涉及計(jì)算機(jī)圖像檢索技術(shù)領(lǐng)域，具體的說(shuō)是一種基于改進(jìn)支持向量機(jī)相關(guān)反饋的遙感圖像檢索方法。
背景技術(shù)：
STrtWWS^ISft^^ (Content-based Remote Sensing Image Retrieval, CBRSIR)，即所謂的“圖找圖”，它是在基于內(nèi)容的圖像檢索(Content-based Image Retrieval,CBIR)的基礎(chǔ)上發(fā)展起來(lái)的一種新的媒體信息檢索技術(shù)。它通過(guò)提取遙感圖像中的視覺(jué)特征(顏色、形狀、紋理、光譜等)來(lái)表達(dá)圖像的內(nèi)容。從媒體內(nèi)容中提取信息線索，利用近似匹配技術(shù)，以相關(guān)反饋為有效手段，實(shí)現(xiàn)在大型數(shù)據(jù)庫(kù)的快速檢索。而要想滿足遙感圖像檢索的精度要求，必須加入相關(guān)反饋技術(shù)，由簡(jiǎn)單的一次檢索轉(zhuǎn)向交互學(xué)習(xí)的多次檢索。(參考文獻(xiàn):R. LU0, Y. S. ZHANG, Y. H. FAN, et al. Research on content-based remote sensing image retrieval the strategy for visual feature selection, extraction, description and similarity measurement[C]//2001 International Conferences on Info-tech and Info-net, Beijing, 2001, vol. 1 :321-325.[羅眷，張永生，范永紅，等.基于內(nèi)容的遙感圖像檢索研究視覺(jué)特征選擇，提取，描述和相似性度量策略[C]//2001年國(guó)際信息科技與信息網(wǎng)絡(luò)大會(huì)，北京，2001，第1卷321-325.])相關(guān)反饋(Relevance Feedback, RF)是指按照最初的查詢條件，查詢系統(tǒng)返回給用戶查詢結(jié)果，用戶可以人為介入(或者自動(dòng))來(lái)選擇幾個(gè)最符合他查詢意圖的返回結(jié)果 (正反饋)，也可以選擇最不符合他查詢意圖的幾個(gè)返回結(jié)果(負(fù)反饋)。這些反饋信息被送入系統(tǒng)用來(lái)更新查詢條件，重新進(jìn)行查詢。從而讓隨后的搜索更符合查詢者的真實(shí)意圖。 圖像檢索中的相關(guān)反饋也是一個(gè)人機(jī)交互的過(guò)程，用戶根據(jù)系統(tǒng)的初始檢索結(jié)果，標(biāo)記出相關(guān)和不相關(guān)圖像，檢索系統(tǒng)根據(jù)這個(gè)反饋信息調(diào)整檢索方式，再次給出檢索結(jié)果，如此反復(fù)，直到用戶滿意為止。通過(guò)相關(guān)反饋過(guò)程，圖像檢索的精度可以得到有效地提高。(參考文獻(xiàn):Yong Rui，T. S. Huang，Μ. Ortega，S. Mehrotra. Relevance feedback :a power tool for interactive content-based image retrieval[J]. IEEE Transactions on Circuits and Systems for Video Technology，1998，8 (5) :644-655.[芮勇，托馬斯 黃，邁克爾 奧爾特加，沙拉德特拉·貝克曼.相關(guān)反饋交互式基于內(nèi)容圖像檢索的強(qiáng)大工具[J]. IEEE會(huì)刊——關(guān)于視頻技術(shù)的電路與系統(tǒng)，1998,8(5) :644-655.] ；Karthik P. Suman, C.V. Jawahar. Analysis of Relevance Feedback in Content Based Image Retrieval. [C]//9th International Conference on Control, Automation, Robotics and Vision, Singapore, 2006 :1-6.[卡斯克·皮·蘇曼，賈瓦.基于內(nèi)容的圖像檢索的相關(guān)反饋分析 [C] //第九屆國(guó)際控制，自動(dòng)化，機(jī)器人及視覺(jué)大會(huì)，新加坡，2006 1-6.])視覺(jué)特征相似性度量是一個(gè)距離函數(shù)，通過(guò)遙感圖像特征值的之間的距離來(lái)判斷圖像之間的相似性。它將數(shù)據(jù)庫(kù)中每幅遙感圖像看作高維空間中的一個(gè)點(diǎn)，使用歐幾里德距離(歐式距離)等距離公式計(jì)算查詢圖像和數(shù)據(jù)庫(kù)中遙感圖像的視覺(jué)特征的相似度。距離較近的遙感圖像與查詢圖像的特征較相似，距離較遠(yuǎn)的圖像則與查詢圖像的特征差異較大?，F(xiàn)在常用的相似性度量方法有歐幾里得距離(Euclid)、馬氏距離(Mahalanobis)、二次式距離(Quadratic)以及直方圖交(Histogram Intersection)等。(參考文獻(xiàn)Q. ΒΑ0， P. GUO. Comparative studies on similarity measures for remote sensing image retrieval[C]//IEEE International Conference on Systems, Man and Cybernetics, Hague，2004 :1112-1116.[包倩，郭平.遙感圖像檢索中相似性度量方法的比較研究[J]· IEEE國(guó)際系統(tǒng)，人類與控制論大會(huì)，海牙(荷蘭)，2004:1112-1116.]；陳興峰.基于內(nèi)容的遙感圖像數(shù)據(jù)庫(kù)檢索研究及實(shí)現(xiàn)[D].電子科技大學(xué)，2008.)支持向量機(jī)(SupportVector Machine，SVM)是 Vladimir N. Vapnik 等人提出的一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)算法。由于SVM有統(tǒng)計(jì)學(xué)習(xí)理論作為其堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)，是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則的，因此其推廣能力明顯優(yōu)于一些傳統(tǒng)的學(xué)習(xí)方法，可以較好地解決小樣本、非線性問(wèn)題以及克服維數(shù)災(zāi)難和過(guò)擬合等傳統(tǒng)算法所不可規(guī)避的問(wèn)題。其核心思想是采用最大間隔分類面思想和基于核的方法，通過(guò)在原空間或經(jīng)投影后在高維空間中構(gòu)造最優(yōu)分類面，將給定的屬于兩個(gè)類別的訓(xùn)練樣本分開(kāi)，構(gòu)造超平面的依據(jù)是兩類樣本離超平面的距離最大化，表現(xiàn)出了很好的泛化能力。(參考文獻(xiàn)Vapnik V N. Statistical Learning Theory [Μ]. New York :Wiley，1998.[弗拉基米爾 維普尼克.統(tǒng)計(jì)學(xué)習(xí)理論[M].紐約威利，1998. ] ；Vapnik V N. The nature of statistical learning theory [M]. New York Springer-Ver lag, 1999. [^ /]^ · S1M^ -統(tǒng)計(jì)學(xué)習(xí)理論的本質(zhì)[Μ].紐約斯普林格出版社，1999. ] ；Cristianini N, Shawe Taylor J. An introduction to support vector machine[M]. New York Cambridge University Press, 2000.[克里斯蒂亞尼尼，紹依 泰勒.支持向量機(jī)導(dǎo)論[M].紐約劍橋大學(xué)出版社， 2000.])基于支持向量機(jī)的相關(guān)反饋是將支持向量機(jī)理論與傳統(tǒng)的遙感圖像檢索相關(guān)反饋過(guò)程相結(jié)合的產(chǎn)物，將遙感圖像檢索的相關(guān)反饋過(guò)程看作模式識(shí)別的二分類問(wèn)題，從而很好地發(fā)揮支持向量機(jī)的強(qiáng)大分類學(xué)習(xí)功能。具體來(lái)講，就是將檢索結(jié)果圖像作為訓(xùn)練樣本，由用戶標(biāo)記出正例樣本(其他為反例樣本)，并與舊的正例集合組成一個(gè)新的正例集合，而反例樣本則與舊的反例集合組成一個(gè)新的反例集合。通過(guò)對(duì)這些正例和反例進(jìn)行SVM 學(xué)習(xí)，可以得到一個(gè)代表用戶檢索目標(biāo)的SVM分類器。然后用該分類器對(duì)圖像庫(kù)中的所有遙感圖像進(jìn)行分類，對(duì)于分為正類的遙感圖像，求出每幅圖像相對(duì)于分類面的距離，離分類面越遠(yuǎn)的圖像就越接近查詢樣例，按此距離從大到小再次排序返回結(jié)果。目前，這種基于支持向量機(jī)相關(guān)反饋的遙感圖像檢索技術(shù)能夠充分挖掘用戶的語(yǔ)義信息，根據(jù)用戶提供的反饋信息來(lái)學(xué)習(xí)用戶的檢索要求，從而進(jìn)一步提高遙感圖像檢索的精度。(參考文獻(xiàn)Lei Zhang， Fuzong, Lin Bo.Support vector machine learning for image retrieval[C]// Proceedings of 2001 International Conference on Image Processing,Thessaloniki, 2001，vol. 2 :721-7 .[張磊，林福宗，博林.圖像檢索的支持向量機(jī)學(xué)習(xí)[C]//2001年國(guó)際圖像處理大會(huì)，薩羅尼加(希臘)，2001，第2卷721-724.] ；Xuejun Wang, Lingling Yang. Application of SVM Relevance Feedback Algorithms in Image Retrieval[C]// International Symposium on Information Science and Engineering， Shanghai，2008， vol. 1 :210-213.[王學(xué)軍，楊玲玲.基于支持向量機(jī)的相關(guān)反饋算法在圖像檢索中的應(yīng)用[C]//國(guó)際信息科學(xué)與工程專題論文集，上海，2008，第1卷210-213.])雖然這種基于支持向量機(jī)相關(guān)反饋的遙感圖像檢索算法能夠根據(jù)用戶提供的小樣本進(jìn)行學(xué)習(xí)并構(gòu)造代表用戶檢索目標(biāo)的分類器，并通過(guò)這一分類器對(duì)圖像庫(kù)中的所有圖像進(jìn)行相似性大小的判別，進(jìn)而有效地提高圖像檢索的精度，很好地解決了圖像低層視覺(jué)特征與用戶查詢的高層語(yǔ)義特征之間的“鴻溝”。但是，該算法沒(méi)有考慮到返回的檢索結(jié)果圖像在排序上的先后順序問(wèn)題，即這種策略有時(shí)在返回檢索結(jié)果時(shí)，會(huì)將不相關(guān)遙感圖像排在前面，而相關(guān)遙感圖像則被排在了后面。視覺(jué)特征相似性度量函數(shù)能夠抓住遙感圖像的視覺(jué)特征信息，對(duì)于具有相似特征的同類圖像具有很好的聚類作用，且在特征區(qū)分度較高的情況下，能夠?qū)⒁曈X(jué)特征相似的遙感圖像排序在一起。盡管這種方法對(duì)于特征差異明顯的遙感圖像能夠很好地在歐式空間中進(jìn)行區(qū)分，但對(duì)于特征相近但語(yǔ)義類別不同的遙感圖像則區(qū)分效果欠佳。與基于支持向量機(jī)的相關(guān)反饋分類方法相比，缺少通過(guò)對(duì)特征空間維度變化來(lái)增加特征區(qū)分度的能力。

發(fā)明內(nèi)容
針對(duì)上述現(xiàn)有技術(shù)中存在的遙感圖像檢索及模式識(shí)別領(lǐng)域的問(wèn)題，由于往往因?yàn)橄嚓P(guān)反饋的相似性度量策略不同，其反饋檢索的結(jié)果在內(nèi)容和順序上具有一定的差異，本發(fā)明要解決的技術(shù)問(wèn)題是提供一種既提高遙感圖像檢索精度，又能夠?qū)z索結(jié)果進(jìn)行合理排序的相關(guān)反饋策略的基于改進(jìn)支持向量機(jī)相關(guān)反饋的遙感圖像檢索方法。為解決上述技術(shù)問(wèn)題，本發(fā)明采用的技術(shù)方案是本發(fā)明一種基于改進(jìn)支持向量機(jī)相關(guān)反饋的遙感圖像檢索方法包括以下步驟(1)建立遙感圖像數(shù)據(jù)庫(kù)，并從庫(kù)中選擇一幅滿足檢索目標(biāo)的圖像作為查詢圖像；(2)在上述遙感圖像數(shù)據(jù)庫(kù)中進(jìn)行遙感圖像特征提取，得到特征向量；(3)基于上述特征向量，計(jì)算遙感圖像庫(kù)中圖像與查詢圖像特征向量的歐式距離， 并按照該距離大小，從小到大排序返回規(guī)定數(shù)目的遙感圖像作為初始檢索的結(jié)果；(4)相關(guān)反饋對(duì)初始檢索的結(jié)果進(jìn)行評(píng)價(jià)，如果滿意則檢索結(jié)束。遙感圖像特征提取包括以下步驟(2-1)顏色特征提取從遙感圖像數(shù)據(jù)庫(kù)的所有遙感圖像中選擇三個(gè)波段作為彩色空間中R，G，B三個(gè)通道的分量，分別計(jì)算遙感圖像數(shù)據(jù)庫(kù)中每個(gè)遙感圖像三個(gè)顏色分量的均值和方差，并以此構(gòu)造顏色特征向量；(2-2)Gabor紋理特征提取分別計(jì)算遙感圖像數(shù)據(jù)庫(kù)中所有遙感圖像在圖像坐標(biāo)多個(gè)方向上、多個(gè)空間頻率的Gabor濾波能量值的均值和方差，并構(gòu)成Gabor紋理特征向量；(2-3)小波紋理特征對(duì)遙感圖像數(shù)據(jù)庫(kù)中所有遙感圖像進(jìn)行多級(jí)小波分解，并舍去低頻信息的子圖像，對(duì)剩余的子圖像計(jì)算其熵值和能量值構(gòu)成小波紋理特征向量；(2-4)灰度共生矩陣的紋理特征提取分別計(jì)算遙感圖像數(shù)據(jù)庫(kù)中所有遙感圖像在圖像坐標(biāo)多個(gè)方向、相鄰距離為d的灰度共生矩陣，然后基于所得到的灰度共生矩陣分別計(jì)算其對(duì)比度，能量和相關(guān)性構(gòu)成灰度共生矩陣的紋理特征向量，d為正整數(shù)；(2-5)光譜特征提取分別計(jì)算遙感圖像數(shù)據(jù)庫(kù)中所有遙感圖像的各種光譜指數(shù)，并構(gòu)成光譜特征向量。所述相關(guān)反饋的步驟如下(4-1)用戶反饋由用戶標(biāo)記出與查詢遙感圖像相似的相關(guān)遙感圖像和與查詢遙感圖像不相似的不相關(guān)遙感圖像；(4-2)構(gòu)造訓(xùn)練樣本將相關(guān)遙感圖像作為正類樣本，不相關(guān)遙感圖像作為負(fù)類樣本；(4-3)訓(xùn)練SVM分類器將上述正類樣本和負(fù)類樣本作為訓(xùn)練樣本進(jìn)行SVM學(xué)習(xí)， 得到一個(gè)代表用戶檢索目標(biāo)的SVM分類器；(4-4)圖像數(shù)據(jù)庫(kù)圖像分類利用SVM分類器對(duì)遙感圖像數(shù)據(jù)庫(kù)中的所有遙感圖像進(jìn)行分類，得到正類和負(fù)類兩個(gè)類別；(4-5)運(yùn)用相關(guān)反饋的相似性度量準(zhǔn)則，針對(duì)正類和負(fù)類遙感圖像分別運(yùn)用不同的相似性度量計(jì)算公式，計(jì)算得到圖像庫(kù)中遙感圖像與查詢圖像的相似度。相關(guān)反饋中計(jì)算正類遙感圖像的相似性的公式為D(I) =WsvmDsvm (I)+WsifflDsim (I)Dsvm(I) = 1/f (χ)，f (χ)彡 0相關(guān)反饋中計(jì)算負(fù)類遙感圖像的相似性的公式為D(I) =WsvmDsvm (I)+WsifflDsim (I)Dsvm(I) = e-f(x)，f (χ) < 0其中，I為遙感圖像庫(kù)中的遙感圖像；D (I)為相關(guān)反饋中的相似性度量函數(shù)；f (X) 為SVM的分類超平面函數(shù)；Dsvm(I)為關(guān)于SVM的分類超平面函數(shù)的函數(shù)，用于衡量圖像I與查詢圖像的相似度；Dsim(I)為歐式空間中度量視覺(jué)特征相似性的距離函數(shù)，用于計(jì)算圖像 I與查詢圖像的相似性距離；Wsvs^Pffsim分別是Dsvm(I)和Dsim(I)的權(quán)值。如果正類遙感圖像數(shù)多于所需的相似圖像數(shù)目，則只對(duì)正類圖像運(yùn)用針對(duì)正類的相似性度量公式，否則，在對(duì)正類圖像進(jìn)行相似性計(jì)算排序后，再對(duì)負(fù)類圖像運(yùn)用其相應(yīng)的相似性度量公式，并進(jìn)行相似性排序，在正類圖像之后依序補(bǔ)充不足所需的相似圖像數(shù)目的部分。所述的檢索結(jié)果評(píng)價(jià)包括如下評(píng)價(jià)指標(biāo)假設(shè)仏，…，％為查詢圖像，對(duì)第i個(gè)查詢圖像仏，I,)，…，Iai(i)為正確的檢索結(jié)果，Λω，…，Jbiω為錯(cuò)誤的檢索結(jié)果，設(shè)rankC/^)為if在檢索結(jié)果的排序值，則
權(quán)利要求
1.一種基于改進(jìn)支持向量機(jī)相關(guān)反饋的遙感圖像檢索方法，其特征在于包括以下步驟(1)建立遙感圖像數(shù)據(jù)庫(kù)，并從庫(kù)中選擇一幅滿足檢索目標(biāo)的圖像作為查詢圖像；(2)在上述遙感圖像數(shù)據(jù)庫(kù)中進(jìn)行遙感圖像特征提取，得到特征向量；(3)基于上述特征向量，計(jì)算遙感圖像庫(kù)中圖像與查詢圖像特征向量的歐式距離，并按照該距離大小，從小到大排序返回規(guī)定數(shù)目的遙感圖像作為初始檢索的結(jié)果；(4)相關(guān)反饋對(duì)初始檢索的結(jié)果進(jìn)行評(píng)價(jià)，如果滿意則檢索結(jié)束。
2.按權(quán)利要求1所述的基于改進(jìn)支持向量機(jī)相關(guān)反饋的遙感圖像檢索方法，其特征在于遙感圖像特征提取包括以下步驟(2-1)顏色特征提取從遙感圖像數(shù)據(jù)庫(kù)的所有遙感圖像中選擇三個(gè)波段作為彩色空間中R，G，B三個(gè)通道的分量，分別計(jì)算遙感圖像數(shù)據(jù)庫(kù)中每個(gè)遙感圖像三個(gè)顏色分量的均值和方差，并以此構(gòu)造顏色特征向量；(2-2)Gabor紋理特征提取分別計(jì)算遙感圖像數(shù)據(jù)庫(kù)中所有遙感圖像在圖像坐標(biāo)多個(gè)方向上、多個(gè)空間頻率的Gabor濾波能量值的均值和方差，并構(gòu)成Gabor紋理特征向量； (2-3)小波紋理特征對(duì)遙感圖像數(shù)據(jù)庫(kù)中所有遙感圖像進(jìn)行多級(jí)小波分解，并舍去低頻信息的子圖像，對(duì)剩余的子圖像計(jì)算其熵值和能量值構(gòu)成小波紋理特征向量；(2-4)灰度共生矩陣的紋理特征提取分別計(jì)算遙感圖像數(shù)據(jù)庫(kù)中所有遙感圖像在圖像坐標(biāo)多個(gè)方向、相鄰距離為d的灰度共生矩陣，然后基于所得到的灰度共生矩陣分別計(jì)算其對(duì)比度，能量和相關(guān)性構(gòu)成灰度共生矩陣的紋理特征向量，d為正整數(shù)；(2-5)光譜特征提取分別計(jì)算遙感圖像數(shù)據(jù)庫(kù)中所有遙感圖像的各種光譜指數(shù)，并構(gòu)成光譜特征向量。
3.按權(quán)利要求1所述的基于改進(jìn)支持向量機(jī)相關(guān)反饋的遙感圖像檢索方法，其特征在于所述相關(guān)反饋的步驟如下(4-1)用戶反饋由用戶標(biāo)記出與查詢遙感圖像相似的相關(guān)遙感圖像和與查詢遙感圖像不相似的不相關(guān)遙感圖像；(4-2)構(gòu)造訓(xùn)練樣本將相關(guān)遙感圖像作為正類樣本，不相關(guān)遙感圖像作為負(fù)類樣本； (4-3)訓(xùn)練SVM分類器將上述正類樣本和負(fù)類樣本作為訓(xùn)練樣本進(jìn)行SVM學(xué)習(xí)，得到一個(gè)代表用戶檢索目標(biāo)的SVM分類器；(4-4)圖像數(shù)據(jù)庫(kù)圖像分類利用SVM分類器對(duì)遙感圖像數(shù)據(jù)庫(kù)中的所有遙感圖像進(jìn)行分類，得到正類和負(fù)類兩個(gè)類別；(4-5)運(yùn)用相關(guān)反饋的相似性度量準(zhǔn)則，針對(duì)正類和負(fù)類遙感圖像分別運(yùn)用不同的相似性度量計(jì)算公式，計(jì)算得到圖像庫(kù)中遙感圖像與查詢圖像的相似度。
4.按權(quán)利要求3所述的基于改進(jìn)支持向量機(jī)相關(guān)反饋的遙感圖像檢索方法，其特征在于相關(guān)反饋中計(jì)算正類遙感圖像的相似性的公式為D(I) = WsvmDsvm (I)+WsimDsim (I)Dsvm(I) = l/f(x), f(x) ^ O相關(guān)反饋中計(jì)算負(fù)類遙感圖像的相似性的公式為D(I) = WsvmDsvm (I)+WsimDsim (I)
5.按權(quán)利要求3所述的基于改進(jìn)支持向量機(jī)相關(guān)反饋的遙感圖像檢索方法，其特征在于如果正類遙感圖像數(shù)多于所需的相似圖像數(shù)目，則只對(duì)正類圖像運(yùn)用針對(duì)正類的相似性度量公式，否則，在對(duì)正類圖像進(jìn)行相似性計(jì)算排序后，再對(duì)負(fù)類圖像運(yùn)用其相應(yīng)的相似性度量公式，并進(jìn)行相似性排序，在正類圖像之后依序補(bǔ)充不足所需的相似圖像數(shù)目的部分。
6.按權(quán)利要求1所述的基于內(nèi)容的遙感圖像檢索中相關(guān)反饋的實(shí)現(xiàn)方法，其特征在于所述的檢索結(jié)果評(píng)價(jià)包括如下評(píng)價(jià)指標(biāo)假設(shè)仏，…，A為查詢圖像，對(duì)第i個(gè)查詢圖像Qi, 1嚴(yán)，…，Iai(i)為正確的檢索結(jié)果， Λω，…，Jbi(i)為錯(cuò)誤的檢索結(jié)果，設(shè)
全文摘要
本發(fā)明涉及一種基于改進(jìn)支持向量機(jī)相關(guān)反饋的遙感圖像檢索方法包括以下步驟建立遙感圖像數(shù)據(jù)庫(kù)，并從庫(kù)中選擇一幅滿足檢索目標(biāo)的圖像作為查詢圖像；在上述遙感圖像數(shù)據(jù)庫(kù)中進(jìn)行遙感圖像特征提取，得到特征向量；基于上述特征向量，計(jì)算遙感圖像庫(kù)中圖像與查詢圖像特征向量的歐式距離，并按照該距離大小，從小到大排序返回規(guī)定數(shù)目的遙感圖像作為初始檢索的結(jié)果；相關(guān)反饋對(duì)初始檢索的結(jié)果進(jìn)行評(píng)價(jià)，如果滿意則檢索結(jié)束。本發(fā)明很好地解決了原有基于支持向量機(jī)的相關(guān)反饋算法在檢索結(jié)果排序上存在的問(wèn)題，可用于遙感圖像檢索相關(guān)的多個(gè)應(yīng)用領(lǐng)域，尤其是高維特征空間的分類識(shí)別問(wèn)題，可有效提高遙感圖像檢索的精度和檢索結(jié)果排序的合理性。
文檔編號(hào)G06F17/30GK102467564SQ20101055236
公開(kāi)日2012年5月23日 申請(qǐng)日期2010年11月12日 優(yōu)先權(quán)日2010年11月12日
發(fā)明者于新菊, 唐家奎, 張成雯, 李勇志, 王后茂, 王春磊, 米素娟, 趙理君 申請(qǐng)人:中國(guó)科學(xué)院煙臺(tái)海岸帶研究所