專利名稱：基于有向圖非等概率隨機(jī)搜索的圖像自動(dòng)標(biāo)注方法及裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及計(jì)算機(jī)多媒體技術(shù)領(lǐng)域，特別涉及一種基于有向圖非等概率隨機(jī)搜索的圖像自動(dòng)標(biāo)注方法及裝置。
背景技術(shù)：
隨著社區(qū)網(wǎng)絡(luò)和數(shù)碼攝像技術(shù)的迅猛發(fā)展帶來(lái)網(wǎng)絡(luò)圖像數(shù)據(jù)的爆炸式增長(zhǎng)，如何對(duì)如此海量的圖像數(shù)據(jù)進(jìn)行有效的存儲(chǔ)、管理和檢索成為一個(gè)嚴(yán)峻的挑戰(zhàn)和急迫的需求。 傳統(tǒng)的基于圖像周邊文本的檢索(如Google圖像搜索)由于周邊文本噪聲太大而無(wú)法達(dá)到較好的檢索精度，而基于圖像內(nèi)容的檢索(CBIR)技術(shù)則由于無(wú)法跨越圖像底層特征與高層語(yǔ)義之間的“語(yǔ)義鴻溝”(Semantic Gap)而得不到廣泛的認(rèn)可和應(yīng)用。近年來(lái)的研究表明，基于圖像語(yǔ)義內(nèi)容的自動(dòng)標(biāo)注技術(shù)將很可能成為以上問題的有效解決途徑。圖像自動(dòng)標(biāo)注是指對(duì)于一張沒有或只有極少文本描述的圖像，根據(jù)其底層特征， 由計(jì)算機(jī)自動(dòng)尋找出能夠有效描述其語(yǔ)義內(nèi)容的文本標(biāo)簽。圖像標(biāo)注的目標(biāo)是將圖像數(shù)據(jù)轉(zhuǎn)化為文本數(shù)據(jù)，并且保證轉(zhuǎn)化的過(guò)程中能最大程度上保留圖像的語(yǔ)義。通過(guò)語(yǔ)義近似等價(jià)的轉(zhuǎn)換，添加的文本標(biāo)簽可被用于圖像的索引和檢索等等，從而方便了后續(xù)的管理和應(yīng)用。圖像標(biāo)注最根本的問題是如何從圖像的底層特征映射到高層語(yǔ)義。在計(jì)算機(jī)領(lǐng)域中，圖像的表示是二進(jìn)制流，而對(duì)于生物認(rèn)知而言，圖像本身包含著大量的概念等高層語(yǔ)義信息， 如何跨越二進(jìn)制流和高層語(yǔ)義之間的鴻溝便是圖像標(biāo)注需要集中解決的問題。現(xiàn)有圖像自動(dòng)標(biāo)注方法總體上可以劃分為兩大類基于模型的標(biāo)注方法和數(shù)據(jù)驅(qū)動(dòng)的標(biāo)注方法?；谀Ｐ偷膱D像自動(dòng)標(biāo)注方法主要采用的是分類器方法和統(tǒng)計(jì)模型方法。分類器方法將標(biāo)注問題轉(zhuǎn)化為分類問題，通常是將每一個(gè)候選標(biāo)簽視為一個(gè)類別，并通過(guò)訓(xùn)練數(shù)據(jù)為每一個(gè)候選標(biāo)簽訓(xùn)練相應(yīng)的分類器，再由分類器判斷待標(biāo)注圖像所屬的類別，則這些類別所對(duì)應(yīng)的標(biāo)簽將作為標(biāo)注的結(jié)果。統(tǒng)計(jì)模型的基本思想是通過(guò)應(yīng)用概率模型等統(tǒng)計(jì)學(xué)方法在訓(xùn)練數(shù)據(jù)集上建立起圖像或圖像區(qū)域與文本標(biāo)簽之間的關(guān)系模型，然后根據(jù)待標(biāo)注圖像的底層特征，通過(guò)應(yīng)用該關(guān)系模型直接評(píng)估各個(gè)標(biāo)簽的權(quán)重，最終選擇權(quán)重最大的若干個(gè)標(biāo)簽作為標(biāo)注的結(jié)果。統(tǒng)計(jì)模型在圖像自動(dòng)標(biāo)注方面的應(yīng)用包括以下幾種將機(jī)器翻譯的思想應(yīng)用到圖像標(biāo)注中，首先將訓(xùn)練數(shù)據(jù)集中的圖像進(jìn)行區(qū)域分割和聚類作為“詞袋”，然后應(yīng)用期望最大化(Expectation Maximization)算法，為每一個(gè) “詞袋”分配相應(yīng)的文本標(biāo)簽，從而建立起“詞袋”與標(biāo)簽之間的關(guān)系模型。而對(duì)于待標(biāo)注圖像，也可通過(guò)區(qū)域分割，并根據(jù)各個(gè)區(qū)域所對(duì)應(yīng)的“詞袋”獲取相應(yīng)的文本標(biāo)簽作為標(biāo)注結(jié)^ ο在“詞袋”量化的基礎(chǔ)上，根據(jù)條件概率思想建立起了另一個(gè)標(biāo)注模型一給定待標(biāo)注圖像的“詞袋”表示(假設(shè)為Ib1, b2，... bm})，利用訓(xùn)練集上的統(tǒng)計(jì)數(shù)據(jù)評(píng)估出為其標(biāo)注上某一個(gè)標(biāo)簽W的概率P (W Ib1, b2，...bm)，最終取條件概率最大的若干個(gè)候選標(biāo)簽作為標(biāo)注結(jié)果。利用貝葉斯法則和獨(dú)立假設(shè)將上述概率公式P(w|b1; b2，...bm)進(jìn)一步改寫為
權(quán)利要求
1.一種基于有向圖非等概率隨機(jī)搜索的圖像自動(dòng)標(biāo)注方法，其特征在于，包括如下步驟輸入待標(biāo)注圖像和已標(biāo)注圖像集，提取所述待標(biāo)注圖像的多個(gè)特征向量，根據(jù)所述多個(gè)特征向量計(jì)算所述待標(biāo)注圖像與所述已標(biāo)注圖像集中的每一個(gè)已標(biāo)注圖像的融合距離， 并選取所述融合距離小的前k個(gè)已標(biāo)注圖像形成近鄰圖像集，所述近鄰圖像集中所有圖像的標(biāo)簽作為候選標(biāo)簽集；計(jì)算所述近鄰圖像集中的每一個(gè)圖像在所述待標(biāo)注圖像重構(gòu)過(guò)程中的權(quán)重值以及所述近鄰圖像集中的每一個(gè)已標(biāo)注圖像在所述近鄰圖像集中的其他已標(biāo)注圖像重構(gòu)過(guò)程中的權(quán)重值，根據(jù)所述權(quán)重值構(gòu)建視覺依賴矩陣F，計(jì)算所述近鄰圖像集中的任意兩個(gè)圖像的共有標(biāo)簽數(shù)量，根據(jù)所述共有標(biāo)簽數(shù)量和所述近鄰圖像集中的每一個(gè)圖像的標(biāo)簽數(shù)量構(gòu)建標(biāo)簽依賴矩陣C，將所述視覺依賴矩陣F和所述標(biāo)簽依賴矩陣C進(jìn)行融合和隨機(jī)游走得到穩(wěn)定依賴關(guān)系矩陣A，以所述待標(biāo)注圖像和近鄰圖像集中的每一個(gè)圖像作為節(jié)點(diǎn)，以所述穩(wěn)定依賴關(guān)系矩陣A的元素作為與所述節(jié)點(diǎn)相關(guān)聯(lián)的有向邊的權(quán)重，構(gòu)建針對(duì)所述待標(biāo)注圖像的有向圖模型；計(jì)算所述候選標(biāo)簽集中的任意兩個(gè)標(biāo)簽的詞義相似度，根據(jù)所述標(biāo)簽詞義相似度構(gòu)建標(biāo)簽間的詞義相似度矩陣Se，計(jì)算所述候選標(biāo)簽集中任意兩個(gè)標(biāo)簽間的共生關(guān)系矩陣Co， 將所述詞義相似度矩陣Se和標(biāo)簽間的共生關(guān)系矩陣Co進(jìn)行融合得到標(biāo)簽相似矩陣TT ；和對(duì)所述候選標(biāo)簽集中的每一個(gè)候選標(biāo)簽在所述有向圖模型進(jìn)行非等概率隨機(jī)搜索以獲得所述每一個(gè)候選標(biāo)簽的得分，按照所述得分對(duì)所有候選標(biāo)簽進(jìn)行排序，將得分高的前u 個(gè)候選標(biāo)簽作為標(biāo)注結(jié)果。
2.如權(quán)利要求1所述的圖像自動(dòng)標(biāo)注方法，其特征在于，所述計(jì)算待標(biāo)注圖像與已標(biāo)注圖像集中的每一個(gè)已標(biāo)注圖像的融合距離，包括如下步驟基于所述待標(biāo)注圖像的多個(gè)特征向量的每一個(gè)，計(jì)算所述待標(biāo)注圖像與所述每一個(gè)已標(biāo)注圖像的對(duì)應(yīng)特征向量的距離，對(duì)與待標(biāo)注圖像的每種特征向量相對(duì)應(yīng)的距離進(jìn)行歸一化處理，以得到歸一化距離dx ；根據(jù)所述待標(biāo)注圖像的每種特征向量在計(jì)算所述融合距離中所占的比重，將所述多種特征向量對(duì)應(yīng)的歸一化距離dx進(jìn)行融合，得到融合距離d， d =∑w(x).d(x)(1≤x≤n) 其中，d為融合距離，Wx表示所述待標(biāo)注圖像的第X種特征向量在計(jì)算所述融合距離中所占的比重，dx表示第X種特征對(duì)應(yīng)的歸一化距離，η表示所述待標(biāo)注圖像的特征的種類個(gè)數(shù)，其中 Χ e [1，2，··η]。
3.如權(quán)利要求1所述的圖像自動(dòng)標(biāo)注方法，其特征在于，所述計(jì)算所述近鄰圖像集中的每一個(gè)圖像在所述待標(biāo)注圖像重構(gòu)過(guò)程中的權(quán)重值，包括如下步驟通過(guò)將所述待標(biāo)注圖像的特征向量&與重構(gòu)向量Σ 之間的二次范式值最小，計(jì)IjeK算所述近鄰圖像集中的每一個(gè)圖像在所述待標(biāo)注圖像重構(gòu)過(guò)程中的權(quán)重值，其中，&為待標(biāo)注圖像I的特征向量，fO為近鄰圖像集中的圖像Ij的特征向量，j e [1， 2，... k]，所述近鄰圖像集包括圖像U1, I2,..., IJ，ω」為所述近鄰圖像集中的圖像Ij在所述待標(biāo)注圖像重構(gòu)過(guò)程中的權(quán)重值，所述計(jì)算所述近鄰圖像集中的每一個(gè)已標(biāo)注圖像在所述近鄰圖像集中的其他已標(biāo)注圖像重構(gòu)過(guò)程中的權(quán)重值，包括如下步驟通過(guò)將所述近鄰圖像集中的圖像Ij的特征向量f；與重構(gòu)向量“ Σ之間的二次范式值最小，計(jì)算所述近鄰圖像集中的每一個(gè)已標(biāo)注圖像在所述其他已標(biāo)注圖像重構(gòu)過(guò)程中的權(quán)重值，
4.如權(quán)利要求3所述的圖像自動(dòng)標(biāo)注方法，其特征在于，根據(jù)所述待標(biāo)注圖像及所述近鄰圖像集中的每一個(gè)圖像在重構(gòu)過(guò)程中的權(quán)重值構(gòu)建視覺依賴矩陣F，
5.如權(quán)利要求4所述的圖像自動(dòng)標(biāo)注方法，其特征在于，所述構(gòu)建標(biāo)簽依賴矩陣C，包括如下步驟計(jì)算所述標(biāo)簽依賴矩陣C的第i行第j列元素Cy，Ci, J為圖像Ii對(duì)圖像Ij的標(biāo)簽依賴量，
6.如權(quán)利要求5所述的圖像自動(dòng)標(biāo)注方法，其特征在于，所述將視覺依賴矩陣F和所述標(biāo)簽依賴矩陣進(jìn)行融合并通過(guò)隨機(jī)游走得到穩(wěn)定依賴關(guān)系矩陣A，包括如下步驟將所述視覺依賴矩陣F和所述標(biāo)簽依賴矩陣C進(jìn)行融合得到依賴關(guān)系矩陣G，G= α F+(l-a )C其中，α為視覺依賴關(guān)系矩陣F在計(jì)算依賴關(guān)系矩陣G中的權(quán)重值；對(duì)所述依賴關(guān)系矩陣G進(jìn)行隨機(jī)游走，得到穩(wěn)定依賴關(guān)系矩陣A，A = (1-β)6(Ε-β6) “1,其中，G為依賴關(guān)系矩陣，E為單位矩陣，β為所述依賴關(guān)系矩陣G中的每個(gè)權(quán)重值向后繼節(jié)點(diǎn)傳播的概率。
7.如權(quán)利要求6所述的圖像自動(dòng)標(biāo)注方法，其特征在于，所述構(gòu)建針對(duì)所述待標(biāo)注圖像的有向圖模型，包括如下步驟以所述待標(biāo)注圖像和所述近鄰圖像集中的每一個(gè)圖像作為節(jié)點(diǎn)，所述穩(wěn)定依賴關(guān)系矩陣A的元素作為與所述節(jié)點(diǎn)相關(guān)聯(lián)的有向邊上的權(quán)重，構(gòu)建針對(duì)所述待標(biāo)注圖像的有向圖模型。
8.如權(quán)利要求1所述的圖像自動(dòng)標(biāo)注方法，其特征在于，所述構(gòu)建標(biāo)簽間的詞義相似度矩陣Se，包括如下步驟計(jì)算所述標(biāo)簽間的詞義相似度矩陣Se的第i行第j列元素Sey，Seiij為標(biāo)簽、和標(biāo)簽、的詞義相似度，其中，、為第i個(gè)候選標(biāo)簽，tj為第j個(gè)候選標(biāo)簽；以及根據(jù)所述詞義相似度Sey構(gòu)建所述標(biāo)簽間的詞義相似度矩陣Se。
9.如權(quán)利要求8所述的圖像自動(dòng)標(biāo)注方法，其特征在于，所述計(jì)算所述候選標(biāo)簽集中標(biāo)簽間的共生關(guān)系矩陣Co，包括如下步驟計(jì)算所述標(biāo)簽間的共生關(guān)系矩陣Co的第i行第j列元素Coy，Coi, j為標(biāo)簽、和標(biāo)簽 、之間的共生關(guān)系，
10.如權(quán)利要求9所述的圖像自動(dòng)標(biāo)注方法，其特征在于，所述將所述詞義相似度矩陣 Se和標(biāo)簽間的共生關(guān)系矩陣Co進(jìn)行融合得到標(biāo)簽相似矩陣TT，TT = γ Se+(Ii) Co，其中，Y為所述詞義相似度矩陣Se在計(jì)算所述標(biāo)簽相似矩陣TT中的權(quán)重值。
11.如權(quán)利要求10所述的圖像自動(dòng)標(biāo)注方法，其特征在于，所述對(duì)每一個(gè)候選標(biāo)簽在所述有向圖模型進(jìn)行非等概率隨機(jī)搜索預(yù)測(cè)所述每一個(gè)候選標(biāo)簽的得分，包括如下步驟計(jì)算所述每一個(gè)候選標(biāo)簽的得分期望r (ti)，
12.一種基于有向圖非等概率隨機(jī)搜索的圖像自動(dòng)標(biāo)注裝置，其特征在于，包括 近鄰圖像集獲取模塊，所述近鄰圖像集獲取模塊用于接收待標(biāo)注圖像和已標(biāo)注圖像集，提取所述待標(biāo)注圖像的多個(gè)特征向量，根據(jù)所述多個(gè)特征向量計(jì)算所述待標(biāo)注圖像與所述已標(biāo)注圖像集中的每一個(gè)已標(biāo)注圖像的融合距離，并選取所述融合距離小的前k個(gè)已標(biāo)注圖像形成近鄰圖像集，所述近鄰圖像集中所有圖像的標(biāo)簽作為候選標(biāo)簽集；計(jì)算模塊，所述計(jì)算模塊用于計(jì)算所述近鄰圖像集中的每一個(gè)圖像在所述待標(biāo)注圖像重構(gòu)過(guò)程中的權(quán)重值以及所述近鄰圖像集中的每一個(gè)圖像在所述近鄰圖像集中的其他已標(biāo)注圖像重構(gòu)過(guò)程中的權(quán)重值，根據(jù)所述權(quán)重值構(gòu)建視覺依賴矩陣F，計(jì)算所述近鄰圖像集中的任意兩個(gè)圖像的共有標(biāo)簽數(shù)量，根據(jù)所述共有標(biāo)簽數(shù)量和所述近鄰圖像集中的每一個(gè)圖像的標(biāo)簽數(shù)量構(gòu)建標(biāo)簽依賴矩陣C，并且計(jì)算所述候選標(biāo)簽集中的任意兩個(gè)標(biāo)簽的詞義相似度，根據(jù)所述標(biāo)簽詞義相似度構(gòu)建標(biāo)簽間的詞義相似度矩陣Se，計(jì)算所述候選標(biāo)簽集中的任意兩個(gè)標(biāo)簽間的共生關(guān)系矩陣Co ；融合模塊，所述融合模塊用于將所述視覺依賴矩陣F和所述標(biāo)簽依賴矩陣C進(jìn)行融合并通過(guò)隨機(jī)游走得到穩(wěn)定依賴關(guān)系矩陣A，以及將所述詞義相似度矩陣Se和標(biāo)簽間的共生關(guān)系矩陣Co進(jìn)行融合得到標(biāo)簽相似矩陣TT ；有向圖模型建立模塊，所述有向圖模型建立模塊用于以所述待標(biāo)注圖像和近鄰圖像集中的每一個(gè)圖像作為節(jié)點(diǎn)，以所述穩(wěn)定依賴關(guān)系矩陣A的元素作為與所述節(jié)點(diǎn)相關(guān)聯(lián)的有向邊的權(quán)重，構(gòu)建針對(duì)所述待標(biāo)注圖像的有向圖模型；和隨機(jī)搜索模塊，所述隨機(jī)搜索模塊用于對(duì)所述候選標(biāo)簽集中的每一個(gè)候選標(biāo)簽在所述有向圖模型進(jìn)行非等概率隨機(jī)搜索以獲得所述每一個(gè)候選標(biāo)簽的得分，按照所述得分對(duì)所有候選標(biāo)簽進(jìn)行排序，將得分高的前u個(gè)候選標(biāo)簽作為標(biāo)注結(jié)果。
13.如權(quán)利要求12所述的圖像自動(dòng)標(biāo)注裝置，其特征在于，所述近鄰圖像集獲取模塊基于所述待標(biāo)注圖像的多個(gè)特征向量的每一個(gè)，計(jì)算所述待標(biāo)注圖像與所述每一個(gè)已標(biāo)注圖像的對(duì)應(yīng)特征向量的距離，對(duì)與待標(biāo)注圖像的每種特征向量相對(duì)應(yīng)的距離進(jìn)行歸一化處理，以得到歸一化距離dx ；根據(jù)所述待標(biāo)注圖像的每種特征向量在計(jì)算所述融合距離中所占的比重，將所述多種特征向量對(duì)應(yīng)的歸一化距離dx進(jìn)行融合，得到融合距離d，
14.如權(quán)利要求12所述的圖像自動(dòng)標(biāo)注裝置，其特征在于，所述計(jì)算模塊通過(guò)將所述待標(biāo)注圖像的特征向量A與重構(gòu)向量
15.如權(quán)利要求14所述的圖像自動(dòng)標(biāo)注裝置，其特征在于，根據(jù)所述待標(biāo)注圖像及所述近鄰圖像集中的每一個(gè)圖像在重構(gòu)過(guò)程中的權(quán)重值構(gòu)建視覺依賴矩陣F，
16.如權(quán)利要求15所述的圖像自動(dòng)標(biāo)注裝置，其特征在于，所述計(jì)算模塊計(jì)算所述標(biāo)簽依賴矩陣C的第i行第j列元素Cu，Ci, J為圖像Ii對(duì)圖像Ij的標(biāo)簽依賴量，
17.如權(quán)利要求16所述的圖像自動(dòng)標(biāo)注裝置，其特征在于，所述融合模塊將所述視覺依賴矩陣F和所述標(biāo)簽依賴矩陣C進(jìn)行融合得到依賴關(guān)系矩陣G，G= α F+(l-a )C其中，α為視覺依賴關(guān)系矩陣F在計(jì)算依賴關(guān)系矩陣G中的權(quán)重值；所述融合模塊對(duì)所述依賴關(guān)系矩陣G進(jìn)行隨機(jī)游走，得到穩(wěn)定依賴關(guān)系矩陣A，A =其中，G為依賴關(guān)系矩陣，E為單位矩陣，β為所述依賴關(guān)系矩陣G中的每個(gè)權(quán)重值向后繼節(jié)點(diǎn)傳播的概率。
18.如權(quán)利要求17所述的圖像自動(dòng)標(biāo)注裝置，其特征在于，所述有向圖模型建立模塊以所述待標(biāo)注圖像和所述近鄰圖像集中的每一個(gè)圖像作為節(jié)點(diǎn)，所述穩(wěn)定依賴關(guān)系矩陣A 的元素作為與所述節(jié)點(diǎn)相關(guān)聯(lián)的有向邊上的權(quán)重，構(gòu)建針對(duì)所述待標(biāo)注圖像的有向圖模型。
19.如權(quán)利要求12所述的圖像自動(dòng)標(biāo)注裝置，其特征在于，所述計(jì)算模塊計(jì)算所述標(biāo)簽間的詞義相似度矩陣Se的第i行第j列元素Sei, j, Sei, j為標(biāo)簽、和標(biāo)簽、的詞義相似度，其中^為第i個(gè)候選標(biāo)簽，、為第j個(gè)候選標(biāo)簽；所述計(jì)算模塊根據(jù)所述詞義相似度 Seiij構(gòu)建所述標(biāo)簽間的詞義相似度矩陣Se。
20.如權(quán)利要求19所述的圖像自動(dòng)標(biāo)注裝置，其特征在于，所述計(jì)算模塊計(jì)算所述標(biāo)簽間的共生關(guān)系矩陣Co的第i行第j列元素Com，COm為標(biāo)簽、和標(biāo)簽、之間的共生關(guān)系，
21.如權(quán)利要求20所述的圖像自動(dòng)標(biāo)注裝置，其特征在于，所述融合模塊將所述詞義相似度矩陣Se和標(biāo)簽間的共生關(guān)系矩陣Co進(jìn)行融合得到標(biāo)簽相似矩陣TT，TT = γ Se+(Ii) Co，其中，Y為所述詞義相似度矩陣Se在計(jì)算所述標(biāo)簽相似矩陣TT中的權(quán)重值。
22.如權(quán)利要求21所述的圖像自動(dòng)標(biāo)注裝置，其特征在于，所述隨機(jī)搜索模塊對(duì)每一個(gè)候選標(biāo)簽在所述有向圖模型進(jìn)行非等概率隨機(jī)搜索預(yù)測(cè)所述每一個(gè)候選標(biāo)簽的得分，包括計(jì)算所述每一個(gè)候選標(biāo)簽的得分期望Hti)，
全文摘要
本發(fā)明公開了一種基于有向圖非等概率隨機(jī)搜索的圖像自動(dòng)標(biāo)注方法，包括輸入待標(biāo)注圖像和已標(biāo)注圖像集，提取待標(biāo)注圖像的多個(gè)特征向量，選取近鄰圖像集；構(gòu)建針對(duì)待標(biāo)注圖像的有向圖模型；計(jì)算標(biāo)簽間的詞義相似度矩陣Se和標(biāo)簽間的共生關(guān)系矩陣Co，將詞義相似度矩陣Se和標(biāo)簽間的共生關(guān)系矩陣Co進(jìn)行融合得到標(biāo)簽相似矩陣TT；對(duì)候選標(biāo)簽集中的每一個(gè)候選標(biāo)簽在有向圖模型中進(jìn)行非等概率隨機(jī)搜索以計(jì)算得分，取得分高的多個(gè)候選標(biāo)簽作為標(biāo)注結(jié)果。本發(fā)明還公開了一種基于有向圖非等概率隨機(jī)搜索的圖像自動(dòng)標(biāo)注方法裝置。本發(fā)明充分合理地利用圖像間的依賴關(guān)系和標(biāo)簽之間的相似關(guān)系，可以有效地進(jìn)行圖像的自動(dòng)標(biāo)注，具有較好的標(biāo)注效果。
文檔編號(hào)G06F17/30GK102298605SQ20111014703
公開日2011年12月28日 申請(qǐng)日期2011年6月1日 優(yōu)先權(quán)日2011年6月1日
發(fā)明者丁貴廣, 林梓佳 申請(qǐng)人:清華大學(xué)