專利名稱：一種圖像檢測(cè)方法及設(shè)備的制作方法
技術(shù)領(lǐng)域：
一般地，本發(fā)明涉及圖像處理領(lǐng)域，并且更具體地，本發(fā)明涉及一種圖像檢測(cè)方法及設(shè)備。
背景技術(shù)：
目前，模式識(shí)別技術(shù)廣泛應(yīng)用于各種技術(shù)領(lǐng)域。模式識(shí)別技術(shù)的相關(guān)理論和方法在很多學(xué)科和領(lǐng)域中得到廣泛的重視，其擴(kuò)大了計(jì)算機(jī)應(yīng)用的可能性。圖像處理是模式識(shí)別技術(shù)的一個(gè)重要領(lǐng)域。一般認(rèn)為，模式是通過對(duì)具體的事物進(jìn)行觀測(cè)所得到的具有時(shí)間與空間分布的信息，模式所屬的類別或同一類中模式的總體稱為模式類，其中個(gè)別具體的模式往往稱為樣本。模式識(shí)別就是研究通過計(jì)算機(jī)自動(dòng)地將待識(shí)別的模式分配到各個(gè)模式類中的技術(shù)。模式識(shí)別的基本框架根據(jù)有無標(biāo)準(zhǔn)樣本，模式識(shí)別可分為監(jiān)督識(shí)別方法和非監(jiān)督識(shí)別方法。監(jiān)督識(shí)別方法是在已知訓(xùn)練樣本所屬類別的條件下設(shè)計(jì)分類器，通過該分類器對(duì)待識(shí)樣本進(jìn)行識(shí)別的方法。標(biāo)準(zhǔn)樣本集中的樣本經(jīng)過預(yù)處理、選擇與提取特征后設(shè)計(jì)分類器，分類器的性能與樣本集的大小、分布等有關(guān)。針對(duì)醫(yī)學(xué)圖像的識(shí)別和檢測(cè)技術(shù)是目前相關(guān)領(lǐng)域的熱點(diǎn)。借助醫(yī)學(xué)圖像識(shí)別和檢測(cè)設(shè)備來采集和檢測(cè)相關(guān)圖像能夠獲得更好的相關(guān)參數(shù)。CT (Computed Tomography),即電子計(jì)算機(jī)斷層掃描，它是利用精確準(zhǔn)直的X線束與靈敏度極高的探測(cè)器一同圍繞人體的某一部位作一個(gè)接一個(gè)的斷面掃描，每次掃描過程中由探測(cè)器接收穿過人體后的衰減X線信息，再由快速模/數(shù)(A/D)轉(zhuǎn)換器將模擬量轉(zhuǎn)換成數(shù)字量，然后輸入電子計(jì)算機(jī)，經(jīng)電子計(jì)算機(jī)高速計(jì)算，得出該層面各點(diǎn)的X線吸收系數(shù)值，用這些數(shù)據(jù)組成圖像的矩陣。再經(jīng)圖像顯示器將不同的數(shù)據(jù)用不同的灰度等級(jí)顯示出來，這樣該斷面的解剖結(jié)構(gòu)就可以清晰的顯示在監(jiān)視器上，也可利用多幅相機(jī)或激光相機(jī)把圖像記錄在照片上。但CT圖像也有其局限性:掃描的范圍受限。

為彌補(bǔ)CT圖像的不足，通常采用CT定位片。CT定位片是指將X線管置于要求的角度固定不動(dòng)，隨著機(jī)器旋轉(zhuǎn)自動(dòng)地進(jìn)行一系列X線曝光，即可得到類似X線平片的定位片?？筛鶕?jù)定位片選擇架傾斜的角度，并可在定位片上用參考線標(biāo)出要掃描的位置、角度層厚，計(jì)算機(jī)即可按定位片的標(biāo)記進(jìn)行掃描。CT定位片能夠提供更為清晰的圖像，不但能發(fā)揮CT圖像的所有作用，又能避免重復(fù)與浪費(fèi)。CT定位片中椎骨檢測(cè)技術(shù)，是指對(duì)于任意一幅給定的CT定位片，利用計(jì)算機(jī)采用檢測(cè)方法對(duì)其進(jìn)行搜索以確定其中是否含有椎骨，如果是則返回椎骨的位置和大小。CT圖像在骨骼的顯示上取得優(yōu)于其它任何設(shè)備的效果。CT定位片能彌補(bǔ)CT斷層掃描不足，它不但具有定位和制定方案的作用，還有等同于相應(yīng)部位X線平片的作用。所以，CT定位片在臨床上得到廣泛使用。CT定位片是指將X線管置于要求的角度(正位或側(cè)位)和檢測(cè)器固定不動(dòng)，隨著檢查臺(tái)移動(dòng)自動(dòng)地進(jìn)行一系列X線曝光，即可得到類似X線平片的定位片，它實(shí)際上是一近似數(shù)字化的X線片。這是CT的一個(gè)十分重要的功能?？筛鶕?jù)定位片選擇機(jī)架傾斜的角度，并可在定位片上用參考線標(biāo)出要掃描的位置、角度層厚，計(jì)算機(jī)即可按定位片的標(biāo)記進(jìn)行掃描。然而，對(duì)CT定位片中椎骨信息進(jìn)行檢測(cè)是一項(xiàng)繁瑣而耗時(shí)的工作，所以，這就使得對(duì)計(jì)算機(jī)進(jìn)行圖像檢測(cè)和識(shí)別的需求變得迫切。對(duì)椎骨的計(jì)算機(jī)檢測(cè)和識(shí)別的研究可以有助于對(duì)感興趣的區(qū)域進(jìn)行檢測(cè)和識(shí)別。近年來，現(xiàn)有技術(shù)中出現(xiàn)了對(duì)X線圖像的椎骨的檢測(cè)和分割方法的大量研究。Kasai等人提出一種自動(dòng)的椎骨檢測(cè)算法，該算法通過比較椎骨的實(shí)際高度與預(yù)測(cè)高度來檢測(cè)椎骨圖像區(qū)域。Benjelloun等人提出一種基于興趣點(diǎn)檢測(cè)的椎骨檢測(cè)算法，該算法使用Harris角點(diǎn)檢測(cè)器。Dong等人提出基于圖形化模型的椎骨自動(dòng)識(shí)別算法，與傳統(tǒng)的模型算法相比，該算法不需要訓(xùn)練過程。Ribeiix)等人提出了一種基于Gabor濾波器的椎骨檢測(cè)方法。Mysling等人提出一種基于主動(dòng)形狀模型(Active Shape Model, ASM)的椎骨自動(dòng)分割算法。該算法采用分層結(jié)構(gòu)，第一層采用形狀模型抽樣算法估計(jì)脊髓線和椎骨位置，第二層采用ASM算法確定椎骨邊界。Lecron等人提出一種基于學(xué)習(xí)知識(shí)的椎骨自動(dòng)檢測(cè)算法，該算法通過無人工干預(yù)的anterior corner來檢測(cè)椎骨。目前，現(xiàn)有技術(shù)中還有對(duì)CT圖像和MRI圖像中的椎骨檢測(cè)算法的研究。關(guān)于CT圖像，Stern等人通過邊緣點(diǎn)來估計(jì)椎骨中心線的位置，再根據(jù)梯度圖與強(qiáng)度圖確定椎骨中心和間盤中心的位置。Graf等人提出一種全自動(dòng)無參數(shù)的椎骨檢測(cè)算法，該算法利用骨結(jié)構(gòu)的灰度來進(jìn)行椎骨的初始檢測(cè)，再利用圖像特征進(jìn)行椎骨區(qū)域的精確劃分。Dai等人提出一種半自動(dòng)的腰椎檢測(cè)算法，該算法利用圖論確定椎骨的結(jié)合邊界，利用參數(shù)圖譜來表示六面體網(wǎng)格椎骨的幾何表面。關(guān)于MRI圖像，Schmidt等人提出基于概率圖模型的椎骨檢測(cè)及標(biāo)記算法。該算法使用多級(jí)分類器，并結(jié)合幾何先驗(yàn)獲得椎骨的全局最優(yōu)結(jié)構(gòu)。Julio等人將Normalized Cut算法和Nystrom逼近算法結(jié)合起來用于脊椎分割。Peng等人提出新穎的椎骨分割方法。該方法在標(biāo)記椎骨輪廓邊緣點(diǎn)之后，使用最大最小距離法定位四個(gè)角點(diǎn)，通過連接上下角點(diǎn)和間隙填充完成椎骨分割。Masaki等人提出基于邊緣累積分析的腰椎區(qū)域檢測(cè)算法。Dong等人提出一種基于模型的間盤檢測(cè)算法。該算法以基于模型算法檢測(cè)到的椎骨作為初始化輪廓，采用粒子濾波算法檢測(cè)間盤的位置和方向。Pekar等人提出一種基于定位片的脊椎檢測(cè)及標(biāo)記算法，并按照定位片的結(jié)果進(jìn)行脊椎掃描。上述方法大多要求圖片中椎骨數(shù)目確定，椎骨輪廓清晰，或者只針對(duì)特定部位，例如腰椎、頸椎等。本申請(qǐng)則以CT定位片中的所有椎骨為具體處理對(duì)象，針對(duì)不同圖像中椎骨數(shù)目不定，不同椎骨在圖像中傾斜角度不同，椎骨易受到其它解剖結(jié)構(gòu)影響，椎骨邊緣模糊等特點(diǎn)，提出一種新穎的高性能椎骨圖像檢測(cè)方法。該方法采用Adaboost算法進(jìn)行訓(xùn)練，再將訓(xùn)練結(jié)果用于測(cè)試。在測(cè)試過程中，采用多角度檢測(cè)，即根據(jù)圖像中椎骨的傾斜角度來旋轉(zhuǎn)圖像，使得待檢測(cè)的椎骨處于水平位置，然后按設(shè)定的步長(zhǎng)遍歷圖像，對(duì)多張旋轉(zhuǎn)圖像中相近位置檢測(cè)到的多節(jié)椎骨進(jìn)行合并，采用的合并方法有平均值法、比較值法、檢測(cè)強(qiáng)度法及重疊面積法。

發(fā)明內(nèi)容
根據(jù)本發(fā)明的第一方面， 提供一種圖像檢測(cè)方法，所述方法包括:利用圖像獲取單元獲得原始圖像；利用多角度旋轉(zhuǎn)處理單元對(duì)原始圖像進(jìn)行處理，生成一個(gè)零旋轉(zhuǎn)角度的待檢測(cè)圖像和至少一個(gè)非零旋轉(zhuǎn)角度的待檢測(cè)圖像；利用檢測(cè)單元設(shè)定檢測(cè)窗口和檢測(cè)步長(zhǎng)，根據(jù)設(shè)定的檢測(cè)窗口和檢測(cè)步長(zhǎng)來對(duì)所述一個(gè)零旋轉(zhuǎn)角度的待檢測(cè)圖像和至少一個(gè)非零旋轉(zhuǎn)角度的待檢測(cè)圖像的每一個(gè)進(jìn)行遍歷檢測(cè)，獲得一個(gè)零旋轉(zhuǎn)角度的檢測(cè)結(jié)果和至少一個(gè)非零旋轉(zhuǎn)角度的每一個(gè)的檢測(cè)結(jié)果；利用融合單元對(duì)所述一個(gè)零旋轉(zhuǎn)角度的檢測(cè)結(jié)果進(jìn)行結(jié)果融合，并且對(duì)所述至少一個(gè)非零旋轉(zhuǎn)角度的檢測(cè)結(jié)果中的每一個(gè)進(jìn)行結(jié)果融合；利用映射單元將所述至少一個(gè)非零旋轉(zhuǎn)角度的檢測(cè)結(jié)果中的每一個(gè)映射到原始圖像中；以及利用圖像生成單元將所述一個(gè)零旋轉(zhuǎn)角度的檢測(cè)結(jié)果和被映射到原始圖像中的所述至少一個(gè)非零旋轉(zhuǎn)角度的檢測(cè)結(jié)果中的每一個(gè)進(jìn)行合并，從而生成結(jié)果圖像。優(yōu)選地,還包括使用Haar特征值計(jì)算單元通過積分圖來計(jì)算Haar特征,所述積分圖為:對(duì)于一幅原始圖像i，其在坐標(biāo)處(x，y)的積分圖是該像素上面和左邊的全部像素之和。優(yōu)選地，還包括利用Adaboost算法學(xué)習(xí)單元設(shè)定弱學(xué)習(xí)算法和訓(xùn)練集，生成弱分類器，根據(jù)具有最小的錯(cuò)誤率的弱分類器來生成強(qiáng)分類器，具體為:1、給定弱學(xué)習(xí)算法和訓(xùn)練集:{(xl,yl), (x2,y2),..., (xn,yn)};其中，xi是輸入的訓(xùn)練樣本向量，且xi e X，X是訓(xùn)練樣本集；yi是分類類別表示，yi e {0，1}，其中，I表示正樣本,O表示負(fù)樣本；2、指定循環(huán)的次數(shù)T，T將決定最后強(qiáng)分類器中的弱分類器的數(shù)目；3、正負(fù)訓(xùn)練樣本權(quán)重初始化
權(quán)利要求
1.一種圖像檢測(cè)方法，所述方法包括: 利用圖像獲取單元獲得原始圖像； 利用多角度旋轉(zhuǎn)處理單元對(duì)原始圖像進(jìn)行處理，生成一個(gè)零旋轉(zhuǎn)角度的待檢測(cè)圖像和至少一個(gè)非零旋轉(zhuǎn)角度的待檢測(cè)圖像； 利用檢測(cè)單元設(shè)定檢測(cè)窗口和檢測(cè)步長(zhǎng)，根據(jù)設(shè)定的檢測(cè)窗口和檢測(cè)步長(zhǎng)來對(duì)所述一個(gè)零旋轉(zhuǎn)角度的待檢測(cè)圖像和至少一個(gè)非零旋轉(zhuǎn)角度的待檢測(cè)圖像的每一個(gè)進(jìn)行遍歷檢測(cè)，獲得一個(gè)零旋轉(zhuǎn)角度的檢測(cè)結(jié)果和至少一個(gè)非零旋轉(zhuǎn)角度的每一個(gè)的檢測(cè)結(jié)果； 利用融合單元對(duì)所述一個(gè)零旋轉(zhuǎn)角度的檢測(cè)結(jié)果進(jìn)行結(jié)果融合，并且對(duì)所述至少一個(gè)非零旋轉(zhuǎn)角度的檢測(cè)結(jié)果中的每一個(gè)進(jìn)行結(jié)果融合； 利用映射單元將所述至少一個(gè)非零旋轉(zhuǎn)角度的檢測(cè)結(jié)果中的每一個(gè)映射到原始圖像中；以及 利用圖像生成單元將所述一個(gè)零旋轉(zhuǎn)角度的檢測(cè)結(jié)果和被映射到原始圖像中的所述至少一個(gè)非零旋轉(zhuǎn)角度的檢測(cè)結(jié)果中的每一個(gè)進(jìn)行合并，從而生成結(jié)果圖像。。
2.根據(jù)權(quán)利要求1的方法，還包括使用Haar特征值計(jì)算單元通過積分圖來計(jì)算Haar特征，所述積分圖為:對(duì)于一幅原始圖像i，其在坐標(biāo)處(X，y)的積分圖是該像素上面和左邊的全部像素之和。
3.根據(jù)權(quán)利要求1的方法，還包括利用Adaboost算法學(xué)習(xí)單元設(shè)定弱學(xué)習(xí)算法和訓(xùn)練集，生成弱分類器，根據(jù)具有最小的錯(cuò)誤率的弱分類器來生成強(qiáng)分類器，具體為: 3.1、給定弱學(xué)習(xí)算法和訓(xùn)練集:{(xl, yl), (x2, y2),..., (xn, yn)};其中，xi是輸入的訓(xùn)練樣本向量，且xi e X，X是訓(xùn)練樣本集；yi是分類類別表示，yi e {0，1}，其中，I表示正樣本,O表示負(fù)樣本； 3.2、指定循環(huán)的次數(shù)T，T將決定最后強(qiáng)分類器中的弱分類器的數(shù)目； 3.3、正負(fù)訓(xùn)練樣本權(quán)重初始化
4.根據(jù)權(quán)利要求1的方法，其中根據(jù)設(shè)定的檢測(cè)窗口和檢測(cè)步長(zhǎng)來對(duì)所述一個(gè)零旋轉(zhuǎn)角度的待檢測(cè)圖像和至少一個(gè)非零旋轉(zhuǎn)角度的待檢測(cè)圖像的每一個(gè)進(jìn)行遍歷檢測(cè)，獲得一個(gè)零旋轉(zhuǎn)角度的檢測(cè)結(jié)果和至少一個(gè)非零旋轉(zhuǎn)角度的每一個(gè)的檢測(cè)結(jié)果包括: 對(duì)所述一個(gè)零旋轉(zhuǎn)角度的待檢測(cè)圖像和至少一個(gè)非零旋轉(zhuǎn)角度的待檢測(cè)圖像中的每一個(gè)待檢測(cè)圖像進(jìn)行: .4.1、按設(shè)定的檢測(cè)窗口和檢測(cè)步長(zhǎng)檢 測(cè)所述待檢測(cè)圖像中的至少一個(gè)目標(biāo)對(duì)象； .4.2、加載弱分類器； .4.3、加載強(qiáng)分類器； .4.4、判斷檢測(cè)窗口中是否包括目標(biāo)對(duì)象，如果否，則返回步驟4.2;如果是，則保存結(jié)果; 4.5、判斷對(duì)待檢測(cè)圖像的遍歷是否結(jié)束，如果否，則返回步驟4.2 ;如果是，則檢測(cè)結(jié)束。
5.根據(jù)權(quán)利要求1的方法，其中使用平均值法、比較值法、檢測(cè)強(qiáng)度法進(jìn)行所述融合，并且使用平均值法和重疊面積法進(jìn)行所述合并； 其中所述平均值法對(duì)于檢測(cè)到的兩個(gè)目標(biāo)對(duì)象，如果有重合區(qū)域，則將它們四個(gè)頂點(diǎn)的位置分別取均值作為新的頂點(diǎn)，合成一個(gè)新的檢測(cè)結(jié)果； 其中所述比較值法使用的衡量參數(shù)是
6.一種圖像檢測(cè)設(shè)備，所述設(shè)備包括: 圖像獲取單元，用于獲得原始圖像； 多角度旋轉(zhuǎn)處理單元，對(duì)原始圖像進(jìn)行處理，生成一個(gè)零旋轉(zhuǎn)角度的待檢測(cè)圖像和至少一個(gè)非零旋轉(zhuǎn)角度的待檢測(cè)圖像； 檢測(cè)單元，設(shè)定檢測(cè)窗口和檢測(cè)步長(zhǎng)，根據(jù)設(shè)定的檢測(cè)窗口和檢測(cè)步長(zhǎng)來對(duì)所述一個(gè)零旋轉(zhuǎn)角度的待檢測(cè)圖像和至少一個(gè)非零旋轉(zhuǎn)角度的待檢測(cè)圖像的每一個(gè)進(jìn)行遍歷檢測(cè)，獲得一個(gè)零旋轉(zhuǎn)角度的檢測(cè)結(jié)果和至少一個(gè)非零旋轉(zhuǎn)角度的每一個(gè)的檢測(cè)結(jié)果； 融合單元，對(duì)所述一個(gè)零旋轉(zhuǎn)角度的檢測(cè)結(jié)果進(jìn)行結(jié)果融合，并且對(duì)所述至少一個(gè)非零旋轉(zhuǎn)角度的檢測(cè)結(jié)果中的每一個(gè)進(jìn)行結(jié)果融合； 映射單元，用于將所述至少一個(gè)非零旋轉(zhuǎn)角度的檢測(cè)結(jié)果中的每一個(gè)映射到原始圖像中；以及 圖像生成單元，用于將所述一個(gè)零旋轉(zhuǎn)角度的檢測(cè)結(jié)果和被映射到原始圖像中的所述至少一個(gè)非零旋轉(zhuǎn)角度的檢測(cè)結(jié)果中的每一個(gè)進(jìn)行合并，從而生成結(jié)果圖像。
7.根據(jù)權(quán)利要求6的設(shè)備,還包括Haar特征值計(jì)算單元,通過積分圖來計(jì)算Haar特征，所述積分圖為:對(duì)于一幅原始圖像i，其在坐標(biāo)處U，y)的積分圖是該像素上面和左邊的全部像素之和。
8.根據(jù)權(quán)利要求6的設(shè)備，還包括Adaboost算法學(xué)習(xí)單元，設(shè)定弱學(xué)習(xí)算法和訓(xùn)練集，生成弱分類器，根據(jù)具有最小的錯(cuò)誤率的弱分類器來生成強(qiáng)分類器，具體實(shí)現(xiàn)為: 8.1、給定弱學(xué)習(xí)算法和訓(xùn)練集:{(xl, yl), (x2, y2),..., (xn, yn)};其中，xi是輸入的訓(xùn)練樣本向量，且xi e X，X是訓(xùn)練樣本集；yi是分類類別表示，yi e {0，1}，其中，I表示正樣本,O表示負(fù)樣本； 8.2、指定循環(huán)的次數(shù)T，T將決定最后強(qiáng)分類器中的弱分類器的數(shù)目； 8.3、正負(fù)訓(xùn)練樣本權(quán)重初始化
9.根據(jù)權(quán)利要求6的設(shè)備，其中檢測(cè)單元根據(jù)設(shè)定的檢測(cè)窗口和檢測(cè)步長(zhǎng)來對(duì)所述一個(gè)零旋轉(zhuǎn)角度的待檢測(cè)圖像和至少一個(gè)非零旋轉(zhuǎn)角度的待檢測(cè)圖像的每一個(gè)進(jìn)行遍歷檢測(cè)，獲得一個(gè)零旋轉(zhuǎn)角度的檢測(cè)結(jié)果和至少一個(gè)非零旋轉(zhuǎn)角度的每一個(gè)的檢測(cè)結(jié)果具體包括: 對(duì)所述一個(gè)零旋轉(zhuǎn)角度的待檢測(cè)圖像和至少一個(gè)非零旋轉(zhuǎn)角度的待檢測(cè)圖像中的每一個(gè)待檢測(cè)圖像進(jìn)行: 按設(shè)定的檢測(cè)窗口和檢測(cè)步長(zhǎng)檢測(cè)所述待檢測(cè)圖像中的至少一個(gè)目標(biāo)對(duì)象； 加載弱分類器； 加載強(qiáng)分類器； 當(dāng)檢測(cè)窗口中包括目標(biāo)對(duì)象時(shí)，保存結(jié)果；以及 當(dāng)對(duì)待檢測(cè)圖像的遍歷結(jié)束時(shí)，檢測(cè)結(jié)束。
10.根據(jù)權(quán)利要求6的設(shè)備，其中所述圖像融合單元使用平均值法、比較值法、檢測(cè)強(qiáng)度法進(jìn)行所述融合，并且所述圖像生成單元使用平均值法和重疊面積法進(jìn)行所述合并； 其中所述平均值法對(duì)于檢測(cè)到的兩個(gè)目標(biāo)對(duì)象，如果有重合區(qū)域，則將它們四個(gè)頂點(diǎn)的位置分別取均值作為新的頂點(diǎn)，合成一個(gè)新的檢測(cè)結(jié)果； 其中所述比較值法使用的衡量參數(shù)是
全文摘要
本發(fā)明公開了一種圖像檢測(cè)設(shè)備，包括圖像獲取單元，用于獲得原始圖像；多角度旋轉(zhuǎn)處理單元，用于對(duì)原始圖像進(jìn)行處理，生成一個(gè)零旋轉(zhuǎn)角度的待檢測(cè)圖像和至少一個(gè)非零旋轉(zhuǎn)角度的待檢測(cè)圖像；檢測(cè)單元，用于設(shè)定檢測(cè)窗口和檢測(cè)步長(zhǎng)，對(duì)所述一個(gè)零旋轉(zhuǎn)角度的待檢測(cè)圖像和至少一個(gè)非零旋轉(zhuǎn)角度的待檢測(cè)圖像的每一個(gè)進(jìn)行遍歷檢測(cè)，獲得檢測(cè)結(jié)果；融合單元，用于對(duì)檢測(cè)結(jié)果進(jìn)行結(jié)果融合；映射單元，用于將所述至少一個(gè)非零旋轉(zhuǎn)角度的檢測(cè)結(jié)果中的每一個(gè)映射到原始圖像中；以及圖像生成單元，用于將所述一個(gè)零旋轉(zhuǎn)角度的檢測(cè)結(jié)果和被映射到原始圖像中的所述至少一個(gè)非零旋轉(zhuǎn)角度的檢測(cè)結(jié)果中的每一個(gè)進(jìn)行合并，生成結(jié)果圖像。
文檔編號(hào)G06T3/60GK103218627SQ20131003696
公開日2013年7月24日 申請(qǐng)日期2013年1月31日 優(yōu)先權(quán)日2013年1月31日
發(fā)明者張國(guó)棟, 郭薇, 姚慶, 郭怡菲 申請(qǐng)人:沈陽航空航天大學(xué)