基于主动学习和半监督学习的高光谱图像分类方法
【专利摘要】本发明公开了一种基于主动学习和半监督学习的高光谱图像分类方法，克服了现有技术下标记样本数不足、选取的样本信息量低的问题。本发明具体实现的步骤为：(1)输入数据；(2)获取聚类图；(3)设置最大迭代次数为22；(4)分类；(5)区域划分；(6)区域样本标记；(7)更新样本集；(8)判断最大迭代次数是否为0，若是，则执行步骤(9)，否则，将最大迭代次数减1后执行步骤(4)；(9)利用更新后的训练样本集训练支撑向量机SVM对测试样本集进行分类，输出高光谱图像分类图。本发明利用了区域划分策略选取信息量高的样本，同时，也减少了标记样本的数量，促进了分类精度快速地提高。
【专利说明】
基于主动学习和半监督学习的高光谱图像分类方法
技术领域
[0001] 本发明属于图像分类处理领域，更进一步设及目标识别领域中的一种同时利用主 动学习和半监督学习的高光谱图像分类方法。该方法可用于地图制图、海洋遥感、植被调 查、大气研究、农业遥感、环境监测等领域进行地物目标识别。
【背景技术】
[0002] 在高光谱图像研究的诸多领域中，高光谱图像的分类扮演着极其重要的角色。高 光谱图像处理及分类存在W下两种问题：1)高光谱图像每类地物的空间差异大;2)化曲es 现象的存在(在保持精度不变的前提下，随着波段数的增加，分类器所需的训练样本数也在 增加）。在诸多的分类器中，支撑向量机(Suppod Vector Machine,SVM)分类器脱颖而出， 并且在数据挖掘、模式识别W及计算机视觉领域得到了广泛的应用，它在处理小样本、高维 数据时有很大的优势，可W使用很少的样本获得较高的分类精度。
[0003] 主动学习作为监督学习一种典型代表，它的主要思路是：利用初始化的训练样本 集去训练分类器，然后迭代地选取信息量大的样本加入到训练样本集中，利用更新后的训 练样本训练分类器，直到满足某一个终止条件，其中，每代选取的样本都赋予其真实的地物 柄签。
[0004] Li Jun等人在发表的论文"Semisupervised Self-Learning for Hyperspectral Image Classification"(I趾E TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, W)L.51 ,NO.7，WLY 2013)中提出了一种基于半监督自主学习的高光谱图像分类方法。该方 法首先初始化一些标记样本，然后W标签样本为中屯、找其四邻域样本，如果邻域样本的分 类的标签与中屯、样本标签相同，则将其加入到训练样本，利用更新后的训练样本重新训练 分类器，直至达到终止条件。该方法存在的不足是，选取的样本的信息量低。
[0005] 西安电子科技大学在申请的专利"基于半监督维数约减的高光谱图像分类方法" (专利申请号：201110199094.6，公开号:CN102208034A)中提出了一种基于半监督维数约减 的高光谱图像分类方法。该方法首先构造局部不相似矩阵，然后构造特征方程，得到投影矩 阵，再将有标记样本和无标记样本投影到低维空间，得到新的训练集和测试集，再使用支撑 向量机SVM分类器进行分类。但该方法存在的不足是，选取的样本多样性不高。
【发明内容】
[0006] 本发明的目的在于针对上述已有技术的不足，提出了一种基于主动学习和半监督 学习的高光谱图像分类方法，结合主动学习和半监督学习方法，让两者优势互补，在标记样 本很少的情况下也能获得很高的分类精度。
[0007] 本发明实现上述目的的具体思路是:输入待分类的高光谱图像和待分类的高光谱 图像数据集;对待分类的高光谱图像进行聚类操作，得到聚类图；利用训练样本训练支持向 量机SVM，得到分类图；使用区域划分方法，将所有区域划分为可信区域和不可信区域;在每 个区域中选取一个样本，利用区域样本标记方法标记所选样本;更新样本集;判断终止条件 是否达到;利用更新后的样本集训练支撑向量机SVM，得到最终分类图。
[000引为实现上述目的，本发明包括如下步骤：
[0009] (1)输入数据：
[0010] (Ia)输入一幅待分类的高光谱图像；
[0011] (Ib)输入与待分类的高光谱图像对应的高光谱图像数据集；
[0012] (Ic)从输入的高光谱图像数据集的样本中，选取与高光谱图像数据集地物类别分 别对应的训练样本集；
[0013] (Id)将高光谱图像数据集中剩余的样本作为测试样本集；
[0014] (2)获取聚类图：
[0015] 采用迭代数据分析均值漂移法，对待分类的高光谱图像进行聚类操作，得到待分 类的高光谱图像的聚类图；
[0016] (3)设置最大迭代次数为22;
[0017] (4)分类：
[0018] 利用训练样本集训练支撑向量机SVM对测试样本集进行分类，得到待分类高光谱 图像的分类图；
[0019] (5)区域划分：
[0020] (5a)利用全局划分法，将聚类图中的所有区域划分为待划分区域和不可信区域；
[0021] (5b)利用局部划分法，将待划分区域划分为可信区域和不可信区域；
[0022] (5c)将聚类图的不可信区域和待划分区域的不可信区域W集合求并集的形式合 并，得到不可信区域集合，将待划分区域的可信区域作为可信区域集合；
[0023] (6)区域样本标记：
[0024] (6a)从可信区域集合的各个区域中选取多类别不确定性MCLU值最小的样本，将分 类图中与该样本对应的分类标签作为该样本的类别标签。
[0025] (6b)从不可信区域集合的各个区域中选取多类别不确定性MCLU值最小的样本，将 待分类高光谱图像数据集中与该样本对应的真实类别标签作为该样本的类别标签。
[0026] (7)更新样本集；
[0027] (7a)将训练样本集和从各个区域中所选取的多类别不确定性MCLU值最小的样本 W集合求并集的形式合并，得到更新后的训练样本集；
[0028] (7b)从测试样本集中减去与从各个区域中所选取多类别不确定性MCLU值最小的 样本相同的样本，得到更新后的测试样本集；
[0029] (8)判断最大迭代次数是否为0,若是，则执行步骤(9)，否则，将最大迭代次数减1 后执行步骤(4);
[0030] (9)利用更新后的训练样本集训练支撑向量机SVM对测试样本集进行分类，输出高 光谱图像分类图。
[0031 ]本发明与现有的技术相比具有W下优点：
[0032] 第1，由于本发明利用区域划分方法，使得所选取的样本具有多样性，克服了现有 技术下所选取的训练样本的多样性低的问题，使得本发明可W充分利用样本的多样性，进 而获得较好的分类效果。
[0033] 第2,由于本发明利用了区域样本标记方法，克服了现有技术下标记样本少、标记 样本成本高的问题，使得本发明在训练样本较少的情况下也可W获得较高的分类结果。
【附图说明】
[0034] 图1是本发明的流程图；
[0035] 图2是本发明中的区域划分方法的流程图；
[0036] 图3是本发明和现有技术的分类效果图；
[0037] 图4是本发明与现有技术的分类精度曲线图。
【具体实施方式】
[0038] 下面结合附图对本发明进行描述。
[0039] 参照图1，本发明的具体步骤如下：
[0040] 步骤1，输入数据。
[0041 ]输入一幅待分类的高光谱图像。
[0042] 输入与待分类的高光谱图像对应的高光谱图像数据集。
[0043] 从输入的高光谱图像数据集的样本中，选取与高光谱图像数据集地物类别分别对 应的训练样本集。
[0044] 将高光谱图像数据集中剩余的样本作为测试样本集。
[0045] 在本发明实施例中，输入的是145X 145像素的待分类的高光谱图像，输入与待分 类的高光谱图像对应的待分类高光谱图像数据集包含20125个样本，每个样本是200维，将 待分类高光谱图像数据集中的160个样本作为训练样本集，待分类高光谱图像数据集中剩 余的作为测试样本集。
[0046] 步骤2,获取聚类图。
[0047] 采用迭代数据分析均值漂移法，对待分类的高光谱图像进行聚类操作，得到待分 类的高光谱图像的聚类图。
[0048] 在本发明实施例中，采用迭代的数据分析均值漂移法对图像进行聚类操作。该方 法首先设定捜索区域半径，通过计算各个区域的均值偏移量，更新聚类中屯、向量，从而得到 合理的聚类结果。聚类操作使用的样本都是202维的向量，其中，200维是光谱维度信息，2维 是空间维度信息，捜索区域空间部分的半径设定为6,光谱部分的半径设定为2000。
[0049] 按照下式，计算各个区域的均值偏移向量：
[0化0] IH=M-N
[0051] 其中，m表示各个区域的均值偏移向量，M表示各个区域所包含的样本均值向量，N 表示当前的聚类中屯、向量；
[0052] 更新聚类中屯、的规则如下：
[0053] 如果m〉e，则将M赋给N作为下次迭代的聚类中屯、向量，更新捜索区域半径内的样本 的均值向量M，否则，把W各个聚类中屯、向量为中屯、的捜索区域半径内的所有样本划分到相 应的聚类区域内，得到最终的聚类结果。其中:m表示各个区域的均值偏移向量，e表示预设 阔值，M表示各个区域所包含的样本均值向量。
[0054] 步骤3，设置最大迭代次数为22。
[0化5] 步骤4,分类。
[0056] 利用训练样本集训练支撑向量机SVM对测试样本集进行分类，得到分类图。
[0057] 在本发明的实施例中，使用LIBSVM工具箱执行分类任务，采用有监督的支撑向量 机SVM，对测试样本集进行分类，得到分类结果。
[0化引步骤5,区域划分。
[0059] 参照图2,本步骤的具体操作如下：
[0060] 首先，利用全局划分法，将聚类图中的所有区域划分为待划分区域和不可信区域。 [0061 ]所述的全局划分法，具体步骤如下：
[0062] 第1步，统计待分类高光谱图像分类图中的各类别在聚类图所形成的各个区域中 的样本总数；
[0063] 第2步，按照下式，计算聚类图中各个区域的最大类别所包含的样本数在该区域样 本总数中所占的比例：
[0064]
[0065] 其中，P表示聚类图中各个区域的最大类别所包含的样本数在该区域样本总数中 所占的比例，nmax表示各个区域中最大类别的样本数，C表示待分类高光谱图像的类别总数， E表示叠加操作，m表示聚类图中各个区域中第i类样本的总数；
[0066] 第3步，按照下式，计算聚类图中各个区域的所有样本所对应的多类别不确定性 M化U值的均值：
[0067]
[0068] 其中，y表示聚类图中各个区域的所有样本所对应的多类别不确定性MCLU的均值， n表示聚类图中各个区域中样本的总数，E表示叠加操作，di表示聚类图中各个区域中第i 个样本的多类别不确定性MCLU值；
[0069] 第4步，按照下式，计算聚类图中各个区域的所有样本所对应的多类别不确定性 M化U值的标准差：
[0070]
[0071] 其中，O表示聚类图中各个区域的所有样本所对应的多类别不确定性MCLU的标准 差，/表示求平方根操作，n表示聚类图中各个区域中样本的总数，E表示叠加操作，（?）2 表示求平方操作，di表示聚类图中各个区域中第i个样本的MCLU值，y表示聚类图中各个区 域的所有样本所对应的多类别不确定性MCLU的均值，n表示聚类图中各个区域中样本的总 数；
[0072] 第5步，按照下式，计算聚类图中各个区域的全局划分评价值：
[0073]
[0074] 其中，t表示聚类图中各个区域的全局划分评价值，P表示聚类图中各个区域的最 大类别所包含的样本数在该区域样本总数中所占的比例，*表示相乘操作，y表示聚类图中 各个区域的所有样本所对应的多类别不确定性MCLU的均值，O表示聚类图中各个区域的所 有样本所对应的多类别不确定性MCLU的标准差；
[0075] 第6步，将聚类图中各个区域的全局划分评价值大于等于1的区域，作为待划分区 域，将聚类图中各个区域的全局划分评价值小于1的区域，作为不可信区域。
[0076] 其次，利用局部划分法，将待划分区域划分为可信区域和不可信区域。
[0077] 所述的局部划分法，具体步骤如下：
[0078] 第1步，在聚类图中的每个待划分区域中依次选出一个多类别不确定性MCLU值最 小的样本；
[0079] 第2步，从分类图中选取与所选的多类别不确定性MCLU值最小的样本所对应的类 别标签，将该类别标签作为该样本的分类标签；
[0080] 第3步，计算分类图对应于聚类图中的每个待划分区域的各个类别所包含的样本 总数，得到样本总数最多的类别标签；
[0081] 第4步，将聚类图中每个待划分区域中包含样本总数最多的类别的类别标签作为 从该待划分区域中所选出的样本的聚类标签；
[0082] 第5步，比较聚类图中各个待划分区域所选取的多类别不确定性MCLU值最小的样 本的聚类标签和分类标签，标签相同时，将对应区域作为可信区域，否则作为不可信区域。
[0083] 最后，将聚类图的不可信区域和待划分区域的不可信区域W集合求并集的形式合 并，得到不可信区域集合，将待划分区域的可信区域作为可信区域集合。
[0084] 本步骤中提到的多类别不确定性MCLU值是通过多类别不确定性MCLU方法求得的。 按照下式，计算样本的多类别不确定性MCLU值：
[0085]
[0086]
[0087]
[0088] 其中，ri表示样本相对于分类面的距离最大值的序号，X是待计算的样本，fi(x)表 示在支撑向量机SVM中样本X与第i个分类面的距离，k表示样本集包含的类别数，r2表示样 本相对于分类面的距离的次大值的序号，d(x)表示样本的多类别不确定性MCLU值。
[0089] 步骤6,区域样本标记。
[0090] 从可信区域集合的各个区域中选取多类别不确定性MCLU值最小的样本，将分类图 中与该样本对应的分类标签作为该样本的类别标签。
[0091] 从不可信区域集合的各个区域中选取多类别不确定性MCLU值最小的样本，将待分 类高光谱图像数据集中与该样本对应的真实类别标签作为该样本的类别标签。
[0092] 步骤7,更新样本集。
[0093] 将训练样本集和从各个区域中所选取的多类别不确定性MCLU值最小的样本W集 合求并集的形式合并，得到更新后的训练样本集。
[0094]从测试样本集中减去与从各个区域中所选取多类别不确定性MCLU值最小的样本 相同的样本，得到更新后的测试样本集。
[00%]步骤8,判断最大迭代次数是否为0,若是，则执行步骤(9)，否则，将最大迭代次数 减1后执行步骤(4)。
[0096] 步骤9,利用更新后的训练样本集训练支撑向量机SVM对测试样本集进行分类，输 出高光谱图像分类图。
[0097] 下面通过仿真实验对本发明的效果做进一步说明。
[0098] 1、仿真实验条件：
[0099] 本发明仿真实验的条件是为:CPU:Intel Core 15 2430M，基本频率2.4G化，内存 2G,MATLAB MatlabR201 化。
[0100] 本发明使用的高光谱图像Indiana Pines,它是由美国国家航天局的机载可见/红 外成像光谱仪(AVIRIS)对美国Indiana州西北部印第安遥感实验区的成像。Indiana Pine 包含树木、草地和农作物等在内的16中地物，共10366个像素，其光谱范围375-2200WH，空间 分辨率是20m。该图像是145X145X220的数据立方体，共有220个波段，由于水雾和大气等 噪声的影响去除了 104-108、150-163、220波段，仿真实验使用剩余的200个波段。
[0101 ] 2、仿真实验内容和结果分析：
[0102] 本发明仿真实验是W-对多的支撑向量机SVM(OAA)分类器为基础，选用高斯径向 基核函数(RBF)为仿真实验的核函数。仿真实验中通过5-折交叉验证网格捜索参数丫和C的 值，C是模型正规化的参数，丫是高斯核函数的核参数，本发明中C = 31.62, 丫 =0.32。交叉 验证的方法是为了寻找对于训练支撑向量机SVM的最优的值。设置全局划分标准的阔值为 1。对于本发明而言，设置初始化已标记训练样本数为160，每代选取的样本都是自适应的， 设置最大迭代次数22,最终提出的算法将很快收敛到较高的精度。
[0103] 为了验证本发明所提方法的有效性，将本发明的方法和现有技术的两种主动学习 的方法进行了对比。运两种方法分别是Beg恤Demir等人提出的基于M化U-ECBD采样的主动 学习方法和Li Jun等人提出的LORSAL-AL主动学习方法，W上两种方法均使用了主动学习 的思想，区别在于使用了不同的采样方法选取样本。另外，还与一些经典的主动学习方法进 行了对比，如基于随机采样(RS)的主动学习，基于类别不确定性(MCLU)采样的主动学习。
[0104] 本发明的仿真实验中使用的现有技术均采用160个初始已标记训练样本，根据各 个现有技术自身的采样方法，在每代选取30个新标记样本加入到已标记训练样本集中，迭 代次数是30。也就是说，主动学习过程中人工专家标记的样本数为1060,其余的未标记样本 作为测试样本。
[0105] 本发明和现有技术在已标记样本数为610时的分类精度对比如表1所示。表1中的 RS表示基于RS采样的主动学习方法，MCLU表示基于MCLU采样的主动学习方法，LORSAkAL表 示LORSAL-AL主动学习方法，MCLU-ECBD表示基于MCLU-ECBD采样的主动学习方法。
[0106] 表1
[0107]
[0108] 从表1可W看出，本发明分类精度明显高于其他现有技术。
[0109] 本发明与现有技术的分类效果图如图3所示，其中，图3(a)是高光谱图像的实际地 物类别图，图3(b)是基于RS采样的主动学习方法的分类效果图，图3(c)是基于MCLU采样的 主动学习方法的分类效果图，图3(d)是LORSAL-AL主动学习方法的分类效果图，图3(e)是基 于MCLU-EC抓采样的主动学习方法的分类效果图，图3(f)是本发明的分类效果图。
[0110] 表2 「01111
LUi 1^」 伞及明卿观巧化不化分失巧设迈判yu% W王町所雨的G称化巧伞数[观巧Z所 示。表2中的RS表示基于RS采样的主动学习方法，M化U表示基于MCLU采样的主动学习方法， LORSAL-AL表示LORSAL-AL主动学习方法，MCLU-ECBD表示基于MCLU-ECBD采样的主动学习方 法。
[0113] 从表2可W看出，本发明只需620个已标记样本就可使得分类精度达到90% W上， 而现有技术基于MCLU采样的主动学习方法、LORSAL-AL主动学习方法和基于MCLU-EC抓采样 的主动学习方法至少需要1000 W上的已标记样本，本发明显然需要的标记样本更少，而现 有技术基于RS采样的主动学习方法在我们规定的最大已标记样本时未达到90%的分类精 度，因此，使用--表不。
[0114] 图4描述的是本发明与现有技术的分类精度曲线图。其中，横坐标表示已标记样本 的数量，纵坐标表示总体分类精度。图中W菱形标示的曲线表示使用本发明的分类精度曲 线图，WS角形标示的曲线表示使用基于RS采样的主动学习方法的分类精度曲线，W星形 标示的曲线表示使用基于MCLU采样的主动学习方法的分类精度曲线，W十字标示的曲线表 示使用LORSAkAL主动学习方法的分类精度曲线，W方框标示的曲线表示使用基于MCLU- EC抓采样的主动学习方法的分类精度曲线。
[0115] 从图4中可W看出，本发明每一代之间的横坐标间隔在逐渐减小，说明每一代选取 的标记样本数在逐渐减少，但精度却在持续增加，说明了本发明的有效性，促进了算法的收 敛。
【主权项】
1. 一种基于主动学习和半监督学习的高光谱图像分类方法，包括以下步骤： (1) 输入数据： (la) 输入一幅待分类的高光谱图像； (lb) 输入与待分类的高光谱图像对应的高光谱图像数据集； (lc) 从输入的高光谱图像数据集的样本中，选取与高光谱图像数据集地物类别分别对 应的训练样本集； (id)将高光谱图像数据集中剩余的样本作为测试样本集； (2) 获取聚类图： 采用迭代数据分析均值漂移法，对待分类的高光谱图像进行聚类操作，得到待分类的 高光谱图像的聚类图； (3) 设置最大迭代次数为22; (4) 分类： 利用训练样本集训练支撑向量机SVM对测试样本集进行分类，得到待分类高光谱图像 的分类图； (5) 区域划分： (5a)利用全局划分法，将聚类图中的所有区域划分为待划分区域和不可信区域； (5b)利用局部划分法，将待划分区域划分为可信区域和不可信区域； (5c)将聚类图的不可信区域和待划分区域的不可信区域以集合求并集的形式合并，得 到不可信区域集合，将待划分区域的可信区域作为可信区域集合； (6) 区域样本标记： (6a)从可信区域集合的各个区域中选取多类别不确定性MCLU值最小的样本，将分类图 中与该样本对应的分类标签作为该样本的类别标签。 (6b)从不可信区域集合的各个区域中选取多类别不确定性MCLU值最小的样本，将待分 类高光谱图像数据集中与该样本对应的真实类别标签作为该样本的类别标签。 (7) 更新样本集； (7a)将训练样本集和从各个区域中所选取的多类别不确定性MCLU值最小的样本以集 合求并集的形式合并，得到更新后的训练样本集； (7b)从测试样本集中减去与从各个区域中所选取多类别不确定性MCLU值最小的样本 相同的样本，得到更新后的测试样本集； (8) 判断最大迭代次数是否为0,若是，则执行步骤(9)，否则，将最大迭代次数减1后执 行步骤(4); (9) 利用更新后的训练样本集训练支撑向量机SVM对测试样本集进行分类，输出高光谱 图像分类图。2. 根据权利要求1中所述的基于主动学习和半监督学习的高光谱图像分类方法，其特 征在于:步骤(5a)中所述的全局划分法的具体步骤如下： 第1步，统计待分类高光谱图像分类图中的各类别在聚类图所形成的各个区域中的样 本总数； 第2步，按照下式，计算聚类图中各个区域的最大类别所包含的样本数在该区域样本总 数中所占的比例：其中，P表示聚类图中各个区域的最大类别所包含的样本数在该区域样本总数中所占 的比例，nmax表示各个区域中最大类别的样本数，C表示待分类高光谱图像的类别总数，Σ表 示叠加操作，m表示聚类图中各个区域中第i类样本的总数； 第3步，按照下式，计算聚类图中各个区域的所有样本所对应的多类别不确定性MCLU值 的均值：其中，μ表示聚类图中各个区域的所有样本所对应的多类别不确定性MCLU的均值，η表 示聚类图中各个区域中样本的总数，Σ表示叠加操作，cU表示聚类图中各个区域中第i个样 本的多类别不确定性MCLU值； 第4步，按照下式，计算聚类图中各个区域的所有样本所对应的多类别不确定性MCLU值 的标准差：其中，σ表示聚类图中各个区域的所有样本所对应的多类别不确定性MCLU的标准差，^ 表示求平方根操作，η表示聚类图中各个区域中样本的总数，Σ表示叠加操作，（·）2表示求 平方操作，cU表示聚类图中各个区域中第i个样本的MCLU值，μ表示聚类图中各个区域的所 有样本所对应的多类别不确定性MCLU的均值，η表示聚类图中各个区域中样本的总数； 第5步，按照下式，计算聚类图中各个区域的全局划分评价值：其中，t表示聚类图中各个区域的:ΞΕ/?0欠|」HT τ η且，Ρ衣/」丨聚类图中各个区域的最大类 别所包含的样本数在该区域样本总数中所占的比例，*表示相乘操作，μ表示聚类图中各个 区域的所有样本所对应的多类别不确定性MCLU的均值，σ表示聚类图中各个区域的所有样 本所对应的多类别不确定性MCLU的标准差； 第6步，将聚类图中各个区域的全局划分评价值大于等于1的区域，作为待划分区域，将 聚类图中各个区域的全局划分评价值小于1的区域，作为不可信区域。3.根据权利要求1中所述的基于主动学习和半监督学习的高光谱图像分类方法，其特 征在于:步骤(5b)中所述的局部划分法的具体步骤如下： 第1步，在聚类图中的每个待划分区域中依次选出一个多类别不确定性MCLU值最小的 样本； 第2步，从分类图中选取与所选的多类别不确定性MCLU值最小的样本所对应的类别标 签，将该类别标签作为该样本的分类标签； 第3步，计算分类图对应于聚类图中的每个待划分区域的各个类别所包含的样本总数， 得到样本总数最多的类别标签； 第4步，将聚类图中每个待划分区域中包含样本总数最多的类别的类别标签作为从该 待划分区域中所选出的样本的聚类标签； 第5步，比较聚类图中各个待划分区域所选取的多类别不确定性MCLU值最小的样本的 聚类标签和分类标签，标签相同时，将对应区域作为可信区域，否则，作为不可信区域。
【文档编号】G06K9/62GK105956612SQ201610261010
【公开日】2016年9月21日
【申请日】2016年4月25日
【发明人】慕彩红, 刘逸, 张文龙, 朱虎明, 熊涛, 刘若辰, 田小林, 李成洲, 焦李成
【申请人】西安电子科技大学