基于改进遗传算法的全极化sar图像监督分类方法
【专利摘要】本发明公开了一种基于改进遗传算法的全极化SAR图像监督分类方法，包括：对SAR图像进行预处理；从散射矩阵S、相干矩阵T、协方差矩阵C中提取特征；将所有特征组成原始特征集作归一化；挑选训练样本集和测试样本集；将训练样本集分类；根据散射信息和分类器参数，构造特征和参数编码区；将分好类的训练样本集放入特征编码区，将分类器参数放入参数编码区；对特征编码区和参数编码区进行二进制编码并组合成染色体；对染色体进行选择、交叉、变异、再组合计算适应值的形式进行寻优过程，得到最优染色体，然后进行反编码得到最佳特征子集和分类器参数，以此训练分类器得到分类结果图。本发明能选择更有效的特征，改善分类效果，加快收敛速度，提高计算效率。
【专利说明】
基于改进遗传算法的全极化SAR图像监督分类方法
技术领域
[0001] 本发明属于遥感图像处理技术领域，涉及遥感图像分类领域的应用，具体来说涉 及一种基于改进遗传算法的全极化SAR图像监督分类方法。
【背景技术】
[0002] 随着星载极化SAR系统陆续投入使用，近年来，极化SAR数据在遥感领域的应用越 来越广泛。全极化SAR利用了电磁波的极化特性，通过测量地面每个分辨单元内的散射回 波，进而获得极化散射矩阵，可将目标的散射能量、相位以及极化特征统一起来，获取比单 级化SAR更加丰富的地物信息，因此利用全极化SAR数据进行分类已成为SAR图像分类的主 要研究方向之一。根据是否使用训练样本，现有的极化SAR图像分类方法一般可分为监督分 类和非监督分类两类，近年来也有学者将半监督学习用于极化SAR图像分类中，然而通常监 督分类法更容易获得较好的分类效果。
[0003] 极化SAR图像分类依赖于丰富的目标特征，国内外众多学者提出了一系列极化特 征参数，可以归纳为以下三类:一类是由观测数据如极化散射矩阵、协方差矩阵、相干矩阵 等直接或经简单运算得到的特征，例如极化比、相位差、相关系数、相似性参数等;一类是经 极化目标分解得到的目标散射特征，例如Pauli分解、cloude分解、Krogager分解等;还有一 类是根据极化SAR图像的统计分布特性获得的特征，例如纹理特征等。尽管一般而言，分类 特征越多，信息量越大，分类效果理论上越好。然而，特征越多，冗余信息也多，利用所有特 征进行分类的效果有时未必是最好的。如何有效地从众多的特征中选取合适的特征来分类 一直是极化SAR图像分类研究的难点。
[0004] 遗传算法(Genetic Algorithm，简称Ga)由Michigan大学J. Hoi land教授于 1975年 首先提出，是一种模拟生物进化规律、以物尽天择为基本思想演化而来的启发式随机搜索 算法。该方法适用于对较大特征空间进行搜索，且不要求评价函数具有某些特性，在解决特 征选择方面难题时具有较大优势。虽然已有学者将遗传算法应用于全极化SAR图像分类中， 但该算法却存在以下问题：1)缺乏较为完善的收敛理论，容易造成早熟和欺骗问题;2)在寻 求最优解时，缺乏明确的方向性;3)搜索效率不高，尤其是较大特征空间进行搜索时，容易 陷入局部最优。
【发明内容】
[0005] 为解决现有技术的不足，本发明的目的在于提供一种基于改进遗传算法的全极化 SAR图像监督分类方法，一方面能提取更有效的特征，改善分类效果；另一方面能加快收敛 速度，提高计算效率。
[0006] 为了实现上述技术目的，本发明是通过如下的技术方案来实现的：
[0007] -种基于改进遗传算法的全极化SAR图像监督分类方法，包括如下步骤：
[0008] 1)输入待分类的全极化SAR图像，对其进行滤波预处理；
[0009] 2)从预处理后的全极化SAR图像的散射矩阵S、相干矩阵T、协方差矩阵C中提取多 类特征；
[0010] 3)将提取的所有特征组合成原始特征集，并作归一化处理;然后根据全极化SAR图 像的地物分布参考图，随机选择每类地物的训练样本，组成训练样本集;随机均匀的挑选测 试样本集，作为后续整体测试精度评定依据；
[0011] 4)根据地物散射特征信息，将训练样本的特征进行先验知识分类，分类标准为实 际地物在全极化SAR图像上表现的散射机制；
[0012] 5)根据全极化SAR图像的不同地物类别表现的散射信息，构造遗传算法特征编码 区；
[0013] 6)根据分类器参数，构造遗传算法参数编码区；
[0014] 7)将步骤4)中分好类的特征集放入相应的特征编码区，将不同分类器参数放入相 应的参数编码区；
[0015] 8)对上述特征编码区和参数编码区分别进行二进制编码并组合成染色体、初始种 群设置和必要参数设置；
[0016] 9)对已编码的染色体利用遗传算法进行选择、交叉、变异、再组合计算适应值的形 式进行寻优过程，其中以测试样本集计算的整体测试精度作为适应函数的参考，得到最优 染色体；
[0017] 10)对最优染色体进行反编码得到最佳特征子集和分类器参数，以此训练分类器 并进行地物分类得到分类结果图。
[0018] 所述步骤2)中的多类特征包括:基于测量数据及其简单变换组合的特征、基于极 化目标分解的特征和传统光学图像处理扩展到SAR图像处理的特征。
[0019] 所述步骤3)中原始特征集的归一化操作按如下公式进行：
[0020] (1)
[0021 ]其中min和max分别为每类特征中最小值和最大值。
[0022] 所述步骤4)中，根据地物散射特征信息，将训练样本的特征进行先验知识分类，具 体过程为:根据表面散射机制、偶次散射机制、体散射机制和其他机制将训练样本的特征分 为4类。
[0023] 所述步骤5)中，特征编码区包括主特征编码区和辅助特征编码区；所述主特征编 码区内包括实测地区内的主要地物的散射特征信息，包括表面散射特征编码区、体散射特 征编码区、偶次散射特征编码区中的一个或者多个;辅助特征编码区内包括实测地区内比 较少的地物的特征，包括表面散射特征编码区、体散射特征编码区、偶次散射特征编码区、 纹理特征等编码区中的一个或者多个。
[0024] 所述步骤9)交叉、变异时，需要添加约束条件，约束条件为主特征编码区内的染色 体基因必定不全为〇,个体适应函数公式如下：
[0025] Fitness(xi) =ffiXC(x) X 100-ff2X0nes (2)
[0026] 其中FitneSS(Xl)为个体适应值，C(x)是整体测试精度，即利用每个个体表示的特 征子集和分类器参数进行训练获得SVM分类器，并通过对测试样本的预测和比对获得测试 精度，Ones是特征集中选取的特征个数?是平衡精度和特征维数之间的比例系数。
[0027] 所述步骤8)中，进行二进制编码时，特征编码区染色体的每个基因的'0'或'1'代 表特征的排除与选择，参数编码区染色体通过二进制转换成实数，并设置初始种群个数和 迭代次数。
[0028] 本发明的有益效果：
[0029] 1)利用专家知识对目前的各类特征进行预分类，减少计算量，提高运算效率。
[0030] 2)根据图像具体地物构造编码区，建立约束条件，避免了无效染色体，提供明确的 进化方向。
[0031] 3)将特征选择过程和分类器参数寻优过程结合，降低了分类器对自身参数的敏感 性，选择的特征更加可靠。
[0032] 4)仿真结果表明本发明相比传统遗传算法提高了搜索效率和收敛速度，有效地克 服了早熟现象，能够获得更优的特征子集和分类参数，从而得到更加准确的分类结果。
【附图说明】
[0033]图1为本发明方法的流程示意图。
[0034]图2为本发明仿真实验中改进遗传算法的组合式染色体编码区寻优策略。
[0035]图3为本发明仿真实验区域的位置示意图及Pauli RGB合成图。
[0036]图4为利用不同的特征集进行分类的仿真结果图。
[0037] 其中Pauli-SVM代表利用Pauli分解得到特征集进行分类的仿真结果，Freeman-SVM代表利用Freeman分解得到特征集进行分类的仿真结果，Cloude-SVM代表利用Cloude分 解得到特征集进行分类的仿真结果，Total-SVM代表利用所有特征组成的特征集进行分类 的仿真结果，Ga-SVM代表利用传统遗传算法进行特征选择后进行分类的仿真结果，IGa-SVM 代表利用本发明方法进行分类的仿真结果。
[0038]图5为采用本发明方法与利用经典遗传算法进行分类（即Ga-SVM方法）的精度对比 图。
【具体实施方式】
[0039]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明 进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于 限定本发明。
[0040]下面结合附图对本发明的应用原理作详细的描述。
[0041 ] -种基于改进遗传算法的全极化SAR图像监督分类方法，包括如下步骤：
[0042] 1)输入待分类的全极化SAR图像，对其进行滤波预处理；
[0043] 2)从预处理后的全极化SAR图像的散射矩阵S、相干矩阵T、协方差矩阵C中提取多 类特征；
[0044] 3)将提取的所有特征组合成原始特征集，并作归一化处理;然后根据全极化SAR图 像的地物分布参考图，随机选择每类地物的训练样本，组成训练样本集;随机均匀的挑选测 试样本集，作为后续整体测试精度评定依据；
[0045] 4)根据地物散射特征信息，将训练样本的特征进行先验知识分类，分类标准为实 际地物在全极化SAR图像上表现的散射机制；
[0046] 5)根据全极化SAR图像的不同地物类别表现的散射信息，构造遗传算法特征编码 区；
[0047] 6)根据分类器参数，构造遗传算法参数编码区；
[0048] 7)将步骤4)中分好类的特征集放入相应的特征编码区，将不同分类器参数放入相 应的参数编码区；
[0049] 8)对上述特征编码区和参数编码区分别进行二进制编码并组合成染色体、初始种 群设置和必要参数设置；
[0050] 9)对已编码的染色体利用遗传算法进行选择、交叉、变异、再组合计算适应值的形 式进行寻优过程，其中以测试样本集计算的整体测试精度作为适应函数的参考，得到最优 染色体；
[0051] 10)对最优染色体进行反编码得到最佳特征子集和分类器参数，以此训练分类器 并进行地物分类得到分类结果图。
[0052] 所述步骤2)中的多类特征包括:基于测量数据及其简单变换组合的特征、基于极 化目标分解的特征和传统光学图像处理扩展到SAR图像处理的特征。
[0053]所述步骤3)中原始特征集的归一化操作按如下公式进行：
[0054] (1)
[0055] 其中min和max分别为每类特征中最小值和最大值。
[0056] 所述步骤4)中，根据地物散射特征信息，将训练样本的特征进行先验知识分类，具 体过程为:根据表面散射机制、偶次散射机制、体散射机制和其他机制将训练样本的特征分 为4类。
[0057] 所述步骤5)中，特征编码区包括主特征编码区和辅助特征编码区；所述主特征编 码区内包括实测地区内的主要地物的散射特征信息，包括表面散射特征编码区、体散射特 征编码区、偶次散射特征编码区中的一个或者多个;辅助特征编码区内包括实测地区内比 较少的地物的特征，包括表面散射特征编码区、体散射特征编码区、偶次散射特征编码区、 纹理特征等编码区中的一个或者多个。
[0058] 所述步骤9)交叉、变异时，需要添加约束条件，约束条件为主特征编码区内的染色 体基因必定不全为〇,个体适应函数公式如下：
[0059] Fitness(xi) =ffiXC(x) X 100-ff2X0nes (2)
[0060] 其中FitneSS(Xl)为个体适应值，C(x)是整体测试精度，即利用每个个体表示的特 征子集和分类器参数进行训练获得SVM分类器，并通过对测试样本的预测和比对获得测试 精度，Ones是特征集中选取的特征个数?是平衡精度和特征维数之间的比例系数。
[0061] 所述步骤8)中，进行二进制编码时，特征编码区染色体的每个基因的'0'或'1'代 表特征的排除与选择，参数编码区染色体通过二进制转换成实数，并设置初始种群个数和 迭代次数。
[0062] 以下根据本发明的方法介绍一种具体的实施例：
[0063] 步骤1):对原始全极化SAR数据进行预处理，采用Refined Lee滤波算法消除SAR图 像中斑点噪声的影响，增强图像的可读性；
[0064]步骤2):对预处理后的图像进行特征提取，所提取的特征如表1所述，其具体实现 如下：
[0065] 2.1)从预处理后得到的全极化SAR图像的散射矩阵S中提取总功率、同/交叉极化 比、同/交叉相位差、同/交叉相关系数、平面角/二面角相似性参数;将散射矩阵S矢量化，生 成协方差矩阵C，并提取协方差矩阵C的矩阵参数，共计15个特征参数;将散射矩阵S矢量化， 生成相干矩阵T;
[0066] 2.2)对散射矩阵5进行?&1111分解、&吨&8從分解、1'〇114分解;对相干矩阵1'或者协 方差矩阵C 进行 Freeman 分解、Cloude分解、Yamaguchi 分解、Beta/Delta/Gamma/Lambda 分 解，提取23个特征参数；
[0067] 2.3)对总功率图像取0、45、90、135度4个方向灰度共生矩阵的平均值作为局部图 像中心像元位置的灰度共生矩阵，提取对比度、均匀性、均值、差异性4个特征参数；
[0068] 表 1
[0069]
[0070] 上表中：第1-9个参数是根据全极化SAR图像的散射矩阵S按表中公式计算得到的， 3&、51"、5*、5"即为散射矩阵中各元素，*代表共辄。第10-15个参数是从协方差矩阵(：中提 取，分别为协方差矩阵的第i行第j列元素 ，I · I表示取模。Pauli分解将Sinclair矩阵分解 成4种成分之和，在互易的条件下主要表现为奇次散射、偶次散射和31/4偶次散射3种成分， 第16-18为描述上述3种成分的参数;而Krogager分解在圆极化基的基础上将目标分解为3 种成分:球散射、螺旋体散射、二面角散射，第19-21为描述上述3种成分的参数;第22-25为 1'〇112；[分解中最常用的4个参数，3]^1^、〖311411；[48；[;?^61]^11分解协方差矩阵分解成3个不 同的散射机理:体散射、二次散射、面散射，第26-28为描述上述3种成分的参数;第29-31为 cloude分解下常用的3个参数:散射熵，散射角，各项异性量;Yamaguchi分为体散射、二次散 射、面散射、螺旋散射4种成分，第32-34为描述上述4种成分的参数;第35-38为经Η/Α/α分解 后计算得到的4个参数:Beta、Delta、Gamma和Lambda参数;第39-42为从总功率图像中提取 的4个纹理参数，分别为对比度、均匀性、均值和差异性。
[0071]步骤3):将提取的所有特征组合成原始特征集并作归一化处理，根据极化SAR图像 的地物分布参考图，随机选择每类地物的训练样本，组成训练样本集;并随机均匀的挑选测 试样本集，作为后续测量精度评定依据，其具体实现如下：
[0072] 3.1)将经特征提取得到的42个特征组成特征集并按照公式（1)进行归一化处理；
[0073] 3.2)根据野外调查及与高分辨率光学卫星图像进行对比分析，随机选择每类地物 的训练样本，组成训练样本集，每类地物选取150个左右的训练样本，利用这些训练样本训 练SVM分类器;并另外随机均匀选取每类大致500个测量样本作为测试集，作为后续精度评 定依据。
[0074]步骤4):根据地物散射特征信息，将训练样本的特征进行先验知识分类，分类标准 为实际地物在全极化SAR图像上表现的散射机制；
[0075] 表1中为方便表述，对各个特征参数进行了编号；其中第3、6、13、15、17、20、28、34 共8个特征为体散射类别;第2、8、12、14、18、19、27、33共8个特征为表面散射类别;第1、4、7、 9、11、16、18、26、32、38共10个为偶次散射类别，其余特征归为其他类别。
[0076]步骤5):根据全极化SAR图像的不同地物类别表现的散射信息，构造遗传算法特征 编码区；其具体实现如下：
[0077] 5.1)研究区主要以水体、池塘、农田等平滑地物(具有表面散射的特征）和树林及 茂密的农作物(具有体散射的特征)为主，建筑区域较少(如果实验区中建筑区密集，可加入 三区为表征偶次散射的特征），所以以表征体散射和表面散射的特征为主，则特征编码区可 分为3个;一区为表现体散射的特征，二区为体现为表面散射的特征及三区的辅助特征； [0078]步骤6):根据分类器参数，构造遗传算法参数编码区；其具体实现如下：
[0079] 6.1)分类器采用的RBF-SVM，其分类器参数为核函数形状因子σ和惩罚因子C，则参 数区分为2个。
[0080] 步骤7):将步骤4)中分好类的特征集放入相应的特征编码区，将不同分类器参数 放入相应的参数编码区。
[0081] 步骤8):对特征编码区和参数编码区分别进行二进制编码组合成染色体、初始种 群和设置必要参数。其具体实现如下：
[0082] 8.1):将上述的5个编码区即：必要特征一、必要特征二、辅助特征、惩罚因子C和形 状因子σ作为5段染色体二进制编码，前面三段以'0'或'1'代表特征的排除与选择，共42个 基因；后两段通过43-48位和49-54位的各6个二进制转换成实数;并添加约束条件为主特征 区（必要特征一和必要特征二）的基因必定不全为0。
[0083] 8.2):将编码好的染色体设置初始种群，规模20-200自由设定，如果初始种群中的 个体有不符合约束条件的，则定义为不合格个体，将其去除，设置迭代次数10-100和停止条 件。
[0084] 步骤9):对已编码的染色体利用改进遗传算法进行选择、交叉、变异、再组合计算 适应值的形式进行寻优过程，其中以测试样本集计算的整体测试精度作为适应函数的参 考，得到最优染色体，如图2所述。
[0085] 其中，选择算子采用经典的轮盘赌法，交叉运算则采用单点交叉，形成新的染色体 分段并对其约束，如果前2段中有全部为0的染色体，则随机在该段染色体上的某个基因置 为'Γ;变异运算时，进行基本位变异运算得到新的染色体，如果前2段中有全部为0的染色 体，则变异失败，需要重新变异，否则变异成功;终止条件设置为已到达指定的最大进化代 数Μ或者最佳特征子集连续N代都没有发生变化;其中M、N根据实际情况设置。
[0086] 步骤10):对最优染色体进行反编码得到最佳特征子集和分类器参数，以此训练分 类器并进行地物分类得到分类结果图，如图5所述。
[0087] 下面利用发明的方法进行仿真实验，具体说明如下：
[0088]仿真内容:应用本发明方法（下文简称IGa-SVM方法)对某实测全极化SAR图像(见 图3)进行分类实验，并采用5种传统方法进行对比实验，分析各方法性能。这5种方法依次为 利用Paul i分解得到特征集进行SVM分类(简称Paul i-SVM方法）、利用Freeman分解得到特征 集进行SVM分类（简称Freeman-SVM方法）、利用Cloude分解得到特征集进行SVM分类（简称 Cloude-SVM方法）、利用所有特征组成的特征集进行SVM分类(简称Total-SVM方法）以及利 用传统遗传算法进行特征选择后的特征集进行SVM分类(简称Ga-SVM方法）。
[0089] 仿真实验结果:本方法以及5种传统方法的分类结果如图4所示，以图3作为分析分 类结果效果的参照，并对本方法与利用传统遗传算法进行分类(即Ga-SVM方法)的分类精度 进行对比，如图5所示。
[0090] 由图4可以发现，Paul i-SVM方法的农田和旱地有部分混淆，并且鱼塘和沙滩混淆 严重，Freeman-SVM方法同样有此问题，说明单一特征集尽管能对地物进行较好分类，但是 缺少更为完善的信息。Total-SVM方法得到的分类结果效果最差，可见，特征与特征之间相 关性较大，如果想从大量的特征中获取完善信息，特征选择是必可不少的一个过程。Ga-SVM 和本文方法获得的分类图中地物的边界更清晰且连续，散射机制类似的区域得到了较好的 区分，最终结果与真实地表更加接近。为分析本发明中改进遗传算法的有效性，进一步对比 了Ga-SVM和本文方法，从图5可以得出，采用本发明方法，进化30代之后开始收敛，而传统的 遗传算法进行特征选择则需要进化60代之后，可知本发明能避免出现无效的染色体，提高 特征选择的搜索效率和收敛速度。此外，本发明的方法的分类精度也更高，搜索效率更优， 收敛性快，有效地避免了早熟现象。
[0091] 以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术 人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本 发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变 化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其 等效物界定。
【主权项】
1. 一种基于改进遗传算法的全极化SAR图像监督分类方法，其特征在于，包括如下步 骤： 1) 输入待分类的全极化SAR图像，对其进行滤波预处理； 2) 从预处理后的全极化SAR图像的散射矩阵S、相干矩阵T、协方差矩阵C中提取多类特 征； 3) 将提取的所有特征组合成原始特征集，并作归一化处理;然后根据全极化SAR图像的 地物分布参考图，随机选择每类地物的训练样本，组成训练样本集;随机均匀的挑选测试样 本集，作为后续整体测试精度评定依据； 4) 根据地物散射特征信息，将训练样本的特征进行先验知识分类，分类标准为实际地 物在全极化SAR图像上表现的散射机制； 5) 根据全极化SAR图像的不同地物类别表现的散射信息，构造遗传算法特征编码区； 6) 根据分类器参数，构造遗传算法参数编码区； 7) 将步骤4)中分好类的特征集放入相应的特征编码区，将不同分类器参数放入相应的 参数编码区； 8) 对上述特征编码区和参数编码区分别进行二进制编码并组合成染色体、初始种群设 置和必要参数设置； 9) 对已编码的染色体利用遗传算法进行选择、交叉、变异、再组合计算适应值的形式进 行寻优过程，其中W测试样本集计算的整体测试精度作为适应函数的参考，得到最优染色 体； 10) 对最优染色体进行反编码得到最佳特征子集和分类器参数，W此训练分类器并进 行地物分类得到分类结果图。2. 根据权利要求1所述的基于改进遗传算法的全极化SAR图像监督分类方法，其特征在 于:所述步骤2)中的多类特征包括:基于测量数据及其简单变换组合的特征、基于极化目标 分解的特征和传统光学图像处理扩展到SAR图像处理的特征。3. 根据权利要求1所述的基于改进遗传算法的全极化SAR图像监督分类方法，其特征在 于:所述步骤3)中原始特征集的归一化操作按如下公式进行：tl) 其中min和max分别为每类特征中最小值和最大值。4. 根据权利要求1所述的基于改进遗传算法的全极化SAR图像监督分类方法，其特征在 于:所述步骤4)中，根据地物散射特征信息，将训练样本的特征进行先验知识分类，具体过 程为:根据表面散射机制、偶次散射机制、体散射机制和其他机制将训练样本的特征分为4 类。5. 根据权利要求1所述的基于改进遗传算法的全极化SAR图像监督分类方法，其特征在 于:所述步骤5)中，特征编码区包括主特征编码区和辅助特征编码区;所述主特征编码区内 包括实测地区内的主要地物的散射特征信息，包括表面散射特征编码区、体散射特征编码 区、偶次散射特征编码区中的一个或者多个;辅助特征编码区内包括实测地区内比较少的 地物的特征，包括表面散射特征编码区、体散射特征编码区、偶次散射特征编码区、纹理特 征编码区中的一个或者多个。6. 根据权利要求5所述的基于改进遗传算法的全极化SAR图像监督分类方法，其特征在 于:所述步骤9)交叉、变异时，需要添加约束条件，约束条件为主特征编码区内的染色体基 因必定不全为0,个体适应函数公式如下： Fitness(xi)=WiXC(x) XlOO-WsXOnes (2) 其中Fitness(xi)为个体适应值，C(x)是整体测试精度，即利用每个个体表示的特征子 集和分类器参数进行训练获得SVM分类器，并通过对测试样本的预测和比对获得测试精度， 化es是特征集中选取的特征个数，Wi、W2是平衡精度和特征维数之间的比例系数。7. 根据权利要求1所述的基于改进遗传算法的全极化SAR图像监督分类方法，其特征在 于:所述步骤8)中，进行二进制编码时，特征编码区染色体的每个基因的'0'或'1'代表特征 的排除与选择，参数编码区染色体通过二进制转换成实数，并设置初始种群个数和迭代次 数。
【文档编号】G06K9/62GK105975986SQ201610283833
【公开日】2016年9月28日
【申请日】2016年5月3日
【发明人】徐佳, 袁春琦, 何秀凤, 陈媛媛, 胡翀
【申请人】河海大学