专利名称：一种基于可重叠矩形子模式的nam图像表示方法
技术领域：
本发明涉及计算机图像处理，特别涉及一种基于可重叠矩形子模式的非対称逆布局模型(NAM)图像表示方法。
背景技术：
图像表示是计算机图形学、计算机视觉、机器人、图像处理和模式识别等领域里的 ー个重要问题。有效的图像表示方法不仅能节省存储空间，而且还能提高图像处理的速度。 图像表示是目前最活跃的研究領域之一。就ニ值图像的表示方法而言，有码字集表示方法、 字符串表示方法及树结构的表示方法等，然而这些表示方法均是基于空间数据结构的。不同于空间数据结构的表示方法，Mohamed提出了一种基于非重叠矩形的ニ值图像表示方法 (Mohamed SA,Fahmy MM. Binary image compression using efficient partitioning into rectangular regions. IEEE Transactions on Communications,1995,43(5) :1888-1892), 并将这种表示方法有效地应用到ニ值图像的压缩中，取得了较好的效果。后来，Quddus对 Mohamed的这一方法作了进ー步的研究，提出了一种基于可重叠矩形的ニ值图像表示方法 (Quddus A,rahmy MM. Binary text image compression using overlapping rectangular partitioning, atter Recognition Letters, 1999,20(2) :81-88)，其实验结果表明使用可重叠矩形进行划分所得到的矩形的总数总是少于使用非重叠矩形进行划分所得到的矩形的总数。Quddus将这种表示方法成功应用到对文本图像的压缩中，获得了比Mohamed 更好的实验結果。对于一幅ニ值图像而言，与非重叠矩形划分相比，可重叠矩形划分总能够I犬得更 1 的表示效率(Quddus A, Fahmy MM. Binary text image compression using overlapping rectangular partitioning. Pattern Recognition Letters,1999,20(2) 81-88)。然而，由于实际中的图像大多是灰度图像，所以对灰度图像表示方法的研究具有更为广泛的用途和实际的意义。基于B-树三角形编码(BTTC)方法，Distasi等人首次提出了基于空间数据结构的灰度图像表示算法(R. Distasi, M. Nappi, S. Vitulano. Image compression by β-tree triangular coding. IEEE iransactions on Communications, 1997,45(9) :1095-1100)。由于Distasi首次将空间数据结构的设计从ニ值图像的表示扩展到了灰度图像的表示上来，因此基于BTTC的空间数据结构的灰度图像表示确实是一个先驱性的工作。后来，基于S树数据结构(W. D. Jonge，P. Scheuermann, A. Schijf. S十—Trees :An efncient structure for the representation of large pictures. Computer Vision and Image Understanding, 1994, 59 (3) :265-280)禾ロ Gouraud 阴景i法 (J. D. Foley,A. V. Dam,S. K. Feiner,et al. Computer Graphics,Principle,and Practice, second ed.Reading, MA :Addision-ffesley,1990), Chung 等(K. Chung, J. ffu. Improved image compression using S-tree and shading approach. IEEE Transactions on Communications, 2000,48 (5) :748-751)提出了一种基于S树的空间数据结构的灰度图像表示(STC)方法。STC方法的实验结果表明在保持图像质量和不牺牲图像压缩比的情况下，STC方法比BTTC方法的执行时间至少要少一半。随后，Chimg等提出了一种基于DCT 域和空域的混合灰度图像表示方法，简称为SDCT表示方法(Chung KL, Liu Yff, Yan丽.A hybrid gray image representation using spatial-and DCi-oased approach with application to moment computation. Journal of Visual Communication and Image Representation, 2006,17 (6) :1209-1226)。其实验结果表明在保持图像质量的前提下， SDCT表示方法在压缩比提高率方面比STC表示方法平均提高了 63. 08%，是ー种有效的灰度图像表示方法。然而由于SDCT表示方法的编解码时间复杂度是相同的，且是高于STC表示方法的。因此，相对于STC表示方法，SDCT表示获得的较高的压缩比是以牺牲算法的编解码时间复杂度为代价的。尽管上述的空间数据结构表示有许多优点，但是它们过于强调分割的対称性，因此不是最优的表示方法。借助于lacking问题的思想，以寻找分割最大化的非対称分割方法为目标，本发明人曾提出了一种基于矩形子模式的非対称逆布局模型(NAM)的彩色图像表示方法(郑运平，陈传波.一种基于非対称逆布局模型的彩色图像表示方法.软件学报， 2007,18(11) :2932-四41)，这种表示方法的基本思想是给定ー个已经布局好了的模式和一个预先定义的不同形状的矩形子模式，然后从这个给定的模式中抽出互不重叠的矩形子模式，用这些矩形子模式的組合来表示给定的模式。然而该文提出的基于矩形NAM的彩色图像表示方法的是图像的一种无损表示方法，并不适合图像的有损表示。后来，为了更有效地对图像进行表示和压縮，本发明人借助于BTTC和STC灰度图像表示算法的思想，提出了一种新的灰度图像表示算法，简称为RNAMC表示算法(郑运平，陈传波.一种新的灰度图像表示算法研究.计算机学报，2010，33 (1 =2397-2406) 0在RNAMC表示算法中，由于逆布局结果是非重叠的，因此只需给定左上、右下及孤立块的码字，即可得到一个标识顶点类型的矩阵R，在矩阵R中，符号“ 1，，和“2”分別用来标识矩形的左上角和右下角，符号“-1，，仅用来标识孤立点矩形。RNAMC表示算法逆布局后的互不重叠的同类块具有如下特点，即如果以光栅扫描的方式扫描矩阵R，每ー个矩形的左上顶点和右下顶点在列方向上是最近的。 只要原始图像被分割后的矩形互不重叠，矩阵R就是可以解码的。因此在RNAMC表示算法中，只能将原始图像逆布局为互不重叠的同类块，否则该算法是无法解码的。该算法的复杂度与BTTC和STC的复杂度是ー样的，即编解码部分的时间复杂度分别为0(m log m)和 0(m)，其中m为灰度图像的像素数。实验结果表明与流行的STC和SDCT表示方法相比，在保持图像质量的前提下，RNAMC表示算法具有更高的压缩比和更少的块数，因而能够更有效地减少数据存储空间，是灰度图像表示的ー种良好方法。但在RNAMC表示算法中，子模式是不允许重叠的，而可重叠矩形划分能够获得比非重叠矩形划分更高的表示效率，因此，需要提供一种基于可重叠矩形子模式的NAM图像表示方法。
发明内容
本发明的目的在于克服上述现有技术的缺点和不足，提供一种基于可重叠矩形子模式的NAM图像表示方法，能够更有效地提高图像表示时的压缩比及降低图像表示时的同类块总数，进ー步提高图像模式的表示和操作效率。本发明的目的通过以下技术方案实现一种基于可重叠矩形子模式的NAM图像表示方法，包括编码过程和解码过程，
所述编码过程包括以下步骤Sl将灰度图像矩阵G分割为可重叠的同类块，具体包括以下步骤Si. 1定义同类块为满足下述条件的矩形子模式该矩形子模式内所有像素的灰度值g(x，y)均满足条件IgU，y)-gest(x, y) I彡ε ；其中，ε为用户设定的误差允许量； gest(x, y)表示该矩形子模式中坐标(χ，y)处的近似灰度值，其定义如下设(X1, Y1) > (χ2, y2)分别为该矩形子模式左上角和右下角的坐标值，X1 ^ χ ^ χ2, Y1 ^ y ^ y2 ；如果X1 < X2 Iy1Sy2JJgest(Xj) = g5+(g6_g5) X “，如果X1 乒 X2Iy1 = y2，则 ^st(x，y)=も+( - ) X [(X-X1V(X2-X1)]；如果X1 = X2Iy1^y2JJgest(Xj)=も+( - ) X [Gi1V(Y2I1)]；如果X1 = X2 且 yi = y2,则 gest (χ, y) = gl ；其中gl、g2, g3、g4分别为该矩形子模式的左上角、右下角、左下角、右上角的灰度值；g5 = gi+(g2"gi) X i2' g6 = g3+ (g4"g3) X i2' ii = (y-yi)/(y2_yi) ‘ i2 = (X-X1)Z(X2-X1)；定义3个大小均为MXN的水平块矩阵H、垂直块矩阵V和单点块矩阵I，其中，H、V 和I中所有元素均初始化为0 ；将同类块的计数变量η赋值为0 ；其中，M和N均为自然数；Si. 2扫描同类块Si. 2. 1定义2个大小均为MXN的临时矩阵=TempH和TempV，分别用于标识在扫描过程中水平块和垂直块的分配情况；TempH和TempV中的所有元素均初始化为0 ；Si. 2. 2从灰度图像矩阵G左上角的第一点开始扫描，根据光栅扫描的順序确定一个未被标识的同类块的起始点U1, yi)，按顺序对横坐标和纵坐标进行扫描，根据扩展的 Gouraud阴影法确定出同类块右下角的坐标U2，y2)，得到面积最大的同类块(即该同类块所包含的像素数目最多)，并将此同类块在灰度图像矩阵G中作标识；在扫描过程中遵循以下准则若扫描时确定的面积最大的同类块在TempH中对应的位置的值为0，则将TempH中该同类块对应的位置的值置为1 ；若扫描时遇到的同类块在TempH中对应位置的值为1，即该同类块为水平块且还未重叠过，则先搜索该同类块的左上角的坐标U1, Y1)和右下角的坐标U2，I2)再将其变为垂直块；所述变为垂直块的方法为先将该同类块在TempH中对应位置的值置为0，在 TempV中对应位置的值置为1，再将该同类块在矩阵H中对应点0q，Y1)和点U2，I2)的值分别置为0，在V矩阵中对应点O^y1)的值置为1、对应点U2，y2)的值为2;同时扫描过程继续进行，当次扫描结束后将得到的面积最大的同类块在TempH中对应位置的值置为2 ；若扫描时遇到的同类块在TempV中对应位置的值为1，则继续扫描，将当次扫描结束后得到的面积最大的同类块在TempH中对应位置的值置为2 ；若扫描时遇到的同类块在TempH中对应位置值为2，即该同类块为水平块且还重叠过，则此时扫描结束，此次扫描得到的同类块即为面积最大的同类块；Si. 3将η的值加1，并记录步骤Si. 2得到的面积最大的同类块的參数左上角的坐标U1, Y1)、右下角的坐标U2，I2)、以及4个角的灰度值gl、g2、g3、g4 ；Si. 4将步骤Si. 3所述的參数存储到颜色表P中，并对矩阵H、I中对应点O^y1K 点(X2,12)的位置进行标识；Si. 5判断灰度图像矩阵G中的同类块是否全部被识别完毕；
若是，进行步骤Si. 6;若否，重复步骤Si. 2 Si. 5 ；SL 6输出颜色表P;S2根据坐标数据压缩算法，按H、V、I的順序依次对3个矩阵中所有非零元素的坐标进行编码，将编码结果存储到ー个坐标表Q中；所述解码具体为根据坐标表Q，解码出矩阵H、V和I，根据H、V、I和颜色表P，利用扩展的Gouraud方法重建解码图像。步骤Si. 2中所述扫描过程根据行优先扫描的策略，具体为在扫描过程中先単独令横坐标X不断増加，直至扫描到灰度值g(x，y)满足|g(x， y)-gest(x，y) I > ε的点为止，再単独令纵坐标Y不断増加，直至扫描到灰度值g(χ，y)满足 |g(x，y)-gest(x，y) I > ε 的点为止。步骤Si. 2中所述扫描过程根据列优先扫描的策略，具体为在扫描过程中先単独令纵坐标Y不断増加，直到扫描到灰度值g(x，y)满足|g(x， y)-gest(x, y) I > ε的点为止，再単独令横坐标X不断増加，扫描到灰度值g(x，y)满足
g(x, y)-gest(x, y) > ε 的点为止。步骤Si. 4所述将步骤Si. 3所述的參数存储到颜色表P中，并对矩阵H、I中对应点0q，yi)、点U2，y2)的位置进行标识，具体为如果Xl<^iyi<y2，则将參数を、&、も、ぬ存储到颜色表P中，即:P{n} — Kg1, g2，g3，g4)}，并将矩阵H中对应点(Xl，yi)、点(x2, J2)的位置分別用‘1’和‘2’进行标识；如果X1 = ^iy1 ^y2，则将參数gl，も存储到颜色表P中，即=P{η} — {(gl,g4)}, 并将矩阵H中对应点0q，yi)、点U2，I2)的位置分別用‘1’和‘2’进行标识；如果X1 T^2Iy1 = y2，则将參数gl、も存储到颜色表P中，即=P{η} — {(gl,g4)}, 并将矩阵H中对应点0q，yi)、点U2，I2)的位置分別用‘1’和‘2’进行标识； 如果X1 =ち且yi = y2，则将gl存储到颜色表P中，即P {η} — {(gl)}，并将矩阵 I中对应点0q，Y1)的位置用‘1’进行标识。步骤S2根据坐标数据压缩算法，按H、V、I的順序，对每个矩阵中所有非零元素的坐标进行编码，具体为逐行扫描大小为MXN的矩阵，如果当前行所有元素均为零，使用一个ニ进制位 ‘0’来表示该行从头到尾都不存在非零元素，不对该行进行编码；如果该行存在非零元素， 则在每一个非零元素前加ー个前缀符‘ 1’，然后在前缀符后加上用以标识非零元素1和2的码字，并用b个比特来表示每个非零元素所在列的位置；当该行的最后ー个元素为零，则在最后ー个非零元素编码完成后，用一个ニ进制位‘0’来表示本行剰余的元素均为零。所述用b个比特来表示每个非零元素所在列的位置，具体为若非零元素为所在行的第一个非零元素，则b = [Iog2N]；此时的b个比特用来指明第一个非零元素关于所在行首端的位置；若非零元素不是所在行的第一个非零元素，则b = [Iog2 (N-c)]，其中c是前一次编码的非零元素的列的位置；此时的b个比特用来表示这个非零元素关于前一次编码的非零元素的右端的位置。所述根据坐标表Q，解码出矩阵H、V和I，根据H、V、I和颜色表P，利用扩展的Gouraud方法重建解码图像，具体为S3. 1将ー个大小为MXN的矩阵^st的所有元素赋任意初值，并将同类块的计数变量η赋值为O ；S3. 2根据坐标表Q，按H、V、I的顺序依次解码出3个大小为MXN的H、V和I矩阵；S3. 3根据颜色表P，给出同类块的总数s ；S3. 4同时扫描H、V和I矩阵，若扫描到值为1的像素，则根据P {η}，判断该同类块的类型并获取其灰度值；S3. 5根据同类块的类型，利用扩展的Gouraud阴影法计算该同类块的所有gestU， y)，其中^st (χ，y)表示该同类块中坐标(χ，y)处的近似灰度值；S3. 6按光栅扫描的順序将该同类块的解码结果赋值给矩阵^st ；S3. 7令η加1，并判断此时是否满足η < s，若是，重复步骤S3. 4 S3. 7 ；若否，进行步骤S3. 8 ；S3. 8根据矩阵gest输出灰度图像，并根据如下公式计算峰值信噪比PSNR
权利要求
1. 一种基于可重叠矩形子模式的NAM图像表示方法，包括编码过程和解码过程，其特征在干，所述编码过程包括以下步骤Sl将灰度图像矩阵G分割为可重叠的同类块，具体包括以下步骤 Si. 1定义同类块为满足下述条件的矩形子模式该矩形子模式内所有像素的灰度值 g(x，y)均满足条件|gU，y)-gest(x，y)l彡ε ；其中，ε为用户设定的误差允许量；gest(x， y)表示该矩形子模式中坐标(x，y)处的近似灰度值，其定义如下设Upy1KO^y2)分別为该矩形子模式左上角和右下角的坐标值，X1 ^ χ ^ χ2, Y1 ^ y ^ y2 ； 如朱 X1 < X2 Y1 < y2，贝U gest (χ, 1) = g5+(g6-g5) Xi1, 如果 X1^ χ2 Ky1 = J2,贝'J gest (χ，y) = g!+ (g4-gi) X [ (X-X1) / (X2-X1)]； 如果 X1 = X2 且 yi 兴 y2,则 gest (χ, y) = gl+ ( - ) X [ (Y-Y1) / (Y2-Y1)]； 如朱 X1 = X2 且 Y1 = y2,贝U gest (χ, y； = g!；其中gl、g2, g3、ぬ分别为该矩形子模式的左上角、右下角、左下角、右上角的灰度值；g5=gi+^g2-gi) X i2' g6 = g3+ (g4"g3^ X i2' ii = (y-yi)/\y2-yiハ i2 = (X-X1)/；定义3个大小均为MXN的水平块矩阵H、垂直块矩阵V和单点块矩阵I，其中，H、V和 I中所有元素均初始化为O ；将同类块的计数变量η赋值为0 ；其中，M和N均为自然数； Si. 2扫描同类块Si. 2. 1定义2个大小均为MXN的临时矩阵=TempH和TempV，分別用于标识在扫描过程中水平块和垂直块的分配情况；TempH和TempV中的所有元素均初始化为0 ；Si. 2. 2从灰度图像矩阵G左上角的第一点开始扫描，根据光栅扫描的順序确定ー 个未被标识的同类块的起始点0q，Y1),按顺序对横坐标和纵坐标进行扫描，根据扩展的 Gouraud阴影法确定出同类块右下角的坐标U2，y2)，得到面积最大的同类块，并将此同类块在灰度图像矩阵G中作标识； 在扫描过程中遵循以下准则若扫描时确定的面积最大的同类块在TempH中对应的位置的值为0，则将TempH中该同类块对应的位置的值置为1 ；若扫描时遇到的同类块在TempH中对应位置的值为1，即该同类块为水平块且还未重叠过，则先搜索该同类块的左上角的坐标Oqd1)和右下角的坐标U2，y2)再将其变为垂直块；所述变为垂直块的方法为先将该同类块在TempH中对应位置的值置为0，在TempV中对应位置的值置为1，再将该同类块在矩阵H中对应点0q，Y1)和点U2，I2)的值分别置为 0，在V矩阵中对应点O^y1)的值置为1、对应点U2，y2)的值为2 ；同时扫描过程继续进行， 当次扫描结束后将得到的面积最大的同类块在TempH中对应位置的值置为2 ；若扫描时遇到的同类块在TempV中对应位置的值为1，则继续扫描，将当次扫描结束后得到的面积最大的同类块在TempH中对应位置的值置为2 ；若扫描时遇到的同类块在TempH中对应位置值为2，即该同类块为水平块且还重叠过， 则此时扫描结束，此次扫描得到的同类块即为面积最大的同类块；Si. 3将η的值加1，并记录步骤Si. 2得到的面积最大的同类块的參数左上角的坐标 (xi; Y1)、右下角的坐标( ，I2)、以及4个角的灰度值gl、g2、g3、g4 ；Si. 4将步骤Si. 3所述的參数存储到颜色表P中，并对矩阵H、I中对应点0q，yi)、点(x2, y2)的位置进行标识；Si. 5判断灰度图像矩阵G中的同类块是否全部被识别完毕；若是，进行步骤Si. 6;若否，重复步骤Si. 2 Si. 5;Si. 6输出颜色表P ；S2根据坐标数据压缩算法，按H、V、I的順序依次对3个矩阵中所有非零元素的坐标进行编码，将编码结果存储到ー个坐标表Q中；所述解码具体为根据坐标表Q，解码出矩阵H、V和I，根据H、V、I和颜色表P，利用扩展的Gouraud方法重建解码图像。
2.根据权利要求1所述的基于可重叠矩形子模式的NAM图像表示方法，其特征在干，步骤Si. 2中所述扫描过程根据行优先扫描的策略，具体为在扫描过程中先単独令横坐标X不断増加，直至扫描到灰度值g(x，y)满足|gU， y)-gest(x,y) > ε的点为止，再単独令纵坐标Y不断増加，直至扫描到灰度值g(x，y)满足 |g(x，y)-gest(x，y) I > ε 的点为止。
3.根据权利要求1所述的基于可重叠矩形子模式的NAM图像表示方法，其特征在干，步骤Si. 2中所述扫描过程根据列优先扫描的策略，具体为在扫描过程中先単独令纵坐标Y不断増加，直到扫描到灰度值g(x，y)满足|gU， y)-gest(x, y) I > ε的点为止，再単独令横坐标X不断増加，扫描到灰度值g(x，y)满足 g(x, y)-gest(x, y) > ε 的点为止。
4.根据权利要求1所述的基于可重叠矩形子模式的NAM图像表示方法，其特征在干，步骤Si. 4所述将步骤Si. 3所述的參数存储到颜色表P中，并对矩阵H、I中对应点Oq，Y1)、 点(x2, I2)的位置进行标识，具体为如果X1 < X2且yi < y2，则将參数gl>g2>g3>g4存储到颜色表P中，即=P{η} — {(gl,g2, g3，g4)}，并将矩阵H中对应点0q，yi)、点U2，y2)的位置分別用‘1’和‘2’进行标识；如果X1 = ^iy1 ^y2，则将參数gl、も存储到颜色表P中，即=P {η} — {(gl, g4)}，并将矩阵H中对应点Oq，Y1)、点U2，I2)的位置分別用‘1’和‘2’进行标识；如果X1 ^x2 Iy1 = y2，则将參数gl、も存储到颜色表P中，即=P{η} — {(gl, g4)}，并将矩阵H中对应点Oq，Y1)、点U2，I2)的位置分別用‘1’和‘2’进行标识；如果X1 =ち且Y1 = y2，则将gl存储到颜色表P中，即PIn} — {(gl)}，并将矩阵I中对应点Upy1)的位置用‘1’进行标识。
5.根据权利要求4所述的基于可重叠矩形子模式的NAM图像表示方法，其特征在干，步骤S2根据坐标数据压缩算法，按H、V、I的順序，对每个矩阵中所有非零元素的坐标进行编码，具体为逐行扫描大小为MXN的矩阵，如果当前行所有元素均为零，使用一个ニ进制位‘O’来表示该行从头到尾都不存在非零元素，不对该行进行编码；如果该行存在非零元素，则在每一个非零元素前加ー个前缀符‘1’，然后在前缀符后加上用以标识非零元素1和2的码字， 并用b个比特来表示每个非零元素所在列的位置；当该行的最后ー个元素为零，则在最后一个非零元素编码完成后，用一个ニ进制位‘O’来表示本行剰余的元素均为零。
6.根据权利要求5所述的基于可重叠矩形子模式的NAM图像表示方法，其特征在干，所述用b个比特来表示每个非零元素所在列的位置，具体为若非零元素为所在行的第一个非零元素，则b= [Iog2N]；此时的b个比特用来指明第一个非零元素关于所在行首端的位置；若非零元素不是所在行的第一个非零元素，则b = [10 (N-c)]，其中c是前一次编码的非零元素的列的位置；此时的b个比特用来表示这个非零元素关于前一次编码的非零元素的右端的位置。
7.根据权利要求6所述的基于可重叠矩形子模式的NAM图像表示方法，其特征在干，所述根据坐标表Q，解码出矩阵H、V和I，根据H、V、I和颜色表P，利用扩展的Gouraud方法重建解码图像，具体为S3. 1将ー个大小为MXN的矩阵gest的所有元素赋任意初值，并将同类块的计数变量η 赋值为O ；S3. 2根据坐标表Q，按H、V、I的顺序依次解码出3个大小为MXN的H、V和I矩阵；S3. 3根据颜色表P，给出同类块的总数s ；S3. 4同时扫描H、V和I矩阵，若扫描到值为1的像素，则根据P In}，判断该同类块的类型并获取其灰度值；S3. 5根据同类块的类型，利用扩展的Gouraud阴影法计算该同类块的所有gest(x，y)， 其中^st (χ，y)表示该同类块中坐标(χ，y)处的近似灰度值；S3. 6按光栅扫描的順序将该同类块的解码结果赋值给矩阵gest ；S3. 7令η加1，并判断此时是否满足η < s，若是，重复步骤S3. 4 S3. 7 ；若否，进行步骤 S3. 8 ；S3. 8根据矩阵输出灰度图像，并根据如下公式计算峰值信噪比PSNR Λ
全文摘要
本发明公开了一种基于可重叠矩形子模式的NAM图像表示方法，包括编码过程和解码过程，编码过程主要是利用扩展的Gouraud阴影法和可重叠矩形NAM的4个准则，将灰度图像矩阵分割为可相互重叠的同类块；再对所有同类块进行编码，获取其颜色表P和坐标表Q，解码过程主要是根据坐标表Q，解码出坐标矩阵H、V和I，再根据H、V和I和颜色表P，利用扩展的Gouraud阴影法重建解码图像，并计算其PSNR。本发明在保证图像质量的前提下，具有更低的比特率和更少的块数，从而具有更快的处理速度；不仅可应用于传统的JPEG市场，而且还可应用于新兴领域，如无线通讯、网路传输、医疗图像等。
文档编号H04N7/26GK102572431SQ20111045140
公开日2012年7月11日 申请日期2011年12月29日 优先权日2011年12月29日
发明者李祖嘉, 郑运平 申请人:华南理工大学