一种多类图像半监督分类方法及系统的制作方法
【专利摘要】本发明公开一种多类图像半监督分类方法及系统，首先对训练集中有标签图像样本和无标签图像样本进行相似性学习，构造相似近邻图和归一化的权重，用于表征样本相似性，再初始化一个类标签矩阵，为有效降低“软类别标签”预测标签F中的混合信号对结果的影响，引入l2,1-范数正则化，同时对F施加非负与列和为1的约束，确保估计的“软标签”满足概率定义和非负性，最后利用参数权衡相似性度量、初始类别标签和l2,1-范数正则化对分类的影响，完成半监督学习建模，取相似性概率的最大值，用于图像类别鉴定，得到分类结果。通过引入l2,1-范数正则化，将混合信号对分类的影响降低，使分类精准度有了提高。此外，还可有效对训练集外的数据进行分类，可拓展性好。
【专利说明】一种多类图像半监督分类方法及系统
【技术领域】
[0001] 本申请涉及数据挖掘、机器学习及模式分类【技术领域】，特别是涉及一种多类图像 半监督分类方法及系统。
【背景技术】
[0002] 随着信息和数据爆炸时代的到来，分类技术成为数据挖掘、模式识别等领域中最 重要的研究课题之一。分类主要实现未知类别的数据的归类，在医疗数据分析、信用卡的信 用分级和图像分类等领域有着重大的意义，一旦研究成功并投入应用，将产生巨大的社会 和经济效益。但是真实世界中的数据（例如互联网中的图像）大多是无类别标签的，且样 本的人工标定过程非常费时费力且昂贵，使得数据的准确分类有一定难度。最近，基于相似 图构造的半监督学习方法在数据挖掘和模式分类等相关领域已经兴起成为强大而流行的 有效工具。基于真实世界中的数据特点，半监督学习主要通过有标定样本的类别，和有标签 与无标签样本间的相似性，揭示出无标签样本的类别。
[0003] 近年来，由于基于标签传播理论的学习过程具有简单有效、快速等优点，故已成为 半监督学习的典型代表之一。作为一种基于图的半监督学习方法，标签传播根据有标签和 无标签样本间的内在关联信息，将有标签样本的标签信息传播给无标签样本，完成无标签 样本的类别估计。标签传播用于半监督分类的思想于2002年由Zhu等人提出，因其效率高、 复杂度低等优点引起国内外学者广泛关注，并逐渐被证实为一种简单、速度极快、可扩展性 强、性能较为稳定的算法，并被广泛的运用在许多领域，如社交网络中的社会关系分析、多 媒体信息检索分类等。经典的标签传播算法包括GFHF、LLGC、LNP和SLP等。目前几乎所有 的研究都着眼于改进相似图的构建来提高分类性能，也取得了一些成绩。但是现有方法仍 有一些缺点，例如，如何有效去除预测得到的"软类别标签"预测矩阵中的混合信号及其对 分类结果的影响，以及输出的软类别标签信息是否总是满足概率的定义（即概率和为1与 非负）等。
[0004] 因此，提出一种基于增强型标签传播的多类图像半监督归纳式分类新方法，确保 输出结果充分稀疏和满足概率定义，提高算法的适用性和鲁棒性，增强分类性能，是本领域 人员亟待解决的问题。
【发明内容】
[0005] 有鉴于此，本申请提供一种多类图像半监督分类方法及系统，以自动实现对图像 的分类，提高图像分类效率、降低图像分类成本。
[0006] 为了实现上述目的，本发明实施例提供的技术方案如下：
[0007] -种多类图像半监督分类方法，包括：
[0008] 对训练集中的有标签图像样本和无标签图像样本进行相似性学习，构造相似近邻 图，计算得到权重系数矩阵，并对所述权重系数矩阵进行对称化、归一化处理；
[0009] 根据所述训练集中有标签图像样本的类别标签信息，初始化一个类标签矩阵，其 中，所述类标签矩阵中额外添加第（C+1)类用于检测异类/未发现的新颖类，C为有标签图 像样本的总类别数；
[0010] 引入Iy-范数正则化技术，非负约束，以及列和为1的约束，并基于所述类标签矩 阵及对称化、归一化处理后的权重系数矩阵进行非负稀疏标签传播的迭代过程，得到"软类 别标签"预测矩阵；
[0011] 根据所述"软类别标签"预测矩阵表征的相似性概率，预测所述训练集中无标签图 像样本的准确类别，得到直推式图像分类结果，训练完成半监督分类建模，生成训练模型；
[0012] 利用所述训练模型对测试集中的无标签待分类的图像样本进行类别信息的预测， 得到所述测试集中的无标签待分类的图像样本的类别标签，以实现对训练集以外数据的归 纳过程。
[0013] 优选的，所述训练集和测试集的生成过程为：
[0014] 接收图像样本集合，并将图像进行向量化描述；
[0015] 从进行向量化描述后的图像样本集合中选出部分图像样本数据作为训练集，其余 的图像样本数据作为测试集，其中，所述训练集中包含少量有标签图像样本和适量的无标 签图像样本，所述测试集中包含大量无标签的待分类图像样本。
[0016] 优选的，所述对训练集中的有标签图像样本和无标签图像样本进行相似性学习， 构造相似近邻图，计算得到权重系数矩阵，对所述权重系数矩阵进行对称化、归一化处理的 过程为：
[0017] 基于所述训练集进行K最近邻搜索，构造近邻图G，找出所述训练集中每个图像样 本的K个最近邻的图像样本，所述训练集中的图像样本包括有标签图像样本和无标签图像 样本；
[0018] 采用Locally Linear Embedding(LLE)-重构权的构造方法，计算、衡量近邻图G 中的顶点之间的相似性，构造权重系数矩阵；
[0019] 将所述权重系数矩阵进行各行求和得到一个对角矩阵，其中，所述对角矩阵中的 对角元素表征各个顶点在图中的重要性；
[0020] 将所述权重系数矩阵对称化处理后，利用所述对角矩阵对其进行归一化处理，得 到归一化后的权重系数矩阵。
[0021] 优选的，所述根据所述训练集中有标签图像样本的类别标签信息，初始化一个类 标签矩阵的过程为：
[0022] 初始化定义一个行、列数分别为c+1和N的类标签矩阵Y(所有元素均初始化为 0)来表征所述训练集中所有图像样本的原始标签信息，其中，N是图像样本的总数；对有标 签图像样本，若有标签图像样本X j属于第i类，令Y(i，j) = 1，其中类别标签i属于集合 {1，2，···，ο};对于无标签图像样本，若无标签图像样本Xj属于第c+1类，令Y(i，j) =1，即 上述的异类或未发现的新颖类样本。
[0023] 优选的，所述引入Iy-范数正则化技术，非负约束，以及列和为1的约束，并基于 所述类标签矩阵及权重系数矩阵进行非负稀疏标签传播的迭代过程，得到"软类别标签"预 测矩阵的过程为：
[0024] 对标签传播算法加入12Λ-范数正则化约束，非负约束，以及列和为一约束，保证基 于所述类标签矩阵及权重系数矩阵进行非负稀疏标签传播的迭代过程中，传播的标签信息 总是非负和足够稀疏的，其中，非负约束具体为："软类别标签"预测标签矩阵F = [f\，f2^·· ，fN]中的元素总是非负的，满足任意彡〇 ;列和为一约束具体为：对F中的任意一个fp 满足 eTfi = 1 ;
[0025] 通过迭代过程，图像样本的标签信息得以充分传播，相邻顶点具有相似的标签信 息，结果以"软类别标签"形式的预测标签矩阵输出，其中，各列fi中的元素即为图像样本属 于各个类别的概率。
[0026] 优选的，所述利用所述训练模型对测试集中的无标签待分类的图像样本进行类别 信息的预测，得到所述测试集中的无标签待分类的图像样本的类别标签的过程为：
[0027] 找出所述无标签待分类的图像样本在训练集中的K-近邻，计算用于重构该无标 签待分类的图像样本的权重系数向量，再利用该无标签待分类的图像样本的K个近邻的软 类别标签，以及重构系数向量，完成样本标签信息的传播过程，估计出该无标签待分类的图 像样本的类别标签，其中，K = 7。
[0028] 一种多类图像半监督分类系统，包括：
[0029] 第一预处理模块，用于对训练集中的有标签图像样本和无标签图像样本进行相似 性学习，构造相似近邻图和权重系数矩阵，对所述权重系数矩阵进行对称化、归一化处理；
[0030] 第二预处理模块，用于根据所述训练集中有标签图像样本的类别标签信息，初始 化类标签矩阵，其中，所述类标签矩阵中额外添加第（c+1)类用于检测异类/未发现的新颖 类，c为有标签图像样本的总类别数；
[0031] 第一训练模型模块，基于训练集，通过引入U1-范数正则化技术，非负约束，以及 列和为1的约束，并基于所述类标签矩阵及对称化、归一化处理后的权重系数矩阵进行非 负稀疏标签传播的迭代过程，得到"软类别标签"预测矩阵；
[0032] 第二训练模型模块，用于根据所述"软类别标签"预测矩阵表征的相似性概率，预 测所述训练集中无标签图像样本的准确类别，得到直推式图像分类结果，训练完成半监督 分类建模，生成训练模型；
[0033] 测试模块，用于利用所述训练模型对测试集中的无标签待分类的图像样本进行类 别信息的预测，得到所述测试集中的无标签待分类的图像样本的类别标签，以实现对训练 集以外数据的归纳过程。
[0034] 优选的，还包括集合生成模块，所述集合生成模块用于接收图像样本集合，并将图 像进行向量化描述；从进行向量化描述后的图像样本集合中选出部分图像样本数据作为训 练集，其余的图像样本数据作为测试集，其中，所述训练集中包含少量有标签图像样本和适 量的无标签图像样本，所述测试集中包含大量无标签的待分类图像样本。
[0035] 优选的，所述第二预处理模块初始化定义一个行、列数分别为c+1和N的类标签矩 阵γ(所有元素均初始化为〇)来表征所述训练集中所有图像样本的原始标签信息，其中，N 是图像样本的总数；对有标签图像样本，若有标签图像样本Xj属于第i类，令Y(i，j) = 1， 其中类别标签i属于集合{1，2,…，c};对于无标签图像样本，若无标签图像样本Xj属于第 c+1类，令Y(i，j) = 1，即上述的异类或未发现的新颖类样本。
[0036] 优选的，所述测试模块找出所述无标签待分类的图像样本在训练集中的K-近邻， 计算用于重构该无标签待分类的图像样本的权重系数向量，再利用该无标签待分类的图像 样本的K个近邻的软类别标签，以及重构系数向量，完成样本标签信息的传播过程，估计出 该无标签待分类的图像样本的类别标签，以实现对训练集以外数据的归纳过程，其中，K = 7。
[0037] 经由上述的技术方案可知，与现有技术相比，本发明公开了一种多类图像半监督 分类方法及系统，通过对有标签和无标签图像样本进行近邻构造，用LLE-重构权构建权重 系数矩阵。将权重系数矩阵进行各行求和得到一个对角矩阵（即顶点的权重图）。将权重 系数矩阵对称化处理后，用对角矩阵对其进行归一化处理得到归一化后的权重系数矩阵。 根据类标签矩阵和归一化后的权重系数矩阵，加入U 1-范数正则化约束、非负约束、以及列 和为一约束进行标签传播迭代，得到"软类别标签"预测矩阵。预测软标签矩阵中各列最大 值揭示对应样本的预测类别。利用训练得到的"软类别标签"预测矩阵，可用于处理训练集 以外的数据。通过加入约束，保证了输出的"软类别标签"预测矩阵的充分稀疏性，有效减 少了预测矩阵中的混合信号对类别预测结果的影响，并保证了输出的概率为非负，同时增 强了标签传播方法的适用性和鲁棒性，提高了分类精度。
【专利附图】
【附图说明】
[0038] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据 提供的附图获得其他的附图。
[0039] 图1为本申请实施例提供的一种多类图像半监督分类方法流程图；
[0040] 图2为本申请实施例提供的一种多类图像半监督分类系统的结构示意图；
[0041] 图3中3a_3c为本申请实施例提供的一种归纳样本外的无标签图像样本的用例示 意图；
[0042] 图4为本申请实施例提供的一种多类图像半监督分类方法的标签预测示意图。
【具体实施方式】
[0043] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例，都属于本发明保护的范围。
[0044] 本发明公开了一种多类图像半监督分类方法及系统，通过对有标签和无标签图像 样本进行K-最近邻搜索，构建相似近邻图，采用LLE-重构权表征样本间的相似性，再将重 构系数矩阵进行各行求和得到顶点权重图，进而将重构系数矩阵进行对称化、归一化处理。 根据重构系数矩阵和初始化的类标签矩阵Y，引入了 12,i-范数正则化技术，非负约束，以及 列和为一的约束进行标签的迭代传播过程，得到"软类别标签"预测矩阵F。软标签预测矩阵 F中各列概率的最大值将决定对应样本的类别归属。根据训练得到的软类别标签矩阵，可用 于处理训练集外的新数据（如：测试集中的无标签的待分类图像样本）。通过引入U 1-范 数正则化技术，非负约束，以及列和为一的约束，本发明方法可保证输出的软类标签是充分 稀疏的，可有效减少了输出软类标签中的混合信号对分类性能的干扰和影响，并可保证输 出的软类别标签满足概率定义和非负性质。因此，方法增强了算法的适用性和鲁棒性。
[0045] 实施例：
[0046] 图1为本申请实施例提供的一种多类图像半监督分类方法流程图。
[0047] 如图1所示，该方法包括：
[0048] S101、对训练集中的有标签图像样本和无标签图像样本进行相似性学习，构造相 似近邻图，计算得到权重系数矩阵，并对权重系数矩阵进行对称化、归一化处理。
[0049] 本申请实施例提供一种训练集和测试集的生成方法，该方法为：接收图像样本集 合，并将图像进行向量化描述；从进行向量化描述后的图像样本集合中选出部分图像样本 数据作为训练集，其余的图像样本数据作为测试集，其中，训练集中包含少量有标签图像样 本和适量的无标签图像样本，测试集中包含大量无标签的待分类图像样本。
[0050] 具体的，本发明共使用了 7个数据集，包括1个合成数据集和6个真实图像数据 集。6 个真实图像数据集包括 ORL-YALE, UMIST, Leaf, USPS, PH0S-3D Object 和 C0IL-20。 为了进行分类，我们从给定数据集中选取部分数据作为训练集（训练集应包含少量有标签 图像样本和适量无标签图像样本），其余数据（均为测试样本，即：无标签的待分类图像样 本）组成测试集。首先根据训练集，训练得到可用于类别鉴定的"软类别标签"预测矩阵， 进而实现测试集中的测试样本的分类，通过比较原始数据集提供的测试样本的类别标签和 实验预测得到的测试样本的类别标签进行比较，得到数据的分类结果。基于计算高效性考 虑，所有真实图像的尺寸被压缩到32X32(像素）。此外，采用原始图像的Histograms of Oriented Gradients(HOG)特征进行分类，其中方向直方图箱子数设置为9，cell size设 置为 16X16, block size 设置为 2X2。
[0051] 下面将使用真实数据集中的C0IL-20目标图像数据库（即：图像样本集合）作为 实施例进行【具体实施方式】说明。
[0052] 首先从C0IL-20数据集中选出部分数据（包含少量有标签图像样本和适量无标 签图像样本）作为训练集，其他数据作为测试集（均为测试样本，即无标签的待分类图 像样本）；设选出的训练数据集为X= [X。Xu] e Rnx(1+U)，其中n是数据的维度，l+u = N为训练样本的总数量，Xlj = [X1, χ2, ...，X1] e Rnxl为训练集中的有标签数据集，Xu = [x1+1，Xl+2，...，x1+u] ERnxu为训练样本中的无标签数据集。每个列向量XieRn代表一个 对象图像样本。假设总类别标签数为c，并且每种标签都被包含于有标签数据集\中，且 有标签数据集\中的每个样本有且仅有一个属于标签集{1，2. ..，c}的标签。在本实施例 C0IL-20数据集中，数据维度η = 1024,总样本数量=1440,标签类别数c = 20。
[0053] 具体的，基于训练集进行K最近邻搜索，构造近邻图G，找出训练集中每个图像样 本的K个最近邻的图像样本，训练集中的图像样本包括有标签图像样本和无标签图像样 本；采用Locally Linear Embedding(LLE)-重构权的构造方法，计算、衡量近邻图G中的顶 点之间的相似性，构造权重系数矩阵；将权重系数矩阵进行各行求和得到一个对角矩阵，其 中，对角矩阵中的对角元素表征各个顶点在图中的重要性；将权重系数矩阵对称化处理后， 利用对角矩阵对其进行归一化处理，得到归一化后的权重系数矩阵，详细过程如下：
[0054] (1)找出每个目标图像样本Xi的K个近邻，构建Xi的K近邻集N(Xi) 15在本实施 例 C0IL-20 中，K = 7。
[0055] (2)样本Xi和Xj之间的相似度通过LLE-重构权进行表征：
【权利要求】
1. 一种多类图像半监督分类方法，其特征在于，包括： 对训练集中的有标签图像样本和无标签图像样本进行相似性学习，构造相似近邻图， 计算得到权重系数矩阵，并对所述权重系数矩阵进行对称化、归一化处理； 根据所述训练集中有标签图像样本的类别标签信息，初始化一个类标签矩阵，其中，所 述类标签矩阵中额外添加第（C+1)类用于检测异类/未发现的新颖类，C为有标签图像样 本的总类别数； 引入12,1-范数正则化技术，非负约束，W及列和为1的约束，并基于所述类标签矩阵及 对称化、归一化处理后的权重系数矩阵进行非负稀疏标签传播的迭代过程，得到"软类别标 签"预测矩阵； 根据所述"软类别标签"预测矩阵表征的相似性概率，预测所述训练集中无标签图像样 本的准确类别，得到直推式图像分类结果，训练完成半监督分类建模，生成训练模型； 利用所述训练模型对测试集中的无标签待分类的图像样本进行类别信息的预测，得到 所述测试集中的无标签待分类的图像样本的类别标签，W实现对训练集W外数据的归纳过 程。
2. 根据权利要求1所述的方法，其特征在于，所述训练集和测试集的生成过程为： 接收图像样本集合，并将图像进行向量化描述； 从进行向量化描述后的图像样本集合中选出部分图像样本数据作为训练集，其余的图 像样本数据作为测试集，其中，所述训练集中包含少量有标签图像样本和适量的无标签图 像样本，所述测试集中包含大量无标签的待分类图像样本。
3. 根据权利要求1所述的方法，其特征在于，所述对训练集中的有标签图像样本和无 标签图像样本进行相似性学习，构造相似近邻图，计算得到权重系数矩阵，对所述权重系数 矩阵进行对称化、归一化处理的过程为： 基于所述训练集进行K最近邻搜索，构造近邻图G，找出所述训练集中每个图像样本 的K个最近邻的图像样本，所述训练集中的图像样本包括有标签图像样本和无标签图像样 本； 采用Locally Linear Embedding(LL田-重构权的构造方法，计算、衡量近邻图G中的 顶点之间的相似性，构造权重系数矩阵； 将所述权重系数矩阵进行各行求和得到一个对角矩阵，其中，所述对角矩阵中的对角 元素表征各个顶点在图中的重要性； 将所述权重系数矩阵对称化处理后，利用所述对角矩阵对其进行归一化处理，得到归 一化后的权重系数矩阵。
4. 根据权利要求1所述的方法，其特征在于，所述根据所述训练集中有标签图像样本 的类别标签信息，初始化一个类标签矩阵的过程为： 初始化定义一个行、列数分别为C+1和N的类标签矩阵Y(所有元素均初始化为0)来 表征所述训练集中所有图像样本的原始标签信息，其中，N是图像样本的总数；对有标签 图像样本，若有标签图像样本Xj.属于第i类，令Y(i，j) = 1，其中类别标签i属于集合 {1，2,…，c};对于无标签图像样本，若无标签图像样本Xj.属于第C+1类，令Y(iJ)=1，即 上述的异类或未发现的新颖类样本。
5. 根据权利要求4所述的方法，其特征在于，所述引入12J-范数正则化技术，非负约 束，w及列和为1的约束，并基于所述类标签矩阵及权重系数矩阵进行非负稀疏标签传播 的迭代过程，得到"软类别标签"预测矩阵的过程为： 对标签传播算法加入12,1-范数正则化约束，非负约束，W及列和为一约束，保证基于所 述类标签矩阵及权重系数矩阵进行非负稀疏标签传播的迭代过程中，传播的标签信息总是 非负和足够稀疏的，其中，非负约束具体为："软类别标签"预测标签矩阵F= [fi，f,，…，片] 中的元素总是非负的，满足任意> 0 ;列和为一约束具体为：对F中的任意一个fi，满足 e^fi = 1； 通过迭代过程，图像样本的标签信息得W充分传播，相邻顶点具有相似的标签信息，结 果W "软类别标签"形式的预测标签矩阵输出，其中，各列中的元素即为图像样本属于各 个类别的概率。
6. 根据权利要求1所述的方法，其特征在于，所述利用所述训练模型对测试集中的无 标签待分类的图像样本进行类别信息的预测，得到所述测试集中的无标签待分类的图像样 本的类别标签的过程为： 找出所述无标签待分类的图像样本在训练集中的K-近邻，计算用于重构该无标签待 分类的图像样本的权重系数向量，再利用该无标签待分类的图像样本的K个近邻的软类别 标签，W及重构系数向量，完成样本标签信息的传播过程，估计出该无标签待分类的图像样 本的类别标签，其中，K = 7。
7. -种多类图像半监督分类系统，其特征在于，包括： 第一预处理模块，用于对训练集中的有标签图像样本和无标签图像样本进行相似性学 习，构造相似近邻图和权重系数矩阵，对所述权重系数矩阵进行对称化、归一化处理； 第二预处理模块，用于根据所述训练集中有标签图像样本的类别标签信息，初始化类 标签矩阵，其中，所述类标签矩阵中额外添加第（C+1)类用于检测异类/未发现的新颖类， C为有标签图像样本的总类别数； 第一训练模型模块，基于训练集，通过引入12,1-范数正则化技术，非负约束，W及列和 为1的约束，并基于所述类标签矩阵及对称化、归一化处理后的权重系数矩阵进行非负稀 疏标签传播的迭代过程，得到"软类别标签"预测矩阵； 第二训练模型模块，用于根据所述"软类别标签"预测矩阵表征的相似性概率，预测所 述训练集中无标签图像样本的准确类别，得到直推式图像分类结果，训练完成半监督分类 建模，生成训练模型； 测试模块，用于利用所述训练模型对测试集中的无标签待分类的图像样本进行类别信 息的预测，得到所述测试集中的无标签待分类的图像样本的类别标签，W实现对训练集W 外数据的归纳过程。
8. 根据权利要求7所述的系统，其特征在于，还包括集合生成模块，所述集合生成模块 用于接收图像样本集合，并将图像进行向量化描述；从进行向量化描述后的图像样本集合 中选出部分图像样本数据作为训练集，其余的图像样本数据作为测试集，其中，所述训练集 中包含少量有标签图像样本和适量的无标签图像样本，所述测试集中包含大量无标签的待 分类图像样本。
9. 根据权利要求7所述的系统，其特征在于，所述第二预处理模块初始化定义一个行、 列数分别为C+1和N的类标签矩阵Y (所有元素均初始化为0)来表征所述训练集中所有图 像样本的原始标签信息，其中，N是图像样本的总数；对有标签图像样本，若有标签图像样 本Xj.属于第i类，令Y(i，j) = 1，其中类别标签i属于集合{1，2,…，c};对于无标签图像 样本，若无标签图像样本Xj.属于第C+1类，令Y(i，j) =1，即上述的异类或未发现的新颖 类样本。
10.根据权利要求7所述的系统，其特征在于，所述测试模块找出所述无标签待分类的 图像样本在训练集中的K-近邻，计算用于重构该无标签待分类的图像样本的权重系数向 量，再利用该无标签待分类的图像样本的K个近邻的软类别标签，W及重构系数向量，完成 样本标签信息的传播过程，估计出该无标签待分类的图像样本的类别标签，W实现对训练 集W外数据的归纳过程，其中，K = 7。
【文档编号】G06K9/62GK104463202SQ201410708851
【公开日】2015年3月25日 申请日期:2014年11月28日 优先权日:2014年11月28日
【发明者】张召, 梁雨宸, 李凡长, 张莉 申请人:苏州大学