一种图像边缘检测方法及设备的制作方法
【专利摘要】本发明公开了一种图像边缘检测方法及设备，涉及图像边缘检测【技术领域】。本发明公开的方法包括：根据训练特征集生成初始种群，对初始种群进行优化操作，解码优化的初始种群中适应度最高的个体，获得待检测图像到边缘图像的第一个划分，生成新的特征集；基于新的特征集生成新种群，对新种群进行优化操作，解码优化后的新种群中适应度最高的个体，获得待检测图像到边缘图像的第二个划分，得到图像的边缘检测模型，按照边缘检测模型进行图像边缘检测。本发明还公开了一种图像边缘检测设备。本申请技术方案通过少量的图像及标记边缘图像的学习，从中得出图像边缘检测的一般模型，以实现图像边缘检测，且简单易用。
【专利说明】一种图像边缘检测方法及设备
【技术领域】
[0001] 本发明涉及图像边缘检测【技术领域】，具体是一种应用于数字图像边缘检测模型自 动发现方案。
【背景技术】
[0002] 人类接收的信息中有80%来自视觉或图像信息，有图像、图形、动画、视频、文本数 据等。这是最有效和最重要的信息获取和交流方式。随着计算机的普及，人们越来越多地 利用计算机来帮助人类获取与处理图像信息。图像的边缘检测技术是目标识别、图像分类 等图像内容理解技术的基础，一个良好的边缘检测技术为后续图像处理提供更好的保障。
【发明内容】
[0003] 本发明所要解决的技术问题是，提供一种图像边缘检测方法及设备，以解决现有 图像边缘检测过程复杂的问题。
[0004] 为了解决上述技术问题，本发明公开了一种图像边缘检测方法，该方法包括：
[0005] 构造图像特征集和训练特征集，根据所述训练特征集生成初始种群，对所述初始 种群进行优化操作得到优化的初始种群，解码优化的初始种群中适应度最高的个体，获得 待检测图像到边缘图像的第一个划分，根据第一个划分结果生成新的特征集；
[0006] 基于所述新的特征集生成新种群，对所述新种群进行优化操作得到优化的新种 群，解码优化后的新种群中适应度最高的个体，获得待检测图像到边缘图像的第二个划分， 根据第二个划分结果得到图像的边缘检测模型，按照所述边缘检测模型进行图像边缘检 测。
[0007] 可选地，上述方法中，对所述初始种群进行优化操作得到优化的初始种群的过程 包括：
[0008] 评估初始种群中各个体的适应度；
[0009] 根据所述初始种群中各个体的适应度大小选择优胜个体，对所选择的优胜个体进 行交叉变异操作；
[0010] 对交叉变异后的个体进行局部搜索，对局部搜索后的种群中各个体进行适应度评 估，直至种群中个体的最大适应度大于设定值或迭代次数达到阈值，得到优化的初始种群。
[0011] 可选地，上述方法中，根据所述初始种群中各个体的适应度大小选择优胜个体包 括：
[0012] 采用锦标赛策略选择初始种群中设定数目个个体。
[0013] 可选地，上述方法中，对交叉变异后的个体进行局部搜索的过程包括：
[0014] 根据设定的变异步长对交叉变异后的种群进行密集的变异操作。
[0015] 可选地，上述方法中，根据第一个划分结果生成新的特征集指：
[0016] 将所述训练特征集和解码优化的初始种群中适应度最高的个体的解码结果对应 乘积加权平均计算得到新的特征集。
[0017] 本发明还公开了一种图像边缘检测设备，至少包括：
[0018] 第一阶段处理模块，构造图像特征集和训练特征集，并根据所述训练特征集生成 初始种群，对所述初始种群进行优化操作得到优化的初始种群，解码优化的初始种群中适 应度最高的个体，获得待检测图像到边缘图像的第一个划分，根据该第一个划分结果生成 新的特征集；
[0019] 第二阶段处理模块，基于所述新的特征集生成新种群，对所述新种群进行优化操 作得到优化的新种群，并解码优化后的新种群中适应度最高的个体，获得待检测图像到边 缘图像的第二个划分，根据第二个划分结果得到图像的边缘检测模型，以及按照所述边缘 检测模型进行图像边缘检测。
[0020] 可选地，上述设备中，所述第一阶段处理模块，对所述初始种群进行优化操作得到 优化的种群指：
[0021] 评估初始种群中各个体的适应度；
[0022] 根据所述初始种群中各个体的适应度大小选择优胜个体，对所选择的优胜个体进 行交叉变异操作；
[0023] 对交叉变异后的个体进行局部搜索，对局部搜索后的种群中各个体进行适应度评 估，直至种群中个体的最大适应度大于设定值或迭代次数达到阈值，得到优化的初始种群。
[0024] 可选地，上述设备中，所述第一阶段处理模块根据所述初始种群中各个体的适应 度大小选择优胜个体指：
[0025] 采用锦标赛策略选择初始种群中设定数目个个体。
[0026] 可选地，上述设备中，所述第一阶段处理模块根据设定的变异步长对交叉变异后 的种群进行密集的变异操作。
[0027] 可选地，上述设备中，所述第一阶段处理模块根据第一个划分结果生成新的特征 集指：
[0028] 将所述训练特征集和解码优化的初始种群中适应度最高的个体的解码结果对应 乘积加权平均计算得到新的特征集。
[0029] 采用本申请技术方案可以找到图像边缘点与非边缘点数学模型，通过少量的图像 及标记边缘图像的学习，从中得出图像边缘检测的一般模型，以实现图像边缘检测，且本申 请技术方案简单易用。
【专利附图】
【附图说明】
[0030] 图1是本发明的流程框图；
[0031] 图2是本发明提出的新编码方式下的交叉操作的示意图；
[0032] 图3是本发明提出的新编码方式下的变异操作的示意图；
[0033] 图4是本发明的仿真效果与原方法的对比图。
【具体实施方式】
[0034] 为使本发明的目的、技术方案和优点更加清楚明白，下文将结合附图对本发明技 术方案作进一步详细说明。需要说明的是，在不冲突的情况下，本申请的实施例和实施例中 的特征可以任意相互组合。
[0035] 实施例I
[0036] 本实施例提供一种图像边缘检测方法，主要包括如下操作：
[0037] 构造图像特征集和训练特征集，根据该训练特征集生成初始种群，对初始种群进 行优化操作得到优化的初始种群，解码优化的初始种群中适应度最高的个体，获得待检测 图像到边缘图像的第一个划分，根据第一个划分结果生成新的特征集；
[0038] 基于新的特征集生成新种群，对新种群进行优化操作得到优化的新种群，解码优 化后的新种群中适应度最高的个体，获得待检测图像到边缘图像的第二个划分，根据第二 个划分结果得到图像的边缘检测模型，按照该边缘检测模型进行图像边缘检测即可。
[0039] 其中，针对初始种群和新种群的优化操作都可以采用相同的操作步骤，具体地，该 优选操作包括如下步骤：
[0040] 评估种群中各个体的适应度；
[0041] 根据种群中各个体的适应度大小选择优胜个体，对所选择的优胜个体进行交叉变 异操作；
[0042] 对交叉变异后的个体进行局部搜索，对局部搜索后的种群中各个体进行适应度评 估，直至种群中个体的最大适应度大于设定值或迭代次数达到阈值，得到优化的种群。
[0043] 优选地，根据种群中各个体的适应度大小选择优胜个体时，可以采用锦标赛策略 选择种群中设定数目个个体。
[0044] 对交叉变异后的个体进行局部搜索时，也可以根据设定的变异步长对交叉变异后 的种群进行密集的变异操作。
[0045] 还要说明的是，上述方法中涉及到根据第一个划分结果生成的新的特征集，是由 训练特征集和解码优化的初始种群中适应度最高的个体的解码结果对应乘积加权平均计 算得到的。
[0046] 下面结合具体应用对本实施例作进一步详细说明。
[0047] 上述边缘检测方法的具体实现过程，如图1所示，包括如下步骤：
[0048] 步骤101，根据图像库中的图像，随机挑选出三幅原始图像和相应的人工标记边缘 的图像组成训练集，将训练集图像使用Sobel算子、Prewitt算子、Roberts算子和canny算 子生成初步边缘图像。将各图像按像素值以列的方式组合成新的特征矩阵，得到训练特征 集；
[0049] 其中，分类中的训练特征集由两部分组成，一部分为样本数据，另一部分为真实可 靠的类别数据。在样本数据与类别数据映射构建过程中，优选地，将彩色图像转化为灰度 图，并提取每个像素点的灰度值。设定阈值Φ，将已由人工标记过边缘的图像转化为二值 图像，并将提取二值图像每个像素点的值。列合并对应值，组成像素到像素的映射矩阵。另 夕卜，该步骤不限于Sobel算子、Prewitt算子、Roberts算子和canny算子，也可以采用其它 算子或算子的组合生成初步边缘图像。
[0050] 步骤102,设定第一阶段的操作符集/"?L、终止符集〃"/L、交叉概率女、变异概 率乂、种群规模，变异步长因子St印，迭代次数gen1;第二阶段的操作符集X、终 止符集〃、交叉概率凡2、变异概率d、迭代次数gen2、种群规模
[0051] 步骤103,依据步骤101中的的训练集图像及设定的第一阶段的种群规模/-L， 产生初始种群：
[0052]A(t) = {ajt),a2(t),a3(t),…，an(t)|t= 0}，其中ajt)为初始种群中的第i个 个体，用深度为二的树来表示，ie[1，η]。
[0053]步骤104,依据第一阶段的操作符集、终止符集-/L，初始化个个体 的种群POP1，计算初始种群中每个个体的适应度；
[0054] 优选地，该步骤可以按照如下公式计算种群中每个个体的适应度：
[0055]个体ai ⑴的适应度=丨/"ΧΣ^ + retw//, )/2 _ 5
[005?] 式中，Precisioni为第i幅图像边缘点成功检出的比率，recall丨为第i幅图像中 被成功分类为非边缘点的比率，N为训练集中图像的个数。
[0057] 步骤105,依据种群中各个体的适应度大小评价个体优劣：适应度高的个体视为 优胜个体；可以采用锦标赛策略选择种群Pop1中PO/4,个个体；对优胜个体组成的种群 厂)进行交叉变异操作；
[0058] 具体地，根据个体的适应度进行种群选择操作。可以采用锦标赛策略，锦标赛每轮 大小为5,产生n*Pc;± 1个配对个体，对剩余的个体进行变异操作。再根据精英策略，从种群 中选择n*pe个精英个体。
[0059] 交叉变异操作，按如下步骤完成：
[0060] 对于种群中的被选择到的个体:^屯与ind2，二者的叶子节点个数均为N，对 :^屯与ind2进行交叉操作。首先产生一个位于[1，N]的随机数rand，将个体ind^勺 第rand到第N个叶子节点交换到ind2的对应位置；将个体ind2的第rand到第N个叶 子节点交换到Ind1的对应位置。如图2所示，两个体Abs(0.32, 0.65, 0.51，0.87，... ，0. 12)和Abs(0.48, 3. 1,0. 83,5. 0，...，-1.2)进行交叉操作，产生交叉点位置为3,然 后交换两个体交叉点处右侧的所有节点，完成交叉操作。原个体一、个体二分别变化为： Abs(0· 32, 0· 65, 0· 51，5. 0, · · ·，-1. 2)和Abs(0· 48, 3. 1，0· 83, 0· 87, · · ·，0· 12)。完成交叉 操作。
[0061] 对种群中某个体ind3进行变异操作。首先确定个体的叶子节点个数N，然后产生 一个位于区间[1，N]的随机整数Rimfa，两个位于区间[0，1]的随机数Rstep，Rstyle:
[0062] ①若RstepS0.4则：
[0063] 若Rstyle< 0· 5 则xU二 _W印；
[0064]若Rstyle彡0· 5则xU二.?咖+对印；
[0065] ②若Rstep<0· 4 则：
[0066] 若Rstyle< 0· 5则 =*厂 *，，/() * 5 ;
[0067] 若Rstyle彡 0· 5 则 S+.叫产腦州*5;;
[0068] 其中rand()为0到1之间的随机数，X为节点数值。
[0069]如图 3 所示，个体Abs((λ65,(λ65,(λ51，(λ87,L5, 4.3,(λ12)参加变异，当产生随 机变异点为3,步长控制参数Rstep> 0. 4,变异方式控制参数Rstyle多0. 5时，变异将是步长 为0. 5的加性变异。个体自左向右的第三个子节点处的值转化为0. 51+0. 5即1. 01，个体变 异后为Abs(0· 65,(λ65,L01，(λ87,L5, 4. 3,(λ12)。完成变异操作。
[0070] 步骤106,对交叉变异后的个体进行局部搜索，设定较小的变异步长s'，根据此步 长对种群(进行较密集的变异操作；
[0071] 该步骤中，对交叉变异个体进行适应度计算，根据优胜劣汰法则选出两代间较优 秀的个体。对个体进行局部搜索，搜索步长step为变异中步长的0. 1倍；局部搜索针对每 个个体进行五次，每次产生一个随机变异点，改变异点处变异方法如下：
[0072] 产生随机数R e[0,1];变异位置Rindex
[0073]若R< 0·5 则Rindex=Rindex+st印；
[0074]若R彡0·5 则Rindex=Rindex_st印。
[0075] 对比变异前后的个体的适应度，保留适应度最大的数量为Popsize的个体，构成新 的种群。
[0076] 步骤107,对局部搜索后的种群个体进行适应度评估，若种群中最大适应度大于 0. 85或迭代次数达到ger^t，则执行步骤108,否则，执行步骤105 ;
[0077] 步骤108,从迭代终止的种群中选择适应度最高的个体，即为最优个体；解码最优 个体，获得待检测图像到边缘图像的一个划分结果，根据该划分结果生成新的特征集；
[0078] 种群中的最优个体将被选为划分结果，最优个体的解码方式可以是依次读取个 体树上的N个叶子节点，组成一个IXN的向量，N同时为图像特征的维数，如解码向量 (X1,X2, *··,ΧΝ}；
[0079] 新的特征构造方法为：F' =AvgiF1X1,F2X2,…，FNxN}i，其中F'为新特征，Fi为第i 个原始特征。故该步骤中，可以用{Fi，F2，F3，…，FJ表示某图像的某一原始特征，个体解码 后得到（X1,X2,X3,…，xj，则该图像的新特征为AvgU1XF1,X2XF2,X3XF3，…，xkXFk}。即由 旧特征和最优个体的解码结果对应乘积加权平均计算得到新特征，从而消除各特征间的差 异。
[0080] 另外，该步骤中，再次建模使用操作符多样、深度变化的表达式树。首先选择操作 符，终止符，进化中的最大深度，初始最大深度，最小深度，初始化方式，种群规模，进化代 数genN，设定种群规模pop'size、交叉概率P'。，变异概率p'm，精英概率P' ε，操作符集 setf，终止符集sett;
[0081] 初始化种群，种群初始化方式有两种，一种采用固定深度，即个体树的深度固定， 且所有叶子节点处于同一层深度。一种使用生长方式，即个体树的深度随机变化。在此，使 用1:1混合法完成初始化。
[0082] 步骤109,依据第二阶段的操作符集/_L、终止符集和新的特征集，初始化 个个体的种群P〇P2，对种群P〇P#各个体评估适应度；
[0083] 步骤110,根据种群？叩2中各个体的评估适应度结果优选种群pop2，获得优选种群 。按照变异概率凡2、交叉概率太对进行交叉，变异操作；
[0084] 该步骤中所说的交叉变异操作，按如下方式进行：
[0085] 对于种群中被选择到的个体Iind1，ind2进行交叉操作，首先计算出ind1与ind2中 个体表达树的节点个数N1,N2;产生两个随机整数I^r2分别位于区间[1，N1]，[1，N2]中；在 个体表达树中分别找到第^个和第r2个节点的位置；交换两个位置处的子树；
[0086] 对于种群中的个体ind3进行变异操作，首先计算个体树的节点个数N;产生位于 [1，N]之间的随机整数r1;找到个体表达树中的第rl节点；产生位于[0, 1]区间的随机 数rand;
[0087] 若rand< 0. 5则从操作符与终止符中随机挑选一个运算符替换个体表达树中的 第!^个运算符，并根据该运算符的目数，生成相应的个体子树，完成变异操作；
[0088] 若rand多0. 5则首先获取第Γι个节点处的运算符的目数T;然后从运算符中随机 挑选目数为T的运算符替换1^节点处的运算符，完成变异。
[0089] 步骤111，对交叉变异后的个体进行适应度评估。若进化代数少于genjt，则返回 执行步骤110 ;否则按照适应度最大原则选出现有种群中的最优个体，输出最优个体的解 码结果，获得新的划分结果，据此结果得到图像的边缘检测模型。
[0090] 对已初始化个体评估适应度，评估方式按照以像素点分类的precision与recall 平均值来计算，与步骤四中的相同；根据每个个体的适应度，进行种群选择，被选择到的个 体进行交叉变异操作；
[0091] 对交叉变异后的种群再次进行适应度评估，并根据评估结果选择即将保留下来的 个体，组成新的种群，并进化下一代；直至达到进化代数genN为止。
[0092] 该步骤中的解码最优个体，得到最终边缘检测模型。
[0093] 从最终种群中选择适应度最高个体，对其进行前序遍历，解码为函数解析式f(I)， 即为训练最终结果模型。其中I为待边缘检测的图像。利用该模型，计算对应的函数结果， 将返回结果按照同样的顺序重新排布，即获得图像的边缘检测结果。
[0094] 从上述实施例可以看出，本申请技术方案克服了现有技术的不足，提出一种改进 的遗传规划算法来实现图像边缘检测模型，共分别针对不同图像每个像素点计算函数模型 的值，获得边缘轮廓图。可以很好地实现一次学习处处使用的效果。并且，针对不同的图像， 效果良好。图4中间的一列图像为人工标记的边缘轮廓图像。
[0095] 实施例2
[0096] 本实施例提供一种图像边缘检测设备，可以实现上述实施例1的方法，其至少包 括如下模块。
[0097] 第一阶段处理模块，构造图像特征集和训练特征集，并根据训练特征集生成初始 种群，对初始种群进行优化操作得到优化的初始种群，解码优化的初始种群中适应度最高 的个体，获得待检测图像到边缘图像的第一个划分，根据该第一个划分结果生成新的特征 集；
[0098] 其中，第一阶段处理模块，对初始种群进行优化操作得到优化的种群时，执行如下 操作：
[0099] 评估初始种群中各个体的适应度；
[0100] 根据所述初始种群中各个体的适应度大小选择优胜个体，对所选择的优胜个体进 行交叉变异操作；
[0101] 对交叉变异后的个体进行局部搜索，对局部搜索后的种群中各个体进行适应度评 估，直至种群中个体的最大适应度大于设定值或迭代次数达到阈值，得到优化的初始种群。
[0102] 优选地，第一阶段处理模块可以采用锦标赛策略选择，从初始种群中选择设定数 目个优胜个体。
[0103] 另外，第一阶段处理模块也可以根据设定的变异步长对交叉变异后的种群进行密 集的变异操作。
[0104] 而第一阶段处理模块根据第一个划分结果生成新的特征集时，主要是将训练特征 集和解码优化的初始种群中适应度最高的个体的解码结果对应乘积加权平均计算得到新 特征集。
[0105] 第二阶段处理模块，基于新的特征集生成新种群，对新种群进行优化操作得到优 化的新种群，并解码优化后的新种群中适应度最高的个体，获得待检测图像到边缘图像的 第二个划分，根据第二个划分结果得到图像的边缘检测模型，以及按照边缘检测模型进行 图像边缘检测。
[0106] 同样的，第二阶段处理模块，对新种群进行优化操作得到优化的新种群时，可以采 用第一阶段处理模块的方式，即执行如下操作：
[0107] 评估新种群中各个体的适应度；
[0108] 根据新种群中各个体的适应度大小选择优胜个体，对所选择的优胜个体进行交叉 变异操作；
[0109] 对交叉变异后的个体进行局部搜索，对局部搜索后的种群中各个体进行适应度评 估，直至种群中个体的最大适应度大于设定值或迭代次数达到阈值，从而得到优化的新种 群。
[0110] 优选地，可以采用锦标赛策略选择，从新种群中选择设定数目个优胜个体。
[0111] 也可以根据设定的变异步长对交叉变异后的种群进行密集的变异操作。由于本实 施例提供的设备可以实施上述实施例1的方法，故此设备的其他详细操作，包括所采用的 具体算法等可以参见上述实施例1的相应内容，在此不再赘述。
[0112] 本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令 相关硬件完成，所述程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘 等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应 地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的 形式实现。本申请不限制于任何特定形式的硬件和软件的结合。
[0113] 以上所述，仅为本发明的较佳实例而已，并非用于限定本发明的保护范围。凡在本 发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范 围之内。
【权利要求】
1. 一种图像边缘检测方法，其特征在于，该方法包括： 构造图像特征集和训练特征集，根据所述训练特征集生成初始种群，对所述初始种群 进行优化操作得到优化的初始种群，解码优化的初始种群中适应度最高的个体，获得待检 测图像到边缘图像的第一个划分，根据第一个划分结果生成新的特征集； 基于所述新的特征集生成新种群，对所述新种群进行优化操作得到优化的新种群，解 码优化后的新种群中适应度最高的个体，获得待检测图像到边缘图像的第二个划分，根据 第二个划分结果得到图像的边缘检测模型，按照所述边缘检测模型进行图像边缘检测。
2. 如权利要求1所述的方法，其特征在于，对所述初始种群进行优化操作得到优化的 初始种群的过程包括： 评估初始种群中各个体的适应度； 根据所述初始种群中各个体的适应度大小选择优胜个体，对所选择的优胜个体进行交 叉变异操作； 对交叉变异后的个体进行局部搜索，对局部搜索后的种群中各个体进行适应度评估， 直至种群中个体的最大适应度大于设定值或迭代次数达到阈值，得到优化的初始种群。
3. 如权利要求2所述的方法，其特征在于，根据所述初始种群中各个体的适应度大小 选择优胜个体包括： 采用锦标赛策略选择初始种群中设定数目个个体。
4. 如权利要求2所述的方法，其特征在于，对交叉变异后的个体进行局部搜索的过程 包括： 根据设定的变异步长对交叉变异后的种群进行密集的变异操作。
5. 如权利要求1至4任一项所述的方法，其特征在于，根据第一个划分结果生成新的特 征集指： 将所述训练特征集和解码优化的初始种群中适应度最高的个体的解码结果对应乘积 加权平均计算得到新的特征集。
6. -种图像边缘检测设备，其特征在于，至少包括： 第一阶段处理模块，构造图像特征集和训练特征集，并根据所述训练特征集生成初始 种群，对所述初始种群进行优化操作得到优化的初始种群，解码优化的初始种群中适应度 最高的个体，获得待检测图像到边缘图像的第一个划分，根据该第一个划分结果生成新的 特征集； 第二阶段处理模块，基于所述新的特征集生成新种群，对所述新种群进行优化操作得 到优化的新种群，并解码优化后的新种群中适应度最高的个体，获得待检测图像到边缘图 像的第二个划分，根据第二个划分结果得到图像的边缘检测模型，以及按照所述边缘检测 模型进行图像边缘检测。
7. 如权利要求6所述的设备，其特征在于，所述第一阶段处理模块，对所述初始种群进 行优化操作得到优化的种群指： 评估初始种群中各个体的适应度； 根据所述初始种群中各个体的适应度大小选择优胜个体，对所选择的优胜个体进行交 叉变异操作； 对交叉变异后的个体进行局部搜索，对局部搜索后的种群中各个体进行适应度评估， 直至种群中个体的最大适应度大于设定值或迭代次数达到阈值，得到优化的初始种群。
8. 如权利要求7所述的设备，其特征在于，所述第一阶段处理模块根据所述初始种群 中各个体的适应度大小选择优胜个体指： 采用锦标赛策略选择初始种群中设定数目个个体。
9. 如权利要求7所述的设备，其特征在于，所述第一阶段处理模块根据设定的变异步 长对交叉变异后的种群进行密集的变异操作。
10. 如权利要求6至9任一项所述的设备，其特征在于，所述第一阶段处理模块根据第 一个划分结果生成新的特征集指： 将所述训练特征集和解码优化的初始种群中适应度最高的个体的解码结果对应乘积 加权平均计算得到新的特征集。
【文档编号】G06N3/00GK104504719SQ201510003860
【公开日】2015年4月8日 申请日期:2015年1月5日 优先权日:2015年1月5日
【发明者】杨振庚, 吴楠 申请人:浪潮(北京)电子信息产业有限公司