專利名稱：基于神經網絡和形態(tài)學的紅外弱小目標單幀檢測方法
技術領域：
本發(fā)明涉及一種圖像處理技術領域的目標檢測方法，具體是一種基于神經網絡和形態(tài)學的紅外弱小目標單幀檢測方法。
背景技術：
基于紅外弱小目標檢測的特點，傳統(tǒng)方法很難協調好算法復雜程度與計算速度的矛盾。其中，特征法和光流場法雖然在理論上能較好地提取運動目標的三維形狀和深度信息，但目前還沒有較為通用的特征選取與匹配算法，而且光流場的基本等式僅在特殊的場合才成立。另一方面，單幀檢測和多幀檢測是紅外弱小運動目標檢測的兩種基本方法。由于實時系統(tǒng)的不穩(wěn)定性和CPU的處理時間限制，多幀關聯檢測所包含的多幀能量累積、區(qū)域匹配等操作很難滿足要求。因此，單幀檢測依然是研究熱點。
單幀檢測的主要步驟有背景估計、門限分割和目標識別。近年來，數學形態(tài)學已逐漸發(fā)展成為圖像處理的一個主要研究領域，并被廣泛應用到目標檢測和識別中。形態(tài)學濾波器可分解為形態(tài)學運算和結構元素這兩個基本的問題。腐蝕，膨脹，開和閉算子是形態(tài)學的4種基本算子，對它們進行組合可以得出具有不同特性的形態(tài)學算子，比如形態(tài)學開、閉運算，Top-hat運算等。因此，選擇和設計恰當的形態(tài)學運算是非常重要的。當形態(tài)學運算規(guī)則確定后，最終濾波性能就僅僅取決于結構元的選擇，包括結構元素的形狀和元素值。
傳統(tǒng)的利用形態(tài)學濾波的方法都是選取基本的形態(tài)學運算和固定的結構元素，所以僅在所對應的某類圖像模型中具有較好的濾波性能。然而，通常情況下圖像信號極為復雜且處于不斷變化之中，這就要求選用改進的形態(tài)學算子和具有自適應功能的結構元素，以實現最優(yōu)化處理。
經對現有技術的文獻檢索發(fā)現，曾明、李建勛等人在《Infrared Physics andTechnology》(Volume48，67-76，2006)(2006年《紅外物理學和技術》的48卷)發(fā)表的“The design of Top-Hat morphological filter and applicationto infrared target detection”，(“Top-Hat形態(tài)學濾波器的設以及在紅外目標檢測中的應用”)該文中提出的背景抑制濾波器只是傳統(tǒng)的Top-Hat形態(tài)學算子，不能很好的濾除干擾性很大的天空雜波和背景。此外，該算法采用的一次自適應門限實現起來占用CPU時間過長。典型的門限分割方法分固定門限分割或自適應門限分割，前者虛警概率過高，后者若是對全部可疑點都計算其對應門限顯然缺乏實時性。為此，需要多層次的門限分割。
神經網絡一直是人們研究的熱點，并且已被廣泛應用于各個領域中。它的主要特點是自學習、非線性映射、聯想存儲和高速尋找優(yōu)化解等。本發(fā)明把它應用到形態(tài)學濾波器的結構元素訓練和可疑目標點的識別過程。

發(fā)明內容
本發(fā)明的目的在于針對現有技術存在的不足，提供一種基于神經網絡和形態(tài)學的紅外弱小目標單幀檢測方法，利用改進的形態(tài)學算子和神經網絡優(yōu)化訓練的結構元素來估計背景，采用二次門限分割大量有效剔除噪聲點，再通過神經網絡分類器來識別目標點。此方法克服了以往由于背景估計不準確而導致剩余過多的背景雜波和干擾點過多問題，同時解決了單次門限分割后殘余噪聲點過多的問題，而且最后階段的神經網絡分類器進一步剔出了干擾性很大的噪聲點，從而大大降低了虛警概率。此外，此方法快速準確、易于實現，達到工程化的實用效果。
本發(fā)明是通過以下技術方案實現的，本發(fā)明首先采集用來優(yōu)化訓練結構元素的訓練樣本，這些樣本應盡可能包含各種點目標和背景，構造用于優(yōu)化訓練的神經網絡，然后利用采集到的樣本用神經網絡優(yōu)化訓練結構元素值，在這些優(yōu)化好的結構元素的基礎上構造基于修正Top-Hat形態(tài)學算子的形態(tài)學濾波器，對紅外目標圖像進行背景估計；隨后，采用二次門限濾除大量噪聲點和殘留的背景雜波，其中的初次門限分割采用固定門限剔除大部分的干擾點；再次門限分割采用自適應門限，根據各目標點不同的信息構造不同的門限；最后的神經網絡分類器從空間形狀差異上進一步剔出個別噪聲點，使得整個方法達到很高的檢測概率和虛警概率，達到自動目標檢測的目的。
以下對本發(fā)明最進一步的說明，包括如下步驟(1)修正Top-Hat形態(tài)學算子基本的形態(tài)學算子有腐蝕，膨脹，開和閉運算這四個，對這4個基本算子進行組合可以得出具有不同特性形態(tài)學算子。針對紅外弱小點目標，目前采用形態(tài)學Top-Hat形態(tài)學算子結構進行檢測。Top-Hat形態(tài)學算子是一種極好的高通濾波算子，它分為開Top-Hat運算和閉Top-Hat運算。其中開Top-Hat形態(tài)學算子是一種非擴展運算，其處理過程處在原圖像的下方，故開Top-Hat形態(tài)學算子總是非負的，它能檢測出圖像中的峰，而閉Top-Hat形態(tài)學算子是一種擴展運算，其處理過程處在原圖像的上方，故開Top-Hat形態(tài)學算子也總是非負的，它能檢測出圖像中的谷。所以，基于以上特點，Top-Hat形態(tài)學算子可以非常有效地識別出各種背景下的點目標，但對于有強背景雜波和噪聲干擾的紅外點目標圖像，傳統(tǒng)的Top-Hat形態(tài)學算子對其抑制作用就顯得力不從心了，為此要對該運算進行改進，采用修正Top-Hat形態(tài)學算子。
修正Top-Hat形態(tài)學算子的結構元素有兩部分嵌套而成內部結構元素Bi(n×n大小)和外部結構元素Bo(m×m大小)，且滿足BiBo。隨后定義邊緣結構元素A＝Bo-Bi(1)在此基礎上定義修正的Top-Hat形態(tài)學算子THF，B(x)＝(F-(FΘA)B(yǎng)i)(x) (2)實驗證明，修正Top-hat形態(tài)學算子可以很好的抑制背景雜波和眾多干擾噪聲。
(2)構造用于優(yōu)化訓練的神經網絡形態(tài)學運算確定后，濾波器的主要性能就取決于結構元了。本發(fā)明采用兩層前饋式神經網絡模型訓練結構元素，將Top-Hat運算作為一個整體當作一層，輸出層節(jié)點定義為作Top-Hat運算后圖像矩陣的最大值。然后采集用來優(yōu)化訓練結構元素的訓練樣本，這些樣本應盡可能包含各種點目標和背景。
設待處理灰度圖像被劃分為若干n×n大小，則輸入樣本矢量的維數為n×n維，它對應網絡輸入的接點數，訓練樣本數為L，輸入樣本為Xk，權值為結構元素B，設網絡在第k個訓練樣本輸入后輸出結點的輸出值為Yk。形態(tài)學濾波器結構元素優(yōu)化設計的神經網絡學習算法描述如下①給定初始權值Bm(0)1≤m≤n×n和誤差代價函數E的終止值ε，選擇合適的學習常數η和動量因子γ。
②迭代開始，t＝1。
③計算輸出層結點在第k個訓練模式輸入時的誤差信號和誤差代價函數分別為ek＝Yk-dk(3)E=12LΣk=1Lek2=12LΣK=1L(Yk-dk)2---(4)]]>其中，dk為輸出對應的第k個輸入信號的期望值(背景為0，目標點為λ)，④如果E＞ε，轉至⑤，否則轉至⑦。
⑤計算剃度δmδm=1LΣk=1L{(Yk-dk)×g(Yk,Bm)}(1≤m≤9)---(5)]]>⑥計算t+1時刻的權矢量(結構元素)值Bm(1≤m≤9)轉入③。
⑦訓練結束。
(3)二次門限分割門限的確定應針對每個n×n圖像單元，采用單幀檢測概率，虛警概率及信噪比定門限。考慮到背景去除后的圖像中仍含有相當多的背景雜波、小的云塊和大量的隨機噪聲，因此，進行兩次門限分割第一次用來初步預選可疑目標點，第二次進行自適應過濾噪聲點。
①首先進行初步門限分割，此處采用固定門限。雖然圖像信噪比較低，但經過形態(tài)學以后，可以保證所有可疑點的SNR都高于2。本發(fā)明以SNR0＝0當作基準，設定相應的門限v1＝u+σ*SNR0-σ*Φ-1(Pd) (6)能得到所有可疑點。其中，Pd為單幀檢測概率，v為檢測門限，u為某整幅圖像背景對消后的噪聲均值，σ2為噪聲均方差。
②隨后采用自適應門限分割。
v2＝u2+σ2*SNR-σ2*Φ-1(Pd) (7)u2為某個n×n圖像單元背景對消后的噪聲均值，σ2為其噪聲均方差，SNR為該n×n圖像單元的信噪比。
(4)神經網絡分類器經過二次門限分割后，圖像里參雜的噪聲大部分被剔出，但仍有一小部分無論是在灰度峰值或是空間上都逼近目標點，導致虛警率得不到明顯改善。經過大量樣本采集和分析，本發(fā)明發(fā)現目標點和噪聲在形狀上有本質的差別目標點的空間形狀呈拋物面體，而噪聲點雖然在強度上很接近目標點，但空間上呈單尖錐狀或多尖點狀。為此，本發(fā)明在整個系統(tǒng)的最后部分設計了神經網絡分類器，用來進一步區(qū)分目標點和噪聲。
本發(fā)明的方法中，形態(tài)學算子選用具有高通濾波性的改進的Top-Hat形態(tài)學算子，結構元素經過神經網絡優(yōu)化訓練，由此得到的形態(tài)學濾波器可以有效的提高對目標點的檢測能力和對背景噪聲的抑制能力。二次門限分割突破了以往單次門限分割，大大減少了噪聲點提高了系統(tǒng)的穩(wěn)定性。神經網絡分類器進一步剔出可疑噪聲點，是檢測概率達到98.3％。本發(fā)明在軍事民用兩方面有廣泛的運用前途，可以為提高我國地空導彈的制導精度、擴大導彈的攻擊范圍(中遠程)奠定基礎，同時該技術還有助于提高地面電子支援系統(tǒng)的搜索預警跟蹤性能，極大的提高我國的軍事裝備力量。


圖1為本發(fā)明基于神經網絡和形態(tài)學的紅外弱小目標檢測方法原理框2為本發(fā)明對二次門限分割后目標點和噪聲在空間形狀上的差異對比其中，圖2(a)，(b)為目標點空間形狀，圖2(c)，(d)為噪聲點的空間形狀。
圖3為連續(xù)四幅低信噪比圖像進行濾波處理后結果對比圖。
其中，圖3(a)，(b)，(c)，(d)為連續(xù)的四幀原始圖像，圖3(e)，(f)，(g)，(h)為運用本發(fā)明對它們進行處理后的結果圖像。
具體實施例方式
為了更好地了解本發(fā)明的技術方案，以下結合附圖對本發(fā)明的實施方式做進一步描述。
本發(fā)明基于神經網絡和形態(tài)學器對紅外弱小點目標進行檢測的原理框圖如圖1所示，濾波過程主要分為神經網絡優(yōu)化的形態(tài)學濾波、二次門限分割和神經網絡分類器三部分。其中形態(tài)學濾波是整個流程的開始，形態(tài)學濾波器可分解為形態(tài)學運算和結構元素這兩個基本的問題。當形態(tài)學運算規(guī)則確定后，形態(tài)濾波器的最終濾波性能就僅僅取決于結構元的選擇。本發(fā)明利用一系列事先得到的樣本數據用神經網絡對濾波器結構元素進行訓練，以獲得最佳的濾波器參數。原始圖像通過神經網絡優(yōu)化訓練后的形態(tài)學濾波器濾波后，針對所檢測的大量可疑點目標采用固定門限進行分割，接著對剩余的可疑點采用自適應門限進行分割。最后，把參雜少量噪聲點的可疑點輸入到神經網絡分類器中進一步區(qū)分，得到目標點。
各部分具體實施細節(jié)如下1.修正的形態(tài)學Top-Hat形態(tài)學算子本發(fā)明的灰度形態(tài)濾波算法是針對一系列3×3灰值圖像，所選結構元素B也為3×3結構。設灰度形態(tài)濾波的輸入為F，則F關于B的膨脹和腐蝕運算分別定義如下(F⊕B)(x)=supm∈Sx-m∈P{f(x-m)+b(m)}---(8)]]>(FΘB)(x)=infm∈Sx+m∈P{f(x+m)-b(m)}---(9)]]>F關于結構元素B的形態(tài)開、閉運算分別定義如下FоB＝(FΘB)B(yǎng)(10)F·B＝(FB(yǎng))ΘB(11)在此基礎上定義Top-Hat形態(tài)學算子。Top-Hat形態(tài)學算子根據使用開，閉運算的不同而分為開Top-Hat形態(tài)學算子和閉Top-Hat形態(tài)學算子，其定義分別如下OTHF，B(x)＝(F-FоB)(x)(12)CTHF，B(x)＝(F·B-F)(x)(13)修正Top-Hat形態(tài)學算子的結構元素有兩部分嵌套而成內部結構元素Bi(n×n大小)和外部結構元素Bo(m×m大小)，且滿足BiBo。隨后定義邊緣結構元素如公式(1)，在此基礎上定義修正的Top-Hat形態(tài)學算子如公式(2)。實驗證明，修正Top-hat形態(tài)學算子可以很好的抑制背景雜波和眾多干擾噪聲。
2.構造用于優(yōu)化訓練的神經網絡形態(tài)學濾波器參數主要由結構元素的各分量值構成，其訓練學習過程屬多參數優(yōu)化問題。采用兩層前饋神經網絡模型，將Top-Hat運算作為一個整體當作一層，輸出層節(jié)點定義為作Top-Hat運算后圖像矩陣的最大值。設輸入樣本矢量的維數為9維(對應網絡輸入的接點數)，訓練樣本數為L，輸入樣本為Xk，權值為(結構元素)B，設網絡在第k個訓練樣本輸入后輸出結點的輸出值為Yk。
定義平方誤差代價函數如公式(4)，式中，Yk定義為Top-Hat運算結果矩陣的最大值，如下 則代價函數對權值矢量的剃度為δ=∂E∂B=(∂E∂B1,···∂E∂Bm,···∂E∂BM)T---(15)]]>式中，δm=def∂E∂Bm=Σk=1L{(Yk-dk)×g(Yk,Bm)}---(16)]]>開余運算中， 同理閉余運算中， 式中，x*為輸入矢量F(x)中的某個值；x*，*為輸入圖像F(x)沿矢量(*，*)作空間平移后的某個值。
則權值的修正量為▿Bm=-ηδm=-ηLΣk=1L{(Yk-dk)×g(Yk,Bm)}---(19)]]>式中，η為學習常量。
網絡權值的迭代公式為Bm(t+1)＝Bm(t)+Bm(20)通常，為加快收斂速度，常在式(12)中引入動量項，則網絡權值的迭代公式如下Bm(t+1)＝Bm(t)+Bm+γ[Bm(t)-Bm(t-1)] (21)式中1≤m≤M；γ為動量因子，0＜γ＜1。
3.二次門限分割門限要根據噪聲分布特性、檢測概率來確立。本發(fā)明通過對大量紅外圖像的噪聲數據分析以后，發(fā)現單幀圖像里的噪聲并不服從高斯分布。而目前大部分研究都把紅外圖像中的噪聲分布近似為高斯分布，顯然這樣的假定大大降低了門限的針對性，使得結果中有過多的噪聲點。通過把圖像分成若干的局部區(qū)域后，本發(fā)明發(fā)現噪聲服從局部區(qū)域的噪聲分布。因此，可以預先把圖像分為若干部分，然后利用高斯分布的統(tǒng)計分布知識確立門限。
在一個m*m的局部區(qū)域內，噪聲服從以下分布g(x)=12πσexp(-(x-μ-σS)22σ2)---(22)]]>此處，u為某幅背景對消后的圖像中某個m*m區(qū)域的噪聲均值，σ為噪聲均方差，S為信噪比。檢測門限的推導如下pd=∫0+∞g(x)dx=∫0+∞12πσexp(-(x-μ-σS)22σ2)dx]]>=1-Φ[v-u-σSσ]=Φ[u+σS-vσ]]]>
i.e.pd=Φ[u+σS-vσ]]]>Φ-1(pd)=u+σS-vσ]]>v＝u+σS-σ*Φ-1(pd) (23)公式(23)中，u=1m×mΣi=1mΣj=1mf(i,j)---(24)]]>σ=1m×mΣi=1mΣj=1m(f(i,j)-u)2---(25)]]>f＝g-(gΘA)B(yǎng)i(26)根據紅外弱小目標檢測中噪聲點多而且干擾性大的問題，本發(fā)明采用一種新的多次分割方法先用固定門限分割法剔除大量噪聲點，這樣能大大減少運算量，然后對每個可疑點計算其相應的門限，再進一步分割。于是，門限公式(22)變形為(6)和(7)。
4.神經網絡分類器圖像經過二次門限分割后，噪聲點已大大減少，但仍有個別極類似于目標點。不過本發(fā)明通過大量樣本分析后，發(fā)現了目標點和噪聲點在空間結構上的區(qū)別，如附圖2。為此，本發(fā)明設計了一個神經網絡分類器加在門限分割的后面，以進一步提高虛警概率。
本發(fā)明利用神經網絡的非線性、并行處理能力以及學習能力，來區(qū)分空間形狀不同的噪聲和目標。理論上，樣本越多，神經網絡的逼近能力越強，越能實現很好的分類功能。但實際上，本發(fā)明只要確定合適的隱層節(jié)點數，就能達到需要的效果。這里，隱層的確定依據為n1＝2n+1 (27)k<Σi=0nCn1i---(28)]]>n1=n+m+a---(29)]]>n1=log2n---(30)]]>運用本發(fā)明對一系列紅外弱小點目標圖像進行處理，結果如圖3所示。表1為使用本發(fā)明的形態(tài)學濾波器進行背景估計后的圖像與原始圖像的信噪比的比較，可以看出信噪比有明顯改善。表2為本發(fā)明與另外五種不同的監(jiān)測方法對200幅不同信噪比的圖像進行單幀處理的比較。其中，第一種方法為用固定結構元素的Top-Hat形態(tài)學濾波器和單次門限分割進行處理，第二種方法為用神經網絡優(yōu)化訓練了結構元素的Top-Hat形態(tài)學濾波器和單次門限分割進行處理，第三種方法為用神經網絡優(yōu)化訓練了結構元素的修正Top-Hat形態(tài)學濾波器和單次門限分割進行處理，第四種方法為用神經網絡優(yōu)化訓練了結構元素的Top-Hat形態(tài)學濾波器和二次門限分割進行處理，第五種方法為用本發(fā)明進行處理。可以看出本發(fā)明的方法與采用固定結構元素，采用傳統(tǒng)的Top-Hat形態(tài)學算子，以及采用單次門限，可以顯著提高對弱小點目標圖像的檢測性能。與以及沒有采用神經網絡分類器的算法相比，本發(fā)明還可以剔出一些干擾性極大的噪聲點。
對比現有的紅外弱小目標檢測技術，本發(fā)明可以有效的抑制各種噪聲干擾，對信噪比較低的點目標進行準確檢測，能夠達到工程化的實用效果。同時從整個實現步驟可知，本發(fā)明方法易于實現，從而為紅外弱小點目標檢測的工程化提供了一個技術實現方法。
表1原始圖像和背景抑制后圖像的信噪比

表2不同紅外弱小目標檢測方法的比較

權利要求
1.一種基于神經網絡和形態(tài)學的紅外弱小目標單幀檢測方法，其特征在于，首先采集用來優(yōu)化訓練結構元素的訓練樣本，這些樣本應盡可能包含各種點目標和背景，構造用于優(yōu)化訓練的神經網絡，然后利用采集到的樣本用神經網絡優(yōu)化訓練結構元素值，在這些優(yōu)化好的結構元素的基礎上構造基于修正Top-Hat形態(tài)學算子的形態(tài)學濾波器，對紅外目標圖像進行背景估計；隨后，采用二次門限濾除大量噪聲點和殘留的背景雜波，其中的初次門限分割采用固定門限剔除大部分的干擾點；再次門限分割采用自適應門限，根據各目標點不同的信息構造不同的門限；最后的神經網絡分類器從空間形狀差異上進一步剔出個別噪聲點，達到自動目標檢測的目的。
2.根據權利要求1所述的基于神經網絡和形態(tài)學的紅外弱小目標單幀檢測方法，其特征是，所述的修正Top-Hat形態(tài)學算子，其結構元素有兩部分嵌套而成內部結構元素Bi(n′n大小)和外部結構元素Bo(m′m大小)，且滿足 定義邊緣結構元素A＝Bo-Bi在此基礎上定義修正的Top-Hat形態(tài)學算子THF，B(x)＝(F-(FQA)Bi)(x)。
3.根據權利要求1所述的基于神經網絡和形態(tài)學的紅外弱小目標單幀檢測方法，其特征是，所述的構造用于優(yōu)化訓練的神經網絡，是指采用兩層前饋式神經網絡模型訓練結構元素，將Top-Hat運算作為一個整體當作一層，輸出層節(jié)點定義為作Top-Hat運算后圖像矩陣的最大值，然后采集用來優(yōu)化訓練結構元素的訓練樣本。
4.根據權利要求1或者3所述的基于神經網絡和形態(tài)學的紅外弱小目標單幀檢測方法，其特征是，所述的構造用于優(yōu)化訓練的神經網絡，具體為設待處理灰度圖像被劃分為若干n′n大小，則輸入樣本矢量的維數為n′n維，它對應網絡輸入的接點數，訓練樣本數為L，輸入樣本為Xk，權值為結構元素B，設網絡在第k個訓練樣本輸入后輸出結點的輸出值為Yk，形態(tài)學濾波器結構元素優(yōu)化設計的神經網絡學習算法如下①給定初始權值Bm(0)1￡m￡n′n和誤差代價函數E的終止值e，選擇學習常數h和動量因子g；②迭代開始，t＝1；③計算輸出層結點在第k個訓練模式輸入時的誤差信號和誤差代價函數分別為ek＝Yk-dk 其中，dk為輸出對應的第k個輸入信號的期望值，背景為0，目標點為l；④如果E＞e，轉至⑤，否則轉至⑦；⑤計算剃度dm ⑥計算t+1時刻的權矢量值Bm(1￡m￡9)轉入③；⑦訓練結束。
5.根據權利要求1所述的基于神經網絡和形態(tài)學的紅外弱小目標單幀檢測方法，其特征是，所述的二次門限分割，具體為①首先進行初步門限分割，此處采用固定門限以SNR0＝0當作基準，設定相應的門限v1＝u+s*SNR0-s*F-1(pd)能得到所有可疑點，其中，pd為單幀檢測概率，v為檢測門限，u為某整幅圖像背景對消后的噪聲均值，s2為噪聲均方差；②隨后采用自適應門限分割v2＝u2+s2*SNR-s2*F-1(pd)u2為某個n′n圖像單元背景對消后的噪聲均值，s2為其噪聲均方差，SNR為該n′n圖像單元的信噪比。
6.根據權利要求1所述的基于神經網絡和形態(tài)學的紅外弱小目標單幀檢測方法，其特征是，所述的神經網絡分類器從空間形狀差異上進一步剔出個別噪聲點，其判別依據為目標點和噪聲在形狀的差別，即目標點的空間形狀呈拋物面體，而噪聲點雖然在強度上很接近目標點，但空間上呈單尖錐狀或多尖點狀。
全文摘要
一種基于神經網絡和形態(tài)學的紅外弱小目標單幀檢測方法，屬于圖像處理技術領域。本發(fā)明首先采集用來優(yōu)化訓練結構元素的訓練樣本，樣本應盡可能包含各種點目標和背景，構造用于優(yōu)化訓練結構元素的神經網絡，再于修正形態(tài)學算子相結合構成形態(tài)學濾波器來進行背景估計，接著采用初次的固定門限去除大部分的干擾點；再次門限分割采用自適應門限，最后的神經網絡分類器從空間形狀差異上進一步剔出個別噪聲點，使得整個方法達到很高的檢測概率和虛警概率。本發(fā)明實現了對復雜背景情況下的紅外弱小點目標進行自動檢測，快速準確、易于實現，極大提高了目標檢測概率和抗干擾能力，在民用及軍用方面有著極其廣泛的應用前景。
文檔編號G06T5/00GK1870051SQ20061002832
公開日2006年11月29日 申請日期2006年6月29日 優(yōu)先權日2006年6月29日
發(fā)明者李建勛, 張鵬 申請人:上海交通大學