專(zhuān)利名稱(chēng)：基于相似性相互作用機(jī)理的圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明屬于計(jì)算機(jī)技術(shù)領(lǐng)域，更進(jìn)一步涉及圖像處理技術(shù)領(lǐng)域中的基于相似性相互作用機(jī)理的圖像分割方法。本發(fā)明通過(guò)將圖像分割成區(qū)域塊，對(duì)區(qū)域塊進(jìn)行歸類(lèi)，實(shí)現(xiàn)紋理圖像及SAR圖像的分割，可應(yīng)用于目標(biāo)識(shí)別。
背景技術(shù)：
圖像分割就是按照?qǐng)D像的某些特征把圖像中具有特殊涵義的不同區(qū)域分開(kāi)來(lái)，且每一個(gè)區(qū)域具有特定區(qū)域的一致性，而相鄰區(qū)域間的屬性特征有明顯的差別。圖像分割是圖像處理中的一個(gè)重要問(wèn)題，在對(duì)圖像分析研究中起著承前啟后的作用，它既是對(duì)所有圖像預(yù)處理效果的一個(gè)檢驗(yàn)，也是后續(xù)進(jìn)行圖像分析與解譯的基礎(chǔ)，具有十分重要的意義。目前，常用的圖像分割技術(shù)有閾值法、聚類(lèi)法、基于形態(tài)學(xué)的方法、基于區(qū)域的方法、基于圖論的方法等等。但是到目前為止，還不存在一個(gè)通用的方法，也不存在一個(gè)判斷分割是否成功的客觀標(biāo)準(zhǔn)。閾值法雖然簡(jiǎn)單，但是它僅僅考慮了圖像的灰度信息，沒(méi)有考慮圖像像素的鄰域信息，忽略了圖像的空間信息，因此難以得到準(zhǔn)確的結(jié)果。目前已經(jīng)有很多聚類(lèi)算法用到圖像分割中，k-means聚類(lèi)是最簡(jiǎn)單、使用最普遍的方法之一，它利用迭代優(yōu)化尋找最優(yōu)解，在緊湊的超球形分布的數(shù)據(jù)集合上表現(xiàn)出很好的性能，然而當(dāng)數(shù)據(jù)結(jié)構(gòu)是非凸的，或者數(shù)據(jù)點(diǎn)彼此交疊嚴(yán)重時(shí)，算法往往會(huì)失效，而且算法不能保證收斂到全局最優(yōu)解。FCM算法同樣沒(méi)有考慮圖像的空間信息，僅僅將所有樣本作為分散的樣本點(diǎn)進(jìn)行聚類(lèi)，導(dǎo)致最后的分割結(jié)果在區(qū)域一致性上很差，區(qū)域內(nèi)部存在雜點(diǎn)，同時(shí)FCM算法對(duì)初始值和噪聲比較敏感，容易陷入局部最優(yōu)，導(dǎo)致分割效果較差?；趫D論的圖像分割技術(shù)通常是將圖像映射為帶權(quán)無(wú)向圖，本質(zhì)上是將圖像分割問(wèn)題轉(zhuǎn)化為圖的最優(yōu)化問(wèn)題，而圖的最優(yōu)劃分問(wèn)題是一個(gè)NP難問(wèn)題，這使得圖論在圖像處理方面不能得到很好的應(yīng)用；同時(shí)，基于圖論的分割方法僅僅利用相鄰像素點(diǎn)或區(qū)域的信息，而忽略了圖像的全局信息。西北工業(yè)大學(xué)申請(qǐng)的專(zhuān)利“一種基于多尺度特征融合的SAR圖像分割方法”(專(zhuān)利申請(qǐng)?zhí)?01010564706. 2，公布號(hào)CN 102081791A)。該方法的實(shí)現(xiàn)過(guò)程為，首先利用快速離散變換提取圖像的紋理特征，并利用平穩(wěn)小波變換提取圖像的統(tǒng)計(jì)特征，然后將兩種多尺度特征融合成高維的特征向量，最后采用模糊C均值聚類(lèi)的方法進(jìn)行分割。該方法存在不足之處是，雖然在圖像的特征方面抑制了噪聲的影響，但是后續(xù)采用的模糊C均值聚類(lèi)的方法，沒(méi)有考慮圖像的空間信息，同時(shí)，對(duì)初始值比較敏感，容易陷入局部最優(yōu)，導(dǎo)致分割的結(jié)果在區(qū)域一致性上很差。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出一種基于相似性相互作用機(jī)理的圖像分割方法，將圖像分割為區(qū)域塊，對(duì)區(qū)域塊進(jìn)行歸類(lèi)，充分考慮了圖像的全局信息和局部信息，從而很好的保證了圖像分割的區(qū)域一致性和細(xì)節(jié)完整性，提高了圖像分割的效
果O
本發(fā)明的具體步驟如下(I)提取每個(gè)像素點(diǎn)特征采用滑窗法逐像素點(diǎn)提取待分割圖像的灰度共生矩陣，對(duì)待分割圖像進(jìn)行3層非下采樣小波分解，提取待分割圖像每個(gè)像素點(diǎn)的小波能量特征，將提取的灰度共生矩陣和小波能量特征合并到一起，得到待分割圖像每個(gè)像素點(diǎn)的特征；
(2)獲得區(qū)域塊特征2a)對(duì)待分割圖像采用分水嶺進(jìn)行預(yù)分割，得到不規(guī)則的區(qū)域塊；2b)對(duì)屬于同一區(qū)域塊內(nèi)的已提取的所有像素點(diǎn)特征計(jì)算算術(shù)平均值，將計(jì)算得到的特征的算術(shù)平均值作為該區(qū)域塊的特征，獲得該區(qū)域塊特征；(3)按照下式計(jì)算區(qū)域塊與區(qū)域塊之間的相似度
Il^/Il2~
W = e
IJ其中，Wu為區(qū)域塊i和區(qū)域塊j之間的相似度值，i和j為分水嶺分割后的任意一個(gè)區(qū)域塊；M · 11為求取歐式距離的運(yùn)算符；Xi為區(qū)域塊i的特征為區(qū)域塊j的特征；O為控制區(qū)域塊與區(qū)域塊之間相似度的尺度參數(shù)，取值范圍為(0，1)；(4)獲得區(qū)域塊相位值4a)將每個(gè)區(qū)域塊迭代前的相位代入下列方程，獲得該區(qū)域塊迭代后的一個(gè)新的相位Θ ' = Θ +Cl X (Μ- Θ ) +C2 X ( Θ -N)其中，Θ'為區(qū)域塊迭代后的相位；Θ為區(qū)域塊迭代前的相位；Cl為衡量控制相同類(lèi)別內(nèi)區(qū)域塊相位的接近速度的控制參數(shù)，C2為衡量控制不同類(lèi)別內(nèi)區(qū)域塊相位的遠(yuǎn)離速度的控制參數(shù)，C1、C2在(0，1]范圍內(nèi)選??；M代表與區(qū)域塊之間的相似度大于所有相似度算術(shù)平均值的全部區(qū)域塊在迭代前的算術(shù)平均相位；N代表與區(qū)域塊之間的相似度小于等于所有相似度算術(shù)平均值的全部區(qū)域塊在迭代前的算術(shù)平均相位；初始相位在[_a，a]相位值范圍內(nèi)隨機(jī)產(chǎn)生；4b)處理迭代后的相位如果迭代后的所有區(qū)域塊相位中存在相位值大于a的相位時(shí)，選取迭代后區(qū)域塊相位值中為正的相位，將相位值為正的每一個(gè)區(qū)域塊相位分別與壓縮比rl相乘，使相位值為正的每一個(gè)區(qū)域塊相位都分布在[_a，a]相位值之間；如果迭代后的所有區(qū)域塊相位中存在相位值小于_a的相位時(shí),選取迭代后區(qū)域塊相位值中為負(fù)的相位,將相位值為負(fù)的每一個(gè)區(qū)域塊相位分別與壓縮比r2相乘，使相位值為負(fù)的每一個(gè)區(qū)域塊相位都分布在[_a，a]相位值之間；4c)判斷迭代后區(qū)域塊的相位是否穩(wěn)定將每個(gè)區(qū)域塊迭代后的相位與迭代前的相位相減,得到一個(gè)差值,若該差值小于0，對(duì)該差值求反，在所有區(qū)域塊的差值中選取其中差值最大的一個(gè)差值，若該最大差值小于閾值ε，則認(rèn)為所有區(qū)域塊的相位趨于穩(wěn)定，進(jìn)入下一步驟，否則，將每個(gè)區(qū)域塊迭代后的相位作為該區(qū)域塊下一次迭代前的相位，返回步驟4a)；(5)歸類(lèi)區(qū)域塊
5a)將[_a，a]相位值均勻劃分為每個(gè)子區(qū)間長(zhǎng)度為I的子區(qū)間；5b)對(duì)每個(gè)子區(qū)間，統(tǒng)計(jì)區(qū)域塊相位值介于該子區(qū)間范圍內(nèi)區(qū)域塊的像素個(gè)數(shù)；5c)將子區(qū)間內(nèi)區(qū)域塊的像素個(gè)數(shù)大于閾值T的相鄰子區(qū)間內(nèi)的所有區(qū)域塊歸為一類(lèi)，并依次賦以類(lèi)標(biāo)；對(duì)子區(qū)間內(nèi)區(qū)域塊的像素個(gè)數(shù)小于等于閾值T的相鄰子區(qū)間內(nèi)的所有區(qū)域按相位從小到大排序，將相位相鄰的兩個(gè)區(qū)域塊的相位求差值，找出相位差絕對(duì)值最大的兩個(gè)區(qū)域塊，以這兩個(gè)區(qū)域塊的中心相位為分界線，將相位大于該分界線的區(qū)域塊劃分到相位大于該分界線中已歸類(lèi)的區(qū)域塊的最小相位所對(duì)應(yīng)的區(qū)域塊的類(lèi)別中，將相位小于該分界線的區(qū)域塊劃分到相位小于該分界線中已歸類(lèi)的區(qū)域塊的最大相位所對(duì)應(yīng)的區(qū)域塊的類(lèi)別中，得到每個(gè)區(qū)域塊的類(lèi)標(biāo)； (6)輸出圖像分割結(jié)果根據(jù)步驟2a)中分水嶺分割結(jié)果，找到每個(gè)區(qū)域塊對(duì)應(yīng)的像素點(diǎn)，將每個(gè)區(qū)域塊的類(lèi)標(biāo)對(duì)應(yīng)到相應(yīng)像素點(diǎn)上，得到圖像的最終分割結(jié)果并輸出。本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)第一、本發(fā)明具體步驟的實(shí)現(xiàn)過(guò)程中是在區(qū)域塊上進(jìn)行操作，克服了現(xiàn)有技術(shù)在像素點(diǎn)上進(jìn)行操作，所需的數(shù)據(jù)量大，運(yùn)算時(shí)間長(zhǎng)的問(wèn)題。本發(fā)明首先將待分割圖像采用分水嶺進(jìn)行預(yù)分割，得到不規(guī)則的區(qū)域塊，然后在各個(gè)區(qū)域塊上進(jìn)行操作，得到區(qū)域塊的類(lèi)標(biāo)，最后把區(qū)域塊的類(lèi)標(biāo)對(duì)應(yīng)到像素點(diǎn)上，所需的運(yùn)算數(shù)據(jù)量小，提高了圖像分割的效率。第二、本發(fā)明具體步驟的實(shí)現(xiàn)過(guò)程中在計(jì)算區(qū)域塊之間相似度值時(shí)，對(duì)任意兩個(gè)區(qū)域塊都計(jì)算了兩者之間的相似度值，計(jì)算了空間上相鄰的兩個(gè)區(qū)域塊之間的相似度值以及不相鄰的兩個(gè)區(qū)域塊之間的相似度值，克服了現(xiàn)有技術(shù)中沒(méi)有利用圖像的空間信息，只利用圖像的局部信息，易陷入局部最優(yōu)的問(wèn)題。本發(fā)明計(jì)算區(qū)域塊之間相似度值的方法，充分考慮了空間上相鄰的兩個(gè)區(qū)域塊之間的信息以及不相鄰的兩個(gè)區(qū)域塊之間的信息，充分利用了圖像的空間信息，使圖像的區(qū)域一致性和細(xì)節(jié)完整性保持較好。


圖I為本發(fā)明的流程圖；圖2為本發(fā)明對(duì)一幅兩類(lèi)紋理圖像與現(xiàn)有技術(shù)兩種算法的仿真實(shí)驗(yàn)對(duì)比圖；圖3為本發(fā)明對(duì)一幅三類(lèi)紋理圖像與現(xiàn)有技術(shù)兩種算法的仿真實(shí)驗(yàn)對(duì)比圖；圖4為本發(fā)明對(duì)一幅兩類(lèi)SAR圖像與現(xiàn)有技術(shù)兩種算法的仿真實(shí)驗(yàn)對(duì)比圖；圖5為本發(fā)明對(duì)一幅三類(lèi)SAR圖像與現(xiàn)有技術(shù)兩種算法的仿真實(shí)驗(yàn)對(duì)比圖。
具體實(shí)施例方式下面結(jié)合圖I對(duì)本發(fā)明的具體實(shí)施步驟做進(jìn)一步的詳細(xì)描述。步驟I.提取每個(gè)像素點(diǎn)特征采用滑窗法逐像素點(diǎn)提取待分割圖像的灰度共生矩陣，對(duì)待分割圖像進(jìn)行3層非下采樣小波分解，提取待分割圖像每個(gè)像素點(diǎn)的小波能量特征，將提取的灰度共生矩陣和小波能量特征合并到一起，得到待分割圖像每個(gè)像素點(diǎn)的特征。在本發(fā)明實(shí)施例中，待分割的圖像采用一幅兩類(lèi)紋理圖像，如圖2(a)中，相同的紋理代表同一區(qū)域，不同的紋理代表不同的區(qū)域，采用大小為16*16的滑窗逐像素點(diǎn)提取兩類(lèi)紋理圖像的對(duì)比度、一致性、能量在[O。，45° ,90° ,135° ]四個(gè)方向上的灰度共生矩陣共12維特征；對(duì)兩類(lèi)紋理圖像進(jìn)行3層非下采樣小波分解，提取兩類(lèi)紋理圖像每個(gè)像素點(diǎn)的小波能量的10維特征；將兩類(lèi)紋理圖像每個(gè)像素點(diǎn)的灰度共生矩陣的12維特征和小波能量的10維特征合并到一起，構(gòu)成22維特征，得到兩類(lèi)紋理圖像每個(gè)像素點(diǎn)的特征。 步驟2.獲得區(qū)域塊特征2a)對(duì)待分割圖像采用分水嶺進(jìn)行預(yù)分割，得到不規(guī)則的區(qū)域塊；對(duì)待分割圖像采用分水嶺進(jìn)行預(yù)分割，主要是為了減少聚類(lèi)數(shù)據(jù)量，降低算法的運(yùn)算復(fù)雜度，由于區(qū)域塊數(shù)如果過(guò)多，會(huì)增加算法的時(shí)間復(fù)雜度，如果過(guò)少會(huì)導(dǎo)致區(qū)域塊內(nèi)的特征一致性較差，因此應(yīng)合理控制分水嶺分割的區(qū)域塊數(shù)，對(duì)于不同特征的圖像，區(qū)域塊數(shù)是不固定的。在本發(fā)明實(shí)施例中，對(duì)圖2(a)中的兩類(lèi)紋理圖像采用分水嶺進(jìn)行預(yù)分割，分水嶺分割的區(qū)域塊數(shù)為1359塊。2b)對(duì)屬于同一區(qū)域塊內(nèi)的已提取的所有像素點(diǎn)特征計(jì)算算術(shù)平均值，將計(jì)算得到的特征的算術(shù)平均值作為該區(qū)域塊的特征，獲得該區(qū)域塊特征。在本發(fā)明實(shí)施例中，對(duì)屬于同一區(qū)域塊內(nèi)的已提取的所有像素點(diǎn)的每一維特征計(jì)算算術(shù)平均值，將計(jì)算得到的每一維特征的算術(shù)平均值作為該區(qū)域塊每一維的特征，獲得該區(qū)域塊特征。步驟3.計(jì)算區(qū)域塊與區(qū)域塊之間的相似度按照下式計(jì)算區(qū)域塊與區(qū)域塊之間的相似度
權(quán)利要求
1.基于相似性相互作用機(jī)理的圖像分割方法，具體步驟如下 (1)提取每個(gè)像素點(diǎn)特征 采用滑窗法逐像素點(diǎn)提取待分割圖像的灰度共生矩陣，對(duì)待分割圖像進(jìn)行3層非下采樣小波分解，提取待分割圖像每個(gè)像素點(diǎn)的小波能量特征，將提取的灰度共生矩陣和小波能量特征合并到一起，得到待分割圖像每個(gè)像素點(diǎn)的特征； (2)獲得區(qū)域塊特征 2a)對(duì)待分割圖像采用分水嶺進(jìn)行預(yù)分割，得到不規(guī)則的區(qū)域塊； 2b)對(duì)屬于同一區(qū)域塊內(nèi)的已提取的所有像素點(diǎn)特征計(jì)算算術(shù)平均值，將計(jì)算得到的特征的算術(shù)平均值作為該區(qū)域塊的特征，獲得該區(qū)域塊特征； (3)按照下式計(jì)算區(qū)域塊與區(qū)域塊之間的相似度 Ilx/_Λ； Il2 w = e lrylIJ 其中，Wij為區(qū)域塊i和區(qū)域塊j之間的相似度值，i和j為分水嶺分割后的任意一個(gè)區(qū)域塊；M · I I為求取歐式距離的運(yùn)算符；Xi為區(qū)域塊i的特征為區(qū)域塊j的特征；σ為控制區(qū)域塊與區(qū)域塊之間相似度的尺度參數(shù)，取值范圍為(O，I)； (4)獲得區(qū)域塊相位值 4a)將每個(gè)區(qū)域塊迭代前的相位代入下列方程，獲得該區(qū)域塊迭代后的一個(gè)新的相位Θ ' = Θ +ClX (Μ- Θ )+C2X ( θ -N) 其中，Θ'為區(qū)域塊迭代后的相位；Θ為區(qū)域塊迭代前的相位；Cl為衡量控制相同類(lèi)別內(nèi)區(qū)域塊相位的接近速度的控制參數(shù)，C2為衡量控制不同類(lèi)別內(nèi)區(qū)域塊相位的遠(yuǎn)離速度的控制參數(shù)，Cl、C2在(O，I]范圍內(nèi)選??；Μ代表與區(qū)域塊之間的相似度大于所有相似度算術(shù)平均值的全部區(qū)域塊在迭代前的算術(shù)平均相位；Ν代表與區(qū)域塊之間的相似度小于等于所有相似度算術(shù)平均值的全部區(qū)域塊在迭代前的算術(shù)平均相位；初始相位在[_a，a]相位值范圍內(nèi)隨機(jī)產(chǎn)生； 4b)處理迭代后的相位 如果迭代后的所有區(qū)域塊相位中存在相位值大于a的相位時(shí)，選取迭代后區(qū)域塊相位值中為正的相位，將相位值為正的每一個(gè)區(qū)域塊相位分別與壓縮比rl相乘，使相位值為正的每一個(gè)區(qū)域塊相位都分布在[_a，a]相位值之間；如果迭代后的所有區(qū)域塊相位中存在相位值小于_a的相位時(shí)，選取迭代后區(qū)域塊相位值中為負(fù)的相位，將相位值為負(fù)的每一個(gè)區(qū)域塊相位分別與壓縮比r2相乘，使相位值為負(fù)的每一個(gè)區(qū)域塊相位都分布在[_a，a]相位值之間； 4c)判斷迭代后區(qū)域塊的相位是否穩(wěn)定 將每個(gè)區(qū)域塊迭代后的相位與迭代前的相位相減，得到一個(gè)差值，若該差值小于O，對(duì)該差值求反，在所有區(qū)域塊的差值中選取其中差值最大的一個(gè)差值，若該最大差值小于閾值ε，則認(rèn)為所有區(qū)域塊的相位趨于穩(wěn)定，進(jìn)入下一步驟，否則，將每個(gè)區(qū)域塊迭代后的相位作為該區(qū)域塊下一次迭代前的相位，返回步驟4a)； (5)歸類(lèi)區(qū)域塊5a)將[_a，a]相位值均勻劃分為每個(gè)子區(qū)間長(zhǎng)度為I的子區(qū)間； 5b)對(duì)每個(gè)子區(qū)間，統(tǒng)計(jì)區(qū)域塊相位值介于該子區(qū)間范圍內(nèi)區(qū)域塊的像素個(gè)數(shù)； 5c)將子區(qū)間內(nèi)區(qū)域塊的像素個(gè)數(shù)大于閾值T的相鄰子區(qū)間內(nèi)的所有區(qū)域塊歸為一類(lèi)，并依次賦以類(lèi)標(biāo)；對(duì)子區(qū)間內(nèi)區(qū)域塊的像素個(gè)數(shù)小于等于閾值T的相鄰子區(qū)間內(nèi)的所有區(qū)域按相位從小到大排序，將相位相鄰的兩個(gè)區(qū)域塊的相位求差值，找出相位差絕對(duì)值最大的兩個(gè)區(qū)域塊，以這兩個(gè)區(qū)域塊的中心相位為分界線，將相位大于該分界線的區(qū)域塊劃分到相位大于該分界線中已歸類(lèi)的區(qū)域塊的最小相位 所對(duì)應(yīng)的區(qū)域塊的類(lèi)別中，將相位小于該分界線的區(qū)域塊劃分到相位小于該分界線中已歸類(lèi)的區(qū)域塊的最大相位所對(duì)應(yīng)的區(qū)域塊的類(lèi)別中，得到每個(gè)區(qū)域塊的類(lèi)標(biāo)； (6)輸出圖像分割結(jié)果 根據(jù)步驟2a)中分水嶺分割結(jié)果，找到每個(gè)區(qū)域塊對(duì)應(yīng)的像素點(diǎn)，將每個(gè)區(qū)域塊的類(lèi)標(biāo)對(duì)應(yīng)到相應(yīng)像素點(diǎn)上，得到圖像的最終分割結(jié)果并輸出。
2.根據(jù)權(quán)利要求I所述的基于相似性相互作用機(jī)理的圖像分割方法，其特征在于，步驟4a)所述的相位值的上界a的取值范圍為5 < a < 100。
3.根據(jù)權(quán)利要求I所述的基于相似性相互作用機(jī)理的圖像分割方法，其特征在于，步驟4b)所述的壓縮比rl和r2按照下式取得壓縮比rl = a/b，壓縮比r2 = -a/c，其中，a為相位值的上界，b為迭代后所有區(qū)域塊相位中的最大相位，c為迭代后所有區(qū)域塊相位中的最小相位。
4.根據(jù)權(quán)利要求I所述的基于相似性相互作用機(jī)理的圖像分割方法，其特征在于，步驟4c)所述的閾值ε的取值范圍為O < ε < I。
5.根據(jù)權(quán)利要求I所述的基于相似性相互作用機(jī)理的圖像分割方法，其特征在于，步驟6a)所述的每個(gè)子區(qū)間長(zhǎng)度I的取值范圍為I < I < 5。
6.根據(jù)權(quán)利要求I所述的基于相似性相互作用機(jī)理的圖像分割方法，其特征在于，步驟6b)所述的閾值T的取值范圍為O彡T彡1500。
全文摘要
本發(fā)明提出了一種基于相似性相互作用機(jī)理的圖像分割方法，主要解決現(xiàn)有分割算法分割效率低、區(qū)域一致性不好以及細(xì)節(jié)信息缺失的問(wèn)題。其實(shí)現(xiàn)步驟是(1)提取待分割圖像每個(gè)象素點(diǎn)的特征；(2)獲得區(qū)域塊特征；(3)計(jì)算區(qū)域塊與區(qū)域塊之間的相似度；(4)獲得區(qū)域塊相位值；(5)歸類(lèi)區(qū)域塊；(6)輸出圖像分割結(jié)果。本發(fā)明具有分割效率高、分割結(jié)果區(qū)域一致性強(qiáng)、細(xì)節(jié)信息多和邊緣效果好的優(yōu)點(diǎn)，能夠有效地對(duì)紋理圖像和SAR圖像進(jìn)行分割，可用于圖像目標(biāo)識(shí)別。
文檔編號(hào)G06T7/00GK102622761SQ201210109158
公開(kāi)日2012年8月1日 申請(qǐng)日期2012年4月13日 優(yōu)先權(quán)日2012年4月13日
發(fā)明者侯彪, 劉芳, 吳建設(shè), 張向榮, 楊淑媛, 焦李成, 王爽, 鐘樺, 陸蕊 申請(qǐng)人:西安電子科技大學(xué)