基于視覺(jué)特征的SAR圖像評(píng)估方法

肖舒文，李柏文，張 川，陳曉盼

(中國(guó)國(guó)防科技信息中心, 北京 100142)

·總體工程·

基于視覺(jué)特征的SAR圖像評(píng)估方法

肖舒文，李柏文，張 川，陳曉盼

(中國(guó)國(guó)防科技信息中心, 北京 100142)

為了驗(yàn)證不同算法、模型、軟件得到的仿真SAR圖像的可靠性，文中提出一種基于專家視覺(jué)的SAR圖像評(píng)估方法，從原始圖像中提取視覺(jué)關(guān)注的目標(biāo)亮度、輪廓和散射中心分布特征，利用極化映射積分得到差異度量指標(biāo)，設(shè)計(jì)合成函數(shù)結(jié)合三種指標(biāo)，獲得可以準(zhǔn)確反映SAR圖像差異水平的評(píng)估結(jié)果。實(shí)例驗(yàn)證表明，該方法的性能明顯優(yōu)于現(xiàn)有方法，與專家視覺(jué)結(jié)果之間的平均誤差僅為4.32%，兩種結(jié)果曲線的相似性高達(dá)99.78%。

雷達(dá)目標(biāo)特性；SAR圖像；圖像評(píng)估方法；視覺(jué)特征；極化映射

0 引 言

合成孔徑雷達(dá)(SAR)具有探測(cè)距離遠(yuǎn)、穿透力強(qiáng)、全天候全天時(shí)觀測(cè)等優(yōu)點(diǎn)，已經(jīng)廣泛應(yīng)用于軍事、水文、遙感、地礦等領(lǐng)域[1]。由于實(shí)測(cè)SAR系統(tǒng)無(wú)法獲取目標(biāo)在任意操作條件下的SAR圖像，SAR圖像仿真成為重要的補(bǔ)充手段，對(duì)SAR系統(tǒng)設(shè)計(jì)、圖像處理及目標(biāo)識(shí)別等具有重要作用。目前，國(guó)內(nèi)外學(xué)者已針對(duì)不同的應(yīng)用，提出了多種SAR圖像仿真算法，建立了各類目標(biāo)仿真模型，積累了大量仿真SAR圖像。為了驗(yàn)證這些算法、模型和圖像的可靠性，推動(dòng)它們?cè)诶走_(dá)相關(guān)領(lǐng)域的應(yīng)用，必須對(duì)仿真SAR圖像與參考圖像(如實(shí)測(cè)圖像或已驗(yàn)證的SAR圖像等)進(jìn)行比對(duì)，評(píng)估其一致性。

目前，雷達(dá)領(lǐng)域內(nèi)的SAR圖像評(píng)估通常采用基于圖像或?qū)＜乙曈X(jué)的方法[2]?；趫D像的方法主要沿用雷達(dá)散射截面(RCS)數(shù)據(jù)的評(píng)估指標(biāo)，應(yīng)用統(tǒng)計(jì)學(xué)中的均方誤差[3]或相關(guān)系數(shù)[4]等方法對(duì)SAR圖像進(jìn)行比較。例如：文獻(xiàn)[3]采用均方誤差對(duì)比歸一化SAR圖像與參考圖像之間的相似程度，比較不同相對(duì)輻射歸一化方法對(duì)圖像的矯正性能；文獻(xiàn)[4]應(yīng)用歸一化交叉相關(guān)系數(shù)，比較坦克MSTAR實(shí)測(cè)和仿真圖像的相似程度，評(píng)估典型地面車輛目標(biāo)SAR圖像仿真性能。這種采用統(tǒng)計(jì)學(xué)指標(biāo)直接比較圖像的方法可以反映SAR圖像的整體差異水平，但具有魯棒性，難以給出目標(biāo)的具體差異，且差異無(wú)法溯源，不利于算法改進(jìn)和模型修正。因此，當(dāng)前的SAR圖像評(píng)估仍多依賴于專家視覺(jué)，這種結(jié)合專家經(jīng)驗(yàn)方法可靠性較高，但具有一定的主觀性和不確定性，難以給出定量化結(jié)果。

由于現(xiàn)有方法均難以滿足SAR圖像評(píng)估的需求，本文設(shè)計(jì)了一種模擬專家視覺(jué)評(píng)估過(guò)程，并可由計(jì)算機(jī)自動(dòng)實(shí)現(xiàn)的SAR圖像評(píng)估方法：從SAR圖像中提取專家視覺(jué)關(guān)注的目標(biāo)亮度、輪廓和散射中心分布特征，利用極化映射積分將二維圖像特征化為一維差異度量指標(biāo)，設(shè)計(jì)合成函數(shù)綜合三種指標(biāo)，得到接近專家視覺(jué)的SAR圖像評(píng)估結(jié)果。

1 現(xiàn)有方法對(duì)SAR圖像的局限性分析

由于目前雷達(dá)領(lǐng)域缺乏權(quán)威的圖像評(píng)估方法以及方法可靠性的評(píng)價(jià)手段，分析方法適用性的最有效方式即為與領(lǐng)域?qū)＜业囊曈X(jué)評(píng)估結(jié)果進(jìn)行比較[5]。但是，由于SAR圖像評(píng)估的專業(yè)性以及領(lǐng)域?qū)＜曳植嫉姆稚⑿?，大?guī)模獲取可信程度較高的專家調(diào)查結(jié)果一直比較困難。本文選取八組典型SAR圖像設(shè)計(jì)調(diào)查問(wèn)卷，涵蓋國(guó)內(nèi)外權(quán)威機(jī)構(gòu)通過(guò)實(shí)測(cè)和仿真手段得到公開(kāi)與未公開(kāi)、相似程度各異的地海面目標(biāo)SAR圖像。其中，部分可公開(kāi)的SAR圖像如圖1所示。調(diào)查對(duì)象共32人，包括雷達(dá)目標(biāo)特性領(lǐng)域的資深從業(yè)人員27人(包括雷達(dá)目標(biāo)特性知名專家、相關(guān)科研院所的技術(shù)骨干)以及從事雷達(dá)目標(biāo)特性研究的博士生5人，其研究方向覆蓋雷達(dá)目標(biāo)特性建模、測(cè)量與應(yīng)用三大主要領(lǐng)域。

圖1 本文采用的SAR圖像示例

本次調(diào)查采用國(guó)際上通用的驗(yàn)證評(píng)定量表(VRS)[6-7]，幫助專家使用共同的視覺(jué)度量尺度基準(zhǔn)，從VRS中選擇合適的定性解釋(極好、很好、好、一般、差、很差)描述每組圖像的相似程度。統(tǒng)計(jì)調(diào)查結(jié)果，獲得專家結(jié)果的分布直方圖。為了便于與現(xiàn)有方法驗(yàn)證結(jié)果比較，本文將專家結(jié)果直方圖進(jìn)行量化，獲取每組數(shù)據(jù)相似程度的定量化結(jié)果。

為了分析現(xiàn)有圖像評(píng)估方法的適用性，本文選取目前常用的均方誤差和相關(guān)系數(shù)，以及由RCS數(shù)據(jù)驗(yàn)證方法衍生的Kolmogorov-Smirnov(K-S)分布、互信息量以及二維特征選擇驗(yàn)證(2D-FSV)方法[8]對(duì)上述專家調(diào)查中的圖像進(jìn)行評(píng)估，并與專家定量化結(jié)果進(jìn)行對(duì)比。結(jié)果表明，現(xiàn)有方法應(yīng)用于SAR圖像時(shí)均存在局限性，主要體現(xiàn)在以下兩點(diǎn)：(1)現(xiàn)有方法沒(méi)有考慮SAR圖像間的空間相關(guān)性，例如K-S分布僅考慮圖像像素的數(shù)值分布;(2)現(xiàn)有方法沒(méi)有結(jié)合SAR圖像本身的特點(diǎn)，例如均方誤差、相關(guān)系數(shù)等方法過(guò)于魯棒，未結(jié)合SAR圖像背景占比高、輪廓易受噪聲影響等特點(diǎn)。因此，受限于方法的評(píng)估原理，現(xiàn)有的圖像評(píng)估方法均難以適用于SAR圖像。

2 面向SAR圖像的視覺(jué)特征評(píng)估方法

根據(jù)現(xiàn)有方法的局限性分析，適用于SAR圖像的評(píng)估方法必須在完整保留圖像之間的空間相關(guān)性的同時(shí)，準(zhǔn)確把握SAR圖像的自身特點(diǎn)。同時(shí)，為了模擬專家的視覺(jué)評(píng)估，還應(yīng)當(dāng)對(duì)專家重點(diǎn)關(guān)注的SAR圖像特征進(jìn)行分析。通過(guò)專家調(diào)查和相關(guān)文獻(xiàn)調(diào)研，結(jié)合SAR圖像目標(biāo)識(shí)別的輪廓、陰影等常用特征，本文確定了專家視覺(jué)評(píng)估中的三個(gè)主要關(guān)注點(diǎn)：目標(biāo)亮度、輪廓及散射中心分布。上述特征均與目標(biāo)結(jié)構(gòu)的電磁散射機(jī)理緊密相關(guān)，能夠準(zhǔn)確反映目標(biāo)在尺寸、結(jié)構(gòu)、材料等方面的差異。

基于上述分析，本文提出的SAR圖像評(píng)估方法的流程如圖2所示。(1)依據(jù)SAR圖像的特點(diǎn)，通過(guò)頻域分解、分水嶺算法和閾值分割等手段，從SAR圖像中提取目標(biāo)亮度、輪廓及散射中心分布三種圖像特征；(2)在確?？臻g相關(guān)性的情況下，利用極化映射積分將二維圖像特征化為便于比較的一維差異度量指標(biāo)；(3)根據(jù)專家視覺(jué)的評(píng)估習(xí)慣，設(shè)計(jì)函數(shù)合成三種度量指標(biāo)，獲得接近專家視覺(jué)的SAR圖像評(píng)估結(jié)果。下面以圖1b)為例，說(shuō)明本文方法的具體步驟。

圖2 本文方法的評(píng)估流程

2.1 圖像視覺(jué)特征的提取

2.1.1 目標(biāo)亮度特征提取

目標(biāo)亮度是對(duì)圖像中目標(biāo)相似程度的整體感知。本文采用頻域分解的方法，將SAR圖像能量歸一化、基于灰度配準(zhǔn)后變換到頻域，提取圖像的直流及部分低頻分量：直流頻點(diǎn)表征亮度的大小，低頻分量則代表亮度的整體分布。參照IEEE1597.1標(biāo)準(zhǔn)的能量截?cái)喾绞剑痉椒ㄌ崛∫灶l域圖像中心為圓心、以4個(gè)頻點(diǎn)為半徑。用于比較的原始圖像以及從中提取的亮度特征圖像如圖3和圖4所示。

圖3 原始圖像

圖4 目標(biāo)亮度特征圖像

2.1.2 目標(biāo)輪廓特征提取

目標(biāo)輪廓是判定圖像中目標(biāo)相似程度的重要依據(jù)。本文選取數(shù)字圖像處理中常用的分水嶺算法(Watershed Method)對(duì)SAR圖像進(jìn)行分割。分水嶺算法是一種基于數(shù)學(xué)形態(tài)學(xué)的分割方法，其基本思想是利用具有一定形態(tài)的結(jié)構(gòu)元素，通過(guò)膨脹、腐蝕等形態(tài)學(xué)濾波手段提取圖像中的感興趣區(qū)域，具有與原始圖像吻合度高、定位準(zhǔn)確、計(jì)算速度快的特點(diǎn)。利用分水嶺算法從圖3中提取的目標(biāo)輪廓圖像如圖5所示。

圖5 目標(biāo)輪廓特征圖像

2.1.3 目標(biāo)散射中心分布特征提取

目標(biāo)散射中心表征目標(biāo)強(qiáng)散射結(jié)構(gòu)的位置和散射強(qiáng)度信息，是SAR圖像評(píng)估的核心指標(biāo)。由于散射中心的亮度通常很大，因此本文采用閾值分割的方法，首先讀取圖像中的最大亮度值，去掉低于此亮度50%的所有像素，此時(shí)可將目標(biāo)的背景及亮度較暗的部分去除，如圖6所示；然后計(jì)算剩余所有非0像素的均值，再將低于均值的所有像素點(diǎn)濾除，即去除所有的弱散射點(diǎn)；最終得到的目標(biāo)散射中心分布如圖7所示。

2.2 特征差異度量指標(biāo)的生成

2.2.1 極化映射

極化映射(PM)是SAR圖像目標(biāo)識(shí)別中常用的方法，可以在保留有效識(shí)別信息的同時(shí)剔除冗余信息，提高目標(biāo)識(shí)別的準(zhǔn)確率，縮減運(yùn)行時(shí)間和占用內(nèi)存[9-10]。極化映射的示意圖如圖8所示[11]。

設(shè)SAR圖像矩陣的直角坐標(biāo)為(xk,yk)，映射到極坐標(biāo)為(rm,θn)，兩者之間的對(duì)應(yīng)關(guān)系如式(1)所示。其中，(xc,yc)為目標(biāo)重心，Nr、Nθ為從目標(biāo)重心沿r向和θ向的采樣點(diǎn)數(shù)，Δr和Δθ為沿r向和θ向的采樣間隔。為了展現(xiàn)目標(biāo)以其重心為圓心的全角度差異，本文取Nr=50，Nθ=360。Rmin為最小采樣圓半徑，一般設(shè)為0，Rmax為目標(biāo)邊緣各點(diǎn)到目標(biāo)重心的最大值。

(1)

其中

rm=Rmin+(m-1)Δr,

θn=(n-1)Δθ,

按照式(2)對(duì)極化映射圖像沿r向積分，并根據(jù)r向采樣點(diǎn)數(shù)Nr作歸一化處理，可得到極化映射積分曲線Iθ。

(2)

2.2.2 亮度和輪廓度量指標(biāo)的生成

按極化映射的方法對(duì)圖4、圖5的目標(biāo)亮度和輪廓特征圖像進(jìn)行極化映射，得到如圖9所示的圖像。依據(jù)式(2)積分得到表征目標(biāo)亮度和輪廓的極化映射積分曲線I1、I2以及O1、O2，如圖10所示。最終，可以由式(3)、式(4)得到圖像的亮度和輪廓差異的歸一化度量指標(biāo)DI和DO，表征圖像以其重心為軸的360°全方位差異，如圖11所示。其中，Nθ為極化映射時(shí)沿θ向的采樣點(diǎn)數(shù)。

圖9 目標(biāo)亮度和輪廓的極化映射

圖10 亮度和輪廓的積分曲線

圖11 歸一化亮度和輪廓差異度量指標(biāo)

(3)

(4)

2.2.3 散射中心分布度量指標(biāo)的生成

為了保留散射中心之間的相對(duì)位置關(guān)系，將散射中心分布的二維圖像相減后，直接極化映射積分得到差異度量指標(biāo)曲線。由于不同目標(biāo)的強(qiáng)散射中心分布面積大小往往不同，為了使度量結(jié)果不受面積差異的影響，應(yīng)當(dāng)在積分之前進(jìn)行歸一化。設(shè)圖7中兩幅圖像的像素矩陣分別為S1和S2，按式(5)相減后得到散射中心分布差異圖像diS。統(tǒng)計(jì)diS中不為0的像素點(diǎn)數(shù)NS，由式(6)計(jì)算得到歸一化差異diS1(其中m和n分別為像素矩陣的行列數(shù))，如圖12a)所示，進(jìn)而極化映射得到圖12b)。最終，根據(jù)公式(7)積分得到散射中心分布的差異度量指標(biāo)DS，如圖13所示。

diS=|S1-S2|

(5)

(6)

(7)

圖12 目標(biāo)散射中心分布差異

圖13 歸一化散射中心分布差異度量指標(biāo)

2.3 差異度量指標(biāo)的合成

在SAR圖像評(píng)估的過(guò)程中，專家對(duì)三種視覺(jué)特征的關(guān)注程度有所不同：專家通常對(duì)目標(biāo)亮度不太關(guān)心，僅在兩幅圖像亮度差異極大時(shí)才會(huì)引起關(guān)注；而輪廓和散射中心分布則是專家非常關(guān)注的部分，兩者都吻合時(shí)專家評(píng)價(jià)最高，僅兩者之一吻合時(shí)專家評(píng)價(jià)也相對(duì)較好。因此，在SAR圖像評(píng)估中，通常將輪廓和散射中心認(rèn)為是主要因子，亮度僅作為輔助因子。設(shè)定合成函數(shù)時(shí)，將亮度DI設(shè)為對(duì)結(jié)果影響較小的加性因子，而輪廓DO和散射中心分布DS則設(shè)為影響較大的乘性因子

(8)

其中，由于DO和DS的均值通常在0.1左右，為了便于指數(shù)參數(shù)的調(diào)整，將其均乘以10調(diào)整到1附近。DO和DS作為乘性因子，分別做b和c次乘方后，與系數(shù)為a的加性因子DI相加，再通過(guò)開(kāi)根號(hào)、乘以系數(shù)A1等方式與視覺(jué)匹配，得到評(píng)估結(jié)果S。此外，由于本方法結(jié)果均集中在0～1之間，而專家視覺(jué)的統(tǒng)計(jì)定量范圍則為0～3.2，為了便于比較，利用式(9)將S映射到0～3.2之間。

Y=0.1×25S

(9)

經(jīng)過(guò)多次試驗(yàn)與視覺(jué)匹配，得到最佳匹配參數(shù)為A1=0.618，a=0.88，b=1，c=1.25。

3 實(shí)例驗(yàn)證

為了驗(yàn)證本文提出的SAR圖像評(píng)估方法的有效性，以專家調(diào)查結(jié)果為評(píng)價(jià)基準(zhǔn)，利用本文方法和現(xiàn)有方法同時(shí)對(duì)專家調(diào)查中的8組圖像進(jìn)行驗(yàn)證，其結(jié)果如表1所示。

表1 專家、本文和現(xiàn)有方法的評(píng)估結(jié)果統(tǒng)計(jì)

由于各種方法計(jì)算結(jié)果的值域不同(如均方誤差的結(jié)果區(qū)間為0～1，而專家評(píng)估則為0～∞)，直接比較方法的數(shù)值結(jié)果沒(méi)有意義。因此，本文采用排序比較的方法，通過(guò)比較圖像評(píng)估方法與專家結(jié)果間的排序差度量方法性能(例如圖像組II在專家調(diào)查結(jié)果中排第2位，均方誤差結(jié)果中排第4位，則排序差為-2)，如表2所示。其中，第1列為圖像序號(hào)，其余列為8組圖像采用該列第1行所示方法得到的數(shù)值結(jié)果排序。由表2可得，均方誤差和相關(guān)系數(shù)的排序總差值分別為10和8， K-S分布、互信息量以及2D-FSV方法的總差值則分別達(dá)到18、16、16。而本文提出的方法則與專家結(jié)果排序完全一致，驗(yàn)證了方法的良好性能。

表2 方法排序以及與專家評(píng)估的排序差

圖14給出本文方法與專家調(diào)查結(jié)果的數(shù)值曲線圖(兩者的值域相同)，兩條曲線在數(shù)值和趨勢(shì)上都十分接近，曲線相關(guān)系數(shù)高達(dá)99.78%，數(shù)值平均差異僅為4.32%。可以得出結(jié)論，本文方法的性能十分優(yōu)異，不僅在排序上與專家結(jié)果完全吻合，在數(shù)值上也與專家結(jié)果非常接近。

圖14 本文方法與專家評(píng)估結(jié)果對(duì)比

4 結(jié)束語(yǔ)

隨著SAR圖像仿真的廣泛應(yīng)用， SAR圖像的一致性評(píng)估也得到了業(yè)內(nèi)的普遍關(guān)注。鑒于公認(rèn)評(píng)估方法的缺乏，本文首先通過(guò)雷達(dá)目標(biāo)特性領(lǐng)域?qū)＜艺{(diào)查，獲取用于方法有效性的評(píng)價(jià)基準(zhǔn)，進(jìn)而分析現(xiàn)有方法的局限性。隨后，本文提出基于視覺(jué)特征的SAR圖像評(píng)估方法，分別采用頻域分解、分水嶺算法和閾值分割的方法提取圖像中的目標(biāo)亮度、輪廓和散射中心分布特征，利用極化映射積分將二維圖像特征化為一維差異度量指標(biāo)，結(jié)合專家視覺(jué)設(shè)計(jì)合成函數(shù)將三種指標(biāo)結(jié)合，最終得到全面反映圖像差異的評(píng)估結(jié)果。最后，以專家視覺(jué)結(jié)果為基準(zhǔn)對(duì)本文方法進(jìn)行實(shí)例驗(yàn)證，并與現(xiàn)有方法進(jìn)行對(duì)比，驗(yàn)證了本文方法對(duì)SAR圖像評(píng)估的有效性。

[1] 吳良斌. SAR圖像處理與目標(biāo)識(shí)別[M]. 北京: 航空工業(yè)出版社, 2013. WU Liangbin. SAR image processing and target recognition[M]. Beijing: Aviation Industry Press, 2013.

[2] 胡利平, 董純柱, 邢笑宇,等. SAR圖像目標(biāo)和陰影徑向積分特征評(píng)估[J]. 電波科學(xué)學(xué)報(bào), 2014, 29(2): 254-259. HU Liping, DONG Chunzhu, XING Xiaoyu, et al. An evaluation method of SAR images based on radial integral features of target and shadow[J]. Chinese Journal of Radio Science, 2014 ,29(2): 254-259.

[3] LO C P, YANG X. Relative radiometric normalization performance for change detection from multi-date satellite images[J]. Photogrammetric Engineering & Remote Sensing, 2000, 66(8): 967-980.

[4] 王 晨, 王軍鋒. 一種艦船目標(biāo)SAR圖像的仿真方案[J]. 信息技術(shù), 2007(8): 130-132. WANG Chen, WANG Junfeng. A scheme for simulating SAR inrages of ships[J]. Information Technology, 2007(8): 130-132.

[5] 張 剛. 電磁仿真結(jié)果可信度FSV評(píng)估方法的關(guān)鍵問(wèn)題研究[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 2014. ZHANG Gang. Research on key issues of FSV method used for credibility assessment of electromagnetic simulation result[D]. Harbin: Harbin Institute of Technology, 2014.

[6] IEEE Electromagnetic Compatibility Society. IEEE standard for validation of computational electromagnetics computer modeling and simulations[S]. IEEE STD 1597.1-2008. New York: IEEE Standards Assoclation, 2008.

[7] IEEE Electromagnetic Compatibility Society. IEEE recommended practice for validation of computational electromagnetics computer modeling and simulations[S]. IEEE Std. 1597.2-2010. New York：IEEE Standards Assoclation，2011.

[8] ORLANDI A, ANTONINI G, POLISINI C, et al. Progress in the development of a 2D Feature Selective Validation (FSV) method[C]// IEEE International Symposium on Electromagnetic Compatibility. [S.l.]: IEEE Press, 2008:1-6.

[9] 胡利平. 合成孔徑雷達(dá)圖像目標(biāo)識(shí)別技術(shù)研究[D]. 西安: 西安電子科技大學(xué), 2009. HU Liping. Study on SAR image target recognition[D]. Xi′an: Xidian University, 2009.

[10] KIM D H, SEO D K, KIM H T. Efficient classification of ISAR images[J]. IEEE Transactions on Antennas & Propagation, 2005, 53(5):1611-1621.

[11] PARK J, KIM K. Modified polar mapping classifier for SAR automatic target recognition[J]. IEEE Transactions on Aerospace and Electronic Systems, 2014, 50(2): 1092-1107.

肖舒文 女，1991年生，碩士研究生。研究方向?yàn)殡姶欧抡鏀?shù)據(jù)驗(yàn)證技術(shù)。

李柏文 男，1985年生，博士。研究方向?yàn)榉抡婺Ｐ万?yàn)證。

張 川 男，1990年生，碩士研究生。研究方向?yàn)殡姶沤！?/p>

陳曉盼 女，1962年生，研究員。研究方向?yàn)榭茖W(xué)數(shù)據(jù)置信度。

A SAR Image Validation Method Based on Visual Features

XIAO Shuwen，LI Bowen，ZHANG Chuan，CHEN Xiaopan

(China Defense Science and Technology Information Center, Beijing 100142, China)

In order to validate the reliability of SAR simulation images from different algorithm, model and software, SAR image validation method is proposed based on experts' opinion. Firstly, the target's brightness, outline and distribution of scattering centers are extracted from original image. Secondly, these three features are transformed into metrics by polar mapping integral. Finally, the composite function is designed to get the accurate validation results. Experimental results show that the mean difference between this method and the experts' opinion is only 4.32%, and the correlation of two results' curves is up to 99.78%.

radar signature; SAR image; image validation method; visual features；polar mapping

10.16592/ j.cnki.1004-7859.2016.04.003

肖舒文 Email：xiaosw18@163.com

2015-11-13

2016-01-23

N958

A

1004-7859(2016)04-0015-05