光照不均条件下QR码的图像预处理
QR码图像几何校正算法的研究
QR码图像几何校正算法的研究黄珂;薛月菊;陈瑶;陈汉鸣;李鸿生【摘要】When QR code images are filmed by the camera, the deviation of shooting angle will cause the collected QR code images generate geometric distortion and bring difficulties to QR code recognition. Local threshold method and mathe-matical morphology are used to binarize the collected QR code images which appears uneven illumination. Harris corner detection algorithm and convex hull algorithm are combined to find the outline of the QR code and the point on the out-line, using corner detection algorithm of this paper to find the corner of QR code. Finally, using perspective transformation algorithm to recover the distorted image, the results show that this method is effective to solve the problem of geometric distortion of the QR code.%用摄像机拍摄QR码图像时，由于拍摄角度的偏差，可能造成所采集到的QR码图像产生几何失真的情况，给QR码的识别带来了困难。
如何解决图像识别中的光照不均匀问题(六)
图像识别中的光照不均匀问题一直以来都是一个具有挑战性的难题。
不同光照条件下的图像可能会导致模型的性能下降，从而影响到实际应用中的准确性和稳定性。
那么，如何解决这个问题呢？一、光照不均匀问题的挑战光照不均匀问题指的是图像中不同区域出现的光照强度不同。
这种不均匀的光照条件会导致图像中的细节信息失真，从而影响到图像识别模型的准确性。
此外，不同区域的光照强度差异还会引入噪声，增加了模型对数据的难度和复杂度。
二、图像增强技术的应用图像增强技术可以有效地改善光照不均匀问题带来的影响。
通过对图像进行预处理，可以使得不同区域的亮度更加均匀，从而提高图像识别的准确性。
常用的图像增强技术包括直方图均衡化、CLAHE等。
直方图均衡化是一种常用的图像增强算法，通过调整图像的亮度分布来改善图像的视觉效果。
该方法可以有效地增加图像的对比度，使得光照不均匀的图像更加清晰。
CLAHE（Contrast LimitedAdaptive Histogram Equalization）是直方图均衡化的一种改进方法，通过限制增强的对比度范围，避免了图像过度增强，从而保持了图像的自然感觉。
三、多光照条件的数据集为了解决图像识别中的光照不均匀问题，构建一个多光照条件的数据集是至关重要的。
该数据集可以包含不同光照条件下的图像样本，以及对应的标签信息。
通过使用多光照数据集进行训练，可以使得模型能够更好地适应不同光照条件下的图像。
在构建多光照条件的数据集时，需要注意以下几点。
首先，需要保证光照条件的变化是合理的，不会过于极端。
其次，数据集的样本数量要足够大，以覆盖各种光照条件下的图像。
最后，需要保证数据集的质量，即每个样本的标签都是准确的，避免噪声对模型训练的影响。
四、深度学习模型的优化除了使用图像增强技术和多光照条件的数据集之外，还可以通过优化深度学习模型来解决光照不均匀问题。
一种常用的方法是使用适应性参数化激活函数（Adaptive Parametric Activation Functions），通过学习光照不均匀数据集中的亮度分布特征，自适应地调整模型的激活函数。
光照不均QR码图像二值化研究
ｅｒａｌ ｆａｃｔｏｒｓ ｏｎ ｔｈｅ ｂｏｏｍ ｗｅｒｅ ａｎａｌｙｚｅｄ ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｆｏｒｃｅｓ ｕｎｄｅｒ ｄｉｆｅｒｅｎｔ ｃｏｎｄｉｔｉｏｎｓ．Ｔｈｅ ｂｅｓｔ ｓｅｃｔｉｏｎ ｓｈａｐｅ ｗａｓ ｏｂｔａｉｎｅｄ ｔｈｒｏｕｇｈ ｔｈｅ ｃｏｎｔｒａｓｔ ｏｆ ｓｔｒｅｎｇｔｈ ａｎｄ ｓｔｉｆｎｅｓｓ ｗｉｔｈ ｄｉｆｆｅｒｅｎｔ ｓｅｃｔｉｏｎｓ ｕｎｄｅｒ ｔｈｅ ｓａｍｅ ｃｏｎｄｉｔｉｏｎ，ａｎｄ ｔｈｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｔｈｅ ｂｏｏｍ ｗａｓ ｒｅａｌｉｚｅｄ．
Ｋｅｙ ｗｏｒｄｓ：ｔｅｌｅｓｃｏｐｉｃ ｊｉｂ，ｐａｒａｍｅｔｅｒｉｚａｔｉｏｎ，ｓｅｒｉｅｓ；ｓｅｃｔｉｏｎ ｓｈａｐｅ，ｏｐｔｉｍｉｚａｔｉｏｎ
第 ３３卷第 ５期
路 阳，等 ：光照不均 ＱＲ码 图像二值化研究
３９７
图像 二值 化算 法 有很 多 ，国 内外也 对 二 值 化算 法 做 了诸 多 改进 ，以求 达 到 最佳 的处 理效 果 。本文 所 用 的 Ｏｓｔｕ算 法 是 一 种全 局 二 值 化 算 法 ，Ｂｅｒｎｓｅｎ算 法 是 一种 局 部二值 化 算法 ，它是 针对 Ｏｓｔｕ算 法 的全 局 性 所做 的一种 改进 ，Ｏｓｔｕ算 法是 将 整 幅 图像 最 为 处 理 对象 ，而 Ｂｅｒｎｓｅｎ算 法 首 先 要 将 图像 分 割 为 多个 子 图像 ，分别 选 取各 个 子 图像 的 阈值对 图像 进 行二 值 化处 理 。 国内 的王廷 杰 、宋 建 中等人 在 二 值 化原 理 的基 础上 提 出实 时 自适 应 二值 化 算 法 ，但 该算 法 需要 统 计 图像 的灰度 直 方 图 ，而 且该 统 计 工 作需 要 由硬 件 支持来 完 成 ，增 加 了算 法 实 现 的成 本 。正 常 状态 下 的 ＱＲ码 图像 只要 根据 条码 图像 的特 性选 择 合适 的 图像算 法都 能 达 到 预期 的效果 ，但 是在 图像 采集 和传 输过 程 中 ，由于采 集 设备 或 者 传 输通 道 等 方面 的 问题 会 使 得 采 集 到得 ＱＲ 条 码 图像 受 到 污 损 ，图像质 量下 降。 比如 在 复 杂 的光 照 条件 下 得 到 的 ＱＲ码 图像 会 出现 不 均 匀 光 照 、光 异 常 反 射 ，ＱＲ 条 码所 在 商 品（特别 是金 属类 ）出现 高 光现 象 等 ，这 些 都会 掩 盖一 部分 的条 码 信 息 ，条 码 图像 质 量 严 重 下 降 。如果 二 值 化 算 法 对 这 类 特 殊 状 态 下 的条 码 图像 的处理 不 能令人 满 意 ，将 影 响 进 一 步 的处 理 效 果 。现 有 的图像 二值 化 算 法 有很 多 ，最 大类 间 方 差 算法是最常用的图像二值化算法之一 ，但其对于低 对 比度 和光 照不 均匀 的 图像 效果 不 佳 ，抗 噪 声 能力 差 ，因而 应用 范 围受 到 极 大 限制 。针 对 算 法 的这 一 缺点 ，本 文提 出先 用 改进 同态 滤 波算 法 消 除 不均 匀 光照 对条 码 图像 的影 响 ，然 后 使用 最 大 类 间 方差 算 法对 光 照不均 的 ＱＲ码 图像进 行二 值化 处理 。
司态滤波下光照不均QR图像校正研究
图像 可 以看 作 是 物 体 对 光 的 反 射 作 用 形 成 的 。 图 像 的灰 度 值 ｆ（ ｘ， ）可 以表 示 为 人 射 分 量 ｉ （ ｘ， ）与 反 射 分 量ｒ （ ｘ， ）的乘 积 ， 即：
图 １ 光照不均的 Ｑ Ｒ码 图像
之 变 为 均 匀分 布 的 形 式 ， 从 而增 加灰度 值 的动态 范围 ， 达
到 增 强 图 像 的 目的 ； Ｒｅ ｔ ｉ ｎ ｅ ｘ图 像 增 强 方 法 的 基 本 思 想 是 将一 幅 图像 分 为 亮 度 分 量 和 反 射 分 量 ， 通 过 抑 制 亮 度 分 量 对 反 射 分 量 的 影 响 来 达 到 增 强 图 像 的 目的 ； Ｇａ ｍｍａ校 正 通 过 Ｇａ ｍｍａ值 与 灰 度 值 之 间 的非 线 性 关 系 ， 将 图 像 的 灰 度值进行分段 ， 对分 段 后 的 灰 度 值 进 行 校 正 ； 基 于 照 明一 反 射 模 型 的 同态 滤 波 的基 本 方 法 就 是 把 一 幅 图 像 看 作 入 射 分 量 和反 射 分 量 两 部 分 ， 用 某种 方法来 抑制 入射分 量 、 突 出反 射 分 量 以 达 到 增 强 图 像 的 效 果 。 本 文 主 要 研 究 了 基 于照 明一 反 射模 型 的 同 态 滤 波 法 。
摘 要 ： 光照不均 ＱＲ码 图像 的预 处理效果不佳 ， 直接 影响到 ＱＲ码 的识 别率。针 对这一问题 ， 研 究 了利 用同态滤波
的 方 法 消 除 不 均 匀光 照 对 ＱＲ 图像 的 影 响 ， 实验 对 比 了高 斯 高 通 滤 波 、 巴特 沃 斯 高通 滤 波 、 指 数 滤 波 ３种 滤 波 器 消 除
opencv光照不均匀去除算法
opencv光照不均匀去除算法
光照不均匀是指图像中不同区域的亮度/色彩不同，这通常是由于摄像机的镜头形状、环境光线、相机感光度等因素导致的。
在计算机视觉中，光照不均匀的存在会影响图像的质量和特征提取效果，因此需要进行去除。
opencv中提供了一些光照不均匀去除的算法，其中比较常用的有以下两种：
1. 基于图像分割的方法
该方法将图像分成若干个区域，每个区域内的像素被认为拥有相似的亮度/色彩特征。
然后对每个区域分别进行光照补偿，使得每个区域内的亮度/色彩分布更加均匀。
常用的分割算法有k-means聚类、区域生长等。
2. 基于图像灰度共生矩阵的方法
该方法通过灰度共生矩阵描述图像中不同灰度级之间的关系，然后利用统计学方法对灰度不均匀的区域进行补偿。
常用的统计学方法有平均值、中位数、高斯滤波等。
以上两种方法都有其适用的场景和优缺点，具体选择哪种方法需要根据实际情况进行判断。
使用计算机视觉技术解决光照不均匀问题的方法
使用计算机视觉技术解决光照不均匀问题的方法在计算机视觉领域，光照不均匀问题是一个常见的挑战。
光照不均匀指的是图像中不同区域的亮度不统一，这可能会影响图像分析和处理的准确性。
幸运的是，有许多方法可以使用计算机视觉技术解决光照不均匀的问题。
首先，一种常见的方法是基于图像增强的方法。
这些方法主要通过调整图像的亮度和对比度来改善光照不均匀的问题。
其中一个主要的技术是直方图均衡化，它可以通过重新分布图像像素的灰度级来增加图像的对比度。
这种方法对于一些场景下的光照不均匀问题有一定的效果，但也有一些限制。
例如，在存在阴影或高亮区域的图像中，直方图均衡化可能会导致图像的过度增强或失真。
因此，在使用这种方法时，需要根据具体情况进行参数调整和优化。
另一种常见的方法是基于图像拼接的方法。
这种方法通过将多幅图像拼接在一起，同时考虑光照变化，从而生成一幅具有均匀光照的图像。
这种方法分为两个主要步骤：图像对齐和图像融合。
图像对齐通过在拼接之前将图像进行校正，使得它们在同一视角下对应相同的物体。
图像融合则通过将图像中不同区域的像素进行加权融合，以平衡不同区域的亮度。
这种方法可以在一定程度上解决光照不均匀的问题，但也存在一些局限性。
例如，在存在大幅度光照变化的场景中，图像拼接可能会产生边缘不连续或伪影等问题。
此外，还有一些基于机器学习的方法可以用于解决光照不均匀的问题。
这些方法通常通过训练一个模型来学习光照变化与图像之间的关系，并通过模型预测和校正图像中的光照不均匀。
其中一个常用的方法是使用基于深度学习的图像去雾技术。
这种技术通过训练一个深度卷积神经网络来学习图像中的光照和雾霾之间的关系，并对图像进行去雾操作，从而达到提高图像质量和均匀化光照的效果。
这种方法在一些实验中取得了较好的效果，但也需要大量的标注数据和计算资源来进行训练和预测。
除了上述方法外，还有一些其他的方法可以用于解决光照不均匀的问题。
例如，基于物理模型的方法可以通过建立光照模型来估计图像中的光照分布，并根据估计结果对图像进行校正。
opencv 不均匀光照 归一化
opencv 不均匀光照归一化在图像处理中，不均匀光照是指图像中不同区域的光照强度不一致。
为了解决这个问题，可以采用归一化方法对图像进行处理。
归一化光照是一种通过降低图像中不均匀的光照强度，使得整个图像拥有相似的光照分布的方法。
具体的步骤如下：1. 将彩色图像转换为灰度图像。
2. 对灰度图像进行高斯模糊处理，以平滑图像中的噪声和细节。
3. 计算图像的局部平均光照强度，可以通过均值滤波器或者盒子滤波器来实现。
滤波器的大小可以根据图像的大小和光照分布的差异来选择。
4. 计算图像的全局平均光照强度，可以通过对整个图像进行均值滤波操作来获得。
5. 通过将每个像素的局部平均光照强度除以全局平均光照强度，得到归一化后的图像。
6. 对归一化后的图像进行进一步的调整，可以使用对比度增强或者直方图均衡化等方法来改善图像的质量。
在OpenCV中，可以使用cv2模块中的函数来实现这一过程。
具体的代码实现如下：```import cv2import numpy as np# 读取原始图像img = cv2.imread("input.jpg", 0)# 高斯模糊处理blurred = cv2.GaussianBlur(img, (15, 15), 0)# 计算局部平均光照强度local_mean = cv2.boxFilter(blurred, -1, (51, 51))# 计算全局平均光照强度global_mean = np.mean(local_mean)# 归一化处理normalized = 255 * (local_mean / global_mean)# 对归一化后的图像进行处理（可以根据实际需求进行调整）# 显示处理后的图像cv2.imshow("Normalized Image", normalized)cv2.waitKey(0)cv2.destroyAllWindows()```上述代码将读取原始图像并进行 GaussianBlur、boxFilter 和归一化处理，最后显示处理后的图像。
如何解决图像识别中的光照不均匀问题(四)
图像识别中的光照不均匀是一个常见的问题，它会影响到图像识别的准确性和可靠性。
为了解决这一问题，我们可以采取以下几种方法：1. 光照均衡化光照均衡化是一种常用的图像处理技术，它可以通过调整图像的亮度和对比度来达到光照均衡的效果。
这种方法可以使得图像的整体光照更加均匀，从而提高图像识别的准确性。
在实际应用中，可以采用直方图均衡化算法或者自适应均衡化算法来实现光照均衡化的效果。
2. 图像增强除了光照均衡化之外，还可以使用图像增强的方法来解决光照不均匀的问题。
图像增强可以通过调整图像的对比度、亮度和色彩等参数来改善图像的质量。
在图像识别中，可以使用直方图匹配、图像滤波等技术来进行图像增强，从而提高图像的可识别性。
3. 多模型集成为了进一步提高图像识别的准确性和鲁棒性，可以考虑采用多模型集成的方法。
多模型集成可以利用不同模型的优势，通过投票或者加权的方式来融合不同模型的结果。
对于光照不均匀的图像，可以使用不同的图像识别模型来进行识别，并将它们的结果进行集成，从而提高整体的识别准确性。
4. 数据增强在训练图像识别模型时，可以考虑使用数据增强的方法来解决光照不均匀的问题。
数据增强可以通过旋转、平移、缩放等操作来生成大量的训练数据，从而提高模型的鲁棒性和泛化能力。
在实际应用中，可以采用随机亮度变化、光照扰动等技术来进行数据增强，从而提高模型对光照不均匀图像的识别能力。
5. 引入先验知识除了上述方法之外，还可以考虑引入先验知识的方法来解决图像识别中的光照不均匀问题。
光照不均匀通常伴随着一些特定的场景或环境，这些先验知识可以帮助我们更好地理解和处理这些图像。
例如，针对室内照明不均匀的问题，可以利用室内平面布局信息来进行图像识别，从而提高识别的准确性。
综上所述，解决图像识别中的光照不均匀问题可以采取光照均衡化、图像增强、多模型集成、数据增强以及引入先验知识等多种方法。
这些方法可以单独使用或者组合使用，通过改进图像的质量、增加模型的鲁棒性和获取先验知识，从而提高图像识别的准确性和可靠性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｂ＝
１ ２ ｚ ２ 《 Ｙ Ｘ
Ｍ
程 度 的黑 白混 叠 现 象 ． 给译 码 带 来 很 大 的 困 难 。 大 地 降 低 了 这 大 译 码 的准 确 率 。 此 ， 何 对 图像 进 行 正确 的 二 值 化 处 理 已成 为 因 如 Ｑ Ｒ码 图像 预 处 理要 解 决 的 核心 问题 之 一 。 本 文 针 对 光 照 不 均 条件 下 的 ＱＲ码 预 处 理 ．提 出 了一 种 基
⑦ 矩 阵公 式 运 用 矩 阵代 数 对 上 述 问题 求 解 较 为 方 便 。首 先 构 造 包 含给
二 值 化 ． 用 适 当 的边 缘提 取 算 子提 取 边 缘 ． 着 利 用 Ｈ ｕ ｈ变 采 接 ｏｇ 定 的（ｉ 值的矩 阵Ｂ， 含Ｚ ｘＹ） ， 包 ｉ 的矩阵ｚ 和包含待定系数的矩阵ｃ： 换 或 投 影 变 换 计 算 二 维 条 码 倾 斜 的 角 度 ．最 后 用 双 线 性 变 换 插 １ ｌ Ｍ ＸＩ Ｙｔ 值， 防止 失 真阁 但 是 对 于 使 用 通 用 设 备 采 集 条 码 图 像 ， 容 易 受 。 很
给定的图像像素点亮度值的一个子集 （
） 其中， ｉ （ ） Ｙ
为 图像 坐标 为 对应 点 的 亮 度值 ，一 个 常 用 的 拟 合 技 术 是 找拟 合 亮 度 函数 ． 其 与 实 际 亮 度ｚ 方 差 最 小 。 通过 下 式 给 出 ： 使 均
图 １Ｑ Ｒ码符号的结构
发 展 空 问 变 得 越 来 越 小 而 图 像 读 取 方 式 则 因 其 二 维 信 号 的 获
取优势 ， 以及 可脱 离 专 用识 读 器 ． 此 其 发 展 空 间 很 大 。 因
ｆｘ ）ｃ＋ ＋ ∥＋ ＋ ＋ 。 （， ： 。 ｃ ｃ研， ｙ ｃ
目前 对 于 二维 条码 图像 的预 处 理 算 法 主要 是 ：首 先 将 图 像
汉 字 表 示 等 优 点 背景 中 去 ， 光 照 不 均 条 件 下 的 Ｑ 对 Ｒ码 处 理 效 果 不 佳 。 每个 Ｑ Ｒ码 符 号 由 名 义 上 的 正 方 形 小 模 块 【 成 ． 成 一 个 ２２曲面 拟 合 算 法 ｌ １ 构 组 ． 正 方 形 阵 列 ， 由编 码 区 域 和 包 括 寻 像 图 形 、 隔 符 、 位 图 形 它 分 定 曲 面 拟 合 算 法Ｈ 据 二维 条码 图像 光 照 条 件 的 基 本 特 点 ： 根 不 和校 正 图形 在 内 的功 能 图形 组 成 （ 图 １。 如 １ 均 匀 光 照 条 件 下 可 能 使 背 景 亮 度 函 数 呈 现 平 面 或 二 次 曲 面形 式 ． 虑 到 它 们 都 可 以用 二 维 二 阶 多 项 式 来 拟 合 阈 值 曲 面 ． 最 考 在 小 均 方误 差 下 ．采 用 二 维 二 阶多 项 式 来 拟 合 阈 值 曲 面来 逼 近条 码 与背 景 图像 之 间 的分 界 面 ， 除 不 均 匀 背 景 ． 目标 完 全 从 背 去 将 景 中提 取 出来 二维 二 阶多 项 式 拟 合 原 理 的主 要 流 程 如下 ： ① 亮 度 函 数 最 小 均 方误 差拟 合
实验证 明 ， 该方 法简单有 效， 可用 于提 高 Ｑ Ｒ码的识 别率。 【 关键词】 Ｑ ： Ｒ码 ； 二值化 ； 亮度均衡 ； 背景灰度扩展
１ 引言 、
灰 度 图 像 中 找 出 不 同 吸水 盆地 和 分水 岭 。实 际 上 分水 岭 阈 值算
随 着 信 息 技 术 的 发 展 ．二维 条码 技术 在 我 国的 应 用 越 来 越 法 可 以 看成 是一 种 自适 应 的 多 阔值 二值 化 算 法 ．该 方 法 缺 点 是 并 在 广泛 。Ｑ Ｒ码具有信息量大 、 可靠 性高 、 高速全方位识读 、 超 高效 计 算 的 复 杂 度非 常 高 ． 且 ． 处 理 过 程 中容 易 将 弱 目标 合 并 到
２１ ０ ０年 第 １ 期
福
建 电
脑
光照不 均条件 下 Ｑ Ｒ码 的 图像预处 理
陈 杰 ，康小龙 ，郭龙辉
（温 州 大 学 物 理 与 电 子 信 息 工 程 学 院 浙 江 温 州 ２ ５ ３ ） ３０５
【 摘 要】 Ｑ ： Ｒ码 是 目前 最 具 代 表 性 的矩 阵二 维码 ， 于 图像 模 式 采 集 的 条 码 图 像 普 遍 具 有 光 照 不 均 的 缺 点 。 基 因此 如 何 得 到 黑 白 比例 保 持 较 好 的 二 值 图 像 是 对 条码 进 行 准 确 译码 的 关 键 。 本 文 提 出 了一 种 基 于 背 景 灰 度 扩 展 的二 值 化 处 理 方 法 。
Ｍ Ｍ Ｍ
Ｍ Ｍ
１ ｘ ｙ ｘ ｙ ｘ Ｎ Ｎ ＮＮ
ｃ ｎ
ｑ 于背 景 灰 度 扩 展 的 Ｏ Ｒ码 图像 二 值 化 处 理 方 法 并 与 其 它 常 用 的 Ｃ＝ Ｚ＝ Ｍ Ｍ 二 值 化方 法 进 行 比较 ， 验 证 明 ， 方 法 可 以有 效 提 高 Ｑ 实 该 Ｒ码 的 识别率 。 ｇＮ ２ 常 用 的 二值 化 方 法 、 Ｏ Ｒ码 图 像 经 过 二 值 化 处 理 后 不 可 避 免 地 会 丢 失 原 图 像 中 现在 ． 示每一个数据点的误差的列向量可以写作 ： 表 的许 多信 息 ． 理 得 不 好 的 图像 有 可 能 与 原 图 像 面 目全 非 ， 样 处 这 Ｅ ＝Ｚ—ＢＣ （ ３ ） 就 完 全失 去 了 图像 二 值 化 的 意义 。 常 用 的 二 值 化 方 法 有 分 水 岭 Ｂ 是将， ｃ ｖ 个拟合点 （ ） 代入 算 出的： ，值的列向 ‘ ， ） 算 法 、 面拟 合 算 法 、 ｓ 曲 ０ｔ 法、 ｕ算 自适 应 亮 度 均 衡 化 方法 等 。 量 。均 方 误 差 可 以 由下 式 给 出 ：
一
二 维 条码 的识 读 器 主要 可分 为两 类 ． 类 是 激 光 读 取 式 的 ， 一 类是图像读取式 的。 光读取方式因为受限于条码的制式 ， 激 其
姬＝ ２ 【 （ １ Ｊ 亡 ２ Ｙ ）
Ｖ ・Ｊ ＝
Ｉ
，
、 ，据 点 个 数 ，（， ） 二 维 二 阶 多 项 式 ： 『 为 ， Ｙ是 －