图像特征匹配中一种快速关键维过滤搜索算法
计算机视觉中尺度不变特征变换方法的使用教程
计算机视觉中尺度不变特征变换方法的使用教程摘要：计算机视觉中的尺度不变特征变换（Scale-Invariant Feature Transform， SIFT）是一种经典的图像特征提取方法。
本文将介绍SIFT算法的原理、流程以及如何在计算机视觉应用中使用SIFT进行目标识别和图像匹配。
1. 引言随着计算机视觉领域的快速发展，图像特征提取和描述对于图像处理和分析至关重要。
然而，由于图像在不同尺度和旋转角度下的变化，如何寻找具有尺度不变性的特征一直是一个挑战。
SIFT算法的提出正是为了解决这一问题。
2. SIFT算法原理SIFT算法的核心思想是构建具有尺度不变性的图像特征。
它通过在图像中检测局部特征点，并对这些特征点进行尺度空间极值检测和方向分配，最终形成独特的特征描述子。
2.1 尺度空间极值检测SIFT算法首先通过高斯差分金字塔来寻找图像中的尺度空间极值点，即在不同尺度和位置上的局部极值点。
高斯差分金字塔是由一系列高斯模糊图像和它们之间的差分图像构成的。
通过对高斯模糊图像进行高斯差分操作，可以提取图像中的边缘结构和斑点结构等。
2.2 方向分配对于尺度空间极值点，SIFT算法会计算其周围像素的梯度方向直方图，并找到主要的梯度方向。
这样就为后续的特征描述子计算提供了方向信息，使得特征具有一定的旋转不变性。
2.3 特征描述子在确定尺度空间极值点的位置和方向后，SIFT算法会计算每个特征点周围像素的梯度幅值和方向，进而生成一个128维的特征向量。
该特征向量代表了图像中的局部纹理特征，并具有尺度和旋转不变性。
3. SIFT算法步骤根据SIFT算法原理，我们可以总结出SIFT算法的主要步骤如下：3.1 预处理首先，将原始图像转换为灰度图像，并进行图像尺寸的调整。
3.2 构建高斯金字塔在灰度图像上构建高斯金字塔，通过不断降采样和高斯模糊操作得到一系列尺度空间的图像。
3.3 构建高斯差分金字塔使用高斯金字塔中的相邻图像相减得到一系列高斯差分图像，用于寻找尺度空间极值点。
一种改进的快速特征点信息匹配算法
一种改进的快速特征点信息匹配算法随着图像处理领域的发展，快速特征点信息匹配算法变得越来越重要。
在很多领域，如计算机视觉、机器人、无人机等，图像处理任务中的快速特征点信息匹配算法都扮演着重要的角色。
然而，现有的快速特征点信息匹配算法中存在一些问题，如误匹配率高、算法效率低等。
本文提出了一种改进的快速特征点信息匹配算法。
该算法主要针对现有算法存在的问题，采用了一些新的策略来提升匹配精度和算法效率。
首先，我们采用sift算法来提取图像的特征点，因为sift算法具有较高的特征点稳定性和鲁棒性，可用于不同视角和光照条件下的图像匹配。
其次，我们对现有的特征点匹配算法进行优化。
我们观察到，在现有的算法中，匹配过程中往往只使用了特征点的局部信息，而忽略了整个图像的全局信息。
因此，我们提出了一种新的匹配策略：将图像划分成若干个小的分块，在匹配时，首先对每个分块求出其特征向量，然后再根据分块之间的相似度计算整幅图像的相似度。
这种匹配策略能够有效利用整个图像的信息，从而提高匹配的精度和准确率。
另外，我们还采用了多尺度匹配策略。
在现有的算法中，往往只在同一尺度的图像上进行匹配。
然而，在不同尺度下的图像中具有不同的特征点密度和相对位置，因此，我们采用了多尺度匹配策略来提高匹配的覆盖率和准确率。
具体而言，我们将图像缩放到不同的尺度下，在每个尺度下提取特征点，并进行匹配。
最后，将匹配结果进行汇总，得到最终的匹配结果。
最后，我们采用了一些技巧来提高算法的效率。
首先，在特征点匹配前，我们采用了一些预处理的策略，如去除一些重复的特征点和不稳定的特征点。
此外，我们还采用了一些高效的数据结构和算法来加速匹配过程。
通过实验验证，我们发现，相比于现有的特征点匹配算法，我们提出的算法具有更高的匹配精度和覆盖率，同时算法效率也得到了一定程度的提高。
因此，我们相信该算法在实际应用中具有很大的潜力和价值。
机器视觉处理算法中特征点匹配常用方法
一、介绍在机器视觉处理算法中，特征点匹配是一个重要的环节，它是指在两幅图像中找到相对应的特征点的过程。
特征点匹配的准确度会直接影响到后续的物体识别、目标跟踪、三维重建等任务的效果。
特征点匹配的算法选择和设计是至关重要的。
本文将针对机器视觉处理算法中特征点匹配常用方法进行全面评估，并提供个人观点和理解。
二、常用的特征点匹配方法1. Harris角点检测Harris角点检测是一种常用的特征点提取方法，通过计算图像的灰度变化来检测角点。
通过非极大值抑制和角点响应函数来筛选出最具代表性的角点。
2. SIFT特征匹配SIFT是一种基于局部特征的描述符，它通过在不同尺度空间和不同方向上寻找局部极值来检测图像的关键点，然后使用特征描述符进行匹配。
3. SURF特征匹配SURF是对SIFT算法的改进，它使用了快速Hessian矩阵检测关键点，并使用加速的Haar小波特征描述符进行匹配。
4. ORB特征匹配ORB是一种同时具备SIFT和SURF的优点的算法，它结合了FAST角点检测和BRIEF描述符，具有更快的速度和更好的性能。
5. 其他方法除了上述常用的特征点匹配方法，还有基于深度学习的方法、基于颜色直方图的方法、基于形状上下文的方法等，这些方法根据具体任务和应用场景选择的灵活性更强。
三、个人观点和理解在特征点匹配的方法中，不同的算法适用于不同的场景和要求。
对于实时性要求较高的场景，可以选择ORB特征匹配算法；对于精度要求较高的场景，可以选择SIFT或SURF特征匹配算法。
结合深度学习的方法可以在特定数据集上取得更好的效果。
在实际应用中，需要根据具体情况进行选择和组合使用。
四、总结回顾特征点匹配在机器视觉处理算法中起着至关重要的作用，不同的方法都有各自的优势和局限性。
通过本文的介绍，可以看出特征点匹配算法的发展已经非常成熟，并且在不断地向着更加快速、精确以及适用于更多场景的方向发展。
对于我个人而言，特征点匹配算法的研究不仅是对图像处理技术的挑战，更是对计算机视觉领域的探索。
selectivesearch用法
Selectivesearch是一种用于目标检测和图像分割的技术，它可以在图像中定位和识别特定的目标。
下面将介绍Selectivesearch的用法，包括其基本原理和具体操作步骤。
一、基本原理1. Selectivesearch是基于图像的候选区域生成算法，它的基本原理是从图像中提取候选区域，并对这些区域进行评分排序，最终输出得分最高的候选区域作为目标检测的结果。
2. Selectivesearch算法主要分为四个步骤：生成初始候选区域、计算相似性、合并相似区域和生成最终候选区域。
二、具体操作步骤1. 导入Selectivesearch库在使用Selectivesearch之前，首先需要导入Selectivesearch库，可以使用Python的OpenCV库或者Selectivesearch冠方提供的库。
2. 读取图像并进行预处理使用Selectivesearch算法之前，需要先读取待处理的图像并进行预处理，包括图像的缩放、灰度化、边缘检测等操作。
3. 运行Selectivesearch算法将预处理后的图像输入Selectivesearch算法，运行算法得到候选区域的集合。
4. 提取目标区域根据算法输出的候选区域集合，可以根据需要提取其中的目标区域，用于目标检测或图像分割等应用。
5. 对目标区域进行后续处理得到目标区域后，可以进行后续的处理，比如图像识别、目标分类等操作。
三、应用场景1. 目标检测Selectivesearch算法可以用于目标检测，比如在图像中定位并标记出特定的目标物体，比如人脸、汽车等。
2. 图像分割Selectivesearch算法也可以用于图像分割，将图像划分为若干个区域，有助于对图像进行进一步分析和处理。
3. 图像识别Selectivesearch算法生成的候选区域可以用于图像识别，通过对候选区域进行特征提取和分类，实现对图像中的物体进行识别和分类。
四、总结Selectivesearch是一种有效的目标检测和图像分割技术，它可以帮助我们从图像中提取目标区域，并进行进一步的分析和处理。
视频图像运动估计中的一维块匹配算法
第33卷第3期计算机辅助设计与图形学学报Vol.33No.3 2021年3月Journal of Computer-Aided Design & Computer Graphics Mar. 2021视频图像运动估计中的一维块匹配算法刘泉洋, 刘云清*, 史俊, 颜飞, 张琼(长春理工大学电子与信息工程学院长春 130022)(**************.cn)摘要: 运动估计是视频图像压缩和视频图像修复等领域的基础问题, 传统的块匹配法搜索质量较好, 但搜索速度不够快. 针对传统块匹配法搜索速度上的不足, 提出一种快速的一维块匹配运动估计算法. 首先对运动矢量正交分解, 使用特殊权重系数矩阵对二维匹配块做降维处理, 得到2组一维特征矩阵; 然后选择一维三步搜索法作为搜索策略, 最小绝对误差和准则作为匹配准则, 使用2组一维特征矩阵搜索匹配运动矢量的2个分量; 最后将分量组成完整的运动矢量. 通过多组对比实验的结果表明, 该算法在保证定量评价PSNR的前提下, 显著提升运动估计的搜索速度, 视频清晰度越高、匹配块像素尺寸越大, 运动估计搜索速度提升越明显.关键词: 运动估计; 块匹配算法; 正交分解; 特征矩阵; 三步搜索法中图法分类号: TP391.41 DOI: 10.3724/SP.J.1089.2021.18343One-dimensional Block Matching Algorithm in Video Image Motion EstimationLiu Quanyang, Liu Yunqing*, Shi Jun, Yan Fei, and Zhang Qiong(School of Electronics and Information Engineering, Changchun University of Science and Technology, Changchun 130022)Abstract: Motion estimation is a basic problem in the fields of video image compression and video image restoration. The traditional block matching methods have good search quality, but the search speed is not fast enough. Aiming at the shortcomings of the search speed in the traditional block matching methods, we pro-posed a fast one-dimensional block matching motion estimation algorithm. Firstly, the motion vector is or-thogonally decomposed, and the two-dimensional matching block is reduced by a special weight coefficient matrix to obtain two sets of one-dimensional feature matrices. Then the one-dimensional three step search method is selected as the search strategy. The sum of absolute differences criterion is used as the matching criterion. The two sets of one-dimensional feature matrices are used to search for the two components of the matching motion vector. Finally the two components are formed into a complete motion vector. The results of multiple sets of comparative experiments show that the search speed of motion estimation is significantly improved while the algorithm is guaranteed to quantitatively evaluate the PSNR. The higher the video defi-nition and the larger the pixel size of the matching block, the better the algorithm can improve the search speed of motion estimation.Key words: motion estimation; block matching algorithm; orthogonal decomposition; feature matrix; three-step search收稿日期: 2020-05-04; 修回日期: 2021-01-08. 基金项目: 吉林省科技厅重点项目(20190303080SF, 20190303034SF).刘泉洋(1995—), 男, 硕士研究生, 主要研究方向为传感与信号处理; 刘云清(1970—), 男, 博士, 博士生导师, 论文通讯作者, 主要研究方向为智能信息处理、自动控制; 史俊(1996—), 男, 硕士研究生, 主要研究方向为模式识别与智能系统; 颜飞(1987—), 男, 博士, 硕士生导师, 主要研究方向为智能信息处理; 张琼(1991—), 女, 博士, 讲师, 主要研究方向为数据处理.第3期刘泉洋, 等: 视频图像运动估计中的一维块匹配算法 425运动估计是视频修复和视频压缩的关键技术, 其主要目的是利用图像帧间信息修复视频并减少图像帧间的信息冗余[1-2]. 目前, 已有很多运动估计算法, 其中, 由于块匹配算法(block matching algorithm, BMA)在计算处理和硬件实现上较为容易[3], 因此被许多视频压缩编码标准所采用, 如H.261/3/4[4]和MPEG-2/4[5].BMA计算量较大, 给实时处理带来较大压力. 为了减少运动估计的计算量, 近些年有很多学者对块匹配法进行改进. 改进方式主要有2种: 一种是改变匹配块的形状和位置, 但依然使用二维匹配块进行搜索, 如局部区域匹配法[6]将中间的匹配块变为4个等大小的小方块, 其准确性和实时性比BMA略有提高. 还有许多学者针对搜索策略进行优化并提出许多不同的搜索方式, 其速度较三步搜索法(three step search, TSS)有一定的提高, 如文献[7]通过运动矢量概率分布分析, 发现了运动矢量概率分布具有除中心十字偏置特性以外的方向性特性, 提出了一种快速的双十字搜索运动估计算法, 在保持相当搜索质量的前提下, 与菱形搜索算法和十字菱形搜索算法相比, 其搜索速度均有提高. 切换的快速运动估计算法[8]采用了提前停止和选择性搜索技术来提高编码速度, 以小菱形作为起始搜索模式, 然后过渡到六边形模式, 最后使用正方形搜索模式进行细化; 该算法对于各种运动情况的视频序列具有强普适性, 速度也有所提高. 还有从其他角度优化运动估计算法, 如文献[9]以像素块为单位, 利用块内外点的比例判定前景区域, 同时引入马尔可夫聚类方法进行后处理, 有效地提高了运动对象的定位精度; 通过对目标函数引入权重系数增强对残差的鲁棒性, 以进一步提高算法的估计精度. 此外, 文献[9]基于像素掩模的3层金字塔构建序列图像, 并将改进的梯度方法引入到优化过程中, 提高了算法的实时性. 文献[10]基于运动分解估算的运动估计算法, 利用矩阵分解原理将全局运动分解成帧间运动和前帧运动, 保证了场景快速变化条件下运动估计的准确性和时效性.这些算法均采用为二维匹配块搜索匹配运动矢量的最优值, 而完整二维匹配块存在大量的信息冗余, 会增大搜索匹配过程中的计算量, 很难通过优化搜索策略和匹配块位置大幅度提升算法运算速度. 文献[11]提出基于边界灰度投影匹配的全局运动估计算法, 将图像边界水平投影和垂直投影值作为匹配特征, 较好地估计了全局运动参数; 但是其特征提取模型和搜索策略存在缺陷, 不能有效地提高搜索速度. 为了进一步提高算法的速度, 降低算法实现的复杂度, 本文提出了一维块匹配运动估计算法(one-dimensional BMA, OBMA).1 一维特征矩阵和一维TSS1.1一维特征矩阵通过对运动矢量的特点进行分析, 运动矢量精度是单位像素, 方向和大小均不确定. 因此, 本文采用将运动矢量MV分解为水平方向分量x和垂直方向分量y, 如图1所示.图1 运动矢量正交分解求解x和y需要使用一维特征矩阵X和一维特征矩阵Y, 一维特征矩阵求解过程为[]1nλ=A(1)[]1mμ=B(2)=X AP(3)T=Y BP(4) 其中, A为权重系数矩阵, λ为A的权重系数; B 为权重系数矩阵, μ为B的权重系数; P为匹配块矩阵, 形状为(),n m; X的形状为()1,m; TP 形状为(),m n; Y的形状为()1,n.为了更直观地表示一维特征矩阵的特点, 选取连续3帧1 080P测试图像, 从测试图像中提取P. λ和μ设置为1256. A的形状为()1,540, B 的形状为()1,960; 得到3幅连续测试图像的一维特征矩阵如图2所示. 其中, X的形状为()1,960, Y的形状为()1,540, 纵坐标表示一维矩阵中每个元素的数值.分析图2的发现, 连续视频图像匹配块的一维特征矩阵具有整体趋势相似的特点, 利用此特点进行运动估计, 可以有效地减少信息冗余, 提高后续搜索匹配的速度.1.2一维TSS相比于全搜索法(full search, FS)要遍历匹配块426计算机辅助设计与图形学学报 第33卷图2 连续3帧视频图像特征矩阵折线图的所有像素点, TSS 搜索点数大幅减少[12]. 有别于逐一遍历所有像素点, 如图3所示, TSS 每步搜索对搜索边界上的8个点以及正方形的中心点共9个搜索点进行比较, 搜索步长等于或者略大于最大搜索范围的一半; 上一步比较得到的最佳匹配点作为下一个新的搜索步的搜索中心. 搜索范围大于7时, 搜索步骤不止3步.图3 二维TSS本文的特征矩阵X 和特征矩阵Y 是一维矩阵, 因此需要将二维TSS 改为一维TSS. 一维TSS 的搜索步骤与二维TSS 类似, 每一搜索步对搜索边界上的2个点以及中心点共3个搜索点进行比较, 搜索步长等于或者略大于最大搜索范围的一半; 上一步比较后得到的最优匹配点作为下一步的搜索中心. 一维TSS 如图4所示.图4 一维TSS一维TSS 实际使用时需要确定搜索步数, 确定一维TSS 搜索步数就是确定搜索半径. 搜索半径r 与搜索步数steps 的关系为steps 21r =-(5) 本文算法将()M ,x y V 分解为x 和y , 因此x 和y 可以针对不同r 设置不同的steps . 测试数据使用400帧清晰度为1 080P 的连续视频图像序列, 求出运动矢量, 制作散点图如图5所示.图5 M V 散点图通过图5散点图的分析, 散点图中点的整体分布呈菱形, 水平方向的范围大于垂直方向的范围, 在实际的运动估计计算中, 可以针对不同的范围设置不同的r , 减少不必要的steps , 提高搜索速度. 以图5为例, 设水平方向的r 为I , 垂直方向的r 为J , 则应设I =31, J =15; 将其分别代入式(5)求出搜索步数分别为5步和4步.2 OBMA2.1 算法概述本文提出的OBMA 整体流程图如图6所示. 2.2 匹配块匹配块选择当前帧图像S 的中心区域, 图像S 的形状为(),N M , P 的形状为(),n m , 在S 的位置如图7所示.第3期刘泉洋, 等: 视频图像运动估计中的一维块匹配算法 427图6 算法流程图图7 匹配块前一帧图像的匹配块记为1-P , 1-P 的最大可能出现区域用R 表示, 区域R 包括区域1-P 以及水平方向的搜索半径I 和垂直方向的搜索半径J 包含的区域, R 的形状为()2,2n I m J ++, 区域R 如图8所示.图8 区域R 示意图区域P 和区域R 的计算公式分别为:,:22222222N n N n M m M m ⎛⎫=-+-+ ⎪⎝⎭P S (6)1:,:22222222N n N n M m M m J J I I -⎛⎫=--++--++ ⎪⎝⎭R S (7)其中, 1-S 是图像S 的前一帧图像, R 是图像1-S 匹配块1-P 的最大可能出现区域.2.3 特征矩阵A 和B 的λ和μ设为灰度级的倒数. 8位深度的图像灰度级为256, 设λ=μ=1. 区域R 的特征矩阵为R 1(+2)1256n J ⎡⎤=⎢⎥⎣⎦X R (8)T R 1(+2)1256m I ⎡⎤=⎢⎥⎣⎦Y R (9)其中, R X 和R Y 为区域R 的特征矩阵; R X 形状为()1,2m I +,R Y 形状为()1,2n J +.特征矩阵组X 和i X 分别为1()1256n ⎡⎤=⎢⎥⎣⎦X P (10)()R :i I i m I i =+++X X(11)其中, i X 的形状为()1,m ; i 为水平方向的偏移量.特征矩阵组Y 和j Y 分别为T 1()1256m ⎡⎤=⎢⎥⎣⎦Y P (12)()R :j J j n J j =+++Y Y(13)其中, j Y 的形状为()1,n ; j 为垂直方向的偏移量.2.4 搜索最优值搜索策略使用一维TSS, 匹配准则使用SAD [13]. 以运动矢量分量x 的搜索步数等于3为例, 具体搜索步骤如下:输入. 特征矩阵X 与i X .输出. 运动矢量分量x .Step1. 以0中心搜索点, 加上中心点左右步长为4的2个搜索点, 计算3个搜索点X 与i X 的SAD.Step2. 将上一步的最佳匹配点设为中心搜索点, 计算中心点左右步长为2的2个搜索点X 与i X 的SAD, 与上一步最佳匹配点比较，更新最佳匹配点.Step3. 步长改为1, 同上一步, 最佳匹配点为x .运动矢量分量x 和运动矢量分量y 除了一维TSS 的搜索步数不同, 其他搜索步骤均相同, 这里不再赘述.428计算机辅助设计与图形学学报 第33卷3 实验结果为了验证本文提出OBMA, 选择主观评价与客观指标相结合的评价方式. 主观评价为不同算法运动补偿后的前后帧差值图像; 客观评价指标选择峰值信噪比(peak signal to noise ratio, PSNR)和搜索时间. PSNR 将未加入运动补偿的前后帧差值图像作为原图像, 加入运动补偿后的前后帧差值图像为处理后图像.3.1 实验平台本文进行实验的计算机配置为AMD Ryzen52600 CPU(3.40 GHz), 内存为16 GB; 操作系统为Windows 10; 编程环境为Python 3.6.3.2 主观评价为了直观地对比本文的OBMA 与BMA 的实际效果, 选取测试视频图像序列中5个不同场景, 将未加入运动补偿的前后帧差值图像与加入运动补偿后的前后帧差值图像进行对比. 考虑差值图像对比度较低, 为了提高差值图像的对比度, 对样本的结果进行直方图均衡化处理, 最后得到对比度增强后的差值图像如图9所示. 图9a 所示为与前一帧参考帧的差值图像; 图9b 所示为加入a. 无运动补偿b. BMA [3]c.OBMA图9 不同场景下前后帧差值图像第3期刘泉洋, 等: 视频图像运动估计中的一维块匹配算法 429BMA 运动补偿后与前一帧参考帧的差值图像; 图9c 所示为加入OBMA 运动补偿后与前一帧参考帧的差值图像.通过图9中5个不同场景下运动补偿后的差值图像对比分析发现, 本文提出的运动估计算法的实际补偿效果与传统块匹配法基本一致.3.3 客观评价客观评价使用1 080P 和720P 测试视频中的连续50帧视频图像序列作为测试样本. 对比实验分别为相同清晰度测试视频图像序列、不同匹配块比例; 相同匹配块、不同清晰度测试视频图像序列.为了验证匹配块大小对算法性能的影响, 测试实验选择1 080P 测试视频图像序列, 2种不同尺寸的匹配块作对比实验, 分别是测试图像尺寸的1/2(540像素×960像素)和1/4(270像素×480像素). 图10a 所示为匹配块尺寸为1/2(540像素×960像素)时, OBMA 与BMA 的PSNR 和运行时间对比图; 图10b 所示为匹配块尺寸为1/4(270像素×480像素)时, OBMA 与BMA 的PSNR 和运行时间对比图.为了验证视频清晰度对算法性能的影响, 本文选择720P 测试视频与上述1 080P 测试视频进行对比实验. 图10c 是匹配块尺寸为1/4(180像素×320像素)时, OBMA 与BMA 的PSNR 和运行时间对比图.图10 BMA 和OBMA 的PSNR 和运行时间对比对表1中的实验结果进行分析: 当匹配块尺寸和测试视频清晰度相同时, OBMA 与BMA 的PSNR 基本相同, 这说明它们具有同样搜索质量. 匹配块为测试图像尺寸的1/2(540像素×960像素),OBMA 的平均运行时间是BMA 的29.5%, 搜索速度提高238.6%; 匹配块为测试图像尺寸的1/4(270像素×480像素), OBMA 的平均运行时间是BMA 的59.6%, 搜索速度提高67.64%; 匹配块为测试图像尺寸的1/4(180像素×320像素), OBMA 的平均运行时间是BMA 的80.1%, 搜索速度提高24.72%.由上述数据分析可知, 与传统的BMA 相比,在搜索质量相同的情况下, OBMA 实时性优于BMA. 运动估计使用的匹配块尺寸越大, 搜索速度提高越明显; 视频清晰度越高, 搜索速度提高越表1 2种算法连续5帧视频图像序列关键指标横向对比 算法 分辨率匹配块平均PSNR/dB 平均搜索 时间/s 1 080P 1/2 28.87 0.143 05 1 080P 1/428.840.052 59720P 1/4 27.36 0.016 85 1 080P1/2 28.83 0.042 24 1 080P 1/429.160.031 37OBMA 720P1/4 27.42 0.013 51明显. 本文提出OBMA 更适用于清晰度较高的视频. 随着视频分辨率的不断提高, 2K, 4K 和8K 视频的普及, 运动估计需要的块尺寸也会随之增大, 传统BMA 庞大的数据量会占据更多的资源, 而使用本文提出OBMA 可以有效地解决此问题.BMA [3]430 计算机辅助设计与图形学学报第33卷4 结语目前主流运动估计算法依然停留在直接使用二维视频图像的二维信息直接计算运动矢量, 本文通过对视频帧间相关性的研究发现, 经过特定的权重系数矩阵对二维匹配块降维后, 一维特征矩阵具备二维矩阵的部分特征, 使用一维特征矩阵代替二维矩阵进行运动估计, 减少计算量. 通过对比实验表明, 本文提出的OBMA与BMA相比, 在搜索质量相当的前提下, 能有效地提高运动估计的计算速度, 具有一定实用价值.参考文献(References):[1] Yu Yinghuai, Wang Jinrong. High accuracy sub-pixel globalmotion estimation based on upsampled gradient cross-correla-tion algorithm[J]. Journal of Image and Graphics, 2012, 17(12):1492-1499(in Chinese)(余应淮, 王锦荣. 高精度亚像素全局运动估计的上采样梯度互相关算法[J]. 中国图象图形学报, 2012, 17(12): 1492-1499)[2] Li Ziyin, Zhu Shanan. A fast efficient partial distortion searchalgorithm for block motion estimation[J]. Journal of Image andGraphics, 2006, 11(4): 480-485(in Chinese)(李子印, 朱善安. 一种快速高效的部分失真块运动估计搜索算法[J]. 中国图象图形学报, 2006, 11(4): 480-485)[3] Zhao N N, O’Connor D, Basarab A, et al. Motion compensateddynamic MRI reconstruction with local affine optical flow es-timation[J]. IEEE Transactions on Biomedical Engineering, 2019, 66(11): 3050-3059[4] Mukaddim R A, Meshram N H, Mitchell C C, et al. Hierarchi-cal motion estimation with Bayesian regularization in cardiacelastography: simulation and in-vivo validation[J]. IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control, 2019, 66(11): 1708-1722[5] Qin Rong, Ma Zhiqiang, Zhang Xiaoyan, et al. A fast and ro-bust global motion estimation algorithm[J]. Journal of Air Force Engineering University: Natural Science Edition, 2012,13(6): 55-59(in Chinese)(秦荣, 马志强, 张晓燕, 等. 一种快速鲁棒的全局运动估计算法[J]. 空军工程大学学报: 自然科学版, 2012, 13(6): 55-59)[6] Tang Jialin, Zheng Jiefeng, Li Xiying, et al. Video stabilizationalgorithm based on feature matching and motion compensa-tion[J]. Application Research of Computers, 2018, 35(2): 608- 610(in Chinese)(唐佳林, 郑杰锋, 李熙莹, 等. 基于特征匹配与运动补偿的视频稳像算法[J]. 计算机应用研究, 2018, 35(2): 608-610) [7] Liu Haihua, Lei Yi, Xie Changsheng. Fast block-matching mo-tion estimation based on a dual-cross search algorithm[J]. Comp-uter Research and Development, 2006, 43(9): 1666-1673(in Chinese)(刘海华, 雷奕, 谢长生. 双十字搜索算法的快速块匹配运动估计[J]. 计算机研究与发展, 2006, 43(9): 1666-1673) [8] Li Hejun, Li Heping, Li Jianxiong. A multi-pattern switchingalgorithm for fast motion estimation[J]. Journal of Electronics & Information Technology, 2013, 35(3): 689-695(in Chinese)(李贺军, 李和平, 李建雄. 一种采用多模式切换的快速运动估计算法[J]. 电子与信息学报, 2013, 35(3): 689-695) [9] Li Qiaoliang, Wang Guoyou, Zhang Guilin, et al. Accurateglobal motion estimation based on pyramid with mask[J].Journal of Computer Aided Design & Computer Graphics, 2009, 21(6): 758-762(in Chinese)(李乔亮, 汪国有, 张桂林, 等. 基于掩模金字塔的高精度全局运动估计算法[J]. 计算机辅助设计与图形学学报, 2009, 21(6): 758-762)[10] Zhang Maolei, Chen Jianguo, Yuan Hongyong, et al. Videostabilization on a six-rotor aircraft platform[J]. Journal of Tsinghua University: Science and Technology, 2014, 54(11): 1412-1416(in Chinese)(张毛磊, 陈建国, 袁宏永, 等. 六旋翼飞行平台的视频稳像技术[J]. 清华大学学报: 自然科学版, 2014, 54(11): 1412-1416) [11] Zhang T, Fei S M, Li X D, et al. Fast global motion estimationand moving object extraction algorithm in image sequences[J].Journal of Southeast University: English Edition, 2008, 24(2): 192-196[12] Li R X, Zeng B, Liou M L. A new three-step search algorithmfor block motion estimation[J]. IEEE Transactions on Circuits and Systems for Video Technology, 1994, 4(4): 438-442 [13] Xu Jin. Research on key technology of digital restoration ofmotion picture film[D]. Shanghai: Shanghai Jiaotong Univer-sity, 2009(in Chinese)(徐进. 电影胶片数字修复关键技术研究[D]. 上海: 上海交通大学, 2009)。
一种用于图像匹配的快速有效的二分哈希搜索算法
基金项 目： 自然科Ａ ０ Ｚ３ ） “ ８３ 项 ２０Ａ ０ Ｚ１ 、 ９ Ａ １３２ 及 新世纪优秀人才 ” ０ 计划 （ Ｃ Ｔ Ｎ Ｅ－ ０ － ８） ６ ８２ 资助 ０ 作者简介 ： 何周灿（９４ ， １８ 一）西北工业大学硕士研究生 ， 主要从事高维图像特征匹配及计算 机视觉 等研究 。
不变特性 。因此， 本文采用 ｓ 描述 子用于 图像 ｗｒ
匹配 。
定查询半径 ｒ 根据三角不等式确定查询范 围并执 ， 行查询， 该方法建 立索引 的代 价 （ 主要是 聚类 ） 太
（） １ 相关 工作
Ｓ Ｔ描述子达 １８维 ， Ｉ Ｆ ２ 还有 的数据超过 １ ０ ０ ０ 维， 力求快速有效处理超高维数据 ， 是一个研究热点 和难点。人们研究了大量高维数据搜索算法 ， 从高 维数据集合的数据分布和空间分布角度 出发建立了 各种各样 的数据结构 ， Ｋ —ｅ 、 －ｅ ¨ Ｓ ． 如 Ｄ ｔ ｅ 】Ｍ ｔ ｅ 、Ｐ ｒ ｒ ｔｅ 引 ｒ ｅ［ Ｒｔ ｅ和 Ｂ Ｆ 、Ｄｓ Ｉｅ’等 。Ｋ ．ｅ —ｅ ｒ Ｂ ［ ｉｉａｃ［ ｔ１ Ｄｔ ｅ通 ｒ
体 ， ｑ 使 到 的每一个超平面的距离为 占 Ｓ Ｎ算 。Ｎ 法能处理维数达 ３ 维的数据 ， ５ 但被用于处理 １８ ２ 维
或检索、 基于视频 或者 图像 的三 维场景 重构 等 的 ＳＦ ＩＴ特征 时 ， 效率太 低。 ｉａｃ（ ｄｘ ｇｔｅ ｉ ｓ ｎｅ ｉ ｅｉ Ｄｔ ｎ ｎ ｈ 等。图像匹配包含 ２个部分 ： 建立特征描述子和 Ｋ Ｄｓ ｎｅ 采用 ｋ ｅｎ 聚类算法将数据空间划分为 ｉａｃ ） ｔ － ａｓ ｍ 近邻搜索。Ｍ ｋｌｃｙ ５ 细总结 了近 年来 的局 ｎ ｉ ａ ｚ ．详 ｏｊ ｋ 个不相交的类 ， 每一个类被当成是一个超球体， 超 部不变描述子的发展 现状 ， 并通过大量实验对各种 球体的中心作为参考点， 根据各个超球体 中数据点 描述子 的性 能 进行 对 比 ， 果 表 明 ＳＦ … 在 缩 放 、 结 ＩＴ 到参考点的距离建立一棵 Ｂ＋树。 对于查询点 ｇ 给 ， 旋转、 噪声甚至视点变换 的情况下表现出高可靠 的
特征匹配 匹配策略
特征匹配匹配策略：
特征匹配是图像处理和计算机视觉中的重要技术，用于在两幅或多幅图像之间找到对应的特征点，并建立特征点之间的对应关系。
特征匹配的匹配策略主要有以下几种：
1.基于阈值的匹配策略：通过设定阈值来比较两个特征点之间的相似度，如果相似度
大于阈值，则认为这两个特征点是匹配的。
这种策略简单、快速，但容易受到光照、旋转等因素的影响，匹配精度不高。
2.基于最近邻距离比的匹配策略：首先计算两个特征点之间的距离，然后通过比较该
距离与次近邻距离的比值来判断是否匹配。
这种策略能够排除一些不准确的匹配点，但计算复杂度较高。
3.基于特征描述符的匹配策略：通过提取特征点的特征描述符（如SIFT、SURF等），
然后比较两个特征点的描述符是否相似来判定是否匹配。
这种策略对光照、旋转等变化具有一定的鲁棒性，但计算量大，需要较长的计算时间。
4.基于深度学习的匹配策略：利用深度学习技术进行特征点的匹配，如卷积神经网络
（CNN）等。
这种策略能够自动学习特征表示，具有较高的匹配精度和鲁棒性，但需要大量的训练数据和计算资源。
摄影测量学答案
答案一名词解释1摄影测量：就是基于像片的测量和解译，利用光学或者数码影像，研究和确定被摄影物体的形状、大小、位置、性质和相互关系的一门科学与技术。
其内容包括影像获取方法，影像信息的记录和存储方法，基于单张或者多张像片的信息提取方法，数据的处理与传输，产品的表达与应用等方面的理论、设备和技术。
2投影差：由于地球表面引起的像点位移称为像片上的投影差3相片旋偏角：相邻两相片主点连线与像幅沿航带飞行方向的两框标连线之间的夹角4相对定向：确定两张像片相对位置关系的过程。
5绝对定向：相对定向完成了几何模型的建立，经过对所建立的立体模型进行平移、旋转和缩放，纳入到地面测量坐标系中，并归一化制图比例尺的过程。
6影像数字化：将模拟像片经过扫描转换成数字影像的过程7采样：数字化模拟像片上连续的像点时，只能每隔一定的间距读取一个点的灰度，这个过程。
8航向重叠度：沿航线飞行方向两相邻相片上的重叠影像9旁向重叠度：两相邻航带之间的影像重叠10相片倾角：摄影机主光轴与铅垂线方向的夹角11正射投影：投影线垂直于投影平面的平行投影12像片判读：根据地物的光谱特征、空间特性、时间特征和成像规律来识别出地物的过程13像片调绘：在对像片进行判读调查的基础上按照用图的要求对影像内容进行综合取舍，并将其结果按照规定的符号和注记描绘在像片上14空间前方交会：由立体像对的内外方位元素和像点坐标求解相应地面点坐标的方法15解析空中三角测量：用计算的方式，根据量测的像点坐标和少量的控制点，采用较严密的数学公式，利用最小二乘原理，在计算机上解求测图所需控制点的平面坐标和高程16像片解析：用数学分析的方法，研究被摄景物的成像规律，根据像片上影像与被摄物体的数学关系，从而建立起来的像点与物点的关系式17数字影像匹配：用数字计算的方法对立体像对经数字化后所取得的灰度值，通过相关函数，探求左右影像的相似程度，以确定同名像点。
18数字微分纠正：以像元（像素）为纠正单元，利用计算机对数字影像通过图像变换来完成像片纠正，属于高精度的逐点纠正。
特征匹配算法
特征匹配算法
特征匹配算法是计算机视觉领域最常用的算法之一，它可以在图像中快速检测和识别特征，从而实现计算机辅助检测、分类、定位等功能。
特征匹配算法可以用来识别图像中的模式，并将其与存储的模式进行比较，以判断图像是否与存储的模式相似。
它通过比较图像中的像素值来实现相似性检测，从而识别出图像中的特征。
特征匹配算法分为两类：基于模板的特征匹配算法和基于点的特征匹配算法。
基于模板的特征匹配算法是以模板图像为基础，在模板图像上提取特征，然后在目标图像中寻找与模板图像相似的特征，从而识别出图像中的模式。
基于点的特征匹配算法是以特征点的位置和特征信息为基础，根据特征点的位置和特征信息来定位和匹配特征点，从而识别出图像中的模式。
特征匹配算法的应用非常广泛，它可以用于图像检索、图像识别、图像分类、图像定位等，在对象检测、图像拼接等技术中都有广泛应用。
总之，特征匹配算法是一种非常重要的计算机视觉算法，它可以快速检测和识别图像中的模式，并可以广泛应用于图像检索、图像识别、图像分类、图像定位等任务中。
SIFT特征匹配算法介绍
SIFT特征匹配算法介绍1.图像尺度空间在了解图像特征匹配前，需要清楚，两张照片之所以能匹配得上，是因为其特征点的相似度较高。
而寻找图像特征点，我们要先知道一个概念，就是“图像尺度空间”。
平时生活中，用人眼去看一张照片时，随着观测距离的增加，图像会逐渐变得模糊。
那么计算机在“看”一张照片时，会从不同的“尺度”去观测照片，尺度越大，图像越模糊。
那么这里的“尺度”就是二维高斯函数当中的σ值，一张照片与二维高斯函数卷积后得到很多张不同σ值的高斯图像，这就好比你用人眼从不同距离去观测那张照片。
所有不同尺度下的图像，构成单个原始图像的尺度空间。
“图像尺度空间表达”就是图像在所有尺度下的描述。
尺度是自然客观存在的，不是主观创造的。
高斯卷积只是表现尺度空间的一种形式。
2.“尺度空间表达”与“金字塔多分辨率表达”尺度空间表达——高斯卷积高斯核是唯一可以产生多尺度空间的核。
在低通滤波中，高斯平滑滤波无论是时域还是频域都十分有效。
我们都知道，高斯函数具有五个重要性质：（1）二维高斯具有旋转对称性；（2）高斯函数是单值函数；（3）高斯函数的傅立叶变换频谱是单瓣的；（4）高斯滤波器宽度(决定着平滑程度)是由参数σ表征的，而且σ和平滑程度的关系是非常简单的；（5）二维高斯滤波的计算量随滤波模板宽度成线性增长而不是成平方增长。
一个图像的尺度空间L(x,y,σ) ,定义为原始图像I(x,y)与一个可变尺度的2维高斯函数G(x,y,σ)卷积运算。
二维空间高斯函数表达式：图像的尺度空间就是：二维高斯函数与原始图像卷积运算后的结果，尺度空间的表达式：左图是二维高斯函数在数学坐标系下的图像。
右图是高斯函数对应的高斯核。
高斯核是圆对称的，在图片像素中展现出来的是一个正方形，其大小由高斯模板确定。
卷积的结果使原始像素值有最大的权重，距离中心越远的相邻像素值权重也越小。
那么，为什么要提到高斯模糊与“尺度空间表达”，它们有什么关系呢？“尺度空间表达”指的是不同高斯核所平滑后的图片的不同表达，意思就是：原始照片的分辨率，和经过不同高斯核平滑后的照片的分辨率是一样的。
- 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)。
图像 特 征 匹 配 中一 种快 速 关键 维 过 滤搜 索 算 法
何 周 灿 ， 王 庆 ， 杨 恒
（ 西北 工业 大 学 计 算 机 学院 ， 西 西安 ７ ０ ７ ） 陕 １ ０２
摘 要 ：为 了解 决宽 基 线 多 图 匹配 中 匹配 效 率 低 和 匹配 精 度 不 高 的 问题 ， 用 经 典 的 ＳＦ 特 征 作 为 描 述 使 ＩＴ 子 ， 出一 种 新 的高 维特 征搜 索算 法． 用 基 于 距 离 尺 度 的 相 似 性 度 量 准 则 ， 先 将 图像 高 维 特 征 集 合 提 采 首 分 类 ， 后 为每 一个 类建 立 Ｂ Ｔ ｅ 然 ＋ ｒｅ索 引 ， 后 在 ＫＮＮ（ ａｅｔ ｅｇ ｂ ｒ搜 索 阶段 应 用基 于 关 键 维 最 Ｋ Ｎｅｒｓ Ｎ ｉｈ ｏ ） 过 滤 的查 找 策 略 ， 实现 高 维 特 征 的快 速 匹配 ． 实验 结 果 表 明 ， 经 典 的 Ｂ Ｆ和 Ｌ Ｈ 等 ＫＮ 搜 索算 法相 与 Ｂ Ｓ Ｎ
比较 ， 关键 维过 滤 搜 索算 法 具 有 更 高 的 搜 索 效 率 和 搜 索 精度 ， 助 于 提 升 宽 基 线 多 图 匹配 性 能 ． 有 关 键 词 ：特 征 匹 配 ； 度 不 变 特 征 变换 ； 近 邻 ； ＋Ｔｒｅ 关键 维 过 滤 ； 尺 Ｋ Ｂ ｅ； 图像 检 索 中图 分 类 号 ： Ｐ ９ Ｔ ３１ 文 献标 识码 ： Ａ 文 章编 号 ： ０ １２ ０ （ ０ Ｏ ０ —５ ４ ０ １ ０ — ４ ０ ２ １ ） ３ ０ ３ —７
ｍ ａ ｃ ｎｇ， ｈ ｓ ｐ ｐｅ ｄ ｔ ｈｅ ｃａ ｓｃ ｌＳＩ ｔ ｈｉ ｔ ｉ ａ ｒａ ｏｐ ｓ ｔ ｌｓ ｉａ ＦＴ ｅ ｃ ｉ ｏ ｄ ｓ ｒｐｔ ｒ，ａ ｒ ｐｏ ｅ ｏｖ ｌｈｉｈ ｄｉ ｅ ｉ ｎｄ ｐ ｏ ｓ ｓａ ｎ ｅ ｇ ｍ ｎｓｏｎａ ｅ ｔ ｅ ｌｆ ａ ｕｒ
ｍａ ｃ ｉ ｇ ｔ ｈ ｎ ．Ｅｘ ｅ ｉ ｎ ａ ｅ ｕｔ ｈ ｗ ｈ ｔ ｔ ｅ ｐ ｏ ｏ ｅ ｌ ｏ ｉ ｍ ，ｗｈ ｃ ａ ｂ ａｎ ａ ｈ ｇ ｅ ｃ ｕ ａ ｙ ｐｒ ｍｅ ｔ ｌ ｓ ｌｓ ｓ ｏ ｔ ａ ｈ ｒ ｐ ｓ ｄ ａ ｇ ｒｔ ｒ ｈ ｉ ｈ ｃ ｎ ｏ ｔ ｉ ｉ ｈ ｒａ ｃ ｒ ｃ
Ｋｅ ｍ ｅ ｉ ｎ ｆｌｅ ｉ ａ ｅ ｅ ｒ ｈ ａ ｇ ｒ ｔ ｙ ｄｉ ｎｓｏ ｉｔ ｒ ｎｇ ｂ ｓ ｄ ｓ ａ ｃ ｌ ｏ ｉｈｍ ｆ ｏ
Ｂ＋ Ｔ ｅ ｏ ｍ ａ ｅ ｆ ａ ｕ ｅｍａ ｃ ｉ ｇ ｒ ｅｆ ｒｉ ｇ ｅ ｔ ｒ ｔｈ ｎ
ＨＥ ｈ ｕ ｃ ｎ Ｗ ＡＮ Ｇ ｎ Ｚ ｏ —ａ Ｑｉ ｇ． Ｙ ＡＮ Ｇ ｅ ｇ Ｈ ｎ
ｓ ａ ｃ ｌ ｏ ｉｈ ． Ｔｈ ｓ ｐ ｐ ｒ ｆ ｌｏ ｈ ｉ ｔ ｎ ｅ ｂ ｓ ｄ ｓｍｉ ｒ ｙ ｓ ａ ｄ ｒ ｅ ｒｈａｇ ｒ ｍ ｔ ｉ ａ ｅ ｏ ｌ ｗｓ ｔ ｅ ｄ ｓ ａ ｃ — ａ ｅ ｉ ｌ ｉ ｔ ｎ ａ ｄ，ａ ｄ ｆｒ ｔｙ ｐ ｒｉｉｎ ｈ ａ ｔ ｎ ｉ ｌ ａ ｔｔ ｓ ｔ ｅ ｓ ｏ ｉ ｇ ｅ ｔ ｒ ｅ ｎ ｏ ｄ ｆｅ ｅ ｔｃａ ｓ ｓ ｈ ｎ ｅ ｔ ｂ ｉｈ ｓ ａ Ｂ＋ Ｔｒ ｅｆ ｒｅ ｃ ｌｓ ，ａ ｄ ｆ ａｌ ｉｅ ｕ ｍａ ｅｆ ａ ｕ ｅ ｓ ｔｉ ｔ ｉ ｒ ｎ ｌｓ ｅ ，ｔ ｅ ｓ ａ ｌ ｅ ｆ ｓ ｅ ｏ ａ ｈ ｃａ ｓ ｎ ｉ ｌ ｇ ｖ ｓ ｏ ｔａ ｎ ｙ ｋ ｙ ｄｍｅ ｓｏ ｉ ｅ ｉ ｇ ｓｒ ｔ ｇ （ ｅ ｉ ｎ ｉｎ ｆ ｔ ｒ ｔ ａ ｅ ｙ ＫＤＦ ｉ ｈ ｌ ｎ ） ｎ ｔ ｅ ＫＮＮ ｅ ｒ ｈ ｓ ｅ Ｏ ｓ ｅ ｄ ｕ ｈ ｉ ｈ ｄｍｅ ｓｏ ａ ｅ ｔ ｒ ｓ ａ ｃ ｔ ｐ ｔ ｐ ｅ ｐ ｔ ｅ ｈ ｇ ｉ ｎ ｉｎ ｌ ａ ｕ ｅ ｆ
ｗｉ ｏ ｒ ｔ ｏ ｔｔ ａ ｈ ｌ ｓ ｉ １ＫＮＮ ｅ ｒ ｈ ａｇ ｒｔ ｍ ｕ ｈ ａ Ｆ，ＬＳ ａ ｄ Ｓ ｎ．ｗｏ ｌ ｅ ｔ ａ ｌ ｗｅ ｉ ｃ ｓ ｈ ｎ ｔ ｅ ｃａ ｓｃ ｈ ｍｅ ａ ｓ ａ ｃ ｌ ｏ ｉｈ ｓ ｃ ｓＢＢ Ｈ ｎ Ｏ ｏ ｕｄ ｂ ａ ｈ ｌ ｏ ｉ ｒ ｖ ｈ ａ ａ ｉ ｔ ｆｍｕ ｔ ｌ ｄ — ａ ｅ —ｉ ｅｉ ｇ ｔ ｈ ｎ ｅ ｐ ｔ ｍｐ ｏ ｅ ｔ ｅ ｃ ｐ ｂ ｌ ｙ ｏ ｌｉ ｅ ｗｉ ｅｂ ｓ ｄ ｌ ｍａ ｅ ｍａ ｃ ｉｇ． ｉ ｐ ｎ Ｋｅ ｏ ｄ ： ｆ ａ ｕ ｅ ｍａ ｃ ｉ ｇ；Ｓ Ｆ ；ＫＮＮ；Ｂ＋ Ｔｒ ｅ ｅ ｉ ｎ ｉ ｎ ｆｌ ｒｎ ｙ Ｗ ｒ ｓ ｅ ｔ ｒ ｔｈ ｎ ＩＴ ｅ ；ｋ ｙ ｄ ｍｅ ｓｏ ｉ ｅ ｉｇ；ｉ ｇ ｅ ｒ ｖ ｌ ｔ ｍａ ｅ ｒ ｔｌ ａ ｅ
２１ ０ ０年 ６月
西 安 电子 科 技 大 学学 报 （ 自然 科 学 版 ）
ＪＯＵＲＮＡＬ ０Ｆ Ｘ Ｉ ＡＮ Ｕ ＮＩ ＤＩ ＶＥＲ ＳＩ ＴＹ Ｊ ｎ． ０１ ｕ ２ ０
Ｖｏ ． ７ ＮＯ ３ １３ ．
第 ３卷 ７
第 ３期
ｄ ｉ１ ． ９ ９ ｊｉｓ １ ０ — ４ ０ ２ １ ０ ０ ７ ｏ ： ０ ３ ６ ／ ．ｓ ｎ． ０ １２ ０ ． ０ ０． ３． ２
（ ｃ ｏ ｌ ｆＣｏ ｕ ｅ ｃ ．ａ ｄ Ｅｎ ． Ｓ ｈ ｏ ｍｐ ｔ ｒＳ ｉ ｎ ｇ ，Ｎｏ ｔ ｗｅ ｔ ｒ ｏ ｙ ｅ ｈ ｉａ Ｕｎ ｖ ，Ｘｉ ａ ７ ０ ７ ，Ｃｈ ｎ ） ｏ ｒｈ ｓｅｎ Ｐ ｌｔｃ ｎｃ ｌ ｉ． ’ｎ １０２ ｉａ Ａｂ ｔ ａ ｔ Ｉ ｅ ｌ ｇ ｗｉ ｈ ｓ ｅ ｆ ｏ ｅ ｆｃｅ ｃ ｎ ｏ ａ ｃ ｒ ｃ ｕ ｔ ｌ ｗｉ ｅ ｂ ｓ ｄ ｌ ｅ ｉ ｇ ｓｒ ｃ ： ｎ ｄ ａｉ ｔ ｔ ｅ ｉ ｕ ｓｏ ｗ ｆｉｉｎ ｙ ａ ｄ ｌｗ ｃ ｕ ａ ｙ ｉ ｍ ｌｉ ｅ ｄ ～ ａ ｅ —ｉ ｎ ｈ ｓ ｌ ｎ ｐ ｎ ｍａ ｅ