基于MSR的雾天图像清晰化算法研究

合集下载

基于MSR理论的交通图像去雾霾方法

基于MSR理论的交通图像去雾霾方法李长领;宋裕庆;刘晓锋【期刊名称】《计算机应用》【年(卷),期】2015(000)0z2【摘要】Due to the frequent fog and haze, it becomes more and more difficult for trffic departments to collect high-quality road images. In order to improve the image quality, a novel method to remove haze from traffic images based on Multi-Scale Retinex ( MSR) theory was proposed. Firstly, the original haze image and its inverse image were transformed respectively by an MSR transformation; Secondly, a linear stretching transformation and an exponential transformation were applied; At last the two resulted images were linearly summed with different weights. The experiments were conducted on a large number of traffic images with haze. The experimental results demonstrate that the proposed method performs better than traditional haze removal methods, such as exponential transformation, histogram equalization, and MSR. It can effectively enhance the contrast and fidelity of image, and balance between the distant view and close shot as well.%为解决因雾霾天气导致的图像质量退化问题，减轻交通部门对交通视频图像的监测难度，提出了一种基于多尺度Retinex( MSR)的图像去雾霾算法。

雾天降质图像的清晰化技术研究

雾天降质图像的清晰化技术研究雾天降质图像的清晰化技术研究引言雾天降质图像是指在雾霾等恶劣环境中拍摄的图像，由于大气散射和光线的交互作用，图像会出现模糊、失真等降质现象，降低了图像的清晰度和视觉效果。

随着现代科技的发展和图像处理技术的成熟，对于雾天降质图像的清晰化技术的研究和应用具有重要的意义。

1. 雾霾成因及对图像质量的影响雾霾主要是由于大气中的细颗粒物质和水汽的聚集，导致光线被散射和吸收，使得远处的目标物体无法清晰地显示在图像中。

这种大气散射现象会引起图像的模糊、失真、边缘模糊和细节丢失等问题，严重影响了图像质量和可视性。

2. 雾天降质图像清晰化技术2.1 图像增强图像增强是最常见的一种清晰化技术，通过调整图像的亮度、对比度、色彩等参数来提高图像的整体质量。

其中，直方图均衡化、灰度拉伸和颜色校正是常用的增强方法。

这些方法可以有效地改善雾天降质图像的视觉效果，使得图像的细节更加清晰可见。

2.2 大气光照估计大气光照估计是在雾天降质图像中获得大气光照分布的一种方法。

通过计算图像中的全局光照分布，可以将图像中的大气散射效应减弱，提高图像的清晰度。

该方法需要从图像中估计出雾霾的程度，并计算出光照衰减因子，进而恢复出真实的目标物体信息。

2.3 多尺度图像分解多尺度图像分解是将图像分解成多个分辨率的子图像，分别处理不同尺度的图像细节，再将其合并为重构的清晰图像。

常见的多尺度图像分解方法有小波变换和金字塔分解方法。

这些方法可以有效地降低大气散射对图像细节的影响，提高图像的清晰度。

3. 雾天降质图像清晰化技术的应用雾天降质图像清晰化技术在许多领域都有广泛的应用，如交通监控、图像识别、无人驾驶等。

在交通监控中，通过清晰化处理雾天图像可以提高交通事故的预警能力。

在图像识别中，清晰化处理可以提高图像的分析和识别能力，对于人脸识别、物体检测等任务有重要的影响。

在无人驾驶中，清晰化处理可以提高车辆对前方障碍物的识别能力，减少交通事故的发生。

HE和改进MSRCR相结合的雾霾图像增强研究

重庆师范大学硕士学位论文HE和改进MSRCR相结合的雾霾图像增强研究硕士研究生：崔旭东指导教师：杨有副教授学科专业：计算机应用技术所在学院：计算机与信息科学学院重庆师范大学二〇一八年四月A Thesis Submitted to Chongqing Normal University in Partial Fulfillment of the Requirements for the Degree ofMasterResearch on Haze Image Enhancement Algorithm Combining HE andImproved MSRCRCandidate：Cui XudongSupervisor：Yang You, Associate ProfessorMajor：Computer Applications TechnologyCollege：College of Computer and Information ScienceChongqing Normal UniversityApril, 2018HE和改进MSRCR相结合的雾霾图像增强研究摘要近年来，由于环境污染加剧导致雾霾天气频繁发生，雾霾在影响人们身体健康的同时，由于雾霾环境下大气杂质粒子对光线的散射作用，使成像系统生成的图像退化降质，对比度降低，颜色发生偏移，信息量减少，甚至会传递错误信息，严重降低了户外计算机视觉系统的可用性，给人们的生产生活带来了诸多不便，也对人民的生命财产安全构成威胁。

在交通监控方面，雾霾会降低交通监控设备上视频图像的对比度和清晰度，使图像模糊不清，导致整个交通系统信息量减少，严重妨碍交通管控工作，影响人们行车安全。

因此，开展雾霾图像清晰化工作具有十分重要的实际意义。

论文在研究雾霾图像特性的基础上，对症下药，结合现有去雾算法的原理以及处理效果，提出改进算法，开展雾霾图像的清晰化工作。

研究工作主要体现在如下三个方面。

基于DSP的雾天监控视频图像清晰化处理方法研究

基于DSP的雾天监控视频图像清晰化处理方法研究
01 一、引言
目录
02 二、雾天监控视频图像的模糊和噪声分析
03
三、DSP基本原理和特点
四、基于DSP的雾天
04 监控视频图像清晰化处理方法
05 五、结论与展望
06 参考内容
摘要：本次演示介绍了一种基于数字信号处理器（DSP）的雾天监控视频图像清晰化处理方法。首先对雾天监控视频图像的模糊和噪声进行了分析，然后介绍了DSP的基本原理和特点，并在此基础上提出了一种基于DSP的雾天监控视频图像清晰化处理方法。该方法利用DSP强大的计算能力和并行处理能力，通过去噪、锐化、增强等技术手段，对雾天监控视频图像进行清晰化处理，取得了较好的效果。
1、高速度和高精度：DSP可以实现对信号的高效处理和分析，具有高速度和高精度的特点。
2、并行处理能力：DSP内部具有多个处理单元，可以实现并行处理，提高处理效率。
3、可编程性：DSP可以通过编程实现各种算法和控制逻辑，具有很高的灵活性和可扩展性。
4、低功耗：DSP采用了先进的工艺和电路设计，使得其功耗较低，延长了设备的续航时间。
4、输出模块：将处理后的图像数据输出到显示设备或存储介质。 5、控制模块：负责整个系统的控制和调度。
二、DSP核心处理模块设计
DSP核心处理模块是整个系统的核心，主要完成视频图像的预处理、特征提取、目标检测与跟踪等任务。在设计时，需要考虑以下几点：
1、算法选择：根据实际应用需求，选择合适的图像处理算法，如滤波、锐化、边缘检测等。
2、硬件资源分配：根据所选算法，合理分配DSP的硬件资源，如性能要求的前提下，对算法进行优化，以降低DSP的资源消耗和提高处理效率。
4、调试与测试：对DSP核心处理模块进行严格的调试和测试，确保其能正常工作并达到预期的处理效果。

基于MATLAB雾天降质图像

毕业论文（设计）基于MATLAB的雾天降质图像的清楚化技术研究学生姓名: 学号: 系别: 专业: 指导教师: 评阅教师:论文答辩日期 2020年5月26日答辩委员会主席摘要随着信息技术的不断进展同时也伴随着人类工业化进程的不断前进，空气污染也愈来愈严峻。

一项调查数据显示，一年中大雾天气所占的比例在逐年上升，而有雾天气会给人类的生产生活带来极大的不便。

有雾天气时，交通事故发生的概率大大增加。

一方面，数字图像处置已成为一个极为重要的学科和技术领域，在通信、语音、图像、遥感、生物工程等众多领域取得了普遍的应用。

另一方面，随着运算机视觉与图像处置技术的进展，户外视觉系统的研究与应用正在飞速进展。

如地形分类系统、户外监控系统、自动导航系统等的应用数量在急速爬升。

在恶劣天气条件下( 如雾天，雨天等) ，户外景物图像的对照度和颜色都会被改变或退化，图像中包括的许多特点都被覆盖或模糊，致使这些视觉系统无法正常工作。

因此，从大气退化图像中恢复和增强景物细节信息具有重要的现实意义。

MATLAB是用于算法开发、数据可视化、数据分析和数值计算的高级技术计算语言和交互式环境。

MATLAB 应用普遍，其中包括信号处置和通信、图像和视频处置、操纵系统、测试和测量，计算金融学及计算生物学等众多应用领域。

在各行业和学术机构中，有一百多万工程师和科学家利用 MATLAB 这一技术计算语言，MATLAB中的GUIDE是专门用于图形用户界面的快速开发环境。

要紧针对雾天情形下获取的降质灰度图像进行研究。

通过 MATLAB 对数字图像进行处置，成立衰减模型。

第一运用空间域中的直方图均衡化的领域处置后再通过像素点处置，对像素点处置采纳三种方式来实现灰度图像的清楚化处置，即灰度线性变换法，灰度非线性变换法和灰度非线性和线性的综合法。

并对这三种方式取得的结果进行了比较分析。

实验结果说明，在有雾的情形下，第三种方式的去雾处置成效最好。

关键词：数字图像处置，图像去雾，MATLAB，灰度图像清楚化ABSTRACTWith the continuous development of information technology is also accompanied by human industrialization process to continue moving forward, more and more serious air survey data show that the proportion of heavy fog in the year increased year by year, and fog will give the production of human life cause great weather, the probability of accident is greatly the one hand, digital image processing has become an extremely important disciplines and technological areas, has been widely used in communications, voice, image, remote sensing, bio-engineering and many other other hand, with the development of computer vision and image processing technology, the research and application of outdoor vision systems are rapid development. Such as terrain classification system, outdoor monitoring system, automatic navigation system, the number of applications in the rapidly rising. In adverse weather conditions (such as fog, rain, etc.), outdoor scene image contrast and color will be changed or degraded, contains many of the features in the image are covered or blurred, resulting in the visual system does not work. Therefore, from the atmospheric degradation of image restoration and enhancement of the details of the subject has important practical for algorithm development, data visualization, data analysis, and numerical calculation of the high-level technical computing language and interactive GUIDE of MATLAB is a quick development wide range of applications, including signal processing and communications, image and video processing, control systems, test and measurement, calculation of finance and computational biology and many other applications. In various industries and academic institutions, more than one million engineers and scientists using MATLAB technical computing fog Get degraded gray-scale image. MATLAB for digital image processing, the attenuation model. Then the processing of the first use of the spatial domain areas of histogram pixels treatment, the pixel points clear treatment process using three methods to achieve gray image, the gray lineartransformation, gray non-linear transformation Law and gray non-linear and linear method. A comparative analysis of the results obtained by these three methods. Experimental results show that the defogging treatment effect in the case of fog, the third method.Keywords: Digital Image Process, Image to fog , MATLAB, Gray scale image clarity目录摘要.................................................................... ABSTRACT.. (I)1 绪论课题研究的背景 0课题研究现状及水平 0课题研究的内容与意义 (1)2 数字图像处置系统与开发环境的简介数字图像处置系统的简介 (2)MATLAB简介和特点 (3)3 课程演示系统方案设计系统整体结构设计 (5)系统设计思路 (5)GUIDE的设计进程 (6)4 课程演示系统具体实现内容图像的增强概述 (12)图像增强的大体原理和方式 (13)频率域变换处置简介 (14)空间域处置简介 (16)雾天降质图像的大体特性分析 (18)雾天降质图像的对照度指数衰减特性 (18)雾天降质图像的模糊性特性 (18)雾天降质图像的时域特性 (19)雾天降质图像的频域特性 (20)基于雾天降质图像的清楚化处置的的其他经常使用算法介绍 (20)基于MATLAB降质图像的实验结果 (24)基于MATLAB降质图像的处置结果的分析 (34)总结 (36)致谢 (37)参考文献 (38)独创性声明 (39)学位论文（设计）版权利用授权书 (39)1 绪论课题研究的背景图像是人类感官系统取得的重要信息来源。

基于多尺度细节优化的MSRCR图像去雾算法

实验技术与管理第37卷第9期 2020年9月Experimental Technology and Management Vol.37 No.9 Sep. 2020ISSN 1002-4956 CN11-2034/TDOI: 10.16791/ki.sjg.2020.09.021基于多尺度细节优化的MSRCR 图像去雾算法王小芳1,2，方登杰1，何海瑞1，邹倩颖1（1. 电子科技大学成都学院云计算科学与技术系，四川成都 611731；2. 西华师范大学计算机学院，四川南充 637002）摘要：针对Retinex 去雾后图片模糊、细节不明显现象，该文提出基于多尺度细节优化的MSRCR 图像去雾算法。

该算法首先采用MSRCR 对图片进行整体去雾操作，在MSRCR 算法处理图像像素分类过程中，为降低像素分类时间，该文采用K 近邻算法（K nearest neighbor ，KNN ）对图片像素进行快速分类；然后采用双边滤波算法对处理后的图片中的噪声和边缘损失进行处理；最后采用MsDB 算法对图片细节进行优化。

实验结果表明，该文算法相较传统算法而言，在合成雾天图像处理后图片的峰值信噪比（peak signal to noise ratio ，PSNR ）和结构相似性（structural similarity ，SSIM ）平均分别提升22.03%和21.58%；较自然雾天处理后图片的平均梯度、信息熵、Vollaths 值平均分别提升127.62%、6.96%、227.61%。

关键词：MSRCR ；KNN ；双边滤波；MsDB中图分类号：TP391 文献标识码：A 文章编号：1002-4956(2020)09-0092-06MSRCR image defog algorithm based on multi-scaledetail optimizationWANG Xiaofang 1,2, FANG Dengjie 1, HE Hairui 1, ZOU Qianying 1(1. Department of Cloud Computing Science and Technology, Chengdu College of University ofElectronic Science and Technology of China, Chengdu 611731, China; 2. Computer Academy, China West Normal University, Chengdu 637002, China)Abstract: In view of the phenomenon of blurred image and inconspicuous detail after Retinex defogging, this paper proposes a MSRCR image defog algorithm based on multi-scale detail optimization. In order to reduce the time of pixel classification, the K nearest neighbor algorithm (KNN) is used to classify image pixels quickly. Then the noise and edge loss in the processed image are processed by bilateral filtering algorithm. Experimental results show that the peak signal to noise ratio (PSNR) and structural similarity (SSIM) increase by 22.03% and 21.58% respectively, and the average gradient, entropy and V ollaths increase by 127.62%, 6.96% and 227.61%, respectively, compared with traditional methods.Key words: MSRCR; KNN; bilateral filtering; MsDB雾天是自然界最常见的一种天气现象，也是影响可见度的最直观的因素，如何提高雾天图片可见度，提高雾天图片检测精度，降低危险情况发生概率，是各类图像去雾专家探索的目标。

基于深度学习的雾天图像增强研究

基于深度学习的雾天图像增强研究近年来，随着人工智能技术的不断发展，深度学习逐渐成为了图像处理领域的研究热点之一。

随着人类社会的不断进步，天气状况的变化经常影响着人们的出行和生活。

在一些特殊的天气情况下，如雾天，会对人们的活动造成很大的影响。

因此，在这篇文章中，我将介绍基于深度学习的雾天图像增强研究，以期为改善雾天对人们日常生活的影响提供可行的解决方案。

一、深度学习技术在图像处理中的应用深度学习是一种模拟人脑神经网络的机器学习技术。

与其他机器学习技术相比，深度学习在图像处理方面具有独特的优势。

与传统的图像处理算法相比，深度学习技术可以更好地提取图像中的信息，从而实现更准确、更高效的图像处理。

在图像增强方面，深度学习技术常常被用于在降噪、去模糊、对比度增强和色彩校正等方面。

其中，降噪是深度学习图像增强中最常用的技术之一。

在雾天图像增强中，降噪也是一个非常重要的步骤。

二、雾天图像增强的研究现状在一些特殊的天气条件下，如雾天、雨天等，普通的照片可能会出现一些质量问题，例如模糊、色彩失真等等。

当然，这些问题对于普通民众的日常拍照并不会造成很大的影响。

但对于一些特殊需求的场景，如交通监控、无人驾驶、目标检测等领域，雾天图像增强技术的应用就是一个关键的问题。

雾天图像增强的方法有很多种，常见的有单幅图像去雾技术、多幅图像去雾技术以及基于深度学习的图像增强技术等等。

随着深度学习技术的不断完善和提高，越来越多的学者开始探索基于深度学习的图像增强技术。

这些技术已经取得了一些较为显著的成果。

三、基于深度学习的雾天图像增强研究目前，基于深度学习的雾天图像增强技术已经成为了雾天图像处理研究的热点之一。

这些技术主要可以分为三类：基于生成对抗网络的去雾、基于循环神经网络的去雾、以及不依赖端到端的图像增强技术。

生成对抗网络是一类深度学习模型，可以从噪声数据中生成更加真实的图像。

在图像增强方面，生成对抗网络的应用主要是使用对抗网络来建立一种映射关系，将模糊或雾状的图像映射为清晰的图像。

基于深度学习的雾霾图像去雾算法研究

随着数字图像处理技术的不断发展，图像去雾技术已经成为计算机视觉领域的一个研究热点。在雾霾天气下，由于空气中的颗粒物导致光线散射，拍摄的图像往往呈现出模糊、对比度低等问题。因此，研究如何通过去雾算法来提高图像的质量具有重要意义。
近年来，深度学习技术在图像处理领域取得了巨大的成功。其中，卷积神经网络（CNN）在图像分类、目标检测、图像生成等方面表现出色。因此，我们考虑将深度学习技术应用于单幅图像去雾算法的研究。本次演示提出了一种基于深度学习的单幅图像去雾算法，通过对CNN的深入学习和训练，实现了对模糊图像的高效恢复。
一、背景及意义
在过去的几十年中，随着工业化和城市化的快速发展，空气污染问题越来越严重。雾霾是一种常见的空气污染现象，它主要是由于大气中各种颗粒物和气溶胶的含量增加而形成的。雾霾对人们的健康和生活质量产生了严重的影响，同时也对光学成像系统产生了干扰。因此，研究一种基于深度学习的雾霾图像去雾算法具有重要意义。
三、研究内容及方法
本次演示提出了一种基于深度学习的雾霾图像去雾算法。具体的研究内容和方法如下：
1、数据采集与预处理
首先，我们采集了大量的雾霾图像和对应的清晰图像作为训练数据。然后，我们对数据进行预处理，包括灰度化、裁剪和归一化等操作，以提高算法的收敛速度和精度。
2、卷积神经网络模型构建
3、去雾处理：将训练好的模型应用于单幅模糊图像的去雾处理。首先将输入图像输入到训练好的模型中，得到预测的清晰图像。然后对预测的清晰图像进行后处理，包括锐化、色彩校正等操作，以进一步提高视觉效果。
四、实验结果与分析
为了验证本次演示提出的去雾算法的有效性，我们在公开数据集上进行实验。实验结果表明，我们的算法在去雾效果和视觉效果方面均优于传统的方法。此外，我们还对不同场景下的模糊图像进行了测试，结果表明我们的算法具有较强的泛化能力。

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)。

２ＪｌｒｎｈＣｒｏａｏｈｎｅｅｏＣａｇｈｎＪｉ１０３，Ｃｉａ．ｉｎＢａｃｏｒｉＣｉＴｌｃｍ，ｈｎｃｕｉｎ３０３ｈｎ）ｉｐｔｎａｌ
ＡＢＳＴＲＡＣＴ：ｅｅｒｈｔｅｆｇ—ｄｇａｅｍａｅｌａｎｓｒｂｅｔｒｖｈｎｆｒｔｆｅｉｇｅｅｈｎｅＲｓａｃｈｏｅｒｄｄｉｇｓｃｅｒｅｓｐｏｌｍｏｉｏｅｔｅｕｉｍｉｏｍａｎａｃ－ｍｐｏｙｔｈｍｅｔｎｆｇｙｗａｈｒｃｎｉｏｓｏｇｍａｅｍａｅｏｔｓｏｎｍａｅｌｃｌｄｔｉｏｌａ．Ｔｅｔｄｔｎｎ．Ｉｇｅｔｅｏｄｔｎ，ｆｋｓｉｇｓｃｎｒｔｌｗａｄｉｇｏａｅａｌｎｔｃｅｒｈｒｉｏａｏｉａｓａｉｌｏｆｇ—ｄｇａｅｍａｅｌａｎｓｇｒｔｍａｅｎｈｓｏｒｍｑａｉａｉｎｃｎｅｈｃｍａｅｃｎｒｓ，ｂｔｔｅｅ — ｅｒｄｄｉｇｓｃｅｒｅｓａｏｈｂｓｄｏｉｔｇａｅｕｚｔａｎａｅｉｇｏｔｔｕｈｎｌｉｌｏｎａ
中图分类号：Ｐ１．Ｔ３ቤተ መጻሕፍቲ ባይዱ７４文献标识码：Ｂ
Ｒｅｅｒｈｇ —ＤｅｒｄｅｍａｅｅｒｅｓＡｌｏｉｈｍｓａｃＦｏ — ｇａｄＩｇｓＣｌａｎｓｇｒｔＢａｅｎｈＳＲｓｄｏｔｅＭ
ＣＨＥＮＧＹａ—ｌＺＨＡＮＧｉ．Ｙｅ—ｃｉｈ
第９第４２卷期
文章编号：０６—９４（０２００００１０３８２１）４— ３５— ４
计
算
机
仿
真
２２月０年４１
基于ＭＳＲ的雾天图像清晰化算法研究
程娅荔张也驰。
（．冈山大学电子信息与工程学院，１井江西吉安３３０；４０９２．中国电信集团公司吉林省电信分公司，吉林长春１０３）３０３摘要：研究雾天图像清晰化的问题，需提高图像增强的均匀性。针对雾天情况下，由于雾气的遮挡使得拍摄图像对比度降低，图像局部细节处不清晰，传统的直方图均衡化的雾天图像清晰化方法虽然能够增强图像对比度，但是图像局部细节增强不足，造成图像增强均匀性不高的问题。提出一种ＭＲ的雾天图像清晰化算法，过Ｓｍｉ函数对图像作映射，Ｓ通ｉｏｇｄ拉伸图像的对比度，然后利用ＭＲ算法，Ｓ将图像小波分解为高频分量和低频分量，对高频分量取绝对值最大运算，低频分量加权平均，并避免了对图像进行全局直方图均衡化造成的图像增强不均匀，局部细节增强不足的问题。实验证明，提出的算法能够将雾天图像均匀增强，得到高清晰的图像，了满意的效果。取得关键词：雾天图像；图像增强；直方图均衡化
ｈｎｅｎｆｉｇｅｌｃｅａｌｓｉｓｆｃｅｔａｓｎｍａｅｅａｃｍｅｔｎｆｒｔｓｎｔｈｓ．Ｔｉｐｐｒｐｏａｃｍｅｔｏｍａｏａｄｔｉｉｎｕｉｉｎ，ｃｕｉｇｉｇｎｎｅｎｉｍｉｉｏｉｈｈｓａｅｒ－ｌｓｈｕｏｙ
ｐｓｄａｆｇ— ｄｇａｅｍａｅｃｅｒｅｓａｇｒｔｍａｅｎＭＳｏｅｏｅｒｄｄｉｇｌａｎｓｏｈｂｄｏＲ．ＴｒｕｈｔｅＳｇｉｕｃｉｎ，ｔｅｉｇｅｗａｌｉｓｈｏｇｈｉｍｏｄｆｎｔｏｈｍａｓ
ｍａｐｄａｄｔｅｉｇｅｃｎｒｓＷａｔｅｃｅ．Ｔｅｐｅｎｈｍａｏｔａｔｓｓｒｔｈｄｈｎ，ｔｅＭＳｇｒｍａｓｄｔｅｅｉｇｅｗｖｌｔｅｏｏ－ｈＲａｏｉｌｈｔｗｓｕｅｇｔｔｍａａｅｅｃｍｐｏｈｄｓｏｒｈｓｒｑｅｃｏｏｅｔａｄｌｗｆｑｅｃｏｏｎｎｓｈｅｈ【ｒｑｅｃｏｏｅｔｒａｃｌｔｉｎｆｉｈｆｅｎｙｃｍｐｎｎｓｎｏｒｕｎｙｃｍｐｅｔ．Ｔｉｈｆｕｎｙｃｍｐｎｎｓｗｅｅｃｕａｅｉｔｏｕｅｇｅｌｏｇｓｂｏｕｅｖｅａｒｑｅｃｏｏｅｔｒａｕａｅｆｅｇｔｄａｅａｅｘｅｉｎｓｆｒｔｅｌｒｅｔａｓｌｔａｕｄｔｅｌｗｆｅｕｎｙｃｍｐｎｎｓｗｅｅｃｃｌｔｒｅｗｉｈｅｖｒｇ．Ｅｐｒｍｅｔｈａｌｎｈｏｌｏｔｈ
（．ｎｔｕｆｌｃｏｉＩｆｍｔｎＥｇｎｅｉｇＪｇＧｎｓａｎｖｒｉ，ｉｌＪｎｘ，４０９，ｈｎ；１Ｉｓｔｔｏｅｔｎｎｒａｉｎｉｅｒ，ｉａｇｈｎＵｉｅｔＪａｉｇｉ３３０ＣｉａｉｅＥｒｃｏｏｎｎｓｙ ’ｌａ