基于特征点图像匹配方法研究

基于特征匹配的算法

基于特征匹配的算法特征匹配是一种常用的计算机视觉算法，用于在不同图像或图像中的不同区域之间寻找共享相似或相同特征的方法。

特征匹配算法在图像处理、目标跟踪、图像识别等领域有广泛的应用。

特征匹配算法的基本原理是通过对图像中的特征进行提取和描述，然后在不同图像中或同一图像中的不同区域之间进行匹配。

具体步骤包括特征提取、特征描述和特征匹配。

特征提取是指从原始图像中找到代表图像内容的显著特征点，常用的特征点包括角点、边缘点、斑点等。

具体的特征提取算法包括Harris角点检测、SIFT（尺度不变特征变换）、SURF（加速稳健特征）等。

特征描述是将提取到的特征点转换为特征描述子，以便后续的特征匹配。

特征描述子通常是一个向量，可以通过统计特征点周围的图像局部信息得到。

常用的特征描述算法包括SIFT描述子、SURF描述子、ORB（旋转不变二值）描述子等。

特征匹配是将不同图像或同一图像中的不同区域的特征进行对应，从而实现图像匹配、目标跟踪等功能。

常用的特征匹配方法包括暴力匹配（Brute-Force）算法、最近邻匹配（Nearest Neighbor）算法、RANSAC （随机抽样一致性）算法等。

暴力匹配算法是最简单直接的匹配方法，它通过计算两个特征向量之间的距离（如欧氏距离、汉明距离等），选择距离最小的特征点作为匹配对。

此方法的缺点是计算量大，匹配效果受噪声和干扰较大。

最近邻匹配算法是常用的特征匹配方法之一，它通过计算一个特征向量与另一个特征向量集合中所有向量之间的距离，并选择距离最小的那个特征点作为匹配对。

此方法简单快速，但对于存在匹配相似特征点的情况，容易产生误匹配。

RANSAC算法是一种鲁棒的特征匹配方法，它通过随机选择最少的特征点对进行模型估计，然后根据该模型对所有特征点进行检验和评估，在一定的迭代次数内，找到最佳的模型参数和对应的特征点对。

RANSAC算法可以处理存在误匹配和噪声的情况，但计算复杂度较高。

基于sift特征的图像匹配算法

２１．特征点方向的确定
利用特征点邻域像素的的梯度方向分布特征，为每
一
个特征点指定方向参数，使算子具有尺度不变性。
ｍｘ）√ ＋ｙＬ一）＋，１Ｌ，ｌ（＝ｌ）（１））（Ｙ，，一ｘ，，＋一ｘ— ０ｘ）ｏｎＯｙＯＬ，１／（１）三一））９，＝２，－（ｙ）（ｘ，一Ｏ１）（）ｙｔｔａ＋￣－）Ｌ＋，），
２２＊个种子点，每个种子点８方向，共可生产３个数个２
二、算法实现和实验结果
实验算法采用Ｖ２０开发。结果如下：Ｃ０８第一组实验，上图是由下图放大而来，且 ±
光照强度。两幅图中
的箭头方向代表了该像素点的梯度方向，
ＬｘＹｏ＝ＧｘＹ）（，）（）（，，）（，，ｏＩｘ２
ＳＦ特征匹配算法是ＤａｉＬｗｅ０４ＩＴｖｄＧ．ｏ在２０年总结了
现有的基于不变量特征检测技术的基础上，提出的一种
基于尺度空间的，对图像缩放、旋转甚至仿射变换保持
不变性的图像局部特征描述算法。ＳＦ特征是图像局ＩＴ
骤：１特征点的检测；２特征向量的生成；３特征向．是．．
量的匹配。
尺度对应于图像的概貌特征，小尺度对应于图像的细节
特征。选择合适的尺度因子平滑是建立尺度空间的关键。在这里，主要是建立高斯金字塔和ＤＧ（ｉｅｅｃＯＤｆｒｎｅ
１．．

Matlab中的图像拼接方法与示例分析

Matlab中的图像拼接方法与示例分析图像拼接是数字图像处理领域中的重要任务，它能够将多张局部图像合并为一张完整的图像。

Matlab作为一种强大的工具，提供了多种图像拼接方法，本文将介绍其中常用的方法，并通过具体的示例分析其优劣和适用场景。

一、基于特征点匹配的图像拼接方法特征点匹配是一种常用且有效的图像拼接方法，它通过在图像中提取出稳定且唯一的特征点，然后根据这些特征点之间的相对位置关系进行图像的拼接。

在Matlab中，可以使用SIFT（尺度不变特征变换）算法来提取图像的特征点，然后使用RANSAC（随机一致性采样）算法对特征点进行匹配，并通过Harris角点检测算法来筛选出最佳的匹配点。

示例：将两张风景照片拼接成一张全景照片。

首先，使用SIFT算法提取两张照片的特征点，然后使用RANSAC算法对特征点进行匹配。

接着，通过Harris角点检测算法筛选出最佳的匹配点，并根据匹配点计算出图像间的转换矩阵。

最后，使用Matlab中的imwarp函数对图像进行变换，并使用imfuse函数将两张图像拼接在一起，得到最终的全景照片。

二、基于图像重叠区域的无缝拼接方法无缝拼接是指在图像拼接过程中，将多张图像合成为一张时，保持图像之间的连续性和平滑性，使得拼接后的图像看起来像是一张完整的图像。

在Matlab中，可以使用图像重叠区域的像素平均值或像素加权平均值来实现无缝拼接。

这种方法能够减少拼接过程中产生的明显拼接痕迹，使得拼接后的图像具有更好的视觉效果。

示例：将多张卫星图像拼接成一张地图。

首先，读入多张卫星图像，并确定它们之间的重叠区域。

然后，通过像素平均值或像素加权平均值来实现无缝拼接。

最后，使用Matlab中的imshow函数显示拼接后的地图图像。

三、基于图像内容的自动拼接方法自动拼接方法是指针对无法通过特征点匹配或像素平均值等方式进行拼接的图像，通过分析图像内容来实现图像的自动拼接。

在Matlab中，可以使用深度学习模型（如卷积神经网络）来对图像进行内容分析和特征提取，并根据提取的特征对图像进行拼接。

图像匹配算法的研究进展

图像匹配算法的研究进展一、本文概述随着信息技术的飞速发展，图像匹配算法在诸多领域，如人脸识别、物体追踪、自动驾驶、医学影像分析以及遥感图像处理等，都发挥着越来越重要的作用。

图像匹配算法的核心在于通过一定的算法和策略，从大量图像中快速准确地找到目标图像，或者从同一场景的不同图像中找出相似或相同的部分。

本文旨在探讨图像匹配算法的研究进展，包括经典的算法、新兴的算法以及它们在不同领域的应用。

我们将回顾传统的图像匹配算法，如基于特征的方法、基于灰度的方法等，分析它们的优缺点以及适用场景。

然后，我们将重点介绍近年来兴起的深度学习在图像匹配领域的应用，包括卷积神经网络（CNN）、孪生网络（Siamese Network）等，以及它们在提高匹配精度和效率方面的突出表现。

我们还将讨论图像匹配算法在实际应用中面临的挑战，如光照变化、视角变化、遮挡等问题，以及针对这些问题的解决方案。

我们将展望图像匹配算法的未来发展趋势，包括算法性能的进一步提升、多模态图像匹配的研究、以及在大规模图像数据库中的应用等。

通过本文的综述，我们希望能够为读者提供一个全面而深入的图像匹配算法研究进展的概览，同时也为相关领域的研究人员提供有益的参考和启示。

二、图像匹配算法的基本原理图像匹配算法是计算机视觉领域的一个核心问题，它旨在从大量图像中找出具有相似性或相关性的图像。

这些算法的基本原理主要基于特征提取和相似性度量两个方面。

特征提取是图像匹配算法的首要步骤。

在这一过程中，算法会从图像中提取出关键信息，这些信息通常是对图像内容的抽象描述，如边缘、角点、纹理、颜色分布等。

这些特征的选择对后续的匹配效果至关重要，因为它们需要既能代表图像的主要内容，又具有一定的鲁棒性，能够在不同的光照、视角、尺度等条件下保持一致。

相似性度量是图像匹配算法的另一关键步骤。

在提取了特征之后，算法需要一种方法来量化两个图像之间的相似性。

常见的相似性度量方法包括欧氏距离、余弦相似度、汉明距离等。

基于特征相关的图像配准与拼接算法研究

・
８８・
科
韩禹王港
（河北工业大学控制科学与工程学院，天津３００１３０）摘要：图像拼接技术现在应用的范围已经愈加广泛，无论在计算机视觉，三维重建，医学图像处理，全景建设等领域都得到了广泛应用。作为图像处理领域的一门科学，已经受到越来越多的重视。本文对图像拼接的基本原理进行说明介绍，同时介绍一些基本的拼接算法，主要是基于特征点的研究。并且对图像拼接未来的发展进行一个展望。关键词：图像拼接；图像配准；图像融合１图像预处理
法 — — 几何校正。出现畸变后，我们需要校正。几何校正的一般思路是以一幅没
有失真的图像为准，对它的各个像素点进行分析，建立一个模型。然后对失真图像的像素点的数据信息和标准的图像进行比较，找出两者之间的关系，然后进行校正。我们最终目的是为了找到校正后图像中每个像素的亮度值。具体操作为： ①对图像像素进行坐标变换，找到一种数学关系，建立图像像素点坐标和参考图对应点坐标间的图１得到的角点提取图像关系，根据这一数学关系校正所选的图像各个控制点的坐标，即在提取角点之后，下一步是将这些角点进行匹配，找到相似的点。图像的行上逐点计算出校正后每个控制点所对应的原始图像的位我们使用ＮＣＣ最大相关法的算法来完成。置。 ② 计算灰度内插用ｘ，ｙ）表示几何基准图像的坐标系，用ｇ（ｘ ’ ，３图像融合在完成预处理和配准的准备工作之后，将要融合图像。通过前Ｙ ’ ）表示校正后的图像坐标系，设两个图像坐标系之间关系如下：ｙｈ２（ｘ，ｙ）面对图像的预处理以及配准，两张图片重合的部分可以匹配的特征以及相关的信息都已获取，下面就是要将两张图的重合部分融合，ｈｉ（ｘ，ｙ）＝ ∑ ∑ａｉｊｘｉｙ￣变为一张图片。这张新的图片将集合两张图共有的场景，并且具有较高的清晰度。为此，我们需要合适正确的算法。下面介绍两种常用的图像融合方法。ｈ（ｘ＇ｙ）＝ ∑ ∑ｂｉｊｘｌｙ￣３．１加权平均法。加权平均法是对重合区域的像素值进行加如果假设基准图像为ｆ（ｘ，ｙ），失真图像为ｇ（ｘ ’ ，Ｙ ’ ）对于同一控权，之后进行叠加平均。这种方法和平均值法比较接近。制点它的灰度不变，则有如下关系ｆ（ｘ，ｙ）＝ｇ（ｘ ’ ，Ｙ ’ ） Ⅲ 。３．２欧氏距离法。由于一幅图像中的每个像素的权重不同，它２图像配准与到图像边沿的距离成正比，离重叠区域越近，像素点的光强贡献经过预处理之后，图像可以开始进行配准。每张图片都有其与应该越大。因此，欧氏距离法就是要计算出距离，来辨别出不同的像众不同的特征，正确选取特征是完成好此项工作的前提。选择特征素点，将不同的权重分配给各个像素。融合算法中计算距离映射ｄ要遵循明显，易于操作的特征。因此，我们要选择的特征就是角点，（Ｘ，Ｙ），利用块距离和欧式距离，计算到最近的透明点或边的距离。角点是指图像中明显不同的两种图案交界处的点，角点的周围有明融合变形图像的公式为：显变化和差异的特征。角点是指沿图像边缘曲线上的曲率局部极大值点，或者在一定条件下可以放宽为曲率大于一定阈值的点。也就ｃｃｘ，ｙ）＿是说，角点是指图像上在二维空间内灰度和边缘方向变化剧烈的４图像拼接缝的消除点，和周围的邻点有着明显差异。如图１，水杯，水笔，键盘，桌面之但由于各种原因及客观条件的限制，在某些情况下，当拍摄照间的交界处都是角点。本文所说的角点主要指Ｈａｒｒｉｓ角点，下面对明的环境条件不好的下，两幅图像的一些属性会发生改变，如果不Ｈａｒｒｉｓ算子的原理做一个简单的介绍，Ｈａｒｒｉｓ角点检测算法只涉及做理会而强行拼接的话，会使拼接位置上产生明显的拼接缝，甚至到图像的一阶导数，首先定义矩阵Ｍ：出现模糊失真的情况。这样的话我们很难说拼接获得了成功。因此

基于特征的点云配准方法

基于特征的点云配准方法1.引言1.1 概述点云配准是计算机视觉和机器人领域中一个重要的问题，它涉及到将多个点云数据集对齐到同一个坐标系下。

点云配准的目标是找到最优的刚体变换，使得不同点云之间的对应点能够对齐，从而进行后续的分析和处理。

在过去的几十年里，点云配准一直是一个受到广泛关注的研究热点。

它在三维重建、目标识别和机器人导航等领域具有广泛的应用。

然而，由于数据量大、噪声干扰和姿态变化等挑战，点云配准任务仍然具有一定的挑战性。

为了解决这个问题，研究者们提出了许多不同的点云配准方法。

其中基于特征的点云配准方法是一种常用的方法。

这种方法利用点云中的特征进行匹配和对齐，以实现点云的配准。

特征提取方法用于从点云中提取具有判别性和鲁棒性的特征描述子，而特征匹配方法则用于准确地匹配不同点云中的特征点。

本文将重点讨论基于特征的点云配准方法。

首先，我们将介绍一些常用的特征提取方法，包括描述子，这些描述子能够捕捉点云中的局部几何信息和表面特征。

然后，我们将讨论特征匹配方法，这些方法用于确定不同点云中对应的特征点。

接着，我们将介绍基于特征的点云配准方法，这些方法通过最小化特征点对之间的距离，来估计点云之间的刚体变换关系。

最后，我们将讨论点云配准的优化算法，用于进一步优化配准结果。

通过本文的研究，我们希望能够深入了解基于特征的点云配准方法在实践中的应用和挑战。

同时，我们也希望能够为点云配准算法的改进和发展提供一定的参考和借鉴。

点云配准作为一个重要的问题，它的研究和应用具有广阔的前景，有望为三维重建、机器人导航和虚拟现实等领域的发展做出重要贡献。

文章结构部分的内容如下所示：1.2 文章结构本文主要围绕基于特征的点云配准方法展开研究，通过以下几个方面进行论述和探讨。

第2节是正文的核心部分，首先介绍了特征提取方法，包括特征描述子和特征匹配。

在特征提取方法中，我们将重点介绍如何从点云数据中提取出能够描述点云特征的特征描述子，以及如何通过特征匹配来寻找匹配的特征点对。

基于SIFT图像特征匹配的多视角深度图配准算法

基于SIFT图像特征匹配的多视角深度图配准算法一、引言介绍多视角深度图配准算法的意义及研究现状，阐述SIFT图像特征匹配在图像配准中的重要性。

二、SIFT图像特征提取介绍SIFT算法的基本原理及其实现方式，包括尺度空间构建、关键点检测、局部特征描述等。

三、基于SIFT的多视角深度图配准介绍基于SIFT图像特征匹配的多视角深度图配准算法，包括图像对齐、深度图对齐、三维点云生成等步骤。

四、实验与结果分析通过实验证明算法的有效性和准确性，采用定量和定性分析的方式比较不同方法的优劣，并讨论其应用场景。

五、结论与展望总结全文工作，归纳出本文的贡献和不足，并展望未来相关研究方向及改进措施。

随着计算机视觉和深度学习技术的快速发展，多视角深度图配准成为了一个研究热点。

多视角深度图配准是指将来自不同视角的深度图或结构光扫描等信息融合在一起，生成三维模型或场景，以便进行三维重建、机器人导航、虚拟现实等应用。

在多视角深度图配准算法中，图像配准是其中一个非常重要的环节之一。

快速准确地对于多视角的深度图进行配准就可以产生高质量的三维场景。

目前，对于多视角深度图中的配准问题，已有许多相关研究和算法。

这些算法一般采用从应用程序中收集多个图像来进行拍摄的传统摄影的方法。

然而，在图像进行配准时存在许多困难，例如光照条件的变化、图像中存在重复的物体、不同视角的误差不同等。

因此，开发一种快速准确的图像配准算法仍然是一个具有挑战性的问题。

SIFT算法是一种基于图像特征的配准方法，常常被用来进行特征提取和匹配。

它通过对图像进行尺度空间分析，检测出关键点并生成其局部特征描述符，用于图像匹配和目标识别。

由于其对于尺度和旋转不变性以及对于干扰性和噪声的抵抗能力，SIFT算法被广泛应用于图像配准的领域。

其中，SIFT算法通过关键点的检测和局部描述符的生成，将图像从二维坐标空间转化到高维向量空间中，利用向量空间的距离度量法来计算两幅图像之间的相似度，从而获得图像的配准结果。

基于特征点的图像配准子系统的研究与实现

会被分别传送到水平差分ＦＦ和垂直差分ＩＯ
ＦＦＩＯ。这８块差分ＦＦ能存储４行的水平和垂直差分数ＩＯ
图１图像特征点邻域频谱比对
和 ’ 的对比
离散傅里叶变换（ｓｒｔＦｕｉｒｒｎｆｒＤＦ。后对两幅图像中特征点的傅里叶频谱进行对比，Ｄｉｅｅｏｒａｓｏｍ，Ｔ）然ｃｅＴ
选出频域特征最为相似的特征点对。其过程如图１示。所
故而本文选择匹配点对中距离最具相似性的４组特征点对作为图像粗匹配的结果。
注：ｓ成功；Ｆ失败＝＝
２４图像精确配准．
在得到粗匹配结果后，本算法应用粗匹配的结果，以一幅图像的匹配点为基准点，在另一幅图像的匹配点的邻域内寻找基准点的最佳匹配点，进行精确匹配。在精确匹配过程中，本算法
是特征点的坐标值。公式（）和公式（）是对Ｓ和 ’ 阵的ＤＦ２３矩Ｔ。
Ｓ，＝［）丁，ｅ “ “ （Ｖｓ（］了∑∑ （ｙ一ｕ），＝）
… ｘ＝０Ｙｕ
（）２
（）
ＳＩ
］
图像的角点。２２基于特征点邻域频谱比对的图像匹配算法．
在得到图像特征点后，本算法需要对图像的所有特征点进行筛选，以减小算法的计算量。基于对ＨＣ基本原理的研究，发现Ｒ值与图像特征点邻域的像素灰度变化率相关，若某点的Ｒ值很大，则Ｄ

基于改进的图像兴趣点特征提取匹配研究

ＺＮｉｇＤＮｉＬｎｊａ，ｕ—ｎｎＨＡＧＪ，ＯＧＷｅ，ＩｎＨｏｇ— ｕｎＵＵＸｉｇ
（ｈｉｈａｇＵｉｒｔ，Ｓ￣ａｈａｇＨｂｉ５０５Ｃｉ）Ｓｉａｕｎｎｅｓｙｈｉｕｎｅｅ００３，ｈｎｊｚｖｉｚａ
第９第期２卷２
文章编号：０６— ３８２１）２— ２８— ３１０９４（０２００８０
计
算Leabharlann 机仿真２２月０年２１
基于改进的图像兴趣点特征提取匹配研究
张静，伟，董李红娟，刘旭宁
（石家庄学院，河北石家庄００３）５０５摘要：研究图像兴趣点特征提取精确度优化问题。由于图像的复杂以及图像中噪声的干扰，得传统的图像兴趣点提取算使法难以提取出用户感兴趣的信息。为了解决上述问题，出了一种改进的图像兴趣点特征提取算法。首先利用群体的兴趣提点形成几何不变描述的图像区域，然后采用Ｈｕｈｏｇ变换方法对图像进行变换操作，使每次匹配都相当于局部的二维转变。仿真结果表明，提出的改进的算法能够有效提取出图像中有效信息，同时节约了算法的执行时间，了复杂度。降低关键词：特征提取；图像兴趣点；图像变换；拉普拉斯算子
ＡＢＳＴＲＡＣＴ：ｔｄｈｐｉｚｔｎｐｏｌｍｏｎｅｅｔｐｉｔｉｍａｅｅｔｒｘｒｃｉｎａｃｒｃ．ＢｃｕｅｔｅＳｕｙｔｅｏｔｍｉａｉｒｂｅｆｉｔｒｓｏｎｓｎｉｇｓｆａｕｅｅｔｔｃｕａｙｏａｏｅａｓｈｉｇｏｌｘｔｎｍａｅｎｉｓｔｓｄｆｃｌｆｒｔｅｔｄｔｎｌｅｔａｔｎａｇｒｈｏｎｅｅｔｏｎｍａｅｏｍａｅｃｍｐｅｉａｄｉｇｏｓ，ｉｉｉｉｕｔｏｈｒｉｏａｘｒｃｉｌｏｉｍｆｔｒｓｐｉｔｎｉｇｓｔｙｅａｉｏｔｉｉｅｔｃｔｅｕｅｎｅｅｔｄｉｆｒｔｎｎｏｄｒｔｏｖｈｂｖｒｂｅｘｒｔｈｓｒｉｔｒｓｅｎｏｍａｉ．Ｉｒｅｓｌｅｔｅａｏｅｐｏｌｍ，ｔｉｐｐｒｐｏｏｅｎｉｒｖｄｆａｕｅａｏｏｈｓａｅｒｐｓｄａｍｐｏｅｅｔｒｅｔａｔｎａｇｒｔｍｏｇｎｅｅｔｐｉｔ．Ｆｒｔｘｒｃｉｌｏｈｆｍａｅｉｔｒｓｏｎｓｉｌｈｏｎｓｏｎｅｅｔｇｏｐｏｆｒｔｅｉｇｒａｉｅ－ｏｉｉｓｙ，ｔｅｐｉｔｆｉｔｒｓｒｕｓｔｏｍｈｍａｅａｅｓｗｔｇｏｈｍｅｒｎａｉｎｅｃｐｉｎｔｃｉｖｒｔｄｓｒｔ．ＴｅｈｕｈｔａｓｏｔｏｆｉｇａｓｒｓｕｅｉａｉｏｈｎｔｅＨｏｇｒｎｆｒｍｅｈｄｏｍｍａｅｔｎｆｍｗａｓｄ，ＳｈｔｅｃｔｈｗｓｒｏＯｔａａｈｍａｃａｅｕｖｌｎｏｔｅｌｃＤｔｎｆｒａｉｎｈｉｌｔｎｒｓｌｈｗｔａ，ｈｍｐｏｅｏｔｍａｆｃｉｅｙｅ — ｑｉａｅｔｔａ２ａｓｏｈｏｌｒｍｔ．ＴｅｓｍｕａｉｅｕｔｓｏｔｔｅｉｒｖｄＭｇｒｈｃｎｅｆｔｌｘｏｏｓｈｉｅｖｔｃｅｉｇｎｏａｉｎ，ｓｖｈｘｃｔｎｔ，ａｄｒｄｃｈｏｌｘｔ．ｒｔｈｍａｅｉｆｒｔａｔｍｏａｅｔｅｅｅｕｉｉｏｍｅｎｅｕｅｔｅｃｍｐｅｉｙＫＥＹＷＯＲＤＳ：ｅｔｒｘｒｃｉｎ；ｍａｅｐｉｔｏｎｅｅｔＩｇｅｔａｓｒａｉｎ；ａｌｃａＦａｕｅｅｔｔａｏＩｇｏｎｓｆｉｔｒｓ；ｍａｎｆｍｔｒｏｏＬｐａｉｎ

基于特征点匹配的拼接算法研究与实现

ＨＥＫｕｎ，ＺＨＡＮＧｅｇｃｕＦｎ — ｈｎ，ＭＥＮＧａｇｌｉＳＸｉｎ —ｅ，ＯＮＧａ — ｉＺｈｎｗｅ
（ｏｅｅｏｌｃｏｉＳｉｃｎｎｉｅｒｇｉｎＵｉｒｔ，Ｃａｇｈｎ１０１ＣｉａＣｌｇｆｅｔｎｃｃｅｅａｄＥｇｅｎ，Ｊｉｎｖｓｙｈｎｃｕ３０２，ｈｎ）ｌＥｒｎｎｉｌｅｉ
Ｍａ．０ｌｔ２１
文章编号：６１５９（０１０－１４０１７－８６２１）２０６－５
基于特征点匹配的拼接算法研究与实现
贺琨，张凤春，孟祥磊，宋占伟
（林大学电子科学与工程学院，长春１０１）吉３０２
第２９卷
第２期
吉林大学学报（息科学版）信
ＪｕｎｌｆｉｎＵｉｒｔＩｆｍａｏｃｎｅＥｉｏ）ｏｒａｏｌｎｅｓｙ（ｎｏｔｎＳｉｃｄｔｎＪｉｖｉｒｉｅｉ
Ｖｏ．Ｎｏ２１２９．
２１０１年３月
Ａｂｔａｔｎｏｄｒｔｏｖｈｒｂｅｏｏｆｅｔｉｍａｅｓｉｈｎａｓｄｂｈｏａｉｎｓｒｃ：Ｉｒｅｏｓｌｅｔｅｐｏｌｍｆｐｏｒｅｆｃｎｉｇｔｃｉｇｃｕｅｙｔｅｒｔｔｏｔ
ｓｅｉｓｅｏｅｈｄ．Ｔｈｘｅｍｅｔｒｓｌｈｗｈｔｔｅａｇｒｔｍｍｐｏｅｈｐｅｎｃｕａｙｏ－ｔｐ－ｎ－ｔｐ—ｕｔｍｔｏｅｅｐｒｉｎｅｕｔｓｏｔａｈｌｏｈｉｒｖｓｔｅｓｅｄａｄａｃｒｃｆｉｓｉｍ