專利名稱：基于特征點鄰域偽Zernike矩的圖像拼接方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于特征點鄰域偽Zernike矩的圖像拼接方法，該方法能有效地實現(xiàn)具有平移，旋轉(zhuǎn)，縮放等兒何變換關(guān)系的圖像配準(zhǔn)和拼接，可用于虛擬現(xiàn)實、醫(yī)學(xué)圖像處理、遙感技術(shù)等多個領(lǐng)域的圖像配準(zhǔn)和拼接。

背景技術(shù)：
圖像拼接技術(shù)一直是計算機(jī)視覺、圖像處理和計算機(jī)圖形學(xué)的熱點研究方向。它可以用來建立大視角的高分辨率圖像，在虛擬現(xiàn)實領(lǐng)域、醫(yī)學(xué)圖像處理領(lǐng)域、遙感技術(shù)領(lǐng)域和軍事領(lǐng)域中均有廣泛的應(yīng)用。圖像拼接就是將針對同一場景的相互有部分重疊的一系列圖片拼接成大幅的、寬視角的、與原始圖像接近且失真小、沒有明顯的縫合線的高分辨率圖像。圖像拼接作為這些年來圖像研究方面的重點之一，國內(nèi)外研究人員也提出了很多拼接算法。圖像拼接的質(zhì)量，主要依賴圖像的配準(zhǔn)精度，因此圖像的配準(zhǔn)是拼接算法的核心和關(guān)鍵。根據(jù)圖像匹配方法的不同，一般可以將圖像拼接方法分為以下兩個類型 (1)基于區(qū)域相關(guān)的拼接方法 這是最為傳統(tǒng)和普遍的算法?；趨^(qū)域的配準(zhǔn)方法是從待拼接圖像的灰度值出發(fā)，對待拼接圖像中的一塊區(qū)域與參考圖像中的相同尺寸的區(qū)域使用最小二乘法或者其它數(shù)學(xué)方法計算其灰度值的差異，對此差異比較后來判斷待拼接圖像重疊區(qū)域與參考圖像區(qū)域的相似程度，由此得到待拼接圖像重疊區(qū)域的范圍和位置，從而實現(xiàn)圖像拼接。也可以通過FFT變換將圖像由時域變換到頻域，然后再進(jìn)行配準(zhǔn)。
當(dāng)以兩塊區(qū)域象素點灰度值的差別作為判別標(biāo)準(zhǔn)時，最簡單的一種方法是直接把各點灰度的差值累計起來。這種方法效果不是很好，常常由于亮度、對比度的變化及其它原因?qū)е缕唇邮　Ａ硪环N方法是計算兩塊區(qū)域的對應(yīng)象素點灰度值的相關(guān)系數(shù)，相關(guān)系數(shù)越大，則兩塊圖像的匹配程度越高。該方法的拼接效果有所提高，但是當(dāng)圖像存在縮放和旋轉(zhuǎn)時往往會由于匹配區(qū)域的旋轉(zhuǎn)和縮放使得匹配待拼接圖像的匹配區(qū)域與參考圖像對應(yīng)的匹配區(qū)域的內(nèi)容發(fā)生較大的改變而導(dǎo)致匹配的失敗?；贔FT的頻域方法因為使用整幅圖像作為區(qū)域來進(jìn)行匹配，對圖像的重疊比例要求比較高。
(2)基于特征的拼接算法 基于特征的配準(zhǔn)方法不是直接利用圖像的象素值，而是通過象素導(dǎo)出圖像的特征，然后以圖像特征為標(biāo)準(zhǔn)，對圖像重疊部分的對應(yīng)特征區(qū)域進(jìn)行搜索匹配，該類算法有比較好的健壯性和魯棒性。
基于特征的配準(zhǔn)方法有兩個過程特征提取和特征匹配。首先從兩幅圖像中提取灰度變化明顯的點、線、區(qū)域等特征形成特征集合。然后在兩幅圖像對應(yīng)的特征集合中利用特征匹配算法盡可能地將存在對應(yīng)關(guān)系的特征對提取出來。目前廣泛被使用的特征點提取算法中主要的一類是角點，角點檢測算法最常見的有Moravec角點檢測算法，SUSAN角點檢測算法和Harris角點檢測算法。本文所述的特征點均為Harris角點。
基于特征的圖像配準(zhǔn)算法優(yōu)點主要體現(xiàn)在三個方面 ●圖像的特征點比圖像的象素點要少很多，因此大大減少了匹配過程的計算量； ●特征點的匹配度量值對位置的變化比較敏感，可以大大提高匹配的精確程度； ●特征點的提取過程可以減少噪聲的影響，對灰度變換、圖像變形以及遮擋都有較好的適應(yīng)能力。


發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出一種基于特征點鄰域偽Zernike矩的圖像拼接方法，以實現(xiàn)具有旋轉(zhuǎn)、平移、縮放以及噪聲干擾等因素的圖像拼接。
本發(fā)明的目的是這樣實現(xiàn)的 本發(fā)明充分利用基于特征的圖像配準(zhǔn)方法，其技術(shù)方案是將圖像統(tǒng)計信息(偽Zernike矩)與圖像的特征點相結(jié)合，利用Harris角檢測器提取出參考圖像與待拼接圖像的興趣點，然后計算興趣點鄰域窗口的偽Zernike矩作為該特征區(qū)域的描述符，并通過比較各個特征區(qū)域描述符特征向量的歐氏距離來實現(xiàn)特征點的匹配，最后通過RANSAC(RANdomSample Consensus)算法剔除不正確的匹配點對，并計算出正確的匹配關(guān)系以實現(xiàn)圖像的拼接。
所述的圖像拼接方法包括如下步驟 (1)利用Harris角點檢測方法對參考圖像和待拼接圖像提取特征點，分別記作p＝{p1，p2，p3，…，pm}和p′＝{p′1，p′2，p′3，…，p′n}，以特征點為中心取矩形的區(qū)域作為該特征點的特征區(qū)域； (2)在所有的特征區(qū)域中，分別計算該區(qū)域的偽Zernike矩，并將生成的特征向量作為該特征點的描述符； (3)通過比較興趣點之間特征向量S的歐氏距離可以得到兩幅圖像興趣點之間的對應(yīng)關(guān)系。即對于參考圖像中的每一個興趣點Sp，分別計算該點的特征向量與待拼接圖像中每一個興趣點特征向量的歐氏距離，距離越小則說明兩點之間的特征向量越相似，取距離最小的點作為參考圖像中點Sp在待拼接圖像中的匹配點，記作S′p； (4)通過上述第三步，可以計算出參考圖像中每一個興趣點在待拼接圖像中的匹配點，當(dāng)然這樣的匹配對中會包含部分偽匹配對，應(yīng)用RANSAC算法估計出這些匹配點對的幾何變換模型T，同時剔除偽匹配對； 其中s是尺度變換參數(shù)，θ是旋轉(zhuǎn)的角度，tx，ty分別是x方向和y方向上的平移量。
(5)將待拼接圖像按照幾何變換模型T變換到參考圖像的坐標(biāo)系上； x＝Tx′ 其中x′是待拼接圖像的原始坐標(biāo)向量，T是幾何變換矩陣，x是變換到參考圖像坐標(biāo)系上后的新的坐標(biāo)向量 (6)使用加權(quán)平均法將兩幅圖像的重疊區(qū)域進(jìn)行圖像融合，實現(xiàn)拼接圖像中重疊區(qū)域的平滑過渡。
其中d1，d2表示權(quán)重值，與重疊區(qū)域的寬度有關(guān)，并且d1+d2＝1，0≤d1，d2≤1。在重疊區(qū)域中d1由1漸變至0，d2由0漸變至1，由此實現(xiàn)在重疊區(qū)域中由f1平滑過渡到f2。f1，f2是兩幅待拼接的圖像，f是融合后的圖像。
上述圖像拼接方法，(1)中所述的以每一個特征點為中心取矩形的區(qū)域作為該特征點的特征區(qū)域，按如下步驟進(jìn)行 1)利用Harris角點檢測方法提取原始圖像的特征點，記為特征點集合p和p′； 2)分別以特征點集合p和p′中的每一個特征點為中心，取邊長為L的矩形區(qū)域作為該特征點的特征區(qū)域； 上述圖像拼接方法，(2)中所述的在所有的矩形區(qū)域中，分別計算該區(qū)域的偽Zernike矩時，選圖像的興趣點為極坐標(biāo)的原點，將單位圓內(nèi)的像素映射為極坐標(biāo)，單位圓外的像素在計算時不予考慮。并為了提高匹配的精度和速度，需要對計算出來的偽Zernike矩進(jìn)行優(yōu)化選擇，按如下原則進(jìn)行 1)當(dāng)矩的階數(shù)高于某一個值Nmax時，計算量大且計算不再準(zhǔn)確，實驗中取10階。
2)重復(fù)度為m＝4i(i＝0，1，2，...)的矩計算是不準(zhǔn)確的，應(yīng)當(dāng)去除。而由于矩的共扼對稱性，剩下的矩只有一半是獨立的。記選取的矩集合為S(即特征向量)，那么S＝{Anm，n≤Nmax，m≥0，m≠4i}。
上述圖像拼接方法，(3)中所述的以特征向量的歐氏距離衡量兩個特征向量的相似程度時，按如下公式計算 其中Zi(i＝1，2，3，...，Nmax)，Z′i(＝1，2，3，...，Nmax)分別表示兩個特征點的特征向量，為了增加匹配的魯棒性，需要設(shè)置一定的閾值，當(dāng)兩個特征向量最小距離都大于該閾值時認(rèn)為參考圖像中的興趣點在待拼接圖像中找不到與他匹配的點，應(yīng)該剔除該點。
上述圖像拼接方法，(4)中所述的幾何變換模型T，這里采用4參數(shù)的仿射矩陣作為圖像之間的變換模型。
本發(fā)明具有如下效果 (1)由于采用圖像的局部特征區(qū)域進(jìn)行特征匹配，可以減少匹配的計算量。
(2)由于特征點的匹配度量值對位置的變化比較敏感，可以大大提高匹配的精確程度。
(3)由于特征點的提取過程可以減少噪聲的影響，對灰度變換、圖像變形以及遮擋都有較好的適應(yīng)能力。
(4)由于采用在圖像的局部特征區(qū)域中以偽Zernike矩作為該特征點的描述符，并且在計算該區(qū)域的偽Zernike矩時，選圖像的興趣點為極坐標(biāo)的原點，將單位圓內(nèi)的像素映射為極坐標(biāo)，單位圓外的像素在計算時不予考慮。這樣克服了由于圖像的旋轉(zhuǎn)、尺度變換所引起的矩形特征區(qū)域內(nèi)容的變化，提高了匹配的精度。
(5)由于采用偽Zernike矩作為特征點的描述符，偽Zernike矩的幅度具有旋轉(zhuǎn)不變的性質(zhì)，使得該描述符具有旋轉(zhuǎn)不變的性質(zhì)。不管參考圖像和待拼接圖像具有多少角度的旋轉(zhuǎn)關(guān)系，描述符依然有很高的準(zhǔn)確性，提高了匹配的精度。
(6)由于采用偽Zernike矩作為特征點的描述符，偽Zernike矩具有很好的抗噪聲性能，使得該描述符對于噪聲具有很好的魯棒性，提高了匹配的抗噪聲性能。



圖1為本發(fā)明算法的技術(shù)流程框圖。
圖2為試驗圖像，其中2(a)為參考圖像，2(b)為待拼接圖像。
圖3為提取興趣點圖像，其中3(a)為參考圖像的興趣點提取，3(b)為待拼接圖像的興趣點提取。
圖4為特征匹配得到的匹配點對圖像。
圖5為應(yīng)用RANSAC方法剔除偽匹配對后所保留的正確匹配點圖像。
圖6參考圖像和待拼接圖像拼接后的圖像。
圖7為經(jīng)過平滑過渡的拼接圖像。

具體實施例方式 以下參照附圖對本發(fā)明作進(jìn)一步詳細(xì)的描述。
本發(fā)明的圖像拼接方法步驟如下 第一步提取興趣點。
對參考圖像圖2(a)和待拼接圖像圖2(b)，利用Harris角點檢測方法提取特征點，初始提取的特征點如圖3(a)和3(b)所示。對一幅圖像I(x，y)，Harris特征點的提取步驟具體如下 (1)利用下式計算梯度圖像 其中

表示卷積，X表示水平方向的梯度圖像，Y表示垂直方向的梯度圖像。
(2)構(gòu)造自相關(guān)矩陣 令 其中w＝exp(-(X2+y2)/2σ2)為高斯平滑窗函數(shù)。
則自相關(guān)矩陣 (3)提取特征點 令 則Harris特征點響應(yīng)值為 RH＝Det(M)-k·Trace2(M) 其中，常數(shù)k通常取0.04-0.06之間。將RH與一個閾值進(jìn)行比較，大于該閾值則認(rèn)定為是特征點，該閾值根據(jù)所要檢測的特征點數(shù)目設(shè)置，一般大于等于1000。
第二步計算特征區(qū)域的偽Zernike矩，并作為該特征點描述符 1)偽Zernike矩的計算 圖像的偽Zernike矩是將圖像映射到一組基函數(shù)上得到的，稱為偽Zernike矩的基，記為{Vnm(x，y)}。這組基構(gòu)成了單位圓(x2+y2≤1)內(nèi)的一組完備正交集，其定義如下 Vnm(x，y)＝Vnm(ρ，θ)＝Rnm(ρ)exp(jmθ) 其中n為非負(fù)整數(shù)，m為整數(shù)，兩者滿足|m|≤n。ρ、θ分別為極坐標(biāo)下像素的半徑和角度。Rnm(ρ)為徑向多項式(Radial polynomial)，定義如下 這些多項式相互正交，滿足如下關(guān)系 其中， 連續(xù)圖像f(x，y)，(n，m)階偽Zernike矩定義 對于數(shù)字圖像，在極坐標(biāo)下，上式變?yōu)? 計算圖像的偽Zernike矩時，選圖像的興趣點為極坐標(biāo)的原點，將單位圓內(nèi)的像素映射為極坐標(biāo)，單位圓外的像素在計算時不予考慮。
2)偽Zernike矩的性質(zhì) 偽Zernike矩的幅度具有旋轉(zhuǎn)不變的性質(zhì)。設(shè)在極坐標(biāo)下原始圖像為f(ρ，θ)，則其旋轉(zhuǎn)α角度后的圖像fr(ρ，θ)的偽Zernike矩Anmr與原始圖像的偽Zernike矩Anm關(guān)系為 于是，因此，偽Zernike矩的幅度具有旋轉(zhuǎn)不變性。
3)偽Zernike矩的選擇 數(shù)字圖像的像素離散性質(zhì)使得偽Zernike矩的計算產(chǎn)生誤差，不同階矩的計算精確度不同。因此，必須對矩進(jìn)行優(yōu)化選擇。選擇矩時主要考慮兩點a)當(dāng)矩的階數(shù)高于某一個值Nmax時，計算量大且計算不再準(zhǔn)確，實驗中取10階；b)重復(fù)度為m＝4i(i＝0，1，2，...)的矩計算是不準(zhǔn)確的，應(yīng)當(dāng)去除。而由于矩的共扼對稱性，剩下的矩只有一半是獨立的。記選取的矩集合為S，即S＝{Anm，n≤Nmax，m≥0，m≠4i}。
第三步提取初始特征點匹配對。
通過比較興趣點之間特征向量S的歐氏距離可以得到兩幅圖像興趣點之間的對應(yīng)關(guān)系。即對于參考圖像中的每一個興趣點Sp，分別計算該點的特征向量與待拼接圖像中每一個興趣點特征向量的歐氏距離，距離越小則說明兩點之間的特征向量越相似，取距離最小的點作為參考圖像中點Sp在待拼接圖像中的匹配點，記作S′p。參見圖4。
衡量兩個特征向量的相似程度時，按如下公式計算 其中Zi(i＝1，2，3，...，Nmax)，Z′i(i＝1，2，3，...，Nmax)分別表示兩個特征點的特征向量為了增加匹配的魯棒性，需要設(shè)置一定的閾值，當(dāng)兩個特征向量最小距離都大于該閾值時認(rèn)為參考圖像中的興趣點在待拼接圖像中找不到與他匹配的點，應(yīng)該剔除該點。
第四步圖像幾何變換模型的估計。
從上一步驟中得到的匹配點對中必然有誤匹配點對，它們被稱為“外點”(圖5中綠色的點)，相對應(yīng)而言，“內(nèi)點”(圖5中紅色的十字)是真正對應(yīng)于場景中同一點的正確的特征點匹配對。外點的存在對圖像變換矩陣參數(shù)求取有很大的負(fù)面影響，需要剔除外點(參見圖5)。
RANSAC(Random Sample Consensus)是應(yīng)用最廣泛的外點剔除算法，該算法通過不斷在所有特征點對中抽取固定采樣點計算模型，統(tǒng)計符合模型的內(nèi)點，獲取最多內(nèi)點的模型為圖像變換模型，同時剔除了外點，保留了內(nèi)點。當(dāng)抽取次數(shù)足夠多時，能夠以較大概率保證模型和內(nèi)點的準(zhǔn)確性。大致步驟如下 1)在全部M個匹配點對中隨機(jī)選擇N個匹配點對作為采樣樣本； 2)通過N個匹配點對估計圖像變換矩陣T的參數(shù)x； 3)計算全部M個匹配點對中符合變換參數(shù)x的子集中的樣本數(shù)量K； 4)如果K足夠大，則結(jié)束計算，當(dāng)前參數(shù)x為變換矩陣參數(shù)； 5)如果K不滿足條件，重復(fù)步驟1)～4)，一共重復(fù)L此； 第五步圖像變換。
將待拼接圖像按照幾何變換模型T變換到參考圖像的坐標(biāo)系上。
x＝Tx′ 其中x′是待拼接圖像的原始坐標(biāo)向量，T是幾何變換矩陣，x是變換到參考圖像坐標(biāo)系上后的新的坐標(biāo)向量(參見圖6，可以看到拼接圖像上有明顯的接縫)。
第六步圖像融合。
使用加權(quán)平均法將兩幅圖像的重疊區(qū)域進(jìn)行圖像融合，實現(xiàn)拼接圖像中重疊區(qū)域的平滑過渡。
其中d1，d2表示權(quán)重值，與重疊區(qū)域的寬度有關(guān)，并且d1+d2＝1，0≤d1，d2≤1。在重疊區(qū)域中d1由1漸變至0，d2由0漸變至1，由此實現(xiàn)在重疊區(qū)域中由f1平滑過渡到f2。f1，f2是兩幅待拼接的圖像，f是融合后的圖像(參見圖7，接縫已經(jīng)被消除)。
權(quán)利要求
1.一種基于特征點鄰域偽Zernike矩的圖像拼接方法，包括如下步驟
(1)利用Harris角點檢測方法對參考圖像和待拼接圖像提取特征點，分別記作p＝{p1，p2，p3，…，pm}和p′＝{p′1，p′2，p′3，…，p′n}，以特征點為中心取矩形的區(qū)域作為該特征點的特征區(qū)域；
(2)在所有的特征區(qū)域中，分別計算該區(qū)域的偽Zernike矩，并將生成的特征向量作為該特征點的描述符；
(3)通過比較興趣點之間特征向量S的歐氏距離可以得到兩幅圖像興趣點之間的對應(yīng)關(guān)系。即對于參考圖像中的每一個興趣點Sp，分別計算該點的特征向量與待拼接圖像中每一個興趣點特征向量的歐氏距離，距離越小則說明兩點之間的特征向量越相似，取距離最小的點作為參考圖像中點Sp在待拼接圖像中的匹配點，記作S′p；
(4)通過上述第三步，可以計算出參考圖像中每一個興趣點在待拼接圖像中的匹配點，當(dāng)然這樣的匹配對中會包含部分偽匹配對，應(yīng)用RANSAC算法估計出這些匹配點對的幾何變換模型T，同時剔除偽匹配對；
其中s是尺度變換參數(shù)，θ是旋轉(zhuǎn)的角度，tx，ty分別是x方向和y方向上的平移量。
(5)將待拼接圖像按照幾何變換模型T變換到參考圖像的坐標(biāo)系上；
x＝Tx′
其中x′是待拼接圖像的原始坐標(biāo)向量，T是幾何變換矩陣，x是變換到參考圖像坐標(biāo)系上后的新的坐標(biāo)向量
(6)使用加權(quán)平均法將兩幅圖像的重疊區(qū)域進(jìn)行圖像融合，實現(xiàn)拼接圖像中重疊區(qū)域的平滑過渡，
其中d1，d2表示權(quán)重值，與重疊區(qū)域的寬度有關(guān)，并且d1+d2＝1，0≤d1，d2≤1。在重疊區(qū)域中d1由1漸變至0，d2由0漸變至1，由此實現(xiàn)在重疊區(qū)域中由f1平滑過渡到f2，f1，f2是兩幅待拼接的圖像，f是融合后的圖像。d1和d2的計算如下假設(shè)當(dāng)前像素的橫坐標(biāo)為xi，重疊區(qū)域左右邊界的橫坐標(biāo)分別為xl和xr，那么
2.根據(jù)權(quán)利要求1所述的基于特征點鄰域偽Zernike矩的圖像拼接方法，其特征在于1.(1)中所述的以每一個特征點為中心取矩形的區(qū)域作為該特征點的特征區(qū)域，按如下步驟進(jìn)行
(a)利用Harris角點檢測方法提取原始圖像的特征點，記為特征點集合p和p′；
(b)分別以特征點集合p和p′中的每一個特征點為中心，取邊長為L的特征區(qū)域作為該特征點的特征區(qū)域。
3.根據(jù)權(quán)利要求1所述的基于特征點鄰域偽Zernike矩的圖像拼接方法，其特征在于1.(2)中所述的在所有的特征區(qū)域中，分別計算該區(qū)域的偽Zernike矩時，選圖像的興趣點為極坐標(biāo)的原點，將單位圓內(nèi)的像素映射為極坐標(biāo)，單位圓外的像素在計算時不予考慮。并為了提高匹配的精度和速度，需要對計算出來的偽Zernike矩進(jìn)行優(yōu)化選擇，按如下原則進(jìn)行
(a)當(dāng)矩的階數(shù)高于某一個值Nmax時，計算量大且計算不再準(zhǔn)確，實驗中取10階。
(b)重復(fù)度為4的整數(shù)倍(即m＝4i(i＝0，1，2，...))的矩計算是不準(zhǔn)確的，應(yīng)當(dāng)去除。而由于矩的共扼對稱性，剩下的矩只有一半是獨立的。記選取的矩集合為S(即特征向量)，那么S＝{Anm，n≤Nmax，m≥0，m≠4i}。
4.根據(jù)權(quán)利要求1所述的基于特征點鄰域偽Zernike矩的圖像拼接方法，其特征在于1.(3)中所述的以特征向量的歐氏距離衡量兩個特征向量的相似程度時，按如下公式計算
其中Zi(i＝1，2，3，...，Nmax)，Z′i(i＝1，2，3，...，Nmax)分別表示兩個特征點的特征向量，為了增加匹配的魯棒性，需要設(shè)置一定的閾值，當(dāng)兩個特征向量最小距離都大于該閾值時認(rèn)為參考圖像中的興趣點在待拼接圖像中找不到與他匹配的點，應(yīng)該剔除該點。
5、根據(jù)權(quán)利要求1所述的基于特征點鄰域偽Zernike矩的圖像拼接方法，其特征在于1.(4)中所述的幾何變換模型T，這里采用4參數(shù)的仿射矩陣作為圖像之間的變換模型
全文摘要
本發(fā)明涉及一種基于特征點鄰域偽Zernike矩的圖像拼接方法。該方法是將圖像統(tǒng)計信息(偽Zernike矩)與圖像的特征點相聯(lián)系，首先利用Harris角檢測器提取出參考圖像與輸入圖像的興趣點，并將興趣點為中心的矩形鄰域作為特征匹配的局部特征區(qū)域，然后對這些矩形特征區(qū)域計算偽Zernike矩作為該特征區(qū)域的描述符，并通過比較各個特征區(qū)域描述符特征向量的歐氏距離來實現(xiàn)特征點的匹配。這樣的匹配中必然會存在少部分不正確的匹配點，通過RANSAC(RANdom Sample Consensus)算法剔除不正確的匹配點對，并計算出正確的匹配關(guān)系以實現(xiàn)圖像的拼接。本發(fā)明能有效地實現(xiàn)具有平移，旋轉(zhuǎn)，小尺度縮放等幾何變換關(guān)系的圖像配準(zhǔn)和拼接，可用于圖像處理與通信、多媒體技術(shù)等領(lǐng)域的圖像合成。
文檔編號G06T3/00GK101556692SQ200810017909
公開日2009年10月14日 申請日期2008年4月9日 優(yōu)先權(quán)日2008年4月9日
發(fā)明者郭寶龍, 楊占龍, 閆允一 申請人:西安盛澤電子有限公司