CN108133466A - 一种改进型自适应小波太赫兹图像去噪方法 - Google Patents

一种改进型自适应小波太赫兹图像去噪方法 Download PDF

Info

Publication number
CN108133466A
CN108133466A CN201810035840.XA CN201810035840A CN108133466A CN 108133466 A CN108133466 A CN 108133466A CN 201810035840 A CN201810035840 A CN 201810035840A CN 108133466 A CN108133466 A CN 108133466A
Authority
CN
China
Prior art keywords
image
wavelet
denoising
terahertz
terahertz image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810035840.XA
Other languages
English (en)
Other versions
CN108133466B (zh
Inventor
李铁军
陈金海
梅强
黄辉祥
黄鹏飞
陆欣泽
邵桂芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jimei University
Original Assignee
Jimei University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jimei University filed Critical Jimei University
Priority to CN201810035840.XA priority Critical patent/CN108133466B/zh
Publication of CN108133466A publication Critical patent/CN108133466A/zh
Application granted granted Critical
Publication of CN108133466B publication Critical patent/CN108133466B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种改进型自适应小波太赫兹图像去噪方法，包括以下步骤：输入待去噪的原始太赫兹图像；将原始太赫兹图像进行像元区分；对像元进行模糊C均值方法聚类，原始太赫兹图像分成五个部分；计算五个部分的各自平均纹理值，将每个部分的平均纹理值与设定阈值比较，从而将五个部分划分成光滑区域和非光滑区域；对光滑区域和非光滑区域分别选择合适的小波基和分解层数，利用分解算法依次对每一层进行分解，得到属于每一层的小波系数；对得到的小波系数进行处理，根据小波变换的阈值选取原则确定预设阈值，通过自适应阈值函数进行滤波，以去除噪声；用小波逆变换进行图像重构；输出整体图像。本发明能够实现对太赫兹光谱图像的快速有效去噪。

Description

一种改进型自适应小波太赫兹图像去噪方法
技术领域
本发明涉及图像去噪领域，具体地涉及一种改进型自适应小波太赫兹图像去噪方法。
背景技术
太赫兹波是频率范围覆盖0.1THz～10THz(1THz＝1012Hz)的电磁波，该频段介于红外与微波之间，在20世纪80年代中期之前，由于缺乏太赫兹波段高效的发射源和灵敏的探测器，该频段的电磁辐射并未得到深入研究，太赫兹波段曾被称为电磁波谱的“太赫兹空隙”。然而，在过去的二十多年中，随着材料科学和激光科学的发展，太赫兹波相关的产生与探测技术都出现较快的发展，太赫兹技术逐渐被成功应用于制药、生物探测、工业无损检测以及国防安全等领域。
由于太赫兹辐射可以穿透纸张、塑料、陶瓷、纤维、泡沫等非极性分子材料，太赫兹无损检测技术在工业制造领域日益受到关注，由于自身的独特性，太赫兹技术逐渐被发展成为传统无损检测技术(如工业CT、超声波与红外热像等)的重要补充。采用太赫兹时域光谱探测成像技术，在成像过程中受限产生太赫兹波的飞秒激光器的功率，二维步进扫描平台的机械抖动以及系统的人为调试误差等因素的影响，实验获取的太赫兹图像往往存在一定程度的噪声，常常影响对目标样本的准确识别。一些典型的数字图像去噪的方法，例如，均值滤波、中值滤波、非局部均值滤波(NLM)方法在太赫兹图像去噪过程中会模糊图像的边缘信息，去噪效果差，算法复杂，实时性不高。
针对目前去噪方法对太赫兹图像的去噪处理的局限，本文基于小波变换理论，提出一种改进型自适应小波去噪方法。传统的小波的图像去噪，通常把含噪的图像进行小波变换，然后通过阈值筛选进行滤波去噪，最后逆小波变换得到最后的去噪图像。传统的小波变换采用的是全局阈值，且阈值为硬阈值或者软阈值，往往达不到较好的去噪效果。
发明内容
本发明旨在提供一种改进型自适应小波太赫兹图像去噪方法，以解决现有去噪方法存在去噪效果差、算法复杂、实时性不高等的问题。为此，本发明采用的具体技术方案如下：
一种改进型自适应小波太赫兹图像去噪方法，包括以下步骤：
S1、输入待去噪的原始太赫兹图像；
S2、将原始太赫兹图像进行像元区分；
S3、对像元进行模糊C均值方法聚类，原始太赫兹图像分成五个部分；
S4、计算五个部分的各自平均纹理值，将每个部分的平均纹理值与设定阈值比较，从而将五个部分划分成光滑区域和非光滑区域；
S5、对光滑区域和非光滑区域分别选择合适的小波基和分解层数，利用分解算法依次对每一层进行分解，得到属于每一层的小波系数；
S6、对得到的小波系数进行处理，根据小波变换的阈值选取原则确定预设阈值，通过自适应阈值函数进行滤波，以去除噪声，其中，自适应阈值函数如下：
其中，为去噪后的小波系数，Y为原小波系数，μ为一个常数，σ为调节参数，thr为预设阈值；
S7、对经过滤波后的光滑区域和非光滑区域分别采用小波逆变换进行图像重构；
S8、将重构后的光滑区域图像和非光滑区域图像合成，输出整体的去噪太赫兹图像。
进一步地，在步骤S4中，每个部分的平均纹理值计算过程如下：
图像的纹理信息用下列公式表示：
其中为局部平均值，MT为局部变量，(2L+1)×(2L+1)为选取的窗口大小；用式(1)计算每个窗口的局部平均值，然后根据式(2)计算得到纹理矩阵；最后通过对每个部分中所有窗口的局部平均值进行平均得到每个部分的平均纹理值。
进一步地，在S6中，μ设为0.1，调节参数σ设为0.6。
本发明采用上述技术方案，具有的有益效果是：本发明的方法较传统的小波变换方法去噪效果有较大的提升，能够实现对太赫兹光谱图像的快速有效去噪。
附图说明
图1是本发明的改进型自适应小波太赫兹图像去噪方法的流程图；
图2是待去噪的原始太赫兹图像；
图3是图2的原始太赫兹图像采用传统去噪方法去噪后的图像；
图4是图2的原始太赫兹图像采用本发明去噪方法去噪后的图像；
图5是Z-3太赫兹时域光谱仪的示意图。
具体实施方式
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
现结合附图和具体实施方式对本发明进一步说明。图1是本发明的改进型自适应小波太赫兹图像去噪方法的流程图。该方法包括以下步骤：
S1、输入待去噪的原始太赫兹图像。
S2、将原始太赫兹图像进行像元区分。模糊的太赫兹图像是由若干个集合组成，每个集合又被称为像元，而像元又由若干个相互联系的像素点组合而成的。为了获得像元的信息，我们将像素与其周围的像素进行比较。当该值小于阈值时，我们认为这两个像素点属于一个像元。当所有的像元组合在一起时，就会得到最初的图像。以像元为基础的图像，可以用公式表示：
其中IM是一个以像元为基础的图像模型，n为像素点的数目，Pi表示一个像素元，符号U表示集合。
S3、对像元进行模糊C均值方法聚类，原始太赫兹图像分成五个部分。太赫兹是依靠着像元强度让像素点们聚集起来，此过程即聚类过程。像元强度指的是组合成该像元的像素的平均“结合力”。在此我们选取通用的模糊C均值方法作为聚类的算法，将原图像聚类分成五个部分。模糊C均值方法为本领域技术人员所熟知，其具体过程在此不再进行说明。
S4、计算五个部分的各自平均纹理值，将每个部分的平均纹理值与设定阈值比较，从而将五个部分划分成光滑区域和非光滑区域。具体地，图像分离的依据是图像自身的纹理信息。图像的纹理信息可以用以下式子表示：
式(3.2)和式(3.3)中，为局部平均值，MT为局部变量，(2L+1)×(2L+1)为选取的窗口大小。依据式(3.2)计算每个窗口的局部平均值，然后根据式(3.3)计算得纹理矩阵。越是密集的纹理区域，方差越大。最后通过对每个部分中所有窗口的局部平均值进行平均得到每个部分的平均纹理值。将每个部分的平均纹理值与设定阈值进行比较，平均纹理值大于设定阈值的部分为平滑区域；平均纹理值小于设定阈值的部分为非平滑区域，从而将五个部分分离成为平滑和非平滑区域。
S5、对光滑区域和非光滑区域分别选择合适的小波基和分解层数，利用分解算法依次对每一层进行分解，得到属于每一层的小波系数。
S6、对得到的小波系数进行处理，根据小波变换的阈值选取原则确定预设阈值，通过自适应阈值函数进行滤波，以去除噪声，其中，自适应阈值函数如下：
其中，为去噪后的小波系数，Y为原小波系数，μ为一个常数，这里取0.1，σ为调节参数，thr为预设阈值。当σ为0时，即为硬阈值函数；当σ为1时，|Y|趋于正无穷时，即为软阈值函数。当|Y|<thr时，与传统的软、硬阈值函数相比，自适应函数保留了部分小波系数，没有将所有的小波系数置零，避免了较小值区间的所有“归零”，图像的细节得以保留。并且，在阈值点函数是连续的，避免了产生伪吉布斯现象。当|Y|≥thr时，当Y越来越大时，和Y的差值越小，改善了软阈值的偏差导致的边缘模糊。因此，自适应阈值函数，克服了硬阈值函数在阈值点的不连续，对于部分小于阈值的小波系数进行了保留。通过设置调节参数σ的，减小软阈值函数造成的偏差，让去噪后图像边缘模糊程度得以改善。
S7、对经过滤波后的光滑区域和非光滑区域分别采用小波逆变换进行图像重构。小波逆变换进行图像重构是本领域技术人员所公知的技术，这里不再进一步描述。
S8、将重构后的光滑区域图像和非光滑区域图像合成，输出整体的去噪太赫兹图像(如图4所示)。
实验验证
为了了解改进后的方法效果如何，我们将选取传统小波去噪法与改进型自适应小波去噪法进行对比。小波去噪法阈值选择软阈值，本发明方法的自适应阈值函数(公式3.4)中的μ设为0.1，调节参数σ设为0.6。图像由Z-3太赫兹时域光谱仪(如图5所示)检测获得，检测的对象为100×100mm的氧化铝样本，实验取得了含噪的原始太赫兹图像。为了更好的验证去噪效果，我们对原始的太赫兹图像进行加噪(高斯噪声)，得到所需的待去噪的原始图像。实验所用软件版本为MATLAB R2014b，操作系统为Microsoft Window 7旗舰版64位操作系统，中央处理器型号为英特尔酷睿i5-4590@3.30GHz，内存8.00GB。
首先，我们通过加噪程序对原始太赫兹图像进行加噪(高斯噪声系数sigma＝15)，得到待去噪图像(如图2所示)。然后分别使用传统方法和本发明方法进行去噪。其中，图3是对图2采用传统方法去噪后的得到的去噪图像，图4是对图2采用本发明方法去噪后的得到的去噪图像。从图3和图4可以看出，本发明方法得到的图像边缘更清晰。
为了定量化评价改进型小波去噪方法的效果，我们做了高斯噪声参数sigma分别为5、15、25、35和45时的五组对比实验，并采用均方误差(MSE)，图像峰值信噪比(PSNR)，均方根(RMS)，以及归一化均方误差(NMSE)这四种典型的评价方法，对传统和改进型小波去噪方法的效果进行比对。此外，我们也比较了两种去噪方法的计算复杂度(仿真计算程序运行时间)。以下给出了评价方法的数学公式：
这里MAX是像点的最大值,PSNR的单位是dB。
表1.PSNR,MSE,NMSE,RMS以及运行时间的执行效果对比
对比两种方法，改进前的程序运行时间明显稍短于改进后的方法。同样噪声情况下，前者的MSE、NMSE、RMS均高于后者，前者的PSNR均低于后者，所以改进后的方法的在去噪效果上得到了明显的改善。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (3)

1.一种改进型自适应小波太赫兹图像去噪方法，其特征在于：包括以下步骤：
S1、输入待去噪的原始太赫兹图像；
S2、将原始太赫兹图像进行像元区分；
S3、对像元进行模糊C均值方法聚类，原始太赫兹图像分成五个部分；
S4、计算五个部分的各自平均纹理值，将每个部分的平均纹理值与设定阈值比较，从而将五个部分划分成光滑区域和非光滑区域；
S5、对光滑区域和非光滑区域分别选择合适的小波基和分解层数，利用分解算法依次对每一层进行分解，得到属于每一层的小波系数；
S6、对得到的小波系数进行处理，根据小波变换的阈值选取原则确定预设阈值，通过自适应阈值函数进行滤波，以去除噪声，其中，自适应阈值函数如下：
其中，为去噪后的小波系数，Y为原小波系数，μ为一个常数，σ为调节参数，thr为预设阈值；
S7、对经过滤波后的光滑区域和非光滑区域分别采用小波逆变换进行图像重构；
S8、将重构后的光滑区域图像和非光滑区域图像合成，输出整体的去噪太赫兹图像。
2.如权利要求1所述的改进型自适应小波太赫兹图像去噪方法，其特征在于：在步骤S4中，每个部分的平均纹理值计算过程如下：
图像的纹理信息用下列公式表示：
其中为局部平均值，MT为局部变量，(2L+1)×(2L+1)为选取的窗口大小；用式(1)计算每个窗口的局部平均值，然后根据式(2)计算得到纹理矩阵；最后通过对每个部分中所有窗口的局部平均值进行平均得到每个部分的平均纹理值。
3.如权利要求1所述的改进型自适应小波太赫兹图像去噪方法，其特征在于：在S6中，μ设为0.1，调节参数σ设为0.6。
CN201810035840.XA 2018-01-15 2018-01-15 一种改进型自适应小波太赫兹图像去噪方法 Active CN108133466B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810035840.XA CN108133466B (zh) 2018-01-15 2018-01-15 一种改进型自适应小波太赫兹图像去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810035840.XA CN108133466B (zh) 2018-01-15 2018-01-15 一种改进型自适应小波太赫兹图像去噪方法

Publications (2)

Publication Number Publication Date
CN108133466A true CN108133466A (zh) 2018-06-08
CN108133466B CN108133466B (zh) 2020-07-07

Family

ID=62399760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810035840.XA Active CN108133466B (zh) 2018-01-15 2018-01-15 一种改进型自适应小波太赫兹图像去噪方法

Country Status (1)

Country Link
CN (1) CN108133466B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112530449A (zh) * 2020-10-20 2021-03-19 国网黑龙江省电力有限公司伊春供电公司 基于仿生小波变换的语音增强方法
CN115082339A (zh) * 2022-06-22 2022-09-20 西安电子科技大学 基于连通域自适应划分的太赫兹图像去噪方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101477680A (zh) * 2009-01-16 2009-07-08 天津大学 基于滑窗邻域数据选择的小波图像降噪方法
CN102663702A (zh) * 2012-04-20 2012-09-12 西安电子科技大学 基于区域划分的自然图像去噪方法
CN103077506A (zh) * 2013-03-06 2013-05-01 西安电子科技大学 结合局部和非局部的自适应图像去噪方法
CN103854264A (zh) * 2014-03-28 2014-06-11 中国石油大学(华东) 一种基于改进型阈值函数的小波变换图像去噪方法
US8843335B2 (en) * 2010-02-01 2014-09-23 Teledyne Lecroy, Inc. Wavelet denoising for time-domain network analysis
US8992446B2 (en) * 2009-06-21 2015-03-31 Holland Bloorview Kids Rehabilitation Hospital Procedure for denoising dual-axis swallowing accelerometry signals
CN105913393A (zh) * 2016-04-08 2016-08-31 暨南大学 一种自适应小波阈值图像去噪算法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101477680A (zh) * 2009-01-16 2009-07-08 天津大学 基于滑窗邻域数据选择的小波图像降噪方法
US8992446B2 (en) * 2009-06-21 2015-03-31 Holland Bloorview Kids Rehabilitation Hospital Procedure for denoising dual-axis swallowing accelerometry signals
US8843335B2 (en) * 2010-02-01 2014-09-23 Teledyne Lecroy, Inc. Wavelet denoising for time-domain network analysis
CN102663702A (zh) * 2012-04-20 2012-09-12 西安电子科技大学 基于区域划分的自然图像去噪方法
CN103077506A (zh) * 2013-03-06 2013-05-01 西安电子科技大学 结合局部和非局部的自适应图像去噪方法
CN103854264A (zh) * 2014-03-28 2014-06-11 中国石油大学(华东) 一种基于改进型阈值函数的小波变换图像去噪方法
CN105913393A (zh) * 2016-04-08 2016-08-31 暨南大学 一种自适应小波阈值图像去噪算法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KUN YANG,AND ETC: "THE DE-NOISING METHOD OF THRESHOLD FUNCTION BASED ON WAVELET", 《PROCEEDINGS OF THE 2014 INTERNATIONAL CONFERENCE ON WAVELET ANALYSIS AND PATTERN RECOGNITION》 *
文鸿雁等: "非线性小波变换阈值法去噪改进", 《测绘通报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112530449A (zh) * 2020-10-20 2021-03-19 国网黑龙江省电力有限公司伊春供电公司 基于仿生小波变换的语音增强方法
CN112530449B (zh) * 2020-10-20 2022-09-23 国网黑龙江省电力有限公司伊春供电公司 基于仿生小波变换的语音增强方法
CN115082339A (zh) * 2022-06-22 2022-09-20 西安电子科技大学 基于连通域自适应划分的太赫兹图像去噪方法
CN115082339B (zh) * 2022-06-22 2024-10-18 西安电子科技大学 基于连通域自适应划分的太赫兹图像去噪方法

Also Published As

Publication number Publication date
CN108133466B (zh) 2020-07-07

Similar Documents

Publication Publication Date Title
Janani et al. Image enhancement techniques: A study
Hosotani et al. Image denoising with edge-preserving and segmentation based on mask NHA
Hu et al. A Novel Image Denoising Algorithm Based on Riemann-Liouville Definition.
Goyal et al. Two-dimensional gray scale image denoising via morphological operations in NSST domain & bitonic filtering
Ravishankar et al. A survey on noise reduction techniques in medical images
Joseph et al. Mammogram image denoising filters: A comparative study
Ilesanmi et al. Multiscale hybrid algorithm for pre-processing of ultrasound images
Liu et al. Image denoising based on improved bidimensional empirical mode decomposition thresholding technology
CN112991199A (zh) 一种基于残差密集网络的图像高低频分解噪声去除方法
CN111986098A (zh) 一种含固定背景的被动式太赫兹图像增强方法
CN108133466B (zh) 一种改进型自适应小波太赫兹图像去噪方法
Patel et al. A review on image contrast enhancement techniques
CN117158999A (zh) 一种基于ppmcc和自适应vmd的脑电信号去噪方法及系统
Azam et al. Smoke removal and image enhancement of laparoscopic images by an artificial multi-exposure image fusion method
Jernigan et al. Nonlinear lateral inhibition and image processing
HosseinKhani et al. Real‐time removal of impulse noise from MR images for radiosurgery applications
Mai et al. A modified unsharp masking method using particle swarm optimization
Goyal et al. Review paper on various filtering techniques and future scope to apply these on TEM images
Khellah Textured image denoising using dominant neighborhood structure
Wang et al. Image smoothing via adaptive fourth‐order partial differential equation model
Yang et al. Nonlocal ultrasound image despeckling via improved statistics and rank constraint
NL2029515B1 (en) Improved self-adaptive wavelet terahertz image denoising method
AKINTOYE et al. COMPOSITE MEDIAN WIENER FILTER BASED TECHNIQUE FOR IMAGE ENHANCEMENT.
Prasad et al. A Systematic Review of Noise Types, Denoising Methods, and Evaluation Metrics in Images
Annam et al. Correlative analysis of denoising methods in spectral images embedded with different noises

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Huang Huixiang

Inventor after: Chen Jinhai

Inventor after: Mei Qiang

Inventor after: Li Tiejun

Inventor after: Huang Pengfei

Inventor after: Lu Xinze

Inventor after: Shao Guifang

Inventor before: Li Tiejun

Inventor before: Chen Jinhai

Inventor before: Mei Qiang

Inventor before: Huang Huixiang

Inventor before: Huang Pengfei

Inventor before: Lu Xinze

Inventor before: Shao Guifang

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant