CN109325503B - 一种用于压缩编码孔径成像的目标轮廓识别方法 - Google Patents
一种用于压缩编码孔径成像的目标轮廓识别方法 Download PDFInfo
- Publication number
- CN109325503B CN109325503B CN201811028577.8A CN201811028577A CN109325503B CN 109325503 B CN109325503 B CN 109325503B CN 201811028577 A CN201811028577 A CN 201811028577A CN 109325503 B CN109325503 B CN 109325503B
- Authority
- CN
- China
- Prior art keywords
- image
- fourier transform
- resolution
- target
- imaging
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/478—Contour-based spectral representations or scale-space representations, e.g. by Fourier analysis, wavelet analysis or curvature scale-space [CSS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及新型编码成像技术领域,具体涉及一种用于压缩编码孔径成像的目标轮廓识别方法,该方法主要包括以下步骤,步骤1、超分辨率图像频谱的重建;步骤2、图像频域平滑与去噪;步骤3、频域边缘检测。其中,步骤1又可细分如下步骤,步骤1.1、通过压缩编码成像系统采集多个成像通道的低分辨率图像;步骤1.2、对每个成像通道的低分辨率图像进行傅里叶变换;步骤1.3、根据成像系统的频谱特性矩阵,得到超高分辨率图像的频谱;本发明方法针对压缩编码孔径成像系统,提出结合低通滤波与频域轮廓提取算子的频域重建方法,能够直接重建出目标的高分辨率轮廓。
Description
技术领域
本发明涉及编码成像技术领域,具体涉及一种用于压缩编码孔径成像的目标轮廓识别方法。
背景技术
目前,以压缩编码孔径成像技术为代表的新型编码成像技术,以其显著的高分辨成像特点受到各国重视,已逐渐被国外陆军侦察感知系统采用,对目标的探测与识别距离大幅提升。压缩编码孔径成像技术利用多次采样的编码后的图像进行高分辨率目标重建与成像,突破传统成像系统分辨率受探测器像素尺寸的限制,可有效地提高成像系统的分辨率,实现超视距探测与识别。
现有技术中,利用压缩编码孔径成像技术实现战场目标高分辨率感知与识别分为三个关键的步骤:1)基于压缩编码技术和瞬态多路成像技术的压缩编码孔径成像光学系统的设计与实现。将目标场景图像瞬时多次采样,并通过孔径编码模板进行图像编码成像,利用光电探测器接收编码后的图像,并输入数据处理系统。2)基于各种算法的解码与高分辨率图像重建。3)目标感知、识别与告警等。基于压缩编码的高分辨率图像重建的原理是:多次成像时场景不变,并且在每次成像时变换编码孔径模板,这样即可得到多次相同场景的不同观测值。将这多次不同观测值合成为一个单一观测值,并用其进行解码高分辨重建。因此重建算法的选择直接决定重建后图像质量的提升程度,高效的重建算法能够获得高质量、高分辨率、高解析度的图像。在已有的研究中,高分辨率图像重建和目标识别是分别通过分离的算法过程实现的。第一步,利用重建算法得到高分辨率图像;第二步,以此图像为基础进行目标识别。由于在图像重建时不考虑探测目标的特征,利用采集的多次压缩编码图像,对整个探测场景进行高分辨率恢复和重建,因此会获得较多的冗余信息,并且需要大量的计算时间和空间,严重限制了战场目标的实时侦查。
发明内容
本发明针对压缩编码孔径成像系统,提供一种用于压缩编码孔径成像的目标轮廓识别方法,该方法能够直接重建出目标的高分辨率轮廓,以解决超高分辨率成像技术中战场目标感知存在的计算误差大,计算复杂的问题。
为了达到上述目的,本发明的技术方案为:
1.一种用于压缩编码孔径成像的目标轮廓识别方法,其特征在于,包括以下步骤:
步骤1、超分辨率图像频谱的重建
1.1、通过压缩编码成像系统采集多个成像通道的低分辨率图像
多通道成像系统采集k帧具有随机空间位移的低分辨率图像xk(t1,t2)=x(t1+δk1,t2+δk2),其中δk1和δk2是已知任意值,由压缩编码成像系统中的编码模板参数确定,k=1,2,…,N;
1.2、对每个成像通道的低分辨率图像进行傅里叶变换
根据连续傅里叶变换的时域移动的性质,第k帧位移图像的连续傅里叶变换Xk(w1,w2)可以写为:
Xk(w1,w2)=exp[j2π(δk1w1+δk2w2)]X(w1,w2);
1.3、根据成像系统的频谱特性矩阵,得到超高分辨率图像的频谱
设x(t1,t2)表示连续的高分辨率图像,X(w1,w2)表示它的连续傅里叶变换;假设二维探测器以采样周期T1和T2对位移图像xk(t1,t2)在x、y两个方向上进行周期采样,从混叠关系和X(w1,w2)的带限假设,即对于|w1|≥L1π/T1,|w2|≥L2π/T2,有|X(w1,w2)|=0;可建立起高分辨率图像的连续傅里叶变换和第k帧低分辨率的观察图像的离散傅里叶变换之间的关系为:
其中,Ω1和Ω2是图像yk(n1,n2)的离散傅里叶变换域内的采样点,满足0≤Ω1≤M1,0≤Ω2≤M2,M1、M2分别为低分辨率图像x、y方向的采样数;
对上式右侧中的索引n1、n2和左侧中的k按照数字顺序排列,可获得上式的一个矩阵矢量形式:
Y=ΦX;
其中,Y是一个N×1列向量,其元素为yk(n1,n2)的离散傅里叶变换系数,Φ是一个N×L1L2的矩阵,X是一个L1L2×1列向量,其元素为x(t1,t2)的连续傅里叶变换的采样样本;因此,高分辨率场景的频谱为:
X=Φ-1Y;
步骤2、图像频域平滑与去噪
采用二维频域高斯低通滤波器对高分辨率图像频谱进行平滑和去噪,得到低通滤波去噪平滑后图像的频谱为
X'=HΦ-1Y;
步骤3、频域边缘检测
采用索贝尔算子进行图像边缘检测,最终得到目标的轮廓。
2.根据权利要求1所述用于压缩编码孔径成像的目标轮廓识别方法,其特征在于,步骤3中、采用索贝尔算子进行图像边缘检测,最终得到目标的轮廓,具体包括以下步骤:
通过两个索贝尔算子检测图像边缘,其中一个检测水平边缘,另一个检测垂直边缘;具体卷积过程如下:
其中,A代表原始图像,Gx及Gy分别代表经横向及纵向边缘检测的图像灰度值;
将以上算子扩展为与高分辨率图像相同维度的矩阵,分别表示为
其傅里叶变换表示为Sx和Sy,根据卷积性质可得,横向及纵向边缘检测的图像灰度值的傅里叶变换为
F(Gx)=SxX'=SxHΦ-1Y
F(Gy)=SyX'=SyHΦ-1Y;
对其结果进行傅里叶逆变换,可以得到Gx和Gy,目标的轮廓最终可以通过下式计算得到
本发明的有益效果:
本发明突破传统压缩编码孔径成像技术中的先进行高分辨率图像重建,再进行目标识别与感知时存在较多冗余信息,需要大量计算时间的问题,根据战场目标的特点,将目标轮廓识别与图像重建结合在同一过程中,可以实现快速高效的目标高分辨率轮廓识别。本发明方法针对压缩编码孔径成像系统,提出结合低通滤波与频域轮廓提取算子的频域重建方法,能够直接重建出目标的高分辨率轮廓。
附图说明
图1是本发明的算法过程示意图;
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
从人类认知事物的角度来看,目标的特征描述和相似度评价是目标识别中两个关键环节。目标的轮廓形状具有非常重要和稳定的视觉特征,能够反映重要的特征信息,作为描述目标特征的一种主要方式,在目标识别中发挥着重要作用。相对于灰度或颜色信息,目标轮廓更容易被提取。因此,如何有效地提取目标轮廓信息对于目标识别至关重要。
本发明针对压缩编码孔径成像系统,提出结合低通滤波与频域轮廓提取算子的频域重建方法,能够直接重建出目标的高分辨率轮廓。
该方法可以由以下步骤实现:
步骤1、超分辨率图像频谱的重建
1.1、通过压缩编码成像系统采集多个成像通道的低分辨率图像
多通道成像系统采集k帧具有随机空间位移的低分辨率图像xk(t1,t2)=x(t1+δk1,t2+δk2),其中δk1和δk2是已知任意值,由压缩编码成像系统中的编码模板参数确定,k=1,2,…,N;
1.2对每个成像通道的低分辨率图像进行傅里叶变换
根据连续傅里叶变换的时域移动的性质,第k帧位移图像的连续傅里叶变换Xk(w1,w2)可以写为:
Xk(w1,w2)=exp[j2π(δk1w1+δk2w2)]X(w1,w2);
1.3根据成像系统的频谱特性矩阵,得到超高分辨率图像的频谱
设x(t1,t2)表示连续的高分辨率图像,X(w1,w2)表示它的连续傅里叶变换。假设二维探测器以采样周期T1和T2对位移图像xk(t1,t2)在x、y两个方向上进行周期采样,从混叠关系和X(w1,w2)的带限假设,即对于|w1|≥L1π/T1,|w2|≥L2π/T2,有|X(w1,w2)|=0。可建立起高分辨率图像的连续傅里叶变换和第k帧低分辨率的观察图像的离散傅里叶变换之间的关系为:
其中,Ω1和Ω2是图像yk(n1,n2)的离散傅里叶变换域内的采样点,满足0≤Ω1≤M1,0≤Ω2≤M2,M1、M2分别为低分辨率图像x、y方向的采样数;
对上式右侧中的索引n1、n2和左侧中的k按照数字顺序排列,可获得上式的一个矩阵矢量形式:
Y=ΦX;
其中,Y是一个N×1列向量,其元素为yk(n1,n2)的离散傅里叶变换系数,可以通过对多次采样的低分辨率图像进行离散傅里叶变换得到。Φ是一个N×L1L2的矩阵,它由成像系统的参数决定,将低分辨率观察图像的离散傅里叶变换与连续高分辨率图像的采样样本联系起来;X是一个L1L2×1列向量,其元素为x(t1,t2)的连续傅里叶变换的采样样本;因此,对于压缩编码孔径成像系统,确定了系统所对应的矩阵Φ和多帧低分辨率图像的离散傅里叶变换系数Y,就可以解算出高分辨率场景的频谱,即
X=Φ-1Y。
步骤2、图像频域平滑与去噪
在数字图像处理领域,通过滤波方法消除噪声并平滑图像是图像增强是一种很常见的方法;图像的平滑除了在空间域中进行外,也可以在频率域中进行;由于噪声和目标细节信息主要集中在高频部分,采用低通滤波器来抑制和衰减高频成分,就可以达到图像平滑与去噪的目的,通过消除不重要的细节特征来简化感兴趣特征的目标识别与分析;
采用二维频域高斯低通滤波器对高分辨率图像频谱进行平滑和去噪,得到低通滤波去噪平滑后图像的频谱为
X'=HΦ-1Y。
第三步:频域边缘检测
索贝尔算子(Sobel Operator)是边缘检测的一种重要的边缘检测模板。索贝尔算子在空域进行图像边缘检测。本发明利用频域的Sobel算子在频谱域实现边缘检测;
Sobel算子有两个,一个检测水平边缘;另一个检测垂直边缘。具体过程是通过卷积的计算方法实现的,其公式如下:
其中的Sobel算子包含两组3×3的矩阵,分别为横向和纵向算子,A代表原始图像,Gx及Gy分别代表经横向及纵向边缘检测的图像灰度值。将原图像与Sobel算子作平面卷积,即可分别得出横向及纵向的亮度差分近似值;
将以上算子扩展为与高分辨率图像相同维度的矩阵,分别表示为
其傅里叶变换表示为Sx和Sy,根据卷积性质可得,横向及纵向边缘检测的图像灰度值的傅里叶变换为
F(Gx)=SxX'=SxHΦ-1Y
F(Gy)=SyX'=SyHΦ-1Y;
对其结果进行傅里叶逆变换,可以得到Gx和Gy,目标的轮廓最终可以通过下式计算得到:
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (1)
1.一种用于压缩编码孔径成像的目标轮廓识别方法,其特征在于,包括以下步骤:
步骤1、超分辨率图像频谱的重建
1.1、通过压缩编码成像系统采集多个成像通道的低分辨率图像
多通道成像系统采集k帧具有随机空间位移的低分辨率图像xk(t1,t2)=x(t1+δk1,t2+δk2),其中δk1和δk2是已知任意值,由压缩编码成像系统中的编码模板参数确定,k=1,2,…,N;
1.2、对每个成像通道的低分辨率图像进行傅里叶变换
根据连续傅里叶变换的时域移动的性质,第k帧位移图像的连续傅里叶变换Xk(w1,w2)可以写为:
Xk(w1,w2)=exp[j2π(δk1w1+δk2w2)]X(w1,w2);
1.3、根据成像系统的频谱特性矩阵,得到超高分辨率图像的频谱
设x(t1,t2)表示连续的高分辨率图像,X(w1,w2)表示它的连续傅里叶变换;假设二维探测器以采样周期T1和T2对位移图像xk(t1,t2)在x、y两个方向上进行周期采样,从混叠关系和X(w1,w2)的带限假设,即对于|w1|≥L1π/T1,|w2|≥L2π/T2,有|X(w1,w2)|=0;可建立起高分辨率图像的连续傅里叶变换和第k帧低分辨率的观察图像的离散傅里叶变换之间的关系为:
其中,Ω1和Ω2是图像yk(n1,n2)的离散傅里叶变换域内的采样点,满足0≤Ω1≤M1,0≤Ω2≤M2,M1、M2分别为低分辨率图像x、y方向的采样数;
对上式右侧中的索引n1、n2和左侧中的k按照数字顺序排列,可获得上式的一个矩阵矢量形式:
Y=ΦX;
其中,Y是一个N×1列向量,其元素为yk(n1,n2)的离散傅里叶变换系数,Φ是一个N×L1L2的矩阵,X是一个L1L2×1列向量,其元素为x(t1,t2)的连续傅里叶变换的采样样本;因此,高分辨率场景的频谱为:
X=Φ-1Y;
步骤2、图像频域平滑与去噪
采用二维频域高斯低通滤波器对高分辨率图像频谱进行平滑和去噪,得到低通滤波去噪平滑后图像的频谱为
X'=HΦ-1Y;
步骤3、频域边缘检测
采用索贝尔算子进行图像边缘检测,最终得到目标的轮廓;
步骤3中、采用索贝尔算子进行图像边缘检测,最终得到目标的轮廓,具体包括以下步骤:
通过两个索贝尔算子检测图像边缘,其中一个检测水平边缘,另一个检测垂直边缘;具体卷积过程如下:
其中,A代表原始图像,Gx及Gy分别代表经横向及纵向边缘检测的图像灰度值;
将以上算子扩展为与高分辨率图像相同维度的矩阵,分别表示为
其傅里叶变换表示为Sx和Sy,根据卷积性质可得,横向及纵向边缘检测的图像灰度值的傅里叶变换为
F(Gx)=SxX'=SxHΦ-1Y
F(Gy)=SyX'=SyHΦ-1Y;
对其结果进行傅里叶逆变换,可以得到Gx和Gy,目标的轮廓最终可以通过下式计算得到
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811028577.8A CN109325503B (zh) | 2018-09-05 | 2018-09-05 | 一种用于压缩编码孔径成像的目标轮廓识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811028577.8A CN109325503B (zh) | 2018-09-05 | 2018-09-05 | 一种用于压缩编码孔径成像的目标轮廓识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109325503A CN109325503A (zh) | 2019-02-12 |
CN109325503B true CN109325503B (zh) | 2021-07-02 |
Family
ID=65264702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811028577.8A Active CN109325503B (zh) | 2018-09-05 | 2018-09-05 | 一种用于压缩编码孔径成像的目标轮廓识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109325503B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112614056B (zh) * | 2020-12-31 | 2023-09-05 | 北京纳析光电科技有限公司 | 图像超分辨率处理方法 |
CN113468905B (zh) * | 2021-07-12 | 2024-03-26 | 深圳思谋信息科技有限公司 | 图形码识别方法、装置、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102438102A (zh) * | 2011-10-26 | 2012-05-02 | 西安电子科技大学 | 基于压缩编码孔径的超分辨率成像系统及成像方法 |
CN102879782A (zh) * | 2012-09-25 | 2013-01-16 | 北京理工大学 | 基于分数阶傅里叶变换的压缩感知sar成像方法 |
CN103384300A (zh) * | 2013-07-03 | 2013-11-06 | 西安电子科技大学 | 基于压缩编码孔径的超分辨率成像系统 |
CN105139361A (zh) * | 2015-09-18 | 2015-12-09 | 清华大学深圳研究生院 | 一种基于非线性优化的fpm算法的图像超分辨率重建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150042746A (ko) * | 2012-05-09 | 2015-04-21 | 듀크 유니버시티 | 메타물질 디바이스들 및 이를 사용하는 방법들 |
-
2018
- 2018-09-05 CN CN201811028577.8A patent/CN109325503B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102438102A (zh) * | 2011-10-26 | 2012-05-02 | 西安电子科技大学 | 基于压缩编码孔径的超分辨率成像系统及成像方法 |
CN102879782A (zh) * | 2012-09-25 | 2013-01-16 | 北京理工大学 | 基于分数阶傅里叶变换的压缩感知sar成像方法 |
CN103384300A (zh) * | 2013-07-03 | 2013-11-06 | 西安电子科技大学 | 基于压缩编码孔径的超分辨率成像系统 |
CN105139361A (zh) * | 2015-09-18 | 2015-12-09 | 清华大学深圳研究生院 | 一种基于非线性优化的fpm算法的图像超分辨率重建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109325503A (zh) | 2019-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Moonon et al. | Remote sensing image fusion method based on nonsubsampled shearlet transform and sparse representation | |
CN111798396A (zh) | 一种基于小波变换的多功能图像处理方法 | |
Tessens et al. | Extending the depth of field in microscopy through curvelet-based frequency-adaptive image fusion | |
Sapkal et al. | Image fusion based on wavelet transform for medical application | |
CN109325503B (zh) | 一种用于压缩编码孔径成像的目标轮廓识别方法 | |
CN103164850B (zh) | 一种基于压缩感知的多聚焦图像融合方法及装置 | |
CN104680502B (zh) | 基于稀疏字典和非下采样Contourlet变换的红外图像超分辨重建方法 | |
CN100433795C (zh) | 基于变换域数学形态学的图像降噪方法 | |
CN104036461B (zh) | 一种基于联合滤波的红外复杂背景抑制方法 | |
Mittal et al. | Novelty in image reconstruction using DWT and CLAHE | |
CN107203968B (zh) | 基于改进的子空间追踪算法的单幅图像超分辨率重建方法 | |
JP5617080B2 (ja) | 多焦点面画像の取得および圧縮 | |
CN106530360B (zh) | 互补色小波彩色图像处理方法 | |
Dadkhah et al. | Compressive sensing with modified total variation minimization algorithm | |
Khaire et al. | Resolution Enhancement of images with interpolation and DWT–SWT Wavelet domain components | |
CN103778615B (zh) | 基于区域相似性的多聚焦图像融合方法 | |
Pai et al. | Medical color image enhancement using wavelet transform and contrast stretching technique | |
Ambikumar et al. | Extending the depth of field in microscopy: A review | |
CN116957940A (zh) | 基于轮廓波知识引导网络的多尺度图像超分辨率重建方法 | |
CN103310423A (zh) | 一种矿井图像增强方法 | |
Sugamya et al. | Image enhancement using singular value decomposition | |
CN106709873B (zh) | 一种基于三次样条插值和迭代更新的超分辨率方法 | |
CN105631839A (zh) | 一种针对颗粒厚度的超分辨率测量方法 | |
Canh et al. | Multi-resolution kronecker compressive sensing | |
Sale et al. | Wavelet Based selection for fusion of Medical images |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211110 Address after: 710000 station 011, room 1701, Western Power International Business Center, No. 66, Huzhu Road, Beilin District, Xi'an City, Shaanxi Province Patentee after: Xi'an Gauss Laser Technology Co., Ltd Address before: 710032 No. 2, Xuefu Middle Road, Weiyang District, Xi'an City, Shaanxi Province Patentee before: Xi'an Technological University |