一種針對混合噪聲的視頻去噪方法
【專利摘要】本申請公開了一種針對混合噪聲的視頻去噪方法，包括：對含噪視頻序列中的每個圖像塊進行塊匹配，確定對應的相似圖像塊組，將所述含噪視頻序列中所有視頻塊對應的相似圖像塊組構成相似圖像塊組集合；對相似圖像塊組集合中的每個相似圖像塊組Mi，根據該相似圖像塊組的局部相似性信息，確定去噪后的相似圖像塊組L；將相似圖像塊組集合中的所有去噪后的相似圖像塊組，重新組成視頻序列并保存或輸出。通過上述方式，不僅考慮視頻內的非局部相似性，同時還考慮了局部相似性進行視頻去噪，有效提高了去噪的性能和效果。
【專利說明】
-種針對混合噪聲的視頻去噪方法
技術領域
[0001] 本申請設及視頻處理技術，特別設及視頻處理技術中一種多針對混合噪聲的視頻 去噪方法。
【背景技術】
[0002] 視頻數據在采集、傳輸和儲存時，很容易受到多種類型的噪聲的影響。例如，視頻 數據在光線不足的條件下采集時，由于光學傳感器的物理特性的限制，易引入高斯噪聲;視 頻數據在傳輸時，易受到隨機脈沖噪聲的損壞，包括電磁干擾W及通信系統的故障和缺陷。 針對高斯噪聲和脈沖噪聲運兩類常見的干擾噪聲，需要研究有效的視頻去噪方法，即從遭 受到混合噪聲污染的視頻數據中恢復出原始視頻數據。
[0003] 傳統的去噪方法大多數采用局部去噪的思想，其中較為有效的方法是采用總變分 (Total化riation，TV)模型。但是，僅義用局部去噪的方法容易丟失圖像細節f目息，使得去 噪后的圖像過于平滑。
[0004] 采用非局部的去噪方法能夠相對較好地保持圖像細節紋理。例如，基于塊匹配及 高維濾波的視頻去噪方法BM4D，將非局部均值(nonlocal means，NLM)模型與TV模型結合而 形成的正則化模型TV-NLM等。但是，大部分非局部的去噪方法僅針對加性高斯噪聲設計，并 不能有效去除脈沖噪聲。
[0005] 目前，已經有一些同時去除脈沖噪聲和加性高斯噪聲的方法。例如，采用塊匹配將 待處理視頻分解為若干相似圖像塊組，并將每個圖像塊組分解為低秩矩陣和稀疏矩陣之 和，分解出的稀疏矩陣即為脈沖噪聲，低秩矩陣即為去噪后的圖像塊組。上述去噪方法的性 能雖然得到了進一步的提升，但是仍然有繼續提升的空間。
【發明內容】
[0006] 有鑒于此，本申請的主要目的在于提供一種針對混合噪聲的視頻去噪方法，能夠 克服傳統方法在性能上的不足，在相同的噪聲條件下可W獲得更高質量的視頻。
[0007] 為達到上述目的，本申請采用如下技術方案：
[000引一種針對混合噪聲的視頻去噪方法，包括：
[0009] a、對含噪視頻序列中的每個圖像塊進行塊匹配，確定對應的相似圖像塊組，將所 述含噪視頻序列中所有視頻塊對應的相似圖像塊組構成相似圖像塊組集合；
[0010] b、對所述相似圖像塊組集合中的每個相似圖像塊組Ml,根據該相似圖像塊組的局 部相似性信息，通過求解
確定去噪后的相似圖像塊組L其中，Ml為一個圖像塊組中的各個圖像塊數據按照列向 量排列構成的矩陣，L是去噪后的相似圖像塊組中各個圖像塊數據按照列向量排列構成的 矩陣，S是分離出的脈沖噪聲分量按照列向量排列構成的矩陣，〇3是Ξ維殘差梯度算子，D3L 代表首先將矩陣L中的各列兩兩相減取殘差再計算殘差的梯度值，E是L的第一近似變量，山 是L的第二近似變量，d2是DsE的近似變量，d3是S的近似變量，bi、b2和b3分別是化egman迭代 第一、第二、第Ξ中間變量;α、β、丫、X分別是預設的第一、第二、第Ξ、第四權衡因子；
[0011] C、將相似圖像塊組集合中的所有去噪后的相似圖像塊組，重新組成視頻序列并保 存或輸出。
[0012] 較佳地，所述通過求解
[0013]
[0014] 確定去噪后的相似圖像塊組L包括：
[001引通過求解去噪圖像塊組L子問是
脈沖噪聲分量S子問題
去噪圖像塊組第一近似 變量E子問題
噪圖像塊組第二近似變量di 子問題
Ξ維殘差梯度近似變量d 2子問題
]脈沖噪聲分量近似變量d 3子問題
I計算去噪后的相似圖像塊組L其中，λι，λ2、λ3是預設 的第五、第六、第屯權衡因子，di是L的第二近似變量，cb是化Ε的近似變量，d3是S的近似變 量，bi、b2和b3分別是化egman迭代第一、第二、第Ξ中間變量。
[0016] 較佳地，所述計算去噪后的相似圖像塊組L包括：
[0017] 61、將變量1^、5、6、(11、(12、(13、61、62、63分別初始化為扣、0、11、11、0311、0、0、0、0，設迭 代次數k = 0;
[001引 b 2、根據第k次更新后的S、E、d 1、b 1進行L的第k + 1次更新，得到
:根據第k+1次更新后的L和第k次更新后的d3、b3進行S的 第k+1次更新，得到
根據第k+1次更新后的L和第k次更新后的cb、 b2進行E的第k+1次更新，得到
癢中，I代表 單位矩陣；
[0019] b3、對變量山進行第k+1次更新，得函
其中，U、A、V分別 是將矩陣
t進行奇異值分解后得到的左正交基、對角矩陣、右正交基;shrink( ·) 是收縮算子;對變量cb進行第k+1次更新，得到
；對變量d3進 行第k+1次更新，得到
[0020] b4、根據第k次更新后的bi、di和第k+1次更新后的L進行bi的第k+1次更新，得到
4良據第k次更新后的b2、cb和第k+1次更新后的E進行b2的第k+1次更 新，得到
，根據第k次更新后的b3、d3和第k+1次更新后的S進行b3的 第k+1次更新，得質
[0021] b5、將k進行自加后返回步驟bl，直到達到預設的循環終止條件，并將當前第k+1次 更新后的L作為去噪后的相似圖像塊組。
[0022] 較佳地，采用梯度下降法計算[的+店跨)Λ
[0023] 較佳地，所述循環終止條件為:循環迭代次數k+1達到預設的循環次數上限時，終 止循環;或者，變量L的相對變化值||1>+1-1>Μρ/| |1>| If小于預先設定的循環終止口限時， 終止循環。
[0024] 較佳地，所述循環上限為30,和/或，循環終止口限為10一4。
[0025] 由上述技術方案可見，本申請中，首先對含噪視頻進行塊匹配，得到相似圖像塊組 集合;接下來，為每個相似圖像塊組分別建立去噪相似圖像塊組子問題、脈沖噪聲分量子問 題、去噪圖像塊組第一近似變量子問題、去噪圖像塊組第二近似變量子問題、Ξ維殘差梯度 近似變量子問題、脈沖噪聲分量近似變量子問題，并交替迭代求解各子問題;在每次迭代結 束前，更新化egman迭代中間變量;在達到預設的循環終止條件后，將最近更新的去噪相似 圖像塊組進行保存。通過上述方式，不僅考慮視頻內的非局部相似性，同時還考慮了局部相 似性進行視頻去噪，有效提高了去噪的性能和效果。
【附圖說明】
[0026] 圖1為本發明所采用的針對混合噪聲的視頻去噪方法流程圖；
[0027] 圖2a為包含脈沖噪聲和高斯噪聲的測試視頻序列"Bus";
[0028] 圖化為采用中值濾波結合BM4D的方法去噪后的視頻序列"Bus";
[0029] 圖2c為采用本申請實施例的方法去噪后的視頻序列"Bus";
[0030] 圖3a為包含脈沖噪聲和高斯噪聲的測試視頻序列"Mobile";
[0031] 圖3b為采用中值濾波結合BM4D的方法去噪后的視頻序列"Mobile";
[0032] 圖3c為采用本申請實施例的方法去噪后的視頻序列"Mobile"。
【具體實施方式】
[0033] 為了使本申請的目的、技術手段和優點更加清楚明白，W下結合附圖對本申請做 進一步詳細說明。
[0034] 首先，分析【背景技術】中去噪方法存在的問題及其原因。對于【背景技術】中提到的采 用塊匹配分解為若干相似圖像塊組并分解為低秩矩陣和稀疏矩陣之和的方法，雖然能夠同 時去除脈沖噪聲和加性高斯噪聲，但是在去噪處理的過程中，沒有考慮圖像塊組在梯度域 上的稀疏特性，也就是說，該方法僅利用了視頻內的非局部相似性，而沒有利用局部相似 性，因此導致其去噪效果仍然不夠理想。
[0035] 基于上述對現有去噪方法性能缺陷的原因分析，本發明提出一種全新的混合噪聲 的視頻去噪方法，充分利用視頻內的局部相似性W及非局部相似性，W進一步提升去噪后 視頻的質量。具體地，本申請提出的視頻去噪方法中，對含噪視頻使用塊匹配分解成多個相 似圖像塊組，利用相似圖像塊組的低秩特性W及局部先驗信息建立最優化問題，用于進行 視頻去噪處理，具體包括：
[0036] 步驟a,對含噪視頻序列中的每個圖像塊進行塊匹配，確定對應的相似圖像塊組， 將含噪視頻序列中所有視頻塊對應的相似圖像塊組構成相似圖像塊組集合。
[0037] 具體地，在包含脈沖噪聲W及高斯噪聲的含噪視頻序列上進行塊匹配，得到含噪 相似圖像塊組集合{Ml}。其中，集合{Ml}將含噪相似圖像塊組中的每個正方形圖像塊數據按 照列向量排列，Ml代表第i個含噪相似圖像塊組形成的矩陣。塊匹配為現有技術，例如，可W 將圖像塊大小選取為8 X 8，對每個圖像塊，在前后50帖上尋找共計250個與其最相似的圖像 塊形成一個相似圖像塊組。在得到所有相似圖像塊組后，對每個含噪相似圖像塊組執行下 述步驟進行噪聲去除。
[0038] 步驟b，對相似圖像塊組集合中的每個相似圖像塊組Ml,根據該相似圖像塊組的局 部相似性信息，確定去噪后的相似圖像塊組L。
[0039] 首先，介紹一下利用相似圖像塊組低秩特性和局部先驗信息建立的最優化問題。
[0040] 在進行去噪處理時，W相似圖像塊組為單位進行，最優化問題也是針對每個相似 圖像塊組建立的。設置L表示去噪后的相似圖像塊組中各個圖像塊數據按照列向量排列構 成的矩陣，S表示分離出的脈沖噪聲分量按照列向量排列構成的矩陣。本申請中引入相似圖 像塊組梯度域的處理來表示相似圖像塊組的局部相似性信息，具體地，利用min II D3L II1來 表征局部相似性，其中，〇3是Ξ維殘差梯度算子，D3L代表首先將矩陣L中的各列兩兩相減取 殘差再計算殘差的梯度值，I I · Ml表示取1范數，將該取1范數后的結果最小化即能夠反映 相似圖像塊組的局部相似性。
[0041] 具體地，最基本的最優化問題為
[0042]
[0043] 在上述最優化問題中，引入了 II化L||i，同時利用對整個求和結果進行的最小化， 間接實現了的II化L||i最小化，從而使得上述最優化問題（1)考慮了相似圖像組的局部相似 性信息，正是由此，使得去噪后的相似圖像塊組既能夠同時去除脈沖噪聲和高斯加性噪聲， 同時還考慮了視頻的局部相似性，因此去噪效果優于現有技術。
[0044] 為進行公式（1)的求解，引入了新的變量6，(11，(12，(13，基于引入的新變量，將公式 (1) 中最基本的最優化問題進一步變形為如下形式：
[0045]
[0046] 其中，E是L的第一近似變量，di是L的第二近似變量，cb是化E的近似變量，d3是S的 近似變量，bi、b2和b3分別是化egman迭代第一、第二、第Ξ中間變量;α、β、丫、X分別是預設的 第一、第二、第Ξ、第四權衡因子。上述公式（2)即為本申請中設置的最優化問題的最終形 式。通過求解公式(2)確定去噪后的相似圖像塊組，在公式(2)中的化Ε近似于公式（1)中的 化L，因此
的最小化也就反映了相似圖像塊組的局部相似性，從而保證確定 出的去噪后的相似圖像塊組能夠獲得較好的圖像質量。
[0047] 在利用公式(2)確定去噪后的相似圖像塊組L時，可W采用各種可行的方法對公式 (2) 進行求解，本申請對于具體的求解方式不做限定。同時，無論采用何種求解方法，確定出 的L都利用了局部相似性信息，因此，去噪后的相似圖像塊組均能夠具備更優的圖像質量。
[0048] 步驟C，將所有去噪后的相似圖像塊組排列成視頻序列保存或輸出。
[0049] 至此，即完成了本申請中的針對混合噪聲的視頻去噪方法。
[0050] 下面針對公式(2)，給出一種具體的求解方式。當然，本申請不限于該求解方式。具體 地，可W將公式(2)分解成若干子問題再交替迭代進行求解。更詳細地，為每個相似圖像塊組分 別建立去噪相似圖像塊組L子問題
脈沖噪聲分量S子問題
去噪圖像塊組第一近 似變量Ε子問題
去噪圖像塊組第二近似變量山子 問題Ξ維殘差梯度近似變量d 2子問題 I '
-
脈沖噪聲分量近似變量d 3子問題
，求解該六個子問題，從而確定去噪后的相似圖像塊組 L。具體地，可W通過交替迭代求解上述各子問題;并在每次迭代結束前，更新化egman迭代 中間變量;在達到預設的循環終止條件后，將最近更新的去噪相似圖像塊組進行保存。
[0051] 下面通過具體實施例說明本申請的具體實現。圖1為本申請所采用的針對混合噪 聲的視頻去噪方法流程圖。如圖1所示，該方法包括W下步驟：
[0052] 步驟100:對含噪視頻進行塊匹配，得到相似圖像塊組集合。
[0053] 本步驟的處理與前述步驟a相同，運里就不再寶述。
[0化4] 步驟101:設置i = l。
[0055] 運里，i代表相似圖像塊組的序號，初始值為1。
[0056] 步驟102:設置k = 0，初始化相關變量。
[0057] 運里，k代表循環的迭代次數，初始值為1。將變量1^、5、6、山、(12、(13、131、62、63分別初 始化為 Mi、0、Mi、Mi、D3Mi、0、0、0、0。
[005引其中，L是去噪后的相似圖像塊組，S是分離出的脈沖噪聲分量，E是L的第一近似變 量，山是L的第二近似變量，d2是化E的近似變量，d3是S的近似變量，bi、b2和b3分別是化egman 迭代第一、第二、第Ξ中間變量;03是Ξ維殘差梯度算子，D3L代表首先將矩陣L中的各列兩兩 相減取殘差，再計算殘差的梯度值。
[0化9 ]步驟103:進行變量L、S、E的第k+1次更新。
[0060]具體地，如前所述，為了求解公式(2)，需要分別計算去噪圖像塊組L子問題
[0066] 其中，α、β、丫、X分別是預設的第一、第二、第Ξ、第四權衡因子，在本實例中分別取 經驗值為α = 0.1σ，β = 〇.〇1σ，丫 =0.01〇，乂 = 0.03〇,〇是視頻中高斯噪聲的標準差。
[0067] 其中，通過求解公式(3)，得到變量L的第k+1次更新的計算公式為
[0068]
( 6 )
[0069] 通過求解公式(4)，得到變量S的第k+1次更新的計算公式為
[0070]
(7)
[0071] 通過求解公式(5)，得到變量E的第k+1次更新的計算公式為
[00巧
（8 )
[0073] 其中，I是單位矩陣；在計算|>/+片邱馬^時，需要進行矩陣求逆，為了降低復雜 度，優選地，可W采用梯度下降法計算公式(8)。梯度下降法是現有技術，在此不再寶述。
[0074] 步驟104:進行變量di、cb和d3的第k+1次更新。
[0075] 具體地，為了求解公式(2)，需要分別求解去噪圖像塊組第二近似變量di子問題
[0076]
(9)
[0077] Ξ維殘差梯度近似變量cb子問題
[0078]
(10)
[0079] 脈沖噪聲矩陣近似變量d3子問題
[0080]
( 11 )
[0081] 其中，λι，λ2和λ3是預設的第五、第六、第屯權衡因子，在本實例中分別取經驗值為 10α，20β和 100 丫。
[0082] 其中，通過求解公式(9)，得到di的第k+1次更新的計算公式為
[0083] (12 )
[0084] 其中，U、A、V分別是將矩陣(必+1 +6f )進行奇異值分解后得到的左正交基、對角矩 陣、右正交基;shrink(.)是收縮算子，為現有技術，在此不再寶述。
[0085] 通過求解公式(10)，得到cb的第k+1次更新的計算公式為
[0086] (1:3 )
[0087]通過求解公式(11)，得到d3的第k+1次更新的計算公式為 [008引 (14)
[0089] 步驟105:進行變量bi、b2和b3的第k+1次更新。
[0090] 具體地，根據化egman迭代方法，bi、b2和b3的第k+1次更新的計算公式分別為
[0094]步驟106:判斷是否滿足循環迭代終止條件，若循環迭代終止條件滿足，則進入步 驟107;否則將k自加返回步驟103。
[00%]具體的循環迭代終止條件可W根據性能需求和復雜度進行設定，本申請不做限 定。例如可W在下述任一條件滿足時，認為循環迭代終止條件滿足：
[0096] A、迭代次數k+1到達內循環上限N"N可W根據實際需求設定，基于復雜度和方法性 能的權衡考慮，在本實例中N取值為30;
[0097] B、變量L的相對變化值過小，即：Μ?>+?-1>|Μ|?>||ρ<τ。其中Lk代表第k次迭代下L 的更新值，τ是口限值，τ的具體取值可W根據實際需求設定，基于復雜度和方法性能的權衡 考慮，在本實例中取值為1 0-4。
[0098] 步驟107:將最近更新的L作為去噪后的第i個相似圖像塊組保存。
[0099] 步驟108:判斷是否已經處理所有的相似圖像塊組，若處理完畢，則進入步驟109; 否則將i自加返回步驟102。
[0100] 步驟109:將所有去噪后的相似圖像塊組排列成視頻序列保存或輸出。
[0101] 至此，即完成了本實施例中的針對混合噪聲的視頻去噪方法。
[0102] 需要進一步說明的是，本申請中的混合噪聲的視頻去噪方法只適用于同時受到高 斯噪聲和脈沖噪聲干擾的視頻序列中的噪聲去除技術。
[0103] 為說明本申請重建方法的性能，在Matlab平臺中進行仿真，分別采用圖1所述實施 例中的重建方法與現有的中值濾波結合BM4D的視頻去噪方法進行比較。采用的測試視頻序 列為巧US"、叮empete"和"Mobile";圖像尺寸為352 X 288。
[0104] 表1展示了在不同級別的高斯噪聲和脈沖噪聲干擾下，3個測試圖像的去噪結果峰 值信噪比（Peak Si即al to Noise Ratio,PSNR)比較。其中，日代表高斯噪聲的標準差，P代 表脈沖噪聲出現的概率。從表1的結果可知，本發明方法效果明顯好于中值濾波結合BM4D的 視頻去噪方法，特別是對于"Mobile"序列，PSNR的增益在所有噪聲條件下均達到或超過 4地。
[0105] 圖2a和圖3a分別給出了在噪聲級別為（0 = 10，p= 15%)的前提下"Bus"序列和 "Mobile"序列下的原始含噪視頻、中值濾波結合BM4D的視頻去噪方法結果W及本發明方法 的結果的主觀質量比較。從圖2b和圖3b中可W看出，采用中值濾波結合BM4D的方法得到的 結果過于平滑，圖像細節信息丟失明顯，并且由于脈沖噪聲去除不徹底，圖2b和圖3b對應的 彩色圖像會明顯看到出現了偽色彩;從圖2c和圖3c中可W看出，采用本實施例中的去噪方 法，有明顯的主觀質量提升，邊緣和細節信息更為清晰。
[0106]
[010引表1不同噪聲條件下測試序列的PSNR比較(地）
[0109] 總之，采用本申請所述的方法，能夠充分利用視頻內的非局部相似性W及局部相 似性，建立最優化問題并交替迭代求解，從而克服傳統視頻去噪方法的不足，大幅度提升去 噪視頻質量。
[0110] W上所述僅為本發明的較佳實施例而已，并不用W限制本發明，凡在本發明的精 神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本發明保護的范圍之內。
【主權項】
1. 一種針對混合噪聲的視頻去噪方法，其特征在于，該方法包括： a、 對含噪視頻序列中的每個圖像塊進行塊匹配，確定對應的相似圖像塊組，將所述含 噪視頻序列中所有視頻塊對應的相似圖像塊組構成相似圖像塊組集合； b、 對所述相似圖像塊組集合中的每個相似圖像塊組I，根據該相似圖像塊組的局部相 似性信息，通過求解確定去噪后的相似圖像塊組L;其中，M,為一個圖像塊組中的各個圖像塊數據按照列向 量排列構成的矩陣，L是去噪后的相似圖像塊組中各個圖像塊數據按照列向量排列構成的 矩陣，S是分離出的脈沖噪聲分量按照列向量排列構成的矩陣，D 3是三維殘差梯度算子，D3L 代表首先將矩陣L中的各列兩兩相減取殘差再計算殘差的梯度值，E是L的第一近似變量，cU 是L的第二近似變量，(1 2是0疋的近似變量，d3是S的近似變量，h、b#Pb3分別是Bregman迭代 第一、第二、第三中間變量;α、β、γ、x分別是預設的第一、第二、第三、第四權衡因子； c、 將相似圖像塊組集合中的所有去噪后的相似圖像塊組，重新組成視頻序列并保存或 輸出。2. 根據權利要求1所述的方法，其特征在于，所述通過求解確定去噪后的相似圖像塊組L包括： 通過求解去噪圖像塊組L子問I脈沖噪聲分量S子問遇丨噪圖像塊組第一近 似變量E子問題去噪圖像塊組第二近似變 量di子問題三維殘差梯度近似變量cb子問題和脈沖噪聲分量近似變量d 3子問題f算去噪后的相似圖像塊組L;其中，心，\2、\ 3是預設 的第五、第六、第七權衡因子，cU是L的第二近似變量，(12是0疋的近似變量，d3是S的近似變 量，h、b2和b3分別是Bregman迭代第一、第二、第三中間變量。3. 根據權利要求2所述的方法，其特征在于，所述計算去噪后的相似圖像塊組L包括： 131、將變量1^4、(1 1、(12、(13、131、132、13 3分別初始化為吣、0、]^、]^、03]^、0、0、0、0，設迭代次 數 k = 0; b 2、根據第k次更新后的S、E、d i、b i進行L的第k + 1次更新，得到;根據第k+1次更新后的L和第k次更新后的d3、b 3進行S 的第k+Ι次更新，得?f據第k+1次更新后的L和第k次更新后 的d2、b2進行E的第k+Ι次更新，得到i 中，I代表單位矩陣； b3、對變量cb進行第k+Ι次更新，得;其中，U、A、V分別是將 矩陣(於+1+,〇進行奇異值分解后得到的左正交基、對角矩陣、右正交基;shrink( ·)是收 縮算子;對變量d2進行第k+Ι次更新，得至[| 對變量d3進行 第k+Ι次更新，得到<b4、根據第k次更新后的In、cU和第k+Ι次更新后的L進行In的第k+Ι次更新，得到 _ .. 根據第k次更新后的b 2、d2和第k+Ι次更新后的E進行b2的第k+Ι次更 新，得到#+1 =? + ，根據第k次更新后的b3、d3和第k+Ι次更新后的S進行b 3的 第k+Ι次更新，得到鳑+1 =力| +於+1 - 4+1; b5、將k進行自加后返回步驟bl，直到達到預設的循環終止條件，并將當前第k+Ι次更新 后的L作為去噪后的相似圖像塊組。4. 根據權利要求3所述的方法，其特征在于，采用梯度下降法計算(// + 。5. 根據權利要求3所述的方法，其特征在于，所述循環終止條件為:循環迭代次數k+Ι達 到預設的循環次數上限時，終止循環;或者，變量L的相對變化值| |Lk+1-Lk| |F/| |Lk| |F小于 預先設定的循環終止門限時，終止循環。6. 根據權利要求5所述的方法，其特征在于，所述循環上限為30,和/或，循環終止門限 為10-4。
【文檔編號】H04N5/21GK105872315SQ201610199938
【公開日】2016年8月17日
【申請日】2016年4月1日
【發明人】常侃, 張智勇, 陳誠, 覃團發, 唐振華
【申請人】廣西大學