專利名稱：基于混合二分圖聚類集成的圖像分割方法
技術領域：
本發(fā)明屬于圖像處理技術領域，更進一步涉及圖像分割領域的一種基于混合二分圖聚類集成的圖像分割方法。本發(fā)明可用于對彩色RGB圖像或合成孔徑雷達圖像進行區(qū)域分割，以達到識別目標的目的。
背景技術：
圖像分割是圖像處理的基本問題之一，是實現對圖像進行目標識別的基礎。圖像分割的任務是把圖像分成互不相交的區(qū)域，每一區(qū)域都滿足特定的區(qū)域一致性，不同區(qū)域具有顯著的差異性。圖像分割方法可分為基于區(qū)域和基于邊緣兩類方法?；趨^(qū)域的方法中閾值分割和空間聚類方法是應用最普遍的。空間聚類方法分割圖像是用每個圖像像素的特征表示其像素，通過把該像素特征作為對象進行聚類的方法找到這些特征和其對應像素的標號，從而達到圖像分割的目的。從分割結果的角度看，圖像分割的過程就是給每個像素賦予一個標號，該標號反映像素在分割結果中所屬的類別。只要找到這些特征的標號，就能實現對像素的分類，從而得到圖像分割的結果。不同的圖像分割方法對圖像分割的表現不同，如何能夠合并多種待選分割方案，得到一組合并的最終分割方案在圖像分割的應用中具有積極的意義，聚類集成技術提供了一種合并圖像多種分割方案的途徑，能夠有效提高圖像分割的精度。聚類集成技術可劃分為基于目標函數的聚類集成和基于圖的聚類集成，基于圖的聚類集成在現實應用中較普遍，基于圖的聚類集成首先對集成解集合構建一個無向加權圖，并通過圖劃分方法、譜方法等來對構建的圖進行劃分，得到一個集成的最終解。多組圖像分割方案可以組成集成解集合，通過聚類集成，能夠將多組圖像分割結果合并，得到集成的圖像分割結果，可以有效的提聞圖像分割精度。西安電子科技大學擁有的專利技術“基于多目標免疫聚類集成的無監(jiān)督圖像分割方法”(專利申請?zhí)?01010192821. 1，公開號CN101847263A，授權公告號101847263B)中公開了一種利用多目標免疫聚類和集成技術的圖像分割方法。該專利技術的實施步驟是步驟一，提取待分割圖像的灰度信息和小波能量信息；步驟二，采用基于區(qū)域的采樣策略對圖像采樣生成測試樣本集；步驟三，選取不同的特征向量構成若干子測試樣本集；步驟四，采用多目標免疫算法的進化聚類，產生初分割方案；步驟五，集成學習出初分割方案集中的最優(yōu)分割方案；步驟六，依據已選擇出的分割方案標記圖像像素點類別歸屬；步驟七，輸出圖像分割結果。該專利技術雖然能夠解決分割方案形式單一和多個分割方案選擇困難的問題，但是仍然存在的不足是只對子測試樣本集的初分割方案進行集成，最終的分割結果很大程度上取決于測試樣本集在等面積區(qū)域隨機選擇的過程中選擇的好壞，極端的情況是當選擇的測試樣本集都是同類別時，會造成集成的子測試樣本分割方案標記質量較差，其余未標記像素根據集成后的子測試樣本方案中已標記像素進行類別歸屬劃分時，無法得到有效的圖像分割結果，另外，在集成學習階段，構建的無向規(guī)則圖中缺少對數據信息的考慮，只利用類別信息來形成超譜邊，使得利用圖包劃分無向規(guī)則圖時，分割結果不能有效表達圖像中的一些細節(jié)。南京大學擁有的專利技術“基于聚類學習器集成的數字圖像分割方法”(專利申請?zhí)?00410041172. X，公開號CN1595432，授權公告號1313964)中公開了一種基于聚類學習器集成的數字圖像分割方法。該專利技術的實施步驟是將圖像轉化為像素向量集合；利用像素向量集合訓練出多個聚類學習器；將各聚類學習器的聚類結果進行結合以產生粗分割結果；去除粗分割結果中的孤立點；將像素少的小區(qū)域并入其最大鄰域^fRGB均值小的區(qū)域并入其最近鄰域。該專利技術雖然能夠提高數字圖像分割精度，但是仍然存在的不足是各聚類學習器使用的聚類標記需要進行配準，以進行聚類結果的結合，增加了計算資源，降低了運行效率。 北京中星微電子有限公司擁有的專利技術“一種彩色圖像的分割方法”(專利申請?zhí)?00810055833. 2，公開號CN101216890，授權公告號101216890B)中公開了一種彩色圖像的分割方法，該專利技術的實施步驟是輸入待分割圖像并進行初始化設定；使用多種不同的模糊聚類算法分別對該圖像進行分割，相應得到多個隸屬度矩陣；以多個隸屬度矩陣中的一個作為基準矩陣，對余下的其他隸屬度矩陣分別配準各隸屬度矩陣的類別標記，并按照配準后的類別標記對各隸屬度矩陣進行重新配準排列，相應得到經配準后的隸屬度矩陣；將配準后的隸屬度矩陣以及該基準矩陣進行融合，得到一個融合后的隸屬度矩陣，并根據該融合后的隸屬度矩陣計算出每個像素點所對應的類別標記，從而實現圖像分割。該專利技術雖然能夠融合多種分割方案，但是仍然存在的不足是需要對隸屬度矩陣的類別標記進行配準，增加了計算資源，降低了運行效率。

發(fā)明內容
本發(fā)明的目的在于克服上述已有技術的不足，提出了一種基于混合二分圖聚類集成的圖像分割方法。本發(fā)明提取圖像每個像素的特征，用基于混合二分圖聚類集成對圖像的所有數據特征樣本的多組分割結果進行合并，以解決現有圖像分割技術受子測試樣本影響大的缺點，可以有效的合并圖像的多組初分割結果，實現圖像的區(qū)域分割。本發(fā)明實現上述目的的思路是首先，對輸入的待分割圖像進行特征提取，得到圖像特征數據，利用K均值方法分別在歐式、街區(qū)、余弦距離測度下對圖像所有像素的特征數據進行聚類，得到三組聚類結果，作為圖像所有像素的三組分割方案，并將該三組分割方案組成集成解集合；其次，利用集成解集合生成級聯塊矩陣，并構建混合二分圖；然后，由級聯塊矩陣計算圖頂點的嵌入矩陣，將嵌入矩陣的每行看作圖像特征數據和集成解總類別的嵌入；接著，對嵌入矩陣進行聚類，得到嵌入矩陣的聚類標號；最后，利用嵌入矩陣的聚類標號對圖像像素進行類別標記，并將每個類別賦予一個灰度值，輸出待分割圖像的分割結果。為了實現上述目的，本發(fā)明的具體實現步驟如下(I)輸入一幅待分割圖像(2)判斷待分割圖像是否為彩色圖像2a)讀取待分割圖像數據，得到像素高度、像素寬度、屬性維數的三維數組；2b)判斷三維數組中屬性維數的個數，如果屬性維數大于1，則待分割圖像為彩色圖像，執(zhí)行步驟3a);如果屬性維數等于1，則待分割圖像為灰度圖像，執(zhí)行步驟3b)。
(3)提取圖像特征3a)提取圖像顏色特征，將步驟2a)中得到的三維數組按照圖像數據向量轉換方法進行轉換，得到每一行中的元素依次為待分割彩色圖像的RGB顏色特征的數據向量，將每個數據向量的RGB顏色特征作為待分割彩色圖像的特征；3b)提取圖像鄰域灰度特征，采用八方向鄰域灰度均值方法，得到待分割灰度圖像每個像素點的八方向鄰域灰度特征，將八方向 鄰域灰度特征作為待分割灰度圖像的特征。(4)生成特征數據聚類標號采用隨機初始化中心的K均值聚類方法將待分割圖像的特征數據樣本進行聚類，聚類類別數為待分割圖像類別數，距離測度分別選擇歐式距離、街區(qū)距離和余弦距離，得到待分割圖像特征數據樣本的三組聚類標號。(5)生成解集合將三組聚類標號中的每一組作為一個聚類解，組成集成解集合。(6)生成級聯塊矩陣按照二值指示器矩陣生成方法分別生成每個聚類解的二值指示器矩陣，將每組解的二值指示器矩陣按順序水平相接組成級聯塊矩陣。(7)構建混合二分圖7a)按照圖頂點生成方法構建混合二分圖頂點，得到混合二分圖的類別頂點和數據頂點；7b)按照加權邊生成方法將類別頂點和數據頂點用加權邊連接，得到混合二分圖的加權邊。(8)生成嵌入矩陣8a)按照級聯塊矩陣加權方法，得到度矩陣和權值矩陣；Sb)按照嵌入矩陣生成方法，得到嵌入矩陣。(9) K均值聚類9a)按照優(yōu)選中心方法對嵌入矩陣進行初始聚類中心選擇，得到優(yōu)選的K個初始聚類中心；9b)將嵌入矩陣的每一行作為混合二分圖頂點對應數據的K維嵌入，利用優(yōu)選的K個初始聚類中心對嵌入矩陣進行K均值聚類，得到嵌入矩陣的聚類標號。(10)標記圖像將嵌入矩陣的前像素個數行的類別標號作為圖像每個像素點的類別標號，得到集成后的圖像像素類別標號。(11)產生分割圖像將圖像中具有相同類別標號的像素賦予一個灰度值，第一個類別標號對應的灰度值為0，最后一個類別標號對應的灰度值為255，其余的類別標號采用均勻劃分賦予灰度值，不同的類別標號對應不同的灰度值，輸出圖像分割結果。本發(fā)明與現有技術相比有以下優(yōu)點第一，本發(fā)明采用對圖像所有像素的多組分割方案構建混合二分圖，利用對嵌入矩陣的聚類，實現圖像像素類別的標記，能夠得到一組集成的分割方案，克服了現有技術集成時受采樣的子測試樣本集影響較大的缺點，使本發(fā)明能得到一組較優(yōu)的集成分割結果。
第二，本發(fā)明采用對嵌入矩陣聚類的方法進行集成，不需要對每組初分割結果進行類別標記配準，克服了現有技術需要對聚類學習器和隸屬度矩陣進行類別標記配準的缺點，使本發(fā)明節(jié)省了計算資源，提高了處理速度。第三，本發(fā)明將多組分割方案構建成包含數據頂點和類別頂點的混合二分圖，充分利用了多組初分割結果中數據信息和類別信息，克服了現有技術只利用數據信息或類別信息進行圖構建容易丟失圖像細節(jié)信息的缺點，使本發(fā)明更好地發(fā)現圖像的細節(jié)。


圖I為本發(fā)明的流程圖；圖2為本發(fā)明與現有技術在彩色RGB圖像上的分割結果對比圖；圖3為本發(fā)明與現有技術在合成孔徑雷達圖像上的分割結果對比圖。
具體實施例方式下面結合附圖I對本發(fā)明的步驟做進一步描述。步驟I，輸入一幅待分割圖像輸入一幅待分割圖像，要求待分割圖像的類型為彩色RGB自然圖像或灰度圖像。步驟2，判斷待分割圖像是否為彩色圖像首先，讀取待分割圖像數據，得到像素高度、像素寬度、屬性維數的三維數組。其次，判斷三維數組中屬性維數的個數，如果屬性維數大于1，則待分割圖像為彩色圖像；如果屬性維數等于1，則待分割圖像為灰度圖像。步驟3，提取圖像特征首先，提取圖像顏色特征，將三維數組按照圖像數據向量轉換方法進行轉換，得到每一行中的元素依次為待分割彩色圖像的RGB顏色特征的數據向量，將每個數據向量的RGB顏色特征作為待分割彩色圖像的特征。圖像數據向量轉換方法的步驟是，按照待分割圖像從上到下、從左到右的順序依次掃描圖像的每一列，將待分割圖像每列像素的屬性向量依次按列排列，第二列像素的屬性向量接到第一列像素的屬性向量上，依次排列圖像像素中的所有屬性向量，得到行數為圖像像素個數、列數為屬性維數的二維向量。其次，提取圖像鄰域灰度特征，采用八方向鄰域灰度均值方法，得到待分割灰度圖像每個像素點的八方向鄰域灰度特征，將八方向鄰域灰度特征作為待分割灰度圖像的特征。八方向鄰域灰度均值的方法的步驟如下建立一個正方形滑動窗口，其窗口的大小是MXM個像素，M取3 17之間的奇數，該正方形滑動窗口用于計算待分割圖像每個像素點的八鄰域灰度均值；采用上、下、左、右四個方向將待分割灰度圖像的邊界進行(M-l)/2個像素延展，其中M為正方形滑動窗口的邊長，使得延展后得到的新圖像適應滑動窗口進行八鄰域灰度均值計算，具體是滑動窗口在新圖像的四個角時，滑動窗口的中心像素剛好分別對應于原待分割灰度圖像四個角的像素；對新延展像素進行平滑填充，新延展像素的灰度值填充為原待分割圖像邊界像素中距其絕對值距離最近的像素的灰度值，得到邊界延展的新圖像，邊界延展的新圖像的向上延展像素的灰度值分別取原待分割圖像第一行像素的灰度值，向下延展像素的灰度值分別取原待分割圖像最后一行像素的灰度值，向左延展像素的灰度值分別取原待分割圖像第一列像素的灰度值，右延展像素分別取原待分割圖像最后一列像素的灰度值，延展邊界的新圖像上、下、左、右四個正方形角內各像素的灰度值分別取原待分割圖像上下左右四個角像素對應的灰度值；利用正方形滑動窗口在邊界延展的新圖像上按照從上到下、從左至右進行滑動，窗口中心像素的八方向鄰域灰度均值等于窗口中心像素的O度、45度、90度、135度、180度、225度、270度、315度八個方向鄰域上所有像素點灰度的均值，用每個像素點的八方向鄰域灰度均值，替換原待分割圖像每個像素點的灰度幅值，作為原待分割圖像的八方向鄰域灰度特征。步驟4，生成特征數據聚類標號采用隨機初始化中心的K均值聚類方法將待分割圖像的特征數據樣本進行聚類，聚類類別數為待分割圖像類別數，距離測度分別選擇歐式距離、街區(qū)距離和余弦距離，得到待分割圖像特征數據樣本的三組聚類標號，將該三組聚類結果作為圖像所有像素點的三種分割方案。K均值聚類方法聚類圖像的步驟是從圖像特征數據中隨機選擇K個像素的特征作為初始聚類中心，將每個聚類中心各自劃分為一類，計算圖像中所有像素點特征數據到K個聚類中心的距離，比較每個特征數據到K個聚類中心的距離，將最小值對應的聚類中心類別標號賦予該樣本，得到所有目標數據樣本標號，計算每類目標數據的平均值，得到新的聚類中心，比較新的聚類中心與原聚類中心是否相同，若新聚類中心與原聚類中心不同，則繼續(xù)迭代，將所有目標數據根據與新聚類中心的距離重新進行類別劃分，直到達到最大迭代次數，輸出聚類結果，如果新聚類中心和原聚類中心相同，則輸出聚類結果。K均值聚類中采用歐式、街區(qū)和余弦三種不同的距離測度的目的是使不同的分割方案能夠體現不同距離測度下的細節(jié)，歐式距離按照下式計算
權利要求
1.一種基于混合二分圖聚類集成的圖像分割方法，包括如下步驟 (1)輸入一幅待分割圖像 (2)判斷待分割圖像是否為彩色圖像 2a)讀取待分割圖像數據，得到像素高度、像素寬度、屬性維數的三維數組； 2b)判斷三維數組中屬性維數的個數，如果屬性維數大于1，則待分割圖像為彩色圖像，執(zhí)行步驟3a);如果屬性維數等于1，則待分割圖像為灰度圖像，執(zhí)行步驟3b)；(3)提取圖像特征 3a)提取圖像顔色特征，將步驟2a)中得到的三維數組按照圖像數據向量轉換方法進行轉換，得到每一行中的元素依次為待分割彩色圖像的RGB顔色特征的數據向量，將每個數據向量的RGB顏色特征作為待分割彩色圖像的特征； 3b)提取圖像鄰域灰度特征，采用八方向鄰域灰度均值方法，得到待分割灰度圖像每個像素點的八方向鄰域灰度特征，將八方向鄰域灰度特征作為待分割灰度圖像的特征； (4)生成特征數據聚類標號 采用隨機初始化中心的K均值聚類方法將待分割圖像的特征數據樣本進行聚類，聚類類別數為待分割圖像類別數，距離測度分別選擇歐式距離、街區(qū)距離和余弦距離，得到待分割圖像特征數據樣本的三組聚類標號； (5)生成解集合 將三組聚類標號中的每ー組作為ー個聚類解，組成集成解集合； (6)生成級聯塊矩陣 按照ニ值指示器矩陣生成方法分別生成每個聚類解的ニ值指示器矩陣，將每組解的ニ值指示器矩陣按順序水平相接組成級聯塊矩陣； (7)構建混合二分圖 7a)按照圖頂點生成方法構建混合二分圖頂點，得到混合二分圖的類別頂點和數據頂點； 7b)按照加權邊生成方法將類別頂點和數據頂點用加權邊連接，得到混合二分圖的加權邊； (8)生成嵌入矩陣 8a)按照級聯塊矩陣加權方法，得到度矩陣和權值矩陣； Sb)按照嵌入矩陣生成方法，得到嵌入矩陣； (9)K均值聚類 9a)按照優(yōu)選中心方法對嵌入矩陣進行初始聚類中心選擇，得到優(yōu)選的K個初始聚類中心； 9b)將嵌入矩陣的每一行作為混合二分圖頂點對應數據的K維嵌入，利用優(yōu)選的K個初始聚類中心對嵌入矩陣進行K均值聚類，得到嵌入矩陣的聚類標號；(10)標記圖像 將嵌入矩陣的前像素個數行的類別標號作為圖像每個像素點的類別標號，得到集成后的圖像像素類別標號； (11)產生分割圖像將圖像中具有相同類別標號的像素賦予ー個灰度值，第一個類別標號對應的灰度值為O，最后ー個類別標號對應的灰度值為255，其余的類別標號采用均勻劃分賦予灰度值，不同的類別標號對應不同的灰度值，輸出圖像分割結果。
2.根據權利要求I所述的基于混合二分圖聚類集成的圖像分割方法，其特征在于，步驟3a)中所述的圖像數據向量轉換方法的步驟是，按照待分割圖像從上到下、從左到右的順序依次掃描圖像的每一列，將待分割圖像每列像素的屬性向量依次按列排列，第二列像素的屬性向量接到第一列像素的屬性向量上，依次排列圖像像素中的所有屬性向量，得到行數為圖像像素個數、列數為屬性維數的ニ維向量。
3.根據權利要求I所述的基于混合二分圖聚類集成的圖像分割方法，其特征在于，步驟3b)所述的八方向鄰域灰度均值方法的步驟 第I步，建立ー個正方形滑動窗ロ，其窗ロ的大小是MXM個像素，M取3 17之間的奇數； 第2步，采用上、下、左、右四個方向將待分割灰度圖像的邊界進行(M-l)/2個像素延展，其中M為正方形滑動窗ロ的邊長； 第3步，對新延展像素進行平滑填充，新延展像素的灰度值填充為原待分割圖像邊界像素中距其絕對值距離最近的像素的灰度值，得到邊界延展的新圖像； 第4步，利用正方形滑動窗ロ在邊界延展的新圖像上按照從上到下、從左至右進行滑動，窗口中心像素的八方向鄰域灰度均值等于窗口中心像素的O度、45度、90度、135度、180度、225度、270度、315度八個方向鄰域上所有像素點灰度的均值，用每個像素點的八方向鄰域灰度均值，替換原待分割圖像每個像素點的灰度幅值，作為原待分割圖像的八方向鄰域灰度特征。
4.根據權利要求I所述的基于混合二分圖聚類集成的圖像分割方法，其特征在于，步驟(4)所述K均值聚類方法的步驟是，從圖像特征數據中隨機選擇K個像素的特征作為初始聚類中心，將每個聚類中心各自劃分為ー類，計算圖像中所有像素點特征數據到K個聚類中心的距離，比較每個特征數據到K個聚類中心的距離，將最小值對應的聚類中心類別標號賦予該樣本，得到所有目標數據樣本標號，計算每類目標數據的平均值，得到新的聚類中心，比較新的聚類中心與原聚類中心是否相同，若新聚類中心與原聚類中心不同，則繼續(xù)迭代，將所有目標數據根據與新聚類中心的距離重新進行類別劃分，直到達到最大迭代次數，輸出聚類結果，如果新聚類中心和原聚類中心相同，則輸出聚類結果。
5.根據權利要求I所述的基于混合二分圖聚類集成的圖像分割方法，其特征在于，步驟(6)所述ニ值指示器矩陣生成方法的步驟是，構建一個矩陣，矩陣的行數等于圖像像素個數，矩陣的列數等于圖像類別數，根據集成解集合中每組解的結果將每組解對應的ニ值指示器矩陣中元素分別賦值0和1，如果解中的ー個數據屬于同一個類別，則該組解的ニ值指示器矩陣中該數據所對應的行和該類別所對應的列的元素值為1，否則為O。
6.根據權利要求I所述的基于混合二分圖聚類集成的圖像分割方法，其特征在于，步驟7a)所述圖頂點生成方法的步驟是 第I步，構建rK+n個混合二分圖頂點，其中，r表示集成解集合中解的數量，K表示圖像類別數，n表示圖像像素個數； 第2歩，建立頂點與類別和數據的對應關系，前K個頂點依次與集成解集合中第一組解的第I個類別到第K個類別對應，第K+1到2K個頂點依次與集成解集合中第二組解中的K個類別依次對應，按此種方式，將剩余的rK-2K個類別頂點依次與集成解集合中剩余組中的各個類別對應，第rK+1對應圖像特征數據中的第I個數據，第rK+2個頂點對應圖像特征數據中的第2個數據，按此種方式，將剩余的n-2個數據頂點依次與圖像特征數據中的剰余的n-2個數據對應，前rK個頂點為類別頂點，后n個頂點為數據頂點。
7.根據權利要求I所述的基于混合二分圖聚類集成的圖像分割方法，其特征在于，步驟7b)所述加權邊生成方法的步驟是 第I步，按照下式構建混合二分圖的邊權值矩陣
8.根據權利要求I所述的基于混合二分圖聚類集成的圖像分割方法，其特征在于，步驟8a)所述級聯塊矩陣加權方法的步驟是 第I步，按照下式計算度矩陣
9.根據權利要求I所述的基于混合二分圖聚類集成的圖像分割方法，其特征在于，步驟8b)所述嵌入矩陣生成方法的步驟是 第I步，將權值矩陣進行奇異值分解，得到權值矩陣的K個最大奇異值所對應的左奇異特征向量和右奇異特征向量，按照奇異值由大到小依次排列奇異值所對應的左、右奇異特征向量，得到排列好的左奇異特征向量U1, U2, . . . , Uk和右奇異特征向量V1, V2, . . . , Vk ; 第2步，將排列好的左、右奇異特征向量分別按列組成新矩陣，得到左奇異特征向量矩陣U = [U1, U2, , Uk]和右奇異特征向量矩陣V = [V1, V2, , Vk]; 第3步，將左、右奇異特征向量矩陣U和V上下疊加，得到疊加矩陣，滿足下式
10.根據權利要求I所述的基于混合二分圖聚類集成的圖像分割方法，其特征在于，其中步驟9a)所述優(yōu)化中心方法的步驟是 第1步，隨機選擇嵌入矩陣的一行作為第一個初始聚類中心； 第2步，計算嵌入矩陣中剰余的每一行到上一次選擇的初始聚類中心的點積模值，將點積模值最小的一行作為下ー個初始聚類中心； 第3步，選取的行不被重復選擇，按照第2步的方法，選取剩余的初始聚類中心，直到全部K個初始聚類中心選擇完畢。
全文摘要
本發(fā)明公開一種基于混合二分圖聚類集成的圖像分割方法，主要解決現有技術中集成時需要對類別標記進行配準和信息利用不足的問題。其方法步驟為(1)輸入一幅待分割圖像；(2)判斷圖像是否為彩色圖像；(3)提取圖像特征；(4)生成特征數據聚類標號；(5)生成解集合；(6)生成級聯塊矩陣；(7)構建混合二分圖；(8)生成嵌入矩陣；(9)K均值聚類；(10)標記圖像；(11)產生分割圖像。本發(fā)明有效的利用了圖像初分割結果中的數據和類別信息，能發(fā)現更多細節(jié)，集成時不需要進行類別標記配準，節(jié)省了計算資源；對所有圖像像素特征數據進行集成，能夠解決子測試樣本集對分割結果影響大的問題。
文檔編號G06T7/00GK102737381SQ20121019450
公開日2012年10月17日 申請日期2012年6月13日 優(yōu)先權日2012年6月13日
發(fā)明者于昕, 劉芳, 吳建設, 曹勝偉, 李陽陽, 焦李成, 王爽, 王達 申請人:西安電子科技大學