一种基于人眼感知的质降参考立体图像质量客观评价方法技术

本发明专利技术公开了一种基于人眼感知的质降参考立体图像质量客观评价方法，其通过结合人眼对立体图像的双目感知特性，考虑人眼的双目融合特性和双目竞争特性，对无失真的立体图像的左视点图像和右视点图像及失真的立体图像的左视点图像和右视点图像实施双目立体感知分解，得到各自的双目融合区域和双目竞争区域，再提取无失真的立体图像的左视点图像和右视点图像各自的双目融合区域和双目竞争区域有效的质降参考特征，利用提取的质降参考特征对失真的立体图像进行评价，能够有效地提高客观评价结果与主观感知之间的相关性。

【技术实现步骤摘要】

本专利技术涉及一种图像质量评价方法，尤其是涉及一种基于人眼感知的质降参考立体图像质量客观评价方法。
技术介绍
随着三维图像和视频技术的不断发展，立体图像的应用已经大量的融入到人类社会生活中，如立体电视、立体电影、裸眼3D等已变得十分普遍。然而，在立体图像采集、压缩、编码、传输、显示等过程中或多或少会引入不同程度和不同类型的失真。因而，对立体图像的质量评价是不可或缺的，立体图像质量评价可分为主观评价和客观评价两大类，如何用客观模型准确评价立体图像的质量成为了图像研究领域的一个关键问题。目前，对立体图像质量客观评价主流方法为全参考的质量客观评价方法，但全参考的质量客观评价方法在评价立体图像质量时，需要在接收端用到原始图像，因此对传送信道有更高的要求。一些研究者提出的无参考的质量客观评价方法虽然不需要额外的信息传输，但评价准确性普遍较差。而质降参考的质量客观评价方法通过提取原始图像的特征，在接收端评价图像质量，只需传输较少的特征信息，相比全参考的质量客观评价方法，节省了传输图像信息所需的带宽，相比无参考的质量客观评价方法，客观评价结果与主观一致性更好。质降参考的质量客观评价方法在平面图像和视频的质量评价中有一定的应用。Wang提出了一种基于小波域的质降参考图像质量评价模型(Reduced-reference image quality assessment,RR-IQA)，该模型通过统计小波子带系数的分布密度函数，来提取参考图像的特征参数，度量图像的失真程度；Chaminda提出了一种基于边缘特征提取的质降参考视频质量评价模型，该模型通过深度图和彩色图来提取边缘，再提取质降参考特征；Rehman通过对图像结构相似度提取统计特征作为半参考的特征值，提出了一种基于结构相似度的半参考图像质量评价方法。以上的半参考模型方法在图像的特征提取上使用了很少的特征值个数，对于带宽的利用率较高，但是在评价上，只能针对特定的一种或者几种失真类型取得较好的评价结果，普适性较差。当前，对于立体图像和视频领域而言，质降参考的质量客观评价方法还很少。在国际会议“3D电视-会议：真实的三维视频视觉捕捉，传输和显示”(3DTV-Conference:The True Vision-Capture,Transmission and Display of3D Video)上公开的文章《三维深度图传输的质降参考质量评价模型》(Reduced-reference quality metric for3D depth map transmission)，其考虑到视频传输的实时性，通过对立体图像的边缘信息质降参考的特征的提取，提出了一种质降参考的立体质量评价模型，但是该模型并未充分考虑到人眼的立体感知特性，且评价效果不够准确。此外，通过水印嵌入的方式，来作为质降图像特征的方法也取得了一定的成果。在国际期刊“信号处理:图像通信”(Signal Processing:Image Communication)上公开的文章《基于视差零水印的质降参考立体图像质量评价模型》(Reduced-reference stereoscopic image quality assessment based on view and disparity zero-watermarks)，其提出了一种零水印的立体图像质降参考模型，该模型利用对小波域的各子带水平和垂直系数特征的统计，构造零水印对立体图像质量进行评价，但该模型缺少对人眼立体感知特性的考虑，且由于在图像中加入水印的同时，破坏了原始图像信息，因此在提取水印时，能否完全恢复加入的水印会直接影响到评价结果，故基于水印的方法并不适用于质量评价。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于人眼感知的质降参考立体图像质量客观评价方法，其能够有效地提高客观评价结果与主观感知之间的相关性。本专利技术解决上述技术问题所采用的技术方案为：一种基于人眼感知的质降参考立体图像质量客观评价方法，其特征在于它的处理过程为：获取原始的无失真的立体图像的左视点图像和右视点图像各自的双目融合区域和双目竞争区域，并获取待评价的失真的立体图像的左视点图像和右视点图像各自的双目融合区域和双目竞争区域；根据原始的无失真的立体图像的左视点图像和右视点图像的双目融合区域，获取原始的无失真的立体图像的独眼图，并根据待评价的失真的立体图像的左视点图像和右视点图像的双目融合区域，获取待评价的失真的立体图像的独眼图；对原始的无失真的立体图像的独眼图通过多级小波变换后得到的所有系数矩阵进行非重叠分块处理，对得到的每个矩阵块进行奇异值分解，获取每个矩阵块的奇异值对角矩阵对应的奇异值和；并对待评价的失真的立体图像的独眼图通过多级小波变换后得到的所有系数矩阵进行非重叠分块处理，对得到的每个矩阵块进行奇异值分解，获取每个矩阵块的奇异值对角矩阵对应的奇异值和；根据原始的无失真的立体图像的独眼图和待评价的失真的立体图像的独眼图各自通过多级小波变换后得到的每个系数矩阵中的每个矩阵块对应的奇异值和，获取待评价的失真的立体图像的独眼图相对于原始的无失真的立体图像的独眼图的对应子带的质量因子，然后利用对比敏感度函数加权所有质量因子得到待评价的失真的立体图像的双目融合区域的质量；对原始的无失真的立体图像的左视点图像和右视点图像及待评价的失真的立体图像的左视点图像和右视点图像各自的双目竞争区域实施多级小波变换，然后对得到的每个系数矩阵中的系数分布进行广义高斯拟合，得到每个系数矩阵的广义高斯拟合模型的尺度参数和形状参数；根据原始的无失真的立体图像的左视点图像的双目竞争区域和待评价的失真的立体图像的左视点图像的双目竞争区域的对应的两个系数矩阵的广义高斯拟合模型的尺度参数和形状参数，获取待评价的失真的立体图像的左视点图像的双目竞争区域相对于原始的无失真的立体图像的左视点图像的双目竞争区域的对应子带的质量因子，然后利用对比敏感度函数加权所有质量因子得到待评价的失真的立体图像的左视点图像的双目竞争区域的质量；并根据原始的无失真的立体图像的右视点图像的双目竞争区域和待评价的失真的立体图像的右视点图像的双目竞争区域的对应的两个系数矩阵的广义高斯拟合模型的尺度参数和形状参数，获取待评价的失真的立体图像的右视点图像的双目竞争区域相对于原始的无失真的立体图像的右视点图像的双目竞争区域的对应子带的质量因子，然后利用对比敏感度函数加权所有质量因子得到待评价的失真的立体图像的右视点图像的双目竞争区域的质本文档来自技高网...

【技术保护点】
一种基于人眼感知的质降参考立体图像质量客观评价方法，其特征在于它的处理过程为：获取原始的无失真的立体图像的左视点图像和右视点图像各自的双目融合区域和双目竞争区域，并获取待评价的失真的立体图像的左视点图像和右视点图像各自的双目融合区域和双目竞争区域；根据原始的无失真的立体图像的左视点图像和右视点图像的双目融合区域，获取原始的无失真的立体图像的独眼图，并根据待评价的失真的立体图像的左视点图像和右视点图像的双目融合区域，获取待评价的失真的立体图像的独眼图；对原始的无失真的立体图像的独眼图通过多级小波变换后得到的所有系数矩阵进行非重叠分块处理，对得到的每个矩阵块进行奇异值分解，获取每个矩阵块的奇异值对角矩阵对应的奇异值和；并对待评价的失真的立体图像的独眼图通过多级小波变换后得到的所有系数矩阵进行非重叠分块处理，对得到的每个矩阵块进行奇异值分解，获取每个矩阵块的奇异值对角矩阵对应的奇异值和；根据原始的无失真的立体图像的独眼图和待评价的失真的立体图像的独眼图各自通过多级小波变换后得到的每个系数矩阵中的每个矩阵块对应的奇异值和，获取待评价的失真的立体图像的独眼图相对于原始的无失真的立体图像的独眼图的对应子带的质量因子，然后利用对比敏感度函数加权所有质量因子得到待评价的失真的立体图像的双目融合区域的质量；对原始的无失真的立体图像的左视点图像和右视点图像及待评价的失真的立体图像的左视点图像和右视点图像各自的双目竞争区域实施多级小波变换，然后对得到的每个系数矩阵中的系数分布进行广义高斯拟合，得到每个系数矩阵的广义高斯拟合模型的尺度参数和形状参数；根据原始的无失真的立体图像的左视点图像的双目竞争区域和待评价的失真的立体图像的左视点图像的双目竞争区域的对应的两个系数矩阵的广义高斯拟合模型的尺度参数和形状参数，获取待评价的失真的立体图像的左视点图像的双目竞争区域相对于原始的无失真的立体图像的左视点图像的双目竞争区域的对应子带的质量因子，然后利用对比敏感度函数加权所有质量因子得到待评价的失真的立体图像的左视点图像的双目竞争区域的质量；并根据原始的无失真的立体图像的右视点图像的双目竞争区域和待评价的失真的立体图像的右视点图像的双目竞争区域的对应的两个系数矩阵的广义高斯拟合模型的尺度参数和形状参数，获取待评价的失真的立体图像的右视点图像的双目竞争区域相对于原始的无失真的立体图像的右视点图像的双目竞争区域的对应子带的质量因子，然后利用对比敏感度函数加权所有质量因子得到待评价的失真的立体图像的右视点图像的双目竞争区域的质量；再根据待评价的失真的立体图像的左视点图像和右视点图像各自的双目竞争区域的质量，获得待评价的失真的立体图像的的双目竞争区域的质量；根据待评价的失真的立体图像的双目融合区域的质量和双目竞争区域的质量，获得待评价的失真的立体图像相对于原始的无失真的立体图像的度量分数。...

【技术特征摘要】
1.一种基于人眼感知的质降参考立体图像质量客观评价方法，其特征在于它的处
理过程为：
获取原始的无失真的立体图像的左视点图像和右视点图像各自的双目融合区域和
双目竞争区域，并获取待评价的失真的立体图像的左视点图像和右视点图像各自的双目
融合区域和双目竞争区域；
根据原始的无失真的立体图像的左视点图像和右视点图像的双目融合区域，获取原
始的无失真的立体图像的独眼图，并根据待评价的失真的立体图像的左视点图像和右视
点图像的双目融合区域，获取待评价的失真的立体图像的独眼图；
对原始的无失真的立体图像的独眼图通过多级小波变换后得到的所有系数矩阵进
行非重叠分块处理，对得到的每个矩阵块进行奇异值分解，获取每个矩阵块的奇异值对
角矩阵对应的奇异值和；并对待评价的失真的立体图像的独眼图通过多级小波变换后得
到的所有系数矩阵进行非重叠分块处理，对得到的每个矩阵块进行奇异值分解，获取每
个矩阵块的奇异值对角矩阵对应的奇异值和；
根据原始的无失真的立体图像的独眼图和待评价的失真的立体图像的独眼图各自
通过多级小波变换后得到的每个系数矩阵中的每个矩阵块对应的奇异值和，获取待评价
的失真的立体图像的独眼图相对于原始的无失真的立体图像的独眼图的对应子带的质
量因子，然后利用对比敏感度函数加权所有质量因子得到待评价的失真的立体图像的双
目融合区域的质量；
对原始的无失真的立体图像的左视点图像和右视点图像及待评价的失真的立体图
像的左视点图像和右视点图像各自的双目竞争区域实施多级小波变换，然后对得到的每
个系数矩阵中的系数分布进行广义高斯拟合，得到每个系数矩阵的广义高斯拟合模型的
尺度参数和形状参数；
根据原始的无失真的立体图像的左视点图像的双目竞争区域和待评价的失真的立
体图像的左视点图像的双目竞争区域的对应的两个系数矩阵的广义高斯拟合模型的尺
度参数和形状参数，获取待评价的失真的立体图像的左视点图像的双目竞争区域相对于
原始的无失真的立体图像的左视点图像的双目竞争区域的对应子带的质量因子，然后利
用对比敏感度函数加权所有质量因子得到待评价的失真的立体图像的左视点图像的双
目竞争区域的质量；并根据原始的无失真的立体图像的右视点图像的双目竞争区域和待
评价的失真的立体图像的右视点图像的双目竞争区域的对应的两个系数矩阵的广义高
斯拟合模型的尺度参数和形状参数，获取待评价的失真的立体图像的右视点图像的双目
竞争区域相对于原始的无失真的立体图像的右视点图像的双目竞争区域的对应子带的

\t质量因子，然后利用对比敏感度函数加权所有质量因子得到待评价的失真的立体图像的
右视点图像的双目竞争区域的质量；再根据待评价的失真的立体图像的左视点图像和右
视点图像各自的双目竞争区域的质量，获得待评价的失真的立体图像的的双目竞争区域
的质量；
根据待评价的失真的立体图像的双目融合区域的质量和双目竞争区域的质量，获得
待评价的失真的立体图像相对于原始的无失真的立体图像的度量分数。
2.根据权利要求1所述的一种基于人眼感知的质降参考立体图像质量客观评价方
法，其特征在于该方法具体包括以下步骤：
①令Iorg表示原始的无失真的立体图像，令Idis表示待评价的失真的立体图像，将Iorg的左视点图像记为Lorg，将Iorg的右视点图像记为Rorg，将Idis的左视点图像记为Ldis，
将Idis的右视点图像记为Rdis；
②对Lorg实施双目立体感知分解，得到Lorg的双目融合区域和双目竞争区域，对应
记为和并对Rorg实施双目立体感知分解，得到Rorg的双目融合区域和双目竞争
区域，对应记为和同样，对Ldis实施双目立体感知分解，得到Ldis的双目融合
区域和双目竞争区域，对应记为和并对Rdis实施双目立体感知分解，得到Rdis的
双目融合区域和双目竞争区域，对应记为和③根据和获取Iorg的独眼图，记为将中坐标位置为(u,v)的像素
点的像素值记为Iorgfus(u,v)=ωorg,L×Lorgfus(u,v)+ωorg,R×Rorgfus((u+d),v);]]>同样，根
据和获取Idis的独眼图，记为将中坐标位置为(u,v)的像素点的像素
值记为Idisfus(u,v)=ωdis,L×Ldisfus(u,v)+ωdis,R×Rdisfus((u+d′),v);]]>其中，
1≤u≤U,1≤v≤V，U表示和的宽，V表示和的
高，ωorg,L表示的权值，ωorg,R表示的权值，表示中
坐标位置为(u,v)的像素点的像素值，表示中坐标位置为((u+d),v)的
像素点的像素值，d表示相对于的偏移量，ωdis,L表示的权值，ωdis,R表
示的权值，表示中坐标位置为(u,v)的像素点的像素值，
表示中坐标位置为((u+d)，v)的像素点的像素值，d′表示相对于
的偏移量；
④对实施M级小波变换，得到的每个方向的M个子带和1个直流子带，将
实施第m级小波变换后得到的第p个方向的第m个子带的系数矩阵记为将
实施M级小波变换后得到的直流子带的系数矩阵记为其中，M≥1，1≤p≤3，
p＝1时第p个方向表示水平方向，p＝2时第p个方向表示垂直方向，p＝3时第p个方
向表示对角方向，1≤m≤M；然后将的每个方向的每个子带的系数矩阵和分
别分割成多个尺寸大小为8×8的互不重叠的矩阵块，将中的第e个矩阵块记为
将中的第e'个矩阵块记为1≤e≤Worgp,m×Horgp,m8×8,]]>e的初始
值为1，表示的列数，表示的行数，1≤e′≤WorgDC×HorgDC8×8,]]>e'的初
始值为1，表示的列数，表示的行数；接着对的每个方向的每
个子带的系数矩阵中的每个矩阵块进行奇异值分解，得到的每个方向的每个子带的
系数矩阵中的每个矩阵块的奇异值对角矩阵，将的奇异值对角矩阵记为
同样，对中的每个矩阵块进行奇异值分解，得到中的每个矩阵
块的奇异值对角矩阵，将的奇异值对角矩阵记为再计算的每个
方向的每个子带的系数矩阵中的每个矩阵块的奇异值对角矩阵对应的奇异值和，将
对应的奇异值和记为SUMorg,efus,p,m=Σi=18Σj=18SVDorg,efus,p,m(i,j),]]>同样，计
算中的每个矩阵块的奇异值对角矩阵对应的奇异值和，将对应的奇异值
和记为SUMorg,e′fus,DC=Σi=18Σj=18SVDorg,e′fus,DC(i,j),]]>其中，表示中坐标位置为(i,j)处的奇异值，(i,j)表示中坐标位置为(i,j)处的奇
异值，1≤i≤8，1≤j≤8；
同样，对实施M级小波变换，得到的每个方向的M个子带和1个直流子带，
将实施第m级小波变换后得到的第p个方向的第m个子带的系数矩阵记为将实施M级小波变换后得到的直流子带的系数矩阵记为其中，M≥1，
1≤p≤3，p＝1时第p个方向表示水平方向，p＝2时第p个方向表示垂直方向，p＝3时
第p个方向表示对角方向，1≤m≤M；然后将的每个方向的每个子带的系数矩阵和
分别分割成多个尺寸大小为8×8的互不重叠的矩阵块，将中的第e个矩阵块
记为将中的第e'个矩阵块记为1≤e≤Wdisp,m×Hdisp,m8×8,]]>e的

\t初始值为1，表示的列数，与一致，表示的行数，与一致，1≤e′≤WdisDC×HdisDC8×8,]]>e'的初始值为1，表示的列数，与一致，表示的行数，与一致；接着对的每个方向的每个子带的
系数矩阵中的每个矩阵块进行奇异值分解，得到的每个方向的每个子带的系数矩阵
中的每个矩阵块的奇异值对角矩阵，将的奇异值对角矩阵记为同
样，对中的每个矩阵块进行奇异值分解，得到中的每个矩阵块的奇异值对角
矩阵，将的奇异值对角矩阵记为再计算的每个方向的每个子带
的系数矩阵中的每个矩阵块的奇异值对角矩阵对应的奇异值和，将对应的奇异
值和记为SUMdis,efus,p,m=Σi=18Σj=18SVDdis,efus,p,m(i,j),]]>同样，计算中的每个矩阵
块的奇异值对角矩阵对应的奇异值和，将对应的奇异值和记为Mdis,e′fus,DC=Σi=18Σj=18SVDdis,e′fus,DC(i,j),]]>其中，表示中坐标位置为(i,j)
处的奇异值，表示中坐标位置为(i,j)处的奇异值，1≤i≤8，
1≤j≤8；
⑤计算的每个方向的每个子带的系数矩阵中的每个矩阵块与的每个方向的
每个子带的系数矩阵中的每个矩阵块之间的奇异值特征距离，将与
之间的奇异值特征距离记为δefus,p,m,δefus,p,m=|SUMorg,efus,p,m-SUMdis,efus,p,m|,]]>其中，
符号“||”为取绝对值符号；同样，计算中的每个矩阵块与中的每个矩阵块之
间的奇异值特征距离，将与之间的奇异值特征距离记为δe′fus,DC=|SUMorg,e′fus,DC-SUMdis,e′fus,DC|,]]>其中，符号“||”为取绝对值符号；
然后计算相对于的同方向的对应子带的质量因子，将的第p个方向的第
m个子带相对于的第p个方向的第m个子带的质量因子记为FUSp,m，
FUSp,m=Σe=1Wdisp,m×Hdisp,m8×8|δefus,p,m-midδfus,p,m|Wdisp,m×Hdisp,m8×8,]]>其中，midδfus,p,m表示中的所有矩阵块与
中对应矩阵块之间的奇异值特征距离的中值；同样，计算的直流子带相对于
的直流子带的质量因子，记为FUSDC，FUSDC=Σe=1WdisDC×HdisDC8×8|δefus,DC-midδfus,DC|WdisDC×HdisDC8×8,]]>其中，
midδfus,DC表示中的所有矩阵块与中对应矩阵块之间的奇异值特征距离的中
值；
接着利用对比敏感度函数对相对于的同方向的对应子带的质量因子及的直流子带相对于的直流子带的质量因子进行加权，得到Idis的双目融合区域的质
量，记为Qcyc，Qcyc=FUSDC×wDC+Σp=13Σm=1MFUSp,m×wp,mwDC+Σp=13Σm=1Mwp,m,]]>其中，wp,m表示和的
第p个方向的第m个子带的对比灵敏度函数系数，
ap,m表示第
p个方向的第m个子带的频带区间的下限，bp,m表示第p个方向的第m个子带的频带区
间的上限，当1≤m<M时，当m＝M时，ap,m＝0，wDC表示和的直流子带的对比灵敏度函数系数，wDC＝1；
⑥对实施M级小波变换，得到的每个方向的M个子带和1个直流子带，将
实施第m级小波变换后得到的第p个方向的第m个子带的系数矩阵记为将
实施M级小波变换后得到的直流子带的系数矩阵记为其中，M≥1，1≤p≤3，
p＝1时第p个方向表示水平方向，p＝2时第p个方向表示垂直方向，p＝3时第p个方
向表示对角方向，1≤m≤M；然后对的每个方向的每个子带的系数矩阵中的系数分
布进行广义高斯拟合，得到的每个方向的每个子带的系数矩阵的广义高斯拟合模型
的尺度参数和形状参数，将的广义高斯拟合模型描述为
P(xorg,Lriv,p,m)=βorg,Lriv,p,m2αorg,Lriv,p,m×τ(1/βorg,Lriv,p,m)exp(-(|xorg,Lriv,p,m|αorg,Lriv,p,m)βorg,Lriv,p,m),]]>同样，对中的系数分布进
行广义高斯拟合，得到的广义高斯拟合模型的尺度参数和形状参数，将的广

\t义高斯拟合模型描述为P(xorg,Lriv,DC)=βorg,Lriv,DC2αorg,Lriv,DC×τ(1/βorg,Lriv,DC)exp(-(|xorg,Lriv,DC|αorg,Lriv,DC)βorg,Lriv,DC),]]>其中，
为的广义高斯拟合模型的尺度参数，为的广义高斯拟合模型的
形状参数，为的广义高斯拟合模型的尺度参数，为的广义高斯
拟合模型的形状参数，表示的广义高斯拟合模型的输出，表示
的广义高斯拟合模型的输入，表示的广义高斯拟合模型的输出，
表示的广义高斯拟合模型的输入，τ()表示Gamma函数，符号“||”为取绝
对值符号；
同样，对实施M级小波变换，得到的每个方向的M个子带和1个直流子带，
将实施第m级小波变换后得到的第p个方向的第m个子带的系数矩阵记为将实施M级小波变换后得到的直流子带的系数矩阵记为其中，M≥1，
1≤p≤3，p＝1时第p个方向表示水平方向，p＝2时第p个方向表示垂直方向，p＝3时
第p个方向表示对角方向，1≤m≤M；然后对的每个方向的每个子带的系数矩阵中
的系数分布进行广义高斯拟合，得到的每个方向的每个子带的系数矩阵的广义高斯
拟合模型的尺度参数和形状参数，将的广义高斯拟合模型描述为
P(xorg,Rriv,p,m)=βorg,Rriv,p,m2αorg,Rriv,p,m×τ(1/βorg,Rriv,p,m)exp(-(|xorg,Rriv,p,m|αorg,Rriv,p,m)βorg,Rriv,p,m),]]>同样，对中的系数分布进
行广义高斯拟合，得到的广义高斯拟合模型的尺度参数和形状参数，将的
广义高斯拟合模型描述为P(xorg,Rriv,DC)=βorg,Rriv,DC2αorg,Rriv,DC×τ(1/βorg,Rriv,DC)exp(-(|xorg,Rriv,DC|αorg,Rriv,DC)βorg,Rriv,DC),]]>其中，
为的广义高斯拟合模型的尺度参数，为的广义高斯拟合模型
的形状参数，为的广义高斯拟合模型的尺度参数，为的广义高
斯拟合模型的形状参数，表示的广义高斯拟合模型的输出，表示
的广义高斯拟合模型的输入，表示的广义高斯拟合模型的输出，
表示的广义高斯拟合模型的输入，τ()表示Gamma函数，符号“||”为取绝
对值符号；
同样，对实施M级小波变换，得到的每个方向的M个子带和1个直流子带，
将实施第m级小波变换后得到的第p个方向的第m个子带的系数矩阵记为将实施M级小波变...

【专利技术属性】
技术研发人员：郁梅，郑凯辉，宋洋，刘姗姗，靳鑫，
申请(专利权)人：宁波大学，
类型：发明
国别省市：浙江;33