遙感影像的分類評(píng)價(jià)及可視化分析
——以平頂山市平煤礦區(qū)附近區(qū)域?yàn)槔?/h1>
2021-07-03 11:21:56李曉陽(yáng)樊華徐亮韓貞輝王斐斐謝恒義
地震地磁觀測(cè)與研究 2021年2期
李曉陽(yáng)樊 華徐 亮韓貞輝王斐斐謝恒義
1）中國(guó)鄭州450016 河南省地震局
2）中國(guó)天津300456 天津海關(guān)化礦金屬材料檢測(cè)中心
0 引言
地震具有突發(fā)性、破壞性強(qiáng)、防御難度大等特點(diǎn)，給社會(huì)造成巨大的經(jīng)濟(jì)損失和人員傷亡（吳俁等，2013）。我國(guó)地震災(zāi)害頻發(fā)，防災(zāi)減災(zāi)救災(zāi)壓力較大。近年來(lái)的地震救災(zāi)經(jīng)驗(yàn)表明，震后及時(shí)準(zhǔn)確地獲取地震災(zāi)情信息，開展應(yīng)急響應(yīng)，能夠有效減輕地震災(zāi)害帶來(lái)的損失（薛騰飛等，2016）。因此，震后快速獲取災(zāi)情信息，制定合理救援策略成為減輕災(zāi)害的有效方法，而利用無(wú)人機(jī)機(jī)動(dòng)靈活、分辨率高、航攝周期短的優(yōu)勢(shì)（黃海峰等，2017），能夠快速獲取震區(qū)相關(guān)影像，并能依托大小無(wú)人機(jī)分別完成廣域及特定位置區(qū)域的精準(zhǔn)識(shí)別，為震后應(yīng)急指揮決策提供科學(xué)依據(jù)。
遙感圖像已成為救災(zāi)人員的“眼睛”，在震后救災(zāi)中發(fā)揮著越來(lái)越重要的作用（張雪華等，2019）。近年來(lái)，無(wú)人機(jī)遙感技術(shù)已分別在2013 年蘆山地震、2014 年盈江地震、2015 年尼泊爾地震中得到實(shí)際應(yīng)用，對(duì)震后災(zāi)情評(píng)估起到一定作用。文中就無(wú)人機(jī)影像的快速拼接及精準(zhǔn)分類進(jìn)行分析，并將無(wú)人機(jī)影像用于災(zāi)害預(yù)評(píng)估，以不同方法驗(yàn)證其有效性。
文中以平頂山平煤礦區(qū)附近區(qū)域?yàn)閷?shí)驗(yàn)區(qū)，使用多旋翼型大疆經(jīng)緯M200 無(wú)人機(jī)，搭載禪思X5S 云臺(tái)，通過(guò)單兵設(shè)備實(shí)現(xiàn)拍攝影像的實(shí)時(shí)回傳。為后期做好圖像分類及可視化處理，飛行前需設(shè)定航線、航向和旁向重疊度、速度，并按照航測(cè)要求設(shè)置高度；利用Photoscan 及Pix4d 軟件，對(duì)源圖像做預(yù)處理及拼接，生成包含坐標(biāo)信息的正射影像，并在ArcGIS 中進(jìn)行分類，研究適合地震災(zāi)害的分類及可視化顯示方法，并完成分類質(zhì)量評(píng)價(jià)。
1 實(shí)驗(yàn)背景
鑒于平煤礦區(qū)附近存在發(fā)生非天然地震的可能，進(jìn)一步了解該區(qū)建筑物、生命線工程等信息，便于相關(guān)數(shù)據(jù)對(duì)應(yīng)急救災(zāi)輔助決策的補(bǔ)充，從而對(duì)當(dāng)?shù)貫?zāi)害預(yù)評(píng)估及震后災(zāi)情評(píng)估起到一定作用。本文主要針對(duì)礦區(qū)附近地物種類信息，尤其是居民地和道路信息展開調(diào)研，利用無(wú)人機(jī)遙感影像，借助圖像處理軟件及可視化工具，完成對(duì)實(shí)驗(yàn)區(qū)地物的分類處理，并使用分類評(píng)價(jià)指標(biāo)驗(yàn)證分類方法的有效性，得到較適用于地震應(yīng)急救災(zāi)的遙感影像處理方法。
1.1 實(shí)驗(yàn)區(qū)概況
實(shí)驗(yàn)區(qū)位于平頂山市礦區(qū)附近，使用無(wú)人機(jī)飛行2次，第一次飛行覆蓋范圍主要為礦區(qū)，第二次飛行覆蓋范圍涉及礦區(qū)附近地物較為豐富區(qū)域。無(wú)人機(jī)飛行設(shè)定參數(shù)為：高度100 m，航向重疊率67%、旁向重疊率51%，地面像素分辨率0.03 m，航攝面積0.2 km2，相機(jī)鏡頭均垂直于航線方向。第一次、第二次無(wú)人機(jī)飛行航線分別見(jiàn)圖1、圖2。
圖1 無(wú)人機(jī)第一次飛行航線Fig.1 The first flight route of the drone
圖2 無(wú)人機(jī)第二次飛行航線Fig.2 The second flight route of the drone
1.2 實(shí)驗(yàn)過(guò)程
為深入了解實(shí)驗(yàn)區(qū)附近地物種類分布情況，分類提取目標(biāo)區(qū)域地物影像，得到輔助決策報(bào)告所需基礎(chǔ)信息，設(shè)定以下工作步驟：選定平頂山市某礦區(qū)附近，使用DJI GS Pro 軟件規(guī)劃航線，設(shè)定參數(shù)，于2020 年4 月，使用無(wú)人機(jī)自動(dòng)拍攝，獲取近百?gòu)堅(jiān)歼b感影像；為了直觀觀察實(shí)驗(yàn)區(qū)地物情況，將整幅遙感影像進(jìn)行可視化顯示，使用2 款圖像處理軟件，完成遙感影像的拼接處理，并對(duì)比處理效果，選定適用本課題研究的處理軟件；選用3 種分類方法進(jìn)行拼接影像的分類提取，并在ArcGIS 平臺(tái)上進(jìn)行可視化顯示，除主觀觀察外，利用分類評(píng)價(jià)指標(biāo)進(jìn)行客觀判斷，從而實(shí)現(xiàn)該區(qū)域遙感影像的分類評(píng)價(jià)及可視化分析，以確保目標(biāo)區(qū)域地物影像分類的準(zhǔn)確提取，更好地將影像信息應(yīng)用于地震應(yīng)急救災(zāi)工作。
2 無(wú)人機(jī)正射影像處理軟件對(duì)比
由于飛行姿態(tài)不穩(wěn)定及裝載相機(jī)非專業(yè)量測(cè)型等因素，無(wú)人機(jī)遙感航片質(zhì)量一般不如傳統(tǒng)航測(cè)，例如：航片數(shù)量多、影像畸變大、航片角較大、重疊度不規(guī)則等（張順等，2019），因此對(duì)無(wú)人機(jī)影像處理軟件提出了較高要求。使用Photoscan 及Pix4d 兩種目前主流的無(wú)人機(jī)正射影像處理軟件，在相同的數(shù)據(jù)條件下，分析2 種軟件特點(diǎn)，為選擇正射影像軟件提供借鑒，并以該實(shí)驗(yàn)數(shù)據(jù)為基礎(chǔ)，分析影像效果更佳軟件。
2.1 處理流程對(duì)比
Photoscan 操作步驟相對(duì)復(fù)雜，包括：對(duì)齊照片、建立密集點(diǎn)云、生成網(wǎng)格等7 個(gè)步驟，每步均需設(shè)置參數(shù)。Pix4d較為簡(jiǎn)單，共3個(gè)步驟，且初始即可設(shè)置，處理速度比Photoscan快。Pix4d 的空三測(cè)量能力有一定優(yōu)勢(shì)，且自動(dòng)生成的精度報(bào)告內(nèi)容更為詳細(xì)，而Photoscan 并非適用于正射影像制作的專業(yè)軟件，對(duì)連接點(diǎn)的精度要求更高，處理過(guò)程中需要少量人工干預(yù)，匹配及處理效率較低。Pix4d 缺點(diǎn)體現(xiàn)在三維模型構(gòu)建上，DTM 濾波方式及DOM拼接均色方式較單一，而Photoscan 在紋理添加及三維建模方面更具優(yōu)勢(shì)。
2.2 影像拼接效果對(duì)比
在第一次航線規(guī)劃下，自動(dòng)生成影像33 張。使用Photoscan 軟件，在一個(gè)界面內(nèi)，按照添加照片、對(duì)齊照片、創(chuàng)建密集點(diǎn)云、創(chuàng)建TIN 模型、生成正射影像的步驟進(jìn)行影像拼接，且每步均需設(shè)置參數(shù)，影像生成見(jiàn)圖3。對(duì)于相同的33 張?jiān)加跋?，使用Pix4d 軟件，按照導(dǎo)入照片、設(shè)定參數(shù)、一鍵全自動(dòng)處理（包括空三加密、正射影像生成）的步驟生成影像，見(jiàn)圖4。
圖3 Photoscan 軟件實(shí)現(xiàn)的拼接圖像Fig.3 Mosaic images realized by Photoscan software
觀察發(fā)現(xiàn)，圖3 中拼接影像有錯(cuò)位、部分區(qū)域丟失現(xiàn)象，見(jiàn)圖中畫圈處，圖4 中影像拼接效果更佳，且Pix4d 軟件處理速度更快。分析認(rèn)為，規(guī)劃航線中的航向、旁向重疊率較低，Photoscan 軟件對(duì)參數(shù)設(shè)置要求較高，當(dāng)設(shè)置為中等質(zhì)量時(shí)，效果不佳；高等質(zhì)量時(shí)，處理時(shí)間過(guò)長(zhǎng)，不符合本課題研究的實(shí)際需求。因此，進(jìn)行遙感影像分類處理及可視化工作時(shí)，均采用經(jīng)Pix4d 軟件實(shí)現(xiàn)的拼接圖像，并選用地物較為豐富的原始影像。
圖4 Pix4d 軟件實(shí)現(xiàn)的拼接圖像Fig.4 Mosaic images realized by Pix4d software
3 遙感影像分類提取
針對(duì)拼接實(shí)現(xiàn)的影像，提取目標(biāo)區(qū)域，采用不同分類方法進(jìn)行地物分類，分析遙感影像分類提取方法的有效性。根據(jù)是否已知訓(xùn)練樣本的類別，將遙感圖像按照非監(jiān)督和監(jiān)督進(jìn)行分類，其中非監(jiān)督分類是在訓(xùn)練樣本未知情況下，按照像素本身空間分布和特性來(lái)劃分類別，屬于邊學(xué)習(xí)邊分類的方法；監(jiān)督分類是已知訓(xùn)練樣本，按照訓(xùn)練樣本的相關(guān)特征提取確定分類函數(shù)，從而將像元區(qū)分開來(lái)，分別劃分到不同類別中。
3.1 非監(jiān)督分類
非監(jiān)督分類能區(qū)分不同類別，卻不能自動(dòng)確定類別屬性，分類結(jié)束后可通過(guò)肉眼觀察進(jìn)行判定。較常用的非監(jiān)督分類方法有K-means（模糊K均值算法）和ISODATA（迭代自組數(shù)據(jù)分析算法），2 種方法優(yōu)于其他分類方式（陸曉果等，2018）。
本研究使用ISODATA 算法進(jìn)行非監(jiān)督分類。該算法由Ball 等（1965）提出，將所有樣本調(diào)整完畢后計(jì)算各類樣本均值，與K-means 算法不同，可自動(dòng)進(jìn)行類別分裂與合并，從而取得合理分類效果。在進(jìn)行分類前，對(duì)影像做特征提取，以提高圖像信噪比，降低冗余，在一定程度上減少噪聲干擾，提高分類精度。在ArcGIS 軟件平臺(tái)上，采用PCA（主成分分析）算法進(jìn)行特征提取，并使用ISODATA方法完成分類。原始影像及實(shí)現(xiàn)結(jié)果圖像見(jiàn)圖5、圖6。
圖5 Pix4d 軟件拼接后的待處理圖像Fig.5 Image to be processed after mosaic by Pix4d software
圖6 非監(jiān)督分類處理后的圖像Fig.6 Image after unsupervised classification processing
3.2 監(jiān)督分類
監(jiān)督分類是先確定訓(xùn)練樣本，后利用分類器對(duì)訓(xùn)練樣本進(jìn)行學(xué)習(xí)，獲取圖像上各訓(xùn)練樣本的分類特征，最終按照決策準(zhǔn)則進(jìn)行分類（何家樂(lè)，2019）。本研究均采用面向?qū)ο蟮谋O(jiān)督分類方法。與一般基于像素的分類方法不同，該方法首先需結(jié)合應(yīng)用光譜、空間、紋理信息，將圖像分割成同質(zhì)區(qū)域，然后以圖像對(duì)象作為分類基本單元，分類特征更為豐富，以此實(shí)現(xiàn)對(duì)無(wú)人機(jī)遙感圖像的深入挖掘。
面向?qū)ο蟮倪b感影像分類框架見(jiàn)圖7，可知：數(shù)據(jù)層進(jìn)行圖像分割處理，確定圖斑對(duì)象，其包含光譜、形狀、紋理等豐富空間信息（張曉羽等，2016）；特征層構(gòu)建圖斑對(duì)象特征，該特征構(gòu)建直接影響分類器的分類效果；目標(biāo)層實(shí)現(xiàn)圖斑對(duì)象到目標(biāo)的認(rèn)知。
圖7 面向?qū)ο蟮倪b感影像分類框架Fig.7 Object-oriented remote sensing image classification framework
文章旨在圖像分類，圖像分割算法不再贅述，重點(diǎn)闡述圖像特征的分類方法，并在ArcGIS 平臺(tái)進(jìn)行對(duì)比分析，實(shí)現(xiàn)可視化處理。
3.2.1 最大似然分類法。此為根據(jù)概率理論建立的一種分類方法（許軍強(qiáng)等，2019），步驟如下：按照統(tǒng)計(jì)方法建立各類判別函數(shù)集，計(jì)算每個(gè)測(cè)試樣本的統(tǒng)計(jì)概率，并將樣本歸入統(tǒng)計(jì)概率大的類。
設(shè)數(shù)據(jù)x，給定類別k，則似然度Lk被定義為x出現(xiàn)時(shí)，x歸于該類別k的條件概率P(k|x)，公式如下最大似然分類法
式中，Lk為判別函數(shù)；P(x|k)為總體概率密度函數(shù)；P(k)為類別k的先驗(yàn)概率；P(x)為x與類別無(wú)關(guān)條件下出現(xiàn)的概率。
對(duì)于同一類別及相同的訓(xùn)練樣本，式（1）為常量，則公式可簡(jiǎn)化為
式中要計(jì)算x與類別k的似然度，需給出總體概率密度函數(shù)P(x|k)。對(duì)于未知類別X，若屬于類別A、B的概率分別為Pa、Pb，且Pa＞Pb，則該類別X屬于類別A。本研究中最大似然法分類結(jié)果圖像見(jiàn)圖8。
圖8 最大似然法分類結(jié)果圖像Fig.8 Classification result image by maximum likelihood method
3.2.2 支持向量機(jī)。支持向量機(jī)是一類按照監(jiān)督學(xué)習(xí)方式對(duì)數(shù)據(jù)進(jìn)行二元分類的廣義線性分類器，其決策邊界是對(duì)學(xué)習(xí)樣本求解的最大邊距超平面（張合兵等，2020）。平行超平面間的距離或差距越大，分類器的總誤差越小。
圖9 支持向量機(jī)分類結(jié)果圖像Fig.9 Classification result image by support vector machine
4 分類評(píng)價(jià)方法研究
對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)才能驗(yàn)證分類是否準(zhǔn)確，同時(shí)可根據(jù)結(jié)果對(duì)分類過(guò)程進(jìn)行適當(dāng)調(diào)整，使分類結(jié)果更準(zhǔn)確。為了客觀評(píng)價(jià)分類質(zhì)量，判別分類提取的居民地、道路等地物面積準(zhǔn)確性，以便更好地補(bǔ)充災(zāi)情評(píng)估系統(tǒng)中礦區(qū)附近地物的基礎(chǔ)數(shù)據(jù)，完善震后輔助決策信息，采用類內(nèi)分類精度、總體分類精度和kappa 系數(shù)3 種分類評(píng)價(jià)指標(biāo)予以驗(yàn)證?？陀^評(píng)價(jià)是作為主觀分析的補(bǔ)充，文章中通過(guò)主觀觀察，可發(fā)現(xiàn)所采用的ISODATA 算法、最大似然法和支持向量機(jī)3 種分類方法均能實(shí)現(xiàn)拼接影像的分類處理，其中非監(jiān)督分類效果較差，存在漏分、錯(cuò)分現(xiàn)象。
4.1 評(píng)價(jià)指標(biāo)
（1）類內(nèi)分類精度，公式如下
式中，Ki表示第i類正確分類的樣本數(shù)，Mi表示第i類樣本總數(shù)。
（2）總體分類精度，公式如下
式中，Ki表示第i類正確分類的樣本數(shù)，c表示類的個(gè)數(shù)，K表示測(cè)試數(shù)據(jù)樣本總數(shù)。
（3）kappa 系數(shù)，公式如下
式中，xi,i表示混淆矩陣中主對(duì)角線上第i行的值，xi+表示混淆矩陣中第i行所有數(shù)值的和，x+i表示混淆矩陣中第i列所有數(shù)值的和，N為樣本數(shù)，c表示類的個(gè)數(shù)。
4.2 評(píng)價(jià)結(jié)果
使用同一組非訓(xùn)練樣本數(shù)據(jù)，分別采用以上3 種分類方法對(duì)獲取的遙感影像進(jìn)行分類，根據(jù)分類結(jié)果，采用混淆矩陣進(jìn)行質(zhì)量評(píng)價(jià)?；煜仃囀峭ㄟ^(guò)將每個(gè)實(shí)測(cè)像元的位置與分類圖像中的相應(yīng)位置比較計(jì)算得到的，混淆矩陣的每一列代表實(shí)際測(cè)得的信息，列中數(shù)值為實(shí)際測(cè)得像元對(duì)應(yīng)于相應(yīng)類別的數(shù)量；每一行代表遙感數(shù)據(jù)的分類信息，其數(shù)值為分類像元在實(shí)測(cè)像元相應(yīng)類別中的數(shù)量。評(píng)價(jià)步驟如下：①分別求取分類結(jié)果圖像和正確分類圖像的混淆矩陣?；煜仃囀窃贏rcGIS 軟件平臺(tái)中，利用軟件自帶工具對(duì)分類結(jié)果和實(shí)測(cè)值進(jìn)行柵格圖像轉(zhuǎn)面要素處理，可從面要素屬性表中看到所有分類像元面積，利用分析工具中的相交屬性，計(jì)算求得面要素的幾何交集，并導(dǎo)出結(jié)果，結(jié)合excel 中的數(shù)據(jù)透視表獲得混淆矩陣；②將混淆矩陣的值分別代入公式（3）—（5），求得3 種影像分類結(jié)果的類內(nèi)精度、總體精度及kappa 系數(shù)指標(biāo)評(píng)價(jià)精度，具體分類精度見(jiàn)表1。
表1 分類精度評(píng)價(jià)Table 1 Classification accuracy evaluation
由表1 可知：①非監(jiān)督分類效果較差，總體分類精度低于85%，監(jiān)督分類方法精度均高于85%，分類精度較高；②kappa 系數(shù)（0 ＜kappa ＜1）越大，分類效果越好，3 種分類方法中支持向量機(jī)方法的分類精度最高；③部分地物種類提取精度相對(duì)較差，尤其在交通用地、居民地類中存在錯(cuò)分現(xiàn)象。
采集圖像均為正射影像，拼接后圖像分辨率接近2 cm，交通用地、部分居民地光譜特征較為相似，在進(jìn)行特征提取時(shí)容易混淆。針對(duì)個(gè)別地物分類的錯(cuò)分情形，可在影像分類后選擇對(duì)照影像進(jìn)行目視解譯，完成局部修改。此處可以參照總體分類精度最高的支持向量機(jī)分類結(jié)果，利用ArcGIS 軟件，通過(guò)目視解譯，對(duì)錯(cuò)分漏分區(qū)域進(jìn)行改正。
通過(guò)計(jì)算支持向量機(jī)分類方法所獲結(jié)果影像中各種類像元數(shù)在總像元中的占比，可分別求得各分類區(qū)域面積，補(bǔ)充災(zāi)情評(píng)估系統(tǒng)中礦區(qū)附近居民地、道路等地物數(shù)據(jù)，從而提高產(chǎn)出的災(zāi)情評(píng)估報(bào)告質(zhì)量。同時(shí)，災(zāi)害預(yù)評(píng)估工作中涉及房屋類型、面積、層高等數(shù)據(jù)，本課題拍攝的礦區(qū)附近影像可作為判別房屋類型的輔助數(shù)據(jù)，相應(yīng)面積也可用于該區(qū)域預(yù)評(píng)估工作，而且可為研究區(qū)域的震后輔助決策提供地物分布的相關(guān)基礎(chǔ)數(shù)據(jù)。
5 結(jié)論
選取礦區(qū)附近作為研究區(qū)域，為獲取該區(qū)域準(zhǔn)確的地物分布及基礎(chǔ)數(shù)據(jù)，利用無(wú)人機(jī)完成正射影像拍攝，使用2 款軟件實(shí)現(xiàn)圖像的拼接處理，并對(duì)比分析軟件優(yōu)劣。在對(duì)區(qū)域內(nèi)居民地、道路等地物類型分類提取中，選取非監(jiān)督分類中的ISODATA 分類法和監(jiān)督分類中的最大似然法、支持向量機(jī)分類法來(lái)探討分類效果。而且，為了客觀評(píng)價(jià)分類質(zhì)量，利用3 種分類評(píng)價(jià)指標(biāo)予以驗(yàn)證。通過(guò)分析，得出以下結(jié)論。
（1）使用Photoscan 及Pix4d 軟件進(jìn)行圖像拼接，對(duì)于重疊度較低的正射影像而言，Pix4d 軟件的速度和質(zhì)量均優(yōu)于Photoscan 軟件，但如需進(jìn)行三維模型構(gòu)建，Photoscan 軟件更具優(yōu)勢(shì)。下一步將針對(duì)傾斜及正射影像結(jié)合的三維構(gòu)建進(jìn)行研究。
（2）為區(qū)分實(shí)驗(yàn)區(qū)域內(nèi)地物種類，實(shí)現(xiàn)居民地、道路的分類提取，從而準(zhǔn)確計(jì)算該地物種類的面積，用以補(bǔ)充災(zāi)情評(píng)估系統(tǒng)中礦區(qū)附近的基礎(chǔ)數(shù)據(jù)，對(duì)此本研究提出3 種分類方法，分別從處理速度、分類效果方面進(jìn)行對(duì)比。為確保分類的準(zhǔn)確性，利用3 種分類評(píng)價(jià)指標(biāo)予以驗(yàn)。從總體分類精度來(lái)看，支持向量機(jī)方法最優(yōu)，但由于個(gè)別種類的物體影像特征相似度較高，存在漏分錯(cuò)分現(xiàn)象，需通過(guò)目視解譯完成修改。從圖像處理速度來(lái)看，由于非監(jiān)督分類方法不需要提前確定訓(xùn)練樣本，所以處理速度最快。
在災(zāi)害預(yù)評(píng)估與震后災(zāi)害調(diào)查工作中，居民地分布區(qū)域、面積、房屋類型尤為重要，選擇越合適的無(wú)人機(jī)遙感影像的拼接、分類方法，得到的當(dāng)?shù)叵嚓P(guān)地物種類的面積越精確。遙感影像地物分類數(shù)據(jù)可用以補(bǔ)充平煤礦區(qū)附近應(yīng)急救災(zāi)輔助決策信息，若有破壞性地震發(fā)生，可為震后災(zāi)情評(píng)估提供一定的數(shù)據(jù)支撐。
猜你喜歡
分類算一算數(shù)學(xué)小靈通(1-2年級(jí))(2021年4期)2021-06-09 06:25:56 分類討論求坐標(biāo)中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2019年4期)2019-05-20 10:06:32 基于DSPIC33F微處理器的采集精度的提高電子制作(2018年11期)2018-08-04 03:25:38 數(shù)據(jù)分析中的分類討論中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2018年6期)2018-06-26 08:36:06 教你一招：數(shù)的分類初中生世界·七年級(jí)(2017年9期)2017-10-13 22:27:46 GPS／GLONASS／BDS組合PPP精度分析測(cè)繪科學(xué)與工程(2016年5期)2016-04-17 06:51:15 服務(wù)類別新校長(zhǎng)(2016年8期)2016-01-10 06:43:59 改進(jìn)的Goldschmidt雙精度浮點(diǎn)除法器電子設(shè)計(jì)工程(2015年3期)2015-02-27 12:03:45 論類別股東會(huì)商事法論集(2014年1期)2014-06-27 01:20:42 中醫(yī)類別全科醫(yī)師培養(yǎng)模式的探討中國(guó)中醫(yī)藥現(xiàn)代遠(yuǎn)程教育(2014年16期)2014-03-01 04:28:46
李曉陽(yáng)樊 華徐 亮韓貞輝王斐斐謝恒義
1）中國(guó)鄭州450016 河南省地震局
2）中國(guó)天津300456 天津海關(guān)化礦金屬材料檢測(cè)中心
0 引言
地震具有突發(fā)性、破壞性強(qiáng)、防御難度大等特點(diǎn)，給社會(huì)造成巨大的經(jīng)濟(jì)損失和人員傷亡（吳俁等，2013）。我國(guó)地震災(zāi)害頻發(fā)，防災(zāi)減災(zāi)救災(zāi)壓力較大。近年來(lái)的地震救災(zāi)經(jīng)驗(yàn)表明，震后及時(shí)準(zhǔn)確地獲取地震災(zāi)情信息，開展應(yīng)急響應(yīng)，能夠有效減輕地震災(zāi)害帶來(lái)的損失（薛騰飛等，2016）。因此，震后快速獲取災(zāi)情信息，制定合理救援策略成為減輕災(zāi)害的有效方法，而利用無(wú)人機(jī)機(jī)動(dòng)靈活、分辨率高、航攝周期短的優(yōu)勢(shì)（黃海峰等，2017），能夠快速獲取震區(qū)相關(guān)影像，并能依托大小無(wú)人機(jī)分別完成廣域及特定位置區(qū)域的精準(zhǔn)識(shí)別，為震后應(yīng)急指揮決策提供科學(xué)依據(jù)。
遙感圖像已成為救災(zāi)人員的“眼睛”，在震后救災(zāi)中發(fā)揮著越來(lái)越重要的作用（張雪華等，2019）。近年來(lái)，無(wú)人機(jī)遙感技術(shù)已分別在2013 年蘆山地震、2014 年盈江地震、2015 年尼泊爾地震中得到實(shí)際應(yīng)用，對(duì)震后災(zāi)情評(píng)估起到一定作用。文中就無(wú)人機(jī)影像的快速拼接及精準(zhǔn)分類進(jìn)行分析，并將無(wú)人機(jī)影像用于災(zāi)害預(yù)評(píng)估，以不同方法驗(yàn)證其有效性。
文中以平頂山平煤礦區(qū)附近區(qū)域?yàn)閷?shí)驗(yàn)區(qū)，使用多旋翼型大疆經(jīng)緯M200 無(wú)人機(jī)，搭載禪思X5S 云臺(tái)，通過(guò)單兵設(shè)備實(shí)現(xiàn)拍攝影像的實(shí)時(shí)回傳。為后期做好圖像分類及可視化處理，飛行前需設(shè)定航線、航向和旁向重疊度、速度，并按照航測(cè)要求設(shè)置高度；利用Photoscan 及Pix4d 軟件，對(duì)源圖像做預(yù)處理及拼接，生成包含坐標(biāo)信息的正射影像，并在ArcGIS 中進(jìn)行分類，研究適合地震災(zāi)害的分類及可視化顯示方法，并完成分類質(zhì)量評(píng)價(jià)。
1 實(shí)驗(yàn)背景
鑒于平煤礦區(qū)附近存在發(fā)生非天然地震的可能，進(jìn)一步了解該區(qū)建筑物、生命線工程等信息，便于相關(guān)數(shù)據(jù)對(duì)應(yīng)急救災(zāi)輔助決策的補(bǔ)充，從而對(duì)當(dāng)?shù)貫?zāi)害預(yù)評(píng)估及震后災(zāi)情評(píng)估起到一定作用。本文主要針對(duì)礦區(qū)附近地物種類信息，尤其是居民地和道路信息展開調(diào)研，利用無(wú)人機(jī)遙感影像，借助圖像處理軟件及可視化工具，完成對(duì)實(shí)驗(yàn)區(qū)地物的分類處理，并使用分類評(píng)價(jià)指標(biāo)驗(yàn)證分類方法的有效性，得到較適用于地震應(yīng)急救災(zāi)的遙感影像處理方法。
1.1 實(shí)驗(yàn)區(qū)概況
實(shí)驗(yàn)區(qū)位于平頂山市礦區(qū)附近，使用無(wú)人機(jī)飛行2次，第一次飛行覆蓋范圍主要為礦區(qū)，第二次飛行覆蓋范圍涉及礦區(qū)附近地物較為豐富區(qū)域。無(wú)人機(jī)飛行設(shè)定參數(shù)為：高度100 m，航向重疊率67%、旁向重疊率51%，地面像素分辨率0.03 m，航攝面積0.2 km2，相機(jī)鏡頭均垂直于航線方向。第一次、第二次無(wú)人機(jī)飛行航線分別見(jiàn)圖1、圖2。
圖1 無(wú)人機(jī)第一次飛行航線Fig.1 The first flight route of the drone
圖2 無(wú)人機(jī)第二次飛行航線Fig.2 The second flight route of the drone
1.2 實(shí)驗(yàn)過(guò)程
為深入了解實(shí)驗(yàn)區(qū)附近地物種類分布情況，分類提取目標(biāo)區(qū)域地物影像，得到輔助決策報(bào)告所需基礎(chǔ)信息，設(shè)定以下工作步驟：選定平頂山市某礦區(qū)附近，使用DJI GS Pro 軟件規(guī)劃航線，設(shè)定參數(shù)，于2020 年4 月，使用無(wú)人機(jī)自動(dòng)拍攝，獲取近百?gòu)堅(jiān)歼b感影像；為了直觀觀察實(shí)驗(yàn)區(qū)地物情況，將整幅遙感影像進(jìn)行可視化顯示，使用2 款圖像處理軟件，完成遙感影像的拼接處理，并對(duì)比處理效果，選定適用本課題研究的處理軟件；選用3 種分類方法進(jìn)行拼接影像的分類提取，并在ArcGIS 平臺(tái)上進(jìn)行可視化顯示，除主觀觀察外，利用分類評(píng)價(jià)指標(biāo)進(jìn)行客觀判斷，從而實(shí)現(xiàn)該區(qū)域遙感影像的分類評(píng)價(jià)及可視化分析，以確保目標(biāo)區(qū)域地物影像分類的準(zhǔn)確提取，更好地將影像信息應(yīng)用于地震應(yīng)急救災(zāi)工作。
2 無(wú)人機(jī)正射影像處理軟件對(duì)比
由于飛行姿態(tài)不穩(wěn)定及裝載相機(jī)非專業(yè)量測(cè)型等因素，無(wú)人機(jī)遙感航片質(zhì)量一般不如傳統(tǒng)航測(cè)，例如：航片數(shù)量多、影像畸變大、航片角較大、重疊度不規(guī)則等（張順等，2019），因此對(duì)無(wú)人機(jī)影像處理軟件提出了較高要求。使用Photoscan 及Pix4d 兩種目前主流的無(wú)人機(jī)正射影像處理軟件，在相同的數(shù)據(jù)條件下，分析2 種軟件特點(diǎn)，為選擇正射影像軟件提供借鑒，并以該實(shí)驗(yàn)數(shù)據(jù)為基礎(chǔ)，分析影像效果更佳軟件。
2.1 處理流程對(duì)比
Photoscan 操作步驟相對(duì)復(fù)雜，包括：對(duì)齊照片、建立密集點(diǎn)云、生成網(wǎng)格等7 個(gè)步驟，每步均需設(shè)置參數(shù)。Pix4d較為簡(jiǎn)單，共3個(gè)步驟，且初始即可設(shè)置，處理速度比Photoscan快。Pix4d 的空三測(cè)量能力有一定優(yōu)勢(shì)，且自動(dòng)生成的精度報(bào)告內(nèi)容更為詳細(xì)，而Photoscan 并非適用于正射影像制作的專業(yè)軟件，對(duì)連接點(diǎn)的精度要求更高，處理過(guò)程中需要少量人工干預(yù)，匹配及處理效率較低。Pix4d 缺點(diǎn)體現(xiàn)在三維模型構(gòu)建上，DTM 濾波方式及DOM拼接均色方式較單一，而Photoscan 在紋理添加及三維建模方面更具優(yōu)勢(shì)。
2.2 影像拼接效果對(duì)比
在第一次航線規(guī)劃下，自動(dòng)生成影像33 張。使用Photoscan 軟件，在一個(gè)界面內(nèi)，按照添加照片、對(duì)齊照片、創(chuàng)建密集點(diǎn)云、創(chuàng)建TIN 模型、生成正射影像的步驟進(jìn)行影像拼接，且每步均需設(shè)置參數(shù)，影像生成見(jiàn)圖3。對(duì)于相同的33 張?jiān)加跋?，使用Pix4d 軟件，按照導(dǎo)入照片、設(shè)定參數(shù)、一鍵全自動(dòng)處理（包括空三加密、正射影像生成）的步驟生成影像，見(jiàn)圖4。
圖3 Photoscan 軟件實(shí)現(xiàn)的拼接圖像Fig.3 Mosaic images realized by Photoscan software
觀察發(fā)現(xiàn)，圖3 中拼接影像有錯(cuò)位、部分區(qū)域丟失現(xiàn)象，見(jiàn)圖中畫圈處，圖4 中影像拼接效果更佳，且Pix4d 軟件處理速度更快。分析認(rèn)為，規(guī)劃航線中的航向、旁向重疊率較低，Photoscan 軟件對(duì)參數(shù)設(shè)置要求較高，當(dāng)設(shè)置為中等質(zhì)量時(shí)，效果不佳；高等質(zhì)量時(shí)，處理時(shí)間過(guò)長(zhǎng)，不符合本課題研究的實(shí)際需求。因此，進(jìn)行遙感影像分類處理及可視化工作時(shí)，均采用經(jīng)Pix4d 軟件實(shí)現(xiàn)的拼接圖像，并選用地物較為豐富的原始影像。
圖4 Pix4d 軟件實(shí)現(xiàn)的拼接圖像Fig.4 Mosaic images realized by Pix4d software
3 遙感影像分類提取
針對(duì)拼接實(shí)現(xiàn)的影像，提取目標(biāo)區(qū)域，采用不同分類方法進(jìn)行地物分類，分析遙感影像分類提取方法的有效性。根據(jù)是否已知訓(xùn)練樣本的類別，將遙感圖像按照非監(jiān)督和監(jiān)督進(jìn)行分類，其中非監(jiān)督分類是在訓(xùn)練樣本未知情況下，按照像素本身空間分布和特性來(lái)劃分類別，屬于邊學(xué)習(xí)邊分類的方法；監(jiān)督分類是已知訓(xùn)練樣本，按照訓(xùn)練樣本的相關(guān)特征提取確定分類函數(shù)，從而將像元區(qū)分開來(lái)，分別劃分到不同類別中。
3.1 非監(jiān)督分類
非監(jiān)督分類能區(qū)分不同類別，卻不能自動(dòng)確定類別屬性，分類結(jié)束后可通過(guò)肉眼觀察進(jìn)行判定。較常用的非監(jiān)督分類方法有K-means（模糊K均值算法）和ISODATA（迭代自組數(shù)據(jù)分析算法），2 種方法優(yōu)于其他分類方式（陸曉果等，2018）。
本研究使用ISODATA 算法進(jìn)行非監(jiān)督分類。該算法由Ball 等（1965）提出，將所有樣本調(diào)整完畢后計(jì)算各類樣本均值，與K-means 算法不同，可自動(dòng)進(jìn)行類別分裂與合并，從而取得合理分類效果。在進(jìn)行分類前，對(duì)影像做特征提取，以提高圖像信噪比，降低冗余，在一定程度上減少噪聲干擾，提高分類精度。在ArcGIS 軟件平臺(tái)上，采用PCA（主成分分析）算法進(jìn)行特征提取，并使用ISODATA方法完成分類。原始影像及實(shí)現(xiàn)結(jié)果圖像見(jiàn)圖5、圖6。
圖5 Pix4d 軟件拼接后的待處理圖像Fig.5 Image to be processed after mosaic by Pix4d software
圖6 非監(jiān)督分類處理后的圖像Fig.6 Image after unsupervised classification processing
3.2 監(jiān)督分類
監(jiān)督分類是先確定訓(xùn)練樣本，后利用分類器對(duì)訓(xùn)練樣本進(jìn)行學(xué)習(xí)，獲取圖像上各訓(xùn)練樣本的分類特征，最終按照決策準(zhǔn)則進(jìn)行分類（何家樂(lè)，2019）。本研究均采用面向?qū)ο蟮谋O(jiān)督分類方法。與一般基于像素的分類方法不同，該方法首先需結(jié)合應(yīng)用光譜、空間、紋理信息，將圖像分割成同質(zhì)區(qū)域，然后以圖像對(duì)象作為分類基本單元，分類特征更為豐富，以此實(shí)現(xiàn)對(duì)無(wú)人機(jī)遙感圖像的深入挖掘。
面向?qū)ο蟮倪b感影像分類框架見(jiàn)圖7，可知：數(shù)據(jù)層進(jìn)行圖像分割處理，確定圖斑對(duì)象，其包含光譜、形狀、紋理等豐富空間信息（張曉羽等，2016）；特征層構(gòu)建圖斑對(duì)象特征，該特征構(gòu)建直接影響分類器的分類效果；目標(biāo)層實(shí)現(xiàn)圖斑對(duì)象到目標(biāo)的認(rèn)知。
圖7 面向?qū)ο蟮倪b感影像分類框架Fig.7 Object-oriented remote sensing image classification framework
文章旨在圖像分類，圖像分割算法不再贅述，重點(diǎn)闡述圖像特征的分類方法，并在ArcGIS 平臺(tái)進(jìn)行對(duì)比分析，實(shí)現(xiàn)可視化處理。
3.2.1 最大似然分類法。此為根據(jù)概率理論建立的一種分類方法（許軍強(qiáng)等，2019），步驟如下：按照統(tǒng)計(jì)方法建立各類判別函數(shù)集，計(jì)算每個(gè)測(cè)試樣本的統(tǒng)計(jì)概率，并將樣本歸入統(tǒng)計(jì)概率大的類。
設(shè)數(shù)據(jù)x，給定類別k，則似然度Lk被定義為x出現(xiàn)時(shí)，x歸于該類別k的條件概率P(k|x)，公式如下最大似然分類法
式中，Lk為判別函數(shù)；P(x|k)為總體概率密度函數(shù)；P(k)為類別k的先驗(yàn)概率；P(x)為x與類別無(wú)關(guān)條件下出現(xiàn)的概率。
對(duì)于同一類別及相同的訓(xùn)練樣本，式（1）為常量，則公式可簡(jiǎn)化為
式中要計(jì)算x與類別k的似然度，需給出總體概率密度函數(shù)P(x|k)。對(duì)于未知類別X，若屬于類別A、B的概率分別為Pa、Pb，且Pa＞Pb，則該類別X屬于類別A。本研究中最大似然法分類結(jié)果圖像見(jiàn)圖8。
圖8 最大似然法分類結(jié)果圖像Fig.8 Classification result image by maximum likelihood method
3.2.2 支持向量機(jī)。支持向量機(jī)是一類按照監(jiān)督學(xué)習(xí)方式對(duì)數(shù)據(jù)進(jìn)行二元分類的廣義線性分類器，其決策邊界是對(duì)學(xué)習(xí)樣本求解的最大邊距超平面（張合兵等，2020）。平行超平面間的距離或差距越大，分類器的總誤差越小。
圖9 支持向量機(jī)分類結(jié)果圖像Fig.9 Classification result image by support vector machine
4 分類評(píng)價(jià)方法研究
對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)才能驗(yàn)證分類是否準(zhǔn)確，同時(shí)可根據(jù)結(jié)果對(duì)分類過(guò)程進(jìn)行適當(dāng)調(diào)整，使分類結(jié)果更準(zhǔn)確。為了客觀評(píng)價(jià)分類質(zhì)量，判別分類提取的居民地、道路等地物面積準(zhǔn)確性，以便更好地補(bǔ)充災(zāi)情評(píng)估系統(tǒng)中礦區(qū)附近地物的基礎(chǔ)數(shù)據(jù)，完善震后輔助決策信息，采用類內(nèi)分類精度、總體分類精度和kappa 系數(shù)3 種分類評(píng)價(jià)指標(biāo)予以驗(yàn)證?？陀^評(píng)價(jià)是作為主觀分析的補(bǔ)充，文章中通過(guò)主觀觀察，可發(fā)現(xiàn)所采用的ISODATA 算法、最大似然法和支持向量機(jī)3 種分類方法均能實(shí)現(xiàn)拼接影像的分類處理，其中非監(jiān)督分類效果較差，存在漏分、錯(cuò)分現(xiàn)象。
4.1 評(píng)價(jià)指標(biāo)
（1）類內(nèi)分類精度，公式如下
式中，Ki表示第i類正確分類的樣本數(shù)，Mi表示第i類樣本總數(shù)。
（2）總體分類精度，公式如下
式中，Ki表示第i類正確分類的樣本數(shù)，c表示類的個(gè)數(shù)，K表示測(cè)試數(shù)據(jù)樣本總數(shù)。
（3）kappa 系數(shù)，公式如下
式中，xi,i表示混淆矩陣中主對(duì)角線上第i行的值，xi+表示混淆矩陣中第i行所有數(shù)值的和，x+i表示混淆矩陣中第i列所有數(shù)值的和，N為樣本數(shù)，c表示類的個(gè)數(shù)。
4.2 評(píng)價(jià)結(jié)果
使用同一組非訓(xùn)練樣本數(shù)據(jù)，分別采用以上3 種分類方法對(duì)獲取的遙感影像進(jìn)行分類，根據(jù)分類結(jié)果，采用混淆矩陣進(jìn)行質(zhì)量評(píng)價(jià)?；煜仃囀峭ㄟ^(guò)將每個(gè)實(shí)測(cè)像元的位置與分類圖像中的相應(yīng)位置比較計(jì)算得到的，混淆矩陣的每一列代表實(shí)際測(cè)得的信息，列中數(shù)值為實(shí)際測(cè)得像元對(duì)應(yīng)于相應(yīng)類別的數(shù)量；每一行代表遙感數(shù)據(jù)的分類信息，其數(shù)值為分類像元在實(shí)測(cè)像元相應(yīng)類別中的數(shù)量。評(píng)價(jià)步驟如下：①分別求取分類結(jié)果圖像和正確分類圖像的混淆矩陣?；煜仃囀窃贏rcGIS 軟件平臺(tái)中，利用軟件自帶工具對(duì)分類結(jié)果和實(shí)測(cè)值進(jìn)行柵格圖像轉(zhuǎn)面要素處理，可從面要素屬性表中看到所有分類像元面積，利用分析工具中的相交屬性，計(jì)算求得面要素的幾何交集，并導(dǎo)出結(jié)果，結(jié)合excel 中的數(shù)據(jù)透視表獲得混淆矩陣；②將混淆矩陣的值分別代入公式（3）—（5），求得3 種影像分類結(jié)果的類內(nèi)精度、總體精度及kappa 系數(shù)指標(biāo)評(píng)價(jià)精度，具體分類精度見(jiàn)表1。
表1 分類精度評(píng)價(jià)Table 1 Classification accuracy evaluation
由表1 可知：①非監(jiān)督分類效果較差，總體分類精度低于85%，監(jiān)督分類方法精度均高于85%，分類精度較高；②kappa 系數(shù)（0 ＜kappa ＜1）越大，分類效果越好，3 種分類方法中支持向量機(jī)方法的分類精度最高；③部分地物種類提取精度相對(duì)較差，尤其在交通用地、居民地類中存在錯(cuò)分現(xiàn)象。
采集圖像均為正射影像，拼接后圖像分辨率接近2 cm，交通用地、部分居民地光譜特征較為相似，在進(jìn)行特征提取時(shí)容易混淆。針對(duì)個(gè)別地物分類的錯(cuò)分情形，可在影像分類后選擇對(duì)照影像進(jìn)行目視解譯，完成局部修改。此處可以參照總體分類精度最高的支持向量機(jī)分類結(jié)果，利用ArcGIS 軟件，通過(guò)目視解譯，對(duì)錯(cuò)分漏分區(qū)域進(jìn)行改正。
通過(guò)計(jì)算支持向量機(jī)分類方法所獲結(jié)果影像中各種類像元數(shù)在總像元中的占比，可分別求得各分類區(qū)域面積，補(bǔ)充災(zāi)情評(píng)估系統(tǒng)中礦區(qū)附近居民地、道路等地物數(shù)據(jù)，從而提高產(chǎn)出的災(zāi)情評(píng)估報(bào)告質(zhì)量。同時(shí)，災(zāi)害預(yù)評(píng)估工作中涉及房屋類型、面積、層高等數(shù)據(jù)，本課題拍攝的礦區(qū)附近影像可作為判別房屋類型的輔助數(shù)據(jù)，相應(yīng)面積也可用于該區(qū)域預(yù)評(píng)估工作，而且可為研究區(qū)域的震后輔助決策提供地物分布的相關(guān)基礎(chǔ)數(shù)據(jù)。
5 結(jié)論
選取礦區(qū)附近作為研究區(qū)域，為獲取該區(qū)域準(zhǔn)確的地物分布及基礎(chǔ)數(shù)據(jù)，利用無(wú)人機(jī)完成正射影像拍攝，使用2 款軟件實(shí)現(xiàn)圖像的拼接處理，并對(duì)比分析軟件優(yōu)劣。在對(duì)區(qū)域內(nèi)居民地、道路等地物類型分類提取中，選取非監(jiān)督分類中的ISODATA 分類法和監(jiān)督分類中的最大似然法、支持向量機(jī)分類法來(lái)探討分類效果。而且，為了客觀評(píng)價(jià)分類質(zhì)量，利用3 種分類評(píng)價(jià)指標(biāo)予以驗(yàn)證。通過(guò)分析，得出以下結(jié)論。
（1）使用Photoscan 及Pix4d 軟件進(jìn)行圖像拼接，對(duì)于重疊度較低的正射影像而言，Pix4d 軟件的速度和質(zhì)量均優(yōu)于Photoscan 軟件，但如需進(jìn)行三維模型構(gòu)建，Photoscan 軟件更具優(yōu)勢(shì)。下一步將針對(duì)傾斜及正射影像結(jié)合的三維構(gòu)建進(jìn)行研究。
（2）為區(qū)分實(shí)驗(yàn)區(qū)域內(nèi)地物種類，實(shí)現(xiàn)居民地、道路的分類提取，從而準(zhǔn)確計(jì)算該地物種類的面積，用以補(bǔ)充災(zāi)情評(píng)估系統(tǒng)中礦區(qū)附近的基礎(chǔ)數(shù)據(jù)，對(duì)此本研究提出3 種分類方法，分別從處理速度、分類效果方面進(jìn)行對(duì)比。為確保分類的準(zhǔn)確性，利用3 種分類評(píng)價(jià)指標(biāo)予以驗(yàn)。從總體分類精度來(lái)看，支持向量機(jī)方法最優(yōu)，但由于個(gè)別種類的物體影像特征相似度較高，存在漏分錯(cuò)分現(xiàn)象，需通過(guò)目視解譯完成修改。從圖像處理速度來(lái)看，由于非監(jiān)督分類方法不需要提前確定訓(xùn)練樣本，所以處理速度最快。
在災(zāi)害預(yù)評(píng)估與震后災(zāi)害調(diào)查工作中，居民地分布區(qū)域、面積、房屋類型尤為重要，選擇越合適的無(wú)人機(jī)遙感影像的拼接、分類方法，得到的當(dāng)?shù)叵嚓P(guān)地物種類的面積越精確。遙感影像地物分類數(shù)據(jù)可用以補(bǔ)充平煤礦區(qū)附近應(yīng)急救災(zāi)輔助決策信息，若有破壞性地震發(fā)生，可為震后災(zāi)情評(píng)估提供一定的數(shù)據(jù)支撐。
猜你喜歡
數(shù)學(xué)小靈通(1-2年級(jí))(2021年4期)2021-06-09 06:25:56
中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2019年4期)2019-05-20 10:06:32
電子制作(2018年11期)2018-08-04 03:25:38
中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2018年6期)2018-06-26 08:36:06
初中生世界·七年級(jí)(2017年9期)2017-10-13 22:27:46
測(cè)繪科學(xué)與工程(2016年5期)2016-04-17 06:51:15
新校長(zhǎng)(2016年8期)2016-01-10 06:43:59
電子設(shè)計(jì)工程(2015年3期)2015-02-27 12:03:45
商事法論集(2014年1期)2014-06-27 01:20:42
中國(guó)中醫(yī)藥現(xiàn)代遠(yuǎn)程教育(2014年16期)2014-03-01 04:28:46
