一种从未配对的真实数据中学习图像去摩尔纹模型方法

1.本发明涉及去摩尔纹的人工神经网络的训练，尤其是涉及一种从未配对的真实数据中学习图像去摩尔纹模型方法。


背景技术：

2.当代社会充斥着用于呈现图像、文字、视频等的电子屏幕。随着智能手机等便携式摄像设备的广泛使用，人们已经习惯于用它们来快速记录信息。一个常见的问题产生于相机的彩色滤光片阵列(cfa)和屏幕的lcd子像素布局之间的内在干扰，导致拍摄的图片被一些彩虹形状的条纹所污染，这也被称为摩尔纹(如jingyu yang,et al.demoir
é
ing for screen-shot images with multi-channel layer decomposition.in ieee visual communications and image processing(vcip),pages 1
–
4,2017.)。这些摩尔纹涉及不同的厚度、频率、布局和颜色，降低了所拍摄图片的感知质量；因此，学术界和工业界对开发去摩尔纹的算法以纠正这一问题产生了极大的兴趣。
3.关于去摩尔纹的原始研究大多建立在图像先验(如taeg sang cho,et al.image restoration by matching gradient distributions.ieee transactions on pattern analysis and machine intelligence(tpami),34:683
–
694,2011.)或传统的机器学习方法(如jingyu yang,et al.textured image demoir
é
ing via signal decomposition and guided filtering.ieee transactions on image processing(tip),26:3528
–
3541,2017.)上，这些方法被证明不足以处理变化剧烈的摩尔纹(bolun zheng,et al.learning frequency domain priors for image demoireing.ieee transactions on patternanalysis and machine intelligence(tpami),44:7705
–
7717,2021.)。时髦的卷积神经网络(cnn)已经成为各种计算机视觉任务成功的事实上的基础设施，包括图像去摩尔纹(如shanxin yuan,et al.aim 2019challenge on image demoireing:methods and results.in proceedings of ieee/cvf international conference on computer vision workshop(iccvw),pages 3534
–
3545,2019.)。这些基于cnn的方法通常在广泛的无摩尔纹和摩尔纹图像对上以监督的方式进行训练，以模拟摩尔纹映射。然而，考虑到自然的摩尔纹图案具有不同的厚度、频率、布局和颜色，收集成对的图像是具有挑战性的。虽然可以很容易地获得摩尔纹图像以及无摩尔纹图像，但它们大多是不配对的。尽管许多研究试图从数字屏幕上捕捉图像对(如bin he,et al.fhde2net:full high definition demoireing network.in proceedings of the european conference on computer vision(eccv),pages 713
–
729,2020.)，但它们的质量被三个限制所阻挡。首先，获取高质量的图像对需要专业的相机位置调整，甚至是特殊的硬件(xin yu,et al.towards efficient and scale-robust ultrahigh-definition image demoir
é
ing.in proceedings ofthe european conference on computer vision(eccv),pages 646
–
662,2022.)。第二，需要繁重的人力来选择排列整齐的无摩尔纹和摩尔纹对。第三，在高度控制的实验室环境下，捕获的摩尔纹内容是非常单一的。然而，充满更多不同摩尔纹图案的图像
对更有望改进去摩尔纹模型。
4.因此，学习合成摩尔纹图像最近引起了越来越多的关注。拍摄模拟方法(如dantongniu,et al.mori
é
attack(ma):a new potential risk of screen photos.in proceedings ofthe advances in neural information processing systems(neurips),pages 26117
–
26129,2021.)模拟cfa和屏幕的lcd子像素之间的混叠，产生相应的成对摩尔纹图像。然而，合成图像不足以捕捉真实的摩尔纹的特征，导致很大领域差距。最近，park等人(hyunkookpark,et al.unpaired screen-shot image demoir
é
ing with cyclic moir
é
learning.ieeeaccess,10:16254
–
16268,2022.)引入循环摩尔纹学习方法，可以获得比拍摄模拟更好的性能。然而，生成的伪摩尔纹仍然未能准确模拟真实的摩尔纹图案，导致性能有限。


技术实现要素：

5.本发明的目的是提供一种从未配对的真实数据中学习图像去摩尔纹模型方法，合成摩尔纹图像，这些图像拥有与真实摩尔纹图像一样的摩尔纹特征和与真实无摩尔纹图像一样的细节特征。合成的伪摩尔纹图像与真实的无摩尔纹图像进行配对形成一个图像对，用于训练去摩尔纹网络。
6.本发明包括以下步骤：
7.1)图像预处理：将真实的摩尔纹图像划分为若干图像块，并根据摩尔纹的复杂性对这些图像块进行分组。
8.2)摩尔纹合成网络：引入一个新的摩尔纹生成框架，以合成类似于真实摩尔纹的具有不同摩尔纹特征的摩尔纹图像，以及类似于真实无摩尔纹图像的细节。
9.3)自适应去噪：引入一种自适应去噪方法，以去除对去摩尔纹模型的学习有不利影响的低质量的伪摩尔纹图像。
10.在步骤1)中，所述划分图像块是指将摩尔纹图像数据集分割成不重叠的若干图像块，从而得到一个摩尔纹图像块集合其中n是整个摩尔纹图像块集合中图像块的数量。同样地，可以将无摩尔纹图像数据集分割得到无摩尔纹图像块集合，m是整个无摩尔纹图像块集合中图像块的数量。
11.所述对图像块进行分组是指将摩尔纹图像块集合分成k个子集，即有分成k个子集，即有其中每个子集包含相似复杂度的摩尔纹图像块，并且任意两个子集都是不相交的。
12.所述摩尔纹的复杂性是由摩尔纹图像的频率和颜色信息组成。给定一个摩尔纹图像块该摩尔纹图像块的频率可以由一个核大小为3的拉普拉斯边缘检测算子测量，该摩尔纹图像块的颜色信息是rgb色彩空间色彩平面中像素云的平均值和标准差的线性组合，表示为：
13.14.其中，μ(
·
)和σ(
·
)返回输入的均值和标准差，和分别表示pm的红绿蓝颜色通道。
15.在步骤2)中，所述摩尔纹合成网络包括四个部分：一个摩尔纹特征编码器em，一个生成器gm，一个判别器dm和一个内容编码器ec；本发明的目标是生成一个伪摩尔纹图片它有pm的摩尔纹斑纹，同时保留无摩尔纹图像块的图像细节，这样就形成一个摩尔纹和无摩尔纹图像对，以此指导现有的去摩尔纹网络的学习；
16.为了实现该目标，摩尔纹特征编码器em提取真实摩尔纹图像块pm的摩尔纹特征，表示为fm：
17.fm＝em(pm)
18.然后，生成器gm以fm和pf为输入，合成一个伪摩尔纹图像块
[0019][0020]
其中，con(
·
，
·
)表示连接操作。
[0021]
判别器dm与生成器gm协作，以对抗训练的方式获得更好的伪摩尔纹图像块。生成器gm被训练以便欺骗判别器dm：
[0022][0023]
为了获得更好的训练稳定性，使用了最小二乘法损失函数。同时，判别器dm被训练来区别伪摩尔纹图片和真实摩尔纹图片pm：
[0024][0025]
此外，要求合成的的摩尔纹特征与真实的pf的摩尔纹特征一致：
[0026][0027][0028]
其中||
·
||1表示l1损失。为了更好地配对和pf，也被期望有pf的内容细节。一个额外的内容编码器ec被引入，以对齐和pf之间的内容特征：
[0029][0030]
总的损失函数为：
[0031][0032]
在步骤3)中，所述自适应去噪是指去除对去摩尔纹模型的学习有不利影响的低质量的伪摩尔纹图像。发现一些伪摩尔纹图像块偶尔会出现低质量的问题，其中pf的内容和细节在中被破坏。这种噪声数据阻碍去摩尔纹模型的学习。被破坏的结构主要归结为边缘信息。因此，通过拉普拉斯边缘检测算子来计算每个图像块的边缘图，并且结构差异是通过对每个伪图像对之间的边缘差异的绝对值进行求和来计算的。低质量的伪摩尔纹会导致结构差异的较大分数，只要分数超过一个阈值，就可以排除这些伪图像对。这个阈值是总共n个伪图像对中结构差异的第γ个百分点。
[0033]
与现有技术相比，本发明具有以下突出优点：
[0034]
1)通过从未配对的真实数据中学习一个去摩尔纹模型，避免收集真实世界的配对摩尔纹和无摩尔纹图像的繁琐工作，减少了数据准备过程中的人力，提高数据集的多样性。
[0035]
2)大量的实验表明，在真实的摩尔纹图像数据集上，本发明以很大的幅度改善比较基准。证明本发明的优越的性能，而且也为去摩尔纹界启迪一种新的摩尔纹生成方法。
附图说明
[0036]
图1为本发明的图像预处理过程图；
[0037]
图2为本发明的摩尔纹合成网络框架图。
[0038]
图3为mbcnn网络在uhdm数据集上去摩尔纹的可视化结果。
具体实施方式
[0039]
为了使本发明的目的、技术方案及优点更加清楚明白，以下实施例将结合附图对本发明进行作进一步的说明。
[0040]
本发明实施例方法框架图如图1和2所示。
[0041]
1.训练说明
[0042]
本发明实施例包括以下步骤：
[0043]
1)图像预处理：将真实的摩尔纹图像划分为若干图像块，并根据摩尔纹的复杂性对这些图像块进行分组。
[0044]
2)摩尔纹合成网络：引入一个新的摩尔纹生成框架，以合成类似于真实摩尔纹的具有不同摩尔纹特征的摩尔纹图像，以及类似于真实无摩尔纹图像的细节。
[0045]
3)自适应去噪：引入一种自适应去噪方法，以去除对去摩尔纹模型的学习有不利影响的低质量的伪摩尔纹图像。
[0046]
在步骤1)中，所述划分图像块是指将摩尔纹图像数据集分割成不重叠的若干图像块，从而得到一个摩尔纹图像块集合其中n是整个摩尔纹图像块集合中图像块的数量。同样地，可以将无摩尔纹图像数据集分割得到无摩尔纹图像块集合，m是整个无摩尔纹图像块集合中图像块的数量。
[0047]
所述对图像块进行分组是指将摩尔纹图像块集合分成k个子集，即有分成k个子集，即有其中每个子集包含相似复杂度的摩尔纹图像块，并且任意两个子集都是不相交的。
[0048]
所述摩尔纹的复杂性是由摩尔纹图像的频率和颜色信息组成(y uxin zhang，et al.real-time image demoireing on mobile devices.in proceedings of the international conference on learning representations(iclr)，2023.)。给定一个摩尔纹图像块该摩尔纹图像块的频率可以由一个核大小为3的拉普拉斯边缘检测算子(david marr and ellen hildreth.theory of edge detection.proceedings of the royal society of london.series b.biological sciences，207∶187-217，
1980.)测量，该摩尔纹图像块的颜色信息是rgb色彩空间(david hasler and sabine e suesstrunk.measuring colorfulness in natural images.in human vision and electronic imaging viii，volume 5007，pages 87-95，2003.)色彩平面中像素云的平均值和标准差的线性组合，表示为：
[0049][0050]
其中，μ(
·
)和σ(
·
)返回输入的均值和标准差，和分别表示pm的红绿蓝颜色通道。
[0051]
在本发明中设定k＝4，得到四个相同大小摩尔纹图像块子集，每个子集都有独特的摩尔纹特征。第一组包含前n/4个小的的图像块，因此它的摩尔纹图案频率低，颜色少。之后，用一个新的指标来对其余的图像块按从最小到最大进行排序。然后，由前n/4个图像块组成，这些图像块具有低频率但丰富的颜色。中间的n/4个图像块构成以高频率和丰富的颜色为特色。n/4个得分最小的图像块具有高频率但颜色较少，构成
[0052]
在步骤2)中，所述摩尔纹合成网络包括四个部分：一个摩尔纹特征编码器em，一个生成器gm，一个判别器dm和一个内容编码器ec。本发明的目标是生成一个伪摩尔纹图片它有pm的摩尔纹斑纹，同时保留无摩尔纹图像块的图像细节，这样就形成了一个摩尔纹和无摩尔纹图像对，以此指导现有的去摩尔纹网络的学习。
[0053]
为了实现该目标，摩尔纹特征编码器em提取真实摩尔纹图像块pm的摩尔纹特征，表示为fm：
[0054]fm
＝em(pm)
[0055]
然后，生成器gm以fm和pf为输入，合成一个伪摩尔纹图像块
[0056][0057]
其中，con(
·
，
·
)表示连接操作。
[0058]
判别器dm与生成器gm协作，以对抗训练(ian j.goodfellow，jean pouget-abadie，mehdi mirza，bing xu，david warde-farley，sherjilozair，aaron courville，and yoshuabengio.generative adversarial nets.in proceedings of the advances in neural information processing systems(neurips)，pages 2672-2680，2014.)的方式获得更好的伪摩尔纹图像块。生成器gm被训练以便欺骗判别器dm：
[0059][0060]
为了获得更好的训练稳定性，使用了最小二乘法损失函数(xudong mao，qing li，haoranxie，raymond yk lau，zhen wang，and stephen paul smolley.least squares generative adversarial networks.in proceedings of the ieee/cvf international conference on computer vision(iccv)，pages 2794-2802，2017.)。同时，判别器dm被训
练来区别伪摩尔纹图片和真实摩尔纹图片pm：
[0061][0062]
此外，要求合成的的摩尔纹特征与真实的pf的摩尔纹特征一致：
[0063][0064][0065]
其中||
·
||1表示l1损失。为了更好地配对和pf，也被期望有pf的内容细节。一个额外的内容编码器ec被引入，以对齐和pf之间的内容特征：
[0066][0067]
总的损失函数为：
[0068][0069]
在步骤3)中，所述自适应去噪是指去除对去摩尔纹模型的学习有不利影响的低质量的伪摩尔纹图像。发现一些伪摩尔纹图像块偶尔会出现低质量的问题，其中，pf的内容和细节在中被破坏。这种噪声数据阻碍去摩尔纹模型的学习。幸运的是，被破坏的结构主要归结为边缘信息。因此，通过拉普拉斯边缘检测算子来计算每个图像块的边缘图，并且结构差异是通过对每个伪图像对之间的边缘差异的绝对值进行求和来计算的。低质量的伪摩尔纹会导致结构差异的较大分数，只要分数超过一个阈值，就可以排除这些伪图像对。这个阈值是总共n个伪图像对中结构差异的第γ个百分点。对每个合成网络进行上述过程，并设置相应的γi来去除低质量的伪摩尔纹。
[0070]
2.实现细节
[0071]
本发明使用公开数据集包括fhdmi数据集和uhdm数据集。本发明使用训练集来训练提出的摩尔纹合成网络。对于图像预处理，本发明将fhdmi的训练图像裁剪成8个图像块。对于涉及更高分辨率图像的uhdm，将训练图像裁剪成6个图像块。在训练过程中，摩尔纹图像块pm和无摩尔纹图像块pf是从不同的原始图像中选择的(在图像预处理之前)，以确保它们是不配对的。
[0072]
本发明使用pytorch框架实现。em和ec包含一个卷积层和两个残差块。gm包含三个卷积层、九个残差块和两个去卷积层，并以一个卷积层结束，产生最终输出。残差块构成两个卷积层，之后是实例归一化和relu函数。卷积层对em和ec有16个通道，对gm有128个通道。dm借鉴patchgan(phillip isola，jun-yan zhu，tinghui zhou，and alexei a efros.image-to-image translation with conditional adversarial networks.in proceedings of the ieee/cvf conference on computervision and pattern recognition(cvpr)，pages 1125-1134，2017.)，由三个跨度为2的卷积层，两个跨度为1的卷积层组成，最后是一个平均池层。对于去摩尔纹模型，使用mbcnn和esdnet-l(esdnet的一个大型版本)。
[0073]
摩尔纹合成网络使用adam优化器进行训练，其中第一动量和第二动量分别设置为0.9和0.999。使用100个epoch进行训练，batch大小为4，初始学习率为2
×
10-4
，在最后50个epoch中线性衰减为0。此外，在图像预处理后对图像块进行不同的随机裁剪，以验证本发明
在合成伪摩尔纹图像方面的灵活性。fhdmi的裁剪尺寸设置为192
×
192和384
×
384，uhdm的裁剪尺寸设置为192
×
192、384
×
384和768
×
768。对于去摩尔纹模型，保留了与原论文相同的训练配置，只是为了公平比较，所有模型都训练了150个epoch。所有的网络都使用高斯分布进行初始化，其平均值为0，标准差为0.02。自适应去噪的γ1、γ2、γ3和γ4分别根据经验设置为50、40、30和201。所有实验都在nvidiaa100 gpu上运行。
[0074]
采用广泛使用的峰值信噪比(psnr)、结构相似度(ssim)和lpips等指标来定量评估去摩尔纹模型的性能。
[0075]
3.应用领域
[0076]
本发明可应用于去摩尔纹神经网络的训练，实现从未配对的真实数据中学习图像去摩尔纹模型。
[0077]
表1为mbcnn和esdnet-l去摩尔纹模型在fhdmi数据集(bin he,ce wang,boxin shi,and ling-yu duan.fhde2net:full high definition demoireing network.in proceedings of the european conference on computer vision(eccv),pages 713
–
729,2020.)上的结果。
[0078]
从表1中可以看出，在拍摄模拟产生的数据上训练的去摩尔纹模型的性能是非常差的。例如，mbcnn在用192
×
192的裁剪尺寸训练时，只获得10.66db的psnr，这表明在伪数据和真实数据之间存在着很大的领域差距。循环学习方法和本发明的undem都表现出更好的结果。此外，与循环学习方法相比，本发明的undem成功地模拟了摩尔纹图案，因此呈现出最高的性能。例如，当crop大小为192和384时，mbcnn分别获得了19.45db和19.89db的psnr。对于esdnet-l，psnr结果分别为19.38db和19.66db。相应地，本发明的undem的ssim和lpips也表现出比拍摄模拟和循环学习好得多的性能。
[0079]
表1
[0080][0081]
表2为mbcnn和esdnet-l去摩尔纹模型在uhdm数据集(xin y u,et al.,towards efficient and scale-robust ultrahigh-definition image demoir
é
ing.in proceedings of the european conference on computer vision(eccv),pages 646
–
662,2022.)上的结果。从表2中可以看出，在拍摄模拟上训练的去摩尔纹模型仍然无法处理真实数据，而循环学习提供了更好的结果。更重要的是，本发明的undem在不同的网络和训练规模上超过了这两种方法。具体来说，undem在训练mbcnn的crop大小为192、384和768时，
psnr分别增加了0.54db、0.10db和0.15db。对于esdnet-l，psnr的增益分别为0.28db、0.43db和0.40db。从表1和表2中总结，可以得出结论，本发明合成的摩尔纹图像在下游去摩尔纹任务的可转移性以及undem相对于现有方法的功效已经得到了充分的证明。
[0082]
图3表示mbcnn网络在uhdm数据集上去摩尔纹的可视化结果，其中图(a)表示摩尔纹图片，图(e)表示对应的无摩尔纹图片，图(b-d)表示不同方法去摩尔纹的效果。如图3中的图(b)所示，拍摄模拟的去摩尔纹结果表现出不自然的高亮度，导致图像细节的损失。这种视觉质量的下降可以归咎于拍摄模拟的亮度普遍较低，这使得去摩尔纹模型在摩尔纹和无摩尔纹图像之间学习到不正确的亮度关系。如图3中的图(c)所示，由于循环学习不能对摩尔纹模式进行建模，去摩尔纹模型未能去除摩尔纹。图3中的图(d)的结果显示undem在去除摩尔纹方面的功效，反映undem有能力成功建立摩尔纹模型。
[0083]
表2
[0084][0085]
上述实施例仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

技术特征：
1.一种从未配对的真实数据中学习图像去摩尔纹模型方法，其特征在于包括以下步骤：1)图像预处理：将真实的摩尔纹图像划分为若干图像块，并根据摩尔纹的复杂性对这些图像块进行分组；2)摩尔纹合成网络：引入一个新的摩尔纹生成框架，以合成类似于真实摩尔纹的具有不同摩尔纹特征的摩尔纹图像，以及类似于真实无摩尔纹图像的细节；3)自适应去噪：引入一种自适应去噪方法，以去除对去摩尔纹模型的学习有不利影响的低质量的伪摩尔纹图像。2.如权利要求1所述一种从未配对的真实数据中学习图像去摩尔纹模型方法，其特征在于在步骤1)中，所述将真实的摩尔纹图像划分为若干图像块是指将摩尔纹图像数据集分割成不重叠的若干图像块，得到一个摩尔纹图像块集合其中，n是整个摩尔纹图像块集合中图像块的数量；同时将无摩尔纹图像数据集分割得到无摩尔纹图像块集合m是整个无摩尔纹图像块集合中图像块的数量。3.如权利要求1所述一种从未配对的真实数据中学习图像去摩尔纹模型方法，其特征在于在步骤1)中，所述图像块进行分组是指将摩尔纹图像块集合分成k个子集，即有分成k个子集，即有其中每个子集包含相似复杂度的摩尔纹图像块，并且任意两个子集都是不相交的；所述摩尔纹的复杂性是由摩尔纹图像的频率和颜色信息组成；给定一个摩尔纹图像块该摩尔纹图像块的频率由一个核大小为3的拉普拉斯边缘检测算子测量，该摩尔纹图像块的颜色信息是rgb色彩空间色彩平面中像素云的平均值和标准差的线性组合，表示为：其中，μ
·
和σ
·
返回输入的均值和标准差，和分别表示p
m
的红绿蓝颜色通道。4.如权利要求1所述一种从未配对的真实数据中学习图像去摩尔纹模型方法，其特征在于在步骤2)中，所述摩尔纹合成网络包括四个部分：一个摩尔纹特征编码器e
m
，一个生成器g
m
，一个判别器d
m
和一个内容编码器e
c
；生成一个伪摩尔纹图片伪摩尔纹图片有p
m
的摩尔纹斑纹，同时保留无摩尔纹图像块的图像细节，形成一个摩尔纹和无摩尔纹图像对，以此指导现有的去摩尔纹网络的学习；摩尔纹特征编码器e
m
提取真实摩尔纹图像块p
m
的摩尔纹特征，表示为f
m
：f
m
＝e
m
(p
m
)生成器g
m
以f
m
和p
f
为输入，合成一个伪摩尔纹图像块为输入，合成一个伪摩尔纹图像块其中，con(
·
，
·
)表示连接操作；判别器d
m
与生成器g
m
协作，以对抗训练的方式获得更好的伪摩尔纹图像块；生成器g
m
被训练以便欺骗判别器d
m
：
为了获得更好的训练稳定性，使用了最小二乘法损失函数；同时，判别器d
m
被训练来区别伪摩尔纹图片和真实摩尔纹图片p
m
：此外，要求合成的的摩尔纹特征与真实的p
f
的摩尔纹特征一致：的摩尔纹特征一致：其中||
·
||1表示l1损失；为了更好地配对和p
f
，也被期望有p
f
的内容细节；一个额外的内容编码器e
c
被引入，以对齐和p
f
之间的内容特征：总的损失函数为：5.如权利要求1所述一种从未配对的真实数据中学习图像去摩尔纹模型方法，其特征在于在步骤3)中，所述自适应去噪是指去除对去摩尔纹模型的学习有不利影响的低质量的伪摩尔纹图像；一些伪摩尔纹图像块偶尔会出现低质量的问题，其中，p
f
的内容和细节在中被破坏；这种被破坏的结构主要归结为边缘信息；通过拉普拉斯边缘检测算子计算每个图像块的边缘图，并且结构差异是通过对每个伪图像对之间的边缘差异的绝对值进行求和来计算；低质量的伪摩尔纹会导致结构差异的较大分数，只要分数超过一个阈值，就可排除这些伪图像对；这个阈值是总共n个伪图像对中结构差异的第γ个百分点。

技术总结
一种从未配对的真实数据中学习图像去摩尔纹模型方法，涉及去摩尔纹的人工神经网络的训练。与大量依赖从成对的真实数据中学习的现有研究不同，该方法从未配对的数据集中合成伪摩尔纹图像，生成与无摩尔纹图像配对的图像对来训练去摩尔纹模型。包含以下三个步骤：首先，将真实的摩尔纹图像划分为若干图像块，并根据摩尔纹的复杂性对这些图像块进行分组；然后，引入一个新的摩尔纹生成框架，以合成类似于真实摩尔纹的具有不同摩尔纹特征的摩尔纹图像，以及类似于真实无摩尔纹图像的细节；之后，引入一种自适应去噪方法，以去除对去摩尔纹模型的学习有不利影响的低质量的伪摩尔纹图像。的学习有不利影响的低质量的伪摩尔纹图像。的学习有不利影响的低质量的伪摩尔纹图像。


技术研发人员：纪荣嵘 钟云山 林明宝
受保护的技术使用者：厦门大学
技术研发日：2023.06.07
技术公布日：2023/7/20