关联成像以其非定域性、抗干扰能力强等特点得到研究人员的广泛关注,在三维成像、遥感成像、生物医疗、****等领域具有广阔的应用前景。本综述根据发展阶段的不同,详细介绍了纠缠双光子关联成像、(赝)热光关联成像和计算关联成像的发展历程及应用现状,尤其是近年来微光相机(ICCD)的出现为关联成像发展带来的促进作用及最新进展。针对热光关联成像的物理本质进行了简单的讨论,对关联成像的实际应用进行了展望。

对水下图像预处理和目标检测识别、跟踪关键技术进行了详细的归纳总结。根据是否需要构建模型,将水下图像预处理分为图像增强和图像复原,论述了增强和复原方法的基本思想及方法特点。对水下光学图像的目标检测识别与跟踪原理和方法的研究进展进行全面阐述。通过对以上各个过程研究成果的总结分析,梳理了水下目标探测各关键技术中存在的重点解决问题与相关难点问题,讨论了其解决思路和进一步发展方向。

基于内容的医学图像检索方法是近年来计算机视觉领域的研究热点,已经广泛应用于计算机辅助诊断的研究中。概述了基于内容的医学图像检索方法的研究进展及意义,介绍了当前主流的医学图像检索算法及其优缺点,旨在引导研究人员快速了解本领域的研究内容。医学图像检索的研究主要分为特征提取和相似性度量两部分。从传统特征提取及近年来兴起的基于深度学习的特征提取入手来介绍医学图像的特征提取方式;而相似性度量部分则详细列举了马氏距离度量、词汇树以及哈希算法。最后概述了医学图像检索领域的相关反馈技术及当前常用的图像检索系统,并讨论了医学图像检索未来可能的研究方向及相关难点。

提出了一种针对弱漫反射物体在重建平面内的重建像位置预标记法。利用物体上某个特定区域的镜面反射光作为物光,获得全息图,对+1级重建像所在区域进行预标记;不改变物体位置,对物体上的漫反射面发出的物光进行全息记录,在原预标记区域提取弱漫反射物体的重建像。改变照明光倾角方式,并结合FIMG4FFT方法,获取特定视角下的物体三维轮廓。获得多个视角的三维轮廓后,提出利用粒子群算法将非线性方程组的求解问题转化为优化问题求解拼接参数,实现圆柱坐标系下的多视角物体三维轮廓拼接。误差标定实验证明最大相对测量误差为5.6%。所提方法成功地对螺纹表面进行多视角三维轮廓获取、拼接,实现了回转类零件的三维全息显示。

针对监控场景的背景杂乱及行人被遮挡等问题,提出一种基于背景抑制的行人属性识别方法,该方法可以减小背景对行人属性识别的影响。首先,改进卷积神经网络以生成三个分支,将分支分别用于行人图像、人体区域、背景区域的特征提取;然后,将区域对比损失函数和加权交叉熵损失函数作为网络的联合代价函数。在此联合代价函数的约束下,神经网络学习到的特征具有背景杂乱不变性,从而提高了行人属性识别的准确度。将所提方法在PETA和RAP两个行人属性数据集上进行验证。与其他现有方法相比,所提方法在平均精度、准确度、精确度等指标上性能均有所提升,证明了所提方法的有效性。

对强噪声且密度不均匀的点云进行高效、高精度配准是一个难题。针对此难题,提出一种基于关键点提取与优化迭代最近点(ICP)的点云配准算法。在粗配准中,将体素格滤波与法向距离关键点的提取相结合,计算关键点的快速点特征直方图以进行特征匹配,然后采用对应关系估计优化随机采样一致性(RANSAC)算法以进行误匹配剔除。在精配准中,采用最优节点优先(BBF)算法搜索k-d tree最近点,设定动态阈值消除误配对,最后利用基于“点到三角面”模型的加速ICP算法计算配准向量。通过对模型点云和建筑物点云进行配准,将所提算法与其他常用的算法进行比较分析。实验表明,所提算法具有良好的稳健性和抗噪性,能显著提升配准速度和配准精度。

提出一种基于马尔科夫链蒙特卡罗(MCMC)框架的子图学习方法,该方法通过构建马尔科夫链实现子图在状态空间中的迭代,最终得到用于匹配的最优子图,以有效提高图匹配的精度,减少离散值的影响。在此过程中,所提方法可以在一对一的匹配约束下有效保存成对的匹配点,同时避免了离散值和畸变值的影响。实验分别在合成图像数据集、真实图像数据集、3D模型数据集上展开,实验结果证明了所提方法在图匹配过程中的优越性。

基于LED屏裸眼三维显示技术,提出了一种利用时分复用技术提高集成成像系统空间分辨率的方法,解决了由LED屏各个像素点光源发散、相邻像素点间距过大导致的空间分辨率低的问题。通过研究LED显示器发光原理,分析了重构图像空间分辨率的影响因素,得到成像系统的重构分辨率影响因子,在LED显示阵列不变的情况下,通过时分复用技术提取单个像素点周围的像素信息,最终达到提高重构图像空间分辨率的目的。对所提方法进行了理论分析和实验验证,结果表明该方法提高了LED显示器重构图像的空间分辨率,满足了提高集成成像重构分辨率的要求。

针对目前高分辨率遥感影像道路提取准确性不高的问题,提出一种基于改进最大期望(EM)聚类的遥感影像道路提取算法。首先通过形态学预处理来去除道路上的干扰信息,在此基础上通过改进EM聚类自动确定分割区域数目,完成影像分割,最后结合轮廓检测和灰度直方图阈值化完成遥感影像道路的提取。实验结果表明,所提算法能有效屏蔽道路上的噪声,提取出主干道路信息,该方法的准确率达到90%以上,冗余度较低。

提出了一种基于非下采样剪切波变换(NSST)和参数自适应简化型脉冲耦合神经网络(SPCNN)相结合的水下偏振图像融合方法。对水下目标物进行图像采集获得目标物的线偏振度图像和偏振光强图像;对两幅图像进行NSST分解获得其多尺度和多方向子带系数,通过参数自适应SPCNN模型融合两幅图像的高频方向子带系数,采用基于区域能量自适应加权的融合方法融合两幅图像的低频子带系数;对融合后的高频方向子带和低频方向子带进行逆NSST重建融合图像。实验结果表明,与其他偏振图像融合方法相比,本文方法可以探测到水下目标物的更多细节和显著特征,主观视觉感受和客观评价方面都有较大的提升。

针对由一般卷积神经网络预测的粗糙特征生成的深度图质量低、监督学习处理任务限制数据量等问题,提出一种新颖的融合扩张卷积神经网络和同时定位与建图(SLAM)的无监督单目深度估计方法。该方法采用视图重构的思想估计深度,利用光学一致性误差约束网络训练,扩大感受野,考虑图片细节特征。同时采用SLAM算法优化相机姿态,并将其嵌入视图重构框架中,实现单目图片与其深度图的直接映射。利用该方法在公开的KITTI数据集上进行实验,结果表明,与经典的sfmlearner方法相比,误差度量指标绝对差、平方差、均方差和对数均方差分别降低了0.032、0.634、1.095和0.026;准确率度量指标δ1、δ2和δ3分别提升了3.8%、2.6%和0.9%。该模型的可用性与稳健性得到验证。

为了解决对小目标物体识别精度较差的问题,提出了一种双注意力模型引导的目标检测算法。该方法基于单阶段检测算法的实现原理,通过引入两种注意力模型来提升检测性能,尤其是对小目标物体。首先在卷积神经网络中引入一个多尺度特征级联注意力模块,对原始卷积神经网络的特征图中各区域进行不同重要程度的关注,降低特征图的背景及负样本信息的干扰,特别是在浅层特征图中可对小目标物体进行有效的关注。此外,密集连接的方式缓解了网络反向传播过程中梯度消失的问题。其次,对融合后的特征引入显著通道自注意力模块,区分特征图不同通道,筛选出有用的通道信息,使待检测的特征更具表征性。在目标检测基准数据集COCO上进行测试,验证了所提方法的有效性和先进性。

现有基于深度学习的遥感飞机图像检测方法在训练时需要大量的带标记数据集和较长的训练时间,鉴于此,提出了一种基于生成式对抗网络的半监督学习方法。采用两种粒度的深度卷积生成式对抗网络,分别提取待检测目标的边缘特征信息和深层语义特征。通过结合两种粒度的生成式对抗网络的判别器网络模型,设计了目标检测网络模型。实验结果表明,实验设计的半监督学习训练方法具有更快的收敛速度,且在训练时需要的标记样本更少。

针对Tiny YOLOv3算法在扶梯异常行为检测时存在高漏检率和低准确率的问题,提出一种改进的Tiny YOLOv3网络结构用于扶梯异常行为检测。利用K-means++算法对数据集中的目标边框进行聚类,根据聚类结果优化网络的先验框参数,使训练网络在异常行为检测方面具有一定的针对性。利用多层深度可分离卷积提取深层次的语义信息,加深特征提取的网络结构;增加一个尺度用于低层语义信息的融合,改进原有算法预测层的结构;使用GPU进行多尺度训练,得到最优的权重模型,对扶梯异常行为进行检测。实验结果表明,优化后的模型与Tiny YOLOv3相比,平均漏检率减小了22.8%,检测精度提高了3.4%,检测速度是YOLOv3的1.7倍,更好地兼顾了检测的精度和实时性。

针对暗通道先验去雾算法存在的光晕现象、大气光值选取不准确等问题,提出了一种基于暗通道补偿与大气光值改进的图像去雾方法。为减弱图像景物边缘处的光晕效应,提出了一种基于暗通道补偿模型的解决办法,利用加权通道差值的方法识别光晕区域,通过腐蚀、融合等处理修正该区域的暗通道值,采用线性融合的方式与原暗通道进行融合,实现对暗通道的补偿。针对大气光值选取不准确的问题,改进了四叉树分割方法,即增加相邻区域比较的策略,使该算法可以更加精确地获取大气光值,使恢复后的图像更加清晰自然,细节保留更加丰富。借助大气散射模型与优化后的透射率恢复无雾图像。实验结果表明,本文方法能够有效地去除光晕效应,准确地获取大气光值。

实际场景中各物体的尺寸差异导致激光三维数据中各物体对应的三维积分区域(SVR)存在差异。在初始帧中,借助于SVR筛选与全局特征匹配完成目标识别,实现对待跟踪目标的自动选取,并且比较四种全局特征描述子的识别能力及运行速度。得到初始帧中的目标位置后,提出了利用全局特征匹配在后续帧中实施目标跟踪的方法。实验结果表明,SVR筛选有利于提高识别跟踪的准确率及算法整体运行速度。

现有的高光谱图像分类方法多注意到空间信息的利用,并未考虑地物在空间分布上具有连续性的特点。基于此,提出了一种空谱加权近邻(SSWNN)高光谱图像分类算法。通过构造测试样本点的近邻空间,过滤近邻空间中与测试样本标签不一致的空间近邻点,有效解决了近邻空间内异类点对中心像元分类的干扰,改善了图像的椒盐效应。根据空间近邻点和测试像元之间的光谱相似性为空间近邻点赋予不同的权重,增大了同类像元间的相似性和异类像元间的差异性,并通过引入正则化系数,得到训练样本和测试样本近邻空间的距离,选择距离最小的训练样本标签作为测试样本的标签。该方法在Indian Pines和PaviaU高光谱数据集上的总体分类精度分别达到了96.75%和98.54%,高于文中所列的其他算法。

提出了一种消除雾气对车载摄录设备光学成像影响的系统,改善了车载设备获取图像的视觉效果,优化了后续对图像中信息的提取与应用。设计的双模式雾气消散系统包括硬件和软件两部分,硬件为基于物理热消散效应的机械去雾结构,软件为基于大气散射模型估算的图像处理算法。能在不同湿度下保证车载摄录图像的清晰度和细节特征,具有实时处理和自适应反馈等优势,满足商业化应用需求。

针对传统去雾算法结果中颜色和对比度失真等问题,提出了一种基于多尺度融合和对抗训练的图像去雾算法。采用多尺度特征提取模块从多个不同尺度中提取雾霾相关特征,利用残差密集连接模块实现图像特征的交互,避免了梯度消失。由于其不基于大气散射模型,直接将图像的浅层特征和深层特征进行多尺度融合,所以克服了物理模型的不精确性。去雾网络的训练采用生成对抗机制,由多尺度特征提取模块和残差密集连接模块构成的生成器估计清晰的无雾图像,由两个不同尺度感受野的子网络构成的鉴别器完成对抗训练。在RESIDE(Realistic single image dehazing)数据集上进行对比实验,结果表明本算法生成的去雾图像在全参考和无参考的视觉质量指标方面优于其他对比算法。

针对存在光照不均匀干扰的工业图像,提出了一种基于图像的多方向灰度波动局部阈值分割方法。先对图像进行均值滤波预处理;然后提取水平、垂直和左右对角线四个方向上的一维灰度波动曲线,并对每条曲线上满足波动幅度阈值条件的波峰和波谷进行一维局部阈值分割;最后将分割后的子图像进行与操作,得到最终分割图像。实验结果表明,该方法能够有效提高对光照不均匀图像分割的准确性,与二维Otsu、二维Tsallis和Niblack算法相比分割效果有显著提升。

针对高光谱图像数据维度高、特征非线性以及标签数据获取难度大的特点,结合堆栈稀疏自动编码网络,提出了一种基于非局部方式特征融合的二级分类算法。与传统堆栈稀疏自动编码网络相比,光谱角匹配算法将找到的与被分类像元最相似的光谱信息堆叠形成新的光谱信息,然后输入到SoftMax分类器中进行一级分类;将满足条件的像元添加到训练数据集,用于堆栈稀疏编码网络的分类训练;最后根据空间邻域信息对分类算法进行修正,使分类结果更加趋于平滑。通过与其他分类算法进行对比,发现改进后的分类算法在各类别的分类精度较高,且可以有效改善高光谱图像分类效果。

提出一种用于半导体芯片表面裂纹瞬时成像检测的线激光锁相热成像新技术。该技术系统由线扫描激光源、高速红外照相机及控制计算机组成,由线激光束扫描目标芯片表面并利用红外相机测量热波传播。提出新型无基线裂纹可视化算法,裂纹可导致热波阻挡现象,故被自动可视化和诊断,不依赖由目标芯片原始状态所获得的基线数据。对芯片在制造过程中产生细微裂纹进行研究,实验证明热成像新技术可对宽度为几十微米的裂纹进行可视化。

提出了一种基于导师-学生网络的驾驶行为识别模型。考虑到驾驶动作是在局部区域发生的,将驾驶行为识别任务拆分成动作定位和动作分类两个子任务。针对动作定位任务,设计了网络层数较浅和接收高分辨率图像输入的导师网络,导师网络通过特征图的响应对动作区域进行弱定位;在动作定位基础上,针对动作分类任务,设计了网络层数较深的接收低分辨率动作区域图像输入的学生网络,学生网络根据深层网络提取的高层次语义特征实现高准确率分类。实验结果证明,导师-学生网络模型能带来较高的识别准确率,具有强稳健性。

提出了一种结合欧氏距离和光谱信息散度的改进的高光谱解混非负矩阵分解(NMF)初始化方法(IISSF)。在初始化基础上,结合标准NMF算法和分块NMF算法进行平行对比实验。结果表明,在合成影像实验中,在信噪比为20 dB~50 dB范围内,经过IISSF初始化后的分块NMF算法获取的结果要优于其他方法;且其在真实影像实验中获取的端元光谱与真实影像端元光谱之间具有最小的平均光谱角差值,即0.1812 ;其重构影像与真实影像之间的均方根误差值最小,为0.007。

基于Johoson等的图像风格转换网络模型,在保证网络性能的前提下,在原有的网络结构上,通过运用更高效的网络计算方法对原有残差网络进行优化。实验结果表明,改进后的方法在几乎不降低图像质量的前提下,一定程度上克服了图像风格迁移模型存储量大、计算代价高、计算资源消耗大、难以移植到移动端的问题。

提出一种融合RGB、YCbCr和区域生长的火焰前景提取算法。首先,在YCbCr算法的基础上,从反光和非反光区域考虑R通道和Y通道之间的关系,避免反光和非反光区域中过多噪声对初始分割的干扰;然后,计算连通区域质心权重,自动确定种子点,对完成颜色分割的图像进行区域生长,达到精细分割的目的;最后,全面分析火焰的静态和动态特征,给出面积和周长变异系数及质心运动距离变化比等,进而将火焰与路灯、蜡烛等干扰源区分开。实验结果表明:所提方法克服了单个算法对火焰场景分析中出现的识别精度不高的缺点,同时能识别出反光和非反光区域并快速排除干扰物,减少误判。

针对太阳能电池片微弱缺陷难以检测的特点,提出一种基于小波域信号突变点捕捉的缺陷检测法。该方法基于一维离散信号,在小波域逐列对图像进行突变点检测,实现了对信号突变点的捕捉,并采用能量重心法对其进行校正,获得了缺陷图像所对应的正常背景,最后对原图像与恢复后的背景图像作简单的代数融合,以凸显缺陷区域。实验表明,该方法对太阳能电池片的多种表面缺陷检测具有有效性。

偏振光学去雾技术具有细节恢复好、颜色还原度高的优点。为了进一步提高偏振光学去雾技术的去雾能力,提出了一种新型偏振光学去雾技术,该技术利用离散余弦变换构建图像金字塔,再构建图像拉普拉斯金字塔,利用传统偏振光学去雾技术对图像拉普拉斯金字塔的每一级进行去雾处理,使用去雾后的拉普拉斯金字塔重建得到去雾后图像。实验结果表明,与传统偏振光学去雾技术相比,该技术可以得到相当或更好的去雾效果,表现出良好的图像去雾能力,对于偏振光学去雾技术的进一步优化具有一定意义。

光学相干层析技术(OCT)是一种利用散射光相干原理进行成像的技术,具有无损、快速、高分辨率、断层成像等特点。物证鉴定要求尽量在不破坏物证原始状态下提取、检验、分析,获取有价值的信息,OCT作为一种光学检验技术能够满足该要求,其无需对样品进行预处理,就能实现相关物证的实时、原位、无损检验,在物证鉴定领域具有重要的应用价值。介绍了OCT的工作原理及其在物证鉴定领域中的应用。

传统的成像系统由于需要凸透镜等镜头元件,成像系统的厚度和成本较大。为了使成像系统变得更加紧凑、成本低,无透镜成像系统迅速发展,例如无透镜显微镜。利用偏振片采集偏振信息,并利用双面透明胶带替代凸透镜,结合计算成像技术,构建了一个无透镜偏振计算成像系统。系统地介绍了该系统,并通过实验证明该系统可以实现拍照功能,采集到的偏振图像符合马吕斯偏振定律。基于散射元件的无透镜偏振成像系统可以有效地减小相机的厚度和成本,并且可用于偏振图像的采集场合。

针对采用全卷积神经网络去除地震数据随机噪声方法中遇到的计算量大、容易出现过拟合等问题,提出了一种基于LeNet-5改进的卷积神经网络对地震数据进行去噪的方法。除去输入层,该方法包含2个卷积层、2个池化层和1个全输出层。采用误差最小的实验试选法,首先在单层卷积网络中确定第1个卷积层和池化层的参数,基于第1层参数确定第2个卷积层和池化层的参数, 最后采用12000个大小为32×32的地震数据训练LeNet-5,采用1000个相同大小、相同信噪比的地震数据测试系统。Marousi2叠前和叠后地震数据去噪实验均表明,本文方法对水平和倾斜同相轴地震数据的去噪效果较好。与奇异值分解算法、BP(Back Propagation)算法以及文献[9]中算法相比,本文方法能更好地去除噪声。

点云数据分块是模型反求过程中的重要环节,分割优劣影响模型重建的效率和精度。微型复杂曲面零件由多个微小图形并列、交叉组合而成,特征点精简、图元识别难度大,是数据分割中的难点。根据模型造型特点,分离带状特征点的下边界点作为拟合特征线的真实特征点;由每个图元端点的邻近关系和端点附近特征点的排列趋势识别属于同一图形的图元;利用以边界为约束的区域生长算法和三角形叉积的算法分割同一曲面的点云。实验结果表明:该方法克服了现有方法处理微型复杂曲面点云时出现的过分分割和分割不足的问题,为高质量的模型重建提供了基础。

设计了一种用于无线光传输的激光投影系统并提出了一种基于深度学习的改进型YOLOv3(you only look once,v3)网络用于检测小鼠图像的位置。该网络使用分组卷积对网络参数进行压缩以提高目标检测速度,使用通道混洗方法以增强网络的信息流通能力。利用交叉熵损失函数中的两个超参数来调整正、负样本的比例以降低易分类样本在损失函数中的权值,提高了目标检测精度。在PASCAL VOC2007和自制小鼠图像数据集上分别进行实验,结果表明提出的基于改进型YOLOv3网络的检测算法检测精度达90.3%,检测速度和检测精度都优于传统型网络结构。应用该算法的激光投影系统可以实时检测运动小鼠目标并进行无线光传输等光遗传实验。

针对高分辨率遥感卫星图像采用单一算法难以有效去除不均匀云雾的问题,提出一种基于图像分割和暗原色先验改进方法相结合的优化算法。采用图像分割技术将原云雾图像分割成浓雾部分和淡雾部分。浓雾部分采用加权多尺度Retinex算法进行局部增强去雾处理;淡雾部分采用改进暗原色方法,将暗原色图像去雾模型由RGB颜色空间转换到HSI颜色空间,提取亮度分量,获取准确的大气光值,并采用容差机制优化获取大气透射率,在此基础上采用自动色阶法增强处理,获取去除云雾后的图像。实验对比表明提出的算法能够很好地还原图像细节,有效恢复图像的颜色和清晰度。

提出一种参数自适应的在线字典学习图像超分辨率重建算法。在经典的稀疏表示算法框架下,运用在线字典学习方法来提高字典学习的精度。通过参数自适应方法灵活调整稀疏重建阶段的正则化参数,并依据每个图像块的特点自适应确定正则化参数,以此克服人为设定参数的单一性和非最佳参数值的缺点。实验结果表明,与传统算法相比,所提算法可有效降低测试图像对训练图像集的依赖程度,同时克服图像在重建过程中存在的局部模糊或失真,进一步提高重建图像的质量。

针对传统基于群体运动状态分析的异常事件检测方法对场景语义信息描述不足的问题,引入了复杂网络中运用社区发现的Girvan-Newman(GN)分裂算法。将具有相似运动特征且位置相近的行人划分为多个群组,利用群组运动强度和群组数量的变化,描述群组在正常和异常场景中的差异,检测异常事件的发生。通过实验验证,该算法能够在丰富场景语义信息的同时实现对异常事件的准确检测。

提取建筑物轮廓线是机载激光雷达(LiDAR)点云数据特征提取的热点。为了获得较高精度的建筑物轮廓线,提出了一种基于方向预测规则化算法的机载激光雷达建筑物正交轮廓线提取方法。首先利用α-shape算法提取轮廓点,然后利用改进的Douglas_Peucker算法提取关键点并提出角度检验规则筛选关键点,使用随机抽样一致性算法简化轮廓线,最终用提出的方向预测算法进行轮廓线规则化。通过Vaihingen城区数据对算法进行验证,结果表明:与流行的分类强制正交算法相比,方向预测规则化算法最大偏差平均减小了43.1%,均方根误差平均降低了39.7%,建筑物占地面积相对误差平均降低了7.02%,点云贡献率平均提高了9.32%,有效减小了机载激光雷达点云建筑物正交轮廓线规则化误差。

针对当前航空叶片检测需求日渐增大的问题,搭建了在线激光检测实验平台,开发设计了激光测量数据采集系统。对采集到的散乱点云数据进行了有效精简处理,并提出了一种入射倾角误差补偿策略。基于UG平台编写grip语言实现了理论轮廓线的快速提取。基本粒子群算法,探究了基于局部轮廓和整体轮廓的测量点集相对理论轮廓曲线的最优位姿匹配问题,实验结果表明选择基于整体轮廓可获得位姿匹配的最优解。对粒子群算法进行改进,求解了位姿匹配运动参数,结果表明,其计算精度明显高于基本粒子群算法的求解结果。

针对异源图像配准算法复杂度高且处理速度慢的问题,提出了一种可见光图像与合成孔径雷达(SAR)图像的快速配准算法。在图像预处理阶段去除可见光图像和SAR图像中的冗余信息,分别采用高斯低通滤波和非局部均值滤波(NLM)算法对两种不同类型的图像进行滤波。然后采用多尺度Harris方法检测并提取特征点,利用梯度位置方向直方图(GLOH)对特征点进行描述子构造。最后,基于反馈机制重构原始图像中的特征点,得出待匹配的特征点在原始图像中的实际位置,从而完成原始图像中的特征点重构及匹配。实验结果表明:相比SIFT-M(Scale invariant feature transform-modification)算法,该算法在平均配准精度维持在80%以上的前提下显著缩短了运行时间,具有重要的应用价值。