任志斌，李 洋，郭士杰，郭志紅，劉秀麗

河北工業(yè)大學(xué) 機(jī)械工程學(xué)院，天津 300130

1 引言

人的睡眠時(shí)間約占一生的三分之一，睡眠質(zhì)量直接關(guān)系到人的心理和生理健康。而睡眠姿勢作為睡眠質(zhì)量的指標(biāo)之一，通過睡眠階段可以證明診斷心血管疾病、糖尿病和肥胖等癥狀[1]，其對用于醫(yī)療診斷是非常關(guān)鍵的。

睡眠呼吸暫停與睡姿有密切聯(lián)系，良好的睡眠姿勢有利于緩解呼吸暫停患者的呼吸障礙[2]。而且，Ambrogio等人發(fā)現(xiàn)睡眠姿勢和慢性呼吸衰竭的關(guān)系，這直接導(dǎo)致睡眠呼吸暫停病發(fā)的嚴(yán)重程度[3]。

目前為止，研究人員提出了不同的方法來自動(dòng)監(jiān)測睡眠姿勢。傳統(tǒng)研究睡眠姿勢模式是使用攝像機(jī)，Nakajima等人提出基于視覺信號分析睡眠呼吸和姿勢變化的系統(tǒng)，但夜間光線比較低對成像帶來很大的噪聲，并且視頻會(huì)帶來嚴(yán)重的隱私問題[4]。最近的使用無約束心電圖測量來估計(jì)睡眠姿勢[5]。其他方法使用陀螺儀等，接觸式的測量對人體產(chǎn)生不舒適，不利于對睡姿的檢測。然而，多數(shù)工作集中在檢測睡姿改變而不是認(rèn)識并對睡姿本身進(jìn)行深刻的研究。

本文采用柔性壓力傳感器陣列實(shí)時(shí)監(jiān)測睡眠姿勢，并提出一種基于模糊粗糙集算法框架識別睡姿。首先，預(yù)處理階段。由于身體形狀的不完整性和自我遮擋身體壓力，靜態(tài)壓力圖像分析相比視頻圖像分析更具挑戰(zhàn)性。定義壓力圖像的特征，從壓力姿勢分析圖像的幾何特性。其次，基于模糊粗糙集的簡約與識別。提出基于模糊粗糙集的屬性約簡方法，對條件屬性進(jìn)行高效約簡，提高睡姿準(zhǔn)確分類的速度，以達(dá)到識別睡姿的目的。該方法相比傳統(tǒng)的分類方法在精度和魯棒性上表現(xiàn)出更好的性能。

2 陣列式柔性壓力傳感器與圖像獲取

2.1 柔性壓力傳感器

采用的大面積柔性壓力傳感器陣列床墊能夠記錄睡眠時(shí)身體壓力分布和睡姿變化。柔性壓力傳感器陣列床墊由32×32傳感器組成，分別為32行與32列[6-7]，柔性壓力傳感器陣列床墊結(jié)構(gòu)原理圖如圖1所示。其響應(yīng)速度是20 Hz，單個(gè)傳感器可測量壓力范圍為25～250 kPa。通過柔性壓力傳感器陣列實(shí)時(shí)采集人體作用于床墊的動(dòng)態(tài)壓力，對壓力值進(jìn)行圖像像素轉(zhuǎn)換，把32×32個(gè)傳感器數(shù)據(jù)按照傳感器陣列的位置進(jìn)行復(fù)原，可以得到實(shí)時(shí)的靜態(tài)睡姿壓力圖像如圖2所示，即當(dāng)前睡姿圖像。

圖1 壓力傳感器陣列結(jié)構(gòu)示意圖

圖2 睡姿壓力圖像樣本

2.2 圖像預(yù)處理

原始圖像是由壓力時(shí)間序列產(chǎn)生的，其中包含了噪聲和人為污染，并且壓力閾值的設(shè)定也關(guān)系到圖像的可見性，其次，預(yù)處理還可以使圖像標(biāo)準(zhǔn)化以減少圖像分類的難度。

（1）圖像局部位置定位，有利于對有效區(qū)域特征值的提取。

（2）幾何變換可以校正變形壓力圖像，其中包括圖像的平移、旋轉(zhuǎn)、縮放、分割，從而達(dá)到對原始圖像的處理。

（3）使用中值濾波消除圖像中隨機(jī)噪聲，同時(shí)使圖像模糊不清的輪廓或線條變得更加清晰。

（4）正規(guī)化處理，消除不同體重對壓力圖像的影響。

2.3 特征提取

圖像特征的提取是圖像識別中一個(gè)至關(guān)重要的步驟，傳統(tǒng)的特征提取方法主要是降維，例如主成分分析（Principal Component Analysis，PCA），解釋壓力圖像含義變得模糊，使得原始圖像變量含義不清晰。提取的主成分若不符合實(shí)際圖像解釋，則不能表達(dá)真實(shí)圖像的含義。特征提取和選擇是模式識別中處于數(shù)據(jù)采集和分類中間的關(guān)鍵步驟，選用的特征將直接影響識別結(jié)果[8]。

對此，提出一種基于靜態(tài)壓力圖像幾何特征的圖像特征提取方法，它更易表達(dá)身體作用于床墊的物理形狀?；诤唵蔚膸缀翁匦韵啾扔赑CA在處理特征值方面大大減少了提取這些特征所需的處理時(shí)間。

Liu等人[9]在睡姿圖像識別中提取32個(gè)特征表征，但在32個(gè)特征部分與睡姿識別的相關(guān)度很低，例如對肩部和臀部局部定位的包圍盒的特征信息、圖像的方向性、肩臀部的坐標(biāo)特征信息和區(qū)域面積等；Ostadabbas等人[10]采用13個(gè)局部特征研究睡姿識別，然而并沒有考慮壓力圖像的整體性對識別的影響。本文從每個(gè)靜態(tài)壓力圖像中提取包含全局特征和局部特征的13個(gè)顯著特征。如圖3為壓力圖像比例劃分圖，是睡姿壓力圖像局部特征的一部分。全局特征描述睡姿靜態(tài)壓力圖像宏觀方面的特點(diǎn)，如目標(biāo)部位占圖像的比例、對稱性、平衡性和壓力圖像區(qū)域數(shù)等。局部特征描述壓力圖像的局部特點(diǎn)，如肩膀的位置和大小、臀部的坐標(biāo)位置和區(qū)域大小等。表1列出了全部特征，特性更詳細(xì)的解釋如下。設(shè)X軸是床單橫向坐標(biāo)，Y軸是床單的縱向坐標(biāo)，以圖像左上角為坐標(biāo)原點(diǎn)，建立圖像的坐標(biāo)系。

圖3 壓力圖像比例劃分

表1 特征列表

占有率特征（1）：第一個(gè)特征是經(jīng)過濾波顯示后壓力個(gè)數(shù)與整個(gè)圖像像素個(gè)數(shù)的比例。

區(qū)域占有率特征（2～4）：第二個(gè)特征是壓力圖像以y軸為等分，25%區(qū)域內(nèi)壓力個(gè)數(shù)在靜態(tài)壓力圖像中的占有率。第三特征是50%區(qū)域內(nèi)壓力個(gè)數(shù)在靜態(tài)壓力圖像中的占有率。第四特征是75%區(qū)域內(nèi)壓力個(gè)數(shù)在靜態(tài)壓力圖像中的占有率。如圖3壓力圖像比例劃分。

對稱性特征（5）：提取整幅圖像中壓力圖像部分，并以圖像的中心點(diǎn)分割為左右兩部分，計(jì)算兩部分壓力像素個(gè)數(shù)的差對整體壓力個(gè)數(shù)的比例。相比于側(cè)臥狀態(tài)下仰臥和俯臥狀態(tài)下的對稱性更顯著。如圖4所示。

圖4 對稱性特征圖

平衡性特征（6）：提取整個(gè)圖像中壓力圖像部分，并以圖像人體壓力的背部縱軸為中點(diǎn)軸線分為為左右兩部分，計(jì)算左側(cè)部分的壓力總和壓力圖像總和的比例。右側(cè)臥狀態(tài)的比例比左側(cè)臥狀態(tài)比例顯得更大，而右側(cè)胎兒型比右側(cè)樹干型所占像素比例和壓力比例更大，平衡性更多地反映了哪一側(cè)的壓力更為顯著。

壓力區(qū)域個(gè)數(shù)特征（7）：對作用于圖像的身體壓力區(qū)域進(jìn)行顯著的區(qū)域分割，當(dāng)仰臥和側(cè)臥狀態(tài)下，壓力圖像由于身體結(jié)構(gòu)不同而顯著不同，采用閾值設(shè)定可以很好地區(qū)分兩者的不同。仰臥睡姿比俯臥睡姿更能顯著突出肩部和臀部的位置，并且仰臥時(shí)腰部作用于圖像的力相比于側(cè)臥狀態(tài)下更小更不突出。

上半身重心特征（8～9）：主要是計(jì)算上半身的重心位置，中心位置的提取決定了肩部的具體位置和區(qū)域重點(diǎn)壓力分布 ，其中包圍盒為局部區(qū)域壓力像素個(gè)數(shù)的75%，如圖5包圍盒像素比例的選擇主要是提高局部區(qū)域定位準(zhǔn)確率。

圖5 上下半身重心特征圖

下半身重心特征（10～11）：上半身特征提取方法也適用于下半身。如圖5是側(cè)臥時(shí)的上半身與下半身區(qū)域和重心位置。

上下身重心距離特征（12）：根據(jù)上半身重心到下半身重心計(jì)算得到上下身重心距離特征。

3 基于模糊粗糙集的簡約與識別

粗糙集（Rough Set，RS）[11]理論是對基于觀察或者檢測到的部分信息對數(shù)據(jù)進(jìn)行分類的手段，對不確定、不完整乃至于部分信息相互矛盾的數(shù)據(jù)或者描述來對數(shù)據(jù)進(jìn)行分析、推測未知信息[12]。

針對睡姿因不同個(gè)體之間的差異從而造成壓力圖像的微動(dòng)變化以及圖像的不完整和自我遮擋，圖像的信息包含了不確定性和矛盾性，從而更具挑戰(zhàn)性。而粗糙集具有能夠根據(jù)已知信息并推導(dǎo)出不同圖像類別合適的屬性描述集的優(yōu)點(diǎn)，其缺點(diǎn)是壓力圖像的特征描述應(yīng)盡可能包含全部圖像信息，無效的特征解釋壓力圖像含義變得模糊，使得原始圖像變量含義不清晰，不能表達(dá)真實(shí)圖像的含義；其次圖像的訓(xùn)練樣本的選擇必須包含圖像信息準(zhǔn)確，樣本圖像的信息足夠完善將有利于提高圖像的識別率。從圖像提取視覺信息，如顏色、紋理、形狀等，這些特征都是低層的[12]。實(shí)際上，圖像檢索可以根據(jù)圖像之間的高層語義特征，對圖像建立分類規(guī)則，樣本圖像由分類規(guī)則自動(dòng)劃分類別，因而這就包含了圖像的訓(xùn)練。

3.1 訓(xùn)練樣本

睡姿壓力圖像的自動(dòng)識別系統(tǒng)可以看作是通過訓(xùn)練樣本進(jìn)行知識表達(dá)的信息系統(tǒng)或決策表。而壓力圖像是決策表的對象集合，圖像的特征是決策表中的條件屬性，圖像的類別是決策屬性。

睡姿圖像的自動(dòng)分類系統(tǒng)可以用形式化方式表示[13]。定義一個(gè)圖像自動(dòng)分類信息系統(tǒng)S可以表示為一個(gè)四元組S={U ,A,V,f}，其中U={x1,x2,…,xn} 是n維歐式空間中圖像對象的非空有限集合，即壓力圖像的集合。A是U上所有模糊等價(jià)關(guān)系的集合，A=C?D且C?D=φ，C是條件屬性子集，即壓力圖像的特征集合，且C=φ。D是決策屬性子集，即圖像的分類類別集合，且D=φ，則稱此信息系統(tǒng)為一個(gè)決策表，記作是屬性 p的域。f:U×A→V是圖像分類函數(shù)，使得對每個(gè)圖像xi∈U，每個(gè)特征q∈A，有 f(x,q)∈Vq。分類樣本訓(xùn)練集可以表示為一個(gè)二維決策表見表2。其中U={x1,x2,…,xn}是圖像訓(xùn)練樣本是圖像特征1～12的集合，是俯臥型（P）、仰臥型（S）、左側(cè)胎兒型（LF）、左側(cè)樹干型（LL）、右側(cè)胎兒型（RF）和右側(cè)樹干型（RL）的集合，圖6分別為上述六種睡姿。

圖6 實(shí)驗(yàn)中示意的六種睡姿圖

表2給出部分訓(xùn)練數(shù)據(jù)，圖像特征值的邊界部分，對于它的劃分，需在進(jìn)行大量樣本訓(xùn)練中，找到合理的選擇界限。壓力圖像特征屬性的值域可看作一個(gè)連續(xù)值區(qū)間，所以某一條件屬性在某一類圖像中的值也應(yīng)是連續(xù)模糊的值，而不同的特征連續(xù)區(qū)間，代表不同圖像類別信息，故需要對特征值區(qū)間進(jìn)行模糊化和離散化處理[13]。

3.2 條件屬性離散化處理

粗糙集模型適用于離散屬性值決策表，但不適用于表達(dá)屬性值連續(xù)的決策表，對于具有連續(xù)屬性的圖像屬性需要進(jìn)行離散化處理[14]。

由于圖像特征的值域是連續(xù)區(qū)間的特點(diǎn)，可將通過對決策表進(jìn)行等價(jià)處理，產(chǎn)生一個(gè)更為簡單的模糊決策表。而傳統(tǒng)的離散化算法適用于離散性條件屬性值，在對連續(xù)性條件屬性值時(shí)往往把不同實(shí)值對應(yīng)不同隸屬度的重要性忽視，導(dǎo)致一些重要信息丟失[14]。把模糊集與粗糙集結(jié)合，把連續(xù)性條件屬性值轉(zhuǎn)化為對于應(yīng)的隸屬度值。

對壓力圖像信息系統(tǒng)S，di為預(yù)定義的某一類圖像類別，設(shè)其確定的對象等價(jià)類為Ui，des(cji)表示條件特征屬性cj對于等價(jià)類Ui的所取值，表示Ui中包含的對象個(gè)數(shù)在對屬性區(qū)間的劃分中有組內(nèi)歸并和組間歸并，使得區(qū)間劃分更符合實(shí)際圖像分類要求，可以確定條件屬性cj對于圖像類別di的取值區(qū)間為[a,b]，定義為cj對di的最佳取值，故對于類別di條件特征屬性cj的取值為[a,b]/n，則可進(jìn)一步對決策表進(jìn)行約簡[13]，確保特征值在確定的范圍內(nèi)對決策屬性的影響最大，完成對決策表?xiàng)l件屬性的約簡。由表1可約簡為模糊決策表（見表3）。

表2 訓(xùn)練集樣例

表3 模糊決策表

3.3 屬性約簡

屬性約簡是粗糙集研究核心內(nèi)容，在考慮一些度量的標(biāo)準(zhǔn)前提下，用更少的條件屬性表達(dá)決策屬性。特性是從壓力圖像中提取圖像分類特征，利用條件屬性和決策屬性的關(guān)聯(lián)度約簡重要度差、功能冗余或?qū)Ψ诸惖慕Y(jié)果沒有任何影響的特征。

在睡姿壓力圖像信息系統(tǒng)S={U ,C?D,V,f}中，設(shè)D={d1,d2,…,di}，條件屬性子集B?C關(guān)于決策屬性D的“正區(qū)域”定義：

其中B關(guān)于D的“正區(qū)域”表示那些根據(jù)屬性子集B就能分入正確類別的所有對象。

假設(shè)P和Q是圖像論域U上的兩門知識，則

條件屬性子集B?C與決策屬性D相關(guān)程度定義為：

其中cad(X)表示X集合中元素的個(gè)數(shù)；顯然，0≤k(B,D)≤1，k(B,D)為計(jì)算條件屬性B與決策屬性D之間的相關(guān)程度提供了手段。

在決策系統(tǒng)中，一個(gè)屬性b∈B?C有效值定義為：

屬性b的有效值越大，說明其對條件屬性與決策屬性之間的影響越大，即其重要性也越大。所構(gòu)造的壓力圖像特征屬性間的有效性，滿足上述性質(zhì)，還應(yīng)有最優(yōu)選擇值n，在圖像類別的特征屬性中都存在對該圖像的最優(yōu)選擇。經(jīng)上述相關(guān)度計(jì)算后可約簡為表4。

表4 屬性約簡表

3.4 圖像分類

設(shè)圖像Pic的c屬性對D類別中c屬性的隸屬度可用公式f(c)表示，其中圖像Pic的c屬性值為e，D類圖像c屬性取值范圍為[a,b]/n，則：

執(zhí)行睡姿靜態(tài)壓力圖像自動(dòng)分類時(shí)，需要提取屬性約簡表中圖像的條件屬性值，與圖像分類決策規(guī)則匹配，可求得該圖像與每一類別的隸屬度，根據(jù)隸屬度的取值決定睡姿圖像的類別[16]。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)設(shè)置

為了驗(yàn)證本文識別方法的準(zhǔn)確性，以自主研制的柔軟、適于與人接觸的床單式大面積柔性壓力傳感器和計(jì)算機(jī)等組成硬件實(shí)驗(yàn)平臺，如圖7為一種睡姿的實(shí)驗(yàn)演示。

圖7 實(shí)驗(yàn)中系統(tǒng)睡姿示意圖

參與實(shí)驗(yàn)的14位測試者（其中男性10位，女性4位）年齡22～28歲，身高152～183 cm，體重46～83 kg。在實(shí)驗(yàn)室環(huán)境中，床單式壓力傳感器被平鋪在床上，位置不變，減小環(huán)境影響因素，保障實(shí)驗(yàn)條件的一致性 。該實(shí)驗(yàn)的目的是評估在一般軟床環(huán)境下，對睡姿識別的有效性。在實(shí)驗(yàn)過程中，受試者被允許選擇他們的舒適的六種常見姿勢，共計(jì)84個(gè)測試樣本。

以上實(shí)驗(yàn)，通過攝像機(jī)對檢測過程的睡姿進(jìn)行記錄，最后通過檢測結(jié)果與實(shí)際睡姿進(jìn)行比較，得到實(shí)驗(yàn)算法的準(zhǔn)確率。

4.2 實(shí)驗(yàn)結(jié)果分析

圖像分類算法對每種睡姿的檢測精確度平均達(dá)到92.9%，如表5所示。

考慮精確度和召回率，樹干型側(cè)睡的精確度相比其他睡姿要低。樹干型睡姿檢測比較困難，因?yàn)樵谒藴y試過程中，測試對象的胳膊和腿部并沒有做出特別的要求，即此處較大的變化易造成睡姿的誤判。而胎兒型睡姿相對于樹干型睡姿是比較明顯的，通過對壓力區(qū)域的中點(diǎn)自動(dòng)設(shè)定分成左右兩幅圖像，胎兒型的兩側(cè)壓力相比樹干型更加明顯，從而識別率相對較高，同理左右側(cè)胎兒型睡姿也可以很大程度上區(qū)分開。樹干型的對稱性對識別造成了很大干擾，為此通過對壓力圖像進(jìn)行閾值設(shè)定通過檢測壓力圖像區(qū)域數(shù)量區(qū)別樹干型與仰臥、俯臥睡姿圖像。而在仰臥和俯臥的識別中關(guān)鍵的因素是仰臥壓力圖像的肩部和臀部的受力明顯區(qū)別于俯臥狀態(tài)。

表5 睡姿識別混合矩陣%

文獻(xiàn)[9]中的混合高斯聚類算法通過引入13個(gè)局部特征對三種睡姿的綜合識別率高達(dá)91.6%，文獻(xiàn)[8]中的稀疏分類算法采用32個(gè)特征對六種睡姿進(jìn)行分類識別率達(dá)83.2%，本文結(jié)合壓力圖像的特點(diǎn)，引入全局特征和局部特征對圖像詳細(xì)描述，通過模糊粗糙集對圖像條件屬性離散化約簡，剔除冗余信息推導(dǎo)模糊決策規(guī)則，進(jìn)而使得算法對六種睡姿分類準(zhǔn)確率綜合可達(dá)92.9%，相比其他算法具有一定的先進(jìn)性，如表6所示。

表6 三種算法識別準(zhǔn)確率

此外，本算法存在誤差原因的產(chǎn)生部分來自于柔性壓力傳感器陣列的精度?，F(xiàn)有的硬件不能保障對身體壓力圖像的完整反映，在一定程度上身體壓力的圖像細(xì)節(jié)部分被忽略，造成了圖像特征提取的不準(zhǔn)確，進(jìn)而影響睡姿識別準(zhǔn)確率。

5 結(jié)論與展望

針對睡姿對人的睡眠質(zhì)量的影響，尤其是對SAS、褥瘡患者、心臟病患者的健康影響。本文提出了使用模糊粗糙集對睡姿進(jìn)行識別，通過對基于簡單幾何特征的睡姿壓力圖像的特征屬性提取與約簡，大大減小了壓力圖像特征處理時(shí)間，并且壓力圖像分類準(zhǔn)確率得到提高，在對睡姿識別的同時(shí)，還可以追蹤局部區(qū)域的壓力變化。而針對現(xiàn)有壓力圖像細(xì)節(jié)不顯著造成的識別誤差，未來的工作是將研發(fā)高精度大面積柔性壓力傳感器陣列，提高壓力圖像的采集精度，并將此方法應(yīng)用于睡眠連續(xù)監(jiān)測和睡眠階段的準(zhǔn)確識別以及褥瘡的預(yù)防和治療。尤其是對褥瘡患者的高危壓力區(qū)域監(jiān)測和及時(shí)提醒，有利于患者的穩(wěn)定康復(fù)。

[1]Spiegel K，Knutson K，Leproult R，et al.Sleep loss：A novel risk factor for insulin resistance and Type 2 diabetes[J].Journal of Applied Physiology，2005，99（5）：2008-2019.

[2]Lee J B，Park Y H，Hong J H，et al.Determing optimal sleep position in patients with positional sleep-disordered breathing using response surface analysis[J].Journal of Sleep Research，2009，18（1）：26-35.

[3]Ambrogio C，Lowman X，Kuo M，et al.Sleep and noninvasive ventilation in patients with chronic respiratory insufficiency[J].Intensive Care Medicine，2009，35（2）：306-313.

[4]Nakajima K，Matsumoto Y，Tamura T.A monitor for posture changes and respiration in bed using real time image sequence analysis[C]//Proceedings of 22nd IEEE Engineering in Medicine and Biology Society，2000，1：51-54.

[5]Lee H J，Hwang S H，Lee S M，et al.Estimation of body postures on bed using unconstrained ECG measurements[J].IEEE Journal of Biomedical and Health Informatics，2013，17（6）：985-993.

[6]Guo S，Shiraoka T，Inada S，et al.A two-ply polymerbased flexible tactile sensor sheet using electric capacitance[J].Sensors，2014，14（2）：2225-2238.

[7]Mukai T，Matsuo K，Kato Y，et al.Unconstrained measurement of lying posture，respiration and heartbeat using a tactile sensor on a bed[J].Transactions of the Japanese Society of Mechanical Engineerings，2014，80（815）.

[8]翟俊海，趙文秀，王熙照.圖像特征提取研究[J].河北大學(xué)學(xué)報(bào)：自然科學(xué)版，2009，29（1）：106-112.

[9]Liu J J，Xu W，Huang M C，et al.Sleep posture analysis using a dense pressure sensitive bedsheet[J].Pervasive and Mobile Computing，2014，10：34-50.

[10]Ostadabbas S，Pouyan M B，Nourani M，et al.In-bed posture classification and limb identification[C]//Proceedings IEEE 2014 Biomedical Circuits and Systems Conference（BioCAS），2014：133-136.

[11]He Q，Wu C，Chen D，et al.Fuzzy rough set based attribute reduction for information systems with fuzzy decisions[J].Knowledge-Based Systems，2011，24（5）:689-696.

[12]張盛.基于模糊粗糙集的森林火災(zāi)與氣象因子的相關(guān)性研究[D].長沙：中南林業(yè)科技大學(xué)，2015.

[13]胡學(xué)偉，蔣蕓，鄒麗，等.基于鄰域關(guān)系模糊粗糙集的醫(yī)學(xué)圖像分類研究[J].計(jì)算機(jī)工程與科學(xué)，2016，38（4）：739-746.

[14]Pawlak Z.Rough sets[J].International Journal of Information Computer Science，1982，11（5）：341-356.

[15]王麗，馮山.基于模糊粗糙集的兩種屬性約簡算法[J].計(jì)算機(jī)應(yīng)用，2006，26（3）：635-637．

[16]陳載清，石俊生，白鳳翔.基于模糊粗糙集的圖像自動(dòng)分類研究[J]，吉林大學(xué)學(xué)報(bào)：工學(xué)版，2013，3（43）：209-212.