張宇波 張亞?wèn)| 張彬

摘 要：針對(duì)桌面灰塵檢測(cè)在光照變化時(shí)有灰塵與無(wú)灰塵圖像相似度區(qū)分界限不明顯的問(wèn)題，提出一種基于蘭氏距離改進(jìn)的圖像相似度算法。該算法融合指數(shù)函數(shù)性質(zhì)，將模板圖與有灰塵和無(wú)灰塵圖像之間的蘭氏距離轉(zhuǎn)換為（0，1]區(qū)間的相似度值，同時(shí)擴(kuò)大相似度差值。為增強(qiáng)灰塵紋理特征信息，將灰度圖進(jìn)行拉普拉斯算子卷積，再用共生矩陣特征提取算法提取特征參數(shù)并將其組合成一維向量。用改進(jìn)后的相似度算法計(jì)算模板圖與待檢測(cè)圖的特征參數(shù)向量相似度，根據(jù)向量相似度判斷桌面是否具有灰塵。實(shí)驗(yàn)結(jié)果表明在300～900lux光照范圍內(nèi)，無(wú)灰塵圖像之間的相似度高于90.01%，有灰塵與無(wú)灰塵圖像之間的相似度低于62.57%。兩種相似度的均值能夠作為閾值，在光照變化時(shí)有效地判斷桌面是否具有灰塵。

關(guān)鍵詞：桌面灰塵檢測(cè);圖像相似度;灰度共生矩陣;特征提取;光照度;蘭氏距離

中圖分類號(hào)：?TP751.1

文獻(xiàn)標(biāo)志碼：A

Desktop dust detection algorithm based on gray gradient co-occurrence matrix

ZHANG Yubo， ZHANG Yadong*， ZHANG Bin

School of Electrical Engineering， Zhengzhou University， Zhengzhou Henan 450001， China

Abstract：?An image similarity algorithm based on Lance Williams distance was proposed to solve the problem that the boundary of similarity between dust image and dust-free image is not obvious when illumination changes in desktop dust detection. The Lance Williams distance between template image and the images with or without dust was converted to the similarity value of （0， 1] and the difference of similarity values was expanded with exponential function properties in the algorithm. In order to enhance the dust texture feature information， the gray image was convolved with the Laplacian and then the feature parameters were obtained using co-occurrence matrix feature extraction algorithm and combined into a one-dimensional vector. The similarity of feature parameter vectors between template image and to-be-detected image was calculated by the improved similarity algorithm to determine whether the desktop has dust or not. Experimental results show that the similarity is more than 90.01% between dust-free images and less than 62.57% between dust and dust-free images in the range of 300～900 lux illumination. The average of the two similarities can be regarded as the threshold to determine whether the desktop has dust or not when illumination changes.

Key words：?desktop dust detection; image similarity; gray level co-occurrence matrix; feature extraction; illumination; Lance Williams distance

0 引言

灰塵主要來(lái)源于工業(yè)排放、燃燒煙塵和土壤煙塵，對(duì)人類健康和工業(yè)精密儀器制造都有嚴(yán)重危害?；谝曈X的灰塵檢測(cè)技術(shù)主要是提取灰塵的紋理特征，根據(jù)紋理特征判斷是否有灰塵以及灰塵量[1]。

灰度共生矩陣[2]（Gray Level Co-occurrence Matrix，GLCM）是一種基于數(shù)學(xué)統(tǒng)計(jì)學(xué)理論的特征提取方法，提取的紋理特征具有很好的鑒別能力，能有效地反映圖像局部紋理特征的分布概率。由GLCM可以推導(dǎo)出14種紋理特征參數(shù)用于紋理分析[3]，如熵、二階矩、逆矩差和對(duì)比度等。

米強(qiáng)等[4]提出一種融合局部二值模式（Local Binary Pattern，LBP）特征和GLCM特征的紋理特征提取方法，用于檢測(cè)識(shí)別煤與矸石，識(shí)別率分別為94%和96%，說(shuō)明了GLCM特征參數(shù)能夠有效區(qū)分不同紋理之間的差異。楊緒啟等[5]利用灰度共生矩陣中的角二階矩、熵和慣性矩等特征分析金剛石砂輪的磨損程度，說(shuō)明GLCM特征參數(shù)能夠有效檢測(cè)出顆粒狀物體表面特征的變化。苑麗紅等[6]運(yùn)用GLCM特征提取方法對(duì)Brodatz紋理庫(kù)圖片進(jìn)行了大量的實(shí)驗(yàn)測(cè)試，針對(duì)灰度級(jí)、距離和移動(dòng)窗口三個(gè)構(gòu)造因子對(duì)特征值的影響進(jìn)行實(shí)驗(yàn)研究，為GLCM的參數(shù)選取提供了依據(jù)。謝德茂等[7]利用灰度共生矩陣算法識(shí)別銀觸頭的紋理面和無(wú)紋理面，通過(guò)對(duì)比熵、能量、逆矩差和對(duì)比度的值，根據(jù)兩類圖像的紋理特征值的絕對(duì)差設(shè)定閾值判斷紋理面，充分說(shuō)明這四種特征參數(shù)能夠有效提取圖像細(xì)致紋理。文獻(xiàn)[1]中提出用灰度共生矩陣原理檢測(cè)風(fēng)管壁面灰塵量、判斷壁面清潔度，但沒有考慮GLCM的方向性，而且算法的判斷結(jié)果會(huì)受光照變化的干擾?；谏鲜鲅芯?，說(shuō)明GLCM提取特征算法能夠有效地提取顆粒狀且比較細(xì)致的紋理，而這些正好符合灰塵的紋理特征。本文所研究的桌面灰塵檢測(cè)面臨受光照影響大、灰塵分布均勻不宜檢測(cè)、桌面背景紋理復(fù)雜增加檢測(cè)干擾性等問(wèn)題。

為解決上述問(wèn)題，本文利用灰度梯度共生矩陣紋理特征提取方法來(lái)提高灰塵紋理特征的提取精準(zhǔn)度。為有效區(qū)分有灰塵和無(wú)灰塵的相似度，增大兩者之間的差值，本文通過(guò)改進(jìn)蘭氏距離相似度算法，增大兩種圖像的相似度差值，提高桌面灰塵檢測(cè)的準(zhǔn)確度，增強(qiáng)系統(tǒng)的抗干擾性。

1 灰度共生矩陣定義及特征提取

1.1 灰度共生矩陣的定義

設(shè)一幅圖像 A 尺寸為M×N，灰度等級(jí)為L(zhǎng)。共生矩陣就是計(jì)算像素對(duì)出現(xiàn)的概率和頻次，像素對(duì)之間的位置關(guān)系涉及4個(gè)方向和相對(duì)距離，4個(gè)方向?yàn)?°、45°、90°和135°，相對(duì)距離為像素坐標(biāo)之間的距離。假設(shè)像素為i和j的像素對(duì)，位置方向?yàn)棣惹揖嚯x為d的像素對(duì)出現(xiàn)概率為p（i， j，d，θ），遍歷圖像 A 所有像素可得到一個(gè)概率矩陣 P ，就是共生矩陣。其中d為像素對(duì)的相對(duì)距離，θ為像素對(duì)之間的方向[8]。四種位置關(guān)系用數(shù)學(xué)表達(dá)式表示如下：

p（i， j，d，0°）=?? #{[（α，β），（m，n） | α-m=0， | β-n | =d]}

（1）

p（i， j，d，45°）=?? #{[（α，β），（m，n） | α-m=d，β-n=-d]}

（2）

p（i， j，d，90°）=?? #{[（α，β），（m，n） | ?| α-m | =d，β-n=0]}

（3）

p（i， j，d，135°）=?? #{[（α，β），（m，n） | α-m=-d，β-n=-d]}

（4）

式（1）～（4）中，#表示在集合中的元素?cái)?shù)， A （α，β）=i，? A （m，n）=j。

圖像 A 中像素值為i和j的像素對(duì)分別表示矩陣 P 中的行和列，即為i和j的像素對(duì)分別表示矩陣 P 中的行和列，即

P （i， j）=p（i， j，d，θ）

（5）

p（i， j，d，θ）= Num（i， j，d，θ） M×N

（6）

式中：Num（i， j，d，θ）表示距離為d、方向?yàn)棣鹊南袼貙?duì)（i， j）出現(xiàn)的總次數(shù);M和N分別為圖像 A 的行和列。

1.2 GLCM特征參數(shù)

灰度共生矩陣可以反映圖像的局部紋理信息分布情況，文獻(xiàn)[3]中定義了灰度共生矩陣的14個(gè)紋理特征參數(shù)，用于分析圖像的紋理特征，文獻(xiàn)[8]中Ulaby等證明了14個(gè)紋理特征中有4個(gè)是不相關(guān)的，這4個(gè)特征不僅便于計(jì)算，還能提供較高的分辨精度。這4個(gè)不相關(guān)紋理特征參數(shù)的計(jì)算公式如下：

1）二階矩：反映圖像元素分布均勻程度。

ASM=∑ i ∑ j p2（i， j）

（7）

2）對(duì)比度：反映圖像的清晰程度和紋理溝紋深淺程度。

CON=∑ i ∑ j （（i-j）2p（i， j））

（8）

3）逆矩差：反映圖像的同質(zhì)性。

IDM=∑ i ∑ j? p（i， j） 1+（i-j）2

（9）

4）相關(guān)性：反映了紋理的局部灰度相似性。

COR= ∑ i ∑ j [p（i， j）ij-μiμj] SiSj

（10）

式中μi，μj，Si，Sj的定義如下所示：

μi=∑ i ∑ j ip（i， j）

（11）

μj=∑ i ∑ j jp（i， j）

（12）

Si=∑ i ∑ j p（i， j）（i-μi）2

（13）

Sj=∑ i ∑ j p（i， j）（j-μj）2

（14）

2 灰度梯度共生矩陣

2.1 灰度梯度圖

本文針對(duì)不同桌面背景進(jìn)行實(shí)驗(yàn)驗(yàn)證和結(jié)果分析，將桌面背景分為三種：紋理簡(jiǎn)單顏色單一的低級(jí)復(fù)雜桌面、紋理稍微復(fù)雜的中級(jí)復(fù)雜桌面和紋理較為復(fù)雜的高級(jí)復(fù)雜桌面。圖1（a）為三種不同復(fù)雜度的有灰塵桌面背景原圖。圖1（b）為不同復(fù)雜度的有灰塵桌面背景灰度圖。為減少光照度變化對(duì)灰塵檢測(cè)的干擾性，對(duì)灰度圖進(jìn)行均衡化處理，增強(qiáng)灰度特征信息。圖1（c）為不同復(fù)雜度的有灰塵桌面背景均衡化后的灰度圖。

灰塵分布均勻，顆粒度較圓，對(duì)光線的散射度較大[9]灰塵顆粒的邊緣分布比較明顯，在灰度圖中梯度值比周圍沒有灰塵的梯度值大[10]。根據(jù)灰塵顆粒的這一特征信息，本文采用灰度梯度圖提取圖像特征信息，將灰度圖進(jìn)行拉普拉斯變換得到灰度梯度圖。拉普拉斯算子公式如下：

2f= 2f x2 + 2f y2

（15）

在圖像處理中，拉普拉斯算子轉(zhuǎn)換成離散模式為：

G （i， j）= 4 g （i， j）- g （i+1， j）- g （i-1， j）- g （i， j+1）- g （i， j-1）

（16）

式中： G （i， j）代表灰度梯度圖（i， j）位置處的像素值， g （i， j）代表灰度圖（i， j）位置處的像素值。

圖1（d）為圖1（c）均衡化后的灰度圖的梯度圖。對(duì)比圖1（d）與圖1（c）可以發(fā)現(xiàn)，灰度梯度圖不僅削弱了桌面背景紋理對(duì)灰塵檢測(cè)的干擾，還增強(qiáng)了灰塵顆粒特征信息?；叶忍荻葓D通過(guò)梯度信息，削弱了無(wú)灰塵處的桌面紋理，增強(qiáng)了有灰塵處的紋理，能為后期的特征提取提供精準(zhǔn)度較高的特征信息。

2.2 提取灰度梯度圖特征參數(shù)

計(jì)算灰度梯度圖4個(gè)方向的共生矩陣，像素對(duì)距離設(shè)置為1，每個(gè)梯度圖將獲得4個(gè)共生矩陣。本文提取共生矩陣的4個(gè)不相關(guān)的特征信息作為灰塵特征信息，即二階矩、相關(guān)性、逆矩差和對(duì)比度。利用式（7）～（14）分別計(jì)算4個(gè)方向的共生矩陣的4個(gè)特征參數(shù)，總計(jì)獲得16個(gè)特征參數(shù)，并將這些參數(shù)組合成一維向量。

設(shè)無(wú)灰塵的灰度梯度圖為 G 1，有灰塵的灰度梯度圖為 G 2。提取有灰塵和無(wú)灰塵灰度梯度圖特征參數(shù)的算法流程如下：

1）分別計(jì)算梯度圖的4個(gè)方向的共生矩陣。

2）計(jì)算每個(gè)方向共生矩陣的4個(gè)特征參數(shù)：二階矩、相關(guān)性、逆矩差和對(duì)比度，將16個(gè)特征值組合為一維向量，向量形式如下：

M = （a1，a2，…，a4，b1，b2，…，b4，c1，c2，…c4，d1，d2，…，d4）

其中：a代表二階矩，b代表逆矩差，c代表相關(guān)性，d代表對(duì)比度;下標(biāo)數(shù)字代表共生矩陣的方向，1～4分別代表0°、45°、90°和135°。

3）重復(fù)步驟1）和2），分別計(jì)算圖像 G 1和 G 2的特征參數(shù)向量，得到兩個(gè)一維向量 M 1和 M 2。

3 改進(jìn)的蘭氏距離相似度算法

文獻(xiàn)[1]中的圖像相似度算法是先求取圖像的灰度梯度圖，歸一化處理后，利用向量相似度算法[11]直接計(jì)算有灰塵和無(wú)灰塵的共生矩陣相似度，所得相似度即為圖像相似度[12-13]。文獻(xiàn)[1]中定義相似度大于90%為無(wú)灰塵圖片，小于90%時(shí)，相似度與灰塵量呈反比;缺點(diǎn)是有灰塵與無(wú)灰塵之間的相似度區(qū)分不明顯，對(duì)光照變化比較敏感。本文提出一種基于蘭氏距離[14-15]改進(jìn)的向量相似度算法，能夠增大有灰塵和無(wú)灰塵相似度差值，不受光照變化影響。

蘭氏距離是無(wú)量綱的量，假設(shè)兩個(gè)向量 X i=（x1，x2，…，xn）和 Y i=（y1，y2，…，yn），向量中的元素值均大于0。兩個(gè)向量的蘭氏距離為如下所示：

d（ X i， Y i）=∑ n i=1 ?[| xi-yi | ?/ （xi+yi） ]

（17）

本文通過(guò)計(jì)算模板圖與待檢測(cè)圖之間的特征參數(shù)值向量來(lái)計(jì)算圖像相似度，根據(jù)待檢測(cè)圖像與模板圖的相似度來(lái)判斷桌面是否具有灰塵。本文將模板圖作為對(duì)比圖，如果采用蘭氏距離計(jì)算相似度，蘭氏距離公式中的分母將會(huì)隨著待檢測(cè)圖的變化而變化，所計(jì)算的距離將會(huì)沒有對(duì)比性，模板圖將會(huì)失去原有的意義。為解決這種問(wèn)題，本文將蘭氏距離進(jìn)行改進(jìn)，改進(jìn)算法中，只用模板圖像的特征參數(shù)值向量的元素作為分母。為降低向量中個(gè)別元素對(duì)所求距離的影響，再將改進(jìn)后蘭氏距離求均值。改進(jìn)后的蘭氏距離公式如下：

d（ X i， Y i）= 1 n ∑ n i=0 ?[ ?| xi-yi | /yi ]

（18）

求取兩種向量改進(jìn)后的蘭氏距離，求得距離取值范圍為[0，+∞），為使相似度值在（0，1]內(nèi)，需要將距離歸一化處理。根據(jù)指數(shù)函數(shù)得性質(zhì)，先將距離取反，然后計(jì)算其指數(shù)函數(shù)，e為底數(shù)，所得結(jié)果就是圖像相似度。

假設(shè)模板圖的特征參數(shù)值向量為 M i=（mi1，mi2，…，min），待檢測(cè)圖的特征參數(shù)值向量為 M j=（mj1，mj2，…，mjn），兩個(gè)特征參數(shù)值向量中的n為16。改進(jìn)后的蘭氏距離相似度算法公式如下：

S=exp - 1 n? ∑ n k=1 ?（| mik-mjk | /mik ）

（19）

式中：n為16，mik代表模板圖特征參數(shù)值向量的第k個(gè)元素，mjk代表待檢測(cè)圖特征參數(shù)值向量的第k個(gè)元素。

4 桌面灰塵檢測(cè)算法流程

首先獲取不同光照度下的無(wú)灰塵桌面圖像和有灰塵桌面圖像，按照光照度和紋理復(fù)雜度將圖片分組。下面就是算法流程：

1）圖像預(yù)處理：

a）圖像灰度化，轉(zhuǎn)化為灰度圖，同時(shí)設(shè)定圖像尺寸;

b）將灰度圖直方圖均衡化;

c）獲取均衡化后的圖像的梯度圖。

2）共生矩陣相關(guān)計(jì)算：

a）計(jì)算灰度梯度圖的4個(gè)方向的共生矩陣;

b）計(jì)算每個(gè)矩陣的4個(gè)紋理特征參數(shù);

c）將特征參數(shù)組合為一維向量。

3）選取無(wú)灰塵模板圖：

a）將不同光照度下的圖像排列組合，計(jì)算每個(gè)組合的圖像相似度。

b）按照單一變換原則，計(jì)算不同光照度下圖像相似度均值和標(biāo)準(zhǔn)方差，均值和標(biāo)準(zhǔn)方差公式如下：

μi= 1 N ∑ j≠i S（i， j）

（20）

σi=? 1 N ∑ j≠i [S（i， j）-μi]2

（21）

式中：i和j代表實(shí)驗(yàn)環(huán)境中的采樣圖像的光照度值，S為不同光照度圖像之間的相似度，μi代表均值，σi代表標(biāo)準(zhǔn)方差，N為相似度S（i， j）的總個(gè)數(shù)。

c）根據(jù)均值最大，方差最小的原則選取最好的光照度圖片作為模板圖，此時(shí)的模板圖與無(wú)灰塵圖像相似度最小值為S1i。

4）計(jì)算模板圖與有灰塵圖像的相似度：

a）將上一步中的模板圖的特征參數(shù)向量作為模板向量;

b）獲取有灰塵的圖像，并按照步驟1）和步驟2）獲取有灰塵圖像的一維特征參數(shù)向量;

c）計(jì)算模板圖與有灰塵圖像的特征參數(shù)向量之間的相似度并取其最大值S2i。

5）計(jì)算灰塵檢測(cè)的相似度判斷閾值：

a）重復(fù)上面所有步驟，分別獲取三種不同紋理復(fù)雜度桌面中的每種桌面的相似度S1i和S2i，它們分別為S11、S12、S13和S21、S22、S23。

綜上所述，針對(duì)不同紋理的桌面，在光照變化時(shí)，本文算法能提高模板圖與無(wú)灰塵圖像的相似度值，使其檢測(cè)更加精準(zhǔn)，同時(shí)降低模板圖與有灰塵圖像的相似度值，增大兩種相似度之間的差值，使兩種相似度值區(qū)分界限更加明了。為了便于桌面灰塵檢測(cè)系統(tǒng)更好地作出檢測(cè)判斷，需要設(shè)定一個(gè)相似度檢測(cè)閾值，超過(guò)閾值判斷為無(wú)灰塵，低于閾值判斷為有灰塵。由表3和表6可知，本文算法計(jì)算的模板圖與無(wú)灰塵圖像相似度最小值為90.01%;由表4和表7可知，本文算法計(jì)算模板圖與有灰塵圖像的相似度最大值為62.57%，所以設(shè)定相似度閾值為76.29%。

6 結(jié)語(yǔ)

本文算法可以有效提高桌面灰塵檢測(cè)在不同光照度情況下的準(zhǔn)確性，消除基于視覺的灰塵檢測(cè)在光照變化帶來(lái)的誤差，增大兩種不同相似度差值，顯著兩種相似度的分化界限，有效解決兩種相似度值出現(xiàn)交叉的情況。算法局限性是當(dāng)光照度低于300lux或者灰塵量很稀少時(shí)，檢測(cè)結(jié)果將會(huì)出現(xiàn)誤判，這也是下一步的研究方向：檢測(cè)桌面灰塵的稀疏程度以及光線較暗時(shí)如何提高檢測(cè)的準(zhǔn)確性，提高算法在不同應(yīng)用場(chǎng)景的抗干擾性。

參考文獻(xiàn)

[1]?茅靳豐，朱國(guó)棟，張虎，等.風(fēng)管清掃機(jī)器人智能清潔度評(píng)估系統(tǒng)的研究[J]. 建筑熱能通風(fēng)空調(diào)， 2015， 34（1）：37-41. （MAO J F， ZHU G D， ZHANG H， et al. Research of intelligent cleanliness assessment system of air duct cleaning robot[J]. Building Energy & Environment， 2015， 34（1）： 37-41.）

[2]?劉麗，匡綱要.圖像紋理特征提取方法綜述[J]. 中國(guó)圖象圖形學(xué)報(bào)，2009，14（4）：622-635. （LIU L， KUANG G Y. Overview of image textural feature extraction methods [J]. Journal of Image and Graphics， 2009， 14（4）： 622-635.）

[3]?HARALICK R M， SHANMUGAM K， DINSTEIN I. Textural features for image classification [J]. IEEE Transactions on Systems， Man， and Cybernetics， 1973， SMC-3（6）： 610-621.

[4]?米強(qiáng)，徐巖，劉斌，等.煤與矸石圖像紋理特征提取方法[J].工礦自動(dòng)化，2017，43（5）：26-30. （MI Q， XU Y， LIU B， et al. Extraction method of texture feature of images of coal and gangue [J]. Industry and Mine Automation， 2017， 43（5）：26-30.）

[5]?楊緒啟，姚巨坤，田欣利，等.基于灰度共生矩陣的金剛石砂輪磨損特征分析[J].新技術(shù)新工藝，2017（9）：54-58. （YANG X Q， YAO J K， TIAN X L， et al. Wear characteristics analysis of diamond grinding wheel based on gray level co-occurrence matrix [J]. New Technology & New Process， 2017（9）： 54-58.）

[6]?苑麗紅，付麗，楊勇，等.灰度共生矩陣提取紋理特征的實(shí)驗(yàn)結(jié)果分析[J].計(jì)算機(jī)應(yīng)用，2009，29（4）：1018-1021. （YUAN L H， FU L， YANG Y， et al. Analysis of texture feature extracted by gray level co-occurrence matrix [J]. Journal of Computer Applications， 2009， 29（4）： 1018-1021.）

[7]?謝德茂，吳自然，陳沖，等.自動(dòng)點(diǎn)焊機(jī)中機(jī)器視覺系統(tǒng)的設(shè)計(jì)與應(yīng)用[J].計(jì)算機(jī)應(yīng)用，2017，37（S1）：206-210. （XIE D M， WU Z R， CHEN C， et al. Design and application of automatic welding machine in machine vision system [J]. Journal of Computer Applications， 2017， 37（S1）： 206-210.）

[8]?ULABY F T， KOUYATE F， BRISCO B， et al. Textural information in SAR Images [J]. IEEE Transactions on Geoscience and Remote Sensing， 1986， GE-24（2）： 235-245.

[9]?王園宇.粉塵環(huán)境中的圖像恢復(fù)研究[D]. 太原：太原理工大學(xué)，2011：35-56. （WANG G Y. The research of image restoration in dust environment[D]. Taiyuan： Taiyuan University of Technology， 2011： 35-56.）

[10]?田鈺，曾煥強(qiáng)，邢露，等.利用邊緣相似度的光場(chǎng)圖像質(zhì)量評(píng)價(jià)[J].信號(hào)處理，2018，34（10）：1197-1202. （TIAN Y， ZENG H Q， XING L， et al. Light field image quality assessment using edge similarity [J]. Journal of Signal Processing， 2018， 34（10）： 1197-1202.）

[11]?鄒承明，薛棟，郭雙雙，等.一種改進(jìn)的圖像相似度算法[J].計(jì)算機(jī)科學(xué)，2016，43（6）：72-76. （ZOU C M， XUE D， GUO S S， et al. Improved image similarity algorithm [J]. Computer Science， 2016， 43（6）： 72-76.）

[12]?李欽，游雄，李科，等.基于相似矩陣自適應(yīng)加權(quán)的實(shí)景圖像相似度計(jì)算方法[J].模式識(shí)別與人工智能，2017，30（11）：1003-1011. （LI Q， YOU X， LI K， et al. Geography image similarity measurement method based on adaptive weighting of similarity matrix [J]. Pattern Recognition and Artificial Intelligence， 2017， 30（11）： 1003-1011.）

[13]?謝逸逍，汪有成，肖猛，等.基于幾何不變矩的圖像相似度計(jì)算方法[J].電子技術(shù)與軟件工程，2017（16）：84-85. （XIE Y X， WANG Y C，XIAO M， et al. Geography image similarity measurement method based on adaptive weighting of similarity matrix [J]. Electronic Technology & Software Engineering， 2017（16）： 84-85.）

[14]?姜禮平，李冬雷，季傲.基于蘭氏距離的改進(jìn)沖突證據(jù)合成方法[J]. 海軍工程大學(xué)學(xué)報(bào)，2016，28（6）：1-4，22. （JIANG L P， LI D L， JI A. Improved conflicting evidence combination method based on Lance Williams distance [J]. Journal of Naval University of Engineering， 2016， 28（6）： 1-4，22.）

[15]?趙威成，祁向前，葉欣.基于蘭氏距離NDVI的土地覆蓋變化檢測(cè)[J].安徽農(nóng)業(yè)科學(xué)，2017，45（6）：221-223. （ZHAO W C，QI X Q，YE X. Detection of land covering change based on NDVI with Canberra distance [J]. Journal of Anhui Agricultural Sciences， 2017， 45（6）： 221-223.）.

[16]?中華人民共和國(guó)住房和城鄉(xiāng)建設(shè)部.建筑照明設(shè)計(jì)標(biāo)準(zhǔn)， GB 50034—2013[S].北京：中國(guó)建筑工業(yè)出版社，2013. （Ministry of Housing and Urban-Rural Development of the Peoples Republic of China. Standard for lighting design of buildings， GB 50034—2013 [S]. Beijing： China Architecture & Building Press， 2013.）