单幅航空影像中云阴影的自动去除

高贤君，万幼川，何培培，杨元维

(武汉大学遥感信息工程学院，武汉 430079)

单幅航空影像中云阴影的自动去除

高贤君，万幼川，何培培，杨元维

(武汉大学遥感信息工程学院，武汉 430079)

云阴影的存在严重影响了高分辨率航空遥感影像的视觉效果和影像质量．为去除云阴影，提出了一种无需人工参与的自动处理方法．首先采用光谱特征阈值法初步检测云阴影，再结合形态学方法进行后处理，提取完整的云阴影区域；阴影去除时，设计了一种利用非阴影区域信息、阴影整体区域信息、阴影像素局部窗口及像素本身信息的综合补偿模型，所需参数均可自动获取，进而实现阴影的自动去除．实验表明，区域级、窗口级和像素级多层次信息的引入，使模型的细节敏感度增强，提升了对比度，能灵活根据复杂的云阴影遮挡情况对阴影进行合理提升，有效解决了部分补偿方法存在的补偿效果不均匀的问题，阴影中地物的色彩与纹理等信息均得到更真实的再现．

阴影去除；综合补偿模型；云阴影；航空影像；高分辨率

航空影像实时获取的瞬间，若遇到一定高度的云层遮挡太阳光，会致使部分测区被云阴影覆盖，导致影像中存在云阴影．由于云及其阴影具有面积大、不规则、分布集中等形状特性，以至于云阴影区域内的建筑、道路、植被等大量地物信息被遮挡，所损失的信息量远大于普通地物阴影的遮挡，严重影响了影像的视觉解译效果及进一步应用．因此，研究航空影像中云阴影的自动去除，具有十分重要的意义．

云阴影的去除主要有 3种方法．模型法：利用太阳高度角、传感器信息、云层高度等先验知识重建云阴影的成像模型，推算阴影区域地物在标准光照下应有的信息[1]，其算法复杂、实现难度较大．图像增强阴影修复法：采用线性相关拉伸[2]、分形插值[3]、Wallis滤波[4]、局部统计法[5]、Retinex增强[6]等方法提升阴影区域的亮度，增强对比度，实现阴影去除，常常用于单幅影像的阴影去除．影像融合法：将同一区域的多源或多时相影像进行配准、融合或镶嵌，将阴影区域替换为对应区域无阴影的影像像元，常用于同时存在云及云阴影遮挡的中低分辨率遥感影像中[7-10]，不仅对数据要求较高，且容易受到数据源的质量影响，影像之间色调差异等因素会影响去除效果，在处理高分辨率影像的阴影问题时受到了一定的限制.

本文着力于研究单幅影像的云阴影自动去除处理，独立性要求高，不依赖其他先验数据，因此选用光谱特征阈值法结合形态学后处理实现阴影区域的自动提取，并设计了综合由整到分的多层次信息的阴影补偿模型，实现云阴影的自动去除．

1 云阴影区域的自动提取

由于云阴影区域内的地物种类多，且云层的厚度和高度的变化导致覆盖区域受不同程度的影响，使云阴影的性质比普通地物阴影更为复杂，阴影检测难度更大．单纯依靠阴影检测算法总会存在漏检与误检的现象，借助形态学方法进行后处理可很好地弥补算法的不足．因此，本文选用光谱特征阈值法初步检测阴影，再进行形态学自动后处理，实现云阴影区域的快速、准确提取．

1.1 基于光谱特征阈值法的阴影初检测

云阴影的特性与普通阴影不同．由于云层与其阴影区域之间存在较大的空间距离，阴影区域仍可获取部分散射光进行辅助光照，使其中地物的色彩、亮度受到一定的损失，但纹理仍保留较好，地物所具有的阴影特性并未成为主导特性．大面积云阴影遮挡的地物纹理、光谱特性复杂多样，普通阴影遮挡范围内的地物特性相对单一．采用光谱特征法检测时，普通阴影检测常用的色调H、蓝色分量B等光谱特征用于云阴影检测时，通用性降低，漏检与误检现象更多.

通过大量实验对常用的阴影特征进行实验分析发现，云阴影在绿色分量 G与亮度分量 L的特征图中，阴影区域的特征分量值相对非阴影区域急剧减小，差异更明显，而 B的区分性相对较弱，H十分不稳定．以图 1为例，列出一幅云阴影影像在常用的阴影光谱特征通道下的特征分量，基本印证了上述结论．因此选用绿色分量G与亮度分量L采用如式(1)所示进行组合，相互补充，检测效果及通用性更好．

获取特征自动阈值时，常用的一维 Otsu自动阈值[11]偏小，易引起误判；而带限定条件的 Otsu阈值法引入了限定条件对影像像素进行事先筛选，只有满足条件的像素才能参与特征直方图的统计，再在此直方图的基础上获取最大类间方差对应的特征值为阈值[12]．选定合适限定条件可进行改进相应特征阈值，取得更准确的检测结果．经实验探索，引入关于分量P=(H+1)/(L+1)的限定条件{P＞TP,o}改善 T_G，对于亮度L的阈值采用{L＜TL,o}进行改善，效果较好(TP,o和 TL,o分别为 P和 L的一维 Otsu自动阈值)．图 1(f)和图 1(g)分别给出了一维 Otsu阈值和改进阈值所获取的自动检测结果，改进后的结果大大减少了误检率．

云阴影中地物光谱特性复杂，直接检测会存在漏检；同时影像中普遍存在面积很小的普通地物阴影，利用光谱特征法检测云阴影时很难排除普通阴影的干扰；且绿色分量的应用使得部分植被也可能被误检．因此利用阴影特性的方法直接检测会存在较多的误检和漏检，利用形态学方法进行小区域去除和大区域内的空洞填充可解决此类问题．

1.2 检测结果自动后处理

后处理时选用不具有先验方向性的十字叉形3×3结构元素，合理利用OpenCV封装的形态学处理函数 ，包 括 cvDilate 膨 胀、cvErode 腐蚀、MorphologyEx实现开闭运算、cvFindContours获取内外轮廓及 cvContourArea获取区域面积函数等方法，编程实现极小区域去除、空洞填充、非阴影区域及边界区域获取等子功能为一体的自动后处理工作，一方面提升阴影检测结果，另一方面为补偿模型提供所需信息．

小区域去除是为了剔除被误检的地物：由于云阴影具有面积大、分布集中的独特形状特性，可通过阴影区域面积限定条件对阴影初检测结果中的所有区域进行筛选，实现去除．空洞填充是为了弥补阴影区域内部分地物被漏检而出现空洞现象而设计的：由于云阴影区域内地物的自身特性和阴影特性均匀显现，导致检测时易出现云阴影中部分阴影特性不足的区域被漏检，但仅通过检测算法的改进难以解决此问题，通过形态学方法逐个获取云阴影区域的内轮廓所包围的区域(即空洞)，填充为阴影像素，可将部分漏检区域重新补充检入．综合小区域去除与空洞填充后的自动形态学后处理工作可弥补算法缺陷所导致的问题，提高检测精度．图 1(h)为后处理结果，大大提升了检测结果的区域完整性．

非阴影区域及边界区域的获取是为相应阴影区域的补偿提供所需补偿信息：对阴影区域进行编号，通过设置固定边界宽度 wB和获取非阴影区域宽度wNSD，将阴影区域 imgSD 向阴影内部方向腐蚀1/3,wB次获取imgBin、向非阴影区域方向膨胀2/3,wB次获取 imgBout，再在 imgBout基础上进行 wNSD次的膨胀获取 imgNSD，imgBout与 imgBin的差值结果为边界区域，imgNSD与 imgBout的差值结果为非阴影区域．根据原始阴影区域的编号对相应的边界及非阴影区域同样编号实现三者的对应．

图1 云阴影的光谱特征及检测结果Fig.1 Spectral characteristics graph of cloud shadow and relative detected results

2 云阴影自动去除

云阴影区域地物被遮挡程度受云层厚度和高度的影响．云层越低，可接受的散射光越少，阴影影响越严重；云层的厚度影响着直射光的穿透量，下方阴影会随云层由厚至薄呈现出由深至浅的现象．在面对这种影响程度不一致的云阴影时，采用常用的图像修复法直接去除阴影时，会出现补偿效果参差不齐、不均匀的现象．本文受局部统计法补偿模型的启发，改进并设计了一种综合补偿模型，利用多层次的信息改善效果不均匀的问题．

2.1 阴影补偿模型

2.1.1 局部统计法模型

对比度直接影响阴影去除效果．Lee[13]提出了一种对比度增强的方法，利用待处理像素的局部邻近区域的均值,ijm 、方差,ijν 和理想的均值dm 、方差dν 将原始值,ijx 进行提升，获取理想的,ijx′，即

此思想用于阴影补偿时，可将阴影区域周围的非阴影区域所具有的特征均值与方差作为理想真值，阴影区域的特征均值和方差为局部信息，可变换为式(3)

，对阴影区域的亮度特征进行提升，即可实现利用局部统计信息的阴影补偿，是一种常用的补偿模型[14]．

但此模型利用的是阴影区域及非阴影区域的整体信息，以独立区域为单元，单元内的补偿参数恒定，对大面积的云阴影区域进行处理时，补偿模型实际上是一种单一的线性补偿关系，难以根据阴影的影响程度实现合理的提升，因此补偿效果存在部分区域补偿不足、部分补偿过度等提升效果不均匀的现象，其对比度差，偏离了真实效果．

2.1.2 综合补偿模型

要实现阴影的均匀补偿，必须针对云阴影的特性，设计能有效改善云阴影的阴影补偿模型．本文由局部统计模型出发，提出了兼顾整体与局部差异的非线性综合补偿模型：在整体云阴影区域信息和阴影像素信息的基础上，引入阴影像素相关的局部窗口区域信息，设计了如式(4)所示的补偿模型，实现整体区域、局部像素窗口、单个像素 3种不同层面的信息的有效综合，共同补偿阴影区域内的地物信息．

对阴影区域内(图 2)的某像素(,)i j进行补偿，所需信息除像素本身的亮度 (,)L i j以外，有以像素为中心的窗口区域 W 的均值W(,)m i j与均方差W(,)i jσ 、阴影区域 SD的均值SDm 与均方差SDσ 、非阴影区域的均值NSDm 与均方差NSDσ ，多层信息综合补偿实现亮度提升．阴影边界区域的宽度 wb可取 6左右的固定值．非阴影区域的宽度 wNSD可由阴影区域最小外接矩形最短边长的1/5决定．相应区域均可根据阴影检测结果自动获取，以保证多层信息的自动获取．

图2 补偿模型的相关区域Fig.2 Areas related to the compensation model

以补偿像素为中心的局部方形窗口信息的引入，一方面由于其为一种逐像素变化的信息使阴影像素之间的差别更为突出，增强了对比度；另一方面由于融入的对象是邻近像素的信息，起到部分平滑作用，使邻近像素补偿效果更为均匀．新的补偿模型引入局部窗口值，改变了区域内原始值与补偿值之间的恒定线性关系，使补偿关系动态变化，这种综合补偿使影响程度不同的区域可得到更合适的亮度提升，有效改善了补偿不足或补偿过度的问题，补偿效果更为均匀，可基本达到与影像非阴影区域的同样光照下的视觉效果，使阴影去除后的影像可用于影像配准、地物提取等其他应用工序中．

对比实验证明了上述结论：如果补偿方法的本质是线性模型，补偿结果依赖原始值会出现原始亮度较高区域补偿过度而遮挡严重区域却补偿不足的不均匀现象．将阴影区域进行网格划分，统计补偿结果中每个格网的亮度均值,Lim 与整体阴影区域的亮度均值,SDLm 的差值 LΔ ，从 LΔ 的分布和最大最小值的差值MLΔ 可看出补偿结果的均匀程度和变化程度，极值之间的差异MLΔ 越小，且越小的 LΔ 对应的格网数量所占比重越多，说明补偿结果的整体效果越均匀．取一幅云阴影影像分别采用局部统计法、本文方法以及文献[12]提出的改进 Wallis法进行阴影补偿，区间间隔为 3，统计格网对应的 ΔL 绝对值落在对应区间内的总格网数，绘制统计直方图，如图 3所示．由图3可见，局部统计法和改进Wallis法的分布范围较大，MLΔ 分别为 61和 58，而本文方法的MLΔ 仅为32，且大部分格网的都较小，差值在 11以内的格网数占总数的88%，局部统计法和改进Wallis法分别占70%和65%．对比结果清楚地说明了本文方法补偿效果均匀的优势．

图3 3种方法的对应格网数的统计直方图Fig.3 Histogram for the grid number of eachacquired by three kinds of method

2.2 边界处理

阴影边界的一边是阳光直射的非阴影区域，一边是云阴影遮挡区域，两者之间的亮度突变，会产生明显的界限；而云阴影区域与非阴影区域之间的过渡较为平滑，阴影边界界限并不是十分明显．后处理获取的云阴影边界若不准确，会出现边界邻近的部分阴影被漏检或部分非阴影被误检的现象．以往的图像增强修复法处理边界时无法消除界限差异，因此阴影补偿时边界区域一般需要进行特殊处理．

本文利用综合补偿模型对阴影的边界区域进行处理时，融入边界像素窗口的信息中同时包含了边界周围的阴影与非阴影信息，信息综合后的补偿结果可部分减少补偿结果与边界外像素的差异．但非阴影像素的补偿结果的亮度相对于阴影像素的补偿结果仍会偏高，边界区域存在亮度差异．为减小差异，在边界区域补偿结果的基础上，进一步采用Wallis滤波进行匀光处理[15]，使补偿结果由阴影区域向非阴影区域均匀过渡，消除边界痕迹．

2.3 云阴影去除流程

图 4给出了采用本文方法对影像进行云阴影去除的流程．首先对影像采用光谱阈值法进行阴影自动检测，再对检测结果进行形态学后处理，同时获取非阴影区域及边界区域，利用非阴影区域的信息，对阴影及边界区域进行逐像素补偿．补偿时利用统计的非阴影区域信息、像素局部窗口信息、阴影区域及像素原始信息等，采用本文提出的综合补偿模型进行处理．补偿后的边界区域则需进一步采用 Wallis滤波进行匀光处理，其中滤波参数采用经验值与自动获取相结合的方法．整个补偿过程中无需人工参与，自动完成阴影去除．

图4 云阴影去除流程Fig.4 Flow chart of cloud shadow removal

3 实验分析

对多幅存在云阴影的高分辨率航空影像分别进行云阴影检测与去除，将本文方法的去除效果与式(3)所示的局部统计法的阴影去除效果进行对比分析．

图5为受小面积云影像遮挡的城市影像，分辨率较高，遮挡区域的地物隐约可见，利用本文提出的检测方法进行阴影检测取得结果如图 5(b)所示，整体的阴影区域基本被检测出来，也有少量邻近非阴影区域被检入．对阴影区域采用局部统计法去除阴影的结果如图 5(c)所示，阴影区域信息得到基本恢复，但是中部云层较厚区域所对应的阴影区域仍然较暗，而边缘较薄云层对应阴影区域的补偿效果较好，整体呈现出效果不均匀的现象．采用本文方法的去除结果如图 5(d)所示，有效改善了这一问题，对比度更强，纹理细节更清晰，整体补偿结果十分均匀．图 6是城市大范围的建筑群被大面积的厚云阴影遮挡，更多的地物信息受到了严重影响，图 6(c)的局部统计法阴影去除结果仍然存在同样的部分区域较暗的不均匀现象，而本文方法去除阴影后几乎达到了非阴影区域的效果，完全消除了云阴影的影响，信息得到有效恢复．图 7为乡村影像，阴影遮挡的区域为纹理信息较为一致的田地区域，地物间的差异小，局部统计法进行阴影去除难以恢复差异小的细节信息，对比度较差，并且在阴影边界区域产生明显的明暗不一致的补偿痕迹，同时部分被误检入的非阴影区域经过补偿处理后亮度也被提升，导致过度补偿，采用本文方法进行阴影去除，田地、植被间的信息包括其中的细小差异都能得到重新恢复．图 8为多块云阴影遮挡的城市影像，影像中有两块云阴影遮挡区域，阴影检测结果中也存在部分区域被误检的现象，本文算法具有区域独立性使得各个阴影区域均可以得到有效补偿，且多层信息的综合性使得去除结果不依赖处理对象的原始状态，可保证对误检入的非阴影处理十分得当．对边界区域处理时，局部统计法会对边界部分的非阴影像素严重补偿过度，而本文在边界补偿后还进行Wallis匀光处理，可有效减轻边界痕迹，保证影像去除质量．

图5 城市影像中小面积云阴影的两种去除结果对比Fig.5 Comparison between two results of cloud shadow removal in urban image with a small cloud shadow area

图6 城市影像大面积云阴影的两种去除结果对比Fig.6 Comparison between two results of cloud shadow removal in urban image with a big cloud shadow area

图7 乡村影像云阴影的两种去除结果对比Fig.7 Comparison between two results of cloud shadow removal in rural image

图8 多块云阴影影像的阴影去除结果对比Fig.8 Comparison between two results of cloud shadow removal in image with several cloud shadows

取反映明暗度的亮度均值和反映图像清晰度的平均梯度[16]对 3幅影像的阴影去除结果与阴影区域原始值和非阴影区域的目标值进行比较，定量评价指标对比如表 1所示．通过补偿，阴影区域的亮度和对比度均能得到有效提升，相对于局部统计法，本文方法更能达到与非阴影区域相一致或更好的效果．

通过图表对比发现，本文提出的阴影去除方法不受阴影检测结果准确程度的影响，对被误检的地物以及影响程度不一致的云阴影，均能根据处理对象相关的多层综合信息进行有效均衡，解决了补偿效果不均匀、对比度不强的问题，阴影去除效果更接近真实效果．

表1 不同的云阴影去除结果的评价指标的对比Tab.1 Comparison of different evaluation indexes of cloud shadow removal results

4 结 论

(1) 无需其他先验知识，仅需要影像本身信息，实现全自动处理．

(2) 本文提出的综合补偿模型利用了由整体到细分的多层信息，一方面提高了对细节的感知力，增强对比度，另一方面降低了对像素原始值的依赖性，因此对检测结果准确性的容忍度较高，即使出现误检，对误检区域也可以进行合理补偿处理，防止出现对非阴影区域处理后导致的补偿过度现象．

(3) 仅对亮度分量进行处理，可以保持真实色彩．但因影像本身属性，补偿后的色彩有时会出现部分偏差．

［1］ Luo Y，Trishchenko A P，Khlopenkov K V. Developing clear-sky，cloud and cloud shadow mask for producing clear-sky composites at 250-meter spatial resolution for the seven MODIS land bands over Canada and North America[J]. Remote Sensing of Environment，2008，112(12)：4167-4185.

［2］ 王 玥，王树根. 高分辨率遥感影像阴影检测与补偿的主成分分析方法[J]. 应用科学学报，2010，28(2)：136-141.

Wang Yue，Wang Shugen. Detection and compensation of shadows in high resolution remote sensing images using PCA[J]. Journal of Applied Sciences：Electronics and Information Engineering，2010，28(2)：136-141(in Chinese).

［3］ 何 凯，赵红颖，刘晶晶，等. 基于分形及纹理分析的城市遥感影像阴影去除[J]. 天津大学学报，2008，41(7)：800-804.

He Kai，Zhao Hongying，Liu Jingjing，et al. Shadow removal of city’s remote sensing images based on fractal and texture analysis[J]. Journal of Tianjin University，2008，41(7)：800-804(in Chinese).

［4］ 王卫国. 高空间分辨率遥感影像阴影处理方法研究[D]. 西安：西安科技大学测绘科学与技术学院，2008.

Wang Weiguo. Study of Shadow Processing’s Method in High-Spatial Resolution RS Image[D]. Xi’an：College of Geomatics，Xi’an University of Science and Technology，2008(in Chinese).

［5］ 贾永红. 数字图像处理[M]. 武汉：武汉大学出版社，2003.

Jia Yonghong. Digital Image Processing[M]. Wuhan：Wuhan University Press，2003(in Chinese).

［6］ 唐 亮，谢维信，黄建军，等. 城市航空影像中基于模糊 Retinex的阴影消除[J]. 电子学报，2005，33(3)：500-503.

Tang Liang，Xie Weixin，Huang Jianjun，et al. Removing shadows from urban aerial images based on fuzzy Retinex[J]. Acta Electronica Sinica，2005，33(3)：500-503(in Chinese).

［7］ Tseng D C，Tseng H T，Chien C L. Automatic cloud removal from multi-temporal SPOT images[J]. Applied Mathematics and Computation，2008，205(2)：584-600.

［8］ Wang Bin，Ono A，Muramatsu K，et al. Automated detection and removal of clouds and their shadows from Landsat TM images[J]. IEICE Transactions on Information and Systems，1999，E82-D(2)：453-460.

［9］ 梁 栋，孔 颉，胡根生，等. 基于支持向量机的遥感影像厚云及云阴影去除[J]. 测绘学报，2012，41(2)：225-231，238.

Liang Dong，Kong Jie，Hu Gensheng，et al. The removal of thick cloud and cloud shadow of remote sensing image based on support vector machine[J]. Acta Geodaetica et Cartographica Sinica，2012，41(2)：225-231，238(in Chinese).

［10］ 李炳燮，马张宝，齐清文，等. Landsat TM遥感影像中厚云和阴影去除[J]. 遥感学报，2010，14(3)：534-545.

Ri Pyongsop，Ma Zhangbao，Qi Qingwen，et al. Cloud and shadow removal from Landsat TM data[J]. Journal of Remote Sensing，2010，14(3)：534-545(in Chinese).

［11］ Otsu N. A threshold selection method from gray level histograms[J]. IEEE Transactions on Systems，Man，and Cybernetics，1979，9(1)：62-69.

［12］ 高贤君，万幼川，郑顺义，等. 航空遥感影像阴影的自动检测与补偿[J]. 武汉大学学报：信息科学版，2012，37(11)：1299-1302.

Gao Xianjun，Wan Youchuan，Zheng Shunyi，et al. Automatic shadow detection and compensation of aerial remote sensing images[J]. Geomatics and Information Science of Wuhan University，2012，37(11)：1299-1302(in Chinese).

［13］ Lee Jong-Sen. Digital image enhancement and noise filtering by use of local statistics[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1980，PAMI-2(2)：165-168.

［14］ 陈 奋，赵忠明，杨 健. 一种基于无抽样小波变换的云阴影去除算法[J]. 计算机工程，2006，32(7)：185-187.

Chen Fen，Zhao Zhongming，Yang Jian. Cloud shadow removal based on undecimated wavelet transform[J]. Computer Engineering，2006，32(7)：185-187(in Chinese).

［15］ 曹彬才，朱宝山，李润生，等. 用于单幅影像匀光的Wallis算法[J]. 测绘科学技术学报，2012，29(5)：373-377.

Cao Bincai，Zhu Baoshan，Li Runsheng，et al. Wallis algorithm for single image dodging[J]. Journal of Geomatics Science and Technology，2012，29(5)：373-377(in Chinese).

［16］ 叶 勤，徐秋红，谢惠洪. 城市航空影像中基于颜色恒常性的阴影消除[J]. 光电子·激光，2010，21(11)：1706-1712.

Ye Qin，Xu Qiuhong，Xie Huihong. Removing shadows from urban aerial images based on color constancy[J]. Journal of Optoelectronics·Laser，2010，21(11)：1706-1712(in Chinese).

(责任编辑：金顺爱)

Automatic Cloud Shadow Removal in Single Aerial Image

Gao Xianjun，Wan Youchuan，He Peipei，Yang Yuanwei
(School of Remote Sensing and Information Engineering，Wuhan University，Wuhan 430079，China)

The existence of cloud shadow has a serious influence on the visual effect and image quality of aerial imagery. In order to remove cloud shadow，an automatic method without any manual help was proposed. Firstly，according to the spectral characteristics of cloud shadow，the initial cloud shadow could be detected by spectral signature with relative automatic threshold. Then the detection result would be post-processed by mathematical morphology to extract the complete cloud shadow area. Next，cloud shadow would be removed by a newly designed synthesized compensation model which utilizes the information of different areas including the whole shadow area and noshadow area，a pixel-centered window area and the pixel itself. All the parameters in the model could be automatically acquired according to the information from aforementioned areas. Experimental results show that the use of different information from whole area，window area and single pixel improves the ability of recognizing details and differences between pixels. In consequence，the contrast is promoted remarkably. Furthermore，the model is more flexible to deal with complex information shaded by cloud shadow，which resolves the problem existing in other methods that shadow areas are compensated unreasonably. The information of objects in shadow area including color and texture is restored more similarly to the truth.

shadow removal；synthesized compensation model；cloud shadow；aerial image；high resolution

TP751

：A

：0493-2137(2014)09-0771-07

10.11784/tdxbz201305055

2013-05-23；

2013-07-30.

国家科技支撑计划资助项目(2012BAJ15B04，2012BAH34B02)；国家高技术研究发展计划(863计划)资助项目(2013AA122104)；高等学校博士学科点专项科研基金资助项目(20130141130003).

高贤君（1986— ），女，博士研究生，junxgao@whu.edu.cn.

杨元维，yyw_08@163.com.

时间：2013-10-17.

http：//www.cnki.net/kcms/detail/12.1127.N.20131017.1622.003.html.