انجمن بینایی ماشین و پردازش تصویر ایران
مجله بینایی ماشین و پردازش تصویر
2383-1197
5
1
2018
05
22
بخش بندی معنایی نظارتی ضعیف با استفاده همزمان از اطلاعات سطح شی و سطح متن
1
13
FA
پروین
رزاقی
دانشکده علوم رایانه و فناوری اطلاعات، دانشگاه تحصیلات تکمیلی علوم پایه زنجان، زنجان، ایران
p.razzaghi@iasbs.ac.ir
در این مقاله، روش جدیدی برای بخشبندی معنایی تصاویر در حضور دادههای آموزشی نظارتی ضعیف ارائه میگردد. هدف اصلی در بخشبندی معنایی اختصاص برچسب به تمامی پیکسلهای تصویر است. در دادههای آموزشی نظارتی ضعیف، تنها برچسبهای معنایی موجود در تصویر مشخص میگردد و مکان آنها در تصویر مشخص نمیگردد. نوآوری روش پیشنهادی، استفاده همزمان از اطلاعات سطح شی و سطح متن در تعیین برچسبهای معنایی در تصویر میباشد. در روش پیشنهادی، نواحی تصاویری که دارای مجموعه برچسبهای یکسانی میباشند، با یکدیگر ترکیب میگردند به گونهای که در تصاویری که دارای برچسبهای مشترک هستند، نحوه ظهور یکسان داشته و موقعیت مکانی آنها نسبت به دیگر برچسبهای معنایی موجود در تصویر نیز یکسان باشد. همچنین برای بهینه کردن تابع هزینهی پیشنهادی، یک الگوریتم تکرار شونده ارائه شده است که در آن در ابتدا تمامی پیکسلهای مجموعه تصاویر، به صورت اولیه برچسب گذاری میگردد. سپس مدل ظهور هر برچسب معنایی و مدل متن آن با استفاده از ماشین بردار پشتیبان آموزش میبیند. در قدم بعد، برچسب پیکسلها به گونهای به روزرسانی میگردد که در مجموعه تصاویری که دارای برچسبهای یکسانی میباشند، اطلاعات سطح شی و سطح متن مشابه باشند. به روزرسانی برچسبها تا زمانی ادامه مییابد که در دو دور متوالی، برچسب پیکسلها تغییر نیابد. برای ارزیابی کارایی روش پیشنهادی از مجموعه دادهی MSRC استفاده شده است. روش پیشنهادی بر روی مجموعه دادهی MSRC، دقت میانگین نرخ شناسایی گروهی 72% را به دست آورده است که در مقایسه با دیگر روشهای قابل مقایسه و موفق پیشین 1% افزایش دقت داشته است.
بخش بندی معنایی نظارتی ضعیف,اطلاعات سطح شی,اطلاعات سطح متن,الگوریتم بسط حرکت
https://jmvip.sinaweb.net/article_46258.html
https://jmvip.sinaweb.net/article_46258_081d43505596075dbee13567a9b5b64f.pdf
انجمن بینایی ماشین و پردازش تصویر ایران
مجله بینایی ماشین و پردازش تصویر
2383-1197
5
1
2018
05
22
استخراج ویژگی های بافتی طیف سیگنال های ماهیچه ای و به کارگیری ماشین بردار پشتیبان به منظور دسته بندی حرکات فیزیکی
15
28
FA
سیدمحمد
طباطبائی
دانشجوی دکتری، دانشکده مهندسی کامپیوتر، دانشگاه رازی
m.tabatabaei@pgs.razi.ac.ir
عبداله
چاله چاله
0000-0002-7217-905X
دانشکده مهندسی کامپیوتر، دانشگاه رازی کرمانشاه
chalechale@razi.ac.ir
سیگنالهای الکترومیوگرافی(EMG) با استفاده از دستگاه استخراج سیگنالهای ماهیچه ای (الکترومیوگراف) و به منظور تشخیص میزان اختلاف پتانسیل به وجود آمده در اثر تحریک عصبی سلولهای ماهیچه ای جهت کاربردهای گوناگون استخراج میشوند. یک مرحله ی مهم در پردازش سیگنالهای استخراج شده که تأثیر بسیار اساسی در عملکرد کلی سیستمهای کنترل ماهیچه ای دارد استخراج ویژگیهای مؤثر از این سیگنالها است. در این مقاله به منظور بهبود ویژگیهای زمانی، فرکانسی و زمان-فرکانسی، روشهای استخراج خصوصیات بافت از تصاویر زمان-فرکانس سیگنال با استفاده از توصیفگرهای الگوی دودویی محلی (LBP) و ماتریس همرخداد (GLCM) مورد بررسی قرار گرفته است. با تحلیل بافت تصاویر طیف سیگنالهای ماهیچه ای روابط بین فرکانسهای مختلف در زمان های مختلف استخراج میشود. در نتیجه، روابط مابین اطلاعات زمان و فرکانس به صورت توأمان به عنوان نماینده سیگنال در نظر گرفته خواهد شد. در این تحقیق، جهت بررسی کارایی این روش استخراج خصوصیات از پایگاه داده ی "سیگنالهای ماهیچه ای حرکات فیزیکی"، استفاده شده است. همچنین، جهت دسته بندی بردارهای ویژگی استخراج شده، ماشین بردار پشتیبان در دو حالت کلی و با تفکیک باندهای فرکانسی بکار گرفته شده است. در نتیجه ی آزمایشات، دقت دسته بندی 98/75% با استفاده از روش تفکیک باندهای فرکانسی حاصل شده است که در مقایسه با نتایج به دست آمده از روشهای قبلی دقیقتر است.
تصویر زمان-فرکانس,الگوی دودویی محلی,ماتریس همرخداد,سیگنال ماهیچه ای,ماشین بردار پشتیبان
https://jmvip.sinaweb.net/article_46529.html
https://jmvip.sinaweb.net/article_46529_3f4829dd7fc5f90b2c10eafd13596dad.pdf
انجمن بینایی ماشین و پردازش تصویر ایران
مجله بینایی ماشین و پردازش تصویر
2383-1197
5
1
2018
05
22
ارائه یک روش نوین در طبقهبندی انواع گونههای پروانه با استفاده از پردازش تصویر
29
38
FA
محمد
قاسمی شرف
کارشناس ارشد کامپیوتر، واحد همدان، دانشگاه آزاد اسلامی
m8148900@yahoo.com
منصور
اسماعیل پور
گروه مهندسی کامپیوتر، واحد همدان، دانشگاه آزاد اسلامی
esmaeilpour@iauh.ac.ir
درزمینۀ تشخیص و طبقهبندی جانوران همواره مشکلات بسیاری وجود دارد که مانع از به وجود آمدن پیشرفتهای سریع و مؤثر در این حوزه هستند. در سالهای اخیر روشهای جدیدی که بر شبکههای عصبی مصنوعی و پردازش تصویر مبتنی هستند، پیشنهاد شدهاند که میتوانند به تشخیص و بازشناسی گونههای پروانهها بپردازند. در این مقاله بهطور خاص، تشخیص گونههای پروانه را با استفاده از پردازش تصویر و روشهای طبقهبندی هوشمند بررسی خواهیم نمود و به دنبال بهبود عملکرد از طریق بهکارگیری ویژگیهای بافت بال پروانهها هستیم. در این راستا از روش استخراج ویژگی کوانتیزهسازی فاز محلی استفادهشده است که در مقابل محوی موجود در تصاویر پروانه مقاومت نشان میدهد. برای طبقهبندی نیز از دو نوع شبکه عصبی MLP و موجکی استفاده گردید که در بین این دو، شبکه عصبی موجکی موفق به رسیدن به صحت 100% در طبقهبندی 14 گونه پروانه شد.
بازشناسی,شبکه عصبی مصنوعی,استخراج ویژگی,کوانتیزهسازی فاز محلی و شبکه عصبی موجکی
https://jmvip.sinaweb.net/article_46670.html
https://jmvip.sinaweb.net/article_46670_18e485f871b05ad1a7f51784cb0c4920.pdf
انجمن بینایی ماشین و پردازش تصویر ایران
مجله بینایی ماشین و پردازش تصویر
2383-1197
5
1
2018
05
22
پالایش شرح گذاری مجموعه تصاویر با مقیاس بزرگ با یادگیری انتقالی در شبکه عصبی کانولوشنال عمیق
39
52
FA
شیما
جوانمردی
دانشجوی دکتری مهندسی کامپیوتر گرایش هوش مصنوعی، دانشکده برق و کامپیوتر، دانشگاه یزد
sh.javanmardi@stu.yazd.ac.ir
محمد علی
زارع چاهوکی
دانشکده مهندسی برق و کامپیوتر، دانشگاه یزد
chahooki@yazd.ac.ir
فرآیند پالایش شرح گذاری تصاویر، رویکردی موثر در بهبود بازیابی تصاویر مبتنی بر برچسب میباشد. در شبکه های اجتماعی و موتورهای جستجو بسیاری از تصاویر دارای تگ های مبهم، ناقص و بی ارتباط با محتوا هستند. وجود این تگ های غیرقابل اعتماد، موجب کاهش دقت بازیابی تصاویر می شود. از اینرو در دهه اخیر، الگوریتم هایی با عنوان پالایش تگ (TR) مطرح شدهاند که به رفع نویز و غنیسازی برچسبهای تصاویر میپردازند. به منظور دستیابی به نتایج بهینه در TR، استخراج ویژگی هایی از تصویر که توصیف مناسبی از محتوای دیداری تصویر داشته باشند، تاثیر مستقیمی بر دقت فرآیند TR دارد. از جمله چالش های عمده در فرآیند پالایش شرح گذاری تصاویر، رسیدن به توصیفی مناسب و مرتبط با محتوای تصاویر میباشد. بدین منظور با توجه به کارآمدی فرآیند یادگیری عمیق در بسیاری از حوزه های پژوهشی، در این مقاله نیز به منظور استخراج ویژگی های کارآمد در تشابه دیداری تصاویر و ارتباط معنایی تصاویر با هم، از شبکه های عصبی کانولوشنال عمیق (DCNN) استفاده شده است. بهره گیری از فرآیند یادگیری انتقالی استفاده شده در DCNN مبتنی بر تصاویر ImageNet در توصیف و ایجاد ارتباط معنایی در مجموعه تصاویر با مقیاس بزرگ NUS-WIDE، بیانگر موثر بودن این رویکرد در کاربرد پالایش تگ تصاویر است.
پالایش شرح گذاری تصاویر,شبکه عصبی کانولوشنال عمیق,پالایش تگ,بازیابی تصاویر,یادگیری انتقالی
https://jmvip.sinaweb.net/article_47087.html
https://jmvip.sinaweb.net/article_47087_afbaa17db316412ddea894b03609c575.pdf
انجمن بینایی ماشین و پردازش تصویر ایران
مجله بینایی ماشین و پردازش تصویر
2383-1197
5
1
2018
05
22
فشردهسازی تصاویر دارای درجهی تفکیک مکانی بالا مبتنی بر تخمین زیرباندهای جزئیات در حوزهی تبدیل موجک
53
71
FA
هادی
گرایلو
گروه الکترونیک، دانشکده مهندسی برق و رباتیک، دانشگاه شاهرود
grailu@shahroodut.ac.ir
درجهی تفکیک مکانی مناسب در بسیاری از انواع تصاویر اهمیت بالایی دارد زیرا دربرگیرندهی اطلاعات برخی جزئیات مهم میباشد. در عمدهی انواع تصاویر مانند تصاویر متنی، چهره، اثرانگشت و پزشکی کارایی روشهای استخراج ویژگی تاحد زیادی به کیفیت تصویر وابسته است. درجهی تفکیک مکانی بالا یکی از مهمترین عوامل افزایش کیفیت تصویر است اما موجب افزایش حجم حافظهی ذخیرهسازی نیز میشود؛ لذا اهمیت روشهای موثر فشردهسازی دوچندان میشود.<br />در روش فشردهسازی پیشنهادی در این مقاله، ابتدا ابعاد تصویر ورودی به کمک تبدیل موجک تا حد مشخصی کاهش یافته و سپس تصویر به کمک هر روش کدگذار دلخواهی قابل فشردهسازیاست. در مرحلهی بازسازی، ابتدا تصویرِ کاهش یافته به کمک کدگشای متناظر، بازسازی شده و سپس ابعاد آن به کمک تخمین زیرباندهای جزئیات در حوزهی تبدیل موجک، افزایش مییابد.<br />در بخش شبیهسازی و ارزیابی، دو نوع تصویرِ متداول و مهم شامل تصویر متنی و تصویر چهره (نمایندهی تصاویر دارای طیف به ترتیب عمدتاً میانگذر و عمدتاً پایینگذر) به عنوان مطالعه موردی انتخاب و در هرکدام، کارایی فشردهسازی و بازشناسی تصاویر فشرده شده به کمک ترکیب روش پیشنهادی با سه روش JPEG، JPEG2000 و SPIHT بررسی میشود. نتایج شبیهسازی نشاندهندهی تاثیر قابل توجه روش پیشنهادی در کاهش حجم ذخیرهسازی تصویر فشردهشده و حفظ همزمان کارایی بازشناسی است.<br /><br />
فشردهسازی تصویر,کاهش/افزایش ابعاد,تخمین زیرباندهای جزئیات,تصاویر متنی,تصاویر چهره,کارایی بازشناسی
https://jmvip.sinaweb.net/article_47521.html
https://jmvip.sinaweb.net/article_47521_08bf9b06451bbf328db922c7e5c46e67.pdf
انجمن بینایی ماشین و پردازش تصویر ایران
مجله بینایی ماشین و پردازش تصویر
2383-1197
5
1
2018
05
22
نشانه گذاری دوگانه کور و نیمه شکننده مبتنی بر تبدیل کسینوسی گسسته جهت تشخیص و بازسازی ناحیه دستکاری در تصاویر رنگی و خاکستری
73
90
FA
بهروز
بلوریان حقیقی
دانشجوی کارشناسی ارشد، گروه کامپیوتر، دانشکده مهندسی، دانشگاه فردوسی مشهد
b.bolourian@stu.um.ac.ir
امیرحسین
طاهری نیا
گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه فردوسی مشهد
taherinia@um.ac.ir
نشانه گذاری تصاویر رقمی یکی از موضوع های رایج در بحث امنیت اطلاعات و جلوگیری از سوء استفاده از تصاویر در دنیای اینترنت و ارتباطات است. یکی از کاربردهای نشانه گذاری رقمی احراز صحت و بازسازی ناحیه دستکاری شده است. این روشها قادرند با استفاده از اطلاعاتی که در رسانه تعبیه شده است، پی به صحت و یکپارچگی تصویر دریافت شده ببرند. در این مقاله روشی جهت شناسایی و بازسازی ناحیه دستکاری در تصاویر رنگی و خاکستری ارائه شده است، که با قابلیت تعبیه دوگانه نشانه در تصویر، فرصت دومی جهت بازسازی ناحیه دستکاری فراهم میکند. از طرفی به دلیل بهره گیری از تبدیل کسینوسی گسسته مقاومت خوبی در برابر فشرده سازی دارد. جهت تامین امنیت نشانه تعبیه شده از نگاشت آشوبی با کلید مخفی که همراه با تصویر ارسال میشود، استفاده شده است. در روش پیشنهادی برای جلوگیری از حملات رونوشت مکان، اطلاعاتی که جهت تشخیص بلوک دستکاری در تصویر تعبیه میشود، به کلیدی که مختص همان بلوک است وابسته میباشد. نتایج نشان میدهد که روش پیشنهادی توانایی شناسایی درست ناحیه دستکاری تحت فشرده سازی با ضریب کیفیت بیشتر از30 به معنی کاهش خطا و همچنین بازسازی در صورت تخریب نیمی از تصویر با شاخص شباهت ساختاری حدود 0/99 را دارد.
نشانه گذاری,تعبیه نشانه,استخراج نشانه,تشخیص دستکاری و بازسازی,تبدیل کسینوسی گسسته
https://jmvip.sinaweb.net/article_48294.html
https://jmvip.sinaweb.net/article_48294_e1830495f6392a2282b9a55eafcebee0.pdf
انجمن بینایی ماشین و پردازش تصویر ایران
مجله بینایی ماشین و پردازش تصویر
2383-1197
5
1
2018
05
22
بهبود کیفیت تصاویر در تصویربرداری مسطح پزشکی هستهای با استفاده از روش دو دامنهای
91
98
FA
عفت
یاحقی
دانشگاه بین المللی امام خمینی (ره)، دانشکده علوم پایه، گروه فیزیک
yahaghi@sci.ikiu.ac.ir
زهره
امانی
کارشناس ارشد فیزیک هسته ای
zohreamani98@gmail.com
تصویربرداری پلنار (مسطح) پزشکی هستهای یکی از روشهای مهم تصویربرداری جهت تشخیص ضایعات بافت و عملکرد آن میباشد. تحلیل و تفسیر تصاویر مسطح پزشکی هستهای نقش بسیار مهمی در تشخیص ایفا میکند. این تصاویر معمولا دارای کنتراست نسبتا کم، نویز زیاد و ابعاد کوچک در محل آسیبدیدگی میباشند. تشخیص ناحیه آسیب در این تصاویر به کیفیت و وضوح آنها بستگی دارد. به نظر میرسد که حذف مولفههای فرکانسی نویزی با استفاده از الگوریتمهای دو دامنهای، میتواند در کاهش نویز مفید باشد. در این تحقیق برای بهبود کیفیت به 46 تصویر انتخابی از نواحی مختلف بدن، تبدیل دو دامنهای اعمال شده است. نتایج بدست آمده از مقایسه تصاویر حاصل با تصاویر اولیه نشان میدهد که روش دو دامنهای با حذف مولفههای فرکانس بالای تصویر در کاهش نویز و افزایش کنتراست موثر است و میتواند به عنوان یکی از بهترین روشها در بهبود کیفیت تصاویر مسطح پزشکی هستهای بکار رود. برای ارزیابی نتایج از نظر پزشکان متخصص در زمینه پزشکی هستهای و فیزیک پزشکی استفاده شده است. نظرات افراد متخصص نشان میدهد که بهبود کیفیت و کنتراست تصاویر بصورت قابل توجهی افزایش یافته است
تصاویر مسطح پزشکی هستهای,پردازش تصویر,روش دو دامنهای
https://jmvip.sinaweb.net/article_49038.html
https://jmvip.sinaweb.net/article_49038_eb52421853c7289560ab04a3b2ff73f0.pdf
انجمن بینایی ماشین و پردازش تصویر ایران
مجله بینایی ماشین و پردازش تصویر
2383-1197
5
1
2018
05
22
روشی جدید برای نویزگیری و لبهیابی تصاویر با استفاده از توابع هار گویا شده
99
111
FA
پریسا
نورس
دانشجوی دکتری ریاضی کاربردی گرایش پردازش تصاویر، دانشگاه شهید مدنی آذربایجان
p.noras@azaruniv.ac.ir
ناصر
آقازاده
آزمایشگاه پردازش تصویر، گروه ریاضی کاربردی، دانشگاه شهید مدنی آذربایجان
aghazadeh@azaruniv.ac.ir
هدف اصلی این مقاله ارائهی یک روش جدید برای نویزگیری و لبهیابی تصاویر است. ایدهی اصلی این روش استفاده از توابع هار گویا شده است. تا به حال، این توابع برای حل معادلات انتگرال و دیفرانسیل استفاده میشدند. اما در این مقاله از این توابع برای نویزگیری و لبهیابی تصاویر استفاده شده است. در این روش علاوه بر این که اختلاف تصاویر نویزگیری شده با تصاویر اصلی کمتر میشود، شباهت ساختاری تصاویر نویزگیری شده و تصاویر اصلی نیز بیشتر از روشهای دیگر حفظ میشود. نتایج تجربی، دقت روش مورد نظر را در نویزگیری و لبهیابی نشان میدهد.
توابع هار گویا شده,نویزگیری,لبهیابی
https://jmvip.sinaweb.net/article_49225.html
https://jmvip.sinaweb.net/article_49225_d35ed82405636748d514dea60deb9698.pdf
انجمن بینایی ماشین و پردازش تصویر ایران
مجله بینایی ماشین و پردازش تصویر
2383-1197
5
1
2018
05
22
ارائه روش میانگین وصله های سه بعدی به منظور حذف شی متحرک و ترمیم ویدئو
113
128
FA
فاطمه
شیخعلیشاهی
دانشجوی دکتری مهندسی مخابرات و عضو انجمن پژوهشگران جوان دانشگاه شهید باهنر کرمان
fatemalishahi@yahoo.com
سعید
سریزدی
بخش مهندسی برق، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان
saryazdi@uk.ac.ir
حسین
نظام آبادی پور
بخش مهندسی برق، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان
nezam@uk.ac.ir
این مقاله، روش میانگینهای غیرمحلی را در حالت سه بعدی برای کاربرد ترمیم ویدئو پیشنهاد میکند. این روش شامل مراحل اولویتبندی پیکسلهای هدف و ترمیم آنها میشود. اولویتبندی پیکسلهای هدف با توجه به اطلاعات ساختار و بافت وصله پیرامون آن (وصله هدف) انجام میپذیرد. برای دستهبندی وصله به بافت و ساختار از معیار آنتروپی استفاده میشود. الگوریتم پیشنهادی برای تخمین پیکسلهای خسارت دیده از چندین وصله غیرمحلیِ مشابه بهجای بهترین وصله منطبق استفاده میکند. نتایج کمی و کیفی آزمایشها در زمینه حذف شی متحرک از تصویر ویدئو، برتری روش پیشنهادی در مقایسه با روشهای مرسوم را تایید میکند.
ترمیم ویدئو,حذف شی متحرک,میانگینهای غیرمحلی,وصله سه بعدی,اولویتبندی پیکسلهای هدف
https://jmvip.sinaweb.net/article_49289.html
https://jmvip.sinaweb.net/article_49289_857083f05cfbb41b45c02ecdbd19755d.pdf
انجمن بینایی ماشین و پردازش تصویر ایران
مجله بینایی ماشین و پردازش تصویر
2383-1197
5
1
2018
05
22
فشرده سازی و بازیابی تصاویر رادیولوژی با استفاده از استاندارد HEVC
129
139
FA
محمدرضا
یمقانی
دانشجوی دکترای گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران
m.yamaghani@srbiau.ac.ir
فرزاد
زرگری
0000-0003-1585-9283
پژوهشگاه ارتباطات و فناوری اطلاعات
zargari@itrc.ac.ir
افزایش روزافزون تولید تصاویر رادیولوژی پزشکی در مراکز درمانی و بیمارستانها، ایجاد روشهای مناسب ذخیرهسازی، کلاسبندی، و بازیابی تصاویر پزشکی را ضروری ساخته است. در این مقاله با استفاده از استاندارد کدینگ HEVC، روش نوینی در زمینهی فشرده سازی و بازیابی تصاویر رادیولوژی مبتنی بر ویژگی بافت در حوزهی فشرده شرح داده شده است. در روش پیشنهادی ابتدا تصاویر بانک اطلاعاتی که شامل تصاویر رادیولوژی اندامهای مختلف بدن است با استفاده از پیشبینی درونفریمی استاندارد HEVC (فریم I) به صورت بدونتلف فشردهسازی میشوند. سپس هیستوگرام حالتهای پیشبینی و ابعاد بلاکهای PU برای هر تصویر، به عنوان ویژگی محتوایی تصویر استخراج میشود. برای انتخاب تصاویر مشابه در بانکاطلاعاتی با تصویر پرسوجو، ابتدا تصویر پرسوجو با استاندارد HEVC کدگذاری میشود. سپس با بررسی هیستوگرام حالتهای پیشبینی و ابعاد بلاکهای PU تصویر پرسوجو، تصاویر مشابه از بانکاطلاعاتی براساس معیار شباهت انتخاب و ارایه میشود. نتایج این تحقیق، صحت تشخیص کلاس تصاویر رادیولوژی را به طور متوسط 94/5% و دقت در 35 عمل بازیابی را به طور متوسط 89% نشان میدهد که نسبت به سایر روشها بهبود داشته است. بنابراین روش فوق میتواند به عنوان روشی کارا هم برای کاهش حجم پایگاه داده ذخیره تصاویر رادیولوژی و هم روشی سریع و کارا برای بازیابی تصاویر پایگاههای داده پزشکی بهکار گرفته شود.
بازیابی تصاویر پزشکی مبتنی بر محتوا,فشردهسازی بدون تلف,هیستوگرام حالتهای پیشبینی,استاندارد کدینگ ویدئو HEVC
https://jmvip.sinaweb.net/article_50254.html
https://jmvip.sinaweb.net/article_50254_3555cebb8b2593e8c3f5fbab72aabc08.pdf