張謝華，張 申，方 帥，曹 洋

(1.江蘇師范大學(xué) 現(xiàn)代教育技術(shù)中心，江蘇 徐州 221116；2.中國礦業(yè)大學(xué) 信息與電氣工程學(xué)院，江蘇 徐州 221008；3.中國礦業(yè)大學(xué) 物聯(lián)網(wǎng)(感知礦山)研究中心，江蘇 徐州 221008；4.合肥工業(yè)大學(xué) 計算機與信息學(xué)院，安徽 合肥 230009；5.中國科學(xué)技術(shù)大學(xué) 自動化系，安徽 合肥 230027)

煤礦智能視頻監(jiān)控中霧塵圖像的清晰化研究

張謝華1,2，張 申2，3，方 帥4，曹 洋5

(1.江蘇師范大學(xué) 現(xiàn)代教育技術(shù)中心，江蘇 徐州 221116；2.中國礦業(yè)大學(xué) 信息與電氣工程學(xué)院，江蘇 徐州 221008；3.中國礦業(yè)大學(xué) 物聯(lián)網(wǎng)(感知礦山)研究中心，江蘇 徐州 221008；4.合肥工業(yè)大學(xué) 計算機與信息學(xué)院，安徽 合肥 230009；5.中國科學(xué)技術(shù)大學(xué) 自動化系，安徽 合肥 230027)

煤礦智能視頻監(jiān)控中常常碰到許多霧塵圖像且伴有各種隨機噪聲，對應(yīng)的圖像降質(zhì)嚴(yán)重影響了后續(xù)視頻圖像處理工作，因此提出一種基于暗原色先驗與雙邊濾波器的去霧除塵和同步去噪算法。結(jié)合已有的大氣散射物理模型，推導(dǎo)建立煤礦霧塵圖像退化模型?？紤]煤礦霧塵圖像的特點，設(shè)計基于暗原色先驗知識的大氣光、粗略透射率估計的方法與步驟。分析粗略透射率圖的優(yōu)化要求以及雙邊濾波器的特性，引入聯(lián)合雙邊濾波器快速獲得精細(xì)透射率圖。依據(jù)圖像退化模型構(gòu)建正則化目標(biāo)函數(shù)，求取轉(zhuǎn)換圖像并進行高斯雙邊濾波，獲得復(fù)原圖像并同步實現(xiàn)噪聲的有效去除。實驗結(jié)果驗證了算法的有效性，與已有去霧算法相比計算效率有較大提高，且復(fù)原質(zhì)量良好適合于煤礦智能視頻監(jiān)控環(huán)境。

霧塵圖像復(fù)原；同步去噪；暗原色先驗；雙邊濾波

智能視頻監(jiān)控作為煤礦安全生產(chǎn)系統(tǒng)中不可或缺的組成部分，為保障煤礦安全生產(chǎn)的順利進行提供了強有力的支持與保障[1]。由于煤礦井下環(huán)境特殊，在煤炭生產(chǎn)、運輸?shù)雀鱾€環(huán)節(jié)產(chǎn)生了大量懸浮于空中的粉塵顆粒，對礦工的身體健康造成了嚴(yán)重威脅，還可能引發(fā)煤塵爆炸事故危害煤礦生產(chǎn)安全[2]。為了控制粉塵減小其危害，各工礦企業(yè)引入很多噴霧降塵設(shè)備，因此會產(chǎn)生大量霧氣和水滴，使得光線在到達(dá)監(jiān)控成像設(shè)備前被散射或吸收，顯著降低了監(jiān)控場景中的能見度。另外在圖像采集和傳輸過程中，不可避免地受到各種高強度隨機噪聲的干擾。導(dǎo)致監(jiān)控圖像質(zhì)量嚴(yán)重下降，不利于后續(xù)的目標(biāo)檢測、識別和跟蹤等處理，進一步影響最終的智能視頻分析結(jié)果。因此，煤礦智能視頻監(jiān)控系統(tǒng)中強噪聲污染下霧塵圖像清晰化的研究具有重要的實際價值。

事實上，圖像去霧已成為計算機視覺和圖像處理領(lǐng)域中的一個研究熱點。最近幾年提出的基于單幅圖像的方法取得了良好的復(fù)原效果，其中最實用有效的是He等[3]提出的基于暗原色先驗的圖像去霧方法。該方法基于暗原色統(tǒng)計規(guī)律估計出降質(zhì)圖像的粗略透射率圖，采用軟摳圖算法優(yōu)化求解精細(xì)透射率圖，并利用大氣散射模型復(fù)原得到清晰圖像。該方法獲得的復(fù)原圖像清晰度高、顏色逼真，但通過深入研究發(fā)現(xiàn)存在以下問題：其一暗原色先驗在某些特殊區(qū)域不能成立；其二由于軟摳圖處理的引入致使計算代價大、處理速度慢，限制了方法的應(yīng)用范圍；其三忽略了降質(zhì)圖像本身所帶噪聲的問題，在復(fù)原圖像中可能出現(xiàn)噪聲放大的現(xiàn)象。

為了滿足有效性和處理速度的要求，在基于暗原色先驗的單幅圖像去霧方法的基礎(chǔ)上，本文提出一種可行的煤礦霧塵圖像去霧除塵和同步去噪算法。從圖像退化的角度出發(fā)，推導(dǎo)建立煤礦霧塵降質(zhì)圖像退化模型?？紤]煤礦霧塵圖像的特點，設(shè)計基于暗原色先驗知識的大氣光、粗略透射率估計的方法與步驟。針對霧塵圖像可能存在較大面積的明亮區(qū)域，且在這部分區(qū)域中暗原色先驗失效的特殊情況，提出相應(yīng)改進來擴展暗原色先驗的適用范圍。對于原有去霧方法存在計算復(fù)雜度高的不足，分析粗略透射率圖的優(yōu)化要求，計劃采用更為合理的工具來替代軟摳圖，快速獲得精細(xì)透射率圖。考慮煤礦霧塵圖像伴隨大量噪聲的特點，獲取良好的去霧除塵效果，并同步實現(xiàn)隨機噪聲的有效去除。

1 霧塵降質(zhì)圖像退化模型

Narasimhan等[4]給出了霧、霾天氣條件下的大氣散射模型，則霧塵圖像I(x,y)可表示為

簡記為

2 暗原色先驗知識的應(yīng)用

暗原色先驗知識是He等通過統(tǒng)計觀察大量無霧圖像而得出的，即在清晰無霧圖像的絕大多數(shù)非天空局部區(qū)域中，總存在一部分像素至少在一個顏色通道的強度值很低[5]。對圖像J其相應(yīng)暗原色圖像Jdark可按式(3)求取。

(3)

式中，Jdark為J的暗原色且其值很低接近于0；Ω(x,y)為以(x,y)為中心的一塊方形區(qū)域；JC為某個顏色通道。

為驗證煤礦工作環(huán)境中暗原色先驗知識的正確與否，隨機挑選了100幅無霧圖像，經(jīng)過處理加工后進行了統(tǒng)計實驗。計算每幅圖像的暗原色亮度值，得出這100幅圖像的暗原色亮度直方圖，如圖1所示。實驗統(tǒng)計結(jié)果反映約80%的像素暗原色值低于16，約95%的像素暗原色值低于32。因此，證明暗原色先驗知識同樣適用于煤礦工作環(huán)境。

圖1 圖像像素暗原色亮度直方圖Fig.1 Image pixel dark-channel brightness histogram

2.1 大氣光估計

對于大氣光的估計，主要是通過圖像中最不透明的濃霧區(qū)域像素估算而得，且這部分的像素亮度值通常也是較高的。文獻(xiàn)[6]為了簡化起見，直接選擇亮度值最高的像素來估計環(huán)境光光強。但實際情況中，這些像素可能來自圖像中的光源或者是場景中的白色物體，這種環(huán)境光的估計并不準(zhǔn)確。另外由于暗原色的值可被看做為霧濃度的一個近似估計[7]，因此對于煤礦圖像可以采用暗原色值來估算大氣光，從而提高估測準(zhǔn)確度。具體操作步驟為

(2)在Idark中選取暗原色值最大的0.1%的像素點，這部分像素通常對應(yīng)不透明的濃霧區(qū)域；

(3)在有霧圖像中I中搜索步驟(2)給出的亮度值最大點，將該像素亮度值作為大氣光A的估計。

通過以上步驟確定的亮度值最大點并不一定是整幅圖像中最亮的點，與前述直接采用圖像最亮點估計大氣光的方法相比，本文方法基于暗原色先驗知識魯棒性更強、更為合理。

2.2 粗略透射率圖估計

(4)

再在3個顏色通道之間進行最小化計算，有

(5)

依據(jù)暗原色先驗統(tǒng)計規(guī)律，

接近于0，代入式(5)有

(6)

實際上即使在沒有霧氣干擾的情況下，煤礦工作環(huán)境中仍然會包含一些粉塵粒子，這些微粒同樣對光產(chǎn)生散射作用，因此在觀看遠(yuǎn)處景物時能夠覺察到霧的存在。如果徹底去除霧的影響，那么復(fù)原圖像反而顯得不真實、不自然，因此在式(6)中引入一個調(diào)節(jié)參數(shù)ω∈(0,1)(本文采用ω=0.95)，使得較遠(yuǎn)處的景物保留少量的霧[8]，所以有：

(7)

(8)

(9)

其值越小表示像素值越接近于大氣光。另外通過大量實驗得到閾值F0，若F(x,y)

(10)

圖2 含大面積明亮區(qū)域有霧圖像的透射率估計Fig.2 Estimate transmittance of fog images with a large area of bright area

由圖2(c)可看出，以上方法對透射率的整體估計較為準(zhǔn)確，但在局部區(qū)域明顯存在塊效應(yīng)[9]。如果繼續(xù)采用該透射率分布求解復(fù)原圖像，將導(dǎo)致結(jié)果圖像中出現(xiàn)光暈效果，因此需采用特定方法來細(xì)化完善透射率。文獻(xiàn)[3]采用軟摳圖法來優(yōu)化透射率，通過構(gòu)建拉普拉斯矩陣和求解大型線性方程組來完成，需要龐大的計算量、會占用大量的內(nèi)存空間。進而極大提高了整體去霧算法的時間復(fù)雜度和空間復(fù)雜度，很大程度上限制了算法的應(yīng)用范圍。由透射率表達(dá)式t(x,y)=e-βd(x,y)分析可知，透射率是有關(guān)景深d的函數(shù)，在局部分塊內(nèi)部景深變化平緩，t同樣趨于平緩；而在局部分塊的邊緣處景深d很可能出現(xiàn)突變，t也因此會產(chǎn)生躍變。因此在得到粗略透射率的基礎(chǔ)上，應(yīng)保持其發(fā)生躍變的邊緣細(xì)節(jié)。這可轉(zhuǎn)換成一個濾波問題，可利用雙邊濾波器的特性來加以完成。

3 雙邊濾波算法

雙邊濾波器具有良好的去噪保邊特性，在處理圖像隨機噪聲時能夠發(fā)揮出很強的優(yōu)勢。文獻(xiàn)[10]描述對給定噪聲圖像：y=x+n，其中x，n分別代表原始圖像和加性噪聲，圖像去噪問題等價于使式(11)所示目標(biāo)函數(shù)最小的優(yōu)化問題。

(11)

其中，λ為加權(quán)系數(shù)；W[m,n]為降低對邊緣像素平滑作用的權(quán)重矩陣，其對角線元素的值與邊緣強度成反比，非對角線元素值為零。對于式(11)的求解，Elad[11]證明可在Jacobi 算法下的單步迭代過程中得以完成。于是假定初始輸入為x=y，經(jīng)過一次Jacobi迭代后，可求得最小化目標(biāo)函數(shù)F(x)的解：

(12)

其中，M(y)/2為黑塞矩陣的主對角化陣。由式(12)看出對于圖像去噪的最優(yōu)化問題可以通過設(shè)計一個濾波器操作算子

(I-Dm,n)]

將其與轉(zhuǎn)換圖像y相乘來進行求解。文獻(xiàn)[11]將權(quán)重系數(shù)矩陣W[m,n]設(shè)計為

(13)

其中,x(k,l)為去噪后當(dāng)前像素，構(gòu)造雙邊濾波器：

a(m,n,k,l)=

(15)

其中，Z(k,l)為歸一化項；σR，σS分別為在像素特征值域和空間域濾波時高斯函數(shù)的標(biāo)準(zhǔn)差。由上可知，雙邊濾波具有良好去噪保邊特性的原因就在于，它同時考慮了鄰域內(nèi)像素點的特征值相似度信息和空間鄰近度信息，對鄰域中特征值相似和距離接近的像素賦予較大權(quán)重，否則賦予較小權(quán)重，共同參與約束獲得窗口中心(待處理像素)的像素值。

4 基于雙邊濾波的去霧與同步去噪

4.1 粗略透射率優(yōu)化

其中雙邊濾波器為

α(m,n,k,l)=

Z(k,l)為所有權(quán)重的歸一化；b和δ的合適取值范圍為b∈[0.5,1]和δ∈[0.04,0.06]。

4.2 去霧復(fù)原與同步去噪

文獻(xiàn)[3]在得到大氣光A以及優(yōu)化透射率t后，直接代入大氣散射模型求得去霧圖像，即有：

(17)

其中t0是透射率下限值。由于煤礦霧塵圖像本身通常伴隨大量噪聲，因此希望在去霧的同時能夠有效去除圖像中的隨機噪聲。顯然，直接采用式(17)無法滿足煤礦霧塵圖像去霧去噪的實際需求。

(18)

求解采用高斯雙邊濾波器來完成，其具體形式為

(19)

其中雙邊濾波器為

α(m,n,k,l)=

(20)

綜上所述，本文所提去霧復(fù)原及同步去噪算法流程如圖3所示。

圖3 去霧除塵原及同步去噪算法流程Fig.3 Algorithm flowchart of fog dust removal and simultaneous denoising

5 實驗結(jié)果及分析

為了驗證本文算法的有效性，對取自山東兗州興隆莊煤礦的多組監(jiān)控視頻圖像進行了處理。如圖4所示，原圖受霧塵噪聲的影響場景模糊不清，經(jīng)過本文算法處理后圖像景物輪廓清晰、對比度得到明顯提高、整體顏色自然，都能有效去除圖像中霧塵的作用，有助于提高整個視頻監(jiān)控系統(tǒng)的檢測和識別能力。

進一步分別從復(fù)原效果、算法運行時間、復(fù)原圖像清晰度綜合評價等多個方面，來對本文算法與幾種常見算法進行比較分析[13]。圖5(a)是一幅煤礦霧塵圖像且伴有較強的圖像噪聲，圖5(b)是采用He算法得到的去霧結(jié)果，在局部區(qū)域出現(xiàn)了明顯的噪聲增強現(xiàn)象。 圖5(c)是采用文獻(xiàn)[10]中的Tan算法處理的結(jié)果，其中圖像細(xì)節(jié)恢復(fù)并不清晰、顏色過飽和，且原圖所帶噪聲同樣存在被放大的跡象。圖5(d)是利用本文算法得到的復(fù)原圖像，能較好地分辨出圖像細(xì)節(jié)信息且色彩自然，并對原圖中的噪聲進行了有效去除。

圖4 基于暗原色先驗與雙邊濾波的去霧除塵過程Fig.4 Fog dust removal based on dark channel prior and bilateral filter

圖5 強噪聲霧塵圖像去霧結(jié)果比較Fig.5 Dehazing comparison of fog images with strong noise

表1給出圖4(a)、圖5(a)所示霧塵圖像在不同算法處理下運行時間的對比[14]。由表1看出從運行速度上本文算法具有很強的優(yōu)勢，可以滿足實際的應(yīng)用需求。為了客觀評價算法的去霧效果，本文還從圖像清晰度的角度對復(fù)原圖像進行定量比較。采用一種綜合評價方法，選取3類典型指標(biāo)——方差、信息熵和平方梯度[15]，將各指標(biāo)具體數(shù)值和相應(yīng)指標(biāo)權(quán)重的乘積作為圖像清晰度的綜合評價結(jié)果，分值越大表明圖像清晰度越高。對圖5(a)采用各種算法處理得到的去霧結(jié)果進行上述計算(其中方差、平方梯度和信息熵的權(quán)重分別為30%,30%和40%)，評價結(jié)果比較見表2。數(shù)據(jù)證明本文算法很好地恢復(fù)了圖像的細(xì)節(jié)信息，很大程度上提高了霧塵圖像的清晰度，與其他算法相比具有更好的視覺效果。

表1算法運行時間的比較
Table1Comparisonofalgorithmrunningtimes

圖像名稱本文算法He算法Tarel算法Tan算法Fattal算法圖4(a)上圖3 69412 6255 98717 33218 663圖4(a)中圖3 12511 5325 33916 22817 523圖4(a)下圖4 09714 0006 24519 34120 714圖5(a)5 03717 1257 19622 42123 752

表2復(fù)原結(jié)果清晰度評價比較
Table2Comparisonofclarityevaluationofdehazingresults

評價指標(biāo)本文算法He算法Tarel算法Tan算法Fattal算法δ288 14277 50469 75879 11676 342GMG86 63179 63962 11179 02180 119f90 80180 01270 21775 21678 012綜合評價88 75279 14867 64877 52878 143

6 結(jié) 論

為了確保煤礦智能視頻監(jiān)控中隨機噪聲情況下霧塵圖像復(fù)原的圖像質(zhì)量，給后續(xù)視頻圖像處理提供清晰可靠的基礎(chǔ)，本文提出了一種圖像去霧除塵與同步去噪的算法。利用He等提出的暗原色先驗知識，求解大氣光參數(shù)以及估計粗略透射圖。并在估計過程中添加修正項，保證了圖像明亮區(qū)域的透射率不會出現(xiàn)過小偏差。采用簡單高效的雙邊濾波操作，完成粗略透射圖的優(yōu)化和復(fù)原去噪圖像的求取。多組對比實驗結(jié)果表明，本文算法具有很高的運行效率，且復(fù)原圖像細(xì)節(jié)豐富、色彩真實，能夠滿足煤礦智能視頻監(jiān)控系統(tǒng)的實際需求。

[1] 孫繼平,陳 偉,王福增,等.礦井監(jiān)控圖像中空列車的識別[J].中國礦業(yè)大學(xué)學(xué)報，2007,36(5):597-602. Sun Jiping,Chen Wei,Wang Fuzeng,et al.Recognizing empty trains in coalmine surveillance images[J].Journal of China University of Mining & Technology,2007,36(5):597-602.

[2] 曾康生,胡乃聯(lián),程為民,等.綜放工作面濕潤劑噴霧降塵機理及高效降塵濕潤劑的試驗[J].煤炭學(xué)報，2009,34(12):1675-1680. Zeng Kangsheng,Hu Nailian,Cheng Weimin,et al.Dedusting mechanism by water-cloud of wetting agents and the relevant tests for fully-mechanized and roof caving coal face[J].Journal of China Coal Society,2009,34(12):1675-1680.

[3] He K,Sun J,Tang X.Single image haze removal using dark channel prior[A].IEEE Conference on Computer Vision and Pattern Recognition[C].Miami:IEEE Computer Society,2009:1956-1963.

[4] Narasimhan S G,Nayar S K.Interactive weathering of an image using physical models[A].ICCV Workshop on Color and Photometric Methods in Computer Vision[C].Nice,France:IEEE Computer Society,2003:1387-1394.

[5] 嵇曉強,戴 明,尹傳歷,等.航拍降質(zhì)圖像的去霧處理[J].光學(xué)精密工程,2011,19(7):1659-1666. Ji Xiaoqiang,Dai Ming,Yin Chuanli,et al.Haze removal for aerial degraded images[J].Optics and Precision Engineering,2011,19(7):1659-1666.

[6] Liu Chongliang,Jin Wei,Chen Yan,et al.A self-adaptive nonuniformity correction algorithm for infrared images combined with two-point correction along the rim[A].2010International Computer Symposium[C].Tainan:IEEE Computer Society,2010:240-245.

[7] 王多超,王永國,董雪梅,等.貝葉斯框架下的單幅圖像去霧算法[J].計算機輔助設(shè)計與圖形學(xué)學(xué)報,2010,22(10):1756-1761. Wang Duochao,Wang Yongguo,Dong Xuemei,et al.Single image dehazing based on bayesian framework[J].Journal of Computer-Aided Design & Computer Graphics,2010,22(10):1756-1761.

[8] 胡學(xué)友.霧天降質(zhì)圖像的增強復(fù)原算法研究[D].合肥：安徽大學(xué),2011. Hu Xueyou.Enhancement and restoration algorithms for fog-degraded images[D].Hefei:Anhui University,2011.

[9] 王時震，萬惠瓊，曾令沙，等.應(yīng)用暗原色先驗規(guī)律的遙感影像去霧技術(shù)[J].測繪科學(xué)技術(shù)學(xué)報,2011,28(3):182-188. Wang Shizhen,Wan Huiqiong,Zeng Lingsha,et al.Haze removal methods of remote sensing image using dark channel prior[J].Journal of Geomatics Science and Technology,2011,28(3):182-188.

[10] Michael Elad.On the bilateral filter and ways to improve it[J].IEEE Trans.on Image Processing,2002,11(10):1141-1151.

[11] Michael Elad.Retinex by two bilateral filters[A].Proceedings of the Scale-Space Conference[C].Hofgeismar,Germany:IEEE Computer Society,2005:217-229.

[12] Petschning,Agrawala,Hoppe,et al.Digital photography with flash and no-flash image pairs[J].ACM Trans.on Graphics,2004,23(3):664-672.

[13] Tan R.Visibility in bad weather from a single image[A].Proceedings of IEEE CVPR[C].Anchorage,Alaska:IEEE Computer Society,2008:1-8.

[14] 胡 偉,袁國棟,董 朝,等.基于暗通道優(yōu)先的單幅圖像去霧新方法[J].計算機研究與發(fā)展,2010,47(12):2132-2139. Hu Wei,Yuan Guodong,Dong Zhao,et al.Improved single image dehazing using dark channel prior[J].Journal of Computer Research and Development,2010,47(12):2132-2139.

[15] 方 帥,王 勇,曹 洋,等.單幅霧天圖像復(fù)原[J].電子學(xué)報,2010,38(10):2279-2284. Fang Shuai,Wang Yong,Cao Yang,et al.Restoration of image degraded by haze[J].Acta Electronica Sinica,2010,38(10):2279-2284.

Clearingresearchonfoganddustimagesincoalmineintelligentvideosurveillance

ZHANG Xie-hua1,2,ZHANG Shen2,3,FANG Shuai4,CAO Yang5

(1.ModernEducationTechnologyCenter,JiangsuNormalUniversity,Xuzhou221116,China;2.SchoolofInformationElectronicandEngineeringInstitute,ChinaUniversityofMining&Technology,Xuzhou221008,China;3.IoTPerceptionMineResearchCenter,ChinaUniversityofMining&Technology,Xuzhou221008,China;4.CollegeofComputerandInformation,HefeiUniversityofTechnology,Hefei230009,China;5.DepartmentofAutomation,UniversityofScienceandTechnologyofChina,Hefei230027,China)

There are many fog and dust images with much random noise in coalmine intelligent video surveillance.Therefore,the image degradation has seriously affected the subsequent video image processing.In this paper,an algorithm based on dark channel prior and bilateral filter was proposed which can realize fog and noise simultaneously removing.By combining the atmospheric scattering model,the degradation model of fog and dust images was established.Considering the characteristics of fog images,the methods and procedures for estimating the air light and rough transmittance were designed using the dark channel prior.By analyzing the optimization requirement of the rough transmission map and the bilateral filter characteristic,a joint bilateral filter was introduced for quickly obtaining the fine transmission map.The regularization objective function was constructed on the image degradation model.By solving a converted image and Gaussian bilateral filtering the image,fog and dust removal and simultaneously denoising were realized.Experimental results verify that the proposed algorithm is effective which computational efficiency is greatly improved compared with various restoration algorithms.Because of good restoring quality the algorithm is suitable for the environment of coalmine intelligent video surveillance.

fog and dust images restoring;simultaneously denoising;dark channel prior(DCP);bilateral filter

10.13225/j.cnki.jccs.2013.0150

國家自然科學(xué)基金資助項目(60705015)

張謝華(1977—)，女，安徽宿松人，副教授。E-mail:xuzhouzxhyt@163.com。通訊作者：張 申(1957—)，男，江蘇興化人，教授。 E-mail:yunnan05@tom.com

TD714；TP391.41

A

0253-9993(2014)01-0198-07

張謝華，張 申，方 帥，等.煤礦智能視頻監(jiān)控中霧塵圖像的清晰化研究[J].煤炭學(xué)報,2014,39(1):198-204.

Zhang Xiehua,Zhang Shen,Fang Shuai,et al.Clearing research on fog and dust images in coalmine intelligent video surveillance[J].Journal of China Coal Society,2014,39(1):198-204.doi:10.13225/j.cnki.jccs.2013.0150