改进的暗通道去雾算法在多核DSP上的并行实现

改进的暗通道去雾算法在多核DSP上的并行实现 Parallel Implementation of Improved Dark Channel Defogging Algorithm on Multi-Cores DSP 1 first-author 匡娇娇，女，硕士生，现从事图像处理及深度学习研究. E-mail:1441904970@qq.com 匡娇娇，女，硕士生，现从事图像处理及深度学习研究. E-mail: 1441904970@qq.com 1441904970@qq.com 2 1 1 1 corresp 邹炼，E-mail:zoulian@whu.edu.cn 邹炼，E-mail:zoulian@whu.edu.cn zoulian@whu.edu.cn 武汉大学 电子信息学院，湖北 武汉 430072 武汉大学 电子信息学院，湖北 武汉 430072 School of Electronic Information, Wuhan University, Wuhan 430072, Hubei, China School of Electronic Information, Wuhan University, Wuhan 430072, Hubei, China 上海航天电子技术研究所，上海 201109 上海航天电子技术研究所，上海 201109 Shanghai Aerospace Institute of Electronic Technology, Shanghai 201109, China Shanghai Aerospace Institute of Electronic Technology, Shanghai 201109, China 为提高雾天拍摄图像的质量，本文在暗通道先验去雾算法的基础上，提出了一种改进算法.首先，用引导滤波替代软抠图对透射率进行优化，降低了算法的复杂度，易于在多核TMS320C6678上并行实现；其次，对明亮区域的透射率进行优化使复原图像的色彩失真得到明显改善.改进算法无论是对自然光图像，还是遥感图像都有相当好的去雾效果.对一系列含雾图像的实验表明，改进算法在TMS320C6678上八核并行实现，当DSP内核工作主频为1 GHz时，单幅像素为600×800、1 200×1 600、1 800×2 400的图像的运行时间分别为38.21、154.22、347.18 ms，并行效率最高达7.35，满足实时复原含雾图像的要求，提高了图像的呈现质量，为视频去雾处理打下了良好基础. In order to improve the quality of the images in fog days, an improved algorithm is proposed based on the dark channel prior defogging algorithm. Firstly, optimize the transmission with the bootstrap filter instead of soft matting, reducing the complexity of the algorithm; Secondly, the optimization of the transmission on the bright region has been significantly improved the color distortion of the restoration image. This improved algorithm has a good effect on the natural light images and the remote sensing images. The improved algorithm is successful parallel operating in the TMS320C6678 platform with eight cores after a series of verification experiments on fog images. The DSP core sets its dominate frequency at 1GHz and the running time is 38.21, 154.22 and 347.18 ms in the case that the pixels of images are 600×800, 1 200×1 600 and 1 800×2 400, respectively. The parallel efficiency is up to 7.35 at this moment. The implementation of algorithm in this paper which improved the quality of images and laid a good foundation for video defogging. 暗通道先验去雾 引导滤波 TMS320C6678 并行实现 dark channel prior defogging guided filtering TMS320C6678 parallel implementation 引言 1 图像不仅是对自然景物的客观表示，也是人在获取视觉信息时采取的最主要方式.在能见度低的雾天条件下，户外计算机采集的图像与在晴朗条件下采集的图像相比，图像质量有一定程度的下降，直接影响到户外视觉系统的工作效率，如户外监控系统和卫星遥感监测等.因此，图像去雾在机器视觉和图像处理领域占有极其重要的地位.He等人 [ 1 1 ] 提出的暗通道先验去雾算法与Tan方法 [ 2 2 ] 、Fattal方法 [ 3 3 ] 相比，去雾效果更佳，被公认为当前去雾效果最好的算法之一 [ 4 4 ] .Tarel方法 [ 5 5 ] 也是对He方法做了改进，但在部分情况下会导致图像失真.暗通道去雾算法不仅用于自然光图像，而且对遥感图像处理也有极佳的效果 [ 6 6 ] .TMS320C6678是TI公司推出的一款基于KeyStone多核架构的高性能数字信号处理器(digital signal processor, DSP)，集成了8个C66x的内核，同时支持定点和浮点运算，具有类型丰富的高速外设接口，可灵活地同各种设备进行数据传输 [ 7 7 ] ，满足去雾算法并行实现的要求.本文用引导滤波替代软抠图对暗通道去雾算法进行优化，并对明亮区域透射率做修正以降低色彩失真度，并在TMS320C6678上并行实现. 暗通道先验去雾算法及其改进 1 大气散射物理模型 2 大气散射物理模型是McCartney [ 8 8 ] 在1976年基于米氏散射理论提出的，是恢复雾天图像最重要的理论依据.通过对上述模型进行改进，目前被广泛使用的雾天图像退化模型如下： http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458489&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458489&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458489&type=middle 其中， I ( x )是含雾图像， J ( x )是无雾图像； t ( x )是透射率，反映光线穿透雾的能力大小； A 代表大气光强度，是一个常向量. 暗通道先验去雾算法 2 文献[ 1 1 ]提出的暗通道先验规律认为，对于晴天拍摄的户外无雾图像，在绝大部分不包含天空的区域，至少存在某一颜色通道强度值很低的像素区域，这些区域的暗通道值都非常低，接近于0. 一幅图像J的暗通道可以表示为： http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458494&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458494&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458494&type=middle 其中， J c 是 J 的某一颜色通道， Ω ( x )是一个以 x 为中心的邻域块. 含雾图像的暗通道比无雾图像的暗通道更亮，故含雾图像的暗通道图可近似反映雾分布的厚薄程度，即可先在图像的暗通道中选出最亮的0.1%像素点的位置，再在含雾图像的这些位置中找到亮度最大的像素点，估计出大气光，避免纯白物体干扰. 透射率的估计及改进和优化 2 1)透射率估计 用 A c 对(1)式中的每个颜色通道归一化，其中 A c 为所属颜色通道的大气光强度.在某非天空区域以 x 为中心的邻域块 Ω ( x ), 透射率为 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458571&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458571&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458571&type=middle ( x )，对其两端计算暗通道，透射率公式为： http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458499&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458499&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458499&type=middle 天空区域的亮度接近大气光，其暗通道应趋近1，故 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458571&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458571&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458571&type=middle →0.通常天空被认为在无穷远处，设天空区域的透射率趋近于0，故仍可用(3)式来求天空区域透射率. 为了还原图像的真实感，引入一个控制参数 ω (0 < ω < 1)，代入(3)式中，即： http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458503&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458503&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458503&type=middle 调整(4)式中的控制参数 ω 来改善图像中雾的保留程度，本文中的所有处理都设定 ω =0.95. 2)透射率的改进和优化 经粗略透射率对含雾图像进行复原后会有“光晕”现象.由于用软抠图对透射率进行优化的时间复杂度为 O ( n 2 )，需要的存储空间较大，且计算复杂，不适合在 TMS320C6678 上并行实现，故用引导滤波替代软抠图对透射率进行优化. 引导滤波 [ 9 9 ] 中的参考图像 I 为引导目标， p 是输入图像， q 是关于 I 的局部线性变换得到的输出图像： http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458507&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458507&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458507&type=middle 其中， a k 、b k 是线性系数， ω k 为局部邻域，▽ q = a ▽ I ，即输出图像同参考图像的边缘重合，使得优化后图像景物的轮廓更加清晰，输出图像和输入图像的最小代价函数为： http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458513&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458513&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458513&type=middle 其中，引入变量 ε 为防止 a k 过大，对(6)式求解得到： http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458519&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458519&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458519&type=middle 其中， μ k 、 σ k 2 分别是参考图像 I 在 ω k 窗口内的均值和方差，丨 ω 丨是 P k 窗口包含像素数目， P k 是图像 p 在 ω k 窗口内的均值. 对于每个像素点，输出图像 q 和参考图像 I 的最终关系如下: http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458524&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458524&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458524&type=middle 图 1 图 1 和 图 2 图 2 分别为自然光图像和遥感图像在使用引导滤波和软抠图算法进行透射率优化的结果对比图.由于求暗通道和透射率的估计与优化都是对局部域的操作，因此可将图像采用分块的方式对其并行化，并保留一定的重叠区域.从计算过程来看， a k 、b k 、q i 都是和图像像素尺寸相同的矩阵，故引导滤波的空间复杂度为 O ( n ).由 图 1 图 1 和 图 2 图 2 可知，对于可见光图像，用引导滤波能达到与软抠图算法相当的视觉效果，计算过程更简单，且对内存的要求大大降低，易在DSP上并行实现.对于遥感图像两种方法效果稍有不同，软抠图算法的处理结果稍细腻. (a)粗透射率; (b)软抠图; (c)引导滤波 (a) Coarse transmission; (b) Soft matting optimization; (c) Guided filtering optimization (a)粗透射率; (b)软抠图; (c)引导滤波 (a) Coarse transmission; (b) Soft matting optimization; (c) Guided filtering optimization 天空等明亮区域在复原图像中可能会出现色彩失真，如 图 3 图 3 所示.在计算这些明亮区域的透射率时，需加以修正，故引入一个阈值 K .当图像中某点的像素值与大气光之间的差比阈值小时，认为属于明亮区域，需要修正该点的透射率；当图像中点的像素值与大气光的差比阈值大时，认为是非明亮区域，不需要修正，透射率计算公式如下: http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458536&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458536&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458536&type=middle (a)修正前; (b)修正后 (a) Before correction; (b) The revised 算法的并行实现及优化 1 算法在TMS320C6678上的实现 2 TMS320C6678包含多个处理内核，对DSP上算法的并行实现，要求将应用程序映射到多核处理器上充分利用到各个内核，发挥多核优势 [ 10 10 ] .选择一种合适的模型是多核并行实现的第一步.本文选用主从模型来对去雾算法并行化，其特点是集中控制、分布式执行.如何高效完成主从核之间的通信与同步，是实现算法高效并行化的关键. 1)算法并行实现 算法并行实现流程如 图 4 图 4 所示.首先用SYS/BIOS操作系统进行任务调度，并用IPC (inter-process communication)中的MessageQ模块实现核间通信.然后采用同步数组进行核间同步，并使用EDMA3(enhanced direct memory access)进行核间数据传输，有效缩短求大气光的耗时，遵守原始算法中求大气光的过程，使其结果同PC机上一致. 算法流程具体描述如下：第一步，各核初始化后，程序进入main ()函数，并创建好各自的任务.第二步，主函数先调用IPC_start ()函数，让各核同步并关联，再调用BIOS_start ()函数进入SYS/BIOS操作系统.第三步，待各核创建完消息队列后，通过消息队列进行核间通信.第四步，传递完地址信息后，由主核配置EDMA3，通过EDMA3将原始数据分成八块分发给其他各核，并保留一定的重叠区域.第五步，各内核分别对其负责的图像块求取暗通道，并计算出大气光.第六步，主核选取各核中大气光最亮的值作为最终的大气光强度.第七步，各内核分别利用该大气光来计算透射率，并对其进行优化和修正，再对图像结果进行复原.最后，在以上各步骤完成后，由主核整合所有结果并得到最终去雾图像. 为了使同一应用程序适用于尺寸不同的输入图像，将图像数据及中间结果全部放在DDR3 SRAM中缓存.将L1D (第1级数据cache)、L1P (第1级程序cache)和L2(程序和数据共享的第2级存储器)全部分配为缓存cache；将MSM SRAM中的2MB内存分配为共享存储区SharedRegion，剩下的2 MB都分给8个核，并把Code Memory、Data Memory和Stack Memory都放在其中.在主核分发和整合数据时，使用EDMA3来进行数据的转移.当单独使用EDMA3或仅使用高速缓存时，程序不会出错误，但EDMA3和高速缓存同时使用时，就会存在缓存一致性的问题. 2)核间通信的实现 由于本文采用多镜像方案，不同的核编写的应用程序不同.在主核通过EDMA3搬移原始数据给各从核之前，必须知道各从核中存放原始数据的数组分配在哪个地址，因此需要进行核间通信.核间通信使用IPC中的MessageQ方案，并通过消息队列将一些数据存放的地址告知给其他核. 为实现主从核之间的通信，在.cfg文件中使用IPC、MessageQ、MultiProc、HeapBufMP、SharedRegion模块，并合理配置.如 图 5 图 5 所示，首先，用MessageQ_create ()和MessageQ_open ()函数分别创建和打开消息队列.其次，用MessageQ_alloc ()函数分配消息队列，并用MessageQ_put ()函数发送消息队列.再次，用MessageQ_get ()函数接收消息队列，用MessageQ_close ()函数关闭消息队列.最后，用MessageQ_delete ()函数删除各自创建的消息队列. 3)核间同步的实现 核间同步目的是等待有效数据，保证程序执行的先后顺序和内核间的同步.核间同步采用共享变量方式，在共享内存中分配一个长度和核数相同的数组array[8]，其中，array[0]对应核0的状态，array[1]对应核1的状态.由于同步数组放在共享内存中也会存在缓存一致性问题.因此，使用互斥量来解决这些问题，即每次只允许一个内核访问该同步数组. 算法代码优化 2 优化是DSP软件开发工作中极其重要的一步，优化后程序的运行速度可达到未经优化的几十甚至上百倍.本文主要采用以下几种优化方法. 1)合理选取数据类型 在保证数据不会溢出的情况下，图像数据使用unsigned char类型可以减少计算过程所需的指令周期.循环计数器使用int类型，可以避免一些不必要的符号扩展指令. 2)设置编译器的优化选项 编译器自动进行一些优化可提高程序运行速度.例如对程序开启了-O3级优化，它会自动帮助程序进行软件流水、循环展开、内联小的函数等操作. 3)循环展开和循环计数器 面对多重循环时，增加并行执行的指令数，通过修改代码，按照从右至左、从下至上累加方式，将循环计数器改为递减形式. 4)除法运算的优化 DSP内部集成有专用的乘法器，执行乘法运算的速度相当快，因此DSP需要将除法运算转为乘法运算.在对含雾图像复原时，RGB三通道均需除以透射率.首先将透射率的求倒数操作单独提取出来，程序由需做3次除法运算变为只需做1次除法运算，时间缩短至1/3.然后使用_rcpsp ()函数进行求倒数的运算，时间在上面的基础上又缩短至1/7，故总运行时间缩短至原来的1/21. 结果分析 1 算法去雾效果分析 2 图像去雾效果的客观评价方法中，最具代表性的是由Nicolas Hautiere在对数图像处理模型基础上提出的可见边梯度法 [ 11 11 ] .该方法根据以下指标来评价图像的去雾效果：新增可见边缘数目比( e )、平均梯度比( r )和饱和像素点比( σ ). e 和 r 分别反映了算法对图像细节和对比度的提升能力， σ 间接反映了图像的色彩失真程度. 去雾算法的理想效果是在不丢失图像细节信息的同时，最大化地提高图像的对比度，降低色彩失真程度.因此，当e值和值越大，σ值越小，表明该算法的去雾效果越好.本文处理了90张自然光图像和60张遥感图像, 各选一张，结果见 表 1 表 1 和 图 6 图 6 ，可知改进算法的去雾效果同He方法 [ 1 1 ] 相比效果更佳. 图像 去雾方法 e r σ /% 自然光 He算法 0.364 4 1.579 1 0.000 4 图像 改进算法 0.368 7 1.602 0 0 2 遥感图像 He算法 0.034 8 1.642 3 0.191 1 改进算法 0.083 2 1.582 1 0.056 4 (a), (b)原图; (c), (d) He方法; (e), (f)改进算法 (a), (b) Original images; (c), (d) He's method; (e), (f) Our method DSP与PC上结果的相似度比较 2 由于取值精度不同，或者DSP自身优化方法的关系，大气光的计算结果稍有不同，得到DSP和PC机上去雾算法的结果并不是完全一致.因此，选择均方误差(MSE)和峰值信噪比(PSNR)这两个指标来衡量两者之间的相似度，其计算公式如下： http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458556&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458556&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4458556&type=middle 其中， M、N 为图像像素对应的长和宽， f ( m, n )、 f ′( m, n )分别是PC机和DSP得到的结果图像在( m, n )处的像素值， k 是图像的位深.当MSN越小、PSNR越大时，两者相似度越接近. 由 表 2 表 2 可知，在PC机和DSP上的处理结果比较接近，两者的均方误差基本上都控制在3以内.其中, 遥感图像处理效果不及自然光图像.从视觉效果上，DSP上的去雾效果同PC机上的去雾效果相当，如 图 7 图 7 所示. 图像 MSE PSNR/dB 自然光图像 0.798 1 49.110 2 遥感图像 2.785 9 43.681 1 (a), (b)原图; (c), (d) DSP复原; (e), (f) PC机复原 (a), (b) Original images; (c), (d) DSP recovery; (e), (f) PC machine recovery 算法实现的耗时和并行性能分析 2 本文算法在TMS320C6678上去雾算法的并行实现，提高了算法运行效率.当DSP内核工作主频为1GHZ时，处理像素为600×400的图像，改进算法在单核情况下的运行周期是119.87 ms，文献[ 12 12 ]的整个算法运行周期为193.27 ms，故本文算法运行效率更高.与单核实现相比，八核并行实现的运行周期为19.62 ms，故多核并行实现的运行效率更高.如 图 8 图 8 所示，本文方法同文献[ 12 12 ]中方法相比，不仅在运行速度上有很大优势，视觉效果上也更好. (a)原图; (b)文献[ 12 12 ]; (c)本文 (a) Original image; (b) Result of Ref.[ 12 12 ]; (c) Our result 衡量程序并行性能的指标主要有加速比和并行效率 [ 13 13 ] ，加速比越接近于核数且并行效率越接近于1，表明程序的并行性能越好. 表 3 表 3 列出了单核、四核、八核处理同一幅图所需的时间、加速比和并行效率.随着图像像素的增大，算法在八核并行条件下并行效率接近1，加速比最高达7.35. 图像尺寸 核数 耗时/ms 加速比 并行效率/% 单核 261.88 1 100 600×800 四核 70.06 3.74 93.5 八核 38.21 6.85 85.7 单核 1 103.09 1 100 1 200×1 600 四核 296.77 3.72 92.9 八核 154.22 7.15 89.4 单核 2 552.94 1 100 1 800×2 400 四核 674.45 3.79 94.6 八核 347.18 7.35 91.9 结论 1 本文深入研究了暗通道先验去雾算法，通过用引导滤波替代软抠图，使算法的空间复杂度由 O ( n 2 )降低为 O ( n )，更易于移植到TMS320C6678平台上多核并行实现及优化.对明亮区域的图像去雾处理做的优化，有效改善了复原图像的色彩失真现象.改进算法不仅适合于普通可见光图像去雾处理，对遥感图像去雾也有极佳的效果.改进算法在TMS320C6678上的并行实现，基本达到实时去雾标准，为雾天视频监控系统打下良好基础，为提高雾天户外监控系统和遥感监测的工作效率和质量提供有利参考. 参考文献 HE K, SUN J, TANG X. Single image haze removal using dark channel prior[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(12):2341-2353. TAN R T. Visibility in bad weather from a single Image[C]//Computer Vision and Pattern Recognition, 2008. New York: IEEE Press, 2008:1-8. FATTAL R. Single image dehazing[J].ACM. transactions on graphics (TOG), 2008, 27(3): 1-9. 郭璠, 蔡自兴, 谢斌, 等.图像去雾技术研究综述与展望[J].计算机应用, 2010, 30(9): 2417-2421. GUO P, CAI Z X, XIE B, et al. Survey and Prospect of image dehazing technology[J].Compute Application, 2010, 30(9): 2417-2421(Ch). TAREL J, HAUTIERE N. Fast visibility restoration from a single color or gray level image [J].Computer Vision, 2009 IEEE 12th International Conference on, 2009, 30(2):2201-2208. XIONG Y Q, YAN H, YU C. Algorithm of removing thin cloud-fog cover from single remote sensing image[J].Journal of Information & Computational Science>, 2014, 11(3):817-824. 杨方.基于TMS320C6678的多核DSP并行处理应用技术研究[D].北京:北京理工大学, 2014. http://cdmd.cnki.com.cn/Article/CDMD-10007-1014086969.htm YANG F. Study on Multi-core DSP Parallel Processing Technology Based on TMS320C6678 [D]. Bei jing:Beijing Institute of Technology University, 2014(Ch). MCCARTNEY E J. Optics of the atmosphere: Scattering by molecules and particles [J].IEEE Journal of Quantum Electronics, 1978, 14(9):698-699. HE K, SUN J, TANG X. Guided Image Filtering[J].Lecture Notes in Computer Science, 2010, 35(6):1397-1409. 牛金海. TMS320C66x KeyStone架构多核DSP入门与实例精解[M].上海:上海交通大学出版社, 2014: 85. NIU J H. TMS320C66x KeyStone Architecture Multi-Core DSP Introduction and Example [M]. Shanghai: Publishing House of Shanghai Jiaotong University, 2014:85(Ch). HAUTIERE N, TAREL J P, AUBERT D, et al. Blind contrast enhancement assessment by gradient rationing at visible edges [J].Image Analysis and Stereology Journal, 2008, 27(2): 87-95. 廖伟.基于多核DSP的实时图像增强显示硬件系统实现[D].成都:中国科学院研究生院(光电技术研究所), 2014. http://www.cnki.com.cn/Article/CJFDTOTAL-YJYS201306038.htm LIAO W. Hardware Implementation of Real-time Image Enhancement and Display System Based on multicore DSP[D]. Chengdu:University of Chinese Academy of Sciences (Institute of Optics and Electronics), 2014(Ch). 谢子光.多核处理器核间通信技术研究[D].成都:电子科技大学, 2009. http://cdmd.cnki.com.cn/Article/CDMD-10614-2009166292.htm XIE Z G. Research on Inter Processor Communication Technology[D].Chengdu:University of Electronic Science and Technology, 2009(Ch). 10.14188/j.1671-8836.2016.06.005 TN914.41 whdxxblxb-62-6-519 国家自然科学基金(61501334)资助项目 2015-12-29 2016-12-24 2020-12-09 版权所有© 2016 《武汉大学学报(理学版)》编辑部 Copyright © 2016 Journal of Wuhan University (Natural Science Edition). All rights reserved. 2016 武汉大学学报(理学版) 6 62