基于多尺度知识学习的深度鲁棒水印算法

doi:10.11772/j.issn.1001-9081.2021050737

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (10): 3102-3110.DOI: 10.11772/j.issn.1001-9081.2021050737

• 网络空间安全 • 上一篇

基于多尺度知识学习的深度鲁棒水印算法

樊缤, 李智, 高健

贵州大学计算机科学与技术学院，贵阳 550025

收稿日期:2021-05-10 修回日期:2021-09-16 接受日期:2021-10-12 发布日期:2021-09-16 出版日期:2022-10-10
通讯作者: 李智
作者简介:第一联系人：樊缤（1996—），男，贵州遵义人，硕士研究生，主要研究方向：水印算法、计算机视觉、医学影像分析
李智（1977—），女，贵州贵阳人，教授，博士，CCF会员，主要研究方向：信息隐藏、人工智能、医学影像分析、图像与视频分析；1392589@qq.com
高健（1993—），男，山西大同人，硕士研究生，主要研究方向：信息隐藏、医学影像分析。
基金资助:
国家自然科学基金资助项目(62062023);贵州省科技计划项目（ZK［2021］?YB314）

Deep robust watermarking algorithm based on multiscale knowledge learning

Bin FAN, Zhi LI, Jian GAO

College of Computer Science and Technology，Guizhou University，Guiyang Guizhou 550025，China

Received:2021-05-10 Revised:2021-09-16 Accepted:2021-10-12 Online:2021-09-16 Published:2022-10-10
Contact: Zhi LI
About author:FAN Bin， born in 1996， M. S. candidate. His research interests include watermarking algorithm， computer vision， medical image analysis.
LI Zhi， born in 1977， Ph. D. ， professor. Her research interests include information hiding， artificial intelligence， medical image analysis， image and video analysis.
GAO Jian，born in 1993， M. S. candidate. His research interests include information hiding， medical image analysis.
Supported by:
National Natural Science Foundation of China(62062023);Guizhou Science and Technology Program(ZK ［2021］-YB314)

摘要/Abstract

摘要：

针对现有基于深度学习框架的水印算法无法有效保护高维医学图像版权问题，提出一种基于多尺度知识学习的医学图像水印算法用于弥散加权图像的版权保护。首先，提出一个基于多尺度知识学习的水印嵌入网络来嵌入水印，并通过微调的预训练网络提取弥散加权图像的语义、纹理、边缘以及频域信息作为多尺度的知识特征；然后，结合多尺度的知识特征来重构弥散加权图像，并在该过程中冗余地嵌入水印，从而获得视觉上与原始图像高度相似的含水印的弥散加权图像；最后，提出一个基于金字塔特征学习的水印提取网络，并通过在含有水印的弥散加权图像的不同尺度的上下文中学习水印信号的分布相关性来提高算法的鲁棒性。实验结果表明，所提算法重构出的含水印图的平均峰值信噪比（PSNR）达到57.82 dB。由于弥散加权图像在转换为弥散张量图像时需满足一定的弥散性特征，所提算法仅8个像素点的主轴方向偏转角大于5°，且这8个像素点均不在图像的感兴趣区域。此外，该算法所得图像的各项异性（FA）以及平均弥散率（MD）都接近为0，完全满足临床诊断的要求；且面对裁剪强度小于0.7，旋转角度小于15°等常见的噪声攻击，该算法的水印正确率达到95%以上，能有效保护弥散加权图像的版权信息。

关键词: 鲁棒水印, 神经网络, 弥散加权图像, 多尺度特征, 知识学习, 迁移学习

Abstract:

Aiming at the problem that existing watermarking algorithms based on deep learning cannot effectively protect the copyright of high-dimensional medical images， a medical image watermarking algorithm based on multiscale knowledge learning was proposed for the copyright protection of diffusion-weighted images. First， a watermark embedding network based on multiscale knowledge learning was proposed to embed watermarks， and the semantic， texture， edge and frequency domain information of the diffusion-weighted image was extracted by a fine-tuned pre-training network as multiscale knowledge features. Then， the multiscale knowledge features were combined to reconstruct the diffusion-weighted image， and a watermark was embedded during the process redundantly to obtain a watermarked diffusion-weighted image highly similar to the original one visually. Finally， a watermark extraction network based on pyramid feature learning was proposed to improve the robustness of the algorithm by learning the distribution correlation of watermarking signals from different scales of context in the watermarked diffusion-weighted image. Experimental results show that the average Peak Signal-to-Noise Ratio （PSNR） of the reconstructed watermarked images by the proposed algorithm reaches 57.82 dB. Since diffusion-weighted images need to meet certain diffusivity features when converting to diffusion tensor images， the proposed algorithm only has 8 pixel points with the deflection angle of the principal axis direction greater than 5°， and none of these 8 pixel points is in the region of interest of the image. Besides， both of the Fraction Anisotropy （FA） and the Mean Diffusivity （MD） of the image generated by the proposed algorithm are close to 0， which fully meets the requirements of clinical diagnosis. At the same time， facing common noise attacks such as those with cropping strength less than 0.7 and rotation angle less than 15， the proposed algorithm achieves more than 95% watermarking accuracy and can effectively protect the copyright information of diffusion-weighted images.

Key words: robust watermarking, neural network, diffusion-weighted image, multiscale feature, knowledge learning, transfer learning

中图分类号:

TP309.7

樊缤, 李智, 高健. 基于多尺度知识学习的深度鲁棒水印算法[J]. 计算机应用, 2022, 42(10): 3102-3110.

Bin FAN, Zhi LI, Jian GAO. Deep robust watermarking algorithm based on multiscale knowledge learning[J]. Journal of Computer Applications, 2022, 42(10): 3102-3110.

图/表 15

图1 DWI图像数据结构

Fig. 1 Structure of DWI image data

图2 DWI图像的三种特征表示

Fig. 2 Three feature representations of DWI image

图3 基于多尺度知识学习的鲁棒水印算法流程

Fig. 3 Flow of robust watermarking algorithm based on multiscale knowledge learning

图4 基于多尺度知识学习的水印嵌入算法框架

Fig. 4 Framework of watermark embedding algorithm based on multiscale knowledge learning

图5 特征提取运算

Fig. 5 Feature extraction operation

图6 图像重构运算

Fig. 6 Image reconstruction operation

图7 水印提取网络框架

Fig. 7 Framework of watermark extraction network

图8 不同采样步长对应的扩张卷积感受野

Fig.8 Dilated convolution receptive fields corresponding to different sampling step lengths

图9 噪声攻击对比

Fig. 9 Comparison of noise attacks

表1 多尺度学习对图像视觉质量的影响

Tab. 1 Influence of multiscale learning on image visual quality

实验序号	多尺度采样	多尺度融合	平均PSNR/dB
1	无	无	46.12
2	有	无	46.82
3	有	有	48.17

表2 迁移学习对图像视觉质量的影响

Tab. 2 Influence of transfer learning on image visual quality

实验序号	预训练模型	通道数	平均PSNR/dB	参数量/10⁶
1		$64 ↗$	48.17	25.10
2	VGG16	$64 ↗$	53.44	27.20
3	DenseNet	$64 ↗$	52.32	39.70
4	SqueezeNet	$64 ↗$	52.25	13.20
5	ResNet18	$64 ↗$	54.20	45.20
6	VGG16	$64 →$	53.87	15.30
7	DenseNet	$64 →$	52.16	27.80
8	SqueezeNet	$64 →$	52.75	1.30
9	ResNet18	$64 →$	54.88	33.20
10	VGG16	$128 →$	54.17	17.10
11	DenseNet	$128 →$	49.08	29.60
12	SqueezeNet	$128 →$	50.66	3.10
13	ResNet18	$128 →$	50.58	35.00
14	VGG16	$64 ↘$	49.76	14.90
15	DenseNet	$64 ↘$	50.28	27.40
16	SqueezeNet	$64 ↘$	46.77	0.89
17	ResNet18	$64 ↘$	48.07	32.80

表2 迁移学习对图像视觉质量的影响

Tab. 2 Influence of transfer learning on image visual quality

实验序号	预训练模型	通道数	平均PSNR/dB	参数量/10⁶
1		$64 ↗$	48.17	25.10
2	VGG16	$64 ↗$	53.44	27.20
3	DenseNet	$64 ↗$	52.32	39.70
4	SqueezeNet	$64 ↗$	52.25	13.20
5	ResNet18	$64 ↗$	54.20	45.20
6	VGG16	$64 →$	53.87	15.30
7	DenseNet	$64 →$	52.16	27.80
8	SqueezeNet	$64 →$	52.75	1.30
9	ResNet18	$64 →$	54.88	33.20
10	VGG16	$128 →$	54.17	17.10
11	DenseNet	$128 →$	49.08	29.60
12	SqueezeNet	$128 →$	50.66	3.10
13	ResNet18	$128 →$	50.58	35.00
14	VGG16	$64 ↘$	49.76	14.90
15	DenseNet	$64 ↘$	50.28	27.40
16	SqueezeNet	$64 ↘$	46.77	0.89
17	ResNet18	$64 ↘$	48.07	32.80

表3 先验知识对图像视觉质量的影响

Tab. 3 Influence of prior knowledge on image visual quality

实验序号	先验知识	平均PSNR/dB
1		54.88
2	纹理	55.04
3	边缘	55.68
4	频域	55.14
5	纹理+边缘	56.43
6	纹理+频域	56.41
7	边缘+频域	57.00
8	纹理+边缘+频域	57.82

图10 重构图像的视觉质量比较

Fig. 10 Comparison of visual quality of reconstructed images

图11 水印鲁棒性对比

Fig. 11 Comparison of watermark robustness

图12 本文算法与HiDDeN算法的弥散性特征差异对比

Fig. 12 Comparison of diffusion of diffusivity features between the proposed algorithm and HiDDeN algorithm

参考文献 44

1	KHOOM M Y K， TYLER P A， SAIFUDDIN A， et al. Diffusion-Weighted Imaging （DWI） in musculoskeletal MRI： a critical review［J］. Skeletal Radiology， 2011， 40（6）： 665-681. 10.1007/s00256-011-1106-6
2	李琦，颜斌，陈娜，等. 基于单向预测误差扩展的三维医学图像可逆水印算法［J］. 计算机应用， 2019， 39（2）：483-487. 10.11772/j.issn.1001-9081.2018071471
	LI Q， YAN B， CHEN N， et al. 3D medical image reversible watermarking algorithm based on unidirectional prediction error expansion［J］. Journal of Computer Applications， 2019， 39（2）： 483-487. 10.11772/j.issn.1001-9081.2018071471
3	高海波，邓小鸿，陈志刚. 基于可逆可见水印的医学图像隐私保护算法［J］. 计算机应用， 2014， 34（1）：119-123， 157. 10.11772/j.issn.1001-9081.2014.01.0119
	GAO H B， DENG X H， CHEN Z G. Medical image privacy protection scheme based on reversible visible watermarking［J］. Journal of Computer Applications， 2014， 34（1）： 119-123， 157. 10.11772/j.issn.1001-9081.2014.01.0119
4	XIA Z Q， WANG X Y， ZHOU W J， et al. Color medical image lossless watermarking using chaotic system and accurate quaternion polar harmonic transforms［J］. Signal Processing， 2019， 157： 108-118. 10.1016/j.sigpro.2018.11.011
5	CAVAGNINO D， LUCENTEFORTE M， GRANGETTO M. High capacity reversible data hiding and content protection for radiographic images［J］. Signal Processing， 2015， 117： 258-269. 10.1016/j.sigpro.2015.05.020
6	CHEN Y， LI Z， WANG L H， et al. High-capacity reversible watermarking algorithm based on the region of interest of medical images［C］// Proceedings of the 14th IEEE International Conference on Signal Processing. Piscataway： IEEE， 2018： 1158-1162. 10.1109/icsp.2018.8652391
7	QASIM A F， ASPIN R， MEZIANE F， et al. Assessment of perceptual distortion boundary through applying reversible watermarking to brain MR images［J］. Signal Processing： Image Communication， 2019， 70： 246-258. 10.1016/j.image.2018.10.007
8	GAO G Y， TONG S K， XIA Z H， et al. Reversible data hiding with automatic contrast enhancement for medical images［J］. Signal Processing， 2021， 178： No.107817. 10.1016/j.sigpro.2020.107817
9	YANG Y， XIAO X X， CAI X， et al. A secure and privacy preserving technique based on contrast-enhancement reversible data hiding and plaintext encryption for medical images［J］. IEEE Signal Processing Letters， 2020， 27： 256-260. 10.1109/lsp.2020.2965826
10	SWARAJA K， MEENAKSHI K， KORA P. An optimized blind dual medical image watermarking framework for tamper localization and content authentication in secured telemedicine［J］. Biomedical Signal Processing and Control， 2020， 55： No.101665. 10.1016/j.bspc.2019.101665
11	THAKUR S， SINGH A K， GHRERA S P， et al. Chaotic based secure watermarking approach for medical images［J］. Multimedia Tools and Applications， 2020， 79（7/8）： 4263-4276. 10.1007/s11042-018-6691-0
12	ANAND A， SINGH A K. An improved DWT-SVD domain watermarking for medical information security［J］. Computer Communications， 2020， 152： 72-80. 10.1016/j.comcom.2020.01.038
13	陈怡，李智，张健，等. 弥散加权图像的鲁棒水印算法研究［J］. 中国图象图形学报， 2019， 24（9）： 1434-1449. 10.11834/jig.180672
	CHEN Y， LI Z， ZHANG J， et al. Robust watermarking algorithm for diffusion weighted images［J］. Journal of Image and Graphics， 2019， 24（9）： 1434-1449. 10.11834/jig.180672
14	SWARAJA K. Medical image region based watermarking for secured telemedicine［J］. Multimedia Tools and Applications， 2018， 77（21）： 28249-28280. 10.1007/s11042-018-6020-7
15	ZHU J R， KAPLAN R， JOHNSON J， et al. HiDDeN： hiding data with deep networks［C］// Proceedings of the 2018 European Conference on Computer Vision， LNCS 11219. Cham： Springer， 2018： 682-697.
16	LUO X Y， ZHAN R H， CHANG H W， et al. Distortion agnostic deep watermarking［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 13545-13554. 10.1109/cvpr42600.2020.01356
17	李智，樊缤，洪波，等. 一种基于多尺度特征学习的弥散加权图像的鲁棒水印方法： CN113095987A［P］. 2021-07-09.
	LI Z， FAN B， HONG B， et al. A robust watermarking method for diffusion weighted images based on multi-scale feature learning： CN113095987A［P］. 2021-07-09.
18	YEDDER H BEN， SHOKOUFI M， CARDOEN B， et al. Limited-angle diffuse optical tomography image reconstruction using deep learning［C］// Proceedings of the 2019 International Conference on Medical Image Computing and Computer-Assisted Intervention， LNCS 11764. Cham： Springer， 2019： 66-74.
19	KNOLL K， HAMMERNIK K， KOBLER E， et al. Assessment of the generalization of learned image reconstruction and the potential for transfer learning［J］. Magnetic Resonance in Medicine， 2019， 81（1）： 116-128. 10.1002/mrm.27355
20	RAGHU M， ZHANG C Y， KLEINBERG J， et al. Transfusion： understanding transfer learning for medical imaging［C］// Proceedings of the 33rd International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2019： 3347-3357.
21	SHAN H M， ZHANG Y， YANG Q S， et al. 3-D convolutional encoder-decoder network for low-dose CT via transfer learning from a 2-D trained network［J］. IEEE Transactions on Medical Imaging， 2018， 37（6）： 1522-1534. 10.1109/tmi.2018.2832217
22	HAN Y S， YOO J， YE J C. Deep residual learning for compressed sensing CT reconstruction via persistent homology analysis［EB/OL］. （2016-11-25）［2021-09-08］.. 10.1109/isbi.2017.7950457
23	JIN K H， McCANN M T， FROUSTEY E， et al. Deep convolutional neural network for inverse problems in imaging［J］. IEEE Transactions on Image Processing， 2017， 26（9）： 4509-4522. 10.1109/tip.2017.2713099
24	CANNY J. A computational approach to edge detection［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1986， PAMI-8（6）： 679-698. 10.1109/tpami.1986.4767851
25	OJALA T， PIETIKÄINEN M， MÄENPÄÄ T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2002， 24（7）： 971-987. 10.1109/tpami.2002.1017623
26	ZHOU B， ZHOU S K. DuDoRNet： learning a dual-domain recurrent network for fast MRI reconstruction with deep T1 prior［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 4272-4281. 10.1109/cvpr42600.2020.00433
27	BRIGHAM E O， MORROW R E. The fast Fourier transform［J］. IEEE Spectrum， 1967， 4（12）： 63-70. 10.1109/mspec.1967.5217220
28	SHANNON C E. A mathematical theory of communication［J］. The Bell System Technical Journal， 1948， 27（3）： 379-423. 10.1002/j.1538-7305.1948.tb01338.x
29	HU J， SHEN L， SUN G. Squeeze-and-excitation networks［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 7132-7141. 10.1109/cvpr.2018.00745
30	LIU J J， HOU Q B， CHENG M M， et al. A simple pooling-based design for real-time salient object detection［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 3912-3921. 10.1109/cvpr.2019.00404
31	HE K H， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］// Proceedings of the 2016 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 770-778. 10.1109/cvpr.2016.90
32	GHODRATI V， SHAO J X， BYDDER M， et al. MR image reconstruction using deep learning： evaluation of network structure and loss functions［J］. Quantitative Imaging in Medicine and Surgery， 2019， 9（9）：1516-1527. 10.21037/qims.2019.08.10
33	YU F， KOLTUN V. Multi-scale context aggregation by dilated convolutions［EB/OL］. （2016-04-30）［2021-09-08］..
34	HUANG N， HE J S， ZHU N F. A novel method for detecting image forgery based on convolutional neural network［C］// Proceedings of the 17th IEEE International Conference on Trust， Security and Privacy in Computing and Communications/ 12th IEEE International Conference on Big Data Science and Engineering. Piscataway： IEEE， 2018： 1702-1705. 10.1109/trustcom/bigdatase.2018.00255
35	MAO X D， LI Q， XIE H R， et al. Least squares generative adversarial networks［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2017： 2813-2821. 10.1109/iccv.2017.304
36	TONG Q Q， HE H J， GONG T， et al. Multicenter dataset of multi-shell diffusion MRI in healthy traveling adults with identical settings［J］. Scientific Data， 2020， 7： No.157. 10.1038/s41597-020-0493-8
37	SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition［EB/OL］. （2015-04-10）［2021-09-08］..
38	HUANG G， LIU Z， L van der MAATEN， et al. Densely connected convolutional networks［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 2261-2269. 10.1109/cvpr.2017.243
39	IANDOLA F N， HAN S， MOSKEWICZ M W， et al. SqueezeNet： AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size［EB/OL］. （2016-11-04）［2021-09-08］..
40	HAHN E L. Nuclear induction due to free Larmor precession［J］. Physical Review， 1950， 77（2）： 297-298. 10.1103/physrev.77.297.2
41	STEJSKAL E O， TANNER J E. Spin diffusion measurements： spin echoes in the presence of a time-dependent field gradient［J］. The Journal of Chemical Physics， 1965， 42（1）： 288-292. 10.1063/1.1695690
42	LE BIHAN D， MANGIN J F， POUPON C， et al. Diffusion tensor imaging： concepts and applications［J］. Journal of Magnetic Resonance Imaging， 2001， 13（4）： 534-546. 10.1002/jmri.1076
43	BASSER P J， MATTIELLO J， LEBIHAN D. MR diffusion tensor spectroscopy and imaging［J］. Biophysical Journal， 1994， 66（1）： 259-267. 10.1016/s0006-3495(94)80775-1
44	PAJEVIC S， PIERPAOLI C. Color schemes to represent the orientation of anisotropic tissues from diffusion tensor data： application to white matter fiber tract mapping in the human brain ［J］. Magnetic Resonance in Medicine， 1999， 42（3）： 526-540. 10.1002/(sici)1522-2594(199909)42:3<526::aid-mrm15>3.0.co;2-j

[1]	刘月峰, 张小燕, 郭威, 边浩东, 何滢婕. 基于优化混合模型的航空发动机剩余寿命预测方法[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2960-2968.
[2]	刘汉卿, 康晓东, 张福青, 赵秀圆, 杨靖怡, 王笑天, 李梦凡. 改进的Libra区域卷积神经网络的脑动脉狭窄影像学检测算法[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2909-2916.
[3]	杜航原, 郝思聪, 王文剑. 结合图自编码器与聚类的半监督表示学习方法[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2643-2651.
[4]	衡红军, 徐天宝. 基于多尺度卷积和门控机制的注意力情感分析模型[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2674-2679.
[5]	强赞霞, 鲍先富. 基于卷积长短期记忆的残差注意力去雨网络[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2858-2864.
[6]	王宇航, 周永霞, 吴良武. 基于高斯函数的池化算法[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2800-2806.
[7]	邓杰航, 郭文权, 陈汉杰, 顾国生, 刘景建, 杜宇坤, 刘超, 康晓东, 赵建. 融合多尺度多头自注意力和在线难例挖掘的小样本硅藻检测[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2593-2600.
[8]	张显杰, 张之明. 基于卷积神经网络和Transformer的手写体英文文本识别[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2394-2400.
[9]	程南江, 余贞侠, 陈琳, 乔贺辙. 基于领域自适应的多源多标签行人属性识别[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2401-2406.
[10]	李坤, 侯庆. 基于注意力机制的轻量型人体姿态估计[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2407-2414.
[11]	杨飞宇, 宋展, 肖振中, 莫曜阳, 陈宇, 潘哲, 张敏, 张遥, 钱贝贝, 汤朝伟, 金武. 对人体姿态估计热图误差的再思考[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2548-2555.
[12]	徐成霞, 阎庆, 李腾, 苗开超. 基于联合注意力机制的单幅图像去雨算法[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2578-2585.
[13]	吕振虎, 许新征, 张芳艳. 基于挤压激励的轻量化注意力机制模块[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2353-2360.
[14]	靳华中, 张修洋, 叶志伟, 张闻其, 夏小鱼. 基于近似U型网络结构的图像去噪模型[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2571-2577.
[15]	王晓雨, 王展青, 熊威. 深度非对称离散跨模态哈希方法[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2461-2470.

基于多尺度知识学习的深度鲁棒水印算法

Deep robust watermarking algorithm based on multiscale knowledge learning

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 44

相关文章 15

编辑推荐

Metrics