基于科研论文中图片比对的方法与流程

1.本发明属于图像处理及应用领域，具体涉及一种基于科研论文中引用图片比对的方法。


背景技术：

2.现有技术公开了科研论文中的图片隐含着巨量的信息，在撰写论文时，用图片来表达，能产生更好的效果。当科研论文中的图片是在显微镜下拍摄时，图片是第一手的科研资料，具有不可复制性。所以论文发到国际期刊之前，检查论文中图片的原创性以及是否在其他论文中使用过是非常必要的。因此能够快速准确的完成科研论文中图片的比对是科研管理部门目前急需解决的问题。
3.在图片相似度对比领域有众多成熟的算法，包括哈希算法，直方图算法，特征提取结合随机采样一致性(ransac)。
4.其中哈希算法又称摘要算法，将图片进行计算得到一个固定长的摘要，通过比较摘要的相似度比较图片的相似性，这个计算过程可以是基于均值、感知或差值。所谓均值就是通过每个像素与均值进行对比得到二进制数，转换为字符串作为摘要；或利用像素间的大小比较结果作为二进制数转换为字符串进行比较；感知哈希是在离散余弦变换的频域的左上角进行平均值二值化得到摘要。将这些摘要进行比较可以得到图片相似度。
5.直方图比较则是将彩色(rgb)空间转换为颜色模型(hsv)空间，计算直方图并进行归一化处理，利用相关性比较，卡方比较，十字交叉型或巴氏距离比较得到两张图片的相似性，通过过程可以得知，这是对图片整体思想性进行比较的。
6.特征提取结合随机采样一致性(ransac)的方法则是将图片中纹路明显的区域提取出来，并在两张图片之间对比多个特征点的相似性，将相似的点进行随机采样一致性匹配，将符合同一种仿射变换的区域找到，这一区域就是两张图片的共有区域。特征提取的方法主要有深度学习算法、hog算子和sift算子，特征提取的主要目的是将图像区域用算子表示出来，这个算子要保证准确性、有效性、可重复性、可区分性、鲁棒性。其中深度学习方法需要大量的训练样本以及较长的计算时间，这些都不满足我们的应用场景；hog对图像的集合变换和光学变换都能保持很好的不变性，并且会忽略一些小范围的位置偏移，适合作为人体检测等刚体的检测；而sift算子具有尺度不变性和方向不变性，具有独特性好，特征点多，高速性的特点，因此可以检查到生物图片中相似区域的缩放，旋转，平移等操作，最适合作为本方法的特征提取工具。
7.鉴于论文中图片比对工作的实际情况很复杂，可能是自身图片重复使用，也可能是图片之间重复使用，因此，现有技术不能直接用于解决论文中图片重复使用的问题，需要大量手动处理。
8.基于现有技术的现状，本发明拟提供一种基于科研论文中引用图片比对的方法。本发明检测目标以生物实验图片较多，具有纹理多的特性，考虑到特征提取较为准确的特点，采用特征提取结合ransac找出相似区域。


技术实现要素：

9.本发明的目的是基于现有技术的现状，提供一种基于科研论文中引用图片比对的方法，本发明进行图片自身的重复区域比较和图片之间的重复区域比较，能够实现检测科研论文中使用图片不规范问题。
10.为达到上述目的，本发明提供了一种基于科研论文中引用图片比对的方法，具体包括步骤：
11.(1)采用可移植文档格式(pdf)，读取文档中图片对象，并将其转换为rgb格式，针对多文档的情况时，将图片分组存储；
12.(2)提取步骤(1)得到的图片，对其进行裁剪，将一张图片裁剪多个方形区域，在比对时将这些方形区域作为独立的图片进行比较，被裁剪掉的部分不参与比较；
13.(3)提取步骤(3)裁剪后得到的所有图片的尺度不变特征变换(sift)特征点，包括生成尺度空间，检测尺度空间中的极值点，并定位到极值点，为每个关键点指定方向参数，最终生成该特征点的描述子；
14.(4)采用随机采样一致集将相似的算子进行匹配并计算出其变换矩阵；
15.(5)在图片自我比较的过程中，针对每个找到的特征点，两两进行比较，对一个特征点而言，若与之最相似的特征点和与之次相似的特征点差别大于4/3，则认为该点与最相似的特征点为一对相似点对；
16.在图片间的比较中，将一张图片的每个特征点都与另一种图片的所有特征点进行比较，若与之最相似的特征点和与之次相似的特征点差别大于4/3，则认为该点与最相似的特征点为一对相似点对；
17.(6)使用方框框选出点集所在区域，得到能够覆盖所有特征点及其尺度范围的矩形范围；
18.(7)将方框的顶点使用变换矩阵进行变换，在结果图中标出原始方框和变换后的方框；
19.(8)单个图像比较相似区域时，原方框和变换后的方框以及其中的特征点都在一张图片上，两两比较时，将两张图片进行拼接，分别标出原方框和变换后的方框以及其中的特征点，并用连线表示关键点对应关系，指示相似区域中的重要相似特征；
20.(9)将得到的图片进行排版，并根据原始图片的来源，将来自同一文档的图片对比结果生成独立的单文档pdf检查报告，来自不同文档的图片重复结果，生成综合pdf检查报告。
21.本发明中，步骤(3)中所述对提取图片的尺度不变特征变换(sift)构建尺度空间，采用高斯核函数对图像进行滤波，假设图像为函数i(x,y)，高斯卷积核的表达式为：
[0022][0023]
则卷积后的尺度空间表示为：
[0024]
l(x,y,σ)＝g(x,y,σ)*i(x,y)
[0025]
其中：*为卷积运算，(x,y)为像素位置，σ是尺度空间因子，数值越大则被平滑的越多，尺度越大，即更突出图片的整体特征，数值越小则体现图片的更多细节。
[0026]
本发明中，步骤(3)中所述的对提取图片的尺度不变特征变换(sift)检测尺度空
间中的极值点，采用构建高斯金字塔，通过多次高斯滤波得到不同尺度的滤波结果，将这些结果叠在一起即为高斯金字塔；
[0027]
高斯金字塔分为o组，s层，每个位置(o,s)o∈[0,
…
,o-1],s∈[0,
…
,s+2]的σ取值为：
[0028][0029]
o为组的索引，s为组内层的索引；
[0030]
定义为第一组的不同层σ取值为
[0031]
令在每组内不同层之间计算差值得到dog高斯差分金字塔
[0032]
d(x,y,σ)＝[g(x,y,kσ)-g(x,y,σ)]*i(x,y)＝l(x,y,kσ)-l(x,y,σ)
[0033]
在离散图像中为了更准确的定位极值点，需要对极值点进行准确定位以提高稳定性，dog函数在尺度空间的泰勒展开为：
[0034][0035]
其中x＝(x,y,σ)
t
求导并让方程等于0，得到极值点的偏移量为：
[0036][0037]
对应极值点方程的值为：
[0038][0039]
其中：为插值中心的偏移量，若任意维度大于0.5说明插值中心偏移到临近点，应当改变当前关键点位置重新计算，若迭代次数超过5次，则应抛弃该点；此使得到了更精确的坐标和尺度σ(o,s)和σ
oct
(s)。
[0040]
本发明中，步骤(3)中所述的对提取图片的尺度不变特征变换(sift)定位到极值点，特征点是dog空间的局部极值点，为了寻找极值点，像素点需要与其八邻接点比较；dog算子会产生较强的边缘效应，需要剔除不稳定的边缘响应点，获得特征点处的海森矩阵：
[0041][0042]
tr(h)＝d
xx
+d
yy
＝α+β
[0043]
det(h)＝d
xx
+d
yy-d
2xy
＝αβ
[0044]
假设α为较大的特征值，β为较小的特征值，令α＝rβ
[0045]
则
[0046]
两特征值相等时最小，两特征比值越大说明其为边缘响应点，应予以剔除，因此，当此比值小于一定阈值时认为它为合适的特征点。取r的阈值为10，则筛选条件为：
[0047][0048]
为了使描述符具有旋转不变性，需要利用图像的局部特征为给每一个关键点分配一个基准方向，在dog金字塔中得到的关键点，采集其3σ邻域窗口内像素的梯度和方向分布特征：
[0049][0050][0051]
按照尺度采样3σ的原则，设置邻域窗口半径为3
×
1.5σ
oct
；
[0052]
完成梯度计算后使用直方图统计邻域内像素的梯度和方向，方向每10
°
为一柱，选择直方图的峰值作为关键点的主方向，同时将柱值大于主方向80％的方向作为辅方向。
[0053]
本发明中，步骤(3)中所述的对提取图片的尺度不变特征变换(sift)生成特征点的描述子，对关键点建立描述符，使关键点具有位置，尺度，方向三个信息，在尺度空间中关键点附近在d
×
d个子区域中计算8个方向的梯度信息，由于需要旋转方形区域到主方向上，因此计算所需的图像区域半径：
[0054][0055]
为了保持旋转不变性，将坐标轴旋转为关键点方向，计算得到采样点的新坐标；
[0056][0057]
将采样点分配到对应的子区域，将子区域内梯度值分配到8个方向上，
[0058]
旋转后的采样点落在子区域的下标为：
[0059][0060]
像素梯度大小按照σ＝0.5d的高斯加权计算：
[0061][0062]
其中：a,b为关键点在高斯金字塔图像中的横坐标和纵坐标位置；
[0063]
将邻域内的采样点分配到对应的子区域，将子区域内的梯度分配到八个方向上。旋转后的采样点根据采样点在子区域中的下标(x
″
,y
″
)线性插值，计算其中对每个种子点的贡献，行贡献因子为dr，列贡献因子为dc对邻近两个斜方向的贡献因子为do。累加在每个方向的梯度大小为：
[0064]
weight＝w*drk*(1-dr)
1-k
*dcm*(1-dc)
1-m
*don*(1-do)
1-n
[0065]
k,m,n的取值为0或1代表是否为相邻行，相邻列或相邻斜方向：
[0066]
对特征进行归一化
[0067][0068]
采用随机一致性采样(ransac)将相似的算子进行匹配并计算出其变换矩阵；
[0069]
在图片自我比较的过程中，针对每个找到的特征点，两两进行比较，对一个特征点而言，若与之最相似的特征点和与之次相似的特征点差别大于4/3，则认为该点与最相似的特征点为一对相似点对；在图片间的比较中，一张图片的每个特征点都与另一种图片的所有特征点进行比较，若与之最相似的特征点和与之次相似的特征点差别大于4/3，则认为该点与最相似的特征点为一对相似点对。
[0070]
本发明中，步骤(4)中所述的变换矩阵得到方法如下：
[0071]
(1).在相似点对中随机选择三个点；
[0072]
(2).使用选取的三个点计算变换矩阵；
[0073]
(3).计算其他的点到拟合模型的距离，距离小于一定阈值就作为内点，计算内点个数；
[0074]
(4).重复以上步骤，找到内点个数最大的模型；
[0075]
所得到的模型中内点集合就是相似区域中的特征点，而得到的变换矩阵即相似区域之间的变换关系。
[0076]
本发明中，步骤(5)中所述的相似点对是在相似点对中随机选择三对计算变换矩阵，再验证其他点是否满足该变换矩阵，统计符合条件的点的个数，改变变换矩阵使更多的点满足条件，直到收敛或迭代结束，得到的满足条件的点对集合就是相似区域中的特征点，而得到的变换矩阵即相似区域之间的变换关系。
[0077]
本发明中，步骤(8)中使用方框框选出点集所在区域，得到能够覆盖所有特征点及其尺度范围的矩形范围；
[0078]
将方框的顶点使用变换矩阵进行变换，在结果图中标出原始方框和变换后的方框；
[0079]
单个图像比较相似区域时，原方框和变换后的方框以及其中的特征点都在一张图片上，两两比较时，将两张图片进行拼接，分别标出原方框和变换后的方框以及其中的特征点，并用连线表示关键点对应关系，指示相似区域中的重要相似特征；
[0080]
将得到的图片进行排版，并根据原始图片的来源，将来自同一文档的图片对比结果生成独立的单文档pdf检查报告，来自不同文档的图片重复结果，生成综合pdf检查报告。
[0081]
本发明的有益效果在于：
[0082]
本发明提供的科研论文中实验图像比对的方法能够实现检测论文中引用生物图片不规范，如一张实验结果图片被一篇论文两次使用，或不同论文使用了同一个实验结果图片；以及实现多篇论文之间的图片查重功能。本发明提供的科研论文中实验图像比对的方法，方法操作简单，比对的准确性可靠，自动化的检测可节省时间节约费用，大大降低科研论文中存在图片不规范或图片重复使用的比率。
附图说明
[0083]
图1，是根据本发明提供的科研论文中图片比对的流程图；
[0084]
图2，是从科研论文中获取其图片。
[0085]
图3，是科研图片的比对过程。
[0086]
图4，是采用随机一致性采样(ransac)将相似的算子进行匹配并计算出其变换矩阵。
[0087]
图5，是使用方框框选出点集所在区域，得到能覆盖所有特征点及其尺度范围的矩形范围。
[0088]
图6，是进行结果整理生成综合pdf检查报告。
具体实施方式
[0089]
下面结合本发明的附图，对本发明实施的技术方案进行清楚、完整地描述。
[0090]
实施例1：科研论文中实验图像比对
[0091]
根据本发明的方法，科研论文中实验图像比对的方法能够实现检测论文中引用生物图片不规范，避免一张实验结果图片被一篇论文两次使用，或不同论文使用了同一个实验结果图片；以及实现多篇论文之间的图片查重功能，明显降低科研论文中存在图片不规范或图片重复使用的比率。
[0092]
如图1所示为本发明提供的科研论文中实验图像比对的方法，具体包括以下步骤：
[0093]
步骤1：从科研论文中，获取其图片，如图2所示；
[0094]
将获取的图片转换为rgb格式并进行缓存，当图片来自多个文档时，将获取图片分组存储。对获取的图片，可以进行裁剪，一张图片可以裁剪多个方形区域，在比对时作为独立的图片进行比较，被裁剪掉的部分不参与比较。
[0095]
步骤2：科研图片的比对过程，如图3所示：
[0096]
对获取的所有图片提取图片的尺度不变特征变换(sift)特征点，生成该特征点的描述子。包括生成尺度空间，检测尺度空间中的极值点，并定位到极值点，为每个关键点指定方向参数。
[0097]
步骤3：采用随机一致性采样(ransac)将相似的算子进行匹配并计算出其变换矩阵，如图4所示：
[0098]
在图片自我比较的过程中，针对每个找到的特征点，两两进行比较，对一个特征点而言，若与之最相似的特征点和与之次相似的特征点差别大于4/3，则认为该点与最相似的特征点为一对相似点对。
[0099]
所得到的模型中内点集合就是相似区域中的特征点。而得到的变换矩阵即相似区域之间的变换关系。
[0100]
步骤4：重复区域的标识
[0101]
使用方框框选出点集所在区域，得到能够覆盖所有特征点及其尺度范围的矩形范围。
[0102]
将方框的顶点使用变换矩阵进行变换，在结果图中标出原始方框和变换后的方框。
[0103]
单个图像比较相似区域时，原方框和变换后的方框以及其中的特征点都在一张图片上，两两比较时，将两张图片进行拼接，分别标出原方框和变换后的方框以及其中的特征点，并用连线表示关键点对应关系，指示相似区域中的重要相似特征。如图5所示。
[0104]
步骤5：结果整理
[0105]
将得到的图片进行排版，并根据原始图片的来源，将来自同一文档的图片对比结果生成独立的单文档pdf检查报告，来自不同文档的图片重复结果，生成综合pdf检查报告，如图6所示。
[0106]
上述实施例显示：本发明提供的科研论文中引用图片比对的方法能够将科研论文中的图片进行比对，检查论文中图片的原创性以及是否在其他论文中使用过是非常必要的该方法操作简单，比对的准确性可靠，自动化的检测可节省时间节约费用，明显降低科研论文中存在图片不规范或图片重复使用的比率。

技术特征：
1.一种基于科研论文中引用图片比对的方法，其特征在于，具体包括步骤：(1)采用可移植文档格式(pdf)，读取文档中图片对象，并将其转换为rgb格式，针对多文档的情况时，将图片分组存储；(2)提取步骤(1)得到的图片，对其进行裁剪，将一张图片裁剪多个方形区域，在比对时将这些方形区域作为独立的图片进行比较，被裁剪掉的部分不参与比较；(3)提取步骤(3)裁剪后得到的所有图片的尺度不变特征变换(sift)特征点，包括生成尺度空间，检测尺度空间中的极值点，并定位到极值点，为每个关键点指定方向参数，最终生成该特征点的描述子；(4)采用随机采样一致集将相似的算子进行匹配并计算出其变换矩阵；(5)在图片自我比较的过程中，针对每个找到的特征点，两两进行比较，对一个特征点而言，若与之最相似的特征点和与之次相似的特征点差别大于4/3，则认为该点与最相似的特征点为一对相似点对；在图片间的比较中，将一张图片的每个特征点都与另一种图片的所有特征点进行比较，若与之最相似的特征点和与之次相似的特征点差别大于4/3，则认为该点与最相似的特征点为一对相似点对；(6)使用方框框选出点集所在区域，得到能够覆盖所有特征点及其尺度范围的矩形范围；(7)将方框的顶点使用变换矩阵进行变换，在结果图中标出原始方框和变换后的方框；(8)单个图像比较相似区域时，原方框和变换后的方框以及其中的特征点都在一张图片上，两两比较时，将两张图片进行拼接，分别标出原方框和变换后的方框以及其中的特征点，并用连线表示关键点对应关系，指示相似区域中的重要相似特征；(9)将得到的图片进行排版，并根据原始图片的来源，将来自同一文档的图片对比结果生成独立的单文档pdf检查报告，来自不同文档的图片重复结果，生成综合pdf检查报告。2.根据权利要求1所述的的方法，其特征在于，步骤(3)中所述对提取图片的尺度不变特征变换(sift)构建尺度空间，采用高斯核函数对图像进行滤波，假设图像为函数i(x,y)，高斯卷积核的表达式为：则卷积后的尺度空间表示为：l(x,y,σ)＝g(x,y,σ)*i(x,y)其中：*为卷积运算，(x,y)为像素位置，σ是尺度空间因子，数值越大则被平滑的越多，尺度越大，即更突出图片的整体特征，数值越小则体现图片的更多细节。3.根据权利要求1所述的的方法，其特征在于，步骤(3)中所述的对提取图片的尺度不变特征变换(sift)检测尺度空间中的极值点，采用构建高斯金字塔，通过多次高斯滤波得到不同尺度的滤波结果，将这些结果叠在一起即为高斯金字塔；高斯金字塔分为o组，s层，每个位置(o,s)o∈[0,
…
,o-1],s∈[0,
…
,s+2]的σ取值为：o为组的索引，s为组内层的索引；
定义为第一组的不同层σ取值为令在每组内不同层之间计算差值得到dog高斯差分金字塔d(x,y,σ)＝[g(x,y,kσ)-g(x,y,σ)]*i(x,y)＝l(x,y,kσ)-l(x,y,σ)在离散图像中为了更准确的定位极值点，需要对极值点进行准确定位以提高稳定性，dog函数在尺度空间的泰勒展开为：其中x＝(x,y,σ)
t
求导并让方程等于0，得到极值点的偏移量为：对应极值点方程的值为：其中：为插值中心的偏移量，若任意维度大于0.5说明插值中心偏移到临近点，应当改变当前关键点位置重新计算，若迭代次数超过5次，则应抛弃该点；此使得到了更精确的坐标和尺度σ(o,s)和σ
oct
(s)。4.根据权利要求1所述的方法，其特征在于，步骤(3)中所述的对提取图片的尺度不变特征变换(sift)定位到极值点，特征点是dog空间的局部极值点，为了寻找极值点，像素点需要与其八邻接点比较；dog算子会产生较强的边缘效应，需要剔除不稳定的边缘响应点，获得特征点处的海森矩阵：tr(h)＝d
xx
+d
yy
＝α+βdet(h)＝d
xx
+d
yy-d
2xy
＝αβ假设α为较大的特征值，β为较小的特征值，令α＝rβ则两特征值相等时最小，两特征比值越大说明其为边缘响应点，应予以剔除，因此，当此比值小于一定阈值时认为它为合适的特征点。取r的阈值为10，则筛选条件为：为了使描述符具有旋转不变性，利用图像的局部特征为给每一个关键点分配一个基准方向，在dog金字塔中得到的关键点，采集其3σ邻域窗口内像素的梯度和方向分布特征：
按照尺度采样3σ的原则，设置邻域窗口半径为3
×
1.5σ
oct
；完成梯度计算后使用直方图统计邻域内像素的梯度和方向，方向每10
°
为一柱，选择直方图的峰值作为关键点的主方向，同时将柱值大于主方向80％的方向作为辅方向。5.根据权利要求l所述的的方法，其特征在于，步骤(3)中所述的对提取图片的尺度不变特征变换(sift)生成特征点的描述子，对关键点建立描述符，使关键点具有位置，尺度，方向三个信息，在尺度空间中关键点附近在d
×
d个子区域中计算8个方向的梯度信息，由于需要旋转方形区域到主方向上，因此计算所需的图像区域半径：为了保持旋转不变性，将坐标轴旋转为关键点方向，计算得到采样点的新坐标；将采样点分配到对应的子区域，将子区域内梯度值分配到8个方向上，旋转后的采样点落在子区域的下标为：像素梯度大小按照σ＝0.5d的高斯加权计算：其中：a,b为关键点在高斯金字塔图像中的横坐标和纵坐标位置；将邻域内的采样点分配到对应的子区域，将子区域内的梯度分配到八个方向上。旋转后的采样点根据采样点在子区域中的下标(x
″
,y
″
)线性插值，计算其中对每个种子点的贡献，行贡献因子为dr，列贡献因子为dc对邻近两个斜方向的贡献因子为do。累加在每个方向的梯度大小为：weight＝w*dr
k
*(1-dr)
1-k
*dc
m
*(1-dc)
1-m
*do
n
*(1-do)
1-n
k,m,n的取值为0或1代表是否为相邻行，相邻列或相邻斜方向：对特征进行归一化采用随机一致性采样(ransac)将相似的算子进行匹配并计算出其变换矩阵；在图片自我比较的过程中，针对每个找到的特征点，两两进行比较，对一个特征点而言，若与之最相似的特征点和与之次相似的特征点差别大于4/3，则认为该点与最相似的特征点为一对相似点对；在图片间的比较中，一张图片的每个特征点都与另一种图片的所有特征点进行比较，若与之最相似的特征点和与之次相似的特征点差别大于4/3，则认为该点与最相似的特征点为一对相似点对。
6.根据权利要求l所述的的方法，其特征在于，步骤(4)中所述的变换矩阵得到方法如下：(1).在相似点对中随机选择三个点；(2).使用选取的三个点计算变换矩阵；(3).计算其他的点到拟合模型的距离，距离小于一定阈值就作为内点，计算内点个数；(4).重复以上步骤，找到内点个数最大的模型；所得到的模型中内点集合就是相似区域中的特征点，而得到的变换矩阵即相似区域之间的变换关系。7.根据权利要求l所述的的方法，其特征在于，步骤(5)中所述的相似点对是在相似点对中随机选择三对计算变换矩阵，再验证其他点是否满足该变换矩阵，统计符合条件的点的个数，改变变换矩阵使更多的点满足条件，直到收敛或迭代结束，得到的满足条件的点对集合就是相似区域中的特征点，而得到的变换矩阵即相似区域之间的变换关系。8.根据权利要求l所述的的方法，其特征在于，步骤(8)中使用方框框选出点集所在区域，得到能够覆盖所有特征点及其尺度范围的矩形范围；将方框的顶点使用变换矩阵进行变换，在结果图中标出原始方框和变换后的方框；单个图像比较相似区域时，原方框和变换后的方框以及其中的特征点都在一张图片上，两两比较时，将两张图片进行拼接，分别标出原方框和变换后的方框以及其中的特征点，并用连线表示关键点对应关系，指示相似区域中的重要相似特征；将得到的图片进行排版，并根据原始图片的来源，将来自同一文档的图片对比结果生成独立的单文档pdf检查报告，来自不同文档的图片重复结果，生成综合pdf检查报告。

技术总结
本发明属于图像处理技术领域，具体涉及一种基于科研论文中引用图片比对的方法。本发明基于可移植文档格式，读取文档中图片对象并转换为RGB格式。对提取的图片，进行裁剪，一张图片裁剪多个方形区域，在比对时每个方形区域作为独立的图片进行比较，提取所有图片的尺度不变特征变换特征点，最终生成该特征点的描述子。本发明采用随机采样一致集将相似的算子进行匹配并计算出其变换矩阵，针对特征点进行比较，若与之最相似的特征点和与之次相似的特征点差别大于4/3，则认为该点与最相似的特征点为一对相似点对，在相似点对中计算变换矩阵，最后将图片重复结果，生成综合PDF检查报告。本发明操作简单，比对的准确性可靠，节约费用。节约费用。


技术研发人员：刘东麟 安涌 张翠华
受保护的技术使用者：上海复旦数字医疗科技股份有限公司
技术研发日：2022.04.05
技术公布日：2023/7/11