高分辨率SAR成像方法、装置及存储介质 专利技术说明

测量装置的制造及其应用技术高分辨率sar成像方法、装置及存储介质技术领域1.本公开涉及稀疏sar成像领域，具体涉及一种高分辨率sar成像方法、高分辨率sar成像装置及计算机可读存储介质。背景技术：2.现有技术中，合成孔径雷达(sar)是一种全天候、全天时微波遥感成像雷达，sar通过发射大带宽的电磁波信号，经过脉冲压缩实现高距离向分辨率，在方位向通过与成像区域的相对运动形成一个大的虚拟孔径，采用合成孔径原理提高方位向分辨率。但sar在实际工作中会受到各种外界的干扰，从而造成回波数据的缺失，影响sar成像的分辨率。技术实现要素：3.本公开意图提供一种高分辨率sar成像方法、高分辨率sar成像装置及计算机可读存储介质，稀疏观测场景下能够在稀疏采样的情况下对目标实现高分辨率成像。4.根据本公开的方案之一，提供一种高分辨率sar成像方法，应用于稀疏恢复sar成像的迭代算法，所述方法包括：5.初始化sar原始数据；6.对二维观测场景复图像进行第一处理，得到第一处理结果；7.基于第一处理结果得到标记值；8.对标记值进行第二处理，得到第二处理结果；9.至少基于第二处理结果、二维观测场景复图像进行第三处理，得到第三处理结果；10.在迭代次数不大于最大迭代次数的情况下，至少对第三处理结果做赋值处理，循环直至迭代次数大于最大迭代次数。11.在一些实施例中，其中，初始化数据包括：12.sar原始二维回波数据为y；13.二维观测场景复图像xn、vn赋值为0，其中n＝0,1,2…；14.最大迭代次数imax。15.在一些实施例中，其中，所述对二维观测场景复图像进行第一处理，得到第一处理结果，包括：16.对二维观测场景复图像xn进行gcs操作，即[0017][0018]其中[0019]fa和fr分别表示方位向和距离向傅里叶变换；和分别表示距离向和方位向傅里叶逆变换；θsc表示chrip-scaling解耦算子；θac表示方位压缩及相位校正；θrc表示距离压缩和一致距离徙动校正；⊙表示hadamard乘积。[0020]在一些实施例中，其中，所述基于第一处理结果得到标记值，包括：[0021]将sar原始二维回波数据y与gcs(xn)的值作差得到的值记为s。[0022]在一些实施例中，其中，所述对标记值进行第二处理，得到第二处理结果，包括：[0023]对s值进行ics操作，即[0024]fa和fr分别表示方位向和距离向傅里叶变换；和分别表示距离向和方位向傅里叶逆变换；θsc表示chrip-scaling解耦算子；θac表示方位压缩及相位校正；θrc表示距离压缩和一致距离徙动校正；⊙表示hadamard乘积。[0025]在一些实施例中，其中，所述至少基于第二处理结果、二维观测场景复图像进行第三处理，得到第三处理结果，包括：[0026]将ics(s)与二维观测场景复图像xn、vn作和得到[0027]其中其中α＝1，n＝0,1,…；[0028]对进行hλ,μ,1/2操作，即[0029]式中ηλ,μ,1/2(zi)为：[0030][0031]式中，其中λ＞0为正则化参数，μ为用来控制梯度下降算法收敛速度的参量，其取值范围为[0032]得到xn+1。[0033]在一些实施例中，其中，所述在迭代次数不大于最大迭代次数的情况下，至少对第三处理结果做赋值处理，循环直至迭代次数大于最大迭代次数，包括：[0034]将迭代次数l和初始化设置的最大迭代次数imax进行比较，若l》imax则退出循环，否则将xn+1赋值给xn，vn+1赋值给vn，进入下一次循环。[0035]在一些实施例中，其中，所述迭代算法，包括：[0036]在l1/2正则化理论的基础上，对其梯度算子改进形成的l1/2阈值迭代改进算法。[0037]根据本公开的方案之一，提供一种高分辨率sar成像装置，应用于稀疏恢复sar成像的迭代算法，所述装置包括：[0038]初始化模块，其配置为初始化sar原始数据；[0039]第一处理模块，其配置为对二维观测场景复图像进行第一处理，得到第一处理结果；[0040]标记模块，其配置为基于第一处理结果得到标记值；[0041]第二处理模块，其配置为对标记值进行第二处理，得到第二处理结果；[0042]第三处理模块，其配置为至少基于第二处理结果、二维观测场景复图像进行第三处理，得到第三处理结果；[0043]循环处理模块，其配置为在迭代次数不大于最大迭代次数的情况下，至少对第三处理结果做赋值处理，循环直至迭代次数大于最大迭代次数。[0044]根据本公开的方案之一，提供计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，实现：[0045]根据上述的高分辨率sar成像方法。[0046]本公开的各种实施例的高分辨率sar成像方法、高分辨率sar成像装置及计算机可读存储介质，至少通过初始化sar原始数据；对二维观测场景复图像进行第一处理，得到第一处理结果；基于第一处理结果得到标记值；对标记值进行第二处理，得到第二处理结果；至少基于第二处理结果、二维观测场景复图像进行第三处理，得到第三处理结果；在迭代次数不大于最大迭代次数的情况下，至少对第三处理结果做赋值处理，循环直至迭代次数大于最大迭代次数，旨在主要解决基于稀疏恢复sar成像计算量巨大、实时性低的问题，提出一种改进的l1/2阈值迭代高分辨率sar成像算法。该算法对现有的l1/2阈值迭代算法进行改进，并结合sar近似观测模型，可以在大场景且方位向有数据丢失的情况下实现快速高分辨成像，提升sar成像的实时性，在l1/2正则化理论的基础上，对其梯度算子进行相应的改进，形成改进的l1/2阈值迭代算法，并结合近似观测模型对sar回波数据进行处理，以提升成像实时性、分辨率等性能，稀疏观测场景下通过本公开各实施例能够在稀疏采样的情况下对目标实现高分辨率成像。[0047]应当理解，前面的大体描述以及后续的详细描述只是示例性的和说明性的，并非对所要求保护的本公开的限制。附图说明[0048]在未必按照比例绘制的附图中，不同视图中相似的附图标记可以表示相似的构件。具有字母后缀的相似附图标记或具有不同字母后缀的相似附图标记可以表示相似构件的不同实例。附图通常作为示例而非限制地图示各种实施例，并且与说明书和权利要求书一起用于解释所公开的实施例。[0049]图1(a)为本公开实施例设置的五个点目标位置图；[0050]图1(b)为chirp scaling算法得到的点目标成像仿真图；[0051]图1(c)为ist算法得到的点目标成像仿真图；[0052]图1(d)为l1/2阈值迭代算法得到的点目标成像仿真图；[0053]图1(e)为本公开实施例得到的点目标成像仿真图；[0054]图2(a)为点目标1的方位向剖面图；[0055]图2(b)为点目标2的方位向剖面图；[0056]图2(c)为点目标3的方位向剖面图；[0057]图2(d)为点目标4的方位向剖面图；[0058]图2(e)为点目标5的方位向剖面图；[0059]图3(a)为欠采样25％的条件下chirp scaling算法得到的点目标成像仿真图；[0060]图3(b)为欠采样25％的条件下ist算法得到的点目标成像仿真图；[0061]图3(c)为欠采样25％的条件下l1/2算法得到的点目标成像仿真图；[0062]图3(d)为欠采样25％的条件下本发明得到的点目标成像仿真图；[0063]图4示出了本公开实施例的高分辨率sar成像方法的一种流程图。具体实施方式[0064]为了使得本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。[0065]现有sar及其成像技术中，sar通过发射大带宽的电磁波信号，经过脉冲压缩实现高距离向分辨率，在方位向通过与成像区域的相对运动形成一个大的虚拟孔径，采用合成孔径原理提高方位向分辨率。但sar在实际工作中会受到各种外界的干扰，从而造成回波数据的缺失，影响sar成像的分辨率。[0066]压缩感知(cs)理论表明，对于稀疏信号，可以在远低于传统奈奎斯特采样下实现完全重建。于是可以将sar回波数据缺失等效为稀疏采样，通过cs重构的方法实现sar目标的高质量重建。cs重构是通过求解一个如下形式的线性方程组来实现的：[0067]y＝φx[0068]这里y∈rm是测量矩阵，φ∈rm×n对信号x∈rn测量所获得的测量值，由于压缩感知的特性要求m＜＜n，上述线性方程组是一个np难问题。cs重构的通用做法是将其凸松弛成l1正则化问题，求解l1正则化问题的算法主要是迭代收缩阈值算法(ista)及其相关改进算法。由于ista每次迭代的步长是固定的，所以其迭代的收敛速度慢，不适合实时性要求高的场景。基于此，为提高ista在观测矩阵φ情形下的求解能力，提出了两步迭代阈值算法(twista)；研究者还提出了一种nestrerov加速算子,将nestrerov加速算子结合ist算法提出快速迭代收缩阈值算法(fista)，该算法在ista的迭代过程中在计算下一步迭代点xn+1时不仅依赖上一步迭代点xn，而且还依赖更前一次的迭代点xn-1，ista的优势在于它的简单性，然而其收敛速度很慢，因此研究者提出了一种快速的ist算法。在此基础上，研究者修改了ista表达式中的梯度算子，即在梯度上减去第n-1步迭代点xn-1的符号和分式表达式，形成改进ista(sfista)，实验证明sfista在加速ista的同时也提高了最优解的稀疏度。[0069]现有研究结果表明，基于凸松弛的l1正则化并不能够产生足够稀疏的解，而l1/2正则化能在比l1更少的采样下实现稀疏信号重构，且l1/2是(0《q《1)中唯一具有解析解且最稀疏的正则化格式。[0070]sar原始数据在方位向和距离向具有耦合性，直接构建观测矩阵进行稀疏重构，需将二维满采样回波矩阵重新排列为一维向量，当观测场景的空间尺度较大时，利用观测矩阵进行稀疏重构将消耗海量内存。基于近似观测模型的cs-sar成像算法可以直接面向二维原始回波信号进行成像，有效解决上述难题。[0071]结合前文背景技术部分内容记载，本公开以实施例方式示例性记载了相应解决方案以解决现有技术中存在的缺陷，但不作为对本公开所要求专利权保护范围的限定。[0072]作为方案之一，如图4所示，本公开的实施例提供了一种高分辨率sar成像方法，应用于稀疏恢复sar成像的迭代算法，所述方法包括：[0073]初始化sar原始数据；[0074]对二维观测场景复图像进行第一处理，得到第一处理结果；[0075]基于第一处理结果得到标记值；[0076]对标记值进行第二处理，得到第二处理结果；[0077]至少基于第二处理结果、二维观测场景复图像进行第三处理，得到第三处理结果；[0078]在迭代次数不大于最大迭代次数的情况下，至少对第三处理结果做赋值处理，循环直至迭代次数大于最大迭代次数。[0079]针对前文所提出的问题，本公开各实施例旨在提出了一种高分辨率sar成像方法，应用于稀疏恢复sar成像的迭代算法，关注于sfista和ista的主要区别在于，在计算下一步迭代点xn+1时，sfista对ist算法表达式中的梯度进行了改进，即在梯度上减去第n-1步迭代点xn-1的符号和分式表达式。通过调整，sfista比ista更快地趋向最优解，并促进了最优解的稀疏度。于是，受sfista对梯度算子的改进的启发，本发明在l1/2正则化理论的基础上，对其梯度算子进行相应的改进，形成改进的l1/2阈值迭代算法，并结合近似观测模型对sar回波数据进行处理，以提升成像实时性、分辨率等性能。在此基础上，提出一种改进的l1/2阈值迭代高分辨率sar成像算法。该算法对现有的l1/2阈值迭代算法进行改进，并结合sar近似观测模型，可以在大场景且方位向有数据丢失的情况下实现快速高分辨成像，提升sar成像的实时性。[0080]在一些实施方案中，本公开实施例的方法，可以为：初始化数据包括：[0081]sar原始二维回波数据为y；[0082]二维观测场景复图像xn、vn赋值为0；[0083]最大迭代次数imax。[0084]举例来说，可以实施为以如下步骤为代表的技术方案。[0085]s1:初始化数据：sar原始二维回波数据为y，二维观测场景复图像xn、vn＝0，其中n＝0,1,2…，最大迭代次数imax。[0086]在一些实施方案中，本公开实施例的方法，可以为：[0087]s2：所述对二维观测场景复图像进行第一处理，得到第一处理结果，包括：[0088]对二维观测场景复图像xn进行gcs操作，即[0089][0090]其中[0091]fa和fr分别表示方位向和距离向傅里叶变换；和分别表示距离向和方位向傅里叶逆变换；θsc表示chrip-scaling解耦算子；θac表示方位压缩及相位校正；θrc表示距离压缩和一致距离徙动校正；⊙表示hadamard乘积。[0092]在一些实施方案中，本公开实施例的方法，可以为：所述基于第一处理结果得到标记值，包括：[0093]s3：将sar原始二维回波数据y与gcs(xn)的值作差得到的值记为s。[0094]在一些实施例中，本公开实施例的方法，可以为：所述对标记值进行第二处理，得到第二处理结果，包括：[0095]s4：对s值进行ics操作，即[0096][0097]fa和fr分别表示方位向和距离向傅里叶变换；和分别表示距离向和方位向傅里叶逆变换；θsc表示chrip-scaling解耦算子；θac表示方位压缩及相位校正；θrc表示距离压缩和一致距离徙动校正；⊙表示hadamard乘积。[0098]在一些实施例中，本公开实施例的方法，可以为：所述至少基于第二处理结果、二维观测场景复图像进行第三处理，得到第三处理结果，包括：[0099]s5：将ics(s)与二维观测场景复图像xn、vn作和得到[0100]其中其中α＝1，n＝0,1,…；[0101]s6：对进行hλ,μ,1/2操作，即[0102]式中ηλ,μ,1/2(zi)为：[0103][0104]式中，其中λ＞0为正则化参数，μ为用来控制梯度下降算法收敛速度的参量，其取值范围为[0105]得到xn+1。[0106]在一些实施例中，本公开实施例的方法，可以为：所述在迭代次数不大于最大迭代次数的情况下，至少对第三处理结果做赋值处理，循环直至迭代次数大于最大迭代次数，包括：[0107]s7：将迭代次数l和初始化设置的最大迭代次数imax进行比较，若l》imax则退出循环，否则进行下一步；[0108]s8：将xn+1赋值给xn，vn+1赋值给vn，进入下一次循环。[0109]在一些实施例中，本公开实施例的方法，可以为：所述迭代算法，包括：[0110]在l1/2正则化理论的基础上，对其梯度算子改进形成的l1/2阈值迭代改进算法。[0111]结合前述步骤，本公开的实施例受sfista对梯度算子的改进的启发，本发明在l1/2正则化理论的基础上，对其梯度算子进行相应的改进，形成改进的l1/2阈值迭代算法，并结合近似观测模型对sar回波数据进行处理，以提升成像实时性、分辨率等性能。在此基础上，提出一种改进的l1/2阈值迭代高分辨率sar成像算法。该算法对现有的l1/2阈值迭代算法进行改进，并结合sar近似观测模型，可以在大场景且方位向有数据丢失的情况下实现快速高分辨成像，提升sar成像的实时性。传统chirp scaling成像算法相比，本实施例结合sar近似观测模型，能够在sar的实际工作过程中受到外界干扰，接收回波信号缺失的情形下实现目标的高质量成像，且相比使用精确观测模型能够减小计算量。与l1/2阈值迭代算法相比，本实施例通过对其梯度算子进行改进，并结合近似观测模型对sar回波数据进行处理，以提升成像实时性、分辨率等性能。[0112]以下结合具体实施步骤详细说明本公开实施例的高分辨率sar成像方法的实现，并对比图像数据阐述相应的有益效果。[0113]实施例一[0114]本公开成像算法的实验分析参数见表1所示。[0115]根据表1的sar成像仿真参数，编写正侧视稀疏sar点目标成像的程序。[0116]图1(a)是经chirp scaling算法的成像结果图，从图中可以明显看出点目标有着丰富的旁瓣。图1(b)为ist算法的成像结果，与图1(a)相比点目标的聚焦性有所提高，同时目标的旁瓣有所减少。图1(c)为l1/2阈值迭代算法的成像结果，可以看出点目标的旁瓣大大减少，目标的能量提高，成像质量显著提升。图1(d)为本发明的成像结果，可以看出点目标的成像质量相比于chirp scaling算法和ist算法在聚焦效果上有了显著的提升，目标的旁瓣大大降低，目标的能量明显提高。[0117]表1 sar成像仿真参数[0118][0119]实施例二[0120]条带场景区域中点目标1、2、3、4、5的方位向剖面图分别为图2(a)至图2(e)所示，通过每个点目标方位向的剖面图可以明显看出，chirp scaling算法重建目标的方位向分辨率最差，旁瓣的收敛速度也最慢；ist算法重建目标的方位向分辨率优于chirp scaling算法，其旁瓣收敛速度较chirp scaling算法有所提高；l1/2阈值迭代算法重建目标的方位向分辨率较chirp scaling算法和ist算法有了大幅提高，其旁瓣收敛速度也更快；改进l1/2阈值迭代算法重建目标的旁瓣收敛速度虽没有l1/2阈值迭代算法快但其主瓣宽度更窄，因此其方位向分辨率较l1/2阈值迭代算法有所改善。[0121]条带区域场景中的5个点目标方位向分辨率进行了详细的分析，结果见表2所示。通过对比表2中的数据可以看出，改进的l1/2阈值迭代算法在方位向分辨率相较于其它四种算法更高。[0122]表2四种算法中5个点目标成像分辨率分析[0123][0124]实施例三[0125]图3(a)是在欠采样25％的条件下chirp scaling算法成像结果。图3(b)是在欠采样25％时ist算法成像结果，对比图3(a)可以看出在同样的欠采样的条件下ist算法成像聚焦效果有所提升。图3(c)是在欠采样25％时l1/2阈值迭代算法成像结果，可以看出点目标旁瓣明显减少，成像质量明显提高。图3(d)是在欠采样25％时改进l1/2阈值迭代算法成像结果图，可以看出点目标的成像质量相比于chirp scaling算法和ist算法在聚焦效果上有了显著的提升。[0126]表3四种算法中方位向欠采样25％时5个点目标的分辨率[0127][0128]表3是在sar回波数据方位向欠采样25％的情况下四种算法对条带区域场景中5个点目标的分辨率分析，对比表中的数据可以明显的看出，本文所提改进l1/2阈值迭代算法较其它三种算法对重建点目标的分辨率有一定的改善。[0129]作为方案之一，本公开的实施例提供了一种高分辨率sar成像装置，应用于稀疏恢复sar成像的迭代算法，所述装置包括：[0130]初始化模块，其配置为初始化sar原始数据；[0131]第一处理模块，其配置为对二维观测场景复图像进行第一处理，得到第一处理结果；[0132]标记模块，其配置为基于第一处理结果得到标记值；[0133]第二处理模块，其配置为对标记值进行第二处理，得到第二处理结果；[0134]第三处理模块，其配置为至少基于第二处理结果、二维观测场景复图像进行第三处理，得到第三处理结果；[0135]循环处理模块，其配置为在迭代次数不大于最大迭代次数的情况下，至少对第三处理结果做赋值处理，循环直至迭代次数大于最大迭代次数。[0136]作为一种实施方式，本公开的高分辨率sar成像装置，可以结合前文所述各步骤，初始化模块进一步配置为：初始化数据包括：[0137]sar原始二维回波数据为y；[0138]二维观测场景复图像xn、vn赋值为0，其中n＝0,1,2…；[0139]最大迭代次数imax。[0140]作为一种实施方式，本公开的高分辨率sar成像装置，可以结合前文所述各步骤，第一处理模块进一步配置为：对二维观测场景复图像xn进行gcs操作，即[0141][0142]其中[0143]fa和fr分别表示方位向和距离向傅里叶变换；和分别表示距离向和方位向傅里叶逆变换；θsc表示chrip-scaling解耦算子；θac表示方位压缩及相位校正；θrc表示距离压缩和一致距离徙动校正；⊙表示hadamard乘积。[0144]作为一种实施方式，本公开的高分辨率sar成像装置，可以结合前文所述各步骤，标记模块进一步配置为：[0145]将sar原始二维回波数据y与gcs(xn)的值作差得到的值记为s。[0146]作为一种实施方式，本公开的高分辨率sar成像装置，可以结合前文所述各步骤，第二处理模块进一步配置为：[0147]对s值进行ics操作，即[0148][0149]fa和fr分别表示方位向和距离向傅里叶变换；和分别表示距离向和方位向傅里叶逆变换；θsc表示chrip-scaling解耦算子；θac表示方位压缩及相位校正；θrc表示距离压缩和一致距离徙动校正；⊙表示hadamard乘积。[0150]作为一种实施方式，本公开的高分辨率sar成像装置，可以结合前文所述各步骤，第三处理模块进一步配置为：[0151]将ics(s)与二维观测场景复图像xn、vn作和得到[0152]其中其中α＝1，n＝0,1,…；[0153]对进行hλ,μ,1/2操作，即[0154]式中ηλ,μ,1/2(zi)为：[0155][0156]式中，其中λ＞0为正则化参数，μ为用来控制梯度下降算法收敛速度的参量，其取值范围为得到xn+1。[0157]作为一种实施方式，本公开的高分辨率sar成像装置，可以结合前文所述各步骤，循环模块进一步配置为：[0158]将迭代次数l和初始化设置的最大迭代次数imax进行比较，若l》imax则退出循环，否则将xn+1赋值给xn，vn+1赋值给vn，进入下一次循环。[0159]具体来说，本公开的发明构思之一，旨在通过上诉高分辨率sar成像方法、高分辨率sar成像装置及计算机可读存储介质，主要解决基于稀疏恢复sar成像计算量巨大、实时性低的问题，提出一种改进的l1/2阈值迭代高分辨率sar成像算法。该算法对现有的l1/2阈值迭代算法进行改进，并结合sar近似观测模型，可以在大场景且方位向有数据丢失的情况下实现快速高分辨成像，提升sar成像的实时性，在l1/2正则化理论的基础上，对其梯度算子进行相应的改进，形成改进的l1/2阈值迭代算法，并结合近似观测模型对sar回波数据进行处理，以提升成像实时性、分辨率等性能，稀疏观测场景下通过本公开各实施例能够在稀疏采样的情况下对目标实现高分辨率成像。[0160]本公开还提供了一种计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，主要实现根据上述的高分辨率sar成像方法，至少包括：[0161]初始化sar原始数据；对二维观测场景复图像进行第一处理，得到第一处理结果；基于第一处理结果得到标记值；对标记值进行第二处理，得到第二处理结果；至少基于第二处理结果、二维观测场景复图像进行第三处理，得到第三处理结果；在迭代次数不大于最大迭代次数的情况下，至少对第三处理结果做赋值处理，循环直至迭代次数大于最大迭代次数。[0162]以上实施例仅为本公开的示例性实施例，不用于限制本公开，本公开的保护范围由权利要求书限定。本领域技术人员可以在本公开的实质和保护范围内，对本公开做出各种修改或等同替换，这种修改或等同替换也应视为落在本公开的保护范围内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!