基于水平集演化和支持向量機分類的 高分辨率遙感圖像自動變化檢測

嚴明　曹國　夏夢

摘要：提出了基于水平集演化和支持向量機（SVM）分類的高分辨率遙感圖像變化檢測方法，該方法將像素級的和對象級的變化檢測方法相結合，運用了像素特征和對象特征以提高變化類和非變化類的準確率。在像素級上，變化檢測問題轉化為水平集演化的圖像分割問題。在對象級上，本文可以從分割結果中為SVM分類器自動地選擇潛在的訓練樣本。最終將基于像素級的變化和基于對象級的變化相結合得到最終的變化結果。所提出的方法的主要優勢在于可以自動選擇合適的樣本進行SVM分類器訓練。此外，提出的方法可以有效的提高精確度和自動化水平。通過SPOT5圖像和航空圖像進行實驗，結果表明該方法是有效的。

關鍵詞：

變化檢測;水平集演化;支持向量機（SVM）;多分辨率分析;圖像分割

DOI：10.15938/j.jhust.2019.01.013

中圖分類號： TP752

文獻標志碼： A

文章編號： 1007-2683（2019）01-0078-07

Automatic Change Detection of High Resolution Remote

Sensing Images Based on Level Set Evolution

and Support Vector Machine Classification

YAN Ming，CAO Guo，XIA Meng

（School of Computer Science and Technology， Nanjing University of Science and Technology， Nanjing 210094， China）

Abstract：We propose a method for change detection in high?resolution remote sensing images by means of level set evolution and Support Vector Machine （SVM） classification， which combined both pixel?level method and object?level method?Both pixel?based change features and object?based ones are extracted to improve the discriminability between the changed class and the unchanged class?At the pixel?level， the change detection problem is formulated as a segmentation issue using level set evolution in the difference image?At the object?level， potential training samples are selectedfrom the segmentation results without manual intervention into SVM classifier?Thereafter， the final changes are obtained by combining the pixel?based changes and the object?based changes?A chief advantage of our approach is being able to select appropriate samples for SVM classifier training?Furthermore， our proposed method helps improving the accuracy and the degree of automation?We systematically evaluated it with a variety of SPOT5 images and aerial images?Experimental results demonstrated the accuracy of our proposed method

Keywords：change detection; level set evolution; support vector machine （SVM）; multi?resolution analysis; image segmentation

0引言

變化檢測（CD）是許多遙感應用中的一個重要手段，例如城市發展研究，自然災害損害評估，環境監測。在已有的文獻中已經提出了不同的方法來解決自動或半自動化變化檢測問題。經典的變化檢測技術使用單個像素作為它們的基本分析單位（基于像素的變化檢測）。已有不同的基于像素的變化檢測技術，包括后分類[1-3]，圖像差分，變化向量分析[4-6]，主成分分析[7]。圖像分割[8-9]，機器學習[10]和基于地理信息系統（GIS）的方法都已被用于變化檢測研究當中。其中的很多方法都已經成功的被用在低、中空間分辨率圖像的變化檢測當中。然而，基于像素的方法在超高分辨率（VHR）圖像上的研究少之又少。在VHR圖像中由于異物同譜以及同物異譜，會導致椒鹽效應。經典的基于像素級方法的變化檢測的另一個重要的局限性是難以對上下文信息建模。近年來，高性能計算系統和高效軟件算法為多光譜和多尺度遙感圖像的分割和特征提取提供了便利。這些發展使得能夠實現稱為基于對象的變化檢測。

基于對象的變化檢測方法可以根據光譜屬性、形狀、文理、大小以及拓撲結構將圖像細分為有意義的均勻區域，然后將它們組織為圖像對象，并且進一步將對象分為變化的和未變化的類。許多研究人員針對VHR圖像一直在研究基于對象的變化檢測方法。Huo等[11]提出了一種基于SVM的方法，主要是通過動態調整訓練樣本和逐漸調整分類超平面。 為了應對VHR圖像中的高內部差異性，Volpi等[12]采用SVM非線性分類器進行變化檢測。 Im等[13]引進了基于對象/鄰域相關圖像分析和圖像分割技術的變化檢測方法。Su 等[14]應用紋理分析提高分類的準確性。 Hussian[15]和Chen等[16]通過比較不同技術的優點和缺點，給出了相應的變化檢測概述。基于對象的變化檢測方法的主要優點是對象的直接比較，還有助于算法實現。在對象級變化檢測中對象差分和在基于像素級變化檢測中的圖像差分操作類似。然而，由于對象具有不同的大小和形狀，變化檢測的結果很大程度上取決于分割的準確性。基于對象的變化檢測的另一個挑戰是要求選擇適當的閾值。由于閾值通常由研究人員直觀地定義，可能因此引入偏差。

針對VHR，盡管基于對象的變化檢測具有獨特的優勢，但基于像素的變化檢測仍然是遙感應用中的重要研究課題。 近年來，Bazi[8，17]和Celik等作者[9]應用水平集方法來處理變化檢測。 該方法的主要優點是能夠避免閾值選擇問題，而在基于像素的變化檢測方法中很難選擇最佳閾值。在基于對象的變化檢測方法中，由于SVM在處理高維數據中的強大能力，許多研究者選擇SVM分類器來分類特定對象的特征變化。盡管SVM在分類中具有優勢，但它需要預先標記訓練樣本，這限制了SVM用于自動變化檢測的應用。

為了解決上述問題，本文通過水平集演化和SVM分類將基于像素的方法和基于對象的方法結合在一起，以提高變化檢測的準確性。首先，提取出基于像素的和基于對象的變化特征;然后，使用多分辨率方法在不同的圖像上進行水平集演化，以將變化的與未變化的像素區分開;接下來，用SVM分類器自動選擇滿足變化率條件的訓練樣本;最終實現了水平集演化和SVM方法相結合的變化檢測。

1變化檢測方法

首先介紹兩種現有的基于像素和基于對象的變化檢測方法，然后分析這兩種方法的優缺點，將基于像素的方法和基于對象的方法結合在一起，提出本論文的方法。

1?1多分辨率水平集（MLS）算法

水平集方法是解決許多圖像和視頻分析問題的有效方法。在圖像分割應用中最著名的是Chan?Vese模型[11]。 Bazi等[17]首先將其擴展到變化檢測應用當中。 他們采用多分辨率水平集演化過程（MLS），通過2因子連續向下的對圖像采樣來分析從低分辨率到高分辨率的差分圖像。 相關的歐拉-拉格朗日方程在等式（1）中給出：

Φt=δ（Φ）?（X-c?2）?2-?（X-c?1）?2+v?div?（Φ|Φ|）?（1）

首先，使用Chan?Vese模型將低分辨率的差分圖像分割成變化的和未變化的區域，然后將從低分辨率獲得的分割結果放大2倍，用作下一階段更高分辨率下的變化檢測的初始分割估計，對下一更高分辨率級重復上述過程，直到最終分割結果到達原始圖像分辨率級。有關算法的詳細信息，請參考文[17]。該方法巧妙地避免了通過選擇閾值將改變的類與未改變的類分開，這在許多現有方法中通常是十分關鍵的問題。圖1，（a），（b）是在不同時間獲取的兩個有條紋的圖像，（c）是差分圖像，（d）顯示了由 MLS方法檢測到的變化區域。

1?2基于SVM的變化檢測

SVM分類器已在變化檢測應用中得到有效應用，一些研究[12，18]通過SVM對像素或特征進行分類進行變化檢測。 Huo等[11]提出了一種對象級的基于SVM的自動逐級分類方法。這些方法的主要難點是為SVM分類器選擇標記訓練樣本。正如Huo 等[11]所描述的，?D?i?越高，變化的概率也就越大。?D?i?是指兩幅圖像中對象?i?的特征差異。因此，第一個?α×N?最大部分D（對象特征集）對應的樣本被視為正樣本。同樣的，與第一個?α×N?最小部分D對應的樣本可以被視為負樣本，?N?是對象的數量。這里本文給出兩個（如圖2）使用ISVM和變換TSVM[12]的例子，其中參數?α?設置為0?3。使用ISVM和TSVM分類的結果相似。但它們與地面真實圖相比并不相符。后處理或重新優化分類可以改進初始分類結果。值得注意的是，訓練樣本僅基于相對變化。無論重新優化分類的過程是什么，訓練樣本的不確定性不會改變。當變化或未變化區域復雜或包含不同類型的變化時，這方法可能失效。

1?3變化檢測方法的提出

上述MLS算法為本文提供了一種新的變化檢測方法。值得注意的是，MLS方法在處理VHR遙感圖像中會產生大量噪聲，如圖1（d）所示。 為了解決該問題，本文提出了一個改進型的添加鄰域約束的MLS方法。Chan?Vese模型假設相鄰像素的標簽是獨立的，這在大多數圖像分割任務中是不相符的。通過考慮每個像素的鄰近標簽關系對Chan?Vese[16]模型改進，添加懲罰項?P（x|N?x）：

P（x∈w?i|N?x）=?exp?-N?L（N?1+N?2）·σ?2，

L=1，i=2?2i=1（2）

其中：N?1和N?2分別是標簽不變和標簽改變的相鄰像素的數量。N?x表示像素x的鄰域。w?i表示類標簽（包括已變化類和未變化類）。對于分段常數情況，能量函數的推到為：

Φt=δ（Φ）?（X-c?2）?2-（X-c?1）?2+η（β?2（X）-

β?1（X））+v?div?（g（X，α）Φ|Φ|）（3）

其中：Φ為水平集函數;δ為狄拉克δ函數;β為懲罰項的對數概率;η為可以控制懲罰項影響的參數;c?1和c?2分別為變化和未變化類的平均值; v≥0，g（X，α）在均勻區域為正，在邊緣為零;?div?表示散度運算符。改進的?MLS（MLSNC）?的一般過程如下：

步驟1：設置分辨率級L的數量，并且通過因子2i（i=0，1，...，L）向下采樣差分圖像?X?來生成低分辨率圖像。

步驟2：設置i=L和演化迭代的次數N?iter?，并初始化水平集。

步驟3：在級別i上運行?Chan?Vese?算法以獲得

粗略輪廓。

步驟4：運行改進的演化模型以獲得精細輪廓。

步驟5：取樣分割結果，設置i=i-1并重復步驟3和4，直到i=0。

步驟6：在像素級上生成變化檢測結果。

圖1給出了在VHR圖像上由MLS和改進的MLS算法檢測到的變化。從圖1（d）可以看出，MLS方法存在很多噪聲，例如孤立噪聲，變化區域中的孔或鋸齒邊界，這是由于在曲線演化階段不考慮像素之間空間關系的結果。從圖1（e）可以看出，通過對差分圖像應用鄰域約束可以提高MLS算法的性能。

雖然改進的MLS算法可以獲得變化區域并降低對噪聲的影響，但是在VHR圖像中還是會存在太多的噪聲，如圖1（e）所示。基于SVM的分類方法為高維數據集分類提供了一種途徑，并描述類之間的非線性決策邊界。然而，SVM分類器需要適當的訓練樣本。為了解決這些問題，本文將它們組合在一起以改善變化檢測性能。本文提出的方法過程如下：

步驟1：運行改進的MLS算法，得到像素級的變化信息。

步驟2：計算每個對象?CR?i的變化率，基于閾值T?max?獲得初始變化圖M?L。其中CR?i≥T??max?的區域被認為是改變的對象。

步驟3：選擇訓練樣本以訓練?SVM?分類器。滿足CR?i≥T??max?的對象為正樣本，相反，滿足CR?i≤T??min?的對象為負樣本。

步驟4：通過分類整個特征集得到變化圖M?S。

步驟5：通過融合M?L和M?S的結果獲得最終變化圖。

與基于像素的變化指標不同，特征的消失或出現經常發生在對象內，這意味著對象可以部分地改變（例如，小的，中等的或主要的變化）。閾值T??max?和T??min?將對象集分成3個類，如圖3所示。滿足條件CR?i≥T??max?的對象會發生大的或完全的變化。這樣的類被標記為變化類。滿足條件CR?i≤T??min??的對象將沒有變化或只有微小的變化。本文假定這些對象是不變的。理論上落入閾值之間的對象所在的區域被認為是不確定區域。如何對不確定區域中的對象進行分類成為一個關鍵問題。幸運的是，本文有來自改進的基于像素的MLS算法的正和負樣本。將SVM分類器應用到訓練樣本，可以得到整個集合的改變圖。

2數據集介紹和實驗設計

2?1遙感數據

在實驗中，本文采用了多種不同時間獲得的遙感圖像數據集。第1個數據集包含2006年和2007年12月獲得的高分辨率（6407×5521像素）SPOT5多光譜圖像。運用該影像數據的部分區域進行了第1和第2個實驗。第2個數據集是分別在2000年和2005年獲得的大小為492×394像素的兩幅航空圖像。

2?2預處理

遙感圖像的圖像配準和輻射標準化是非常必要的預處理步驟，在本文中，不同時間的圖像數據通過配準算法[19]進行自動配準，配準誤差小于0?5像素（RMSE）。通過使用直方圖匹配法來實現相對輻射校正。選擇具有大相關系數的像素作為用于輻射校正的不變類。最后，計算每波段的直方圖，并且將累積直方圖相對于參考直方圖作調整。

2?3分割和變化特征提取

在基于對象的變化檢測任務中，通常對遙感圖像進行分割，用以產生可以從中生成圖像對象的“區域”或超像素，從而使得遙感圖像分析對于配準誤差不敏感，也對噪聲更魯棒。本文選擇Felzenszwalb和Huttenlocher[20]中提出的基于圖的分割方法來將雙時間圖像劃分為有意義的對象。在對共同配準圖像作分割后，再根據Huo等提出的比較后處理獲得最終對象。

像素級變化特征圖通常稱為“差分圖像”，其可以用于共同配準的多光譜圖像?D（x，y）來表示。

D（x，y）=1C·∑?C?i=1?（I?1?（i）?（x，y）-I?2?（i）?（x，y））?2（4）

對象R?j基于對象的變化幅度由D?j描述[11]：

D?j=1‖R?j‖×C·∑?C?i=1?∑（x，y）∈R?j（I?1?（i）?（x，y）-I?2?（i）?（x，y））?2（5）

其中：C為光譜帶的數量;I?1?（i）?（x，y）為在第?i?個帶的位置（x，y）處的光譜值，‖R?j‖為區域R?j內的像素數。一般來說，只有對象級差異D?j不能足以提取?VHR?圖像中包含的變化，因此將原始光譜值相加以形成變化特征向量。

F?i=[I?（1）?1（R?i），...I?（c）?1（R?i），I?（1）?2（R?i），...I?（c）?2（R?i），D?i]（6）

3實驗結果與討論

為了驗證本文提出方法的有效性，本文使用不同時間得到的VHR圖像進行實驗。對于水平集演化，參數值的設置為與MLS算法相同[17]。本方法設置水平集模型的正則化參數?μ=0?1，時間和步長分別為?Δ?t=0?1和η=?（c?1-c?2）?2?。分辨率的數量固定為3個級別（即低、中和高）。低、中和高分辨率的迭代次數分別固定為400，200和100。在改進的MLS分割程序中，3個分辨率級別中加權系數都為0?5。閾值?T??max?和?T??min?的確定對于在SVM分類之前選擇訓練樣本是非常重要的。如圖4所示，使用圖2中的圖像，對所提出的方法當?T??max?在0?5～0?6之間且?T??min?在0?1～0?3之間時可以獲得良好的性能。在以下實驗中，設置?T??max?=0?5和?T??min?=0?1，采用高斯徑向基函數內核?K?（a，b）=e?‖ a-b ‖?2?為SVM內核模型，通過實驗參數?γ?=10。本文采用SVMlight軟件，SVM分類器包括TSVM和ISVM。為了簡化不同方法的描述，本文將MLS（MLSNC）與ISVM組合的方法命名為MLS_ISVM（MLSNC_ISVM）。ISVM_CD（TSVM_CD）表示使用具有0?3×?N?最大和最小對象特征集的樣本分別用于訓練ISVM（TSVM）的方法，并且所有對象被分類為變化和未變化類。

第1個數據集是2006年和2007年12月獲取的高分辨率（6407×5521像素）SPOT5多光譜圖像。在拍攝時間內一些草地變為裸露土地，一些新建筑物出現。選擇750×1000像素的小區域進行實驗。通過MLS和MLSNC算法獲得的變化檢測結果如圖5所示，其驗證了基于像素的方法檢測VHR圖像變化的局限性。圖5（a）顯示不同顏色的分割對象。圖5（b）和5（c）分別是ISVM_CD和TSVM_CD的結果。由圖可見，許多道路區域和建筑物被錯誤地歸類為變化區域。 MLSNC_ISVM方法給出的結果與手工標注的較為接近。實驗表明，本文所提出的方法比MLS算法和基于SVM的分類方法效果要好。

實驗二中，本文選擇了512×512像素大小的區域，如圖6所示。在兩個不同的拍攝日期，水域和草地部分成為裸露土地。圖6（a）和（b）分別示出了MLS和改進的MLS方法的變化檢測結果。從結果中可知，兩種算法都可以檢測變化的區域。此外，通過對差分圖像應用鄰域約束，提高了MLS抗噪聲的性能。顯然，這兩種方法會產生許多小的噪聲區域。MLS_ISVM和MLS_TSVM方法生成類似的結果，由于輸入數據是基于對象的，所以消除了許多噪聲區域。與上述方法相比，MLSNC_TSVM方法具有最佳的變化檢測性能。實驗證明，MLSNC和SVM的結合比MLS和SVM的結合產生更好的變化檢測結果。

在實驗三中本文采用了分別在2000年和2005年拍攝的航空影像，如圖7所示截取492×394區域。在拍攝圖像期間增加了幾片新建筑物。從圖7可以看出本文提出的算法結果更接近真實的變化結果。基于SVM的分類方法（ISVM_CD，TSVM_CD）產生更多的變化對象。與其他方法相比，MLS和MLSNC方法有更多的噪聲。在實驗中，比率等于或大于?T?max的白色物體被認為是變化的物體（?M?L?），如圖7（j）所示用作正樣本。本文使用訓練的SVM模型來分類所有對象，圖7（k）顯示最終的分類結果?M?S。實驗表明，本文的大多數實驗表明這樣的分類結果M?S是可行的。并提出使用M?L和M?S?的結合來改進分類結果作為最終變化的圖。圖7（i）是依據本文提出的方法所獲得的最終結果。值得注意的是，本文所提出的方法通過對所有圖像對應用相同的水平集初始化和SVM訓練參數可以產生良好的變化檢測性能，這證明了本文的檢測算法是有效的。

基于手工標注的變化檢測結果，本文采用下面3個指標來評價算法性能：①錯誤率（PE）;②誤報率（PF）;③漏報率（PM）。第一個指標通常是最重要的。表1列出了對比結果，對于TSVM_CD方法，每個評價結果都比較差。對于第一數據集，確實存在許多小的變化區域，因此基于像素（MLSNC）的方法具有好的檢測性能。由于對象分割問題，地面真實圖中的小變化區域不被分割為對象，從而導致無法檢測出這些區域。3個實驗的結果表明，本文所提出的算法的精度明顯優于其他兩種算法。

在實驗中，當參數?η?設置為0時與Bazi的方法效果相同。為了引入鄰域約束本文根據變化和未變化的類的平均值自適應地設置參數?η?。通過實驗表明這樣的參數設置更合理。對于ISVM_CD和TSVM_CD方法，本方法根據實驗和Huo等的工作[11]將參數設置為：?α?=0?3。盡管本文提出的方法與其他方法相比獲得了更好的結果，但是當差異圖像包含不同類型的變化時，因為水平集對初始化較為敏感，它仍可能會失效。

4結語

本文提出了一種通過結合多分辨率水平集演化和SVM分類的自動變化檢測方法。通過改進水平集模型并將其應用在像素級變化檢測中，進而選擇樣本訓練SVM分類器。分類后，將像素級的變化檢測結果與對象級的結果相結合完成最終的變化檢測。針對VHR圖像，基于像素的水平集演化由于對象內的差異性存在過多噪聲，而基于SVM的方法需要預先標記訓練樣本。本文將這兩種方法結合在一起，實驗表面可以有效提高變化檢測精度。然而，與大多數現有的基于對象的變化檢測方法一樣，本文所提出的方法仍然依賴于圖像分割的精度。將圖像分割成合適的有意義的對象或超像素將是本課題組未來工作的一個方向。

參 考 文 獻：

[1]CHANG Ni?Bin， HAN Min. Change Detection of Land Use and Land Cover in an Urban Region with SPOT?5 Images and Partial Lanczos Extreme Learning Machine[J]. Journal of Applied Remote Sensing， 4， 043551， 2010（4）：1-15.

[2]GHOSH A， MISHRA N S， GHOSH S. Fuzzy Clustering Algorithms for Unsupervised Change Detection in Remote Sensing Images[J]. Information Sciences， 2011（181）：699.

[3]JI W， MA J， TWIBELL R W， et al. Characterizing Ubran Sprawl Using Multi?stage Remote Sensing Images and Landscape Metrics[J]. Computers， Environment and Ubran Systems， 2006（30）： 861.

[4]BRUZZONE L，PRIETO D F. Automatic Analysis of the Difference Image for Unsupervised Change Detection[J]. IEEE Transactions on Geoscience and Remote Sensing， 2000（38）：1171.

[5]IM J， JENSEN J R， MICHAEL E. Optimizing the Binary Discriminant Function in Change Detection Applications[J]. Remote Sensing of Environment， 2008（112）：2761.

[6]ROUHOLLAH Dianat， SHOHREH Kasaei. Change Detection in Remote Sensing Images Using Modified Polynomial Regression and Spatial Multivariate Alteration Detection[J]. Journal of Applied Remote Sensing， 2009（3）： 033561.

[7]BAO Nisha， LECHNER Alex M. Comparison of Relative Radiometric Normalization Methods Using Pseudo?invariant Features for Change Detection Studies in Rural and Urban Landscapes[J]. Journal of Applied Remote Sensing， 2012（6）： 063578.

[8]BAZI Y， MELGANI F. A Variational Level?set Method for Unsupervised Change Detection in Remote Sensing Images[J]. In Proc. IEEE Int. Conf. Geosci. Remote Sens. Symp.， 2009（2）： 984.

[9]CELIK Turgay， MA Kai?Kuang. Multitemporal Image Change Detection Using Undecimated Discrete Wavelet Transform and Active Contours[J]. IEEE Transactions on Geoscience and Remote Sensing， 2011， 49（2）： 706.

[10]PIJANOWSKI B C， PITHADIA S， SHELLITO B A， et al. Calibrating a Neural Network?based Urban Change Model for Two Metropolitan Areas of the Upper Midwest of the United States[J]. International Journal of Geographical Information Science， 2005（19）：197.

[11]HUO Chunlei， ZHOU Zhixin， LU Hanqing， et al. Fast Object?level Change Detection for VHR Images[J]. IEEE GeoScience and Remote Sensing Letters， 2010， 7（1）：118.

[12]VOLPI Michele， TUIA Devis， BOVOLO Francesca， et al. Supervised Change Detection in VHR Images Using Contextual Information and Support Vector Machines[J]. International Journal of Applied Earth Observation and Geoinformation， 2011（20）：77.

[13]IM J， JENSEN J R， TULLIS J A. Object?based Change Detection Using Correlation Image Analysis and Image Segmentation[J]. International Journal of Remote Sensing， 2008， 29（2）：399.

[14]SU W， LI J， CHEN Y， et al. Textural and Local Spatial Statistics for the Object?oriented Classification of Urban Areas Using High Resolution Imagery[J]. International Journal of Remote Sensing， 2008（29）： 3105.

[15]HUSSAIN Masroor， CHEN Dongmei， CHENG Angela， et al. Change Detection from Remotely Sensed Images：From Pixel?based to Object?based Approaches[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2013（80）： 91.

[16]CHEN Gang， GEOFFREY J Hay， LUIS M T， et al. Object?based Change Detection[J]. International Journal of Remote Sensing， 2012，33（14）：4434.

[17]BAZI Y， BRUZZONE L， MELGANI F. Unsupervised Change Detection in Multispectral Using Level Set Methods[J]. IEEE Transactions on Geoscience and Remote Sensing， 2010，48（8）： 3178.

[18]BOVOLO F， BRUZZONE L， MARCHESI Silvia. Analysis and Adaptive Estimation of the Registration Noise Distribution in Multitemporal VHR Images[J]. IEEE Transactions on Geoscience and Remote Sensing， 2009，47（8）： 2658.

[19]ZHANG Jieyu， QIANG Chen. A Highly Repeatable Feature Detector： Improved Harris?Laplace[J]. Multimedia Tools and Applications， 2011（52）：175.

[20]FELZENSZWALB P F， HUTTENLOCHER D. Efficient Graph?based Image Segmentation[J]. International Journal of Computer Vision， 2010， 59（2）：167.