视网膜病变检测方法、装置及计算机可读存储介质与流程

本发明涉及图像识别技术领域，尤其涉及一种视网膜病变检测方法、装置及计算机可读存储介质。

背景技术：

早产儿视网膜病变(retinopathyofprematurity，rop)是一种影响早产儿和出生低体重儿的血管增生性视网膜疾病，我国出生体重≤1500g婴儿rop发生率为26.0％。早期筛查和及时干预是预防rop致盲的关键因素，而rop的治疗窗较小。目前，眼底筛查通常的方法是使用专业设备采集一组新生儿的眼底图像数据，然后由专业眼科医生对这一组图像数据进行诊断，然而由于不同地理区域医疗资源的不平衡，rop筛查存在许多障碍。第一，缺乏医疗设备和人员进行rop检查。第二，眼科医生的培训不够规范，合格的眼科医生也很少。第三，发展中国家没有充分执行rop筛选政策。在欠发达地区，由于缺乏及时筛查和早期治疗，许多早产儿失明。因此，需要一种更加智能化的rop检测方法。

技术实现要素：

本申请提供一种视网膜病变检测方法，所述视网膜病变检测方法包括：

获取待测眼底图片；

将所述待测眼底图片输入到第一神经网络模型中，对所述待测眼底图片进行质量判别；

当所述待测眼底图片的质量合格时，将质量合格的所述待测眼底图片输入到第二神经网络模型中进行视网膜病变的检测。

本申请提供的视网膜病变检测方法，首先随机获取一定数量的待测眼底图片，然后将这些待测眼底图片输入到第一神经网络模型中，所述第一神经网络模型用于对待测眼底图片的质量进行初步筛选，当待测眼底图片的质量初步筛选合格时，再将质量合格的待测眼底图片输入到第二神经网络模型中，所述第二神经网络模型用于对待测眼底图片中呈现出来的特征进行视网膜病变检测。通过本申请实施例提供的视网膜病变检测方法可以提高早产儿视网膜病变检测的效率，且有助于提高检测的准确率。

本申请还提供一种视网膜病变检测装置，所述视网膜病变检测装置包括：

获取模块，用于获取待测眼底图片；

输入判别模块，用于将所述待测眼底图片输入到第一神经网络模型中，对所述待测眼底图片进行质量判别；

第一输入检测模块，用于当所述待测眼底图片的质量合格时，将质量合格的所述待测眼底图片输入到第二神经网络模型中进行视网膜病变的检测。

附图说明

为了更清楚地说明本申请实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的第一种视网膜病变检测方法的流程图。

图2是本申请实施例提供的第二种视网膜病变检测方法的流程图。

图3是本申请实施例提供的第三种视网膜病变检测方法的流程图。

图4是本申请实施例提供的第四种视网膜病变检测方法的流程图。

图5是本申请实施例提供的第五种视网膜病变检测方法的流程图。

图6是本申请实施例提供的第六种视网膜病变检测方法的流程图。

图7是本申请实施例提供的第一种视网膜病变检测装置的结构示意图。

图8是本申请实施例提供的第二种视网膜病变检测装置的结构示意图。

图9是本申请实施例提供的第三种视网膜病变检测装置的结构示意图。

图10是本申请实施例提供的第四种视网膜病变检测装置的结构示意图。

图11是本申请实施例提供的第五种视网膜病变检测装置的结构示意图。

图12是本申请实施例提供的第六种视网膜病变检测装置的结构示意图。

具体实施方式

下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施方式，都属于本申请保护的范围。

请参阅图1，图1是本申请实施例提供的第一种视网膜病变检测方法的流程图。在本实施例中，所述视网膜病变检测方法包括但不限于步骤s100、s200和s300，关于步骤s100、s200和s300的详细介绍如下。

s100：获取待测眼底图片。

其中，眼底是指眼球内后部的组织，即眼球的内膜包括视网膜、视乳头、黄斑和视网膜中央动静脉。眼底图片即为包括眼球内膜特征的图片。

所述待测眼底图片可以是实时获取的，也可以是提前拍摄好的。所述待测眼底图片可以为一张，也可以为多张。

s200：将所述待测眼底图片输入到第一神经网络模型中，对所述待测眼底图片进行质量判别。

其中，神经网络的基本思想是模拟计算机“大脑”中的多个互连细胞，使它能够从环境中学习，识别不同的模式，通俗一点来说就是模仿人类的思维模式进行决策。一个基本神经网络包含数百万个被称为单元的人工神经元。这些单元分层排列，每一层都互相连接。单元划分为三个部分：输入单元用于接受外部环境的信息；隐藏单元用于最终输入到输出单元，每个隐藏单元都是其输入的压缩线性函数；输出单元，这些信号表示网络应如何响应最近获取的信息。

在本实施例中，输入单元用于接收输入的待测眼底图片。输出单元是指响应于输入单元接收到的待测眼底图片，神经网络模型做出的反应。所述第一神经网络模型可以为vgg-16卷积神经网络模型，具备深度学习功能。

当神经网络模型被训练时，或者在训练之后刚开始运行时，使用不同的输入单元将不同的信息模式馈送到网络中。这些信息将触发隐藏组的层，然后到达输出单元。这被称为前馈网络，是常用的设计之一。当使用训练模型对神经网络进行了充分训练后，它会达到一个阶段，在该阶段会呈现一组全新的输入，这些输入在训练阶段没有遇到，且它可以预测出令人满意的输出。

第一神经网络模型为图像质量判别模型，用于判断所述待测眼底图片是否满足质量要求。这里的质量要求主要是指是否便于根据待测眼底图片判断视网膜病变的情况。当根据待测眼底图片可判断出视网膜病变的情况时，认为待测眼底图片的质量符合要求。当根据待测眼底图片无法判断视网膜病变的情况时，认为待测眼底图片的质量不符合要求，这时可能需要对图片进行处理校正或者考虑更换眼底图片。

s300：当所述待测眼底图片的质量合格时，将质量合格的所述待测眼底图片输入到第二神经网络模型中进行视网膜病变的检测。

其中，视网膜病变(retinopathy，rop)分类较多，常见的有视网膜脱离、黄斑病变、眼外伤、糖尿病性视网膜病变、眼内炎、球内异物、先天性眼病，如新生儿视网膜病变、眼内寄生虫，以最常见的视网膜脱离为例。

第二神经网络模型为视网膜病变预测模型，用于对质量合格的眼底图片对应的早产儿进行视网膜病变的预测。所述第二神经网络模型也可以为vgg-16卷积神经网络模型，具备深度学习功能。

当待测眼底图片的质量合格时，根据所述待测眼底图片可以判断视网膜病变的情况，因此，为了对该眼底图片对应的早产儿是否具有视网膜病变的情况进行预测，需要将质量合格的待测眼底图片输入到第二神经网络模型中检测。

本方案可以使儿科眼科医生从冗长而耗时的图片阅读任务中解脱出来，用于rop的筛选。第一个优点是稳定性，因为所有的图片都以相同的方式进行分析，不涉及主观性。虽然这项工作对儿科眼科医生来说是应尽的职责，但由于疲劳、情绪和各种主观原因，人类并不总是处于最佳状态。第二个优点，一旦得到适当的培训，就不会出现这种错误。第三个优点是可配置性。基于不同的任务需求，可以给出相应的分类策略，例如用于rop筛选的高灵敏度配置。

本申请提供的视网膜病变检测方法，首先随机获取一定数量的待测眼底图片，然后将这些待测眼底图片输入到第一神经网络模型中，所述第一神经网络模型用于对待测眼底图片的质量进行初步筛选，当待测眼底图片的质量初步筛选合格时，再将质量合格的待测眼底图片输入到第二神经网络模型中，所述第二神经网络模型用于对待测眼底图片中呈现出来的特征进行视网膜病变检测。通过本申请实施例提供的视网膜病变检测方法可以提高早产儿视网膜病变检测的效率，且有助于提高检测的准确率。

请继续参阅图2，图2是本申请实施例提供的第二种视网膜病变检测方法的流程图。第二种视网膜病变检测方法与第一种视网膜病变检测方法基本相同，不同之处在于，在本实施例中，所述“s200：将所述待测眼底图片输入到第一神经网络模型中，对所述待测眼底图片进行质量判别”包括但不限于步骤s210、s220和s230，关于步骤s210、s220和s230详细介绍如下。

s210：判断所述待测眼底图片中是否具有眼球内膜特征，所述眼球内膜特征包括：视网膜、视乳头、黄斑和视网膜中央动静脉中的一种或多种。

其中，待测眼底图片中可以仅包括视网膜、视乳头、黄斑和视网膜中央动静脉中的一种，也可以同时包括视网膜、视乳头、黄斑和视网膜中央动静脉中的多种。

在对待测眼底图片的质量进行判别时，首先需要对待测眼底图片中是否包含眼球内膜特征进行判断，只有在确保待测眼底图片中包含有眼球内膜特征时，才能对待测眼底图片对应的早产儿是否具有视网膜病变的情况进行检测，否则，如果待测眼底图片中根本就没有眼球内膜特征，那么对待测眼底图片的后续处理都没有意义，因此，只有在确保待测眼底图片中包含有眼球内膜特征时，才需要对所述待测眼底图片进行后续一系列的操作，有助于节省工作量。

s220：当所述待测眼底图片中具有眼球内膜特征时，判断所述待测眼底图片是否满足可识别要求，所述可识别要求包括：清晰度、图片视角以及所述眼球内膜特征在所述待测眼底图片中的占比。

具体的，在确保待测眼底图片中具有眼球内膜特征时，需要进一步判断待测眼底图片是否满足可识别要求。只有当待测眼底图片中的眼球内膜特征便于识别时，才能判断所述待测眼底图片对应的早产儿是否具有视网膜病变的情况。

进一步的，当待测眼底图片的清晰度达到预设清晰度时，认为待测眼底图片中的眼球内膜特征便于清晰的观察到，此时，就可以对待测眼底图片对应的早产儿是否具有视网膜病变的情况进行准确预测。

另外，当待测眼底图片的图片视角位于正常观察视角时，可以便于获取到较为全面的眼球内膜特征，此时，也可以对待测眼底图片对应的早产儿是否具有视网膜病变的情况进行准确预测。

更进一步的，当所述眼球内膜特征在所述待测眼底图片中的占比位于预设范围内时，可以便于较好的提取到眼球内膜特征，此时，也可以对待测眼底图片对应的早产儿是否具有视网膜病变的情况进行准确预测。

可以理解的，在其他实施方式中，所述可识别要求除了包括清晰度、图片视角以及所述眼球内膜特征在所述待测眼底图片中的占比以外，还可以包括眼球内膜特征是否被遮挡、涂抹等。

s230：当所述待测眼底图片满足可识别要求时，判定所述待测眼底图片的质量合格。

当所述待测眼底图片在具有早产儿的眼球内膜特征的基础上，还满足可识别要求时，认为待测眼底图片的质量合格。此时，可以采用质量合格的眼底图片进行视网膜病变的相关预测工作。

请继续参阅图3，图3是本申请实施例提供的第三种视网膜病变检测方法的流程图。第三种视网膜病变检测方法与第一种视网膜病变检测方法基本相同，不同之处在于，在本实施例中，当所述待测眼底图片质量不合格时，所述视网膜病变检测方法还包括但不限于步骤s400和s500，关于步骤s400和s500详细介绍如下。

s400：对所述待测眼底图片进行预处理，以使得所述待测眼底图片符合质量要求。

具体的，当获取到的待测眼底图片质量不合格时，为了避免需要重新获取图片，一种较为智能的方式是对质量不合格的眼底图片进行预处理，使得待测眼底图片满足质量要求。举例而言，当待测眼底图片中的眼球内膜特征有异物遮挡或者被涂抹时，可以借助于图像处理技术，将待测眼底图片清晰化处理，以使得所述待测眼底图片满足质量要求，进而提高视网膜病变判定结果的准确度。

s500：将经过预处理合格的所述待测眼底图片输入到第二神经网络模型中进行视网膜病变的检测。

进一步的，再将经过预处理后合格的待测眼底图片输入到第二神经网络模型中，根据提取到的眼底图片上的眼球内膜特征进行视网膜病变的预测。

请继续参阅图4，图4是本申请实施例提供的第四种视网膜病变检测方法的流程图。第四种视网膜病变检测方法与第三种视网膜病变检测方法基本相同，不同之处在于，在本实施例中，所述“s400：对所述待测眼底图片进行预处理，以使得所述待测眼底图片符合质量要求”包括但不限于步骤s410、s420和s430，关于步骤s410、s420和s430的详细介绍如下。

s410：将所述待测眼底图片放大预设倍数。

具体的，为了便于查看眼底图片中的眼球内膜特征，可以先将眼底图片中的眼球内膜特征放大预设倍数，以便于第二神经网络模型对眼球内膜特征的提取和解析。

s420：对放大预设倍数后的所述待测眼底图片中的眼球内膜特征进行校正，以使得所述眼球内膜特征在所述待测眼底图片中处于合适的位置以及角度。

进一步的，在一较佳实施方式中，为了使得眼球内膜特征较为完整清晰的呈现在待测眼底图片中，且处于合适的位置以及角度，需要对待测眼底图片中的眼球内膜特征进行校正，以便于第二神经网络模型对眼球内膜特征的提取和解析。

s430：去除所述待测眼底图片中除去所述眼球内膜特征的背景图像。

为了提高第二神经网络模型对待测眼底图片对应的早产儿是否具有视网膜病变的情况进行判断，可以提前将待测眼底图片中除去眼球内膜特征的背景图像去除，以便于第二神经网络模型快速的对眼底图片中的眼球内膜特征进行提取，有助于节省第二神经网络模型进行视网膜病变的求解时间，进而提高第二神经网络模型的效率。

请继续参阅图5，图5是本申请实施例提供的第五种视网膜病变检测方法的流程图。第五种视网膜病变检测方法与第一种视网膜病变检测方法基本相同，不同之处在于，在本实施例中，在所述“s200：将所述待测眼底图片输入到第一神经网络模型中，对所述待测眼底图片进行质量判别”和所述“s300：当所述待测眼底图片的质量合格时，将质量合格的所述待测眼底图片输入到第二神经网络模型中进行视网膜病变的检测”之前，所述视网膜病变检测方法还包括但不限于步骤s140、s160和s180，关于步骤s140、s160和s180的详细介绍如下。

s140：将随机获取的若干张图片输入第一神经网络模型中对所述第一神经网络模型进行训练，以使得所述第一神经网络模型具备识别图片质量的能力。

这是对第一神经网络模型进行训练的过程，其中，随机获取的若干张图片包括质量符合要求的眼底图片和质量不符合要求的眼底图片。使用由质量符合要求的眼底图片和质量不符合要求的眼底图片组成的训练集对第一神经网络模型进行训练，使得所述第一神经网络模型具备图像质量判别的能力。

s160：当所述第一神经网络判定目标图片符合质量要求时，对所述目标图片进行标记，所述标记包括所述目标图片具有视网膜病变和所述目标图片不具有视网膜病变。

其中，对符合质量要求的目标图片进行标记，这是一个监督学习的过程，监督学习是指利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。

监督模型是一种学习形式，其从先前标记的训练数据推断出特定功能。它使用监督学习算法，该算法包含一组带有相应标记正确输出的输入。标记的输入和标记的输出进行比较。鉴于两者之间的差异，您可以计算错误值，然后使用算法来学习输入和输出之间的映射。这里的最终目标是近似映射函数，如果接收到新的输入数据，则可以预测准确的输出数据。类似于教师监督学习过程，当算法达到令人满意的性能或准确度时，学习过程停止。

具体的，通过第一神经网络模型对上万张眼底图片的训练集进行预处理，去除质量不符合要求的图片。然后将与处理好的图片给儿童眼科医师进行标记，最后通过标记好的图片对第二神经网络模型进行训练，可以用于验证第二神经网络模型是否准确。

s180：将经过标记后的所述目标图片输入到第二神经网络模型中对所述第二神经网络模型进行训练，以使得所述第二神经网络模型具备判断图片是否具有视网膜病变的能力。

同样，这是对第二神经网络模型进行训练的过程。其中的图标图片是经过第一神经网络模型筛选后符合质量要求的图片，且图片上包含有儿童眼科医生添加的标记。

请继续参阅图6，图6是本申请实施例提供的第六种视网膜病变检测方法的流程图。第六种视网膜病变检测方法与第一种视网膜病变检测方法基本相同，不同之处在于，在本实施例中，所述“s300：当所述待测眼底图片的质量合格时，将质量合格的所述待测眼底图片输入到第二神经网络模型中进行视网膜病变的检测”包括但不限于步骤s310、s320、s330和s340，关于步骤s310、s320、s330和s340的详细介绍如下。

s310：提取质量合格的所述待测眼底图片中的眼球内膜特征。

s320：采用向量对所述眼球内膜特征进行表征，以得到表征向量。

对所述眼球内膜特征进行向量化处理，以得到表征所述眼球内膜特征的表征向量。

s330：将所述表征向量与所述第二神经网络模型中的向量集合进行比对。

s340：通过计算所述表征向量与所述向量集合之间的关联度对所述待测眼底图片进行视网膜病变的判断。

请继续参阅图7，图7是本申请实施例提供的第一种视网膜病变检测装置的结构示意图。在本实施例中，所述视网膜病变检测装置10包括但不限于获取模块100、输入判别模块200和第一输入检测模块310，关于获取模块100、输入判别模块200和第一输入检测模块310的介绍如下。

获取模块100，用于获取待测眼底图片。

输入判别模块200，用于将所述待测眼底图片输入到第一神经网络模型中，对所述待测眼底图片进行质量判别。

第一输入检测模块310，用于当所述待测眼底图片的质量合格时，将质量合格的所述待测眼底图片输入到第二神经网络模型中进行视网膜病变的检测。

请继续参阅图8，图8是本申请实施例提供的第二种视网膜病变检测装置的结构示意图。第二种视网膜病变检测装置10的结构与第一种视网膜病变检测装置10的结构基本相同，不同之处在于，在本实施例中，所述输入判别模块200包括但不限于第一判断模块210、第二判断模块220和判定模块230，关于第一判断模块210、第二判断模块220和判定模块230介绍如下。

第一判断模块210，用于判断所述待测眼底图片中是否具有眼球内膜特征，所述眼球内膜特征包括：视网膜、视乳头、黄斑和视网膜中央动静脉中的一种或多种。

第二判断模块220，用于当所述待测眼底图片中具有眼球内膜特征时，判断所述待测眼底图片是否满足可识别要求，所述可识别要求包括：清晰度、图片视角以及所述眼球内膜特征在所述待测眼底图片中的占比。

判定模块230，用于当所述待测眼底图片满足可识别要求时，判定所述待测眼底图片的质量合格。

请继续参阅图9，图9是本申请实施例提供的第三种视网膜病变检测装置的结构示意图。第三种视网膜病变检测装置10的结构与第一种视网膜病变检测装置10的结构基本相同，不同之处在于，在本实施例中，所述视网膜病变检测装置10还包括但不限于预处理模块400和第二输入检测模块320，关于预处理模块400和第二输入检测模块320介绍如下。

预处理模块400，用于对所述待测眼底图片进行预处理，以使得所述待测眼底图片符合质量要求。

第二输入检测模块320，用于将经过预处理合格的所述待测眼底图片输入到第二神经网络模型中进行视网膜病变的检测。

请继续参阅图10，图10是本申请实施例提供的第四种视网膜病变检测装置的结构示意图。第四种视网膜病变检测装置10的结构与第三种视网膜病变检测装置10的结构基本相同，不同之处在于，在本实施例中，所述预处理模块400包括但不限于放大模块410、校正模块420和去除模块430，关于放大模块410、校正模块420和去除模块430介绍如下。

放大模块410，用于将所述待测眼底图片放大预设倍数。

校正模块420，用于对放大预设倍数后的所述待测眼底图片中的眼球内膜特征进行校正，以使得所述眼球内膜特征在所述待测眼底图片中处于合适的位置以及角度。

去除模块430，用于去除所述待测眼底图片中除去所述眼球内膜特征的背景图像。

请继续参阅图11，图11是本申请实施例提供的第五种视网膜病变检测装置的结构示意图。第五种视网膜病变检测装置10的结构与第一种视网膜病变检测装置10的结构基本相同，不同之处在于，在本实施例中，所述视网膜病变检测装置10还包括第一训练模块510、标记模块520和第二训练模块530，关于第一训练模块510、标记模块520和第二训练模块530介绍如下。

第一训练模块510，用于将随机获取的若干张图片输入第一神经网络模型中对所述第一神经网络模型进行训练，以使得所述第一神经网络模型具备识别图片质量的能力。

标记模块520，用于当所述第一神经网络判定目标图片符合质量要求时，对所述目标图片进行标记，所述标记包括所述目标图片具有视网膜病变和所述目标图片不具有视网膜病变。

第二训练模块530，用于将经过标记后的所述目标图片输入到第二神经网络模型中对所述第二神经网络模型进行训练，以使得所述第二神经网络模型具备判断图片是否具有视网膜病变的能力。

请继续参阅图12，图12是本申请实施例提供的第六种视网膜病变检测装置的结构示意图。第六种视网膜病变检测装置10的结构与第一种视网膜病变检测装置10的结构基本相同，不同之处在于，在本实施例中，所述第一输入检测模块310包括但不限于提取模块311、表征模块312、输入比对模块313和计算判断模块314，关于提取模块311、表征模块312、输入比对模块313和计算判断模块314介绍如下。

提取模块311，用于提取质量合格的所述待测眼底图片中的眼球内膜特征。

表征模块312，用于采用向量对所述眼球内膜特征进行表征，以得到表征向量。

输入比对模块313，用于将所述表征向量与所述第二神经网络模型中的向量集合进行比对。

计算判断模块314，用于通过计算所述表征向量与所述向量集合之间的关联度对所述待测眼底图片进行视网膜病变的判断。

本申请提供的视网膜病变检测装置，首先随机获取一定数量的待测眼底图片，然后将这些待测眼底图片输入到第一神经网络模型中，所述第一神经网络模型用于对待测眼底图片的质量进行初步筛选，当待测眼底图片的质量初步筛选合格时，再将质量合格的待测眼底图片输入到第二神经网络模型中，所述第二神经网络模型用于对待测眼底图片中呈现出来的特征进行视网膜病变检测。通过本申请实施例提供的视网膜病变检测方法可以提高早产儿视网膜病变检测的效率，且有助于提高检测的准确率。

本发明还提供一种计算机可读存储介质，其存储用于视网膜病变检测的计算机程序，其中，所述视网膜病变检测的计算机程序被执行的时候执行如上任意实施例提供的视网膜病变检测方法。

本申请实施例还提供一种计算机程序产品，计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，计算机程序可操作来使计算机执行如上述心肺复苏指导方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包，计算机包括视网膜病变检测装置。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括：u盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(read-onlymemory，rom)、随机存取器(randomaccessmemory，ram)、磁盘或光盘等。

以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。