本发明属于总初级生产力计算技术领域，尤其涉及一种基于evi2(enhancedvegetationindex2，两波段增强型植被指数)季节变化曲线的年gpp(grossprimaryproductivity，总初级生产力)估算方法及系统。
背景技术：
陆地生态系统中的植被通过光合作用将人类活动排放的co2的25％-30％固定储存，而植被通过光合作用在单位时间单位面积上所固定并且转化为生物量的碳的量被称为植被总初级生产力(grossprimaryproduction，gpp)。gpp常被用于估算作物产量，同时也是陆地生态系统碳收支计算的重要参数，在对全球碳循环的研究中发挥着重大作用。区域以及全球尺度范围的gpp估算有助于监测和预测植被生长情况，理解陆地生态系统碳循环的变化并且对预测未来气候变化情况都有重要意义。自从20世纪90年代开始，基于站点尺度的涡度协相关(eddycovariance,ec)方法开始成为监测热量、水分和co2的交换以及追踪温室气体的重要工具。通过对站点观测的co2的净交换量，进而通过生态系统呼吸以及土壤的温度之间的关系计算得到gpp。但是由于通量塔站点的数量以及贡献区有限，所以使用基于站点观测数据对区域gpp的估算仍然存在限制与困难。
植被指数并不是植被固有的物理量，但因其与植被本身物理性质参数具有强相关性，被广泛用于描述植被覆盖并用其反演例如植被光合有效辐射吸收比率、叶面积指数(leafareaindex，lai)、生物量等参数。最常用的植被指数是归一化植被指数(normalizeddifferentialvegetationindex，ndvi)，但是随着植被的生长，植被冠层中的叶绿素吸收红光并且植被光谱的红光波段趋于饱和，其敏感性在高植被覆盖度地区也会降低，这些因素导致了ndvi在高植被覆盖度地区不能有效地区分植被，并且导致利用ndvi估算在高植被覆盖度地区的植被参数时误差增加。
因此，如何有效的估算年总初级生产力是一项亟待解决的问题。
技术实现要素：
有鉴于此，本发明提供了一种基于evi2季节变化曲线的年gpp估算方法，能够基于植被evi2全年时间序列曲线积分，针对不同植被类型，有效的对区域年总gpp进行估算。
为了实现上述目的，本发明提供如下技术方案：
一种基于evi2季节变化曲线的年gpp估算方法，包括：
获取全年完整时间序列遥感影像，其中，所述遥感影像中包含近红外波段和红光波段；
对所述遥感影像进行定量化处理，获取时间序列地表反射率数据；
对所述时间序列地表反射率数据进行裁剪，提取出研究区范围内的地表反射率数据；
对所述研究区范围内的地表反射率数据中的近红外波段和红光波段进行波段运算，逐像素计算出每一期所述研究区遥感影像的evi2时间序列数据；
对所述evi2时间序列数据进行滤波处理；
对经过滤波处理后的evi2时间序列数据逐像元计算曲线积分，得到∑evi2；
基于植被类型，提取出预先建立的∑evi2与gpp样本之间的估算模型；
基于所述∑evi2和所述估算模型估算出所述研究区范围内的年gpp。
优选地，对所述研究区范围内的地表反射率数据中的近红外波段和红光波段进行波段运算，逐像素计算出每一期所述研究区遥感影像的evi2时间序列数据包括：
基于公式
优选地，所述对经过滤波处理后的evi2时间序列数据逐像元计算曲线积分，得到∑evi2包括：
基于公式
优选地，所述对所述evi2时间序列数据进行滤波处理包括：
基于s-g滤波器对所述evi2时间序列数据进行滤波处理。
优选地，所述对所述遥感影像进行定量化处理，获取时间序列地表反射率数据包括：
对所述遥感影像进行正射校正、几何校正、辐射定标以及大气校正，获取时间序列地表反射率数据。
一种基于evi2季节变化曲线的年gpp估算系统，包括：
获取模块，用于获取全年完整时间序列遥感影像，其中，所述遥感影像中包含近红外波段和红光波段；
处理模块，用于对所述遥感影像进行定量化处理，获取时间序列地表反射率数据；
裁剪模块，用于对所述时间序列地表反射率数据进行裁剪，提取出研究区范围内的地表反射率数据；
计算模块，用于对所述研究区范围内的地表反射率数据中的近红外波段和红光波段进行波段运算，逐像素计算出每一期所述研究区遥感影像的evi2时间序列数据；
滤波模块，用于对所述evi2时间序列数据进行滤波处理；
积分模块，用于对经过滤波处理后的evi2时间序列数据逐像元计算曲线积分，得到∑evi2；
提取模块，用于基于植被类型，提取出预先建立的∑evi2与gpp样本之间的估算模型；
估算模块，用于基于所述∑evi2和所述估算模型估算出所述研究区范围内的年gpp。
优选地，所述计算模块具体用于：
基于公式
优选地，所述积分模块具体用于：
基于公式
优选地，所述滤波模块具体用于：
基于s-g滤波器对所述evi2时间序列数据进行滤波处理。
优选地，所述处理模块具体用于：
对所述遥感影像进行正射校正、几何校正、辐射定标以及大气校正，获取时间序列地表反射率数据。
从上述技术方案可以看出，本发明提供了一种基于evi2季节变化曲线的年gpp估算方法，当需要对估算年总初级生产力时，首先获取全年完整时间序列遥感影像，其中，遥感影像中包含近红外波段和红光波段，然后对遥感影像进行定量化处理，获取时间序列地表反射率数据，对时间序列地表反射率数据进行裁剪，提取出研究区范围内的地表反射率数据，对研究区范围内的地表反射率数据中的近红外波段和红光波段进行波段运算，逐像素计算出每一期所述研究区遥感影像的evi2时间序列数据，并对evi2时间序列数据进行滤波处理，对经过滤波处理后的evi2时间序列数据逐像元计算曲线积分，得到∑evi2，最后基于植被类型，提取出预先建立的∑evi2与gpp样本之间的估算模型，基于∑evi2和估算模型估算出所述研究区范围内的年gpp。能够基于植被evi2全年时间序列曲线积分，针对不同植被类型，有效的对区域年总gpp进行估算。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明公开的一种基于evi2季节变化曲线的年gpp估算方法实施例1的方法流程图；
图2为本发明公开的一种基于evi2季节变化曲线的年gpp估算方法实施例2的方法流程图；
图3为本发明公开的一种基于evi2季节变化曲线的年gpp估算系统实施例1的结构示意图；
图4为本发明公开的一种基于evi2季节变化曲线的年gpp估算系统实施例2的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，为本发明公开的一种基于evi2季节变化曲线的年gpp估算方法实施例1的流程图，所述方法可以包括以下步骤：
s101、获取全年完整时间序列遥感影像，其中，遥感影像中包含近红外波段和红光波段；
当需要对年gpp进行估算时，首先获取的全年完整时间序列遥感影像，其中，遥感影像中需要包含近红外波段和红光波段。另外，遥感影像数据的时间分辨率需尽可能高，并根据研究区域大小选择合适的空间分辨率。例如，研究实验所采用的modis遥感数据的时间分辨率为16天。
s102、对遥感影像进行定量化处理，获取时间序列地表反射率数据；
当获取到全年完整时间序列遥感影像后，对获取的一整年全时序遥感影像进行定量化处理，获取时间序列地表反射率数据。若实验采用的是modsi的16天植被指数产品mod13a1，其中已经包含近红外波段与红光波段，则不需要对数据进行大气校正。
s103、对时间序列地表反射率数据进行裁剪，提取出研究区范围内的地表反射率数据；
然后，利用研究区矢量文件，获得的时序反射率数据进行裁剪，提取研究区范围内的地表反射率数据。其中，研究实验可以利用“三北”防护林区域作为研究区域进行实验。
s104、对研究区范围内的地表反射率数据中的近红外波段和红光波段进行波段运算，逐像素计算出每一期研究区遥感影像的evi2时间序列数据；
然后，对研究区范围内的地表反射率数据中的近红外波段和红光波段进行波段运算，逐像素的计算出每一期研究区遥感影像的evi2时间序列数据。
s105、对evi2时间序列数据进行滤波处理；
由于时间序列数据还可能存在大气、传感器或者云的影响，构建的全年时序evi2曲线存在不规律波动，所以本发明通过滤波对evi2时间序列数据进行重构。经过滤波处理后，能够改善由于云或者其他原因造成的曲线异常波动现象。
s106、对经过滤波处理后的evi2时间序列数据逐像元计算曲线积分，得到∑evi2；
然后对经过滤波处理后的evi2时间序列数据逐像元计算曲线积分，得到∑evi2。
s107、基于植被类型，提取出预先建立的∑evi2与gpp样本之间的估算模型；
然后，根据植被类型数据，提取各类植被类型的∑evi2与gpp样本，即提取出预先建立的∑evi2与gpp样本之间的估算模型，不同植被类型有不同的估算方程。
s108、基于∑evi2和估算模型估算出研究区范围内的年gpp。
最后，将得到的∑evi2代入提取出的预先建立的∑evi2与gpp样本之间的估算模型，计算得出研究区范围内的年gpp。
综上所述，在上述实施例中，当需要对估算年总初级生产力时，首先获取全年完整时间序列遥感影像，其中，遥感影像中包含近红外波段和红光波段，然后对遥感影像进行定量化处理，获取时间序列地表反射率数据，对时间序列地表反射率数据进行裁剪，提取出研究区范围内的地表反射率数据，对研究区范围内的地表反射率数据中的近红外波段和红光波段进行波段运算，逐像素计算出每一期所述研究区遥感影像的evi2时间序列数据，并对evi2时间序列数据进行滤波处理，对经过滤波处理后的evi2时间序列数据逐像元计算曲线积分，得到∑evi2，最后基于植被类型，提取出预先建立的∑evi2与gpp样本之间的估算模型，基于∑evi2和估算模型估算出所述研究区范围内的年gpp。能够基于植被evi2全年时间序列曲线积分，针对不同植被类型，有效的对区域年总gpp进行估算。
如图2所示，为本发明公开的一种基于evi2季节变化曲线的年gpp估算方法实施例2的流程图，所述方法可以包括以下步骤：
s201、获取全年完整时间序列遥感影像，其中，遥感影像中包含近红外波段和红光波段；
当需要对年gpp进行估算时，首先获取的全年完整时间序列遥感影像，其中，遥感影像中需要包含近红外波段和红光波段。另外，遥感影像数据的时间分辨率需尽可能高，并根据研究区域大小选择合适的空间分辨率。例如，研究实验所采用的modis遥感数据的时间分辨率为16天。
s202、对遥感影像进行正射校正、几何校正、辐射定标以及大气校正，获取时间序列地表反射率数据；
当获取到全年完整时间序列遥感影像后，对获取的一整年全时序遥感影像进行定量化处理，如，进行正射校正、几何校正、辐射定标以及大气校正等定量化处理，获取时间序列地表反射率数据。若实验采用的是modsi的16天植被指数产品mod13a1，其中已经包含近红外波段与红光波段，则不需要对数据进行大气校正。
s203、对时间序列地表反射率数据进行裁剪，提取出研究区范围内的地表反射率数据；
然后，利用研究区矢量文件，获得的时序反射率数据进行裁剪，提取研究区范围内的地表反射率数据。其中，研究实验可以利用“三北”防护林区域作为研究区域进行实验。
s204、对研究区范围内的地表反射率数据中的近红外波段和红光波段进行波段运算，逐像素计算出每一期研究区遥感影像的evi2时间序列数据；
然后，对研究区范围内的地表反射率数据中的近红外波段和红光波段进行波段运算，逐像素的计算出每一期研究区遥感影像的evi2时间序列数据。
具体的，在对研究区范围内的地表反射率数据中的近红外波段和红光波段进行波段运算，逐像素计算出每一期研究区遥感影像的evi2时间序列数据时，可以基于公式
s205、基于s-g滤波器对evi2时间序列数据进行滤波处理；
由于时间序列数据还可能存在大气、传感器或者云的影响，构建的全年时序evi2曲线存在不规律波动，所以本发明通过滤波对evi2时间序列数据进行重构。经过滤波处理后，能够改善由于云或者其他原因造成的曲线异常波动现象。具体的，可利用savitzky-golay滤波对evi2时间序列数据进行重构。利用timesat时序数据分析软件对evi2的时间序列进行s-g滤波处理，最小二乘窗口选择5×5像元，经过s-g滤波处理后，能够改善由于云或者其他原因造成的曲线异常波动现象。
s206、对经过滤波处理后的evi2时间序列数据逐像元计算曲线积分，得到∑evi2；
然后对经过滤波处理后的evi2时间序列数据逐像元计算曲线积分，得到∑evi2。具体的，基于公式
s207、基于植被类型，提取出预先建立的∑evi2与gpp样本之间的估算模型；
然后，根据植被类型数据，提取各类植被类型的∑evi2与gpp样本，即提取出预先建立的∑evi2与gpp样本之间的估算模型，不同植被类型有不同的估算方程。如下表所示：
表1不同植被类型年总gpp估算方程
s208、基于∑evi2和估算模型估算出研究区范围内的年gpp。
最后，将得到的∑evi2代入提取出的预先建立的∑evi2与gpp样本之间的估算模型，计算得出研究区范围内的年gpp。
综上所述，在上述实施例中，当需要对估算年总初级生产力时，首先获取全年完整时间序列遥感影像，其中，遥感影像中包含近红外波段和红光波段，然后对遥感影像进行正射校正、几何校正、辐射定标以及大气校正，获取时间序列地表反射率数据，对时间序列地表反射率数据进行裁剪，提取出研究区范围内的地表反射率数据，对研究区范围内的地表反射率数据中的近红外波段和红光波段进行波段运算，逐像素计算出每一期所述研究区遥感影像的evi2时间序列数据，并基于s-g滤波器对所述evi2时间序列数据进行滤波处理，对经过滤波处理后的evi2时间序列数据逐像元计算曲线积分，得到∑evi2，最后基于植被类型，提取出预先建立的∑evi2与gpp样本之间的估算模型，基于∑evi2和估算模型估算出所述研究区范围内的年gpp。能够基于植被evi2全年时间序列曲线积分，针对不同植被类型，有效的对区域年总gpp进行估算。
如图3所示，为本发明公开的一种基于evi2季节变化曲线的年gpp估算系统实施例1的结构示意图，所述系统可以包括：
获取模块301，用于获取全年完整时间序列遥感影像，其中，所述遥感影像中包含近红外波段和红光波段；
当需要对年gpp进行估算时，首先获取的全年完整时间序列遥感影像，其中，遥感影像中需要包含近红外波段和红光波段。另外，遥感影像数据的时间分辨率需尽可能高，并根据研究区域大小选择合适的空间分辨率。例如，研究实验所采用的modis遥感数据的时间分辨率为16天。
处理模块302，用于对遥感影像进行定量化处理，获取时间序列地表反射率数据；
当获取到全年完整时间序列遥感影像后，对获取的一整年全时序遥感影像进行定量化处理，获取时间序列地表反射率数据。若实验采用的是modsi的16天植被指数产品mod13a1，其中已经包含近红外波段与红光波段，则不需要对数据进行大气校正。
裁剪模块303，用于对时间序列地表反射率数据进行裁剪，提取出研究区范围内的地表反射率数据；
然后，利用研究区矢量文件，获得的时序反射率数据进行裁剪，提取研究区范围内的地表反射率数据。其中，研究实验可以利用“三北”防护林区域作为研究区域进行实验。
计算模块304，用于对研究区范围内的地表反射率数据中的近红外波段和红光波段进行波段运算，逐像素计算出每一期研究区遥感影像的evi2时间序列数据；
然后，对研究区范围内的地表反射率数据中的近红外波段和红光波段进行波段运算，逐像素的计算出每一期研究区遥感影像的evi2时间序列数据。
滤波模块305，用于对evi2时间序列数据进行滤波处理；
由于时间序列数据还可能存在大气、传感器或者云的影响，构建的全年时序evi2曲线存在不规律波动，所以本发明通过滤波对evi2时间序列数据进行重构。经过滤波处理后，能够改善由于云或者其他原因造成的曲线异常波动现象。
积分模块306，用于对经过滤波处理后的evi2时间序列数据逐像元计算曲线积分，得到∑evi2；
然后对经过滤波处理后的evi2时间序列数据逐像元计算曲线积分，得到∑evi2。
提取模块307，用于基于植被类型，提取出预先建立的∑evi2与gpp样本之间的估算模型；
然后，根据植被类型数据，提取各类植被类型的∑evi2与gpp样本，即提取出预先建立的∑evi2与gpp样本之间的估算模型，不同植被类型有不同的估算方程。
估算模块308，用于基于∑evi2和估算模型估算出研究区范围内的年gpp。
最后，将得到的∑evi2代入提取出的预先建立的∑evi2与gpp样本之间的估算模型，计算得出研究区范围内的年gpp。
综上所述，在上述实施例中，当需要对估算年总初级生产力时，首先获取全年完整时间序列遥感影像，其中，遥感影像中包含近红外波段和红光波段，然后对遥感影像进行定量化处理，获取时间序列地表反射率数据，对时间序列地表反射率数据进行裁剪，提取出研究区范围内的地表反射率数据，对研究区范围内的地表反射率数据中的近红外波段和红光波段进行波段运算，逐像素计算出每一期所述研究区遥感影像的evi2时间序列数据，并对evi2时间序列数据进行滤波处理，对经过滤波处理后的evi2时间序列数据逐像元计算曲线积分，得到∑evi2，最后基于植被类型，提取出预先建立的∑evi2与gpp样本之间的估算模型，基于∑evi2和估算模型估算出所述研究区范围内的年gpp。能够基于植被evi2全年时间序列曲线积分，针对不同植被类型，有效的对区域年总gpp进行估算。
如图4所示，为本发明公开的一种基于evi2季节变化曲线的年gpp估算系统实施例2的结构示意图，所述系统可以包括：
获取模块401，用于获取全年完整时间序列遥感影像，其中，遥感影像中包含近红外波段和红光波段；
当需要对年gpp进行估算时，首先获取的全年完整时间序列遥感影像，其中，遥感影像中需要包含近红外波段和红光波段。另外，遥感影像数据的时间分辨率需尽可能高，并根据研究区域大小选择合适的空间分辨率。例如，研究实验所采用的modis遥感数据的时间分辨率为16天。
处理模块402，用于对遥感影像进行正射校正、几何校正、辐射定标以及大气校正，获取时间序列地表反射率数据；
当获取到全年完整时间序列遥感影像后，对获取的一整年全时序遥感影像进行定量化处理，如，进行正射校正、几何校正、辐射定标以及大气校正等定量化处理，获取时间序列地表反射率数据。若实验采用的是modsi的16天植被指数产品mod13a1，其中已经包含近红外波段与红光波段，则不需要对数据进行大气校正。
裁剪模块403，用于对时间序列地表反射率数据进行裁剪，提取出研究区范围内的地表反射率数据；
然后，利用研究区矢量文件，获得的时序反射率数据进行裁剪，提取研究区范围内的地表反射率数据。其中，研究实验可以利用“三北”防护林区域作为研究区域进行实验。
计算模块404，用于对研究区范围内的地表反射率数据中的近红外波段和红光波段进行波段运算，逐像素计算出每一期研究区遥感影像的evi2时间序列数据；
然后，对研究区范围内的地表反射率数据中的近红外波段和红光波段进行波段运算，逐像素的计算出每一期研究区遥感影像的evi2时间序列数据。
具体的，在对研究区范围内的地表反射率数据中的近红外波段和红光波段进行波段运算，逐像素计算出每一期研究区遥感影像的evi2时间序列数据时，可以基于公式
滤波模块405，用于基于s-g滤波器对所述evi2时间序列数据进行滤波处理；
由于时间序列数据还可能存在大气、传感器或者云的影响，构建的全年时序evi2曲线存在不规律波动，所以本发明通过滤波对evi2时间序列数据进行重构。经过滤波处理后，能够改善由于云或者其他原因造成的曲线异常波动现象。具体的，可利用savitzky-golay滤波对evi2时间序列数据进行重构。利用timesat时序数据分析软件对evi2的时间序列进行s-g滤波处理，最小二乘窗口选择5×5像元，经过s-g滤波处理后，能够改善由于云或者其他原因造成的曲线异常波动现象。
积分模块406，用于对经过滤波处理后的evi2时间序列数据逐像元计算曲线积分，得到∑evi2；
然后对经过滤波处理后的evi2时间序列数据逐像元计算曲线积分，得到∑evi2。具体的，基于公式
提取模块407，用于基于植被类型，提取出预先建立的∑evi2与gpp样本之间的估算模型；
然后，根据植被类型数据，提取各类植被类型的∑evi2与gpp样本，即提取出预先建立的∑evi2与gpp样本之间的估算模型，不同植被类型有不同的估算方程。如下表所示：
表1不同植被类型年总gpp估算方程
估算模块408，用于基于∑evi2和估算模型估算出研究区范围内的年gpp。
最后，将得到的∑evi2代入提取出的预先建立的∑evi2与gpp样本之间的估算模型，计算得出研究区范围内的年gpp。
综上所述，在上述实施例中，当需要对估算年总初级生产力时，首先获取全年完整时间序列遥感影像，其中，遥感影像中包含近红外波段和红光波段，然后对遥感影像进行正射校正、几何校正、辐射定标以及大气校正，获取时间序列地表反射率数据，对时间序列地表反射率数据进行裁剪，提取出研究区范围内的地表反射率数据，对研究区范围内的地表反射率数据中的近红外波段和红光波段进行波段运算，逐像素计算出每一期所述研究区遥感影像的evi2时间序列数据，并基于s-g滤波器对所述evi2时间序列数据进行滤波处理，对经过滤波处理后的evi2时间序列数据逐像元计算曲线积分，得到∑evi2，最后基于植被类型，提取出预先建立的∑evi2与gpp样本之间的估算模型，基于∑evi2和估算模型估算出所述研究区范围内的年gpp。能够基于植被evi2全年时间序列曲线积分，针对不同植被类型，有效的对区域年总gpp进行估算。
为了更加特定地强调实施的独立性，本说明书涉及许多模块或单元。举例而言，模块或单元可由硬件电路实现，该硬件电路包括特制vlsi电路或门阵列，比如逻辑芯片、晶体管，或其它组件。模块或单元也可在可编程的硬设备中实现，比如场效可编程门阵列、可编程阵列逻辑、可编程逻辑设备等等。
模块或单元也可在藉由各种形式的处理器所执行的软件中实现。比如说，一可执行码模块可包括一个或多个实体的或逻辑的计算机指令区块，该区块可能形成为，比如说，对象、程序或函数。然而，鉴别模块或单元的可执行部分不需要物理上放置在一起，但可由存于不同位置的不同指令所组成，当逻辑上组合在一起时，形成模块或单元且达到该模块或单元所要求的目的。
实际上，可执行码模块或单元可以是一单一指令或多个指令，甚至可以分布在位于不同的程序的数个不同的码区段，并且横跨数个存储设备。同样地，操作数据可被辨识及显示于此模块或单元中，并且可以以任何合适的形式实施且在任何合适的数据结构形式内组织。操作数据可以集合成单一数据集，或可分布在具有不同的存储设备的不同的位置，且至少部分地只以电子信号方式存在于一系统或网络。
本说明书所提及的“实施例”或类似用语表示与实施例有关的特性、结构或特征，包括在本发明的至少一实施例中。因此，本说明书所出现的用语“在一实施例中”、“在实施例中”以及类似用语可能但不必然都指向相同实施例。
再者，本发明所述特性、结构或特征可以以任何方式结合在一个或多个实施例中。以下说明将提供许多特定的细节，比如编程序、软件模块、用户选择、网络交易、数据库查询、数据库结构、硬件模块、硬件电路、硬件芯片等例子，以提供对本发明实施例的了解。然而相关领域的普通技术人员将看出本发明，即使没有利用其中一个或多个特定细节，或利用其它方法、组件、材料等亦可实施。另一方面，为避免混淆本发明，公知的结构、材料或操作并没有详细描述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。