确定像素相关性的方法、装置以及图像滤波方法与流程

本申请涉及图像处理领域，更具体地，涉及确定像素相关性的方法、装置以及图像滤波方法。

背景技术：

图像滤波是图像预处理中不可缺少的操作，即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。

图像分割是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，这也是图像识别和计算机视觉中至关重要的预处理，没有正确的分割就不可能有正确的识别。

图像是由像素组成的包含一定内容的一个整体，因此图像之中的像素之间是有内在联系的，我们把这种联系成为相关性。而噪声在图像上常表现为引起较强视觉效果的孤立像素点或像素块。一般，噪声信号与有效像素信号不相关，它以无用的信息形式出现。因此，通过考虑像素之间的相关性，在进行分割或滤波等图像处理时，一个像素可以提供关于其他像素的参考信息，从而能够有效地进行滤波或图像分割等。

传统上，度量像素相关性的方法可以包括均一相关性方法、基于距离的方法以及基于灰度差的方法。

在均一相关性方法中，认为一像素的邻域内的所有其他像素对该像素都拥有相同的相关性，这种方法的一种应用是均值滤波。在基于距离的方法中，认为所有像素关于特定像素的相关性是基于像素间的某种距离度量得出的，例如高斯滤波器就是基于欧式距离的，其他可以使用的距离还包括曼哈顿距离、巴氏距离等。在基于灰度差的方法中，在度量两个像素的相关性时，考虑它们之间灰度的差。例如，双边滤波(bilateral filter)同时考虑了两个像素的距离和它们的灰度差，其可以通过以下公式(1)来计算像素(k,l)和像素(i,j)的相关性w(i,j,k,l)：

$w(i,j,k,l)=e^{(-\frac{{(i-k)}^2+{(j-l)}^2}{2{\mathrm{\σ}}_d^2}-\frac{{\left|\right|I(i,j)-I(k,l)\left|\right|}^2}{2{\mathrm{\σ}}_r^2})}---\left(1\right)$

其中σ_d和σ_r分别是距离和灰度差项对应的方差，I(i,j)和I(k,l)是两个像素的灰度值。

然而，这些传统方法对于某些图像中的像素点相关性的度量可能不那么有效。例如，对于如图1所示的图像，考虑像素O分别与像素A、B和C的相关性。在A、B和C中，只有A与O属于同一物体，因此A本应与O有更大的相关性。然而因为A、B和C到O的距离相等，均一相关性方法和基于欧式距离的方法都将赋予A、B和C与O相同的相关性。另外，即使是双边滤波方法，由于C与O的灰度值差别很大而赋予C与O相对小的相关性，它还是不能区分A和B分别与O的相关性。

也就是说，传统方法只考虑两个像素之间的距离或灰度差异，然而在这两个像素之间的路径上的信息则丢失，因此它们不能准确度量诸如图1所示的一些情况下的像素相关性。

技术实现要素：

考虑到以上问题，期望提供能够准确度量像素之间相关性的方法，以便为随后的诸如图像滤波和图像分割等的图像处理提供良好基础。

根据本发明的一个方面，提供了确定图像中的像素之间的相关性的方法，该方法包括：获取图像；对该图像进行图像处理以获得该图像中的每个像素的图像特征变化参数，其中像素的图像特征变化参数反映该像素的图像特征的变化程度；以及至少基于在该图像中的两个像素之间的像素的图像特征变化参数确定所述两个像素之间的相关性。

根据本发明的另一方面，提供了确定图像中的像素之间的相关性的装置，该装置包括：获取单元，获取图像；处理单元，对该图像进行图像处理以获得该图像中的每个像素的图像特征变化参数，其中像素的图像特征变化参数反映该像素的图像特征的变化程度；以及确定单元，至少基于在该图像中的两个像素之间的像素的图像特征变化参数确定所述两个像素之间的相关性。

根据本发明的另一方面，提供了对图像进行滤波的方法，该方法包括：获取图像；对该图像进行图像处理以获得该图像中的每个像素的图像特征变化参数，其中像素的图像特征变化参数反映该像素的图像特征的变化程度； 至少基于在该图像中的任意两个像素之间的像素的图像特征变化参数确定所述两个像素之间的相关性，以获得该图像中的每一像素与其周围像素之前的相关性；以及以该像素与其周围像素之间的相关性作为所述周围像素的权重对所述图像进行滤波。

根据本发明，在度量两个像素之间的相关性时，考虑这两个像素之间的像素的图像特征的变化，从而能够准确地度量像素之间的相关性。

附图说明

图1是图示一个示例图像中的多个像素之间的相关性的示意图；

图2是图示根据本发明的一个实施例的确定像素之间的相关性的方法的流程图；

图3(a)和图3(b)分别示出了示例的原始图像以及通过对该原始图像进行图像处理而获得的梯度图；

图4是图示像素的梯度方向的示意图；

图5是图示根据本发明的实施例的相关性计算结果的示意图；

图6是图示根据本发明的实施例的相关性确定装置的功能框图；

图7是图示根据本发明的实施例的图像滤波方法的总体流程图；

图8是图示根据本发明的图像滤波方法与传统均值滤波方法的滤波结果图像的对比的示意图；以及

图9是图示根据本发明的实施例的图像处理系统的硬件配置的框图。

具体实施方式

为了使本领域技术人员更好地理解本发明，下面结合附图和具体实施方式对本发明作进一步详细说明。

将按如下顺序进行描述：

1、发明思想概述

2、实施例

2.1、确定像素相关性的整体过程

2.2、图像特征变化参数的具体示例

2.3、与其他相关性度量方法的结合

2.4、确定像素相关性的装置

2.5、图像滤波方法

2.6、图像处理系统

3、总结

<1、发明思想概述>

如上所述，在度量像素之间的相关性时，传统方法只考虑两个像素之间的距离或灰度差异。然而，如图1所示，可能存在两个像素(比如像素A和B)之间距离不大、灰度差异也小、但是它们之间的路径上存在“阻力”的情况，这里“阻力”是指两个像素之间的诸如边缘特征(比如图1中的两个苹果之间的很强的边缘)等的影响像素之间相关性的图像特征的变化，而诸如像素的梯度值、像素的对比度、像素的灰度标准差等的图像特征变化参数能够反映这种图像特征的变化程度。

因此，根据本发明，在度量两个像素之间的相关性时，考虑这两个像素之间的这种阻力，即这两个像素之间的路径上的像素的图像特征的变化。这样，即使对于两像素之间的路径上存在明显的边缘特征的情况，也能够将表示边缘特征的因素考虑在内，从而准确地度量像素之间的相关性。

<2、实施例>

<2.1确定像素相关性的整体过程>

图2是图示根据本发明的一个实施例的确定像素之间的相关性的方法的流程图。如图2所示，根据此实施例的相关性确定方法200可以包括以下步骤：步骤S210，获取图像；步骤S220，对该图像进行图像处理以获得该图像中的每个像素的图像特征变化参数，其中像素的图像特征变化参数反映该像素的图像特征的变化程度；以及步骤S230，至少基于在该图像中的两个像素之间的像素的图像特征变化参数确定所述两个像素之间的相关性。

在步骤210中，可以获得通过相机拍摄的图像，也可以通过网络或者任何其他途径获取图像。或者，该图像也可以是由摄像机拍摄的视频中的视频帧。本发明可以应用的图像包括但不限于彩色图像、灰度图像、深度图像、红外图像、以及诸如超声图像、放射图像的医学影像等等。

在步骤S220中，对所获取的图像进行图像处理，以获得该图像中的每个像素的图像特征变化参数。该图像特征变化参数反映像素的图像特征的变化 程度，并且可以采用的图像特征变化参数包括但不限于像素的梯度值、像素的对比度、像素的灰度标准差等，因为这些参数能够反映诸如边缘的有无或强弱等的图像特征变化的程度。也就是说，在此步骤中，可以获取像素的任意的图像特征变化参数，只要其能够反映像素的这种图像特征的变化的即可。

用于获取图像中的像素的这些图像特征参数的图像处理方法对于本领域技术人员而言是熟知的，在此不再赘述。

在步骤S230中，至少基于在该图像中的两个像素之间的像素的图像特征变化参数确定所述两个像素之间的相关性。例如，可以采用在该图像中的两个像素之间的连线上的所有像素的图像特征变化参数来确定这两个像素之间的相关性。两个像素之间的连线的一种最简单情况是它们之间的直线连线，当然，本发明也可以采用除了直线之外的其他连线，比如曲线。在采取曲线连线时，例如，可以考虑图像中的对象的轮廓特征而做出曲线连线，比如能够反映图1中的苹果的轮廓特征的曲线，这可以通过考虑图像的深度特征、纹理特征等等来实现。

<2.2、图像特征变化参数的具体示例>

如在步骤S220中所述，所获得的图像特征变化参数可以包括像素的梯度值、像素的对比度、像素的灰度标准差等。在所获得的图像特征变化参数是像素的梯度值的情况下，在步骤S230中，可以将两个像素之间的相关性确定为在该两个像素之间的连线上的所有像素的梯度值g的预定函数f(g)之和的单调减函数。

作为一个例子，像素的梯度值g的预定函数f(g)可以是该梯度值g的绝对值，即如以下公式(2)所示：

f(g)＝|g| (2)

作为另一例子，像素的梯度值g的预定函数f(g)可以是该梯度值g的平方，即如以下公式(3)所示：

f(g)＝g² (3)

由此，作为度量两个像素之间的相关性的梯度值g的函数C(g)，可以应用的该预定函数f(g)之和的单调减函数的一个示例是该预定函数f(g)之和的倒数，如以下公式(4)所示：

$C\left(g\right)=\frac{1}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}f\left(g_i\right)}---\left(4\right)$

其中，n表示在两个像素之间的连线上的所有像素的数量，g_i表示第i个像素的梯度值。

因此，当该预定函数f(g)为如公式(2)所示的该梯度值g的绝对值时，将公式(2)代入公式(4)中，可以获得以下公式(5)：

$C\left(g\right)=\frac{1}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left|g_i\right|}---\left(5\right)$

也就是说，两个像素之间的相关性的一种简化的度量方法是累积在两个像素之间的连线上的所有像素的阻力值(梯度值)之和，该阻力值之和越大，两个像素之间的相关性越小。

例如，图3(a)示出了与图1对应的示例的原始图像，图3(b)示出了通过对该原始图像进行图像处理而获得的相应梯度图，其中与图1对应地标示出像素O、A、B、C。仍以像素O分别与像素A、B和C的相关性为例，因为像素B和O之间有一个很强的边缘，即像素B与O之间的连线上的某些像素的梯度值(即阻力值)会比较大，而像素A与O之间不存在由于边缘而引起的这种阻力，所以通过本实施例的方法，像素B将会被赋予比像素A小的相关性。

众所周知，标量场的梯度是一个向量，某一点上的梯度指向标量场增长最快的方向，梯度的长度是这个最大的变化率。在某些情况下，在两个像素之间的连线上的像素的梯度方向与该连线方向可能不一致，如图4所示。在图4中，像素P的梯度方向与像素O、A之间的直线连线的夹角为θ。

因而，在一个可选的实施例中，为了更准确地度量像素之间的相关性，应考虑在两个像素之间的连线上的像素的梯度在该连线方向上的影响。具体地，可以将两个像素之间的相关性确定为在所述两个像素之间的直线连线上的所有像素的梯度值在所述直线连线上的投影的预定函数之和的单调减函数。

如图4所示，像素P的梯度值g在像素O、A之间的直线连线上的投影为|g|·cosθ，因此，与公式(2)对应地，可以确定像素O、A之间的相关性为以下公式(6)所示：

$C\left(g\right)=\frac{1}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left|g_i\right|\&CenterDot;\cos {\mathrm{\&theta;}}_i}---\left(6\right)$

其中，n表示在像素O、A之间的直线连线上的所有像素的数量，g_i表示第i个像素的梯度值，θ_i表示第i个像素的梯度方向与该直线连线的夹角。

或者，在另一实施例中，与公式(3)对应地，可以将该预定函数f(g)确定为像素P的梯度值g在像素O、A之间的直线连线上的投影的平方，如以下公式(7)所示：

f(g)＝|g|²·cos²θ (7)

从而，可以将像素O、A之间的相关性表示为以下公式(8)所示：

$C\left(g\right)=\frac{1}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left|g_i\right|}^2\&CenterDot;{\cos }^2{\mathrm{\&theta;}}_i}---\left(8\right)$

根据此实施例的方法，考虑到两个像素之间的连线上的像素的梯度在该连线方向上的影响而度量像素之间的相关性，因而能够得到更准确的度量结果。

在以上的公式(4)-(6)以及(8)中，均取该预定函数f(g)之和的倒数作为上述的单调减函数，然而，该单调减函数不限于此，在另一具体示例中，可以将像素的相关性度量值取为该梯度值g的预定函数f(g)之和的另一单调减函数，如以下公式(9)所示：

$C\left(g\right)=\frac{M-\mathrm{\&Sigma;f}\left(g\right)}{M-m}\&CenterDot;255---\left(9\right)$

其中，M表示以一像素(例如像素O)为中心的邻域内每个像素点与O点连线所经过每个像素点的梯度值的函数g的预定函数f(g)之和的最大值，m表示该预定函数f(g)之和的最小值。根据以上公式(9)所获得的值C(g)是经过归一化的在(0,255)的范围内的相关性度量值。

图5示出了根据此实施例的以像素O为中心的小邻域内的相关性计算结果。具体地，取以像素O为圆心、以像素A、O之间的距离(具体地，58个像素)为半径的圆形区域，考虑到梯度的投影，采用如上述公式(7)所示的预定函数f(g)，即计算该区域中每个像素点与O点连线所经过的每个像素点的梯度投影的平方之和。所计算的该区域内所有的梯度投影平方之和的最大值M为1320772，最小值m为4420。如果用S_i表示像素点i到O点的之间的连线所经过每个像素点的梯度投影平方和∑f(g)，计算得到S_A＝205,744， 所以根据以上公式(9)，所获得的像素A的相关性度量值为216。类似地，计算得到S_B＝391,583，所以根据以上公式(9)，像素B的相关性度量值为180；计算得到S_C＝969,745，所以根据以上公式(9)，像素C的相关性度量值为68。

也就是说，像素A与像素O的相关性最高，像素B次之，像素C与像素O的相关性最低。可以看出，这样的相关性度量结果显然比较符合实际情况。因此，在考虑到两个像素之间的像素的图像特征变化时，能够获得比较准确的相关性度量结果。

如之前所述，除了像素的梯度值之外，诸如像素的对比度、像素的灰度标准差等的图像参数也可以反映图像特征的变化。因而，在另一实施例中，可以采用像素的对比度作为上述的图像特征变化参数，此时，可以将两个像素之间的相关性确定为在所述两个像素之间的连线上的所有像素的对比度的预定函数之和的单调减函数。

或者，在另一实施例中，可以采用像素的灰度标准差作为上述的图像特征变化参数，此时，可以将两个像素之间的相关性确定为在所述两个像素之间的连线上的所有像素的灰度标准差的预定函数之和的单调减函数。

以上已经给出了可以采用的预定函数以及单调减函数的具体例子，然而，本领域技术人员很清楚，这些仅仅是举例，本发明可以应用的预定函数以及单调减函数不限于此，本领域技术人员根据本发明的教导完全可以构思出其他的预定函数以及单调减函数。

<2.3、与其他相关性度量方法的结合>

以上已经描述了单独基于两个像素之间的像素的图像特征变化参数度量两个像素之间的相关性的方法的具体例子，然而，可以将此方法与其他度量相关性的方法结合使用，以便进一步提高度量准确性。

例如，可以将基于所述两个像素之间的距离度量像素相关性的方法和/或基于两个像素的灰度值之差度量像素相关性的方法与上述实施例中的基于两个像素之间的像素的图像特征变化参数度量相关性的方法结合。此时，可以将两个像素之间的相关性确定为两个像素之间的距离和/或所述两个像素的灰度值之差、以及所述两个像素之间的像素的图像特征变化参数的线性加权函数。

具体地，除了通过如上所述的方法基于两个像素之间的像素的图像特征 变化参数计算两个像素之间的相关性(在此称为相关性因子F_O，例如，其可以是通过以上公式(4)、(5)、(6)中的任意一个计算得到的C(g))之外，计算两个像素A、B之间的距离对这两个像素之间的相关性的影响。可以采用任何距离，比如欧式距离、巴氏距离等，在此，以欧式距离为例，该距离项所贡献的相关性因子F_Dist可以如以下公式(7)所示：

$F_{\mathrm{Dist}}=\frac{1}{\mathrm{Dist}(A,B)}---\left(7\right)$

其中，Dist(A,B)表示像素A与B之间的欧式距离。

进一步地，还可以计算像素之间的差异因子，一种简单的实现方式是计算两个像素之间的灰度值之差，该灰度值之差所贡献的相关性因子F_Diff可以如以下公式(8)所示：

$F_{\mathrm{Diff}}=\frac{1}{|P_A-P_B|}---\left(8\right)$

其中，其中P_A和P_B是像素A和B的灰度值。

由此，可以为所计算的每个相关性因子F_O、F_Dist、F_Diff分配适当的权重，以便获得这些相关性因子的加权函数，作为像素之间的综合相关性。作为一种最简单的情况，可以为每个相关性因子分配相同的权重，比如1，由此，可以将像素A、B之间的综合相关性C(A,B)表示为以下公式(9)：

C(A,B)＝F_O+F_Dist+F_Diff (9)

当然，以上仅仅是举例，取决于具体应用情况，可以为每个相关性因子F_O、F_Dist、F_Diff分配不同的权重。而且，可以结合的方法也不限于上述的基于距离的方法以及基于灰度差的方法，任何其他可以度量像素相关性的方法或其任意组合都可以与本发明上述实施例中的基于图像特征变化参数的方法相结合，以便提供更准确的度量结果。

<2.4、确定像素相关性的装置>

以下参考图6描述根据本发明的另一实施例的确定像素相关性的装置。图6示出了该相关性确定装置的功能框图，如图6所示，该装置600可以包括：获取单元610，获取图像；处理单元620，对该图像进行图像处理以获得该图像中的每个像素的图像特征变化参数，其中像素的图像特征变化参数反映该像素的图像特征的变化程度；以及确定单元630，至少基于在该图像中的两个像素之间的像素的图像特征变化参数确定所述两个像素之间的相关 性。

在一个实施例中，该处理单元620可以进行图像处理以获得像素的梯度值作为像素的图像特征变化参数。

该确定单元630可以将所述两个像素之间的相关性确定为在所述两个像素之间的连线上的所有像素的梯度值的预定函数之和的单调减函数。或者，该确定单元630可以将所述两个像素之间的相关性确定为在所述两个像素之间的直线连线上的所有像素的梯度值在所述直线连线上的投影的预定函数之和的单调减函数。

在另一实施例中，该处理单元620可以进行图像处理以获得像素的对比度作为像素的图像特征变化参数，并且该确定单元630可以将所述两个像素之间的相关性确定为在所述两个像素之间的连线上的所有像素的对比度的预定函数之和的单调减函数。

在另一实施例中，该处理单元620可以进行图像处理以获得像素的灰度标准差作为像素的图像特征变化参数，并且该确定单元630可以将所述两个像素之间的相关性确定为在所述两个像素之间的连线上的所有像素的灰度标准差的预定函数之和的单调减函数。

在另一实施例中，该确定单元630可以基于所述两个像素之间的距离和/或所述两个像素的灰度值之差、以及所述两个像素之间的像素的图像特征变化参数确定所述两个像素之间的相关性。例如，该确定单元630可以将该相关性确定为所述两个像素之间的距离和/或所述两个像素的灰度值之差、以及所述两个像素之间的像素的图像特征变化参数的线性加权函数。

根据本发明的相关性确定装置，在度量两个像素之间的相关性时，考虑这两个像素之间的像素的图像特征的变化，从而能够准确地度量像素之间的相关性。

<2.5、图像滤波方法>

以下参考图7描述根据本发明的另一实施例的图像滤波方法。图7示出了该图像滤波方法的总体流程图，如图7所示，该图像滤波方法700可以包括以下步骤：步骤S710，获取图像；步骤S720，对该图像进行图像处理以获得该图像中的每个像素的图像特征变化参数，其中像素的图像特征变化参数反映该像素的图像特征的变化程度；步骤S730，至少基于在该图像中的任意 两个像素之间的像素的图像特征变化参数确定所述两个像素之间的相关性，以获得该图像中的每一像素与其周围像素之前的相关性；以及步骤S740，以该像素与其周围像素之间的相关性作为所述周围像素的权重对所述图像进行滤波。

其中，在计算像素之间的相关性时，可以应用本发明中所提供的相关性度量方法。由此，根据本发明的图像滤波方法在对图像进行滤波时考虑了像素之间的图像特征变化对像素的相关性的影响，因此能够得到更准确的图像滤波结果，为后续的图像处理工作奠定良好基础。

该方法尤其适用于图像中的像素之间存在边缘的情况。例如，图8示出了根据本发明的图像滤波方法与未考虑到像素之间的图像特征变化对像素的相关性的影响的传统均值滤波方法的滤波结果图像的对比。其中中间一列两图是待滤波的原始图像，左侧一列两图是根据本发明的图像滤波方法获得的滤波结果，右侧一列两图是根据均值滤波方法获得的滤波结果。从该图中很明显，根据本发明的图像滤波方法在平滑图像的同时，增强了细节特别是边缘特征。

<2.6、图像处理系统>

接下来，参考图9描述根据本发明的一个实施例的实现相关性度量的图像处理系统的硬件配置。如图9所示，该图像处理系统900包括：输入设备910，用于从外部输入将要处理的图像，例如，该图像可以包括但不限于彩色图像、灰度图像、深度图像、红外图像、以及诸如超声图像、放射图像的医学影像等等，该输入设备910可以包括例如键盘、鼠标、以及通信网络及其所连接的远程输入设备等等；处理设备920，用于实施上述的按照本发明实施例的确定像素相关性的方法和/或图像滤波方法，或者实施为上述的按照本发明实施例的确定像素相关性的装置，例如处理设备920可以包括计算机的中央处理器或其它的具有处理能力的芯片等等，可以连接到诸如因特网的网络(未示出)，根据处理过程的需要而从网络获取需要的数据等；输出设备930，用于向外部输出上述相关性度量结果或者图像滤波结果，该输出设备930可以包括例如显示器、打印机、以及通信网络及其所连接的远程输出设备等等；以及存储设备1140，用于以易失或非易失的方式存储上述处理过程所涉及的图像、数据、所获得的结果、命令以及中间数据等等，该存储设备 940可以包括例如随机存取存储器(RAM)、只读存储器(ROM)、硬盘、或半导体存储器等等的各种易失或非易失性存储器。

当然，为了简化，图9中仅示出了该系统中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，系统900还可以包括任何其他适当的组件。

<3、总结>

根据本发明，提供了确定像素相关性的方法和装置，在度量两个像素之间的相关性时，考虑到两像素之间的像素的图像特征变化对像素相关性的影响，从而准确地度量像素之间的相关性。

可以应用的图像特征变化参数可以包括但不限于像素的梯度值、像素的对比度、像素的灰度标准差等。当采用在两个像素之间的路径上的像素的梯度值来度量这两个像素之间的相关性时，更进一步地，可以根据在这两个像素之间的直线连线上的所有像素的梯度值在该直线连线上的投影来度量像素相关性，因为同时考虑到梯度的方向，所以能够得到更加准确的度量结果。

根据本发明的像素相关性度量方法可以应用于图像滤波处理，将如上所述而获得的像素之间的相关性作为像素的权重进行滤波，从而获得更加准确的图像滤波结果。

当然，根据本发明的像素相关性度量方法的应用不限于图像滤波方法，也可以应用于诸如图像分割等等的其他图像处理之中。

本公开中涉及的装置、设备、系统的方框图仅作为例示性的例子，并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

本公开中的步骤流程图以及以上方法描述仅作为例示性的例子，并且不意图要求或暗示必须按照给出的顺序进行各个实施例的步骤。如本领域技术人员将认识到的，可以按任意顺序进行以上实施例中的步骤的顺序。诸如“其后”、“然后”、“接下来”等等的词语不意图限制步骤的顺序；这些词语仅用 于引导读者通读这些方法的描述。此外，例如使用冠词“一个”、“一”或者“该”对于单数的要素的任何引用不被解释为将该要素限制为单数。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。