一种锐化标签数据的图像超分辨率重建方法及装置与流程

文档序号:19741456发布日期:2020-01-18 05:17阅读:288来源:国知局
一种锐化标签数据的图像超分辨率重建方法及装置与流程

本发明涉及计算机图像复原技术,尤其涉及一种锐化标签数据的图像超分辨率重建方法及装置。



背景技术:

近年来,深度学习在多媒体处理领域迅猛发展,基于深度学习的图像超分辨率复原技术已逐渐成为主流技术,它的一个假设就是低分辨率图像样本与高分辨率图像标签数据之间存在一个映射关系,利用神经网络的学习功能建立这两种数据之间的映射关系,从而实现图像超分辨率功能。基于卷积神经网络的图像超分辨率重建算法,验证了深度学习在图像超分辨率方面具有优越的性能,证明了卷积神经网络可以实现低分辨率图像映射到高分辨率图像,成为深度神经网络进行图像超分辨率是一项开创性的科学研究。利用卷积神经网络的深度学习由于存在大量的卷积运算,势必导致图像像素被平滑,从而使得纹理存在一定程度的模糊性。后来有人将样本数据做成多通道数据,不仅仅是三个通道的彩色图像,而是将原始样本图像通过图像处理得到多种信息的数据,对样本数据进行了三种插值和五种锐化得到的18个通道的数据作为样本输入数据,扩展输入样本数据的通道数,目的是保留数据的纹理信息,这也存在输入通道过多,效果也并不太明显。有人采用20层的深度残差神经网络,残差网络的特点网络用于描述相邻层数据的差,简单且易于收敛,采用深层残差网络结构,在单幅图像的重建过程中采用亚像素卷积层来实现,提升重建效率,减少重建时间。改善了超分辨率结果图像的纹理效果。利用对抗网络来实现超分辨率的方法证明是一种更优秀的方法。利用深度神经网络的图像超分辨率技术已经是一项热门的技术,有着非常好的应用前景。

前面的这些探讨主要集中在两个方面,一个是输入样本数据的选择,一个是网络模型的设计,这些文献推动了图像超分辨率的进展,但这两个方面的研究虽然在一定程度上提高了图像的分辨率和清晰度,但是与原始数据还是有一定的差距,图像清晰度和分辨率方面还有进一步提高的空间,还有一个方面没有探讨,就是标签数据对图像超分辨率结果的影响,样本标签数据方面做一定的研究来提高超分辨率结果也是一个可以研究的方面。



技术实现要素:

本发明针对现有技术的不足,提出一种锐化标签数据的图像超分辨率重建方法及装置,通过对标签数据进行一定的锐化处理,使得标签数据边缘更加清晰,地物更加清楚,这样通过对深度神经网络训练得到模型,利用模型来对图像进行超分辨率处理,得到更高分辨率的图像,且图像纹理清晰分辨率和清晰度得到明显的提高,图像质量评价指标更好。本发明的方法可以有效解决现有图像超分辨率复原技术存在的上述问题。

本发明为解决上述技术问题采用的技术方案为,一种图像超分辨率重建方法,包括:

对原始图像进行低分辨率处理,以得到的图像作为样本数据;

对原始图像进行锐化处理,以得到的图像作为标签数据;

使用所述样本数据和标签数据,训练预先设立的超分辨率图像生成神经网络;所述预先设立的超分辨率图像生成神经网络能够根据输入的低分辨率图像提取图像特征,继而根据所述提取的图像特征重建图像,得到输出的超分辨率图像;

将低分辨率图像输入完成训练后的超分辨率图像生成神经网络,得到输出的超分辨率图像。

优选地,所述训练预先设立的超分辨率图像生成神经网络的方法,包括:

将所述样本数据输入所述超分辨率图像生成神经网络,得到输出的超分辨率图像;将所述标签数据和所述输出的超分辨率图像进行比对,如果所述标签数据和所述输出的超分辨率图像的相似度达不到预先设定标准,则调整所述超分辨率图像生成神经网络的参数;并重复进行输入样本数据到超分辨率图像生成神经网络,以所述标签数据和所述超分辨率图像生成神经网络的输出图像进行比对,并根据比对结果确认是否调整所述超分辨率图像生成神经网络的参数的过程;

如果比对结果为所述标签数据和所述输出的超分辨率图像的相似度达到预先设定标准,则不再调整所述图像超分辨率神经网络的参数,完成所述训练。

优选地,所述超分辨率图像生成神经网络的配置为:

具有6个卷积层,其输入数据为低分辨率图像的红、黄、蓝,以及sobel边缘图像4个波段数据;所述输入数据经过模板大小为5x5的卷积计算,得到第一层64个特征的卷积层;再经过模板大小为3x3的卷积计算,得到第二层128个特征的卷积层;再经过模板大小为7x7的卷积计算,得到第三层32个特征的卷积层;再经过模板大小为3x3的卷积计算,得到第四层16个特征的卷积层;再经过模板大小为3x3的卷积计算,得到第五层8个特征的卷积层;再经过模板大小为3x3的卷积计算,得到第六层3个特征的卷积层;由所述第六层卷积层,得到输出的超分辨率图像。

所述超分辨率图像生成神经网络每一层的卷积计算都要经过lrn局部响应归一化;

所述超分辨率图像生成神经网络每一层的卷积计算过程中,采用窄卷积策略,每经过一层卷积计算,图像变小。

优选地,所述样本数据的制作方法包括:

对原始图像进行亚采样计算得到低分辨率的图像;

对得到的所述低分辨率图像进行sobel算子滤波计算,得到sobel边缘图像;

对所述低分辨率图像的红、绿和蓝三个波段数据,加所述sobel边缘图像共4个波段的数据进行插值计算,得到与原始图像分辨率相同的图像作为样本数据。

优选地,所述标签数据的制作方法包括:

由原始图像进过锐化计算得到所述标签数据,所述锐化计算的方法为usm方法;所述usm方法使用的参数设置为,阈值设置为3,半径设置为1-1.2,数量设置为20%-25%。

另一方面,本发明提供了一种图像超分辨率重建装置,包括:

超分辨率图像生成神经网络模块,用于根据输入的低分辨率图像得到超分辨率图像;

样本数据生成模块,用于对原始图像进行低分辨率处理,得到所述超分辨率图像生成神经网络模块的训练样本数据;

标签数据生成模块,用于对原始图像进行锐化处理,得到所述超分辨率图像生成神经网络模块的训练标签数据;

所述超分辨率图像生成神经网络模块,根据所述样本数据和所述标签数据进行训练;训练完成的所述超分辨率图像生成神经网络模块,用于对输入图像进行计算,得到所述输入图像的超分辨率图像。

优选地,所述超分辨率图像生成神经网络模块中的超分辨率图像生成神经网络的训练方法,包括:

将所述样本数据输入所述超分辨率图像生成神经网络,得到输出的超分辨率图像;将所述标签数据和所述输出的超分辨率图像进行比对,如果所述标签数据和所述输出的超分辨率图像的相似度达不到预先设定标准,则调整所述超分辨率图像生成神经网络的参数;并重复进行输入样本数据到超分辨率图像生成神经网络,以所述标签数据和所述超分辨率图像生成神经网络的输出图像进行比对,并根据比对结果确认是否调整所述超分辨率图像生成神经网络的参数的过程;

如果比对结果为所述标签数据和所述输出的超分辨率图像的相似度达到预先设定标准,则不再调整所述图像超分辨率神经网络的参数,完成所述训练。

优选地,所述超分辨率图像生成神经网络模块中的超分辨率图像生成神经网络的配置为:

具有6个卷积层,其输入数据为低分辨率图像的红、黄、蓝,以及sobel边缘图像4个波段数据;所述输入数据经过模板大小为5x5的卷积计算,得到第一层64个特征的卷积层;再经过模板大小为3x3的卷积计算,得到第二层128个特征的卷积层;再经过模板大小为7x7的卷积计算,得到第三层32个特征的卷积层;再经过模板大小为3x3的卷积计算,得到第四层16个特征的卷积层;再经过模板大小为3x3的卷积计算,得到第五层8个特征的卷积层;再经过模板大小为3x3的卷积计算,得到第六层3个特征的卷积层;由所述第六层卷积层,得到输出的超分辨率图像。

所述超分辨率图像生成神经网络每一层的卷积计算都要经过lrn局部响应归一化;

所述超分辨率图像生成神经网络每一层的卷积计算过程中,采用窄卷积策略,每经过一层卷积计算,图像变小。

优选地,所述样本数据的制作方法包括:

对原始图像进行亚采样计算得到低分辨率的图像;

对得到的所述低分辨率图像进行sobel算子滤波计算,得到sobel边缘图像;

对所述低分辨率图像的红、绿和蓝三个波段数据,加sobel边缘图像共4个波段的数据进行插值计算,得到与原始图像分辨率相同的图像作为样本数据。

优选地,所述标签数据的制作方法包括:

由原始图像进过锐化计算得到所述标签数据,所述锐化计算的方法为usm方法;所述usm方法使用的参数设置为,阈值设置为3,半径设置为1-1.2,数量设置为20%-25%。

以上本发明所采用的技术方案与现有技术相比,具有以下技术优点:

对标签数据进行一定的锐化处理,使得标签数据边缘更加清晰,地物更加清楚,这样通过对深度神经网络训练得到模型,利用模型来对图像进行超分辨率处理,得到更高分辨率的图像,且图像纹理清晰分辨率和清晰度得到明显的提高,图像质量评价指标更好。

附图说明

通过结合附图描述本说明书实施例,可以使得本说明书实施例更加清楚:

图1是本发明提供的一种锐化标签数据的图像超分辨率重建方法的神经网络模型图

图2是本发明提供的一种锐化标签数据的图像超分辨率重建方法的数据转化和流程图

图3是本发明提供的一种图像超分辨率重建装置的模块图

图4是为原始数据和亚采样后再插值得到的样本数据对比图

图5是为rgb通道作为输入数据、sobel边缘+rgb通道作为输入数据、标签数据锐化后的超分辨率结果对比图

图6是为原始数据及超分辨率结果的对比图

图7是为原始数据及超分辨率结果的放大对比图

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细地描述。

需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

本发明提供的一种锐化标签数据的图像超分辨率重建方法,是从设计神经网络到训练神经网络,再到用神经网络进行图像超分辨率计算,得到超分辨率图像的一个过程。更具体的思路为,先设计一个深度学习网络模型用于图像超分辨率计算,再制作样本数据和标签数据,之后用样本数据和标签数据来训练这个网络,通过训练得到一个成熟的超分辨率网络,最后将低分辨率图像输入到训练网络中,得到图像超分辨率结果,参考图1。

在一个实施例中,所述锐化标签数据的图像超分辨率重建方法,其过程如下:

一、设计超分辨率图像生成神经网络模型。

在又一个实施例中,所设计的超分辨率图像生成神经网络模型为卷积神经网络模型,在另一个实施例中,所述超分辨率图像生成神经网络模型是一个6层的卷积神经网络模型。输入数据为彩色图像加sobel通道组成的4个通道的数据,经过5x5模板的卷积得到第一层为64个特征的卷积层,再经过3x3卷积模板得到第二层为128个特征的卷积层,再经过7x7模板得到第三层为32个特征的卷积层,再经过3x3模板得到第四层为16个特征的卷积层,再经过3x3模板得到第五层为8个特征的卷积层,再经过3x3模板得到第六层为3个特征的卷积层,第六层就是最终的超分辨率结果。卷积神经网络模型参考图2。

在又一个实施例中,每一个层都要经过lrn局部响应归一化,否则网络模型容易引起过拟合。在本实施例中,在每一个层中的卷积计算过程中,没有采用同卷积策略,而是采用了窄卷积策略,因此每经过一层卷积,图像都会变小,一个21x21大小的图片作为输入数据,则经过网络模型输出大小就变为3x3大小。

关于本实施例中的归一化,即网络正则化处理方法,其思路为:一个没有正则化处理的深度神经网络往往容易产生过拟合现象,过拟合的产生往往是数据和模型两个方面导致的,在数据方面往往是数据量小,或者数据不全面不典型,在模型方面往往是模型太复杂。网络正则化能够有效消除过拟合,lrn可以对网络模型的一个层进行局部归一化,得到一个局部归一化层,最早是alexnet网络对它进行了定义定义,这个方法能够非常有效的降低过拟合,其计算公式如下:

其中,是归一化后的值,i是输入通道,x与y为当前像素位置。是输入值,即神经元激活函数的输出值。k、α、β、n/2都是自定义系数,n是总的通道数,最后计算不同通道累加的平方和,得到局部归一化结果。

二、制作样本数据。

在又一个实施例中,制作样本数据的方法为:将原始彩色图像进行亚采样得到低分辨率的图像,并对图像进行sobel算子滤波,得到sobel算子边缘图像,由红、绿和蓝三个波段加sobel边缘算子共4个波段数据,这4个波段的数据再插值,使得其与原始图像分辨率相同,这个上采样的4波段数据作为样本数据。

其中,sobel是一种非常经典的边缘检测方法,sobel算子由两组3x3的小模板组成,分别为横向模板和纵向模板,将它们分别与图像作卷积,得出横向及纵向的亮度差分值。假设a为图像切片,gx及gy分别为横向和纵向卷积模板,其计算公式如下:

将横向计算结果与纵向计算结果的各自的平方和相加,之后再开方,就可以得到图像当前像素的边缘梯度,其计算公式如下:

三、制作标签数据。

本发明中,制作标签数据使用标准unsharpmask(usm)方法。usm锐化是一种很好的图像锐化方法,可以锐化图像边缘,快速调整图像边缘细节的对比度。它有三个参数,数量是第一个参数,它控制锐化效果的强度;半径是第二个参数,它指定锐化的半径,该设置决定了边缘像素周围影响锐化的像素数,图像的分辨率越高,则半径设置应越大;阈值是第三个参数,它指相邻像素之间的比较值。这些参数决定了像素的色调必须与周边区域的像素相差多少才被视为边缘像素,进而使用usm滤镜对其进行锐化。

在又一个实施例中,标签数据由原始数据进行锐化得到,锐化方法为usm方法,其中的参数设置为,阈值为3,半径为1,数量为20%,这样就得到了锐化图像作为训练用的标签数据。usm算法中这三个参数的设置是经过若干次实验得到的一个经验值,这一数值组合是最优的,如果设置不合适的话,会导致过拟合或欠拟合。

四、利用样本数据和标签数据来训练神经网络,得到图像超分辨率模型。

训练的过程如下,将所述样本数据输入所述超分辨率图像生成神经网络,得到输出的超分辨率图像;将所述标签数据和所述输出的超分辨率图像进行比对,如果所述标签数据和所述输出的超分辨率图像的相似度达不到预先设定标准,则调整所述超分辨率图像生成神经网络的参数;并重复进行输入样本数据到超分辨率图像生成神经网络,以所述标签数据和所述超分辨率图像生成神经网络的输出图像进行比对,并根据比对结果确认是否调整所述超分辨率图像生成神经网络的参数的过程;

如果比对结果为所述标签数据和所述输出的超分辨率图像的相似度达到预先设定标准,则不再调整所述图像超分辨率神经网络的参数,完成所述训练。

五、利用训练完成的超分辨率模型来对输入图像进行超分辨率计算,得到超分辨率图像。

训练完成的超分辨率模型,其神经网络的参数已经被调整完善,这时使用它可以较为满意完成将低分辨率图片转化为超分辨率的任务。

根据另一方面的实施例,还提供一种图像超分辨率重建装置,参考图3,该装置包括:

超分辨率图像生成神经网络模块101,用于根据输入的低分辨率图像得到超分辨率图像;

样本数据生成模块103,用于对原始图像进行低分辨率处理,得到所述超分辨率图像生成神经网络模块101的训练样本数据;

标签数据生成模块105,用于对原始图像进行锐化处理,得到所述超分辨率图像生成神经网络模块101的训练标签数据;

所述超分辨率图像生成神经网络模块101,根据所述样本数据和所述标签数据进行训练,得到成熟超分辨率图像生成神经网络;利用所述成熟超分辨率图像生成神经网络,用于对输入图像进行计算,得到所述输入图像的超分辨率图像;

优选地,所述超分辨率图像生成神经网络模块101的配置为:

建立一个6层的超分辨率图像生成神经网络,所述超分辨率图像生成神经网络的输入数据为彩色图像加sobel通道组成的4个通道的数据;所述输入数据经过大小为5x5的模板的卷积计算,得到第一层64个特征的卷积层;再经过大小为3x3的模板的卷积计算,得到第二层128个特征的卷积层;再经过大小为7x7的模板的卷积计算,得到第三层32个特征的卷积层;再经过大小为3x3的模板的卷积计算,得到第四层16个特征的卷积层;再经过大小为3x3模板的卷积计算,得到第五层8个特征的卷积层;再经过大小为3x3模板的卷积计算,得到第六层3个特征的卷积层;所述第六层卷积层得到超分辨率结果。

具体地,所述超分辨率图像生成神经网络每一层的卷积计算都要经过lrn局部响应归一化,其计算公式如下:

其中,是归一化后的值,i是输入通道,x与y为当前像素位置。是输入值,即神经元激活函数的输出值,k、α、β、n/2都是自定义系数,n是总的通道数。

所述超分辨率图像生成神经网络每一层的卷积计算过程中,采用窄卷积策略,每经过一层卷积计算,图像变小。

优选地,所述样本数据生成模块103中,样本数据的制作方法包括:

对原始图像进行亚采样得到低分辨率的图像;

对得到的所述低分辨率图像进行sobel算子滤波,得到sobel算子边缘图像;

对所述低分辨率图像的红、绿和蓝三个波段数据,加sobel算子边缘图像共4个波段数据进行插值计算,得到与原始图像分辨率相同的图像作为样本数据。

优选地,所述标签数据生成模块105中,标签数据的制作方法包括:

由原始图像进过锐化计算得到所述标签数据,所述锐化计算的方法为usm方法;所述usm方法使用的参数设置为,阈值设置为3,半径设置为1-1.2,数量设置为20%-25%。

下面从实际图片效果调度,展示本发明方法步骤中和结果中的一些图片变化和效果比对。

使用本发明提供的方法,在一个实施例子中得到的实际效果和数据对比,如下:

图4是为原始数据和亚采样后再插值得到的样本数据对比图,图左部分为原始数据图片,图右部分为亚采样后再插值得到的样本数据,通过对比可以发现原始数据比样本实验数据的分辨率高,图像更加清晰,纹理更加细腻,而经过采样再差值的样本数据明显模糊,边缘不清晰,这样的数据可以用来做训练模型的样本数据。

图5是为rgb通道作为输入数据、sobel边缘+rgb通道作为输入数据、标签数据锐化后的超分辨率结果对比图

在改变输入数据和标签数据,而不改变图2的网络模型前提下,在本实施例中,设计了三种具体的模型,一种是输入数据为红、绿和蓝三个波段的样本数据,标签数据为原始数据构建的网络模型;第二种是输入数据为红、绿和蓝三个波段加sobel边缘算子共4个波段作为输入数据,标签数据为原始数据构建的网络模型;第三种是输入数据为红、绿和蓝三个波段加sobel边缘算子共4个波段作为输入数据,标签数据为usm锐化数据构建的网络模型。

在图像超分辨率结果的评价方面,需要将原始图像与结果进行对比,也将不同方法之间的结果进行对比,评价上采用主观视觉对比和几个常用的定量评价指标,图像经过超分辨率后可能会存在虚假边缘、噪声和模糊等等区域上的差异,这就导致评价指标存在一定的不客观的情况,所以主观视觉上的评价是很重要且不能忽略的,定性上评价优先于定量指标评价。

通过训练得到了三种模型,分别对数据进行了超分辨率计算,计算结果如图上左、图上右和图下各部分所示。对比采样后的样本数据与超分辨率结果,可以发现三幅超分辨率结果比样本数据在分辨率和清晰度上有明显的提高,这说明了本模型还是有一定效果的,再对比原始数据与超分辨率结果,在图像不放大的情况下,这几幅图像差别很小,甚至看不出明显的差别,这说明了本专利设计的超分辨率模型是一个比较好的卷积神经网络模型,能够提高图像的分辨率和清晰度,这也说明了本模型达到了提高图像分辨率的结果。

为了进一步定性分析模型的超分辨率图像是否存在过拟合效果,有必要放大图像进行更加细致的对比,如图6所示。放大图像后,通过对比可以发现仅采用rgb彩色图像作为训练数据得到的模型进行图像超分辨率,得到的结果存在明显的虚假边缘,这说明了尽管在卷积神经网络模型中采用了消除过拟合的lrn技术,但是对于仅仅采用三个波段的彩色图像作为样本训练数据得到的结果依然不是很理想,而在训练数据中增加了sobel边缘算子,通过训练得到的超分辨率模型进行实验验证发现没有明显的虚假边缘,同样训练数据为包含sobel算子的图像且标签数据为usm锐化图像训练得到的模型来计算超分辨率结果也没有过拟合现象,这也证明了训练样本数据中增加边缘检测算子能够有效提高超分辨率图像的质量。

再将不同超分辨率结果与原始数据进行对比放大分析图像清晰度,如图7所示。可发现超分辨率结果都没有原始数据那样清晰,原始数据的边缘更加明确,也就是说超分辨率结果从原理和常识的角度都达不到原始数据的视觉效果,他们的边缘没有原始数据那样清晰。将红、绿、蓝三个波段的超分辨率结果与sobel加红、绿、蓝三个波段的超分辨率结果与锐化标签数据的超分辨率结果对比可以发现,锐化标签数据的超分辨率结果在边缘特征方面好于另外两种方法,这说明了锐化标签数据的超分辨率方法是更好的一种思路,这是一种能够在很大程度上消除超分辨率图像模糊的方法,通过3幅超分辨率结果之间的对比以及它们与原始数据的对比,可以看出标签数据锐化训练得到的模型的超分辨率结果边缘更清晰,更接近原始数据,是三种结果中最优的一个。

下面从数据指标角度,比较本发明方法的效果。

通常而论,图像质量评价的指标是一些统计指标,包括清晰度、峰值信噪比(psnr)、结构相似度(ssim),均方根误差rmse。将不同方法得到的超分辨率结果图像进行了定量评价,计算结果如表1所示。

表1:不同方法的超分辨率图像计算指标

分析这张表格,可以发现通过锐化标签数据训练网络模型后,对数据进行超分辨率重建,得到的结果的4个评价指标都好于另外两种方法,因为标签数据是样本锐化结果,其清晰度好于另外两种方法得到的结果是很容易理解的。均方根误差是超分辨率结果与原始标签数据之间的差的计算结果,这个值越小,说明原始标签图像与超分辨率结果更接近,比较这几种方法计算得到的均方根误差,可以发现标签数据锐化方法得到的超分辨率结果与原始数据更接近,更加清晰,这也证明了其他两种方法与原始数据差别较大,它们更加模糊一些,这证明了本文方法的优越性。峰值信噪比是比较信号强度与背景噪声强度的一个统计量,对比可以发现本文的标签图像锐化超分辨率结果的峰值信噪比的值是最大的,也就是说本方法能够压制噪声的产生,同时提高了信息量。结构相似度是用来从图像亮度相似性、图像对比度相似性和图像结构相似性三个方面来评价超分辨率图像的质量。通过比较三种方法得到的结果图像的结构相似度指标,可以发现本文标签锐化超分辨率方法的结果要好于另外两种方法。

红、绿和蓝三个波段作为输入数据的超分辨率结果与红、绿和蓝三个波段加sobel算子的四个波段作为输入数据的超分辨率结果进行这四个指标的对比,可以发现除了清晰度这个指标之外,其他三个指标都是四波段样本数据的模型计算结果都好于红绿蓝三个波段的计算结果,红、绿和蓝三个波段作为输入数据的超分辨率结果的清晰度大是因为过拟合导致的虚假边缘的存在,并不是其图像质量真的好,这个对比也证明了边缘算子参与的超分辨率结果更好。

从以上实施例可以看出,本发明公开的一种锐化标签数据的图像超分辨率重建方法及装置,具有如下优点:对标签数据进行一定的锐化处理,使得标签数据边缘更加清晰,地物更加清楚,这样通过对深度神经网络训练得到模型,利用模型来对图像进行超分辨率处理,得到更高分辨率的图像,且图像纹理清晰分辨率和清晰度得到明显的提高,图像质量评价指标更好。

本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。

本领域普通技术人员应该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轨道,取决于技术方案的特定应用和设计约束条件。本领域普通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申请的范围。

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用硬件、处理器执轨道的软件模块,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。

以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1