图像生成方法及终端设备与流程

本发明涉及图像处理技术领域，尤其涉及一种图像生成方法及终端设备。

背景技术：

目前超分辨图像处理技术有着非常广阔的应用，例如在图像传输方面，可以把图像在输入端进行降维处理，之后在输出端通过超分辨技术进行升维度处理，这样传输的数据量就能得到很大程度的降低，有利于提高传输速度和缓解网络传输压力；在图像存储方面，可以把图向进行降维处理之后储存，这样图片的大小将会降低，从而缓解储存的压力，待查看和应用这些图像的时候，再通过超分辨技术将这些图像进行升维处理，补充图片细节，得到高维度的图片。

超分辨方法的核心是低分辨率图像到高分辨率图像的拟合。随着深度学习技术的不断发展，一些超分辨方法把神经网络应用于求解拟合函数中，使超分辨的效果得到了很大程度的提高。通过在训练过程中最小化生成的超分辨率图和原高分辨率图之间的差别，神经网络中的参数得以被训练，通过训练后的神经网络能够生成高质量的超分辨图像。如何衡量两图之间的差别是非常重要的，决定了生成的超分辨率图像的质量。

现有的超分辨方法在衡量超分辨率图和原高分辨率图之间差别的时候，大都是在像素级别进行比较。例如，原高分辨率图为a，降维以后的低分辨图为b，通过超分辨技术生成的超分辨率图为c。在训练神经网络的过程中，损失函数定义为均方差(mse，meansquareerror)的形式，计算公式如下：

其中，a和b为图像的高度和宽度。(x,y)为图像的位置坐标。以mse来定义损失函数，有利于在评估算法的时候得到很好的psnr(peaksignaltonoiseratio，峰值信噪比)值。但是也存在着如下问题：

在像素级别对图像进行比较不完全符合人眼的视觉规律。相同mse的图像，给人眼视觉系统的感知可能完全不同。例如，均方差较小者可能给人更好的视觉感受。如图1所示，图1(a)为原始图像，图1(b)至图1(f)为被不同失真类型处理过的失真图像，图1(b)至图1(f)的mse依次为144、144、144、144、142。可以看出，这些失真图像的mse值基本相同，但是这些图像给人的视觉感受是明显不同的。

由于在mse的计算过程中，没有考虑到图片的空间连续性，也没有考虑到各个位置的重要程度的差别，而是统一处理。如果以mse作为损失函数训练神经网络，超分辨方法生成的超分辨图的质量就无法得到保证。

技术实现要素：

有鉴于此，本发明实施例提供了图像生成方法及终端设备，以解决目前超分辨方法无法保证生成的超分辨图像质量的问题。

本发明实施例的第一方面提供了图像生成方法，包括：

构建神经网络模型；

根据结构相似性理论中两幅图像之间亮度、对比度和结构的相似关系，建立损失函数；

获取样本图像，并根据所述样本图像和所述损失函数对所述神经网络模型进行训练；

将待处理图像输入训练后的神经网络模型，生成所述待处理图像的超分辨图像。

本发明实施例的第二方面提供了超分辨图像生成装置，包括：

构建模块，用于构建神经网络模型；

处理模块，用于根据结构相似性理论中两幅图像之间亮度、对比度和结构的相似关系，建立损失函数；

训练模块，用于获取样本图像，并根据所述样本图像和所述损失函数对所述神经网络模型进行训练；

生成模块，用于将待处理图像输入训练后的神经网络模型，生成所述待处理图像的超分辨图像。

本发明实施例的第三方面提供了终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面中的超分辨图像生成方法。

本发明实施例的第四方面提供了计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中的超分辨图像生成方法。

本发明实施例与现有技术相比存在的有益效果是：根据结构相似性理论中两幅图像之间亮度、对比度和结构的相似关系，建立损失函数，根据样本图像和损失函数对神经网络模型进行训练，将待处理图像输入训练后的神经网络模型，生成待处理图像的超分辨图像，能够实现对待处理图像的超分辨处理。本发明实施例将结构相似性理论的思想融入到构造损失函数的过程中，通过改善损失函数来改善超分辨技术，能够帮助提高图像质量，得到更加符合人眼视觉的超分辨图像，使生成的超分辨图像的质量稳定性得到提升。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的同一原始图像的若干个不同失真图像的示意图；

图2是本发明实施例提供的图像生成方法的实现流程图；

图3是本发明实施例提供的图像生成方法中对神经网络模型进行训练的实现流程图；

图4是本发明实施例提供的图像生成方法中对比第二数值与预设阈值的实现流程图；

图5是本发明实施例提供的图像生成装置的示意图；

图6是本发明实施例提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

图2为本发明实施例提供的图像生成方法的实现流程图，详述如下：

在s201中，构建神经网络模型。

在本实施例中，利用神经网络模型对图像进行超分辨处理，首先构建出神经网络模型。神经网络模型的类型可以根据需要处理的图像的像素特性进行选择，例如，神经网络模型可以为卷积神经网络模型(例如基于resnet，fsrcnn，googlenet或其他类似模型)、rnn或者lstm神经网络等，在此不作限定。

在s202中，根据结构相似性理论中两幅图像之间亮度、对比度和结构的相似关系，建立损失函数。

在本实施例中，结构相似性理论(structuralsimilarityindex，ssim)是一种衡量两幅图像相似度的方法，提出了一种全参考的图像质量评价指标，可以从亮度、对比度、结构三方面度量图像相似性。损失函数(lossfunction)是用来估量模型的预测值与真实值的不一致程度，它是一个非负实值函数，损失函数越小，模型的准确度越高。

在s203中，获取样本图像，并根据所述样本图像和所述损失函数对所述神经网络模型进行训练。

在本实施例中，样本图像为选取的用于训练神经网络模型的图像。根据样本图像和损失函数可以对神经网络模型进行训练，从而对神经网络模型的网络参数进行矫正，提高神经网络模型生成的超分辨图像质量。

作为本发明的一个实施例，所述样本图像包括原始图像和所述原始图像对应的低分辨率图像；所述低分辨率图像为将所述原始图像的分辨率降低后得到的图像；所述损失函数为：

lossnew(a,c)＝-l(a,c)-c(a,c)-s(a,c)(1)

其中，a表示第一图像，c表示第二图像，l(a,c)为第一图像和第二图像之间的亮度对比函数；c(a,c)为第一图像和第二图像之间的对比度对比函数；s(a,c)为第一图像和第二图像之间的结构对比函数；其中第一图像为所述原始图像；第二图像为在训练过程中将所述原始图像对应的低分辨率图像输入所述神经网络模型后，所述神经网络模型输出的图像。

在本实施例中，样本图像中可以包括至少一组图像，每组图像包括一个原始图像和与该原始图像对应的低分辨率图像。原始图像为高分辨率的图像，用于与神经网络模型输出的图像进行对比，从而对神经网络模型的效果进行评估。低分辨率图像为将原始图像的分辨率降低后得到的图像，作为输入神经网络模型的图像。可以通过降低原始图像维度的处理方法来生成分辨率较低的图像，将生成的图像作为原始图像对应的低分辨图像。例如，若原始图像的分辨率为1600*900，将原始图像的分辨率降低后生成分辨率为800*450的图像，则可以将分辨率为800*450的图像作为该原始图像对应的低分辨率图像。

在本实施例中，亮度对比函数用于表征两幅图像间的亮度相似程度。对比度对比函数用于表征两幅图像间的对比度相似程度，结构对比函数用于表征两幅图像间的结构相似程度。本实施例将亮度对比函数、对比度对比函数和结构对比函数取负后相加，得到损失函数。在建立出的损失函数中，亮度、对比度和结构的权重都为1，这样可以使损失函数更为全面均衡地反映两幅图像在亮度、对比度和结构上的相似程度，从而使根据损失函数训练的神经网络能够生成高质量的超分辨图像。可以理解的是，所述亮度、对比度和结构的权重也可以进行调整。

作为本发明的一个实施例，所述亮度对比函数为所述对比度对比函数为所述结构对比函数为

其中，μa为第一图像的像素平均值，μc为第二图像的像素平均值，σa为第一图像的像素标准差，σc为第二图像的像素标准差，σaσc为第一图像和第二图像的像素协方差；k1，k2和k3均为常量。

作为本发明的一个实施例，如图3所示，s203中“根据所述样本图像和所述损失函数对所述神经网络模型进行训练”可以包括：

在s301中，将所述低分辨率图像输入所述神经网络模型，获取所述神经网络模型输出的第三图像。

在本实施例中，第三图像为神经网络模型对低分辨图像进行超分辨处理后输出的图像。例如，可以将一张高质量的高分辨率图像(图像a)进行降低维度的方法来获取低分辨率的图像(图像b)，并把图像b作为神经网络模型的输入。这样，在通过神经网络模型得到一张高质量、高分辨率的图像(图像c)后，就可以通过对比图像a与图像c之间的差别，对于神经网络模型的效果进行评估。其中图像a相当于原始图像，图像b相当于原始图像对应的低分辨率图像，图像c相当于第三图像。

在s302中，根据所述原始图像的图像信息、所述第三图像的图像信息和所述损失函数计算第一数值，所述第一数值为当前神经网络模型对应的损失函数数值。

在本实施例中，图像信息可以包括图像的像素个数及各个像素值。根据原始图像的图像信息和第三图像的图像信息，可以计算出原始图像的像素平均值和像素标准差，第三图像的像素平均值和像素标准差，以及原始图像和第三图像之间的像素协方差。将上述计算出的值代入损失函数可以计算出第一数值。第一数值可以表征原始图像和第三图像的相似程度，从而反映当前神经网络模型的超分辨效果。

在s303中，根据所述第一数值对所述神经网络模型的参数进行调整。

在本实施例中，可以根据第一数值对神经网络模型的参数进行调整。例如，可以通过梯度下降法将损失函数作用于网络中的每一个参数，从而对各个参数的值进行矫正。在反向传播过程中，通过梯度下降计算出当前误差对于每一个参数的矫正作用。遵循此矫正，对于整个网络模型的参数进行调节，使整个网络模型的误差不断减少。

举例来说，如果原始图像和第三图像很相近，那么第一数值就比较小，在误差反向传播过程中对网络参数的矫正作用会比较小；如果原始图像和第三图像差别很大，那么第一数值就比较大，在误差反向传播过程中将网络参数向着损失减少的方向被大幅度得矫正。因此，通过对神经网络模型的训练，可以使得原始图像和第三图像更为逼近。

本实施例通过将低分辨率图像输入神经网络模型得到的第三图像，根据原始图像和第三图像计算损失函数的值，再对神经网络模型的参数进行调整，能够使网络参数更适于对图像进行超分辨处理，实现对神经网络模型的训练，从而提高神经网络模型生成的超分辨图像的质量。

作为本发明的一个实施例，如图4所示，在s203之后，还可以包括：

在s401中，将所述低分辨率图像输入调整后的神经网络模型，获取所述神经网络模型输出的第四图像。

在s402中，根据所述原始图像的图像信息、所述第四图像的图像信息和所述损失函数计算第二数值，所述第二数值为调整后的神经网络模型对应的损失函数数值。

在s403中，将所述第二数值与预设阈值进行对比。

在本实施例，预设阈值用于评估调整后的神经网络模型的效果是否达到要求。预设阈值的数值可以根据对神经网络模型超分辨效果的要求进行设定。

根据第一数值对神经网络模型的参数进行调整后，向调整后的神经网络模型重新输入低分辨率图像，根据输出的第四图像计算出调整后神经网络模型对应的损失函数数值。通过将第二数值与预设阈值进行对比来评估调整后的神经网络模型是否达到要求。

在s404中，若所述第二数值大于所述预设阈值，则根据所述第二数值对所述神经网络的参数进行调整，并跳转至s401的步骤。

在本实施例中，由于损失函数越小，神经网络模型的超分辨效果越好。若第二数值大于预设阈值，则表征调整后的神经网络模型的超分辨效果还没有达到要求，需要再次进行参数调整，因此，根据第二数值对神经网络模型的参数进行再次调整。之后跳转至s301的步骤，再次根据预设阈值对神经网络模型的超分辨效果进行评估。

在s405中，若所述第二数值小于所述预设阈值，则结束对所述神经网络模型的训练。

在本实施例中，若第二数值小于预设阈值，则表征调整后的神经网络模型的超分辨效果已经达到要求，因此可以结束对所述神经网络模型的训练过程，将当前的神经网络模型作为训练后的神经网络模型，用于对待处理图像进行超分辨处理。

本实施例通过预设阈值对参数调整后的神经网络模型进行评估，判断当前神经网络模型的超分辨效果是否达到要求，通过预设阈值能够对神经网络模型训练的效果进行准确评估，从而保证训练后的神经网络模型的超分辨效果，保证生成的超分辨图像的质量。

在s204中，将待处理图像输入训练后的神经网络模型，生成所述待处理图像的超分辨图像。

在本实施例中，待处理图像为需要进行超分辨处理的图像。将待处理图像输入训练后的神经网络模型，可以生成待处理图像的超分辨图像，提升图像的质量。

本发明实施例根据结构相似性理论中两幅图像之间亮度、对比度和结构的相似关系，建立损失函数，根据样本图像和损失函数对神经网络模型进行训练，将待处理图像输入训练后的神经网络模型，生成待处理图像的超分辨图像，能够实现对待处理图像的超分辨处理。本发明实施例将结构相似性理论的思想融入到构造损失函数的过程中，通过改善损失函数来改善超分辨技术，能够帮助提高图像质量，得到更加符合人眼视觉的超分辨图像，使生成的超分辨图像的质量稳定性得到提升。

本发明实施例在构造损失函数的过程中，首次提出联合考虑亮度、对比度以及结构相似性等高级质量相关特征，并把这些因素融入到机器学习神经网络模型的构建中。在这些质量相关特征的辅助下构造的损失函数，可以得到更加符合人眼视觉规律的图片，帮助提高图像质量，扩展超分辨技术的应用范围。利用ssim来重新构建损失函数的好处在于：因为亮度、对比度以及结构相似性都属于高级质量相关特征，因此训练经过的神经网络模型所生成的图像更容易在空间上保持连续；而且用ssim来辅助定义的损失函数更符合人眼视觉规律的结果。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

对应于上文实施例所述的超分辨图像生成方法，图5示出了本发明实施例提供的超分辨图像生成装置的示意图。为了便于说明，仅示出了与本实施例相关的部分。

参照图5，该装置包括构建模块51、处理模块52、训练模块53和生成模块54。

构建模块51，用于构建神经网络模型。

处理模块52，用于根据结构相似性理论中两幅图像之间亮度、对比度和结构的相似关系，建立损失函数。

训练模块53，用于获取样本图像，并根据所述样本图像和所述损失函数对所述神经网络模型进行训练。

生成模块54，用于将待处理图像输入训练后的神经网络模型，生成所述待处理图像的超分辨图像。

可选地，所述样本图像包括原始图像和所述原始图像对应的低分辨率图像；所述低分辨率图像为将所述原始图像的分辨率降低后得到的图像；所述损失函数为：

lossnew(a,c)＝-l(a,c)-c(a,c)-s(a,c)

其中，a表示第一图像，c表示第二图像，l(a,c)为第一图像和第二图像之间的亮度对比函数；c(a,c)为第一图像和第二图像之间的对比度对比函数；s(a,c)为第一图像和第二图像之间的结构对比函数；其中第一图像为所述原始图像；第二图像为在训练过程中将所述原始图像对应的低分辨率图像输入所述神经网络模型后，所述神经网络模型输出的图像。

可选地，所述亮度对比函数为所述对比度对比函数为所述结构对比函数为

其中，μa为第一图像的像素平均值，μc为第二图像的像素平均值，σa为第一图像的像素标准差，σc为第二图像的像素标准差，σaσc为第一图像和第二图像的像素协方差；k1，k2和k3均为常量。

可选地，所述训练模块53用于：

将所述低分辨率图像输入所述神经网络模型，获取所述神经网络模型输出的第三图像；

根据所述原始图像的图像信息、所述第三图像的图像信息和所述损失函数计算第一数值，所述第一数值为当前神经网络模型对应的损失函数数值；

根据所述第一数值对所述神经网络模型的参数进行调整。

可选地，所述训练模块53还用于：

将所述低分辨率图像输入调整后的神经网络模型，获取所述神经网络模型输出的第四图像；

根据所述原始图像的图像信息、所述第四图像的图像信息和所述损失函数计算第二数值，所述第二数值为调整后的神经网络模型对应的损失函数数值；

将所述第二数值与预设阈值进行对比；

若所述第二数值大于所述预设阈值，则根据所述第二数值对所述神经网络的参数进行调整，并跳转至“将所述低分辨率图像输入调整后的神经网络模型，获取所述神经网络模型输出的第四图像”的步骤；

若所述第二数值小于所述预设阈值，则结束对所述神经网络模型的训练。

本发明实施例根据结构相似性理论中两幅图像之间亮度、对比度和结构的相似关系，建立损失函数，根据样本图像和损失函数对神经网络模型进行训练，将待处理图像输入训练后的神经网络模型，生成待处理图像的超分辨图像，能够实现对待处理图像的超分辨处理。本发明实施例将结构相似性理论的思想融入到构造损失函数的过程中，通过改善损失函数来改善超分辨技术，能够帮助提高图像质量，得到更加符合人眼视觉的超分辨图像，使生成的超分辨图像的质量稳定性得到提升。

图6是本发明一实施例提供的终端设备的示意图。如图6所示，该实施例的终端设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62，例如程序。所述处理器60执行所述计算机程序62时实现上述各个方法实施例中的步骤，例如图2所示的步骤201至204。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块51至54的功能。

示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述终端设备6中的执行过程。例如，所述计算机程序62可以被分割成构建模块、处理模块、训练模块和生成模块，各模块具体功能如下：

构建模块，用于构建神经网络模型；

处理模块，用于根据结构相似性理论中两幅图像之间亮度、对比度和结构的相似关系，建立损失函数；

训练模块，用于获取样本图像，并根据所述样本图像和所述损失函数对所述神经网络模型进行训练；

生成模块，用于将待处理图像输入训练后的神经网络模型，生成所述待处理图像的超分辨图像。

所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是终端设备6的示例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线、显示器等。

所称处理器60可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器61可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

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或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，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、或者计算机软件和电子硬件的结合来实现。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。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述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，在本发明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。

所述集成的模块/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介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。