本公开涉及图像处理技术领域，尤其涉及一种图像处理方法及装置。
背景技术：
用户把图像分享到朋友圈时，经常需要对图像进行编辑，通过涂鸦、马赛克或者模糊等方式涂抹掉一部分区域，例如车牌、人脸或者背景等，以隐藏部分信息。相关技术中，需要用户手动的一点一点的涂抹，比较费时且准确性较低。
技术实现要素：
为克服相关技术中存在的问题，本公开提供一种图像处理方法及装置，能够减少用户交互次数，提高编辑的准确度。
根据本公开实施例的第一方面，提供一种图像处理方法，包括对图像进行实例分割，得到图像中各对象的分割蒙版图；在检测到针对所述图像的编辑操作时，获取所述编辑操作对应的位置信息；若存在与所述位置信息匹配的目标分割蒙版图，则对所述图像中所述目标分割蒙版图的选区对应的区域，进行与所述编辑操作对应的编辑。
在一种可能的实现方式中，所述方法还包括：若不存在与所述位置信息匹配的分割蒙版图，则对所述图像中的背景区域进行所述编辑操作对应的编辑，所述背景区域为所述图像中除各对象的分割蒙版图的选区对应的区域以外的区域。
在一种可能的实现方式中，所述分割蒙版图的选区为所述分割蒙版图中像素值为指定值的区域，所述方法还包括：针对每一个分割蒙版图，若该分割蒙版图中所述位置信息对应位置的像素值为指定值，则确定该分割蒙版图为与所述位置信息匹配的目标分割蒙版图。
在一种可能的实现方式中，所述对图像进行实例分割，得到图像中各对象的分割蒙版图包括：对所述图像进行显著性检测，得到多个候选区域；确定每个候选区域为各个类别的概率以及每个候选区域对应的分割蒙版图；对于每一个类别，在所有对应于该类别的候选区域中，去除对应该类别的概率小于阈值的候选区域；对于每一个类别，在去除对应该类别的概率小于阈值的候选区域后，通过非最大值抑制，去除重复的候选区域；将剩下的候选区域对应的分割蒙版图确定为图像中各对象的分割蒙版图。
在一种可能的实现方式中，所述确定每个候选区域为各个类别的概率以及每个候选区域对应的分割蒙版图包括：对所述图像进行多层卷积神经网络CNN卷积运算，得到所述图像的特征图；将各候选区域映射到所述特征图中，得到各候选区域在所述特征图中对应的特征区域；针对每一个候选区域：将该候选区域对应的特征区域进行池化操作，得到该候选区域的特征向量；将该候选区域的特征向量输入多层感知器MLP网络中，得到该候选区域为各个类别的概率和该候选区域对应的分割蒙版图。
根据本公开实施例的第二方面，提供一种图像处理装置，包括分割模块，用于对图像进行实例分割，得到图像中各对象的分割蒙版图；获取模块，用于在检测到针对所述图像的编辑操作时，获取所述编辑操作对应的位置信息；第一编辑模块，用于当存在与所述位置信息匹配的目标分割蒙版图时，对所述图像中所述目标分割蒙版图的选区对应的区域，进行与所述编辑操作对应的编辑。
在一种可能的实现方式中，所述装置还包括：第二编辑模块，用于当不存在与所述位置信息匹配的分割蒙版图时，对所述图像中的背景区域进行所述编辑操作对应的编辑，所述背景区域为所述图像中除各对象的分割蒙版图的选区对应的区域以外的区域。
在一种可能的实现方式中，所述分割蒙版图的选区为所述分割蒙版图中像素值为指定值的区域，所述装置还包括：确定模块，用于针对每一个分割蒙版图，若该分割蒙版图中所述位置信息对应位置的像素值为指定值，则确定该分割蒙版图为与所述位置信息匹配的目标分割蒙版图。
在一种可能的实现方式中，所述分割模块包括：检测子模块，用于对所述图像进行显著性检测，得到多个候选区域；第一确定子模块，用于确定每个候选区域为各个类别的概率以及每个候选区域对应的分割蒙版图；第一去除子模块，用于对于每一个类别，在所有对应于该类别的候选区域中，去除对应该类别的概率小于阈值的候选区域；第二去除子模块，用于对于每一个类别，在去除对应该类别的概率小于阈值的候选区域后，通过非最大值抑制，去除重复的候选区域；第二确定子模块，用于将剩下的候选区域对应的分割蒙版图确定为图像中各对象的分割蒙版图。
在一种可能的实现方式中，所述第一确定子模块还用于：对所述图像进行多层卷积神经网络CNN卷积运算，得到所述图像的特征图；将各候选区域映射到所述特征图中，得到各候选区域在所述特征图中对应的特征区域；针对每一个候选区域：将该候选区域对应的特征区域进行池化操作，得到该候选区域的特征向量；将该候选区域的特征向量输入多层感知器MLP网络中，得到该候选区域为各个类别的概率和该候选区域对应的分割蒙版图。
根据本公开实施例的第三方面，提供一种图像处理装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述方法。
根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得处理器能够执行上述方法。
本公开的实施例提供的技术方案可以包括以下有益效果：在本公开中，检测到针对图像的编辑操作时，可以根据编辑操作对应的位置信息找到目标分割蒙版图，并对图像中目标分割蒙版图的选区对应的区域，进行与编辑操作的对应的编辑，通过某个位置上的编辑操作可以确定出图像中的一个区域并实现对该区域的自动编辑，减少了用户交互的次数，提高了编辑的准确度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种图像处理方法的流程图；
图2a是图像分类结果的一个示例；
图2b是目标检测结果的一个示例；
图2c是语义分割结果的一个示例；
图2d是实例分割结果的一个示例；
图3是根据一示例性实施例示出的一种图像处理方法的流程图；
图4是根据一示例性实施例示出的一种图像处理方法的流程图；
图5是根据一示例性实施例示出的一种图像处理装置的框图；
图6是根据一示例性实施例示出的一种图像处理装置的框图；
图7是根据一示例性实施例示出的一种用于图像处理的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种图像处理方法的流程图。该方法可以用于手机、平板电脑或者计算机等终端中。参照图1，该图像处理方法包括以下步骤：
在步骤S11中，对图像进行实例分割，得到图像中各对象的分割蒙版图。
图像分类可以确定出一幅图像中包含的对象的类别。如图2a所示，图像分类可以确定出图像中包括人、羊和狗三个类别的对象。目标检测在图像分类的基础上，还可以进行对象定位，定位常用表征就是对象的边界框。如图2b所示，目标检测可以确定出图像中包括人、羊和狗三个类别的对象，并分别确定出人、羊和狗的位置。语义分割可以将图像中每一个像素点标注为某个物体类别。语义分割不区分属于相同类别的不同实例。如图2c所示，语义分割将羊、人和狗的所有像素分别预测为羊、人和狗这个类别。
实例分割是从图像中用目标检测方法框出不同实例，再用语义分割方法在不同实例区域内进行逐像素标记。实例分割就是目标检测和语义分割的结合。如图2d所示，相对于目标检测的边界框，实例分割可精确到对象的边缘；相对于语义分割，实例分割可以标注出图像中同一类别对象的不同个体，例如不同的羊。
分割蒙版图可以表示一个对象的实例区域内的像素标记结果。一个对象的分割蒙版图可以用于确定图像中对应于该对象的像素。分割蒙版图包括蒙版区和选区。其中，选区对应于对象在图像中的所在区域，分割蒙版图中除选区以外的区域为蒙版区。
在一种可能的实现方式中，所述分割蒙版图的选区为所述分割蒙版图中像素值为指定值的区域。其中，指定值可以根据需要进行设置，例如0或者1。在一个示例中，分割蒙版图是由0和1组成的一个二值化图像，1值区域为选区，0值区域为蒙版区。此时，1值区域对应于某个对象在图像中所在的区域。
终端获取到图像后，对图像进行实例分割可以得到图像中每个对象的分割蒙版图。图像中各对象的分割蒙版图的选区对应的区域是各对象在图像中所在的区域。
在步骤S12中，在检测到针对所述图像的编辑操作时，获取所述编辑操作对应的位置信息。
针对图像的编辑操作可以为单击、双击或者滑动等操作，对此本公开不做限制。编辑操作对应的编辑可以为马赛克、涂鸦和填充等，对此本公开不做限制。
编辑操作对应的位置信息可以表示编辑操作的位置，例如点击(单击或者双击)位置、滑动区域等。
在步骤S13中，若存在与所述位置信息匹配的目标分割蒙版图，则对所述图像中所述目标分割蒙版图的选区对应的区域，进行与所述编辑操作对应的编辑。
目标分割蒙版图可以为各分割蒙版图中与位置信息匹配的分割蒙版图。若一个分割蒙版图与位置信息匹配，表示该分割蒙版图对应的对象为编辑操作的操作对象，且该分割蒙版图的选区对应与该对象在图像中所在的区域。
在一种可能的实现方式中，终端可以通过以下方式确定目标分割蒙版：针对每一个分割蒙版图，若该分割蒙版图中所述位置信息对应位置的像素值为指定值，则确定该分割蒙版图为与所述位置信息匹配的目标分割蒙版图。
当一个分割蒙版图中所述位置信息对应位置的像素值为指定值，表明该位置信息对应的位置属于该分割蒙版图的选区，也就是说该位置信息对应的位置位于该分割蒙版图对应的对象上。因此，终端可以将该分割蒙版图确定为与所述位置信息匹配的目标分割蒙版图。
当存在与位置信息匹配的目标分割蒙版图时，表明编辑操作位于图像中的某个对象上，因此，终端可以对图像中目标分割蒙版图的选区对应的区域，进行与编辑操作对应的编辑，实现对用户想要编辑的对象的自动编辑。
在一个示例中，用户对图像进行马赛克处理，当用户点击的位置位于图2a所示的左侧第一羊上时，该羊的分割蒙版图为与点击的位置信息匹配的目标分割蒙版图，终端将图像中该羊的分割蒙版图的选区对应的区域(如图2d所示的区域1)进行马赛克处理后，该羊就被马赛克掉。这样，用户只是点击了需要马赛克的羊，终端就自动将该羊马赛克掉，不需要用户手动的一点一点的去涂抹，有效减少了用户交互的次数，并提高了涂抹的准确度。
需要说明的是，编辑操作对应的位置信息可以为多个位置信息，例如滑动操作的位置信息，此时可能存在多个目标分割蒙版图，终端可以对图像中每个目标分割蒙版图的选区对应的区域进行编辑。
在本公开中，检测到针对图像的编辑操作时，可以根据编辑操作对应的位置信息找到目标分割蒙版图，并对图像中目标分割蒙版图的选区对应的区域，进行与编辑操作的对应的编辑，通过某个位置上的编辑操作可以确定出图像中的一个区域并实现对该区域的自动编辑，减少了用户交互的次数，提高了编辑的准确度。
图3是根据一示例性实施例示出的一种图像处理方法的流程图。参照图3，该图像处理方法还包括步骤S14。
在步骤S14中，若不存在与所述位置信息匹配的分割蒙版图，则对所述图像中的背景区域进行所述编辑操作对应的编辑，所述背景区域为所述图像中除各对象的分割蒙版图的选区对应的区域以外的区域。
图像的背景区域为图像中除各对象的分割蒙版图的选区对应的区域以外的区域。图像中各对象的分割蒙版图的选区对应于图像中各对象所在区域。图像中除各对象所在区域以外的区域可以确定为图像中的背景区域。
当不存在与位置信息匹配的目标分割蒙版图时，表明编辑操作位于图像中的背景上，因此，终端可以对图像中背景区域进行编辑操作对应的编辑，从而实现对背景区域的自动编辑。
图4是根据一示例性实施例示出的一种图像处理方法的流程图。参照图4，对图像进行实例分割，得到图像中各对象的分割蒙版图包括步骤S111至步骤S115。
在步骤S111中，对所述图像进行显著性检测，得到多个候选区域。
面对一个场景(例如，图像)时，人们会自动地对感兴趣区域进行处理而选择性地忽略不感兴趣的区域，这些人们感兴趣的区域被称为显著性区域。显著性检测是指通过智能算法模拟人的视觉特点，提取图像中的显著性区域，即人类感兴趣的区域。
终端对图像进行显著性检测，可以得到几百到几千个候选区域r。每个候选区域r为一个框，r＝(x，y，w，h)其中，x和y为候选区域r的一个顶点，w和h分别为候选区域r的宽度和长度。
在一种可能的实现方式中，终端可以通过Selective Search(选择性搜索)、RPN(Region Proposal Networks，区域建议网络)等方法对图像进行显著性检测。需要说明的是，在本公开实施例中，终端还可以通过其他方法对图像进行显著性检测，对此本公开不做限制。
在步骤S112中，确定每个候选区域为各个类别的概率以及每个候选区域对应的分割蒙版图。
在一种可能的实现方式中，步骤S112包括以下步骤：对所述图像进行CNN卷积运算，得到所述图像的特征图；将各候选区域映射到所述特征图中，得到各候选区域在所述特征图中对应的特征区域；针对每一个候选区域，将该候选区域对应的特征区域进行池化操作，得到该候选区域的特征向量；针对每一个候选区域，将该候选区域的特征向量输入MLP网络中，得到该候选区域为各个类别的概率和该候选区域对应的分割蒙版图。
多层CNN(Convolutional Neural Network，卷积神经网络)的输入为图像，输出为图像的特征图。将图像输入CNN后，可以得到图像的特征图。各候选区域在所述特征图中对应的特征区域就是各候选区域的特征图。若用通过卷积运算得到的特征图直接进行分类，计算量较大。池化操作可以使特征图降维，将特征图映射为特征向量。候选区域对应的特征区域进行池化操作，可以得到该候选区域的特征向量。根据候选区域的特征向量进行分类，计算量较小。需要说明的是，进行池化操作后得到的各候选区域的特征向量的长度是一致的，以便于通过同一个MLP网络处理各候选区域，例如计算各个候选区域为各个类别的概率和各个候选区域对应的分割蒙版图。
MLP(Multilayer Perceptron，多层感知机)网络包括至少一个隐藏层，可以学习非线性函数。在本公开实施例中，MLP的输入是候选区域的特征向量，MLP的输出包括两个：一个是各个类别的概率，一个是分割蒙版图。
终端可以根据候选区域为各个类别的概率确定候选区域的类别，具体可以为：将最高概率对应的类别确定候选区域的类别。
在步骤S113中，对于每一个类别，在所有对应于该类别的候选区域中，去除对应该类别的概率小于阈值的候选区域。
其中，阈值可以根据需要进行设置，在一个示例中，阈值可以设置为0.4至0.6，例如0.5。若一个候选区域对应某个类别的概率小于阈值，表明该候选区域很可能不是这个类别，去除对应这个类别的概率小于阈值的候选区域可以减少计算量、提高准确性。
在步骤S114中，对于每一个类别，在去除对应该类别的概率小于阈值的候选区域后，通过非最大值抑制，去除重复的候选区域。
NMS(Non Maximum suppression，非最大值抑制)就是抑制不是最大值的元素，搜索局部的最大值。IoU(Intersection over Union，交除并)值可以评价两个候选区域的重合度，两个区域的IoU值就是这两个区域的重叠面积占这两个区域并集的面积的比例。
每个对象可能存在多个高度重叠的候选区域，终端可以通过NMS剔除IoU值较大的候选区域(即高度重叠的候选区域)，使得一个对象对应一个候选区域。
在一个示例中，以羊这个类别为例，终端可以先找到羊的概率最高的候选区域，再计算所有类别为羊的候选区域与概率最高的候选区域之间的IoU值。设定一个IoU阈值(例如，0.5)，终端可以去除类别为羊的候选区域中所有IoU值大于IoU阈值的候选区域。这样，与概率最高的候选区域高度重合的类别为羊的候选区域就被排除了，剩余的类别为羊的候选区域对应的羊与概率最高的候选区域对应的羊是不同个体的概率较大。此时，概率最高的候选区域对应的羊存在一个候选区域。之后，终端可以按照概率由高到低的顺序，依次遍历剩下的类别为羊的候选区域，去除重复的候选区域，达到一个羊的个体对应一个候选区域的效果。
在步骤S115中，将剩下的候选区域对应的分割蒙版图确定为图像中各对象的分割蒙版图。
去除了概率较小的候选区域和重复的候选区域后，剩下的候选区域可以认为是图像中所有对象的候选区域，因此，终端可以将剩下的候选区域对应的分割蒙版图确定为图像中各对象的分割蒙版图。在此基础上，终端可以通过步骤S12和步骤S13，实现图像的自动编辑。
图5是根据一示例性实施例示出的一种图像处理装置的框图。该装置可以应用于终端。参照图5，该装置40包括分割模块41、获取模块42和第一编辑模块43。
该分割模块41被配置为对图像进行实例分割，得到图像中各对象的分割蒙版图；
该获取模块42被配置为在检测到针对所述图像的编辑操作时，获取所述编辑操作对应的位置信息；
该第一编辑模块43被配置为当存在与所述位置信息匹配的目标分割蒙版图时，对所述图像中所述目标分割蒙版图的选区对应的区域，进行与所述编辑操作对应的编辑。
图6是根据一示例性实施例示出的一种图像处理装置的框图。参照图6，在一种可能的实现方式中，所述装置40还包括第二编辑模块44。
该第二编辑模块44被配置为当不存在与所述位置信息匹配的分割蒙版图时，对所述图像中的背景区域进行所述编辑操作对应的编辑，所述背景区域为所述图像中除各对象的分割蒙版图的选区对应的区域以外的区域。
在一种可能的实现方式中，所述分割蒙版图的选区为所述分割蒙版图中像素值为指定值的区域，所述装置40还包括确定模块45。
该确定模块45被配置为针对每一个分割蒙版图，若该分割蒙版图中所述位置信息对应位置的像素值为指定值，则确定该分割蒙版图为与所述位置信息匹配的目标分割蒙版图。
在一种可能的实现方式中，所述分割模块41包括：检测子模块411、第一确定子模块412、第一去除子模块413、第二去除子模块414和第二确定子模块415。
该检测子模块411被配置为对所述图像进行显著性检测，得到多个候选区域；
该第一确定子模块412被配置为确定每个候选区域为各个类别的概率以及每个候选区域对应的分割蒙版图；
该第一去除子模块413被配置为对于每一个类别，在所有对应于该类别的候选区域中，去除对应该类别的概率小于阈值的候选区域；
该第二去除子模块414被配置为对于每一个类别，在去除对应该类别的概率小于阈值的候选区域后，通过非最大值抑制，去除重复的候选区域；
该第二确定子模块415被配置为将剩下的候选区域对应的分割蒙版图确定为图像中各对象的分割蒙版图。
在一种可能的实现方式中，所述第一确定子模块还用于：
对所述图像进行多层卷积神经网络CNN卷积运算，得到所述图像的特征图；
将各候选区域映射到所述特征图中，得到各候选区域在所述特征图中对应的特征区域；
针对每一个候选区域：
将该候选区域对应的特征区域进行池化操作，得到该候选区域的特征向量；
将该候选区域的特征向量输入多层感知器MLP网络中，得到该候选区域为各个类别的概率和该候选区域对应的分割蒙版图。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
在本公开中，检测到针对图像的编辑操作时，可以根据编辑操作对应的位置信息找到目标分割蒙版图，并对图像中目标分割蒙版图的选区对应的区域，进行与编辑操作的对应的编辑，通过某个位置上的编辑操作可以确定出图像中的一个区域并实现对该区域的自动编辑，减少了用户交互的次数，提高了编辑的准确度。
图7是根据一示例性实施例示出的一种用于图像处理的装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图7，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图像，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1932，上述指令可由装置1900的处理组件1922执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。