点云数据网格化方法、装置、计算机设备和存储介质与流程

本申请涉及三维扫描技术领域，特别是涉及一种点云数据网格化方法、装置、计算机设备和存储介质。

背景技术：

三维扫描是指集光、机、电和计算机技术于一体的高新技术，主要用于对物体空间外形和结构及色彩进行扫描，以获得物体表面的空间坐标。在三维扫描仪对待扫描物体进行扫描时，三维扫描仪会从多个不同的角度分别获取待扫描物体的点云数据，将得到的不同角度的点云数据通过拼接、去重叠以及网格化最终得到网格数据用于三维模型的重建。

目前的现有技术，在三维扫描仪对待扫描物体进行扫描时，从多个不同的角度分别获取待扫描物体的点云数据。其存在大量的数据重叠，并且点云数据中数据量大，导致重建得到三维模型的处理速度慢，并且占用大量系统内存，进一步的降低数据处理速度。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够降低点云数据量，提高三维模型处理速度的点云数据网格化方法、装置、计算机设备和存储介质。

一种点云数据网格化方法，所述方法包括：获取待扫描物体的点云数据；对所述点云数据进行非均匀简化处理，得到简化点云数据；对所述简化点云数据进行去重叠处理，得到去重叠点云数据；对所述去重叠点云数据进行网格化处理，得到网格化数据。

在其中一个实施例中，所述对所述点云数据进行非均匀简化，得到简化点云数据包括：获取点云数据所对应的深度图，并将深度图中像素点的坐标作为中心坐标；获取深度图中与所述中心坐标处的像素点相距第一预设距离的八个像素点的坐标作为当前中心坐标的相邻坐标；将中心坐标在点云数据中的相应顶点和相邻坐标在点云数据中的相应顶点拟合为平面；根据所述中心坐标、与中心坐标相应的相邻坐标以及平面进行非均匀简化，得到简化点云数据。

在其中一个实施例中，所述将中心坐标在点云数据中的相应顶点和相邻坐标在点云数据中的相应顶点拟合为平面包括：判断相邻坐标在点云数据中是否存在相应顶点；若是，则获取相邻坐标对应的点云数据中相应顶点所围成的区域；判断所述区域内是否只存在中心坐标在点云数据中的相应顶点；若是，则将中心坐标在点云数据中的相应顶点和相邻坐标在点云数据中的相应顶点拟合为平面。

在其中一个实施例中，所述根据所述中心坐标、与中心坐标相应的相邻坐标以及平面进行均匀简化，得到简化点云数据包括：计算中心坐标在点云数据中的相应顶点和相邻坐标在点云数据中的相应顶点到所述平面的距离；判断所述距离中的最大值是否小于第二预设距离；若是，则保留相邻坐标中最大坐标以及最小坐标在点云数据中的相应顶点，删除其余相邻坐标在点云数据中的相应顶点。

在其中一个实施例中，所述对所述点云数据进行非均匀简化，得到简化点云数据之后包括：迭代进行预设次数的非均匀简化后，得到最终简化点云数据。

在其中一个实施例中，所述对所述简化点云数据进行去重叠，得到去重叠点云数据包括：删除简化点云数据间存在的重叠点，得到去重叠点云数据。

在其中一个实施例中，所述对去重叠点云数据进行网格化处理，得到网格化数据包括：根据所述去重叠点云数据，建立半边数据结构；获取所述半边数据结构的边界点；在所述去重叠点云数据的所有顶点中，获取与边界点的距离小于第三预设距离的顶点作为集合点；对所述集合点中的顶点进行网格化，得到网格化数据。

一种点云数据网格化装置，所述装置包括：获取模块，用于获取对待扫描物体进行扫描后得到的点云数据；简化模块，用于对所述点云数据进行非均匀简化，得到简化点云数据；去重叠模块，用于对所述简化点云数据进行去重叠，得到去重叠点云数据；网格化模块，用于对去重叠点云数据进行网格化处理，得到网格化数据。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一种所述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种所述的方法的步骤。

上述点云数据网格化方法、装置、计算机设备和存储介质，对获取到的点云数据首先进行简化处理，得到简化点云数据，再对简化点云数据依次进行去重叠以及网格化处理，得到网格化数据。通过进行非均匀简化处理，在保持扫描物体特征不丢失的前提下减少点云数据，并且通过对简化点云数据的后处理，在较少的数据上保持了原有的时间复杂度，从而提升了算法的处理速度。由于减少了点云数据，进一步的减小了系统内存的消耗，进一步的提升了算法的处理速度。

附图说明

图1为一个实施例中点云数据网格化方法的流程示意图；

图2为一个实施例中点云数据非均匀简化方法的流程示意图；

图3为一个实施例中点云数据网格化装置的结构框图；

图4为一个实施例中计算机设备的内部结构图。

附图标记：获取模块100、简化模块200、去重叠模块300、网格化模块400。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

三维扫描中，拼接、配准或注册为同一概念，就是把不同位置的点云通过重叠部分的信息，变换到同一个位置。以名词注册为例进行说明，一般注册分为三类：粗注册，精细注册和全局注册。

粗注册：一般用于注册两个位置相差很大的点云，比如两帧位于相机坐标系的点云。粗注册方法大致分为两类：有标记点粗注册和无标记点粗注册。标记点可以是用户手动标记的，也可以是物体扫描时贴的标记点。无标记点注册更加方便一些，但是对于一些比较对称或者重合部分很少的情况，可能会有一些失误的。另外还有一些根据设备的参数来计算粗注册变换的方法。

精细注册：这里一般指icp注册方法。主要用于已经粗注册好的点云，需要提升注册精度的情况。icp可以加入标记点信息。因为众所周知，一些滑动情况会导致icp注册失败，但是如果数据本身有标记点的话，可以加入标记点信息来提升注册的成功率。

全局注册：逐帧注册的点云数据，往往有累积误差。全局注册可以把累积误差分散到每一帧中去，从而减少整体的注册误差。另外，有些时候所有点云已经有了粗注册了，可以应用全局注册一次性把所有点云注册好。

icp注册方法(iterativeclosestpoint)也叫迭代最近点注册方法，将模型进行准确拼接，该方法最早由chen于上世纪90年代提出，之后又有大量的基于此方法的总结与改进。

点云的去重叠，icp算法需要对齐的深度图有足够的重叠部分以保证拼接的准确性，但拼接后这些重叠区域需要被删除，turk提出了一种zipper算法(zipperedpolygonmeshesfromrangeimages)。

网格缝合，对于去重叠之后的各片网格，之间存在大量缝隙，用于对大量缝隙进行缝合。常用的方法有：barequet提出了缝合相邻相似边界的简单方法(fillinggapsintheboundaryofapolyhedron)。gopi提出了一种基于降维德劳内三角化(delaunaytriangulation)进行三维模型表面重建的方法(surfacereconstructionbasedonlowerdimensionallocalizeddelaunaytriangulation)。泊松重建算法kazhdan由2004年提出(poissonsurfacereconstruction)；随后bolitho在2009年又为该算法提供了并行的解决方案，提升了算法的效率(parallelpoissonsurfacereconstruction)；2013年，kazhdan继续改进了这一算法，对其数学基础进行了概括与归纳，将算法时间复杂度降低到了线性(screenedpoissonsurfacereconstruction)。

在一个实施例中，如图1所示，提供了一种点云数据网格化方法，包括以下步骤：

步骤s102，获取待扫描物体的点云数据。

具体地，通过三维扫描仪，对待扫描物体进行扫描，并获取待扫描物体的点云数据。其中，点云数据为扫描资料以点的形式记录，每一个点包含有三维坐标，还可以包括颜色信息以及反射强度信息。更具体的，颜色信息通常是通过相机获取彩色影像，然后将对应位置的像素的颜色信息赋予点云中对应的点。反射强度信息的获取是扫描仪接收装置采集到的回波强度，此反射强度信息与目标的表面材质、粗糙度、入射角方向以及仪器的发射能量，激光波长有关。

步骤s104，对点云数据进行非均匀简化处理，得到简化点云数据。

具体地，首先获取点云数据所对应的深度图，并将深度图中像素点的坐标作为中心坐标。其中深度图是由相机获取的，深度图中每个像素点代表物体到相机平面的距离。深度图像的获取的方法可以分为两类：被动测距传感和主动深度传感。其中被动测距传感通过两个相隔一定距离的相机同时获取同一场景的两幅图像，通过立体匹配算法找到两幅图像中对应的像素点，随后根据三角原理计算出时差信息，而时差信息通过转换可用于表征场景中物体的深度信息。其中主动深度传感利用三维扫描仪本身发射的能量来完成深度信息的采集。当确定好中心坐标后，获取深度图中与中心坐标处的像素点相距第一预设距离的八个像素点的坐标作为当前中心坐标的相邻坐标。再将中心坐标在点云数据中的相应顶点和相邻坐标在点云数据中的相应顶点拟合为平面。最后根据中心坐标、与中心坐标相应的相邻坐标以及平面进行非均匀简化，得到简化点云数据。通过进行非均匀简化迭代预设次数后，得到最终简化点云数据。

步骤s106，对简化点云数据进行去重叠处理，得到去重叠点云数据。

具体地，删除简化点云数据间存在的重叠点，得到去重叠点云数据。在对点云数据进行非均匀处理后，利用zipper方法的思想进行去重叠。本实施例所使用的为改进后的zipper方法，改进后的zipper方法不进行边的求交算法，而是删除多片点云之间的重叠点，删除重叠点之后的多片点云数据之间不存在距离过近的点，但留有大量缝隙。

步骤s108，对去重叠点云数据进行网格化处理，得到网格化数据。

具体地，使用邻近搜索，对点云数据进行缝合。因为其中涉及大量的拓扑操作，所以需要为待缝合的数据建立半边数据结构。根据去重叠点云数据，建立半边数据结构。其中，半边数据结构是一个以边为中心的数据结构。平面图，多面体或者其他二维定向表面均可以使用半边数据结构。每个边都分成两个方向相反的半边。每条半边都存储它的一个入射面和一个入射点。获取半边数据结构的边界点，在去重叠点云数据的所有顶点中，获取与边界点的距离小于第三预设距离的顶点作为集合点。也就是对半边数据结构的所有边界点进行遍历，将所有与边界点的距离小于第三预设距离的点作为集合点。其中第三预设距离根据实际的需要进行设定。对集合点中的顶点进行网格化，得到网格化数据。其中利用gopi提出的基于降维德劳内三角化(surfacereconstructionbasedonlowerdimensionallocalizeddelaunaytriangulation)进行三维模型表面重建的方法，对集合点进行网格化。

上述点云数据网格化方法，对获取到的点云数据首先进行简化处理，得到简化点云数据，再对简化点云数据依次进行去重叠以及网格化处理，得到网格化数据。通过进行非均匀简化处理，在保持扫描物体特征不丢失的前提下减少点云数据，并且通过对简化点云数据的后处理，在较少的数据上保持了原有的时间复杂度，从而提升了算法的处理速度。由于减少了点云数据，进一步的减小了系统内存的消耗，进一步的提升了算法的处理速度。

在一个实施例中，如图2所示，提供了一种点云数据非均匀简化方法，包括以下步骤：

步骤s202，获取点云数据所对应的深度图，并将深度图中像素点的坐标作为中心坐标。

具体地，其中深度图是由相机获取的，深度图中每个像素点代表物体到相机平面的距离。深度图像的获取的方法可以分为两类：被动测距传感和主动深度传感。其中被动测距传感通过两个相隔一定距离的相机同时获取同一场景的两幅图像，通过立体匹配算法找到两幅图像中对应的像素点，随后根据三角原理计算出时差信息，而时差信息通过转换可用于表征场景中物体的深度信息。其中主动深度传感利用三维扫描仪本身发射的能量来完成深度信息的采集。其中，将深度图中像素点的坐标作为中心坐标可以为：先确定点云数据，再将点云数据的顶点对应的深度图的像素点坐标作为中心坐标，点云数据中的顶点在深度图中必然能找到相应的像素点。将深度图中像素点的坐标作为中心坐标也可以为：将深度图中的所有像素点坐标作为中心坐标，再将深度图中的像素点与点云数据中的顶点一一对应，深度图中的像素点不一定全部能够在点云数据中找到相应的顶点。本实施例中，设深度图像中的像素坐标为(x，y)，也就是中心坐标为(x，y)。

步骤s204，获取深度图中与中心坐标处的像素点相距第一预设距离的八个像素点的坐标作为当前中心坐标的相邻坐标。

具体地，在深度图像中选取预与中心坐标处的像素点相距第一预设距离的八个像素点的坐标作为当前中心坐标的相邻坐标。也就是在深度图中以所有的像素点的坐标分别作为中心坐标。根据每个像素点的坐标，选取其相距第一预设距离的八个像素点的坐标作为当前中心坐标的相邻坐标。以深度图像中像素点的坐标为(x，y)，也就是中心坐标为(x，y)进行举例说明。与中心坐标(x，y)的像素点相距第一预设距离的八个像素点的坐标分别为(x-2ⁿ，y-2ⁿ)、(x-2ⁿ，y)、(x-2ⁿ，y+2ⁿ)、(x，y+2ⁿ)、(x+2ⁿ，y+2ⁿ)、(x+2ⁿ，y)、(x+2ⁿ，y-2ⁿ)、(x，y-2ⁿ)。其中n＝n-1，n为迭代次数，当进行第一次非均匀简化时，也就是n＝0，第一预设距离为1；当进行第二次迭代非均匀简化时，也就是n＝1，第一预设距离为2；当进行第三次迭代非均匀简化时，也就是n＝2，第一预设距离为4；以此类推。优选的，迭代次数为2到8次。本实施例中不对第一预设距离做具体限定，其迭代方式可以是2ⁿ，也可以为其他预设长度，只需能够达到迭代的目的即可。并且本实施例中对迭代次数不做具体限定，可以只进行一次非均匀简化，也可以迭代进行多次非均匀简化处理，只需达到更好的简化目的即可。

步骤s206，将中心坐标在点云数据中的相应顶点和相邻坐标在点云数据中的相应顶点拟合为平面。

具体地，首先判断相邻坐标在点云数据中是否存在相应顶点。如果存在则获取相邻坐标对应的点云数据中相应顶点所围成的区域；若果不存在则不进行任何处理。当相邻坐标在点云数据中都存在相应顶点时，则判断区域内是否只存在中心坐标在点云数据中的相应顶点。如果只存在中心坐标在点云数据中的相应顶点，则将中心坐标在点云数据中的相应顶点和相邻坐标在点云数据中的相应顶点拟合为平面。如果除中心坐标在点云数据中的相应顶点外还存在其他顶点，则不做任何处理。其中利用最小二乘法进行九个顶点的平面拟合。

步骤s208，根据中心坐标、与中心坐标相应的相邻坐标以及平面进行非均匀简化，得到简化点云数据。

具体地，当利用最小二乘法将九个顶点拟合成平面后，计算中心坐标在点云数据中的相应顶点和相邻坐标在点云数据中的相应顶点到平面的距离；也就是计算九个顶点到拟合平面的距离。判断距离中的最大值是否小于第二预设距离。也即将九个顶点到拟合平面的距离中的最大距离与第二预设距离进行比较。若最大距离小于第二预设距离，则保留相邻坐标中最大坐标以及最小坐标在点云数据中的相应顶点，删除其余相邻坐标在点云数据中的相应顶点。若最大距离大于等于第二预设距离，则不做任何处理。以深度图像中像素点的坐标为(x，y)，也就是中心坐标为(x，y)进行举例说明，与中心坐标(x，y)的像素点相距第一预设距离的八个像素点的坐标分别为(x-2ⁿ，y-2ⁿ)、(x-2ⁿ，y)、(x-2ⁿ，y+2ⁿ)、(x，y+2ⁿ)、(x+2ⁿ，y+2ⁿ)、(x+2ⁿ，y)、(x+2ⁿ，y-2ⁿ)、(x，y-2ⁿ)。当最大距离小于第二预设距离，则保留相邻坐标中最大坐标以及最小坐标在点云数据中的相应顶点，删除其余相邻坐标在点云数据中的相应顶点。其中八个顶点中坐标最大和最小坐标为(x-2ⁿ，y-2ⁿ)、(x-2ⁿ，y+2ⁿ)、(x+2n，y+2ⁿ)、(x+2ⁿ，y-2ⁿ)，也就是保留这四个点在点云数据中的相应顶点，其余5个点(x，y)、(x-2ⁿ，y)、(x，+2ⁿ)、(x+2ⁿ，y)、(x，y-2ⁿ)在点云数据中的相应顶点删除。根据实际应用中的需要，将非均匀简化迭代n次后，得到最终简化点云数据。

上述点云数据非均匀简化方法，将深度图中像素点的坐标作为中心坐标，再获取与中心坐标处像素点相距第一预设距离的八个像素点的坐标作为当前中心坐标的相邻坐标，将中心坐标和相邻坐标在点云数据中的顶点你合成平面，通过中心坐标、相邻坐标以及拟合的平面进行非均匀简化，得到简化点云数据。能够减小扫描仪获取三维数据处理的计算量，提升效率。

上述点云数据网格化方法能够在数据简化的基础上，快速的将不同角度的扫描数据之间的重叠区域删除，减小数据量的同时，保证扫描得到的信息不丢失。并且将不同角度的扫描数据进行缝合，能够生成一个完整的三维网格，满足下游工业、商业应用的需求。

应该理解的是，虽然图1-2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图3所示，提供了一种点云数据网格化装置，包括：获取模块100、简化模块200、去重叠模块300以及网格化模块400。

获取模块100，用于获取对待扫描物体进行扫描后得到的点云数据。

简化模块200，用于对点云数据进行非均匀简化，得到简化点云数据。

去重叠模块300，用于对简化点云数据进行去重叠，得到去重叠点云数据。

网格化模块400，用于对去重叠点云数据进行网格化处理，得到网格化数据。

其中，简化模块还包括：中心坐标获取单元、相邻坐标获取单元、平面拟合单元以及简化单元。

中心坐标获取单元，用于获取点云数据所对应的深度图，并将深度图中像素点的坐标作为中心坐标。

相邻坐标获取单元，用于获取深度图中与中心坐标处的像素点相距第一预设距离的八个像素点的坐标作为当前中心坐标的相邻坐标。

平面拟合单元，用于将中心坐标在点云数据中的相应顶点和相邻坐标在点云数据中的相应顶点拟合为平面。

简化单元，用于根据中心坐标、与中心坐标相应的相邻坐标以及平面进行非均匀简化，得到简化点云数据。

平面拟合单元，还用于判断相邻坐标在点云数据中是否存在相应顶点；若是，则获取相邻坐标对应的点云数据中相应顶点所围成的区域；判断区域内是否只存在中心坐标在点云数据中的相应顶点；若是，则将中心坐标在点云数据中的相应顶点和相邻坐标在点云数据中的相应顶点拟合为平面。

简化单元，还用于计算中心坐标在点云数据中的相应顶点和相邻坐标在点云数据中的相应顶点到平面的距离；判断距离中的最大值是否小于第二预设距离；若是，则保留相邻坐标中最大坐标以及最小坐标在点云数据中的相应顶点，删除其余相邻坐标在点云数据中的相应顶点。

简化模块200，还用于迭代进行预设次数的非均匀简化后，得到最终简化点云数据。

去重叠模块300，还用于删除简化点云数据间存在的重叠点，得到去重叠点云数据。

网格化模块400包括：半边数据结构建立单元、边界点获取单元、集合点获取单元以及网格化单元

半边数据结构建立单元，用于根据去重叠点云数据，建立半边数据结构。

边界点获取单元，用于获取半边数据结构的边界点。

集合点获取单元，用于在去重叠点云数据的所有顶点中，获取与边界点的距离小于第三预设距离的顶点作为集合点。

网格化单元，用于对集合点中的顶点进行网格化，得到网格化数据。

关于点云数据网格化装置的具体限定可以参见上文中对于点云数据网格化方法的限定，在此不再赘述。上述点云数据网格化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种点云数据网格化方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取待扫描物体的点云数据。对点云数据进行非均匀简化处理，得到简化点云数据。对简化点云数据进行去重叠处理，得到去重叠点云数据。对去重叠点云数据进行网格化处理，得到网格化数据。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取点云数据所对应的深度图，并将深度图中像素点的坐标作为中心坐标。获取深度图中与中心坐标处的像素点相距第一预设距离的八个像素点的坐标作为当前中心坐标的相邻坐标。将中心坐标在点云数据中的相应顶点和相邻坐标在点云数据中的相应顶点拟合为平面。根据中心坐标、与中心坐标相应的相邻坐标以及平面进行非均匀简化，得到简化点云数据。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取待扫描物体的点云数据。对点云数据进行非均匀简化处理，得到简化点云数据。对简化点云数据进行去重叠处理，得到去重叠点云数据。对去重叠点云数据进行网格化处理，得到网格化数据。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取点云数据所对应的深度图，并将深度图中像素点的坐标作为中心坐标。获取深度图中与中心坐标处的像素点相距第一预设距离的八个像素点的坐标作为当前中心坐标的相邻坐标。将中心坐标在点云数据中的相应顶点和相邻坐标在点云数据中的相应顶点拟合为平面。根据中心坐标、与中心坐标相应的相邻坐标以及平面进行非均匀简化，得到简化点云数据。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。