一种图像处理方法、装置、计算机设备和存储介质与流程

本申请涉及计算机技术领域，特别是涉及一种图像处理方法、装置、计算机设备和存储介质。

背景技术：

随着社会的不断发展，人们越来越重视自己的形象，另一方面，随着科学技术的进步，越来越多的科技产品可以运用在管理或改善自己的形象的用途上；举例而言，某些设备可以用于检测用户的皮肤特性，并将相应的皮肤特性展现给用户。

具体地，上述的设备可以运行有测肤应用，该测肤应用可以通过图像传感器获取用户的皮肤图像，并检测水分、油脂、毛孔、肤色、敏感、皱纹等维度的皮肤特征，根据上述的皮肤特征得到用户的皮肤属性及阶段性皮肤变化趋势，给出进一步的护肤建议。

但是，现有的设备以全脸的产品居多，大多设备的体积庞大、操作繁琐、分析准确率不高。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够提高图像处理效率及准确率.的图像处理方法、装置、计算机设备和存储介质。

一种图像处理方法，所述方法包括：

获取包含人体特定部位的第一初始图像；

提取出所述第一初始图像中的连通域图像；

获取所述连通域图像的特征形状参数；

当所述特征形状参数符合预设条件时，将所述连通域图像确定为人体特定部位对应的人体特征图像；

将所述人体特征图像输入至机器学习模型进行训练，获得训练后的机器学习模型；其中，所述训练后的机器学习模型用于针对第二初始图像进行分类，输出分类信息。

在其中一个实施例中，所述人体特定部位包括人体皮肤。

在其中一个实施例中，所述提取出所述第一初始图像中的连通域图像的步骤包括：

将所述第一初始图像进行灰度化处理，获得灰度图像；

将所述灰度图像进行二值化，获得二值化图像；

将所述二值化图像进行连通域提取，获得连通域图像。

在其中一个实施例中，所述特征形状参数包括连通域面积参数、惯性率参数、凸度参数和圆度参数中的至少一种。

在其中一个实施例中，所述预设条件包括所述连通域面积参数符合预设面积范围、所述惯性率参数小于或大于预设惯性率阈值、所述凸度参数小于或大于预设凸度阈值和所述圆度参数小于或大于预设圆度阈值中的至少一种。

在其中一个实施例中，所述当所述特征形状参数符合预设条件时，将所述连通域图像确定为人体特定部位对应的人体特征图像，包括：

当所述连通域面积参数符合预设面积范围、所述惯性率参数不小于预设惯性率阈值及所述凸度参数不小于预设凸度阈值和所述圆度参数不小于预设圆度阈值时，将所述连通域图像确定为所述人体特征图像。

在其中一个实施例中，所述人体特征数据包括色斑特征图像，所述当所述特征形状参数符合预设条件时，将所述连通域图像确定为人体特定部位对应的人体特征图像，包括：

当所述特征形状参数符合预设条件时，将所述连通域图像确定为色斑特征图像。

一种图像处理装置，所述装置包括：

第一初始图像获取模块，用于获取包含人体特定部位的第一初始图像；

连通域图像提取模块，用于提取出所述第一初始图像中的连通域图像；

特征形状参数获取模块，用于获取所述连通域图像的特征形状参数；

人体特征图像确定模块，用于当所述特征形状参数符合预设条件时，将所述连通域图像确定为人体特定部位对应的人体特征图像；

训练模块，用于将所述人体特征图像输入至机器学习模型进行训练，获得训练后的机器学习模型；其中，所述训练后的机器学习模型用于针对第二初始图像进行分类，输出分类信息。

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以下步骤：

获取包含人体特定部位的第一初始图像；

提取出所述第一初始图像中的连通域图像；

获取所述连通域图像的特征形状参数；

当所述特征形状参数符合预设条件时，将所述连通域图像确定为人体特定部位对应的人体特征图像；

将所述人体特征图像输入至机器学习模型进行训练，获得训练后的机器学习模型；其中，所述训练后的机器学习模型用于针对第二初始图像进行分类，输出分类信息。

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以下步骤：

获取包含人体特定部位的第一初始图像；

提取出所述第一初始图像中的连通域图像；

获取所述连通域图像的特征形状参数；

当所述特征形状参数符合预设条件时，将所述连通域图像确定为人体特定部位对应的人体特征图像；

将所述人体特征图像输入至机器学习模型进行训练，获得训练后的机器学习模型；其中，所述训练后的机器学习模型用于针对第二初始图像进行分类，输出分类信息。

上述图像处理方法、装置、计算机设备和存储介质，通过获取包含人体特定部位的第一初始图像；提取出所述第一初始图像中的连通域图像；获取所述连通域图像的特征形状参数；当所述特征形状参数符合预设条件时，将所述连通域图像确定为人体特定部位对应的人体特征图像；将所述人体特征图像输入至机器学习模型进行训练，获得训练后的机器学习模型；其中，所述训练后的机器学习模型用于针对第二初始图像进行分类，输出分类信息；根据不同的参数对图像进行过滤，抗干扰能力强，能够准确地识别出各种不同的皮肤特征，通过应用机器学习模型的方式提高图像处理效率及准确率。

附图说明

图1是一个实施例的一种图像处理方法的应用环境图；

图2是一个实施例的一种图像处理方法的流程示意图；

图3是一个实施例的一种图像处理装置的结构框图；

图4是一个实施例的一种计算机设备的内部结构图。

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。

本申请提供的图像处理方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种图像处理方法，以该方法应用于图1中的终端102为例进行说明，包括以下步骤：

步骤s201，获取包含人体特定部位的第一初始图像；

本实施例中，所述终端运行的操作系统可以包括android(安卓)、ios、windowsphone、windows等等；

具体而言，所述终端可以包括摄像头，终端可以控制该摄像头采集包含人体特定部位的第一初始图像；该人体特定部位可以包括人体器官，如人体皮肤等，需要说明的是，该第一初始图像可以为包含部分的人体特定部位的图像；例如，该第一初始图像可以为包含人脸皮肤的图像。

步骤s202，提取出所述第一初始图像中的连通域图像；

进一步应用到本实施例中，该终端还可以提取出所述第一初始图像的连通域图像，具体地，首先将所述第一初始图像进行灰度的转换，获得该第一初始图像对应的灰度图像，再将该灰度图像二值化，获得二值化图像，最后，进一步地提取出所述该二值化图像的一个或者多个连通域图像，即获得一个或者多个由边界围成的连通区域的相关图像；可以通过检测边界的方式提取出所述连通域图像。

需要说明的是，该连通域图像可以为八邻接的连通域或四邻接的连通域，本实施例对此不作限制。具体应用中，提取连通域的操作可以是通过two-pass法或seed-filling种子填充法进行。

步骤s203，获取所述连通域图像的特征形状参数；

在本实施例中，当获得该连通域图像后，该终端可以获取到该连通域图像的特征形状参数，而该特征形状参数是指该连通域图像的形状、尺寸或其比例等相关参数。

举例而言，该特征形状参数可以包括连通域面积参数、惯性率参数、凸度参数和圆度参数等，还可以包括某两个连通域面积参数的比例，本实施例对此不作具体的限制。

步骤s204，当所述特征形状参数符合预设条件时，将所述连通域图像确定为人体特定部位对应的人体特征图像；

具体应用中，当终端获得所述特征形状参数后，可以判断所述特征形状参数是否符合预设条件，当该特征形状参数符合预设条件时，将该特征形状参数对应的连通域图像确定为人体特征图像。

需要说明的是，该人体特征图像可以包括色斑特征图像、皱纹特征图像等，甚至可以包括毛孔特征图像等多种不同的特征图像，当需要识别出不同的人体特征图像，终端可以获取到不同的特征形状参数，根据连通域图像的不同特征形状参数与预设条件中的数值范围或数值进行比对，确定该连通域图像是否为对应的人体特征图像。

即不同的人体特征图像的特征形状参数的种类或者具体大小并不相同，可以根据特征形状参数判断该连通域图像具体属于哪一种人体特征图像，完成对第一初始图像的识别操作，获得一个或者多个人体特征图像。

实际应用中，该预设条件可以包括某个具体的数值或者某个预设的数值范围，而该数值或数值范围可以是本领域技术人员根据实际情况而设定的任何数值，本实施例对此不作限制。

在本实施例的一种具体示例中，当该特征形状参数大于或小于该数值或该特征形状参数落入该数值范围时，根据实际情况可以认为所述特征形状参数符合预设条件，即可以确定该特征形状参数对应的连通域图像为人体特征图像。

步骤s205，将所述人体特征图像输入至机器学习模型进行训练，获得训练后的机器学习模型；其中，所述训练后的机器学习模型用于针对第二初始图像进行分类，输出分类信息。

具体应用中，该机器学习模型可以按照可使用的数据类型分为监督学习模型和无监督学习模型；监督学习模型主要包括用于分类及用于回归的模型。

举例而言，监督学习模型可以包括线性分类器模型(linearclassifier)、支持向量机模型((supportvectormachine)、朴素贝叶斯模型分类器(naivebayesclassifier)、k近邻模型(k-nearestneighbor)、决策树模型(decisiontree)、线性回归模型(linearregression)、回归树模型(regressiontree)；

而无监督学习模型主要包括：数据聚类模型(k-means)、数据降维模型(principalcomponentanalysis)。本实施例的方法主要应用于监督学习模型。

本实施例中，所述终端可以预置有机器学习模型，当获得上述的人体特征图像后，将该人体特征图像输入至所述机器学习模型中，训练该机器学习模型；即将所述人体特征图像将为样本图像，采用该样本图像针对机器学习模型进行训练，输出该人体特征图像的分类信息。

需要说明的是，需要预先设置样本图像与标签之间的映射关系，所述标签即该分类信息对应的预设信息。

举例而言，当该人体特征图像为色斑特征图像时，该分类信息可以包括第一类信息、第二类信息及第三类信息等。

该第一类信息可以是指色斑的数量为20个的信息；第二类可以是指色斑的数量为50个的信息；第三类可以是指色斑的数量为80个的信息，上述的分类信息可以是本领域技术人员根据实际情况而设定的相关信息，本实施例对此不作限制。

该训练后的机器学习模型可以用于针对第二初始图像进行分类，输出分类信息；即该训练后的机器学习模型接收到新输入的第二初始图像时，可以输出对应的分类信息。

此外，该终端可以只充当图像采集设备的作用，该终端通过摄像头获取到包含人体特定部位的第一初始图像后，可以将该所述第一初始图像发送至所述服务器，服务器执行上述的提取出所述第一初始图像中的连通域图像直至获取到人体特征图像的步骤，并且该服务器可以预置有机器学习模型，在服务器上训练所述机器学习模型，提高数据处理效率，降低了终端的负载；当所述服务器输出所述对应的分类信息时，可以将其发送至所述终端，该终端呈现所述分类信息。

在本实施例的另一种应用环境中，所述方法还可以应用于服务器，即该服务器也可以具备摄像头这一硬件，可以通过该摄像头采集包含人体特定部位的第一初始图像；针对所述第一初始图像进行处理，获得人体特征图像；将该人体特征图像输入至预置的机器学习模型进行训练，获得训练后的机器学习模型。

根据本实施例提供的图像处理方法，获取包含人体特定部位的第一初始图像；提取出所述第一初始图像中的连通域图像；获取所述连通域图像的特征形状参数；当所述特征形状参数符合预设条件时，将所述连通域图像确定为人体特定部位对应的人体特征图像；将所述人体特征图像输入至机器学习模型进行训练，获得训练后的机器学习模型；其中，所述训练后的机器学习模型用于针对第二初始图像进行分类，输出分类信息；根据不同的参数对图像进行过滤，抗干扰能力强，能够准确地识别出各种不同的皮肤特征，通过应用机器学习模型的方式提高图像处理效率及准确率。

在一个实施例中，所述人体特定部位包括人体皮肤。具体地，可以采集包含人体皮肤的第一初始图像，举例而言，该第一初始图像可以包括用户的自拍图像、半身图像及全身图像等，本实施例对此不作限定。

在一个实施例中，所述步骤s202包括：将所述第一初始图像进行灰度化处理，获得灰度图像；将所述灰度图像进行二值化，获得二值化图像；将所述二值化图像进行连通域提取，获得连通域图像。

具体应用到本实施例中，可以首先将所述第一初始图像进行灰度化处理，获得灰度图像，具体而言，终端或服务器可以通过分量法、最大值法、平均值法及加权平均法等方法针对该第一初始图像进行灰度化处理。

需要说明的是，该分量法是指针对彩色图像中的三分量的亮度作为灰度图像的灰度值；而最大值法是指将彩色图像中的三分量亮度的最大值作为灰度图的灰度值；平均值法是指将彩色图像中的三分量的平均亮度值作为灰度图的灰度值；加权平均法是指根据重要性及其它指标，将三个分量以不同的权值进行加权平均。由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，可以按照g分量为高权值的方式对rgb三分量进行加权平均，得到较合理的灰度图像。

进一步地，可以针对灰度化图像进行二值化，获得二值化图像，即将通过选取适当的阈值，将灰度图像上的像素点的灰度值设置为0或255(黑色像素点代表的灰度值为0，白色像素点代表的灰度值为255)，使整个图像呈现出黑白的效果。

然后，再根据该二值化图像进行连通域提取，获得连通域图像；具体地，可以通过two-pass法或seed-filling种子填充法两种方法进行连通域提取，获得连通域图像，而连通域图像也被称为blob，提高数据处理效率。

在一个实施例中，所述特征形状参数包括连通域面积参数、惯性率参数、凸度参数和圆度参数中的至少一种。

即该特征形状参数可以包括连通域面积参数、惯性率参数、凸度参数和圆度参数中的一种或多种，具体地，该连通域面积参数是指连通域面积的大小；圆度参数是指连通域面积接近理论圆的程度；凸度参数是指在平面中，斑点凹凸的程度；而惯性率参数是指圆形的程度，惯性率越接近1，圆形的程度越高。

此外，该特征形状参数还可以包括偏心率、及面积参数的比例等，本实施例对此不作限制。

在一个实施例中，所述预设条件包括所述连通域面积参数符合预设面积范围、所述惯性率参数小于或大于预设惯性率阈值、所述凸度参数小于或大于预设凸度阈值和所述圆度参数小于或大于预设圆度阈值中的至少一种。

即该预设条件可以包括所述连通域面积参数符合预设面积范围、所述惯性率参数小于或大于预设惯性率阈值、所述凸度参数小于或大于预设凸度阈值和所述圆度参数小于或大于预设圆度阈值中的一种或者多种，需要说明的是，上述的预设条件还可以包括其他种类的特征形状参数及与其对应的阈值的大小关系，本实施例对此不作限制。

在一个实施例中，所述步骤s204包括：当所述连通域面积参数符合预设面积范围、所述惯性率参数不小于预设惯性率阈值及所述凸度参数不小于预设凸度阈值和所述圆度参数不小于预设圆度阈值时，将所述连通域图像确定为所述人体特征图像。

本实施例中，该终端或服务器可以判断该连通域面积参数是否符合预设面积范围，及判断该惯性率参数是否不小于预设惯性率阈值，及判断凸度参数是否不小于预设凸度阈值，及判断所述圆度参数是否不小于预设圆度阈值时，当上述的特征形状参数同时满足对应的预设条件时，可以将该连通域图像确定为所述人体特征图像，提高图像处理的抗干扰能力，排除了粉刺、毛发、不规则微颗粒物等特征的影响。

在一个实施例中，所述人体特征数据包括色斑特征图像，所述步骤s204还可以包括：当所述特征形状参数符合预设条件时，将所述连通域图像确定为色斑特征图像。

具体而言，本实施例可以应用于识别色斑特征图像并输出对应的分类信息；则当相关的特征形状参数符合预设条件时，将所述连通域图像确定为色斑特征图像。

举例而言，预设面积范围可以为大于64像素及小于128像素；预设惯性率阈值可以为大于或等于0.33；预设凸度阈值可以为大于或等于0.86；预设凸度阈值可以为大于或等于0.5；当上述的特征形状参数同时满足对应的预设条件时，可以将该连通域图像确定为所述色斑特征图像。

应该理解的是，虽然图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，提供了一种图像处理装置，包括：第一初始图像获取模块301、连通域图像提取模块302、特征形状参数获取模块303、人体特征图像确定模块304和训练模块305，其中：

第一初始图像获取模块301，用于获取包含人体特定部位的第一初始图像；

连通域图像提取模块302，用于提取出所述第一初始图像中的连通域图像；

特征形状参数获取模块303，用于获取所述连通域图像的特征形状参数；

人体特征图像确定模块304，用于当所述特征形状参数符合预设条件时，将所述连通域图像确定为人体特定部位对应的人体特征图像；

训练模块305，用于将所述人体特征图像输入至机器学习模型进行训练，获得训练后的机器学习模型；其中，所述训练后的机器学习模型用于针对第二初始图像进行分类，输出分类信息。

在一个实施例中，所述人体特定部位包括人体皮肤。

在一个实施例中，所述连通域图像提取模块302包括：

灰度图像获得子模块，用于将所述第一初始图像进行灰度化处理，获得灰度图像；

二值化图像获得子模块，用于将所述灰度图像进行二值化，获得二值化图像；

连通域图像获得子模块，用于将所述二值化图像进行连通域提取，获得连通域图像。

在一个实施例中，所述特征形状参数包括连通域面积参数、惯性率参数、凸度参数和圆度参数中的至少一种。

在一个实施例中，所述预设条件包括连预设面积范围、预设惯性率阈值、预设凸度阈值和预设圆度阈值中的至少一种。

在一个实施例中，所述人体特征图像确定模块304包括：

人体特征图像确定子模块，用于当所述连通域面积参数符合预设面积范围、所述惯性率参数不小于预设惯性率阈值及所述凸度参数不小于预设凸度阈值和所述圆度参数不小于预设圆度阈值时，将所述连通域图像确定为所述人体特征图像。

在一个实施例中，所述人体特征数据包括色斑特征图像，所述人体特征图像确定模块304包括：

色斑特征图像确定子模块，用于当所述特征形状参数符合预设条件时，将所述连通域图像确定为色斑特征图像。

关于图像处理装置的具体限定可以参见上文中对于图像处理方法的限定，在此不再赘述。上述图像处理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。

上述提供的图像处理装置可用于执行上述任意实施例提供的图像处理方法，具备相应的功能和有益效果。

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图像处理方法。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：

获取包含人体特定部位的第一初始图像；

提取出所述第一初始图像中的连通域图像；

获取所述连通域图像的特征形状参数；

当所述特征形状参数符合预设条件时，将所述连通域图像确定为人体特定部位对应的人体特征图像；

将所述人体特征图像输入至机器学习模型进行训练，获得训练后的机器学习模型；其中，所述训练后的机器学习模型用于针对第二初始图像进行分类，输出分类信息。

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：将所述第一初始图像进行灰度化处理，获得灰度图像；将所述灰度图像进行二值化，获得二值化图像；将所述二值化图像进行连通域提取，获得连通域图像。

在一个实施例中，处理器在执行计算机程序实现所述当所述特征形状参数符合预设条件时，将所述连通域图像确定为人体特定部位对应的人体特征图像的步骤时，具体实现以下步骤：当所述连通域面积参数符合预设面积范围、所述惯性率参数不小于预设惯性率阈值及所述凸度参数不小于预设凸度阈值和所述圆度参数不小于预设圆度阈值时，将所述连通域图像确定为所述人体特征图像。

在一个实施例中，处理器在执行计算机程序时实现所述当所述特征形状参数符合预设条件时，将所述连通域图像确定为人体特定部位对应的人体特征图像的步骤时，具体实现以下步骤：当所述特征形状参数符合预设条件时，将所述连通域图像确定为色斑特征图像。

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：

获取包含人体特定部位的第一初始图像；

提取出所述第一初始图像中的连通域图像；

获取所述连通域图像的特征形状参数；

当所述特征形状参数符合预设条件时，将所述连通域图像确定为人体特定部位对应的人体特征图像；

将所述人体特征图像输入至机器学习模型进行训练，获得训练后的机器学习模型；其中，所述训练后的机器学习模型用于针对第二初始图像进行分类，输出分类信息。

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：将所述第一初始图像进行灰度化处理，获得灰度图像；将所述灰度图像进行二值化，获得二值化图像；将所述二值化图像进行连通域提取，获得连通域图像。

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：当所述连通域面积参数符合预设面积范围、所述惯性率参数不小于预设惯性率阈值及所述凸度参数不小于预设凸度阈值和所述圆度参数不小于预设圆度阈值时，将所述连通域图像确定为所述人体特征图像。

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：当所述特征形状参数符合预设条件时，将所述连通域图像确定为色斑特征图像。

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。