图像处理方法及装置、存储介质和电子设备与流程

本公开涉及图像处理技术领域，具体而言，涉及一种图像处理方法、图像处理装置、存储介质和电子设备。

背景技术：

随着图像处理技术的不断进步，虚拟现实(virtualreality，vr)技术逐渐出现在人们的视野中，尤其在游戏方面，得到了快速的发展。

为了让用户在视觉上拥有真实的沉浸感，虚拟现实设备(例如，头戴式立体显示器，简称头显)应尽可能地覆盖人眼的视觉范围。因此，需要在虚拟现实设备上配置一个特定球面弧度的放大镜片。在这种情况下，利用该放大镜片将传统的图像投射到人眼中时，图像发生扭曲。

目前，针对图像发生扭曲的情况，通常需要计算虚拟现实设备中透镜的畸变参数并进行修正。另外，在软件实现上，需要进行插值操作，以解决图像扭曲的问题。然而，针对现阶段的处理方式，一方面，求解畸变参数时可能存在误差，导致人眼接收的图像异常；另一方面，在场景渲染时，需要不断确定图像在屏幕上的坐标，耗时较长；再一方面，虚拟现实设备中透镜安装时可能存在误差，导致计算出的屏幕坐标点存在误差。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现要素：

本公开的目的在于提供一种图像处理方法、图像处理装置、存储介质和电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的虚拟现实设备屏幕上图像显示异常且图像处理速度慢的问题。

根据本公开的一个方面，提供一种图像处理方法，包括：确定多组图像作为训练样本；其中，所述多组图像中的每组图像包括原始图像以及与所述原始图像对应的桶形图像；利用所述训练样本对一对抗神经网络中的生成网络和判别网络进行训练，以确定经训练的生成网络；将待处理图像输入所述经训练的生成网络，以确定与所述待处理图像对应的桶形图像；将所述待处理图像对应的桶形图像显示在虚拟现实设备的屏幕上。

可选地，确定多组图像作为训练样本包括：确定一原始图像；计算虚拟现实设备的透镜畸变参数；利用所述透镜畸变参数将所述原始图像转换为与所述原始图像对应的桶形图像；其中，将所述原始图像与所述桶形图像作为一组图像，用作训练样本。

可选地，利用所述训练样本对一对抗神经网络中的生成网络和判别网络进行训练包括：将所述多组图像中原始图像输入对抗神经网络的生成网络，以确定与所述原始图像对应的中间图像；将与所述原始图像同组的桶形图像输入所述对抗神经网络的判别网络，以确定第一置信值；将所述中间图像输入所述判别网络，以确定第二置信值；利用所述第二置信值确定所述生成网络的损失，以及利用所述第一置信值和所述第二置信值确定所述判别网络的损失，以便对所述对抗神经网络中的生成网络和判断网络进行训练。

可选地，利用所述第二置信值确定所述生成网络的损失包括：基于所述第二置信值与1之间的交叉熵确定所述生成网络的损失。

可选地，利用所述第一置信值和所述第二置信值确定所述判别网络的损失包括：基于所述第一置信值与1之间的交叉熵以及所述第二置信值与0之间的交叉熵确定所述判别网络的损失。

可选地，所述图像处理方法还包括：将经训练的生成网络保存为预定格式的模型文件；其中，在获取到待处理图像的情况下，加载所述模型文件，以便确定与所述待处理图像对应的桶形图像。

可选地，将经训练的生成网络保存为预定格式的模型文件包括：采用验证图像对经训练的生成网络进行验证；如果验证的结果满足一预设条件，则将经训练的生成网络保存为预定格式的模型文件。

根据本公开的一个方面，提供一种图像处理装置，包括训练样本确定模块、网络训练模块、图像确定模块和图像显示模块。

具体的，训练样本确定模块用于确定多组图像作为训练样本；其中，所述多组图像中的每组图像包括原始图像以及与所述原始图像对应的桶形图像；网络训练模块用于利用所述训练样本对一对抗神经网络中的生成网络和判别网络进行训练，以确定经训练的生成网络；图像确定模块用于将待处理图像输入所述经训练的生成网络，以确定与所述待处理图像对应的桶形图像；图像显示模块用于将所述待处理图像对应的桶形图像显示在虚拟现实设备的屏幕上。

可选地，训练样本确定模块包括原始图像确定单元、参数计算单元和桶形图像确定单元。

具体的，原始图像确定单元用于确定一原始图像；参数计算单元用于计算虚拟现实设备的透镜畸变参数；桶形图像确定单元用于利用所述透镜畸变参数将所述原始图像转换为与所述原始图像对应的桶形图像；其中，将所述原始图像与所述桶形图像作为一组图像，用作训练样本。

可选地，网络训练模块包括中间图像确定单元、第一置信值确定单元、第二置信值确定单元和网络训练单元。

具体的，中间图像确定单元用于将所述多组图像中原始图像输入对抗神经网络的生成网络，以确定与所述原始图像对应的中间图像；第一置信值确定单元用于将与所述原始图像同组的桶形图像输入所述对抗神经网络的判别网络，以确定第一置信值；第二置信值确定单元用于将所述中间图像输入所述判别网络，以确定第二置信值；网络训练单元用于利用所述第二置信值确定所述生成网络的损失，以及利用所述第一置信值和所述第二置信值确定所述判别网络的损失，以便对所述对抗神经网络中的生成网络和判断网络进行训练。

可选地，网络训练单元包括第一损失确定单元。

具体的，第一损失确定单元用于基于所述第二置信值与1之间的交叉熵确定所述生成网络的损失。

可选地，网络训练单元包括第二损失确定单元。

具体的，第二损失确定单元用于基于所述第一置信值与1之间的交叉熵以及所述第二置信值与0之间的交叉熵确定所述判别网络的损失。

可选地，图像处理装置还包括网络保存模块。

具体的，网络保存模块用于将经训练的生成网络保存为预定格式的模型文件；其中，在获取到待处理图像的情况下，加载所述模型文件，以便确定与所述待处理图像对应的桶形图像。

可选地，网络保存模块包括网络验证单元和网络保存单元。

具体的，网络验证单元用于采用验证图像对经训练的生成网络进行验证；网络保存单元用于如果验证的结果满足一预设条件，则将经训练的生成网络保存为预定格式的模型文件。

根据本公开的一个方面，提供一种存储介质，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意一项所述的图像处理方法。

根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的图像处理方法。

在本公开的一些实施例所提供的技术方案中，通过采用对抗神经网络生成与一图像对应的桶形图像，以便显示在虚拟现实设备的屏幕上，一方面，本公开方案不需要计算虚拟现实设备透镜的畸变参数，也不需要进行插值运算，解决了计算过程存在误差的问题，并相对于相关技术，可以大大提高渲染的速度；另一方面，本公开可以用于不同的虚拟现实设备，具有普适性。

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。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1示出了相关技术的处理图像畸变的方案的示意图；

图2示意性示出了根据本公开的示例性实施方式的图像处理方法的流程图；

图3示出了根据本公开的示例性实施方式的训练样本中原始图像与桶形图像的示意图；

图4示出了根据本公开的示例性实施方式的获取训练样本的方案的示意图；

图5示意性示出了根据本公开的示例性实施方式的获取的原始图像和对应的桶形图像；

图6示意性示出了根据本公开的示例性实施方式的利用本公开经训练的生成网络生成桶形图像的效果图；

图7示出了根据本公开的示例性实施方式的用于实现图像处理方法的对抗神经网络的示意图；

图8示意性示出了根据本公开的示例性实施方式的图像处理装置的方框图；

图9示意性示出了根据本公开的示例性实施方式的训练样本确定模块的方框图；

图10示意性示出了根据本公开的示例性实施方式的网络训练模块的方框图；

图11示意性示出了根据本公开的示例性实施方式的网络训练单元的方框图；

图12示意性示出了根据本公开的另一示例性实施方式的网络训练单元的方框图；

图13示意性示出了根据本公开的另一示例性实施方式的图像处理装置的方框图；

图14示意性示出了根据本公开的示例性实施方式的网络保存模块的方框图；

图15示出了根据本公开的示例性实施方式的存储介质的示意图；以及

图16示意性示出了根据本公开的示例性实施方式的电子设备的方框图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

相关技术对图像进行畸变处理的过程中，无论是求解透镜的畸变参数，还是求解屏幕上点的坐标与透镜成像图像上点之间的对应关系，最终均转换成求解屏幕上某一点的坐标以及经过透镜后对应点的坐标。参考图1，需要计算出某一点在屏幕上的坐标(x，y)以及经过透镜后对应的坐标点fov。另外，在渲染时，场景中相机寻找坐标点fov，根据坐标点fov确定出对应的(x，y)，进而确定场景中某一点需要显示在屏幕上的像素。

然而，这种方式容易出现计算误差，并且需要不断确定图像的坐标，耗时较长。

鉴于此，本公开提供了一种图像处理方法及装置，以解决上述问题。应当注意的是，本公开的图像处理方法可以由一处理装置来实现，该处理装置可以例如为虚拟环境处理器，部署在虚拟现实设备中。在这种情况下，本公开的图像处理装置可以位于处理装置内。然而，不限于此，还可以通过一远端服务器来实现本公开的图像处理方法。

图2示意性示出了本公开的示例性实施方式的图像处理方法的流程图。参考图2，图像处理方法可以包括以下步骤：

s22.确定多组图像作为训练样本；其中，多组图像中的每组图像包括原始图像以及与原始图像对应的桶形图像。

在本公开的示例性实施方式中，可以利用虚拟现实设备的透镜畸变参数来确定本公开所用模型的训练样本。

首先，可以确定一原始图像。该原始图像可以例如为游戏场景中某一帧的图像，本公开对原始图像的来源、分辨率、大小、色温等情况不做特殊限制；接下来，可以计算虚拟现实设备的透镜畸变参数。具体的，可以采用相关技术中确定透镜畸变参数的方法来确定虚拟现实设备的透镜畸变参数，例如，可以采用透视投影成像中交比不变原理来确定透镜畸变参数；随后，可以利用计算出的透镜畸变参数将该原始图像转换为原始图像所对应的桶形图像。

图3示出了确定的原始图像31以及与原始图像31对应的桶形图像32的示意图。

将确定出的原始图像以及桶形图像作为一组图像，用作训练样本。通过不断获取原始图像并确定对应的桶形图像，以确定多组图像，可以将多组图像作为本公开所用模型的训练集，以便对模型进行训练。

另外，针对训练样本的采集，可以采用目前现有的畸变求解较好的vr机器，保存同一帧相机拍摄的图片(原始图像)以及屏幕上显示的图像(桶形图像)，作为训练样本。

图4示出了一种获取训练样本的方案。桶形图像会显示在屏幕41上，相机43可以获取该桶形图像经由透镜42而得到的图像(原始图像)。通过不断地替换屏幕上的图像，并利用相机获取对应的图像，即可确定出本公开所用的训练集。

参考图5，图像51示出了确定出的真实的原始图像，图像52示出了与图像51对应的桶形图像。其中，图像51和图像52即是上面所述的一组图像。

s24.利用训练样本对一对抗神经网络中的生成网络和判别网络进行训练，以确定经训练的生成网络。

首先，一方面，可以将训练样本中原始图像对应的桶形图像输入一对抗神经网络的判别网络，以确定第一置信值；另一方面，可以将原始图像输入对抗神经网络的生成网络，以确定与原始图像对应的中间图像，并将该中间图像输入判别网络，以确定第二置信值。其中，术语“第一”、“第二”仅是为了区分置信值，不应作为本公开的限制。

接下来，可以利用第一置信值和第二置信值来调节对抗神经网络的参数，以达到训练对抗神经网络中生成网络和判别网络的过程。

可以利用第二置信值确定生成网络的损失，另外，可以利用第一置信值和第二置信值确定判别网络的损失。具体的，可以基于第二置信值与1之间的交叉熵确定生成网络的损失；基于第一置信值与1之间的交叉熵以及第二置信值与0之间的交叉熵确定判别网络的损失。

例如，原始图像可以是3通道且大小为960×960的图像，生成网络的输入节点每次可以输入50张这样的图像。原始图像经历生成网络后，输出的中间图像是3通道，且大小可以为960×1080。

输入判别网络的图像的大小可以与生成网络输出图像的大小相同，判别网络的输出节点数量为1，用于表征置信度。

生成网络可以是17层的卷积神经网络，采用relu激活函数进行激活，并且可以采用adam类型的优化器(optimizer)进行梯度下降优化。另外，判别网络可以是12层的卷积神经网络，全连接部分可以采用dropout层进行优化，判别网络的最后一层可以采用sigmoid激活函数进行激活。

根据本公开的一些实施例，可以将经训练的生成网络保存为预定格式(例如，.pb格式)的模型文件，以便加载调用。

根据本公开的另一些实施例，在采用训练集对生成网络进行训练后，可以采用验证图像对经训练的生成网络进行验证。也就是说，可以采用验证集对训练后的生成网络进行验证。如果验证的结果满足一预设条件，则将经训练后的生成网络保存为预定格式的模型文件。例如，在置信值为0至1的情况下，预设条件可以为验证集验证后得到的置信值大于0.95。

s26.将待处理图像输入经训练的生成网络，以确定与待处理图像对应的桶形图像。

在本公开的示例性实施方式中，待处理图像可以是当前需要展示的图像。在一些场景下，待处理图像可以例如是用户在进行vr游戏时当前需要展示的图像。然而，应当理解的是，本公开的待处理图像还可以是任意一张需要转换为桶形图像的图像。

参考图6，待处理图像61输入生成网络60，生成网络60输出的结果为对应的桶形图像62。

s28.将待处理图像对应的桶形图像显示在虚拟现实设备的屏幕上。

在步骤s26确定出待处理图像对应的桶形图像后，可以将该桶形图像显示在虚拟现实设备的屏幕上，以便用户获知当前虚拟场景。例如，在vr滑雪游戏的场景中，用户可以基于人眼获知的当前虚拟场景进行相应的滑雪动作。

下面将参考图7对本公开的对抗神经网络进行说明。其中，对抗神经网络包括生成网络(g网络)和判别网络(d网络)。

图像a(即上文的原始图像)输入g网络，以得到与图像a_out；将图像a_out输入d网络，以得到置信值d_out_a；图像b是与图像a对应的桶形图像，图像b输入d网络，以得到置信值d_out_b。在这种情况下，可以根据d_out_a与1之间的交叉熵确定g网络的损失，另外，可以根据d_out_b与1之间的交叉熵以及d_out_a与0之间的交叉熵确定d网络的损失。

上述图像a与图像b仅是用于对对抗神经网络进行训练的一组图像。通过多组图像的训练过程，以确定出经训练的生成网络。接下来，可以利用该经训练的生成网络将待处理图像转换为对应的桶形图像。

另外，图7中g网络和d网络的节点数量以及连接关系仅是示例，本公开对对抗神经网络的生成网络和判别网络的节点数、节点连接关系、网络层数不做特殊限制。

综上所述，根据本公开的图像处理方法，一方面，不需要计算虚拟现实设备透镜的畸变参数，也不需要进行插值运算，解决了计算过程存在误差的问题，并相对于相关技术，可以大大提高渲染的速度；另一方面，本公开可以用于不同的虚拟现实设备，具有普适性。

应当注意，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

进一步的，本示例实施方式中还提供了一种图像处理装置。

图8示意性示出了本公开的示例性实施方式的图像处理装置的方框图。参考图8，根据本公开的示例性实施方式的图像处理装置8可以包括训练样本确定模块81、网络训练模块83、图像确定模块85和图像显示模块87。

具体的，训练样本确定模块81可以用于确定多组图像作为训练样本；其中，所述多组图像中的每组图像包括原始图像以及与所述原始图像对应的桶形图像；网络训练模块83可以用于利用所述训练样本对一对抗神经网络中的生成网络和判别网络进行训练，以确定经训练的生成网络；图像确定模块85可以用于将待处理图像输入所述经训练的生成网络，以确定与所述待处理图像对应的桶形图像；图像显示模块87可以用于将所述待处理图像对应的桶形图像显示在虚拟现实设备的屏幕上。

根据本公开的图像处理装置，一方面，不需要计算虚拟现实设备透镜的畸变参数，也不需要进行插值运算，解决了计算过程存在误差的问题，并相对于相关技术，可以大大提高渲染的速度；另一方面，本公开可以用于不同的虚拟现实设备，具有普适性。

根据本公开的示例性实施例，参考图9，训练样本确定模块81可以包括原始图像确定单元901、参数计算单元903和桶形图像确定单元905。

具体的，原始图像确定单元901可以用于确定一原始图像；参数计算单元903可以用于计算虚拟现实设备的透镜畸变参数；桶形图像确定单元905可以用于利用所述透镜畸变参数将所述原始图像转换为与所述原始图像对应的桶形图像；其中，将所述原始图像与所述桶形图像作为一组图像，用作训练样本。

根据本公开的示例性实施例，参考图10，网络训练模块83可以包括中间图像确定单元101、第一置信值确定单元103、第二置信值确定单元105和网络训练单元107。

具体的，中间图像确定单元101可以用于将所述多组图像中原始图像输入对抗神经网络的生成网络，以确定与所述原始图像对应的中间图像；第一置信值确定单元103可以用于将与所述原始图像同组的桶形图像输入所述对抗神经网络的判别网络，以确定第一置信值；第二置信值确定单元105可以用于将所述中间图像输入所述判别网络，以确定第二置信值；网络训练单元107可以用于利用所述第二置信值确定所述生成网络的损失，以及利用所述第一置信值和所述第二置信值确定所述判别网络的损失，以便对所述对抗神经网络中的生成网络和判断网络进行训练。

根据本公开的示例性实施例，参考图11，网络训练单元107可以包括第一损失确定单元111。

具体的，第一损失确定单元111可以用于基于所述第二置信值与1之间的交叉熵确定所述生成网络的损失。

根据本公开的示例性实施例，参考图12，网络训练单元107还可以包括第二损失确定单元121。

具体的，第二损失确定单元121可以用于基于所述第一置信值与1之间的交叉熵以及所述第二置信值与0之间的交叉熵确定所述判别网络的损失。

根据本公开的示例性实施例，参考图13，图像处理装置13相比于图像处理装置8，还可以包括网络保存模块131。

具体的，网络保存模块131可以用于将经训练的生成网络保存为预定格式的模型文件；其中，在获取到待处理图像的情况下，加载所述模型文件，以便确定与所述待处理图像对应的桶形图像。

根据本公开的示例性实施例，参考图14，网络保存模块131可以包括网络验证单元141和网络保存单元143。

具体的，网络验证单元141可以用于采用验证图像对经训练的生成网络进行验证；网络保存单元143可以用于如果验证的结果满足一预设条件，则将经训练的生成网络保存为预定格式的模型文件。

由于本发明实施方式的程序运行性能分析装置的各个功能模块与上述方法发明实施方式中相同，因此在此不再赘述。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

参考图15所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品1500，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图16来描述根据本发明的这种实施方式的电子设备1600。图16显示的电子设备1600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图16所示，电子设备1600以通用计算设备的形式表现。电子设备1600的组件可以包括但不限于：上述至少一个处理单元1610、上述至少一个存储单元1620、连接不同系统组件(包括存储单元1620和处理单元1610)的总线1630、显示单元1640。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1610执行，使得所述处理单元1610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元1610可以执行如图2中所示的步骤s22至步骤s28。

存储单元1620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)16201和/或高速缓存存储单元16202，还可以进一步包括只读存储单元(rom)16203。

存储单元1620还可以包括具有一组(至少一个)程序模块16205的程序/实用工具16204，这样的程序模块16205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线1630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备1600也可以与一个或多个外部设备1700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1600交互的设备通信，和/或与使得该电子设备1600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口1650进行。并且，电子设备1600还可以通过网络适配器1660与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器1660通过总线1630与电子设备1600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

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他实施例。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。