一种卷云检测方法、设备及计算机可读存储介质与流程

本发明涉及遥感图像处理技术领域，尤其涉及一种卷云检测方法、设备及计算机可读存储介质。

背景技术：

遥感图像中的卷云检测在生活中有着极为广泛的应用，如天气预报、地理监控等。具体地，由于在遥感成像中，卷云会对其他区域进行遮挡，因此对于遥感图像中不同形状的卷云如何提取也是近年来的研究热点。而卷云的形状往往变幻莫测，亮度与一些遥感高辐射物体如雪和白色建筑物等难以区分，并且还存在一些半透明的薄云，这些情况都会使卷云检测的难度大大提高。

现有技术中，遥感图像中的卷云检测方法主要是基于单帧图像的检测方法，包括阈值分割法和机器学习法，例如kang等人在2017年提出的利用支持向量机(supportvectormachine，svm)的训练多特征融合模型对卷云进行检测的方法；yuan等人在2015年提出的采用词袋模型(bagofwords，bow)与svm相结合划分卷云和其他物体之间区域对卷云进行检测的方法；zhan等人在2017年提出的使用卷积神经网络(convolutionalneuralnetworks，cnn)进行特征提取检测卷云的方法等。但是，由于阈值分割法并不能很好的提取卷云的纹理结构特征，并且过分依赖遥感图像中卷云和其他物体之间的对比度条件，因此难以区分卷云和其他高辐射物体；而机器学习法需要大量的样本数据进行训练，因此当样本有限时，无法对卷云进行有效的检测。

另一方面，图割法作为一种流行的图像分割方法普遍应用多种领域，通过使用图割法可以将图像分割问题转化为模型优化问题，从而减少在图像检测中对于特征的依赖程度，并且对于有限样本的情况具有良好的适用性。

技术实现要素：

本发明的目的在于：提供一种卷云检测方法，通过采用分形和图割算法检测卷云，解决了现有的卷云检测中当遇到高辐射物体干扰以及有限样本数据时使用阈值分割法和机器学习法检测效果不佳的问题。

本发明为了实现上述目的具体采用以下技术方案：

第一方面，本发明公开一种卷云检测方法，包括以下步骤：

步骤1、输入遥感图像，并获取遥感图像的原色通道灰度图；

步骤2、获取原色通道灰度图的分形维数特征图；

步骤3、基于分形维数特征图和原色通道灰度图获取权值灰度图；

步骤4、对原色通道灰度图的像素点进行聚类计算，获取像素点的聚类结果，基于聚类结果确定原色通道灰度图每一像素点的预分配标签；

步骤5、基于原色通道灰度图、权值灰度图和预分配标签建立图割模型；

步骤6、对图割模型进行最小割计算，输出遥感图像的检测结果。

进一步地，步骤2具体包括：

步骤2.1、计算所述原色通道灰度图中每个像素点处的分形曲面表面积s(n)，其中，n表示单位面积尺度；

步骤2.2、基于分形曲面表面积s(n)和分形表面公式计算每个像素点的分形维数d；其中，所述分形表面公式为s(n)＝n^2-d；

步骤2.3、基于每个像素点的分形维数d获取所述原色通道灰度图的分形维数特征图。

进一步地，步骤3具体包括：

将所述分形维数特征图作为权值与所述原色通道灰度图进行相乘加权，基于加权结果获取权值灰度图。

进一步地，步骤4具体包括：

步骤4.1、在所述原色通道灰度图中随机选取k个像素点作为聚类中心的初始值，计算所述原色通道灰度图中除所述聚类中心以外的其他像素点与所述聚类中心之间的欧式距离；

步骤4.2、基于所述欧式距离对所有像素点进行聚类，并获取每一聚类中与欧式距离的均值最接近的像素点作为新的聚类中心进行迭代计算，当聚类中心不再变化时获取最终的聚类结果；

步骤4.3、基于最终的聚类结果确定所述原色通道灰度图中每一像素点的预分配标签。

进一步地，步骤5具体包括：

步骤5.1、确定所述图割模型的准则函数；

步骤5.2、基于所述原色通道灰度图确定所述准则函数的区域项；基于所述权值灰度图确定所述准则函数的边界项；基于所述预分配标签确定所述准则函数的计算初始值；

步骤5.3、基于所述准则函数建立所述图割模型。

进一步地，图割模型的准则函数具体包括：

e(l)＝a*r(l)+b(l)；其中，l为所述准则函数的计算初始值，r(l)为所述准则函数的区域项，b(l)为所述准则函数的边界项，a为预设的平衡参数，e(l)为图割割值。

进一步地，对图割模型进行最小割计算，具体包括：

使用ford-fulkerson标号算法计算所述图割模型的最小割值。

进一步地，所述原色通道灰度图为蓝色通道灰度图。

第二方面，本发明公开一种卷云检测设备，包括：

处理器、存储器和通信总线；

其中，所述通信总线，用于实现所述处理器和所述存储器之间的通信连接；

所述存储器，用于存储能够在所述处理器上运行的卷云检测程序；

所述处理器，用于：

输入遥感图像，并获取遥感图像的原色通道灰度图；

获取原色通道灰度图的分形维数特征图；

基于分形维数特征图和原色通道灰度图获取权值灰度图；

对原色通道灰度图的像素点进行聚类计算，获取像素点的聚类结果，基于聚类结果确定像素点的预分配标签；

基于原色通道灰度图、权值灰度图和预分配标签确定图割模型；

对图割模型进行计算，并基于计算结果输出遥感图像的检测结果。

第三方面，本发明公开一种计算机可读存储介质，所述可读存储介质中存储有一个或者多个程序，所述一个或多个程序可被一个或者多个处理器执行，以实现第一方面中任意一项卷云检测方法的步骤。

采用上述方案后，本发明的有益效果如下：

本发明避免了传统阈值方法无法分辨卷云与其他高辐射物体的局限性以及机器学习类方法对样本数量和提取特征的依赖性，采用提取卷云的分形维数特征对图割算法进行优化的方法实现了对卷云的有效检测，解决了样本数量有限情况下的卷云检测问题，同时提升了检测结果的准确率和召回率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明实施例1提供的一种卷云检测方法流程示意图；

图2为本发明实施例2提供的一种卷云检测方法流程示意图；

图3为本发明实施例2中的遥感图像；

图4为本发明实施例2中的原色通道灰度图；

图5为本发明实施例2中的分形维数特征图；

图6为本发明实施例2中的权值灰度图；

图7为本发明实施例2中的遥感图像的检测结果；

图8为本发明实施例3提供的一种卷云检测设备的硬件结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

下面结合附图和实施例对本发明实施例作详细说明。

实施例1

参照图1所示，本发明实施例提供一种卷云检测方法，包括以下步骤：

s101、输入遥感图像，并获取遥感图像的原色通道灰度图；

s102、获取原色通道灰度图的分形维数特征图；

s103、基于分形维数特征图和原色通道灰度图获取权值灰度图；

s104、对原色通道灰度图的像素点进行聚类计算，获取像素点的聚类结果，基于聚类结果确定所述通道灰度图每一像素点的预分配标签；

s105、基于原色通道灰度图、权值灰度图和预分配标签建立图割模型；

s106、对图割模型进行最小割计算，输出遥感图像的检测结果。

由于检测卷云主要来源于卫星或者航天器传输的遥感图像，因此，现有技术通常采用从遥感图像中提取光谱特征进行检测的方法，而本发明实施例采用覆盖法等分形算法，针对卷云的不规则特征进行抓取，通过采集卷云的分形维数特征实现对卷云和其他高辐射物体的有效区分；进一步地，基于卷云的曲面分形特征和灰度图中各个像素的聚类情况建立用于卷云检测的图割模型，通过图割计算可以得到遥感图像中凸显卷云的检测结果，这个计算过程无需过多的样本数量，解决了样本数量有限时无法适用机器学习方法的问题，相比无法有效辨别卷云特征的传统阈值方法更加高效准确。

实施例2

参照图2到图7所示，本发明实施例在实施例1基础上进一步优化，提供一种卷云检测方法，包括如下步骤：

s201、输入遥感图像，并获取遥感图像的原色通道灰度图。

如图2所示本发明实施例中的遥感图像，可以理解地，该图像实际是彩图。由于彩色图像包含信息量大，处理速度较慢，并不利于数字处理，因此，本发明实施例中将彩色的遥感图像转化为红绿蓝三原色(red&green&blue，rgb)其中一种原色的通道灰度图。

优选地，如图3所示，本发明实施例中是将遥感图像转化为蓝色通道灰度图用于进一步的处理。由于卷云的属性是白色，相比将遥感图像转化为绿色通道或者红色通道灰度图，蓝色通道灰度图对于卷云边界的显示效果更好，像素之间区分度更高。

具体地，可以使用一些软件或者函数库，如opencv、mathematica、matlab等对遥感图像进行处理，提取出原色通道灰度图，对于这些软件或者函数库的具体应用过程，此处不再赘述。

可选地，也可以将遥感图像转化为红色或者绿色通道的灰度图，虽然无法到达与蓝色通道同等的显示效果，但是也可以基于后续算法的提升达到同样的技术效果，对于红色通道灰度图与绿色通道灰度图的获取方法，此处不再赘述。

由此可见，通过将遥感图像转化为原色通道灰度图，有利于对遥感图像进行后续的处理，并且对于卷云的识别具有良好的效果。

s202、利用覆盖法计算原色通道灰度图中每个像素点处的分形曲面表面积s(n)，其中，n表示单位面积尺度。

可以理解地，这里基于原色通道灰度图可以设置函数f(i,j)，其中，f表示灰度值，(i,j)表示像素位置。利用覆盖法时，把灰度图像想象成一个在三维空间中的分形曲面，并假设使用单层厚度为n的毯子对三维空间中所有距离曲面表面为n的点进行覆盖，设覆盖曲面上表面为un(i,j)，下表面为dn(i,j)，且初始值有u0(i,j)＝d0(i,j)＝f(i,j)，则毯子上表面和下表面的计算公式如下：

其中，(p,q)表示与像素(i,j)的距离小于1的像素位置，max表示取最大值，min表示取最小值。

由公式(1)和(2)可得，毯子体积νn的计算公式为：

由公式(3)可得，毯子表面积的计算公式为：

s203、基于分形曲面表面积s(n)和分形表面公式计算每个像素点的分形维数d；其中，分形表面公式为s(n)＝n^2-d。

由公式(4)和分形表面公式可得，图像表面分形维数d的计算公式为：

其中，in表示取自然对数。

可选地，还可以通过其他算法获取原色通道灰度图中每一像素的图像表面分形维数d，其他具体的算法可以包括：尺码法，小岛法，计盒维数法，结构函数法，半方差法和变换法等。对于采用其他方法计算图像表面分形维数d的具体过程，此处不再赘述。

s204、基于每个像素点的分形维数d获取原色通道灰度图的分形维数特征图。

可以理解地，分形维数能够反映复杂形体占有空间的有效性，是复杂形体不规则性的量度参数。具体地，本发明实施例中，分形维数可以体现出原色通道灰度图中对应卷云的像素在图像空间中的占据率和填充率。

进一步地，具体输出效果可以参见图5所示的分形维数特征图。明显地，由于卷云具有无规则多层级的属性特征，因此卷云对应的像素分形维数较高，而背景物像素的分形维数很低。藉于此，可以通过分形维数特征图对卷云和背景物进行区分。

s205、将分形维数特征图作为权值与原色通道灰度图进行相乘加权，基于加权结果获取权值灰度图。

可以理解地，在本步骤中将每一像素的分形维数特征作为权值对原色通道灰度图进行加权运算，计算公式如下：

b(i,j)＝d(i,j)×f(i,j)………………………………………..(6)

其中，f为灰度值，d为分形维数特征，b为计算得出的权值灰度值。

可以理解地，由于卷云结构复杂，图像中卷云对应的像素点分形维数较高，通过使用分形维数对原色通道灰度图进行加权后，可以有效凸显出图像中卷云所对应的像素。具体地，输出效果可以参见图6所示的权值灰度图。

s206、在原色通道灰度图中随机选取k个像素点作为聚类中心的初始值，计算原色通道灰度图中除聚类中心以外的其他像素点与聚类中心之间的欧式距离。

可以理解地，本发明实施例中使用k均值算法对原色通道灰度图中的各个像素进行聚类。k均值算法作为一种划分聚类算法，可以使用一个聚类的中心来代表一个簇，而在迭代过程中先随意选择初始的中心，该中心不一定是聚类中的点，随后经过不断迭代可以确定最终的聚类中心，该算法主要用于处理数值型数据。而该方法聚类的迭代过程，主要通过计算其他位置与中心位置之间的欧式距离。具体地，欧式距离的计算公式如下：

其中，jk表示任意像素与第k个聚类中心之间的距离，xi,j表示像素位置的二维坐标，ck表示第k个聚类中心。在获取各个像素与聚类中心的欧式距离之后，按照最近距离准则将像素归类，即，将像素分配至距离最近的聚类中心对应的类。

s207、基于欧式距离对所有像素点进行聚类，并获取每一聚类中与欧式距离的均值最接近的像素点作为新的聚类中心进行迭代计算，当聚类中心不再变化时获取最终的聚类结果；

可以理解地，聚类中心的初始中心由于是随机选取的，所以可能并不存在于其当前对应的聚类。显而易见地，只进行一次聚类并不能消除这种风险，而通过在每次聚类结果中重新选取聚类中心进行迭代运算，直至聚类中心不再变化，藉于此，可以实现对云或背景物对应的像素划分入对应的类中。

s208、基于最终的聚类结果确定原色通道灰度图中每一像素点的预分配标签。

可以理解地，在本发明实施例中，k均值算法作为一种机器学习方法，并非如现有技术中用于对卷云进行样本训练和检测，而是用于对灰度图中每一像素作预设的归类从而可以对每一像素赋予预设的标签值；具体地，是将图中的所有像素分为云和背景物两类，并设置对应的标签值，如将与云对应的像素设置标签值为1，将与背景物对应的像素设置标签值为0。通过这种聚类方法，实现了由像素到标签数值的转化，方便于后续的运算处理，从而提高检测效率。

可选地，本发明实施例还可以使用其他聚类算法对灰度图中的像素进行聚类，如均值漂移聚类算法、密度聚类算法等。对于使用其他类型聚类算法的具体实现过程，此处不再赘述。

s209、确定图割模型的准则函数，并基于原色通道灰度图，权值灰度图和预分配标签确定准则函数的各项参数。

可以理解地，本发明实施例期望通过建立图割模型实现对图像中有效像素，即卷云对应像素的检出。

具体地，图割模型是基于图割算法(graph-cut)的准则函数建立，该准则函数如下：

e(l)＝a*r(l)+b(l)…………………………………………..(8)

其中，l为图割模型的计算初始值，r(l)为图割模型的区域项，b(l)为图割模型的边界项，a为预设的平衡参数，e(l)为图割割值。

可以理解地，在准则函数中，区域项是一种先验惩罚项，边界项是一种区域之间相似度惩罚项；平衡参数用于平衡区域项与边界项对于图割割值的影响度，例如，若a取0，说明只考虑边界项因素，不考虑平衡区域项因素。图割算法的目的在于求解源点与汇点之间的最小割路径，即实现图割割值最大的结果。

具体地，本发明实施例中，是基于原色通道灰度图确定准则函数的区域项；基于权值灰度图确定准则函数的边界项；基于预分配标签确定准则函数的计算初始值。

可以理解地，基于原色通道灰度图的像素可以对于云与背景物所占据的区域做初步的区域划分，因此适合作为准则函数的区域项参数；而权值灰度图中云与背景物对应的像素由于权值不同，对于云与背景物的边界已有明显的划分，因此适合于作为准则函数的边界项参数；而通过聚类算法可以将云和背景物对应的像素进行不同预分配标签的赋值，因此适合作为准则函数中的计算初始值。

具体地，本发明实施例中，由于区域项对图割的计算结果具有直接影响，因此a可取大于0的正整数，经实验测试得知，a的优选值为100。

可以理解地，当确定了图割模型准则函数的各项参数之后，可以建立图割模型并进行下一步处理。

s210、对图割模型进行最小割计算，将计算结果输出为遥感图像的检测结果。

可以理解地，在建立了图割模型后，可以使用图割算法获取图割结果。

优选地，本发明实施例使用ford-fulkerson标号算法计算所述图割模型的最小割值。

可以理解地，图割算法的目的在于获取满足有向图模型g＝<v,e>的最大流。

具体地，该有向图具有唯一的源点s作为出发点，即入度为0，同时具有唯一的汇点t作为结束点，即出度为0。在算法开始时，令所有顶点u,v∈v有f(u,v)＝0，即初始状态时流的值为0，之后通过寻找模型中的增广路径来增加流值。这里的增广路径可以看作是从源点s到汇点t之间的一条路径，沿该路径可以使网络的流量增大，从而增加流的值。通过迭代实验，当模型中所有增广路径都被找到时计算停止，此时得到模型的最小割(或称为最大流)作为检测结果。

可以理解地，通过获取图割模型的最小割结果，可以最大化输出与卷云对应的像素，从而达到输出卷云的检测结果。具体地，输出效果可以参见图7所示的遥感图像的检测结果图。

可选地，还可以使用其他种类的图割算法获取检测结果，包括goldberg-tarjan算法和edmonds-karp算法等，此处不再赘述。

可以理解地，对于本发明实施例中图割算法的具体实现，可以使用python，opencv和matlab等编译工具，此处不再赘述。

经实验，采用本发明的卷云检测方法可将卷云检测的准确率提升至95％以上，召回率提升至90％。

实施例3

参照图8所示，本发明实施例3提供的一种卷云检测设备的具体硬件结构，该卷云检测设备8可以包括：存储器82和处理器83；各个组件通过通讯总线81耦合在一起。可理解，通讯总线81用于实现这些组件之间的连接通信。通讯总线81除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图8中将各种总线都标为通讯总线81。

存储器82，用于存储能够在处理器83上运行的定位方法程序；

处理器83，用于在运行定位方法程序时，执行以下步骤：

步骤1、输入遥感图像，并获取遥感图像的原色通道灰度图；

步骤2、获取原色通道灰度图的分形维数特征图；

步骤3、基于分形维数特征图和原色通道灰度图获取权值灰度图；

步骤4、对原色通道灰度图的像素点进行聚类计算，获取像素点的聚类结果，基于聚类结果确定原色通道灰度图每一像素点的预分配标签；

步骤5、基于原色通道灰度图、权值灰度图和预分配标签建立图割模型；

步骤6、对图割模型进行最小割计算，输出遥感图像的检测结果。

进一步地，步骤2具体包括：

步骤2.1、计算所述原色通道灰度图中每个像素点处的分形曲面表面积s(n)，其中，n表示单位面积尺度；

步骤2.2、基于分形曲面表面积s(n)和分形表面公式计算每个像素点的分形维数d；其中，所述分形表面公式为s(n)＝n^2-d；

步骤2.3、基于每个像素点的分形维数d获取所述原色通道灰度图的分形维数特征图。

进一步地，步骤3具体包括：

将所述分形维数特征图作为权值与所述原色通道灰度图进行相乘加权，基于加权结果获取权值灰度图。

进一步地，步骤4具体包括：

步骤4.1、在所述原色通道灰度图中随机选取k个像素点作为聚类中心的初始值，计算所述原色通道灰度图中除所述聚类中心以外的其他像素点与所述聚类中心之间的欧式距离；

步骤4.2、基于所述欧式距离对所有像素点进行聚类，并获取每一聚类中与欧式距离的均值最接近的像素点作为新的聚类中心进行迭代计算，当聚类中心不再变化时获取最终的聚类结果；

步骤4.3、基于最终的聚类结果确定所述原色通道灰度图中每一像素点的预分配标签。

进一步地，步骤5具体包括：

步骤5.1、确定所述图割模型的准则函数；

步骤5.2、基于所述原色通道灰度图确定所述准则函数的区域项；基于所述权值灰度图确定所述准则函数的边界项；基于所述预分配标签确定所述准则函数的计算初始值；

步骤5.3、基于所述准则函数建立所述图割模型。

进一步地，图割模型的准则函数具体包括：

e(l)＝a*r(l)+b(l)；其中，l为所述准则函数的计算初始值，r(l)为所述准则函数的区域项，b(l)为所述准则函数的边界项，a为预设的平衡参数，e(l)为图割割值。

进一步地，对图割模型进行最小割计算，具体包括：

使用ford-fulkerson标号算法计算所述图割模型的最小割值。

进一步地，所述原色通道灰度图为蓝色通道灰度图。

可以理解，本发明实施例中的存储器82可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-onlymemory，rom)、可编程只读存储器(programmablerom，prom)、可擦除可编程只读存储器(erasableprom，eprom)、电可擦除可编程只读存储器(electricallyeprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(randomaccessmemory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(staticram，sram)、动态随机存取存储器(dynamicram，dram)、同步动态随机存取存储器(synchronousdram，sdram)、双倍数据速率同步动态随机存取存储器(doubledataratesdram，ddrsdram)、增强型同步动态随机存取存储器(enhancedsdram，esdram)、同步连接动态随机存取存储器(synchlinkdram，sldram)和直接内存总线随机存取存储器(directrambusram，drram)。本文描述的系统和方法的存储器82旨在包括但不限于这些和任意其它适合类型的存储器。

而处理器83可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器83中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器83可以是通用处理器、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(fieldprogrammablegatearray，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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器82，处理器83读取存储器82中的信息，结合其硬件完成上述方法的步骤。

基于前述实施例，本发明实施例提供一种计算机可读介质，该计算机可读介质存储有卷云检测程序，卷云检测程序被至少一个处理器执行时实现上述任一实施例中定位方法的步骤。

可以理解地，以上实施例中的方法步骤，可以存储在计算机可读取存储介质中，基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或processor(处理器)执行本发明实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，readonlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(applicationspecificintegratedcircuits，asic)、数字信号处理器(digitalsignalprocessing，dsp)、数字信号处理设备(dspdevice，dspd)、可编程逻辑设备(programmablelogicdevice，pld)、现场可编程门阵列(field-programmablegatearray，fpga)、通用处理器、控制器、微控制器、微处理器、用于执行本申请功能的其它电子单元或其组合中。

对于软件实现，可通过执行本文功能的模块(例如过程、函数等)来实现本文的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。

具体来说，用户终端中的处理器83还配置为运行计算机程序时，执行前述实施例中的方法步骤，这里不再进行赘述。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

需要说明的是：本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。

以上实施例，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。