一种海面船只识别方法和装置与流程
本发明涉及海面船只识别技术领域，尤其涉及一种海上船只识别方法和装置。
背景技术：
海上船只的识别对于海上安防具有重要的战略意义，对于我国海洋强国战略实施具有极大的帮助。海上船只识别是指对通过图像或视频等方式输入的船只信号进行特征信息提取，并将提取的特征信息与数据库中的船只信息进行匹配，匹配好的船只信息和输入的船只信号划分成同一类。海上船只识别应用及其广泛，例如，恶意船只的靠近、非我国船只进入我国领海、智能监控系统、海洋大数据等。然而，在海面船只识别中，风浪、大雾、光照等都会对海面船只识别造成重大的影响，使得船只识别的准确性、精度和鲁棒性问题备受关注。目前，应用于海面船只的识别算法主要是svm算法，通过svm算法对船只信号进行分类训练预测，不能实现实时识别，运行时间过长，识别率较低，对于现在海洋大数据的观测缺乏准确数据的支持。
技术实现要素：
本发明实施例提供一种海面船只识别方法和装置，以至少解决现有技术中的以上技术问题。
第一方面，本发明实施例提供了一种海面船只识别方法，包括：
获取海面环境样本，所述海面环境样本包括多张海面环境图像；
检测所述海面环境图像中的海面船只边缘，根据所述海面船只边缘提取海面船只图像；
对所述海面船只图像进行特征提取，得到海面船只特征数据；
根据所述海面船只特征数据训练得到海面船只识别模型；
将待识别图像输入至所述海面船只识别模型中进行海面船只识别。
在一种实施方式中，检测所述海面环境图像中的海面船只边缘，包括：
对所述海面环境图像中的每一个像素点进行梯度计算，得到各所述像素点对应的梯度强度；
若当前像素点的梯度强度大于沿正梯度方向上的像素点的梯度强度，且所述当前像素点的梯度强度大于沿负梯度方向上的像素点的梯度强时，所述当前像素点为边缘像素点；
连接所有的所述边缘像素点，形成所述海面船只边缘。
在一种实施方式中，连接所有的所述边缘像素点，形成所述海面船只边缘，包括：
若所述边缘像素点的梯度强度大于高边缘阈值，则所述边缘像素点为强边缘像素点，并保留所述强边缘像素点；
若所述边缘像素点的梯度强度大于低边缘阈值且小于所述高边缘阈值，则所述边缘像素点为弱边缘像素点；
提取所述弱边缘像素点周围的多个领域像素点，若所述多个领域像素点中存在所述强边缘像素点，则保留所述弱边缘像素点；
连接所有保留的所述强边缘像素点和保留的所述弱边缘像素点，形成所述海面船只边缘。
在一种实施方式中，根据所述海面船只边缘提取海面船只图像，包括：
利用最大类间方差法将所述海面环境图像分割得到船只部分和背景部分；
比较船只部分的类内方差和背景部分的类内方差，根据比较结果选择类内方差大于阈值的图像；
利用最大类间方差法将所述类内方差大于阈值的图像分割得到波浪部分，并将所述波浪部分删除；
根据删除波浪部分的海面环境图像中的海面船只边缘，提取所述海面船只图像。
在一种实施方式中，根据所述海面船只特征数据训练得到海面船只识别模型，包括：
利用划分聚类算法将所述海面船只特征数据构造成单词表；
统计所述单词表中每个单词在所述海面船只图像中出现的次数，形成统计直方图；
将所述统计直方图输入至支持向量机中训练得到所述海面船只识别模型。
第二方面，本发明实施例提供了一种海面船只识别装置，包括：
海面环境样本获取模块，用于获取海面环境样本，所述海面环境样本包括多张海面环境图像；
海面船只边缘检测模块，用于检测所述海面环境图像中的海面船只边缘；
海面船只图像提取模块，用于根据所述海面船只边缘提取海面船只图像；
海面船只特征提取模块，用于对所述海面船只图像进行特征提取，得到海面船只特征数据；
海面船只识别模型训练模块，用于根据所述海面船只特征数据训练得到海面船只识别模型；
海面船只识别模块，用于将待识别图像输入至所述海面船只识别模型中进行海面船只识别。
在一种实施方式中，所述海面船只边缘检测模块包括：
梯度强度计算单元，用于对海面环境图像中的每一个像素点进行梯度计算，得到各所述像素点对应的梯度强度；
边缘像素点确定单元，用于若当前像素点的梯度强度大于沿正梯度方向上的像素点的梯度强度，且所述当前像素点的梯度强度大于沿负梯度方向上的像素点的梯度强时，所述当前像素点为边缘像素点；
船只边缘形成单元，用于连接所有的所述边缘像素点，形成所述海面船只边缘。
在一种实施方式中，所述海面船只边缘检测模块还包括：
强边缘确定单元，用于若所述边缘像素点的梯度强度大于高边缘阈值，则所述边缘像素点为强边缘像素点，并保留所述强边缘像素点；
弱边缘确定单元，用于若所述边缘像素点的梯度强度大于低边缘阈值且小于所述高边缘阈值，则所述边缘像素点为弱边缘像素点；
弱边缘保留单元，用于提取所述弱边缘像素点周围的多个领域像素点，若所述多个领域像素点中存在所述强边缘像素点，则保留所述弱边缘像素点；
海面船只边缘形成单元，用于连接所有保留的所述强边缘像素点和保留的所述弱边缘像素点，形成所述海面船只边缘。
在一种实施方式中，所述海面船只图像提取模块包括：
图像分割单元，用于利用最大类间方差法将所述海面环境图像分割得到船只部分和背景部分；
方差比较单元，用于比较船只部分的类内方差和背景部分的类内方差，根据比较结果选择类内方差大于阈值的图像；
波浪删除单元，用于利用最大类间方差法将所述类内方差大于阈值的图像分割得到波浪部分，并将所述波浪部分删除；
船只图像提取单元，用于根据删除波浪部分的海面环境图像中的海面船只边缘，提取所述海面船只图像。
在一种实施方式中，所述海面船只识别模型训练模块包括：
单词表构造单元，用于利用划分聚类算法将所述海面船只特征数据构造成单词表；
统计直方图生成单元，用于统计所述单词表中每个单词在所述海面船只图像中出现的次数，形成统计直方图；
识别模型训练单元，用于将所述统计直方图输入至支持向量机中训练得到所述海面船只识别模型。
所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
上述技术方案中的一个技术方案具有如下优点或有益效果：本方案提供的海面船只识别方法，受外界海浪环境因素影响小、识别速度快、识别率高，是一种能够实现瞬时预测、精准预测的船只识别方法。
上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。
图1为本发明实施例提供的一种海面船只识别方法流程图；
图2为本发明实施例提供的另一种海面船只识别方法示意图；
图3为本发明实施例提供的中值滤波的窗口；
图4为本发明实施例提供的中值滤波窗口的滑动范围示意图；
图5为本发明实施例提供的中值滤波后的图像；
图6为本发明实施例提供的canny边缘检测非极大值抑制梯度方向划分图；
图7为本发明实施例提供的canny边缘检测之后的图像；
图8为本发明实施例提供的形态学操作之后的图像；
图9为本发明实施例提供的ostu算法流程图；
图10为本发明实施例提供的doubleostu算法流程图；
图11为本发明实施例提供的ostu处理之后的图像；
图12为本发明实施例提供的doubleostu处理之后的图像；
图13为本发明实施例提供的去除面积小于总面积1/5后的图像；
图14为本发明实施例提供的最小外接矩形之后的图像；
图15为本发明实施例提供的一种海面船只识别装置框图。
具体实施方式
在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。
实施例一
在一种具体实施方式中，如图1所示，提供了一种海面船只识别方法，包括：
步骤s10：获取海面环境样本，海面环境样本包括多张海面环境图像；
步骤s20：检测海面环境图像中的海面船只边缘，根据海面船只边缘提取海面船只图像；
步骤s30：对海面船只图像进行特征提取，得到海面船只特征数据；
步骤s40：根据海面船只特征数据训练得到海面船只识别模型；
步骤s50：将待识别图像输入至海面船只识别模型中进行海面船只识别。
在一种示例中，获取海面环境图像，海面环境样本经过图像预处理、canny边缘检测、sift(尺度不变特征变换，scale-invariantfeaturetransform)特征提取、k聚类(k均值聚类，k-meansclustering)、svm(支持向量机，supportvectormachine)之后，训练形成海面船只识别模型，将待识别图像输入至所述海面船只识别模型中进行海面船只识别。
预处理的过程：影响海面环境图像的检测和识别的因素主要有：复杂多变的背景，山脉、云、水、阳光及其阴影和反光等室外背景，特别是光照、风和海浪产生的大量噪声。为了去除上述影响因素，可以对海面环境图像做预处理。预处理主要包括中值滤波和图像增强。中值滤波法主要是用来去除采集海面环境图像过程当中的噪声点的影响。例如，可以采用的3*3的中值滤波形式。图像增强主要是为了避免恶劣天气例如大雾对于图像的清晰度产生影响造成图像不够清晰的问题。可以对整幅海面环境图像的每一个像素点都进行增强。可以采用基于幂次函数的增强方法。
canny边缘检测：为了将船与背景分割，先对船只进行边缘检测，便于提取船的边缘。可以利用canny边缘检测技术进行边缘检测。将船的边缘检测出来之后，提取海面船只边缘。然而，在提取海面船只边缘时，往往会将浪花等不必要的边缘提取出来，所以，通过形态学操作例如先膨胀后腐蚀操作来让细节变多，线条联通。膨胀操作：将与物体接触的所有背景点合并到该物体边界当中，使边界向外扩张。具体做法是通过3×3的窗口，遍历图像中的每一个像素进行“或”操作，如果都为0，该点像素为0，否则为1。腐蚀操作：腐蚀是一种消除边界点，使边界向内部收缩。具体做法是通过3×3的窗口，遍历图像中的每一个像素进行“与”操作，如果都为1，该点像素为1，否则为0。可以通过大量试验对图像方差小于30的图像进行一次膨胀操作，大于30的图像进行一次膨胀再做一次腐蚀操作，对图像的边缘进行细化。可以利用最大类间差方法ostu将图像分割为背景和船只，在进行一次ostu之后，只能将天空分割出来，浪与船还是划分到同一类当中。于是，提出来可以经过两次最大类间差doubleostu方法，将波浪部分去除掉。通过最小外矩形提取出船只。由于去浪操作不可避免的会将船只的一些细节去除掉，所以可以遍历整幅图像，寻找最外围的边界，将所有边界都囊括进最小外矩形当中，防止某些细节的丢失。
sift特征提取：bag-of-words词袋算法是信息检索领域常用的文档表示方法。类似于词典的使用，忽略它的单词顺序和语法、句法等要素，将其仅仅看作是若干个词汇的集合，通过统计其单词出现的数目来识别这个句子，文档中每个单词的出现都是独立的，与其他单词是否出现无关。对于海面船只的识别可以采用bag-of-words词袋模型，只是其中的“单词”用sift特征来代替。首先，利用sift算法从每张图像中提取sift特征，将所有的sift特征集合在一起。具体的提取的过程包括：海面环境样本经过提取sift特征尺度空间、检测尺度空间极值点、精确定位极值点、为每个关键点指定方向参数、关键点描述子的生成等步骤，最终提取出sift特征。
k聚类：利用k-means算法构造单词表，将前面提取的所有sift特征划分为1000类，作为单词表。k-means算法是一种基于样本间相似性度量的间接聚类方法，此算法以k为参数，把提取的所有特征对象分为k个簇，以使簇内具有较高的相似度，而簇间相似度较低。可以将k设为1000，根据sift提取的视觉词汇向量之间根据距离的远近将所有的特征划分成1000簇。最后，利用单词表中的词汇表示图像。利用sift算法，可以从每幅图像中提取很多个特征点，这些特征点都可以用单词表中的单词近似代替，通过统计单词表中每个单词在图像中出现的次数，可以将图像表示成为一个1000维数值向量，形成一个统计直方图，可以用统计直方图作为海面船只特征数据。
svm分类：用统计直方图作为svm的输入向量对每类图像进行训练得到海面船只识别模型，以将待识别图像输入至所述海面船只识别模型中进行海面船只识别。svm是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。支持向量机是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将输入的低维空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。
与传统海面船只识别算法相比，上述实施方式采用bag-of-words进行海面船只识别训练时间相对较短，预测时间瞬时，基本能够实现瞬时预测。当聚类数为1000时其预测精度大约在91％左右，相对预测精度较高，能够基本实现精准预测。通过图像增强、doubleostu、sift去除掉大雾、波浪、光照、旋转、放大缩小等方面的影响，能够使算法应对恶劣天气，适应性强。
在一种实施方式中，检测所述海面环境图像中的海面船只边缘，包括：
对所述海面环境图像中的每一个像素点进行梯度计算，得到各所述像素点对应的梯度强度；
若当前像素点的梯度强度大于沿正梯度方向上的像素点的梯度强度，且当前像素点的梯度强度大于沿负梯度方向上的像素点的梯度强时，所述当前像素点为边缘像素点；
连接所有的所述边缘像素点，形成所述海面船只边缘。
在一种实施方式中，连接所有的所述边缘像素点，形成所述海面船只边缘，包括：
若所述边缘像素点的梯度强度大于高边缘阈值，则所述边缘像素点为强边缘像素点，并保留所述强边缘像素点；
若所述边缘像素点的梯度强度大于低边缘阈值且小于所述高边缘阈值，则所述边缘像素点为弱边缘像素点；
提取所述弱边缘像素点周围的多个领域像素点，若所述多个领域像素点中存在所述强边缘像素点，则保留所述弱边缘像素点；
连接所有保留的所述强边缘像素点和保留的所述弱边缘像素点，形成所述海面船只边缘。
在一种示例中，可以利用canny边缘检测的方法来检测海面船只边缘。有四个步骤：
(1)用高斯滤波器平滑图像，去除噪声；令f(x,y)表示经过中值滤波之后的像素值，g(x,y)表示二维高斯函数，σ为常数，fs(x,y)为平滑后的图像。
fs(x，y)＝f(x，y)*g(x，y)
(2)用一阶偏导的有限差分来计算梯度的幅值和方向；
用一阶有限差分近似求取灰度值的变化率，即用
用底部一行像素值减去顶部一行的像素，得到x方向的偏导数(梯度)gx；同样，用右边一列像素值减去左边一列的像素，得到y方向的偏导数gy。
由此，可以得到该点梯度的幅值和方向：
(3)对梯度幅值进行非极大值抑制；
非极大值抑制是一种边缘稀疏技术，非极大值抑制的作用在于“瘦”边。对图像进行梯度计算后，提取的边缘仍然非常模糊。边缘应该有且应当只有一个准确的响应。而非极大值抑制则可以将局部最大值之外的所有梯度值抑制为0。具体做法是：将当前像素的梯度强度与沿正负梯度方向上的两个像素进行比较。如果当前像素的梯度强度比其它两个个像素的梯度强度大，则该像素点保留为边缘点，否则该像素点被抑制。
(4)采用两个阈值检测和连接边缘；
在进行非极大值抑制之后，剩余的能够准确表示图像中的边缘，但是仍然存在由于噪声和其他因素引起的一些边缘像素，为了去除掉这些边缘像素的影响保留高梯度的边缘像素，通过双阈值检测来达到目的。设高阈值为100，低阈值为20，当边缘像素的梯度值高于100，我们便认为是强边界保留；低于20的抑制，对于大于20小于100的认为是弱边界暂时保留。然后通过查看弱边缘及其8个邻域像素，只要在其中有一个强边缘像素就可以保留认为是边缘，其他情况抑制。
在一种实施方式中，根据所述海面船只边缘提取海面船只图像，包括：
利用最大类间方差法将所述海面环境图像分割得到船只部分和背景部分；
比较船只部分的类内方差和背景部分的类内方差，根据比较结果选择类内方差大于阈值的图像；
利用最大类间方差法将所述类内方差大于阈值的图像分割得到波浪部分，并将所述波浪部分删除；
根据删除波浪部分的海面环境图像中的海面船只边缘，提取所述海面船只图像。
在一种实施方式中，根据所述海面船只特征数据训练得到海面船只识别模型，包括：
利用划分聚类算法将所述海面船只特征数据构造成单词表；
统计所述单词表中每个单词在所述海面船只图像中出现的次数，形成统计直方图；
将所述统计直方图输入至支持向量机中训练得到所述海面船只识别模型。
具体的，如图2所示，首先从码头附近采集大量海面环境样本(训练样本)，每类中至少采取1000张不同角度不同距离的海面环境图像，建立一个数据库。将采集的海面环境样本(训练样本)进行sift特征提取、k聚类、通过第一层svm训练形成model1，即第一海面船只识别模型，用来识别船或者非船。将训练样本灰度化。经过sift特征尺度空间的生成、检测尺度空间极值点、精确定位极值点、为每个关键点指定方向参数、关键点描述子的生成等系列步骤之后得到sift特征。对所有的sift特征执行k聚类，k聚类的步骤包括：(1)在所有sift特征中，随机选取1000个对象作为初始的类中心，形成1000类；(2)计算每个sift特征数据到每个初始的类中心的欧式距离，将每个sift特征数据划分到最相似的类中；(3)重新计算每类的均值，作为聚类中心；(4)判断聚类中心是否发生变化，若不变，则输出聚类中心结果，生成1000个“单词”，若聚类中心变，则返回步骤(2)。对每张海面环境图像进行船与非船的标记，船为“1”，非船为“0”。将每幅海面环境图像的sift特征划分到1000类当中，统计每个“单词”在1000类当中的每类的出现的次数，形成一个1000维的向量。将提前标记好“1”、“0”的1000维向量输入至第一层svm中进行训练，得到第一海面船只识别模型。采集待识别图像(测试样本)，将待识别图像输入至第一海面船只识别模型当中，经过sift特征提取、k聚类、第一层svm训练形成model1进行分类，若输出“0”，则是非船，结束，若输出为“1”，则是船，原图进入下一层识别。
将海面环境样本(训练样本)经过图像预处理、canny边缘检测、doubleostu、sift特征提取、k聚类、第二层svm之后，训练形成model2，即第二海面船只识别模型，用来鉴定船的类型。船的类型大体划分为3类：渔船、快艇、商船，分别标记为“2”、“3”、“4”。对海面环境样本进行预处理：首先，将海面环境样本中的每幅图像进行中值滤波，如图3所示的中值滤波的窗口。使用附图4所示的窗口a，从窗口b到窗口f的遍历范围，将窗口b、窗口c、窗口d以及窗口f的外围像素保持图片原来的像素值，其它像素通过中值滤波处理。如图5为中值滤波后的图像。再利用幂次函数的增强方法增强图像，增强公式为
实施例二
在另一种具体实施方式中，如图15所示，提供了一种海面船只识别装置，包括：
海面环境样本获取模块10，用于获取海面环境样本，所述海面环境样本包括多张海面环境图像；
海面船只边缘检测模块20，用于检测所述海面环境图像中的海面船只边缘；
海面船只图像提取模块30，用于根据所述海面船只边缘提取海面船只图像；
海面船只特征提取模块40，用于对所述海面船只图像进行特征提取，得到海面船只特征数据；
海面船只识别模型训练模块50，用于根据所述海面船只特征数据训练得到海面船只识别模型；
海面船只识别模块60，用于将待识别图像输入至所述海面船只识别模型中进行海面船只识别。
在一种实施方式中，所述海面船只边缘检测模块包括：
图像滤波单元，用于对所述海面环境图像进行中值滤波，得到平滑后的图像；
梯度强度计算单元，用于对所述平滑后的图像中的每一个像素点进行梯度计算，得到各所述像素点对应的梯度强度；
边缘像素点确定单元，用于若当前像素点的梯度强度大于沿正梯度方向上的像素点的梯度强度，且当前像素点的梯度强度大于沿负梯度方向上的像素点的梯度强时，所述当前像素点为边缘像素点；
船只边缘形成单元，用于连接所有的所述边缘像素点，形成所述海面船只边缘。
在一种实施方式中，所述海面船只边缘检测模块还包括：
强边缘确定单元，用于若所述边缘像素点的梯度强度大于高边缘阈值，则所述边缘像素点为强边缘像素点，并保留所述强边缘像素点；
弱边缘确定单元，用于若所述边缘像素点的梯度强度大于低边缘阈值且小于所述高边缘阈值，则所述边缘像素点为弱边缘像素点，提取所述弱边缘像素点周围的多个领域像素点，若所述多个领域像素点中存在所述强边缘像素点，则保留所述弱边缘像素点；
海面船只边缘形成单元，用于连接所有保留的所述强边缘像素点和保留的所述弱边缘像素点，形成所述海面船只边缘。
在一种实施方式中，所述海面船只图像提取模块包括：
图像分割单元，用于利用最大类间方差法将所述海面环境图像分割得到船只部分和背景部分；
方差比较单元，用于比较船只部分的类内方差和背景部分的类内方差，根据比较结果选择类内方差大于阈值的图像；
波浪删除单元，用于利用最大类间方差法将所述类内方差大于阈值的图像分割得到波浪部分，并将所述波浪部分删除；
船只图像提取单元，用于根据删除波浪部分的海面环境图像中的所述海面船只边缘，提取所述海面船只图像。
在一种实施方式中，所述海面船只识别模型训练模块包括：
单词表构造单元，用于利用划分聚类算法将所述海面船只特征数据构造成单词表；
统计直方图生成单元，用于统计所述单词表中每个单词在所述海面船只图像中出现的次数，形成统计直方图；
识别模型训练单元，用于将所述统计直方图输入至支持向量机中训练得到所述海面船只识别模型。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
- 还没有人留言评论。精彩留言会获得点赞！