目标对象的识别方法和装置与流程
本发明涉及图像识别领域，具体而言，涉及一种目标对象的识别方法和装置。
背景技术：
在医疗领域的图像识别中，前段光学相干断层扫描(anteriorsegmentopticalcoherencetomography，as-oct)用来辅助诊断许多眼科疾病，例如角膜疾病、白内障和青光眼等，是一种非侵入式无伤害的拍摄方式。晶状体，是眼球的主要屈光结构，当晶状体出现浑浊现象时(密度增加)，会引起视力障碍，导致白内障产生。晶状体密度是衡量白内障等疾病严重程度的重要指标，晶状体是一个多层的结构，从外到里可大致分为：角膜层、皮质层和核。目前基于as-oct影像的晶状体结构分割大多都是手动进行，并且具有可重复性差，人工成本较高等缺陷。as-oct图像中晶状体结构边界之间模糊，导致全自动分割困难，尤其是核(nucleus)和皮质(cortex)的边界。而且，在白内障患者眼中拍摄的as-oct图像，边界会变得更加模糊。
针对现有技术中目标对象的识别准确率较低，且可重复性较差的问题，目前尚未提出有效的解决方案。
技术实现要素：
本发明实施例提供了一种目标对象的识别方法和装置，以至少解决现有技术中目标对象的识别准确率较低，且可重复性较差的技术问题。
根据本发明实施例的一个方面，提供了一种目标对象的识别方法，包括：获取包含目标对象的第一图像；利用u形全卷积神经网络模型对第一图像进行图像分割，得到目标对象的边界，其中，u形全卷积神经网络模型采用水平集损失函数。
进一步地，u形全卷积神经网络模型包括：编码模型和解码模型，编码模型包括：多个第一网络块，第一网络块包括：依次连接的至少两个第一卷积层，第一卷积层采用修正线性单元激活函数和池化操作，第一网络块中的最后一个第一卷积层与下一个第一网络块中的第一个第一卷积层连接；解码模型包括：多个第二网络块和输出层，第一网络块和第二网络块的数量相同，第二网络块包括：依次连接的级联层和至少两个第二卷积层，级联层与对应的第一网络块和上一个第二网络块中的最后一个第二卷积层连接，级联层与对应的第一网络块采用复制和合并的跳跃连接方式连接，输出层与最后一个第二网络块中的最后一个第二的旁侧输出层连接，输出层采用水平集损失函数。
进一步地，池化操作包括如下之一：最大池化操作和均值池化操作。
进一步地，水平集损失函数通过如下方式确定：确定输入至输出层的结果为第一水平集，并确定输出层输出的结果为第二水平集；获取第一水平集的形状和第二水平集的形状；基于第一水平集的形状和第二水平集的状态，得到水平集损失函数。
进一步地，获取第一水平集的形状，包括：获取第一水平集的第一函数值，以及第一图像的真值水平集的第二函数值；基于第一函数值和第二函数值，得到第一水平集的形状。
进一步地，基于第一函数值和第二函数值，得到第一水平集的形状，包括：获取第二函数值和第一函数值之差，得到差值；获取差值的绝对值，得到绝对值；获取绝对值的平方，得到平方值；获取平方值的积分，得到第一水平集的形状。
进一步地，在获取真值水平集的第二函数值之后，上述方法还包括：基于水平集转换函数对第二函数值进行处理，得到处理后的第二函数值；对处理后的第二函数值进行归一化处理，得到归一化函数值；基于第一函数值和归一化函数值，得到第一水平集的形状。
进一步地，获取第二水平集的形状，包括：获取输入至输出层的多个概率值，以及每个概率值对应的真值；基于每个概率值和对应的真值，得到每个概率值的乘积；获取多个概率值的乘积之和，得到第二水平集的形状。
进一步地，基于每个概率值和对应的真值，得到每个概率值的乘积，包括：获取每个概率值的对数，得到每个概率值的对数值；获取每个概率值的对数值和对应的真值的乘积，得到每个概率值的乘积。
进一步地，基于第一水平集的形状和第二水平集的状态，得到水平集损失函数，包括：获取第一水平集的形状和第一参数的乘积，得到第一乘积；获取第二水平集的形状和第二参数的乘积，得到第二乘积；获取目标对象的边界的长度和第三参数的乘积，得到第三乘积；获取目标对象所在区域的积分值和第四参数的乘积，得到第四乘积，其中，积分值用于表征连接目标对象所在区域的内部和外部；获取第一乘积、第二乘积、第三乘积和第四乘积之和，得到水平集损失函数。
进一步地，在利用u形全卷积神经网络模型对第一图像进行图像分割，得到目标对象的边界之前，上述方法还包括：利用边缘检测算法对第一图像进行处理，得到目标对象所在区域的第二图像；利用u形全卷积神经网络模型对第二图像进行图像分割，得到目标对象的边界。
进一步地，利用边缘检测算法对第一图像进行处理，得到目标对象所在区域的第二图像，包括：利用多级边缘检测算法对第一图像进行处理，得到第二图像。
进一步地，获取包含目标对象的第一图像，包括：利用前段光学相干断层扫描技术对目标对象进行扫描，得到第一图像。
进一步地，目标对象为晶状体核。
根据本发明实施例的另一方面，还提供了一种目标对象的识别装置，包括：获取模块，用于获取包含目标对象的图像；图像分割模块，用于利用u形全卷积神经网络模型对图像进行图像分割，得到目标对象的边界，其中，u形全卷积神经网络模型采用水平集损失函数。
根据本发明实施例的另一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述的目标对象的识别方法。
根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述的目标对象的识别方法。
在本发明实施例中，在获取到包含目标对象的第一图像之后，可以利用采用了水平集损失函数的u形全卷积神经网络模型对第一图像进行图像分割，得到目标对象的边界，也即得到最终的分割结果。容易注意到的是，通过结合u形全卷积神经网络模型和水平集算法进行晶状体结构分割，实现了基于深度学习全自动晶状体结构分割，达到了有效提高晶状体结构分割的准确性和可重复性的技术效果，进而解决了现有技术中目标对象的识别准确率较低，且可重复性较差的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种目标对象的识别方法的流程图；
图2a是根据本发明实施例的一种可选的as-oct图像的示意图；
图2b是根据本发明实施例的一种可选的目标对象所在区域的示意图；
图2c是根据本发明实施例的一种可选的分割的结果的示意图；
图3是根据本发明实施例的一种可选的u-net网络的网络结构的示意图；
图4a是根据本发明实施例的一种可选的真值水平集的示意图；
图4b是根据本发明实施例的一种可选的真值标签的示意图；
图4c是根据本发明实施例的一种可选的归一化后的结果的示意图；以及
图5是根据本发明实施例的一种目标对象的识别装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种目标对象的识别方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种目标对象的识别方法的流程图，如图1所示，该方法包括如下步骤：
步骤s102，获取包含目标对象的第一图像。
可选地，上述的目标对象可以是晶状体核。
具体地，上述的第一图像可以是as-oct眼底图，如图2a所示，图像中包含有晶状体结构，其中白色方框所在区域为晶状体区域。由于晶状体核和皮质的边界之间模糊，可以通过对晶状体核和皮质的边界进行准确分割，实现对晶状体结构的准确分割，因此，可以确定目标对象为晶状体核，目标对象所在区域如图2b所示。
步骤s104，利用u形全卷积神经网络模型对第一图像进行图像分割，得到目标对象的边界，其中，u形全卷积神经网络模型采用水平集损失函数。
具体地，在医学图像分割领域中，目前基于深度学习图像分割算法发展迅速，尤其是u形全卷积神经网络模型，即u-net网络的出现，在肺结节、肿瘤和血管厚度分割等医学图像领域取得了较大的发展。因此，可以通过u-net网络作为as-oct图像中晶状体结构的初始轮廓的分割，确定晶状体核区域，最终分割结果如图2c所示。
需要说明的是，通过u-net网络对as-oct眼底图进行图像分割，不仅仅可以确定晶状体核区域，还可以确定晶状体的角膜和皮质区域。
由于u-net网络分割出的边界不规则，尤其是晶状体核的分割，而水平集方法在形状，噪声，分辨率和遮挡等一些约束下获得较好的性能，因此，可以通过网络学习水平集损失函数，最后得到的零水平集表示最终的分割结果，也即，另水平集标识目标对象所在区域的边界。
通过本发明上述实施例，在获取到包含目标对象的第一图像之后，可以利用采用了水平集损失函数的u形全卷积神经网络模型对第一图像进行图像分割，得到目标对象的边界，也即得到最终的分割结果。容易注意到的是，通过结合u形全卷积神经网络模型和水平集算法进行晶状体结构分割，实现了基于深度学习全自动晶状体结构分割，达到了有效提高晶状体结构分割的准确性和可重复性的技术效果，进而解决了现有技术中目标对象的识别准确率较低，且可重复性较差的技术问题。
可选地，u形全卷积神经网络模型包括：编码模型和解码模型，编码模型包括：多个第一网络块，第一网络块包括：依次连接的至少两个第一卷积层，第一卷积层采用修正线性单元激活函数和池化操作，第一网络块中的最后一个第一卷积层与下一个第一网络块中的第一个第一卷积层连接；解码模型包括：多个第二网络块和输出层，第一网络块和第二网络块的数量相同，第二网络块包括：依次连接的级联层和至少两个第二卷积层，级联层与对应的第一网络块和上一个第二网络块中的最后一个第二卷积层连接，级联层与对应的第一网络块采用复制和合并的跳跃连接方式连接，输出层与最后一个第二网络块中的最后一个第二的旁侧输出层连接，输出层采用水平集损失函数。
可选地，上述的池化操作可以包括如下之一：最大池化操作和均值池化操作。
具体地，由于as-oct眼底图的尺寸较大，为了提高图像分割准确性和可重复性，可以对现有的u-net网络进行改进，改进点主要在于：输入图像的尺寸较大，例如，输入尺寸为1024*1024，也即，第一图像的尺寸为1024*1024；卷积层使用的卷积核较小，例如，可以是3*3；整个u-net网络的层次较多，例如，整个网络的层次为6层，也即，第一网络块和第二网络块的数量为6个。
在本发明实施例中，每个卷积层可以使用激活函数(relu)和最大池化操作。
u-net网络的网络结构如图3所示，网络结构包括编码模型(如图3中左侧所示)和解码模型(如图3中右侧所示)，vgg19(visualgeometrygroupnetwork)可以作为网络的编码部分，包括六个网络块(即上述的第一网络块)，每个网络块包含两到三个卷积层，每一个卷积层都会使用激活函数relu(修正线性单元，rectifiedlinearunit)和用于下采样的步长为2的2*2的最大池化，卷积层的卷积核为3*3，可以表示为conv<3x3>withrelu，有利于细节特征的表达，测试速度相对于更深的残差网络能够有效保障，在每一个下采样的步骤中，特征通道数量都加倍；解码模块也包含六个网络块(即上述的第二网络块)，每个网络块包含一个级联层，来自相应的特征层(即上述的对应的第一网络块)和上采样(up-sample)(即上述的对应的第二卷积层)，系数为2，之后使用两个卷积层和旁侧输出层side-output，卷积层使用3*3的卷积核进行卷积运算，且使用激活函数(relu)。编码模型和解码模型可以使用复制和合并(copyandmerge)的跳跃连接方式，可以有效利用不同层的特征，保障更好的分割效果；最后的输出层可以将水平集损失函数作为最终的损失。
可选地，水平集损失函数通过如下方式确定：确定输入至输出层的结果为第一水平集，并确定输出层输出的结果为第二水平集；获取第一水平集的形状和第二水平集的形状；基于第一水平集的形状和第二水平集的状态，得到水平集损失函数。
可选地，获取第一水平集的形状，包括：获取第一水平集的第一函数值，以及第一图像的真值水平集的第二函数值；基于第一函数值和第二函数值，得到第一水平集的形状。
具体地，基于第一函数值和第二函数值，得到第一水平集的形状，包括：获取第二函数值和第一函数值之差，得到差值；获取差值的绝对值，得到绝对值；获取绝对值的平方，得到平方值；获取平方值的积分，得到第一水平集的形状。
另外，在获取真值水平集的第二函数值之后，该方法还包括如下步骤：基于水平集转换函数对第二函数值进行处理，得到处理后的第二函数值；对处理后的第二函数值进行归一化处理，得到归一化函数值；基于第一函数值和归一化函数值，得到第一水平集的形状。
同理地，获取第二水平集的形状，包括：获取输入至输出层的多个概率值，以及每个概率值对应的真值；基于每个概率值和对应的真值，得到每个概率值的乘积；获取多个概率值的乘积之和，得到第二水平集的形状。
具体地，基于每个概率值和对应的真值，得到每个概率值的乘积，包括：获取每个概率值的对数，得到每个概率值的对数值；获取每个概率值的对数值和对应的真值的乘积，得到每个概率值的乘积。
可选地，基于第一水平集的形状和第二水平集的状态，得到水平集损失函数，包括：获取第一水平集的形状和第一参数的乘积，得到第一乘积；获取第二水平集的形状和第二参数的乘积，得到第二乘积；获取目标对象的边界的长度和第三参数的乘积，得到第三乘积；获取目标对象所在区域的积分值和第四参数的乘积，得到第四乘积，其中，积分值用于表征连接目标对象所在区域的内部和外部；获取第一乘积、第二乘积、第三乘积和第四乘积之和，得到水平集损失函数。
在一种可选的方案中，水平集φ是输入的图像(即上述的第一图像)，每个像素(x,y)的值，也即水平集的函数值是与表面
水平集损失函数主要包括两个部分，第一部分为第一水平集φpre的形状，第二部分为零水平集h(φ)的形状，具体地，第一部分的计算公式如下：
其中，φgt是真值水平集，也即，输入图像的真值作为水平集。
第二部分的计算公式如下：
其中，h(φpre)表示u-net网络输出的概率yi，yi′表示概率yi对应的真值。
进一步地，最小化的水平集损失函数的计算公式如下：
其中，c为活动轮廓(即上述的目标对象的边界)，最后两项为连接区域w(即上述的目标对象所在区域)的里面和外面，c1和c2是常数，可以通过如下公式计算：
另外，u-net网络训练过程中包含两种真值，即真值水平集和真值标签，分别如图4a和图4b所示。真值水平集可以通过快速距离转换得到，由于使用的是欧氏距离，图像变大，整体的距离变大，如果直接归一化到[-1,1]，对应的边界的响应会降低，因此可以通过如下方式对真值水平集进行转换：
其中，φngt(x,y)是转换后的水平集(即上述的处理后的第二函数值)。
也即，可以将真值水平集的函数值与预设值进行比较，如果大于等于一个预设值(即第一预设值)，则可以将函数值转换为该预设值；如果小于另一个预设值(即第一预设值)，则可以将函数值转换为该预设值；对于其他情况，则保持不变。进一步可以将转换后的水平集归一化到[-1,1]，归一化后的结果如图4c所示。
可选地，在步骤s104，利用u形全卷积神经网络模型对第一图像进行图像分割，得到目标对象的边界之前，该方法还包括如下步骤：利用边缘检测算法对第一图像进行处理，得到目标对象所在区域的第二图像；利用u形全卷积神经网络模型对第二图像进行图像分割，得到目标对象的边界。
具体地，为了减少多余的干扰信息，可以使用边缘检测算法提取到晶状体区域图像，得到第二图像，图像大小为1024*1024，并将提取到的图像输入至u形全卷积神经网络进行图像分割。
可选地，利用边缘检测算法对第一图像进行处理，得到目标对象所在区域的第二图像，包括：利用多级边缘检测算法对第一图像进行处理，得到第二图像。
具体地，可以使用多级边缘检测算法canny算子提取晶状体区域作为预处理。
可选地，获取包含目标对象的第一图像，包括：利用前段光学相干断层扫描技术对目标对象进行扫描，得到第一图像。
具体地，可以通过as-oct技术对晶状体进行拍摄，得到as-oct眼底图(即上述的第一图像)。
通过上述方案，与现有技术相比，本发明对边缘直接进行建模，对要学习到的边缘有更前的控制力；容易加约束条件，许多约束条件例如形状或者区域一致性很容易用水平集表示，显著提升了效果；泛化性强，容易迁移到其他的任务上。
实施例2
根据本发明实施例，提供了一种目标对象的识别装置的实施例。
图5是根据本发明实施例的一种目标对象的识别装置的示意图，如图5所示，该装置包括：获取模块52和图像分割模块54。
其中，获取模块52用于获取包含目标对象的第一图像；图像分割模块54用于利用u形全卷积神经网络模型对第一图像进行图像分割，得到目标对象的边界，其中，u形全卷积神经网络模型采用水平集损失函数。
可选地，上述的目标对象可以是晶状体核。
具体地，上述的第一图像可以是as-oct眼底图，如图2a所示，图像中包含有晶状体结构，其中白色方框所在区域为晶状体区域。由于晶状体核和皮质的边界之间模糊，可以通过对晶状体核和皮质的边界进行准确分割，实现对晶状体结构的准确分割，因此，可以确定目标对象为晶状体核，目标对象所在区域如图2b所示，其中，黑色的部分为皮质，黑色中间的白色部分为核。
在医学图像分割领域中，目前基于深度学习图像分割算法发展迅速，尤其是u形全卷积神经网络模型，即u-net网络的出现，在肺结节、肿瘤和血管厚度分割等医学图像领域取得了较大的发展。因此，可以通过u-net网络作为as-oct图像中晶状体结构的初始轮廓的分割，确定晶状体核区域，最终分割结果如图2c所示。
需要说明的是，通过u-net网络对as-oct眼底图进行图像分割，不仅仅可以确定晶状体核区域，还可以确定晶状体的角膜和皮质区域。
由于u-net网络分割出的边界不规则，尤其是晶状体核的分割，而水平集方法在形状，噪声，分辨率和遮挡等一些约束下获得较好的性能，因此，可以通过网络学习水平集损失函数，最后得到的零水平集表示最终的分割结果，也即，另水平集标识目标对象所在区域的边界。
通过本发明上述实施例，在通过获取模块获取到包含目标对象的第一图像之后，可以通过图像分割模块利用采用了水平集损失函数的u形全卷积神经网络模型对第一图像进行图像分割，得到目标对象的边界，也即得到最终的分割结果。容易注意到的是，通过结合u形全卷积神经网络模型和水平集算法进行晶状体结构分割，实现了基于深度学习全自动晶状体结构分割，达到了有效提高晶状体结构分割的准确性和可重复性的技术效果，进而解决了现有技术中目标对象的识别准确率较低，且可重复性较差的技术问题。
可选地，u形全卷积神经网络模型包括：编码模型和解码模型，编码模型包括：多个第一网络块，第一网络块包括：依次连接的至少两个第一卷积层，第一卷积层采用修正线性单元激活函数和池化操作，第一网络块中的最后一个第一卷积层与下一个第一网络块中的第一个第一卷积层连接；解码模型包括：多个第二网络块和输出层，第一网络块和第二网络块的数量相同，第二网络块包括：依次连接的级联层和至少两个第二卷积层，级联层与对应的第一网络块和上一个第二网络块中的最后一个第二卷积层连接，级联层与对应的第一网络块采用复制和合并的跳跃连接方式连接，输出层与最后一个第二网络块中的最后一个第二的旁侧输出层连接，输出层采用水平集损失函数。
可选地，上述的池化操作可以包括如下之一：最大池化操作和均值池化操作。
可选地，水平集损失函数通过如下单元确定：确定子模块、获取子模块和处理子模块。
其中，确定子模块用于确定输入至输出层的结果为第一水平集，并确定输出层输出的结果为第二水平集；获取子模块用于获取第一水平集的形状和第二水平集的形状；处理子模块用于基于第一水平集的形状和第二水平集的状态，得到水平集损失函数。
可选地，获取子模块包括：第一获取单元和第一处理单元。
其中，第一获取单元用于获取第一水平集的第一函数值，以及第一图像的真值水平集的第二函数值；第一处理单元用于基于第一函数值和第二函数值，得到第一水平集的形状。
具体地，第一处理单元包括：第一获取子单元、第二获取子单元、第三获取子单元和第四获取子单元。
其中，第一获取子单元用于获取第二函数值和第一函数值之差，得到差值；第二获取子单元用于获取差值的绝对值，得到绝对值；第三获取子单元用于获取绝对值的平方，得到平方值；第四获取子单元用于获取平方值的积分，得到第一水平集的形状。
另外，该装置还包括：第一处理子单元、第二处理子单元和第三处理子单元。
其中，第一处理子单元用于基于水平集转换函数对第二函数值进行处理，得到处理后的第二函数值；第二处理子单元用于对处理后的第二函数值进行归一化处理，得到归一化函数值；第三处理子单元用于基于第一函数值和归一化函数值，得到第一水平集的形状。
同理地，获取子模块包括：第二获取单元、第二处理单元和第三获取单元。
其中，第二获取单元用于获取输入至输出层的多个概率值，以及每个概率值对应的真值；第二处理单元用于基于每个概率值和对应的真值，得到每个概率值的乘积；第三获取单元用于获取多个概率值的乘积之和，得到第二水平集的形状。
具体地，第二处理单元包括：第五获取子单元和第六获取子单元。
其中，第五获取子单元用于获取每个概率值的对数，得到每个概率值的对数值；第六获取子单元用于获取每个概率值的对数值和对应的真值的乘积，得到每个概率值的乘积。
可选地，处理子模块包括：第四获取单元、第五获取单元、第六获取单元、第七获取单元和第八获取单元。
其中，第四获取单元用于获取第一水平集的形状和第一参数的乘积，得到第一乘积；第五获取单元用于获取第二水平集的形状和第二参数的乘积，得到第二乘积；第六获取单元用于获取目标对象的边界的长度和第三参数的乘积，得到第三乘积；第七获取单元用于获取目标对象所在区域的积分值和第四参数的乘积，得到第四乘积，其中，积分值用于表征连接目标对象所在区域的内部和外部；第八获取单元用于获取第一乘积、第二乘积、第三乘积和第四乘积之和，得到水平集损失函数。
可选地，该装置包括：处理模块。
其中，处理模块用于利用边缘检测算法对第一图像进行处理，得到目标对象所在区域的第二图像；图像分割模块还用于利用u形全卷积神经网络模型对第二图像进行图像分割，得到目标对象的边界。
可选地，处理模块包括：处理子模块。
其中，处理子模块还用于利用多级边缘检测算法对第一图像进行处理，得到第二图像。
可选地，获取模块包括：扫描子模块。
其中，扫描子模块用于利用前段光学相干断层扫描技术对目标对象进行扫描，得到第一图像。
实施例3
根据本发明实施例，提供了一种存储介质的实施例，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述实施例1中的目标对象的识别方法。
实施例4
根据本发明实施例，提供了一种处理器的实施例，处理器用于运行程序，其中，程序运行时执行上述实施例1中的目标对象的识别方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，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单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！