图像隐藏信息检测的方法、装置、计算机设备和存储介质与流程

本发明涉及图像检测技术领域，特别是涉及图像隐藏信息检测的方法、图像隐藏信息检测的装置、计算机设备和计算机可读存储介质。

背景技术：

图像隐私隐藏技术是一种将隐私信息嵌入至图像中，从而达到隐秘通信目的的技术。它利用图像边缘点等结构将隐私信息进行隐藏，包含隐私信息的图像经过公共信道进行传输，接收方根据密钥和特定的提取方法将隐私信息从图像中提取出来。图像隐私隐藏技术的特点在于，能够在不被第三方发现的情况下传递隐私信息。然而，图像隐私隐藏技术也被某些不法分子利用，他们借助隐私隐藏技术，将违法信息隐藏在图像中进行传递，为社会安全带来巨大挑战。

图像隐私隐藏技术通常利用图像的边缘结构等嵌入隐私信息；在边缘等位置嵌入隐私信息，肉眼难以发现载密图像与原图的区别。在实践中，图像反隐私隐藏技术通过对图像分块，进行块结构的研究，对图像中嵌入的隐私信息进行检测。

然而，在实现本发明的过程中，发明人发现现有技术中存在如下问题：基于图像分块的图像隐私检测方法，在图像嵌入隐私信息较少时，表现不佳，难以有效检测处图像中隐藏的隐私信息。

技术实现要素：

基于此，有必要针对现有方式在图像嵌入隐私信息较少时，难以有效检测处图像中隐藏的隐私信息问题，提供一种图像隐藏信息检测的方法、装置、计算机设备和存储介质。

一方面，本发明实施例提供一种图像隐藏信息检测的方法，包括：

获取待检测图像；

将所述待检测图像输入经过训练的反隐私隐藏检测模型；所述反隐私隐藏检测模型为基于深度学习的卷积神经网络模型；

根据所述反隐私隐藏检测模型的输出，得到所述待检测图像的隐藏信息的检测结果；

其中，所述反隐私隐藏检测模型通过以下步骤训练得到：

将预设数据库中的每n张图像样本设为一个批次，n为大于或等于2的整数；所述图像样本为包含隐藏的载密信息的图像；

按批次将图像样本输入待训练的卷积神经网络模型参与训练，直到满足训练结束条件；

将所述数据库中所有图像样本参与所述卷积神经网络模型训练一次作为一轮训练，每训练m轮，所述卷积神经网络模型的学习率按照设定比例降低；m为大于或等于2的整数。

在其中一个实施例中，包括：

所述卷积神经网络的学习率初始化为0.0001；每训练10轮，所述卷积神经网络模型的学习率减半。

在其中一个实施例中，还包括：

收集图像样本；

对所述图像样本进行预处理，包括将所述图像样本归一化为256*256像素，以及设置所述图像样本的维数为3维；

对预处理之后的图像样本进行隐私嵌入处理，得到载密图像样本；

根据多个所述载密图像样本，构建所述数据库。

在其中一个实施例中，在将所述待检测图像输入经过训练的反隐私隐藏检测模型之前，还包括：

将所述待检测图像进行预处理，使其与所述数据库中图像样本的大小和维数一致。

在其中一个实施例中，所述反隐私隐藏检测模型包括：至少两个卷积层、截断线性模块、至少两个正则化层、至少两个激活层、至少两个池化层以及1个全连接层；

所述至少两个卷积层的卷积核大小均为3*3；截断线性模块的截断阈值为1.5；激活层使用relu激活函数；池化层采用平均池化。

在其中一个实施例中，包括：所述反隐私隐藏检测模型包括5个卷积层，5个卷积层的特征维数分别为3，32，64，128，144；

和/或，所述全连接层使用144个神经元。

在其中一个实施例中，包括：所述反隐私隐藏检测模型包括4正则化层、至4激活层、4个池化层。

另一方面，本发明实施例提供一种图像隐私隐藏检测的装置，包括：

图像获取模块，用于获取待检测图像；

图像检测模块，用于将所述待检测图像输入经过训练的反隐私隐藏检测模型；所述反隐私隐藏检测模型为基于深度学习的卷积神经网络模型；

隐私隐藏检测模块，用于根据所述反隐私隐藏检测模型的输出，得到所述待检测图像的隐私隐藏检测结果；

其中，所述反隐私隐藏检测模型通过以下步骤训练得到：

将预设数据库中的每n张图像样本设为一个批次，n为大于或等于2的整数；

按批次将图像样本输入待训练的卷积神经网络模型参与训练，直到满足训练结束条件；

将所述数据库中所有图像样本参与所述卷积神经网络模型训练一次作为一轮训练，每训练m轮，所述卷积神经网络模型的学习率按照设定比例降低；m为大于或等于2的整数。

再一方面，本发明实施例提供一种计算机设备，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如上述任一实施例所述的图像隐藏信息检测的方法。

再一方面，本发明实施例提供一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述任一实施例所述的图像隐藏信息检测的方法。

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：对于待检测图像，首先基于深度学习的卷积神经网络，构建用于反隐私隐藏检的测模型，包括将预设数据库中的每n张图像样本设为一个批次，n为大于或等于2的整数；按批次将图像样本输入待训练的卷积神经网络模型参与训练，直到满足训练结束条件；将所述数据库中所有图像样本参与所述卷积神经网络模型训练一次作为一轮训练，每训练m轮，所述卷积神经网络模型的学习率按照设定比例降低；m为大于或等于2的整数；采用上述方式构建的反隐私隐藏检的测模型，对待检测的图像的隐私信息进行检测，可以有效检测出图像中的隐私信息，尤其是在图像中嵌入的隐私信息较少时，基于深度学习的反隐私隐藏检测模型，深度学习在提取弱特征方面表现良好，因而显著提高了载密图像中隐私信息的检测精度。

附图说明

图1为一实施例的图像隐藏信息检测的方法的示意性流程图；

图2为一实施例的待检测图像及其对应的特征图的示意图；

图3为一实施例的训练反隐私隐藏检测模型的示意性流程图；

图4为一实施例的反隐私隐藏检测模型的结构示意图；

图5为一实施例的图像隐藏信息检测的装置的示意性结构图；

图6为一个实施例中计算机设备的内部结构图。

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仅用以解释本发明，并不用于限定本发明。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

本申请提供的图像隐藏信息检测的方法，可以应用于计算机设备。其中，计算机设备可以终端设备或者服务器，所述终端设备包括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1所示，提供了一种图像隐藏信息检测的方法，包括以下步骤：

s110，获取待检测图像。

本发明实施例中，待检测图像中可以包含文字、数字、符号等隐私信息，这些隐私信息在图像中的位置可以是多种多样的，因此待检测图像中既可以有独立的隐私嵌入区域，也可以有叠加在背景图之上的隐私信息。

s120，将所述待检测图像输入经过训练的反隐私隐藏检测模型；所述反隐私隐藏检测模型为基于深度学习的卷积神经网络模型。

在一个实施例中，所述反隐私隐藏检测模型具体用于：对输入待检测图像进行多次卷积处理，得到待检测图像对应的特征图，并基于特征图识别其中的隐私信息。特征图是指神经网络对图像进行学习得到的中间对象，例如神经网络包含多层神经网络结构，特征图指的是中间层神经网络结构得到的图像信息。参见图2所示，对于输入的待检测图像(a)，神经网络中的网络结构可以得到(b)所示的特征图。

s130，根据所述反隐私隐藏检测模型的输出，得到所述待检测图像的隐藏信息的检测结果。

本发明实施例中，隐私信息可以是预设的字符信息或者图形信息，其具体形式和内容，均可以根据实际场景进行设定。

本发明实施例中，所述反隐私隐藏检测模型通过以下步骤训练得到：

将预设数据库中的每n张图像样本设为一个批次，n为大于或等于2的整数；若最后一个批次的图像样本小于n，对于训练的影响不大。所述图像样本为包含隐藏的载密信息的图像；按批次将n张图像样本一起输入待训练的卷积神经网络模型参与训练，直到满足训练结束条件；在其他情况下，也可以按批次将n张图像样本分多次输入待训练的卷积神经网络模型参与训练，直到满足训练结束条件。并且在训练过程中，还可以将所述数据库中所有图像样本参与所述卷积神经网络模型训练一次作为一轮训练，每训练m轮，所述卷积神经网络模型的学习率按照设定比例降低；m为大于或等于2的整数。

本发明实施例中，反隐私隐藏检测模型的检测结果，可以包括待检测图像中是否隐藏有隐私信息，还可以包括隐藏的隐私信息在图像中的位置信息，更进一步地，由于所述反隐私隐藏检测模型为深度学习的卷积神经网络模型，因此在反隐私隐藏检测模型的检测结果中，还可以包括图像中隐藏的隐私信息的具体内容。

在一个实施例中，在对反隐私隐藏检测模型进行训练之前，还可以包括构建用于训练的数据库的步骤，具体可以包括如下步骤：

s31，收集图像样本；

该步骤收集的图像样本可以是任意图像，图像的内容和像素不作限定。

s32，对所述图像样本进行预处理，包括将所述图像样本归一化为256*256像素，以及设置所述图像样本的维数为3维。

对于彩色图像样本，3维分别对应rgb三个通道，对于灰度图像样本和二值图像样本，则可以将像素点复制成为3份，由此将图像样本的维数设置为3维。

通过本步骤，将用于训练的图像样本的尺寸和维数统一，以消除不同尺寸和维数所带来的训练误差。

s33，对预处理之后的图像样本进行隐私嵌入处理，得到载密图像样本。

该步骤目的在于向图像样本中有意加入隐私信息，加入的隐私信息的内容和形式不限。并且，在本发明实施例中，对图像样本进行隐私嵌入处理，得到载密图像样本的具体手段也不作限定，包括但不限于fuseddm方法。

s34，根据多个所述载密图像样本，构建所述数据库。

通过上述实施例得到的数据库，其中的载密图像样本的尺寸和维度统一，并且载密图像样本中隐私信息已知(内容、嵌入形式、嵌入位置中的至少一项已知)，因此基于数据库可以实现反隐私隐藏检测模型的有效训练。

进一步地，在一些实施例中，在得到所述数据库之后，还包括：

s35，将预设数据库中的每20张图像样本设为一个批次；

s36，按批次将图像样本输入待训练的卷积神经网络模型参与训练，直到满足训练结束条件；

此外，针对待训练的卷积神经网络模型，还可以将反隐私隐藏检测模型对应的卷积神经网络的学习率初始化为0.0001；每训练10轮，卷积神经网络模型的学习率减半，由此可以快速完成反隐私隐藏检测模型对应的卷积神经网络的训练，缩短模型训练时间，并且获取更准确的结果。学习率初始化的值较大，有利于加速收敛，后续学校过程中，学习率逐渐减小，有利于获取更准确的结果。

在一些实施例中，反隐私隐藏检测模型的具体结构包括：至少两个卷积层、截断线性模块、至少两个正则化层、至少两个激活层、至少两个池化层以及1个全连接层。

在一个具体应用中，反隐私隐藏检测模型的结构可以参见图4所示，包括5个卷积层、1个截断线性模块、4个正则化层、4个激活层、4个池化层与1个全连接层，5个卷积层的特征维数可以分别为3、32、64、128、144，卷积核大小均为3*3。在一个例子中，第一个卷积层的权值初始化为高通滤波器的滤波核，第一个卷积层的高通滤波器滤波核k1、k2、k3具体可以为：

其中截断线性模块的截断阈值为1.5，截断线性模块可以表达为：

其中t为截断阈值，可以设定阈值为1.5。

激活层中设置有激活函数，常见的激活函数包括sigmoid、tanh、relu，通过激活函数以引入非线性因素。在一个实施例中，激活层的激活函数可以采用relu函数，即线性整流函数，又称修正线性单元，是一种神经网络中常用的激活函数，具有收敛快、求梯度简单的特征，其计算公式也很简单，对于输入的负数，输出全为0，对于输入的正值，则原样输出。也可以为其他能够消除和纠正梯度消失问题的激活函数。

池化层主要作用在于对从上一层输入的特征图进行压缩，一方面使特征信息量变小，简化网络计算复杂度；一方面进行特征图压缩，提取主要特征；常用的池化方式包括最大池化、求和池化和平均池化。在一个实施例中，反隐私隐藏检测模型中的池化层可以采用平均池化，池化层卷积核大小除最后一个池化层外，均为3*3，最后一个池化层卷积核为特征图大小，进行全局池化，池化层步长可以均为2，边缘部分采用复制的方式进行拓展。

全连接层中的每个神经元与其前一层的所有神经元进行全连接。全连接层可以前一层中具有类别区分性的局部信息；为了提升网络性能，全连接层每个神经元的激励函数一般采用relu函数，当然也可以采用其他能够避免和纠正梯度消失问题的激励函数。本发明实施例中，全连接层可以包含144个神经元，用于识别待检测图像对应的特征图中的隐私特征信息。

输出层，用于基于全连接层得到的隐私特征信息，输出所述待检测图像的隐私信息检测结果。

本发明实施例中，所述待检测图像的隐私信息检测结果包括但不限于以下至少一项：所述待检测图像中是否包含隐私信息，所述待检测图像中隐私信息的位置信息，所述待检测图像中隐私信息的嵌入方式，所述待检测图像中隐私信息的内容。

上述实施例的图像隐藏信息检测的方法，对于待检测图像，首先基于深度学习的卷积神经网络，构建用于反隐私隐藏检的测模型，包括将预设数据库中的每n张图像样本设为一个批次，n为大于或等于2的整数；按批次将图像样本输入待训练的卷积神经网络模型参与训练，直到满足训练结束条件；将所述数据库中所有图像样本参与所述卷积神经网络模型训练一次作为一轮训练，每训练m轮，所述卷积神经网络模型的学习率按照设定比例降低；m为大于或等于2的整数；采用上述方式构建的反隐私隐藏检的测模型，对待检测的图像的隐私信息进行检测，可以有效检测出图像中的隐私信息，尤其是在图像中嵌入的隐私信息较少时，基于深度学习的反隐私隐藏检测模型，显著提高了载密图像中隐私信息的检测精度。

应该理解的是，对于前述的各方法实施例，虽然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，方法实施例的流程图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。

基于与上述实施例中的图像隐藏信息检测的方法相同的思想，本文还提供图像隐藏信息检测的装置。

在一个实施例中，如图5所示，本实施例的图像隐藏信息检测的装置包括：

图像获取模块501，用于获取待检测图像；

图像检测模块502，用于将所述待检测图像输入经过训练的反隐私隐藏检测模型；所述反隐私隐藏检测模型为基于深度学习的卷积神经网络模型；

隐私隐藏检测模块503，用于根据所述反隐私隐藏检测模型的输出，得到所述待检测图像的隐私隐藏检测结果；

其中，所述反隐私隐藏检测模型通过以下步骤训练得到：

将预设数据库中的每n张图像样本设为一个批次，n为大于或等于2的整数；

按批次将图像样本输入待训练的卷积神经网络模型参与训练，直到满足训练结束条件；

将所述数据库中所有图像样本参与所述卷积神经网络模型训练一次作为一轮训练，每训练m轮，所述卷积神经网络模型的学习率按照设定比例降低；m为大于或等于2的整数。

上述实施例的图像隐藏信息检测的装置，首先基于深度学习的卷积神经网络，构建用于反隐私隐藏检的测模型，包括将预设数据库中的每n张图像样本设为一个批次，n为大于或等于2的整数；按批次将图像样本输入待训练的卷积神经网络模型参与训练，直到满足训练结束条件；将所述数据库中所有图像样本参与所述卷积神经网络模型训练一次作为一轮训练，每训练m轮，所述卷积神经网络模型的学习率按照设定比例降低；m为大于或等于2的整数；采用上述方式构建的反隐私隐藏检的测模型，对待检测的图像的隐私信息进行检测，可以有效检测出图像中的隐私信息，尤其是在图像中嵌入的隐私信息较少时，基于深度学习的反隐私隐藏检测模型，显著提高了载密图像中隐私信息的检测精度。

在其他实施例中，上述的所述卷积神经网络的学习率初始化为0.0001；每训练10轮，所述卷积神经网络模型的学习率减半。

在其他实施例中，上述的图像隐藏信息检测的装置还可以包括：数据库构建模块，该模块包括：

样本收集单元，用于收集图像样本；

预处理单元，用于对所述图像样本进行预处理，包括将所述图像样本归一化为256*256像素，以及设置所述图像样本的维数为3维；

载密单元，用于对预处理之后的图像样本进行隐私嵌入处理，得到载密图像样本；

以及，数据库构建单元，用于根据多个所述载密图像样本，构建所述数据库。

在其他实施例中，上述的图像隐藏信息检测的装置还可以包括：

图像处理模块，用于在图像检测模块502将所述待检测图像输入经过训练的反隐私隐藏检测模型之前，将所述待检测图像进行预处理，使其与所述数据库中图像样本的大小和维数一致。

在其他实施例中，上述的反隐私隐藏检测模型包括：至少两个卷积层、截断线性模块、至少两个正则化层、至少两个激活层、至少两个池化层以及1个全连接层；所述至少两个卷积层的卷积核大小均为3*3；截断线性模块的截断阈值为1.5；激活层使用relu激活函数；池化层采用平均池化。具体结构可以参见图4及其对应的实施例，不做赘述。

关于图像隐藏信息检测的装置的具体限定可以参见上文中对于图像隐藏信息检测的方法的限定，在此不再赘述。上述图像隐藏信息检测的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。

此外，上述示例的图像隐藏信息检测的装置的实施方式中，各程序模块的逻辑划分仅是举例说明，实际应用中可以根据需要，例如出于相应硬件的配置要求或者软件的实现的便利考虑，将上述功能分配由不同的程序模块完成，即将所述图像隐藏信息检测的装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分功能。

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，也可以是服务器，其内部结构图可以如图6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、网络接口和数据库。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、计算机程序和数据库。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。该计算机设备的数据库用于存储图像敏感信息检测装置数据。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隐藏信息检测的方法。

本领域技术人员可以理解，图6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：获取待检测图像；将所述待检测图像输入经过训练的反隐私隐藏检测模型；所述反隐私隐藏检测模型为基于深度学习的卷积神经网络模型；根据所述反隐私隐藏检测模型的输出，得到所述待检测图像的隐藏信息的检测结果；

其中，所述反隐私隐藏检测模型通过以下步骤训练得到：将预设数据库中的每n张图像样本设为一个批次，n为大于或等于2的整数；所述图像样本为包含隐藏的载密信息的图像；按批次将图像样本输入待训练的卷积神经网络模型参与训练，直到满足训练结束条件。

将所述数据库中所有图像样本参与所述卷积神经网络模型训练一次作为一轮训练，每训练m轮，所述卷积神经网络模型的学习率按照设定比例降低；m为大于或等于2的整数。

在一个实施例中，处理器执行计算机程序时还实现上述其他图像隐私信息检测方法实施例中的步骤。

上述实施例的计算机设备，对于待检测图像，首先基于深度学习的卷积神经网络，构建用于反隐私隐藏检的测模型，包括将预设数据库中的每n张图像样本设为一个批次，n为大于或等于2的整数；按批次将图像样本输入待训练的卷积神经网络模型参与训练，直到满足训练结束条件；将所述数据库中所有图像样本参与所述卷积神经网络模型训练一次作为一轮训练，每训练m轮，所述卷积神经网络模型的学习率按照设定比例降低；m为大于或等于2的整数；采用上述方式构建的反隐私隐藏检的测模型，对待检测的图像的隐私信息进行检测，可以有效检测出图像中的隐私信息，尤其是在图像中嵌入的隐私信息较少时，基于深度学习的反隐私隐藏检测模型，显著提高了载密图像中隐私信息的检测精度。

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：获取待检测图像；将所述待检测图像输入经过训练的反隐私隐藏检测模型；所述反隐私隐藏检测模型为基于深度学习的卷积神经网络模型；根据所述反隐私隐藏检测模型的输出，得到所述待检测图像的隐藏信息的检测结果；

其中，所述反隐私隐藏检测模型通过以下步骤训练得到：将预设数据库中的每n张图像样本设为一个批次，n为大于或等于2的整数；所述图像样本为包含隐藏的载密信息的图像；按批次将图像样本输入待训练的卷积神经网络模型参与训练，直到满足训练结束条件；

将所述数据库中所有图像样本参与所述卷积神经网络模型训练一次作为一轮训练，每训练m轮，所述卷积神经网络模型的学习率按照设定比例降低；m为大于或等于2的整数。

在一个实施例中，计算机程序被处理器执行时还实现上述其他图像隐私信息检测方法实施例中的步骤。

上述实施例的计算机可读存储介质，对于待检测图像，首先基于深度学习的卷积神经网络，构建用于反隐私隐藏检的测模型，包括将预设数据库中的每n张图像样本设为一个批次，n为大于或等于2的整数；按批次将图像样本输入待训练的卷积神经网络模型参与训练，直到满足训练结束条件；将所述数据库中所有图像样本参与所述卷积神经网络模型训练一次作为一轮训练，每训练m轮，所述卷积神经网络模型的学习率按照设定比例降低；m为大于或等于2的整数；采用上述方式构建的反隐私隐藏检的测模型，对待检测的图像的隐私信息进行检测，可以有效检测出图像中的隐私信息，尤其是在图像中嵌入的隐私信息较少时，基于深度学习的反隐私隐藏检测模型，显著提高了载密图像中隐私信息的检测精度。

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。

在上述实施例中，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，可以参见其它实施例的相关描述。

本文实施例的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或(模块)单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

在本文中提及的“第一\第二”仅用作区分，并不用于大小、先后、从属等方面的限定。可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序，或者，“第一\第二”区分的对象在适当情况下可以互换，以使这里描述的实施例能够以除了在这里图示或描述的那些实施例以外的方式实施。

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。