基于svm和opencv的图像色系风格标记方法、装置、设备及介质与流程

本发明涉及图像色系识别领域，尤其涉及一种基于svm和opencv的图像色系风格标记方法、装置、设备及介质。

背景技术：

目前，在确定对装修图片色系风格时，通常通过人工进行标记，该标记过程工作量大，识别效率低，且容易出错；因此，本领域人员亟需寻找一种技术方案解决上述提到的识别装修图片的色系风格存在的识别效率和精准率低的问题。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种基于svm和opencv的图像色系风格标记方法、装置、计算机设备及存储介质，用于提高识别装修图片中的色系风格的效率和精准率。

一种基于svm和opencv的图像色系风格标记方法，包括：

读取输入的装修图片，通过opencv提取所述装修图片的hsv颜色特征；所述hsv颜色特征包括从h颜色通道、s颜色通道和v颜色通道三个颜色通道对应的直方柱数据中提取的多维图像特征向量；

将所述多维图像特征向量输入至基于svm的分类预测模型进行初步预测后，输出所述装修图片的第一色系数据；所述第一色系数据包含至少一个第一色系风格及其概率值；所述基于svm的分类预测模型能识别并过滤掉所述装修图片中的干扰特征；

将所述h颜色通道、s颜色通道和v颜色通道三个颜色通道对应的直方柱数据输入至所述opencv进行hsv色系的过滤识别后，输出所述装修图片的第二色系数据；所述第二色系数据包含第二色系风格及其颜色比例；

在判定颜色比例最大的所述第二色系风格与概率值最大的所述第一色系风格一致时，确定概率值最大的所述第一色系风格为所述装修图片所属的色系风格，并在所述装修图片的预设位置上标记其所属的色系风格。

一种基于svm和opencv的图像色系风格标记装置，包括：

提取模块，用于读取输入的装修图片，通过opencv提取所述装修图片的hsv颜色特征；所述hsv颜色特征包括从h颜色通道、s颜色通道和v颜色通道三个颜色通道对应的直方柱数据中提取的多维图像特征向量；

第一输出模块，用于将所述多维图像特征向量输入至基于svm的分类预测模型进行初步预测后，输出所述装修图片的第一色系数据；所述第一色系数据包含至少一个第一色系风格及其概率值；所述基于svm的分类预测模型能识别并过滤掉所述装修图片中的干扰特征；

第二输出模块，用于将所述h颜色通道、s颜色通道和v颜色通道三个颜色通道对应的直方柱数据输入至所述opencv进行hsv色系的过滤识别后，输出所述装修图片的第二色系数据；所述第二色系数据包含第二色系风格及其颜色比例；

标记模块，用于在判定颜色比例最大的所述第二色系风格与概率值最大的所述第一色系风格一致时，确定概率值最大的所述第一色系风格为所述装修图片所属的色系风格，并在所述装修图片的预设位置上标记其所属的色系风格。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于svm和opencv的图像色系风格标记方法。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于svm和opencv的图像色系风格标记方法。

上述基于svm和opencv的图像色系风格标记方法、装置、计算机设备及存储介质，本发明在装修图片存在干扰特征下，还可通过基于svm的分类预测模型和opencv来判定装修图片所属的色系风格，因此通过本发明可进一步地提高识别装修图片中的色系风格的效率和精准率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中基于svm和opencv的图像色系风格标记方法的一应用环境示意图；

图2是本发明一实施例中基于svm和opencv的图像色系风格标记方法的一流程图；

图3是本发明一实施例中基于svm和opencv的图像色系风格标记装置的结构示意图；

图4是本发明一实施例中计算机设备的一示意图。

具体实施方式

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，所描述的实施例是本发明一部分实施例，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作出创造性劳动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。

本发明提供的基于svm和opencv的图像色系风格标记方法，可应用在如图1的应用环境中，其中，客户端通过网络与服务器进行通信。其中，客户端可以但不限于各种个人计算机、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。

在一实施例中，如图2所示，提供一种基于svm和opencv的图像色系风格标记方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：

s10，读取输入的装修图片，通过opencv提取所述装修图片的hsv颜色特征；所述hsv颜色特征包括从h颜色通道、s颜色通道和v颜色通道三个颜色通道对应的直方柱数据中提取的多维图像特征向量；

可理解地，装修照片能反映出该照片的色系风格，因此可通过识别出来的色系风格来确定出未落入装修图片的其他区域的装修色系分格，也可通过识别出来的色系风格来确定出客户喜好的装修色系分格等；opencv是一个基于bsd许可(开源)发行的跨平台计算机视觉库，可实现了图像处理和计算机视觉方面等多种通用算法，具体地，通过opencv可提取h颜色通道(hue，色调)、s颜色通道(aturation，饱和度)和v颜色通道(value，亮度)，而每个颜色通道可提取到64个直方柱数据，并可将提取的直方柱数据以特征图显示后从特征图提取出192维的图像特征向量(为上述提到的多维图像特征向量)。在本实施例中，通过opencv去提取的多维图像特征向量能非常直观表达出装修图片中各种色彩具有的色调、饱和度和亮度。

s20，将所述多维图像特征向量输入至基于svm的分类预测模型进行初步预测后，输出所述装修图片的第一色系数据；所述第一色系数据包含至少一个第一色系风格及其概率值；所述基于svm的分类预测模型能识别并过滤掉所述装修图片中的干扰特征；

可理解地，在机器学习领域中，svm是一个有监督的学习模型，svm可为一种带核或不带核的支持向量机，本实施例通过svm来进行分类；基于svm的分类预测模型输出的第一色系数据可为(第一色系风格)粉色-0.8(概率值，该概率值可被数据缩放至0到1中)；装修图片中的干扰特征是指可影响到对装修图片进行第一色系风格识别的特征，该干扰特征可包括但不限于阳光、灯光等。

在本实施例中，由于基于svm的分类预测模型能识别过滤掉装修图片中的干扰特征后，能以较高效率和高精准度确定出装修图片所属的第一色系数据(分类预测模型的分类结果)，本实施例以模型去代替opencv的直接识别装修图片的色系风格，可排除在opencv中干扰特征对色系风格识别过程的干扰，因此通过本实施例可避免影响装修图片对应的色系风格的精准度；且在opencv中识别过程前不需要调用与opencv相关的接口、在opencv中无需预先进行手动设置色系风格的区间和在识别过程中无需遍历装修图片所有区间的色系颜色，因此可避免影响装修图片对应的色系风格的识别效率。

s30，将所述h颜色通道、s颜色通道和v颜色通道三个颜色通道对应的直方柱数据输入至所述opencv进行hsv色系的过滤识别后，输出所述装修图片的第二色系数据；所述第二色系数据包含第二色系风格及其颜色比例；

可理解地，opencv进行hsv色系的过滤识别后输出的第二色系数据可包括第二色系风格以及第二色系风格所占的全部颜色的颜色比例，比如粉色-0.6等。

在本实施例中主要是为了避免基于svm的分类预测模型在训练过程由于模型的训练误差而造成该分类预测模型存在输出结果错误的现象，因此可借用opencv来识别装修图片后验证基于svm的分类预测模型的输出结果是否在合理范围内，但由于opencv不能识别并过滤掉装修图片的干扰特征，因此opencv输出的第二色系数据只能来验证基于svm的分类预测模型的输出结果是否在合理范围内而不能作为装修图片真正的色系风格的结果。

s40，在判定颜色比例最大的所述第二色系风格与概率值最大的所述第一色系风格一致时，确定概率值最大的所述第一色系风格为所述装修图片所属的色系风格，并在所述装修图片的预设位置上标记其所属的色系风格。

在本实施例中颜色比例最大的第二色系风格与概率值最大的第一色系风格一致时，则可以说明基于svm的分类预测模型的输出结果一定无误(本发明在一致的时候只考虑上述这种情况)，此时以概率值最大的第一色系风格为装修图片所属的色系风格，并可在装修图片的预设位置上标记其所属的色系风格以方便装修方或者用户的查看。

在另一实施例中，在判定所述第二色系风格与概率值最大的所述第一色系风格不一致时，在确定调用的opencv未存在过滤识别错误问题时，重新训练基于svm的分类预测模型以保证该分类预测模型的输出的概率值最大的所述第一色系风格与颜色比例最大的所述第二色系风格一致。

进一步地，所述通过opencv提取所述装修图片的hsv颜色特征，包括：

在所述装修图片为rgb图像时，利用所述opencv中的hsv颜色转换函数来将所述装修图片对应的rgb图像转换为hsv图像；

从所述hsv图像中的所述h颜色通道、s颜色通道和v颜色通道三个颜色通道同分别提取h直方柱数据、s直方柱数据和v直方柱数据；

自所述h直方柱数据、s直方柱数据和v直方柱数据中提取所述装修图片的hsv颜色特征对应的多维图像特征向量。

具体地，由于目前的装修图片大部分为rgb图像，而rgb图像提取不到hsv颜色特征，因此在确定出装修图片为rgb图像时，可先利用颜色转换空间对应的颜色转换函数来将装修图片对应的rgb图像转换为代表hsv颜色空间的hsv图像，其中，该颜色转换空间对应的颜色转换函数为cvtcolor(input,hsv,cv_bgr2hsv)，转换过程中可在确定出rgb图像中的红、绿和蓝的坐标(坐标值为0到1的实数)后，通过该颜色转换空间对应的颜色转换函数和红、绿和蓝的坐标来计算划分出h颜色通道、s颜色通道和v颜色通道三个颜色通道组成的hsv范围(hsv图像中包含着所有的hsv范围，hsv范围包括h范围、s范围和v范围)；然后通过opencv和hsv图像代表的hsv空间进行直方图均衡化后可提取到hsv图像中的三个颜色通道分别对应的h直方柱数据、s直方柱数据和v直方柱数据；最后在将提取的h直方柱数据、s直方柱数据和v直方柱数据以特征图的形式进行储存后，可通过储存的特征图的特征数值提取到一个上述的多维图像特征向量。

进一步地，所述将所述h颜色通道、s颜色通道和v颜色通道三个颜色通道对应的直方柱数据输入至所述opencv进行hsv色系的过滤识别后，输出所述装修图片的第二色系数据，包括：

在所述opencv中分析所述h颜色通道、s颜色通道和v颜色通道三个颜色通道对应的直方柱数据后，得到所述装修图片的二值图；

在所述opencv中对所述二值图进行图像分析后，得到所述二值图中的色系范围比值，并获取所述opencv根据所述二值图的色系范围比值对所述装修图片进行过滤识别后输出的包含所述第二色系风格的所述第二色系数据。

具体地，在opencv中首先可从得到h颜色通道、s颜色通道和v颜色通道三个颜色通道对应的直方柱数据中提取到下限值和上限值，将直方柱数据中的读入到vector<scalar>hsvlo，并将直方柱数据中的上限值读入到vector<scalar>hsvhi中(在此需要说明的是，要注意下限值和上限值读入的顺序，上限值和下限值也需要匹配，也即上限值和下限值是位于同一个直方柱数据)；然后通过opencv的函数inrange(hsv,hsvlo[i],hsvhi[i],imgthresholded)将每一种直方柱数据的上限值和下限值进行处理后，得到一个关于装修图片的二值图imgthresholded；最后对该二值图进行分析，以灰度图中的非零值做为基准，分析过程中运用matgray；cvtcolor(input,gray,cv_bgr2gray)；inttotalnonzero＝countnonzero(gray)计算出每种色系风格范围的二值图的非零值intnonezero＝countnonzero(imgthresholded)，通过该非零值计算出色系范围比值intratio＝nonezero/totalnonzero，并将装修图形的所有色系风格范围(颜色范围)的色系范围比值保存到一起后，过滤识别出最大值的色系风格以及最大值的色系风格所占全部色系分格的颜色比例，并通过最大值的色系风格以及最大值色系风格所占全部色系分格的颜色比例来确定出第二色系数据的第二色系风格。

进一步地，所述将所述多维图像特征向量输入至基于svm的分类预测模型进行初步预测之前，还包括：

获取具有样本多维图像特征向量的训练装修图像样本；所述样本多维图像特征向量中包含样本干扰特征；一个所述训练装修图像样本对应一种样本色系风格；

利用svm对具有样本干扰特征的所述样本多维图像特征向量进行分类训练，得到包含多种分类器的所述分类预测模型。

可理解地，一个训练装修图像样本对应一个样本多维图像特征，且每一个训练装修图像样本可以按照相同样本色系风格进行分类；样本干扰特征包括但不限于阳光、灯光等；具体地，训练过程种借用svm中的核函数(本训练过程中也可用核函数中的多项式核代替核函数中的高斯核，以核函数中的多项式核进行训练，需计算出样本多维图像特征向量所有可能的多项式，一个多项式可被理解成一种样本色系风格，且使用多项式核进行训练最后可得到多个分割线，分割线之间的区域可代表一种样本色系风格，本训练过程中可使用多项式核代替高斯核，是由于本次训练过程中的装修图像样本多，而样本多维图像特征向量少)，并设置惩罚参数，将训练装修图像样本中的多维图像特征向量(将训练装修图像样本中每个像素的原始r、g、b排列形成多维图像特征向量，多维图像特征向量包含了样本干扰特征，多维图像特征向量包含也多个特征数据，样本干扰特征相关的特征数据会在svm中被设置成较低的权重阈值，而除了样本干扰特征之外的特征数据会在svm中被设置成不同的权重阈值，相同样本色系风格的多维图像特征向量形成一个向量集合)进行分类训练(从样本多维图像特征向量按照设置的权重阈值提取特征数据去训练svm中的分类器，也即根据分类完成的向量集合训练出对应数量的分类器，一种分类器可代表一种样本色系风格，并可分类出一种样本色系风格以及属于该样本色系风格的概率值)，分类训练后可得到多个分类器的分类预测模型(可识别包含样本干扰特征的样本多维图像特征向量)。

进一步地，所述分类预测模型包括高斯核；所述利用svm对具有样本干扰特征的所述样本多维图像特征向量进行分类训练，包括：

利用gamma参数控制所述高斯核的宽度，利用正则化参数规定所述多维图像特征向量的重要度。

可理解地，gamma参数用于控制高斯核的宽度，gamma参数决定了样本多维图像特征向量与样本多维图像特征向量之间的距离；正则化参数用来限制每个样本多维图像特征向量的重要度。

进一步地，所述将所述多维图像特征向量输入至基于svm的分类预测模型进行初步预测，包括：

获取在所述分类预测模型中的svm内位于两种第一色系风格之间的支持向量；

通过所述分类预测模型中的高斯核，计算所述支持向量与输入至所述分类预测模型的所述多维图像特征向量之间的距离，根据所述距离确定所述多维图像特征向量的初步预测结果，并将所述初步预测结果记录为所述多维图像特征向量的所述第一色系数据。

可理解地，支持向量是指位于两个样本色系风格(可对应两个分类器)之间边界上的至少一个坐标点；而分类预测模型中的分类决策是基于多维图像特征向量与多维图像特征向量之间的距离以及在分类预测模型训练过程中学习到的支持向量重要度来进行决定的；上述提到的高斯核可计算出多维图像特征向量与支持向量之间的距离，高斯核公式为k(x1，x2)＝exp(-λ||x1-x2||²)，其中，x1和x2可分别代表多维图像特征向量与多维图像特征向量，||x1-x2||表示欧式距离，λ为控制高斯核宽度的参数；并通过距离的长度确定出属于多维图像特征向量的第一色系数据，具体地，在计算多维图像特征向量与各个支持向量之间距离后，确定出该距离同时在两种第一色系风格的预设距离范围内，也即确定出多维图像特征向量同时属于两种第一色系风格，但多维图像特征向量的只有小部分长度落入到其中一种第一色系风格的预设距离范围内，而多维图像特征向量的长度的大部分长度落入到另外第一一种色系风格的预设距离范围内，因此通过落入长度的多少来计算出多维图像特征向量属于第一色系数据中的第一色系风格的概率值。

进一步地，所述将所述多维图像特征向量输入至基于svm的分类预测模型进行初步预测后，输出所述装修图片的第一色系数据之后，还包括：

判断所述第一色系风格的概率值是否维持在预设数值范围内；

若所述第一色系风格的概率值未维持在所述预设数值范围时，则通过调整所述分类预测模型中的gamma参数或正则化参数将所述分类预测模型输出的所述第一色系风格的概率值数据缩放至所述预设数值范围内。

在本实施例中是为了将样本概率值数据数据缩放至预设数值范围从而可防止分类预测模型出现过拟合的现象。

综上所述，上述提供了一种基于svm和opencv的图像色系风格标记方法，通过基于svm的分类预测模型和opencv来判定装修图片所属的色系风格，可避免直接使用opencv去进行判定装修图片所属的色系风格，(opencv不能过滤掉阳光和灯光等干扰特征，因此opencv识别出的色系风格的准确率不高；且opencv中识别过程前需调用与opencv相关的接口、在opencv中需预先进行手动设置色系风格的区间和在识别过程中需遍历装修图片所有区间的色系颜色，上述三种情况会导致opencv识别效率低的问题)，因此通过上述方法可提高识别装修图片中的色系风格的效率和精准率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种基于svm和opencv的图像色系风格标记装置，该基于svm和opencv的图像色系风格标记装置与上述实施例中基于svm和opencv的图像色系风格标记方法一一对应。如图3所示，该基于svm和opencv的图像色系风格标记装置包括提取模块11、第一输出模块12、第二输出模块13和标记模块14。各功能模块详细说明如下：

提取模块11，用于读取输入的装修图片，通过opencv提取所述装修图片的hsv颜色特征；所述hsv颜色特征包括从h颜色通道、s颜色通道和v颜色通道三个颜色通道对应的直方柱数据中提取的多维图像特征向量；

第一输出模块12，用于将所述多维图像特征向量输入至基于svm的分类预测模型进行初步预测后，输出所述装修图片的第一色系数据；所述第一色系数据包含至少一个第一色系风格及其概率值；所述基于svm的分类预测模型能识别并过滤掉所述装修图片中的干扰特征；

第二输出模块13，用于将所述h颜色通道、s颜色通道和v颜色通道三个颜色通道对应的直方柱数据输入至所述opencv进行hsv色系的过滤识别后，输出所述装修图片的第二色系数据；所述第二色系数据包含第二色系风格及其颜色比例；

标记模块14，用于在判定颜色比例最大的所述第二色系风格与概率值最大的所述第一色系风格一致时，确定概率值最大的所述第一色系风格为所述装修图片所属的色系风格，并在所述装修图片的预设位置上标记其所属的色系风格。

进一步地，所述提取模块包括：

转换子模块，用于在所述装修图片为rgb图像时，利用所述opencv中的hsv颜色转换函数来将所述装修图片对应的rgb图像转换为hsv图像；

第一提取子模块，用于从所述hsv图像中的所述h颜色通道、s颜色通道和v颜色通道三个颜色通道同分别提取h直方柱数据、s直方柱数据和v直方柱数据；

第二提取子模块，用于自所述h直方柱数据、s直方柱数据和v直方柱数据中提取所述装修图片的hsv颜色特征对应的多维图像特征向量。

进一步地，所述第二输出模块包括：

分析子模块，用于在所述opencv中分析所述h颜色通道、s颜色通道和v颜色通道三个颜色通道对应的直方柱数据后，得到所述装修图片的二值图；

输出子模块，用于在所述opencv中对所述二值图进行图像分析后，得到所述二值图中的色系范围比值，并获取所述opencv根据所述二值图的色系范围比值对所述装修图片进行过滤识别后输出的包含所述第二色系风格的所述第二色系数据。

进一步地，所述基于svm和opencv的图像色系风格标记装置还包括：

获取模块，用于获取具有样本多维图像特征向量的训练装修图像样本；所述样本多维图像特征向量中包含样本干扰特征；一个所述训练装修图像样本对应一种样本色系风格；

训练模块，用于利用svm对具有样本干扰特征的所述样本多维图像特征向量进行分类训练，得到包含多种分类器的所述分类预测模型。

进一步地，所述训练模块包括：

控制子模块，用于在训练过程中，利用gamma参数控制所述高斯核的宽度，利用正则化参数规定所述样本多维图像特征向量的重要度。

进一步地，所述第一输出模块包括：

获取子模块，用于获取在所述分类预测模型中的svm内位于两种第一色系风格之间的支持向量；

确定子模块，用于通过所述分类预测模型中的高斯核，计算所述支持向量与输入至所述分类预测模型的所述多维图像特征向量之间的距离，根据所述距离确定所述多维图像特征向量的初步预测结果，并将所述初步预测结果记录为所述多维图像特征向量的所述第一色系数据。

进一步地，所述基于svm和opencv的图像色系风格标记装置还包括：

判断模块，用于判断所述第一色系风格的概率值是否维持在预设数值范围内；

数据缩放模块，用于若所述第一色系风格的概率值未维持在所述预设数值范围时，则通过调整所述分类预测模型中的gamma参数或正则化参数将所述分类预测模型输出的所述第一色系风格的概率值数据缩放至所述预设数值范围内。

关于基于svm和opencv的图像色系风格标记装置的具体限定可以参见上文中对于基于svm和opencv的图像色系风格标记方法的限定，在此不再赘述。上述基于svm和opencv的图像色系风格标记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。

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服务器，其内部结构图可以如图4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基于svm和opencv的图像色系风格标记方法中涉及到的数据。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基于svm和opencv的图像色系风格标记方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中基于svm和opencv的图像色系风格标记方法的步骤，例如图2所示的步骤s10至步骤s40。或者，处理器执行计算机程序时实现上述实施例中基于svm和opencv的图像色系风格标记装置装置的各模块/单元的功能，例如图3所示模块11至模块14的功能。为避免重复，这里不再赘述。

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上述实施例中基于svm和opencv的图像色系风格标记方法的步骤，例如图2所示的步骤s10至步骤s40。或者，计算机程序被处理器执行时实现上述实施例中基于svm和opencv的图像色系风格标记装置的各模块/单元的功能，例如图3所示模块11至模块14的功能。为避免重复，这里不再赘述。

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，本发明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。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。