一种图像中特定形状噪声去除方法、装置及计算机设备

1.本技术涉及图像检测识别技术领域，特别涉及一种图像中特定形状噪声去除方法、装置及计算机设备。


背景技术：

2.计算机视觉领域的飞速发展需要大量的图像数据作为支撑，在扫描场景下，图像通常具有较好的可读性。然而，图像的来源通常具有多样性，如从自然场景中拍摄或者是扫描的图像，在自然拍摄场景中，图像通常由手机等设备拍摄，这些图像往往包含扭曲，污损等。由于部分图像中包含特定形状噪声，会对图像的特征描述造成一些不必要干扰。此外，特定形状噪声主要是由图像中存在一些具有封闭曲线特征的形状像素点构成，其对图像中的特征也有部分干扰。
3.因此，如何提供一种图像中特定形状噪声去除方法，是目前亟待解决的问题。


技术实现要素：

4.本技术实施例提供了一种图像中特定形状噪声去除方法，以解决现有技术中由于图像中存在特定形状的噪声，会对图像中的特征产生干扰的问题。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
5.第一方面，本技术提供一种图像中特定形状噪声去除方法，包括以下步骤：
6.根据图像中特定形状噪声的特性，生成包含特定形状噪声的图像数据集；
7.训练并保存对图像进行特定形状噪声分割的图像分割网络，利用所述图像分割网络对图像数据集中的图像进行分割处理；
8.训练并保存去除特定形状噪声的生成对抗网络，将利用图像分割网络分割后的图像输入生成对抗网络，利用所述生成对抗网络去除图像中的特定形状噪声。
9.可选地，所述根据图像中特定形状噪声的特性，生成包含特定形状噪声的图像数据集的步骤，包括以下步骤：
10.随机选择特定形状，控制图形大小，批量生成包含特定形状噪声的二值化掩膜图像数据集；
11.随机选取若干图片作为背景图片，将包含特定形状噪声的二值化掩膜图像集中的图像分别融合到背景图片中，形成合成噪声图像数据集；
12.采集实际场景中包含特定形状噪声的图像，对该图像中的特定形状噪声位置进行标注，构建标注图像数据集。
13.可选地，所述包含特定形状噪声的二值化掩膜图像数据集的生成步骤，包括：随机选择一种形状，使图形的大小能完整地中心对齐地放在512*512像素的背景下，并随机对特定形状噪声进行平移和/或旋转。
14.可选地，所述合成噪声图像数据集的生成步骤，包括：
15.随机选取一张背景图像，采用对应像素值加权相加的方法将包含特定形状噪声的二值化掩膜图像与背景图像进行融合；
16.分别读取融合后图像的三通道图像数据，进行均匀采样，将采样值作为二值化掩膜图像的像素权值；
17.用1减去该像素权值作为背景图像的像素权值，再将二值化掩膜图像与背景图像的像素进行加权求和得到合成噪声图像。
18.可选地，所述分别读取融合后图像的三通道图像数据，进行均匀采样的步骤，其中采样的范围为0.2至0.8。
19.可选地，所述构建标注图像数据集的步骤，包括：采集实际场景中包含特定形状噪声的图像,对特定形状噪声边缘进行圈画，将特定形状噪声区域像素填充为0，非噪声区域像素值填充为255。
20.可选地，所述训练与保存对图像进行特定形状噪声分割的图像分割网络的步骤，包括以下步骤：
21.随机选取特定形状生成m张二值化掩膜图像，并随机选择m张背景图像，分别与生成的m张二值化掩膜图像一一融合，生成m张合成噪声图像，将一张二值化掩膜图像与由其生成的合成噪声图像作为一组输入数据，共m组数据；收集n张实际场景中的图像，并分别对其噪声位置进行标注，构建n张标注图像，将一张收集的实际场景中的图像与由其构建的标注图像作为一组输入数据，共n组数据，m和n均为正整数。
22.可选地，所述训练与保存对图像进行特定形状噪声分割的图像分割网络的步骤，还包括以下步骤：对合成噪声图像进行预处理，读取其bgr三通道的图像，对读取的图像进行大小处理，将其统一归一化为512*512像素的大小，并对归一化后的图像进行概率为0.2-0.4的数据增强操作，将数据增强后的图像进行水平翻转和旋转角度不超过10度的旋转操作，再将旋转操作后的图像转换为rgb通道图像。
23.可选地，所述训练并保存对图像进行特定形状噪声分割的图像分割网络的步骤，包括以下步骤：
24.构建对图像进行特定形状噪声分割的图像分割网络，定义图像分割损失函数；
25.利用所述图像分割网络对合成噪声图像进行分割处理，输出分割特定形状噪声后的二值化掩膜图像；
26.利用随机梯度下降优化器优化所述图像分割网络，利用图像分割损失函数训练所述图像分割网络；
27.在合成噪声图像数据上，利用图像分割网络进行分割训练迭代j次后保存其第一网络权重，以第一网络权重进行初始化，利用初始化后的图像分割网络对标注图像分割进行训练，迭代k次后保存其第二网络权重，j和k均为正整数。
28.可选地，所述训练并保存对图像进行特定形状噪声分割的图像分割网络的步骤，还包括：
29.利用第二网络权重，对未参与训练的新的样本图像进行测试。
30.可选地，所述训练并保存去除特定形状噪声的生成对抗网络的步骤，包括以下步骤：
31.构建特定形状噪声去除的生成对抗网络，定义生成对抗损失函数；
32.利用随机梯度下降优化生成对抗网络，利用生成对抗损失函数训练生成对抗网络；
33.在合成噪声图像数据上，将利用图像分割网络第一网络权重得到的二值化掩膜图像输入生成对抗网络进行网络迭代p次后保存其第三网络权重，通过第三网络权重进行初始化，利用初始化后的生成对抗网络对标注图像进行训练，将利用图像分割网络第二网络权重得到的二值化掩膜图像输入生成对抗网络进行网络迭代q次后，得到第四网络权重，p和q均为正整数。
34.可选地，所述生成对抗网络包括生成器和判别器，所述生成对抗损失函数包括生成器损失函数和判别器损失函数。
35.可选地，所述训练并保存去除特定形状噪声的生成对抗网络的步骤，还包括：利用第四网络权重，对未参与训练的新的样本图像进行测试。
36.可选地，在对所述图像分割网络和和生成器进行训练时，学习率设置为2e-5至4e-5，在对判别器进行训练时，学习率设置为5e-6至2e-5。
37.第二方面，本技术提供一种图像中特定形状噪声去除装置，该装置采用如上任一项所述的图像中特定形状噪声去除方法中的步骤，去除图像中特定形状噪声。
38.第三方面，本技术提供一种计算机设备，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程序，其特征在于，所述处理器执行所述程序时实现如上任一所述的图像中特定形状噪声去除方法中的步骤。
39.本技术实施例提供的技术方案可以包括以下有益效果：
40.通过生成特定形状噪声图像数据集用于网络的训练，并且先通过图像分割网络进行分割处理，然后再利用图像分割网络分割处理后的图像进行生成对抗网络的训练，可以准确地使网络学习到特定形状噪声的位置，具有更好的去噪能力，具有更强的鲁棒性。
41.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
42.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
43.图1是根据一示例性实施例示出的一种图像中特定形状噪声去除方法的流程示意图；
44.图2是根据一示例性实施例示出的图像分割网络的结构示意图；
45.图3是根据一示例性实施例示出的生成对抗网络的结构示意图；
46.图4是根据一示例性实施例示出的计算机设备的结构示意图。
具体实施方式
47.以下描述和附图充分地示出本文的具体实施方案，以使本领域的技术人员能够实践它们。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本文的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同
物。本文中，术语“第一”、“第二”等仅被用来将一个元素与另一个元素区分开来，而不要求或者暗示这些元素之间存在任何实际的关系或者顺序。实际上第一元素也能够被称为第二元素，反之亦然。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结构、装置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结构、装置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，并不排除在包括所述要素的结构、装置或者设备中还存在另外的相同要素。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
48.本文中的术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本文和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。在本文的描述中，除非另有规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
49.本文中，除非另有说明，术语“多个”表示两个或两个以上。
50.本文中，字符“/”表示前后对象是一种“或”的关系。例如，a/b表示：a或b。
51.本文中，术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，a和/或b，表示：a或b，或，a和b这三种关系。
52.在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
53.如图1所示，本技术实施例提供了图像中特定形状噪声去除方法，包括以下步骤：根据图像中特定形状噪声的特性，生成包含特定形状噪声的图像数据集；训练并保存对图像进行特定形状噪声分割的图像分割网络，利用所述图像分割网络对图像数据集中的图像进行分割处理；训练并保存去除特定形状噪声的生成对抗网络，将利用图像分割网络分割后的图像输入生成对抗网络，利用所述生成对抗网络去除图像中的特定形状噪声。
54.在一个实施例中，根据图像中特定形状噪声的特性，生成包含特定形状噪声的图像数据集的步骤，包括：
55.随机选择一种形状，并合理控制图形的大小，使其能完完整整中心对齐地放在512*512像素的背景下，然后，随机对特定形状噪声进行平移和旋转。
56.随机选取一张背景图像，采用对应像素值加权相加的方法将包含特定形状噪声的二值化掩膜图像与背景图像进行融合，分别读取三通道的图像数据，然后从0.2至0.8进行均匀采样，采样值作为二值化掩膜图像的像素权值，用1减去该权值，即为背景图像的像素权值，最后将两张图像的像素进行加权求和得到最终的合成噪声图像。
57.可选地，随机选取一张背景图像，采用对应像素值加权相加的方法将包含特定形状噪声的二值化掩膜图像与背景图像进行融合，分别读取三通道的图像数据，然后从0.3至0.7进行均匀采样，采样值作为二值化掩膜图像的像素权值，用1减去该权值，即为背景图像的像素权值，最后将两张图像的像素进行加权求和得到最终的合成噪声图像。
58.采集实际场景中的图像，人工对图像进行标注，对特定形状噪声边缘进行圈画，并将特定形状噪声区域像素值填充为0，非噪声区域像素值填充为255。
59.在一个实施例中，所述根据图像中特定形状噪声的特性，生成包含特定形状噪声的图像数据集的步骤，包括：
60.根据特定形状，并合理控制图形的大小，生成包含特定形状噪声的二值化掩膜图像；选取背景图像，将其填充(padding)到512*512像素的大小，并将包含特定形状噪声的二值化掩膜图像融合到背景图像上；批量生成大量的特定形状噪声的二值化掩膜图，随机选取一张图像作为背景图像，将其融合到背景图像中，同时保留标注信息，构建包含特定形状噪声合成图像数据集；采集实际场景中包含特定形状噪声的图像数据，利用photoshop或者其他类似软件针对特定形状噪声位置进行人工标注，构建标注图像数据集。
61.在一个实施例中，所述训练并保存对图像进行特定形状噪声分割的图像分割网络，利用所述图像分割网络对图像数据集中的图像进行分割处理的步骤，包括：
62.数据准备：随机选取特定形状生成1000-3000张二值化掩膜图像，并随机选取1000-3000张背景图像进行合成操作，生成合成噪声图像，将一张二值化掩膜图像与由其生成的合成噪声图像为一组输入，共1000-3000组数据；收集50-100张实际场景中图像，利用photoshop或者其他类似软件对特定形状噪声进行标注，将标注图像与实际场景中采集的原图像作为一组输入，共50-100组数据；
63.可选地，随机选取特定形状生成2000张二值化掩膜图像，并随机选取2000张背景图像进行合成操作，生成2000张合成噪声图像，将一张生成的二值化掩膜图像与由其生成的合成噪声图像作为一组输入数据，共2000组数据；收集70张实际场景中图像，利用photoshop或者其他类似软件对特定形状噪声进行人工标注，将一张实际场景中采集的原图像与由其构建的标注图像作为一组输入，共70组数据。
64.数据处理：对合成噪声图像进行预处理，首先读取bgr三通道的图像，对图像进行大小的处理，将其统一归一化为512*512的大小，并对图像进行概率为0.2-0.4的数据增强操作，将图像进行水平翻转和旋转角度不超过10度的旋转操作，最后，将旋转操作后的图像转换为rgb通道图像。
65.可选地，上述图像数据增强操作的概率为0.3。
66.构建对图像进行特定形状噪声分割的图像分割网络segunet，请参照图2，本实施例图像分割网络segunet具有u型网络结构，将完成数据处理后的图像输入到分割网络中，其中，经过卷积(64个3*3卷积核，步长为2)、leaky relu(leaky rectified linearunit，渗漏整流线性单元，属于激活函数的一种，解决了网络反向传播过程中参数更新的问题，加快了模型的收敛，并解决了梯度消失问题)操作得到a1；a1经过卷积(128个3*3卷积核，步长为2)、leaky relu操作得到a2；a2经过卷积(256个3*3卷积核，步长为2)、leaky relu操作得到a3；a3经过卷积(512个3*3卷积核，步长为2)、leaky relu操作得到a4；a4经过空洞卷积(512个3*3卷积核，步长为1，膨胀比率为2)、leaky relu操作得到d1；d1经过空洞卷积(512个3*3卷积核，步长为1，膨胀比率为4)、leaky relu操作得到d2；d2经过空洞卷积(512个3*3卷积核，步长为1，膨胀比率为8)、leaky relu操作得到d3；d3经过空洞卷积(512个3*3卷积核，步长为1，膨胀比率为16)、leaky relu操作得到d4；d4通过反卷积(256个3*3卷积核，步长为1)、leaky relu操作、连接a4层得到b1；b1通过反卷积(128个3*3卷积核，步长为1)、leaky relu操作、连接a3层得到b2；b2通过反卷积(64个3*3卷积核，步长为1)、leaky relu操作、连接a2层得到b3；b3通过反卷积(1个3*3卷积核，步长为1)、sigmoid(s型函数，属于激活函数
的一种，用以解决网络反向传播过程中参数更新的问题，加快模型的收敛)操作、连接a1层得到b4；最后，输出分割特定形状噪声后的二值化掩膜图像；
67.定义损失函数，其计算公式为：
[0068][0069]
上式中第一项∑
x,ygx,y
log(p
x,y
)为交叉熵损失，第二项为dice损失，其中p
x,y
和g
x,y
分别代表图像分割网络输出图像和真实值在图像(x,y)处的像素值，λb和λd为超参数，分别代表其损失的权重值；
[0070]
利用adam随机梯度下降优化器优化上述图像分割网络segunet，并以上述损失函数训练，在合成噪声图像数据上，利用图像分割网络segunet迭代50-200次后保存其第一网络权重，然后，通过以第一网络权重进行初始化，对人工标注的标注图像数据进行训练，将其送入图像分割网络segunet进行训练，迭代500-2000次后保存其第二网络权重。
[0071]
可选地，在合成噪声图像数据上，利用图像分割网络segunet迭代100次后保存其第一网络权重，然后，通过以第一网络权重进行初始化，对人工标注的标注图像数据进行训练，将其送入图像分割网络segunet进行训练，迭代1000次后保存其第二网络权重。
[0072]
可选地，在一个实施例中，利用保存的第二网络权重对未参与训练的新的样本图像进行测试。
[0073]
在一个实施例中，训练并保存去除特定形状噪声的生成对抗网络的步骤，包括以下步骤：
[0074]
利用保存好的图像分割网络segunet的第二网络权重对上述实施例中数据处理后的图像进行处理，获取分割后的二值化掩膜图像，将其和原始图像为一组数据输入生成对抗网络的生成器中，得到去除特定形状噪声后的图像，再将其送入判别器中。
[0075]
在一个实施例中，生成器由粗制子网络和精炼子网络构成，其结构如图3所示，将segunet分割得到的二值化掩膜图像和原始图像输入到生成对抗网络中，其中，经过门控卷积(128个5*5卷积核，步长为1)、leaky relu操作得到a1；a1经过门控卷积(128个5*5卷积核，步长为1)、leaky relu操作得到a2；a2经过门控卷积(256个3*3卷积核，步长为2)、leaky relu操作得到a3；a3经过门控卷积(256个3*3卷积核，步长为1)、leaky relu操作得到a4；a4经过门控卷积(256个3*3卷积核，步长为2)、leaky relu操作得到a5；a5经过门控卷积(256个3*3卷积核，步长为1)、leaky relu操作得到a6；a6经过门控卷积(512个3*3卷积核，步长为1)、leaky relu操作得到a7；a7经过门控卷积(512个3*3卷积核，步长为2)、leaky relu操作得到a8；a8经过门控卷积(512个3*3卷积核，步长为1)、leaky relu操作得到a9；a9经过门控卷积(1024个3*3卷积核，步长为2)、leaky relu操作得到a10；a10经过门控卷积(1024个3*3卷积核，步长为2)、leaky relu操作得到a11；a11经过门控卷积(1024个3*3卷积核，步长为1)、leaky relu操作得到a12；a12经过门控反卷积(1024个3*3卷积核，步长为1)、leaky relu操作、连接a10层得到c1；c1经过门控反卷积(512个3*3卷积核，步长为1)、leaky relu操作、连接a8层得到c2；c2经过门控反卷积(512个3*3卷积核，步长为1)、leaky relu操作、
连接a6层得到c3；c3经过门控反卷积(256个3*3卷积核，步长为1)、leaky relu操作、连接a4层得到c4；c4经过门控反卷积(3个3*3卷积核，步长为1)得到c5；至此，生成器的粗制网络搭建完成；c5经过门控卷积(128个5*5卷积核，步长为1)、leaky relu操作得到r1；r1经过门控卷积(256个3*3卷积核，步长为2)、leaky relu操作得到r2；r2经过门控卷积(256个3*3卷积核，步长为1)、leaky relu操作得到r3；r3经过门控卷积(512个3*3卷积核，步长为2)、leaky relu操作得到r4；r4经过门控卷积(512个3*3卷积核，步长为1)、leaky relu操作得到r5；r5经过门控卷积(512个3*3卷积核，步长为1)、leaky relu操作得到r6；再经过4次空洞卷积(512个3*3卷积核，步长为1)，其膨胀比率分别为2、4、8、16得到d1、d2、d3、d4；d4经过门控卷积(512个3*3卷积核，步长为1)、leaky relu操作得到b1；b1经过门控卷积(512个3*3卷积核，步长为1)、leaky relu操作得到b2；b2经过门控卷积(512个3*3卷积核，步长为1)、leaky relu操作、连接r6得到b3；b3经过门控卷积(256个3*3卷积核，步长为1)、leaky relu操作、连接a4得到b4；b4经过门控卷积(256个3*3卷积核，步长为1)、leaky relu操作、连接r3得到b5；b5经过门控卷积(128个3*3卷积核，步长为1)、leaky relu操作、连接a2得到b6；b6经过门控卷积(128个3*3卷积核，步长为1)、leaky relu操作得到b7；b7经过门控卷积(128个3*3卷积核，步长为1)得到b8；最后，输出去除特定形状噪声后的图像。
[0076]
在一个实施例中，判别器为一个二分类的卷积神经网络，其将生成器输出去除特定形状噪声后的图像与真实的图像送入判别器，判别器的结构为卷积层(64*5*5，步长为1)
→
spectral_norm(谱归一化，利用幂迭代法计算的权矩阵的谱范数对权张量进行缩放，使生成对抗网络判别器的训练稳定)
→
leakyrelu
→
卷积层(128*3*3，步长为2)
→
spectral_norm
→
leakyrelu
→
卷积层(256*3*3，步长为2)
→
spectral_norm
→
leakyrelu
→
卷积层(512*3*3，步长为2)
→
spectral_norm
→
leakyrelu
→
卷积层(512*3*3，步长为2)
→
spectral_norm
→
leakyrelu
→
卷积层(512*3*3，步长为2)
→
spectral_norm
→
leakyrelu
→
卷积层(1*4*4,步长为1)
→
sigmoid。
[0077]
定义生成器损失函数与判别器损失函数，生成器损失函数如下：
[0078]
设包含特定形状噪声的原图像为i，二值化掩膜图像为m，不带噪声标注图像为ig，图像分割网络输出图像为om，生成器粗略输出图像为oc，精细输出图像为or，g为生成器，d为判别器，s为sobel算子(索贝尔算子)，即两个3*3的卷积核；
[0079]
生成器损失函数的计算式表示为：
[0080]
l
total
＝λclc+λglg+λeleꢀꢀ
(2)
[0081]
其中，λc、λg和λe都为可以调整的超参数；
[0082]
lc为图像内容损失，计算公式如下所示：
[0083][0084]
其中，λb为图像背景权重，λs为图像噪声权重；
[0085]
lg为对抗损失，计算公式如下所示：
[0086]
[0087]
其中，代表满足分布为pi(i)的i的期望；
[0088]
le为边缘损失，计算公式如下如下所示：
[0089]
le＝||s(or)-s(ig)||1ꢀꢀ
(5)
[0090]
判别器损失函数的计算式表示为：
[0091][0092]
其中，代表满足分布为p
data
(ig)的ig的期望。
[0093]
利用随机梯度下降优化器优化生成对抗网络，利用生成器损失函数与判别器损失函数训练生成对抗网络，将利用图像分割网络segunet第一网络权重得到的二值化掩膜图像送入生成对抗网络，迭代50-200次后保存其第三网络权重，通过第三网络权重进行初始化，对标注图像进行训练，将利用图像分割网络segunet第二网络权重得到二值化掩膜图像送入生成对抗网络进行训练，迭代500-2000次后，得到第四网络权重。
[0094]
在一个实施例中，将利用图像分割网络segunet第一网络权重得到的二值化掩膜图像送入生成对抗网络，迭代100次后保存其第三网络权重，通过第三网络权重进行初始化，对标注图像进行训练，将利用图像分割网络segunet第二网络权重得到二值化掩膜图像送入生成对抗网络，迭代1000次后，得到第四网络权重。
[0095]
在一个实施例中，在得到第四网络权重后，利用第四网络权重对未参与训练的新的样本图像进行测试。
[0096]
在一个实施例中，在训练图像分割网络segunet和生成器时，其学习率大小设置为2e-5-4e至5，训练判别器时，学习率设置为5e-6至2e-5。
[0097]
可选地，在训练图像分割网络segunet和生成器时，其学习率大小设置为3e-5，训练判别器时，学习率设置为1e-5。
[0098]
在一个实施例后，在得到第四网络权重后，通过生成器得到特定形状噪声去除后的图像，计算其相应的损失值后，通过反向传播进行网络参数的更新，直到网络收敛后，再保存训练好的生成对抗网络的网络模型。
[0099]
本方法通过生成包含特定形状噪声的图像数据集用于网络的训练，对图像数据预处理，首先将预处理后的图像数据输入到图像分割网络中，得到对特定形状噪声位置进行分割的二值化掩膜图。然后，将原始图像和分割的二值化掩膜图输入到生成器中，得到去除特定形状噪声后的图像，送入判别器中。该方法通过在生成对抗网络之前加入图像分割网络,能够更准确地使网络学习到特定形状噪声的位置信息，鲁棒性强且去噪效果更好。
[0100]
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、存储器和网络接口。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静态信息和动态信息数据。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上述方法实施例中的步骤。
[0101]
本领域技术人员可以理解，图4中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术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。
[0102]
在一个实施例中，还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上述方法实施例中的步骤。
[0103]
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，该计算机程序被处理器执行时实现上述方法实施例中的步骤。
[0104]
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，本技术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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static randomaccess memory，sram)或动态随机存取存储器(dynamic randomaccess memory，dram)等。
[0105]
需要说明的是，以上描述仅为本技术的一些实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本技术中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本技术中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
[0106]
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本技术的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
[0107]
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。