基于图像识别的作物夹角测量方法及其应用与流程

1.本技术涉及植物表型测量技术领域，特别是一种涉及基于图像识别的作物夹角测量方法及其应用。


背景技术：

2.在作物的育种、理想株型选择上，作物在发育生长过程中植物株型上会表现出各种各样的性状，如研究表明，水稻的剑叶及茎秆的角度与水稻产量密切相关；玉米的理想株型是紧凑型的，紧凑型的判断需要综合多种参数进行评价。
3.因此，合理的个体株型能够提高农田作物种群的光能截获能力，同时能够改善种群内竞争关系，为提高群体产量提供可能。目前，越来越多相关研究者投入表型和基因的关系，对株型分析的效率提出了新要求，传统的人工测量方法已不能满足目前育种和科研市场对相关分析的要求，因此，高效、便捷、准确获取作物相关参数的测量设备的开发是亟待解决的问题。
4.目前已有的夹角测量类型有机械式的、图像处理技术方面的，有的实际操作较繁琐，有的对拍摄环境要求比较高同时不具有便捷性，影响到室外、活体的测量使用。
5.因此，亟待一种高效、便携、准确的基于图像识别的作物夹角测量方法及其应用，以解决现有技术存在的问题。


技术实现要素：

6.本技术实施例提供了一种基于图像识别的作物夹角测量方法及其应用，针对目前技术存在的操作繁琐、不具有便捷性等问题。
7.本发明核心技术主要是先对作物夹角图像进行矫正，再对图像进行不同颜色空间分割及阴影检测，最后进行骨架分析，识别夹角和拟合连接边，得到作物夹角的角度参数及对应的三顶点。
8.第一方面，本技术提供了一种基于图像识别的作物夹角测量方法，所述方法包括以下步骤：s100、获取作物夹角图像，对作物夹角图像进行标定物检测和方向判断处理，得到矫正图；s200、对矫正图分别进行阴影检测以及不同的颜色空间变换并融合为最终分割图；s300、对最终分割图进行骨架分析，识别定位所测夹角及连接边的拟合直线，得到作物夹角的角度参数及对应的三顶点。
9.进一步地，步骤s100的具体步骤为：s110、借助背景板和设于该背景板上的标定物对作物夹角图像进行标定物识别，获取标定物位置；s120、根据标定物位置对作物夹角图像进行矫正，得到矫正图。
10.进一步地，步骤s200中，具体步骤为：s210、对矫正图进行不同的颜色空间变换并分割融合得到二值图，同时对矫正图进行阴影检测得到阴影分割图；s220、对阴影分割图和二值图做减法运算，以消除阴影得到最终分割图。
11.进一步地，步骤s300的具体步骤为：s310、对最终分割图进行骨架提取，保留最大的骨架连通域，以得到骨架图；s320、根据骨架图提取端点集合和关节点集合；s330、基于端点集合和关节点集合对所测角度的夹角进行定位；s340、确定所测角度的夹角的两条连接边并拟合直线；s350、根据两条连接边计算角度并确定角度的三顶点，以得到作物夹角的角度参数及对应的三顶点。
12.进一步地，步骤s330的具体步骤为：s331、对骨架图做形态学膨胀操作；s332、通过凸包凸缺陷检测法找出形态学膨胀操作后的图像中轮廓的所有凹点，并选择最深的凹点为目标角度的大致位置；s333、调整该目标角度的大致位置至关节点集合中欧氏距离最接近的关节点，完成所测角度的夹角定位。
13.进一步地，步骤s340的具体步骤为：s341、计算最终分割图的距离变换图，并记录关节点集合中欧氏距离最接近的关节点处对应的值；s342、以该关节点为中心，选取背景区域和感兴趣区域，且该背景区域位于感兴趣区域内；s343、在感兴趣区域内搜索所有连通域并排序；s344、按照与关节点集合中欧氏距离最接近的关节点的位置关系，将排序后的所有连通域分为第一类集合和第二类集合；s345、根据第一类集合和第二类集合的特点，确定所测角度关联的两条连接边的像素集合；s346、对像素集合进行直线拟合，得到第一直线方程和第二直线方程。
14.进一步地，步骤s350的具体步骤为：s351、计算第一直线方程和第二直线方程的交点；s352、分别计算两条连接边的像素集合中与交点的最远点，取与对应连接边的方向一致且与交点位于指定距离内的两个最远点作为顶点，以得到所测角度的三顶点。
15.第二方面，本技术提供了一种基于图像识别的作物夹角测量装置，包括：矫正模块，用于获取作物夹角图像，对作物夹角图像进行标定物检测和方向判断处理，得到矫正图；分割模块，用于对矫正图分别进行阴影检测以及不同的颜色空间变换并融合为最终分割图；分析模块，用于对最终分割图进行骨架分析，识别定位所测夹角及连接边的拟合直线，得到作物夹角的角度参数及对应的三顶点；
输出模块，用于输出作物夹角的角度参数及对应的三顶点。
16.第三方面，本技术提供了一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述的基于图像识别的作物夹角测量方法。
17.第四方面，本技术提供了一种可读存储介质，可读存储介质中存储有计算机程序，计算机程序包括用于控制过程以执行过程的程序代码，过程包括根据上述的基于图像识别的作物夹角测量方法。
18.本发明的主要贡献和创新点如下：1、与现有技术相比，本技术借助在特定背景板上获取作物夹角图像，将图像进行标定物检测及方向判断处理，得到矫正图，从而显著方便了后续进行图像分析处理，也不需要借助传统的机械式方式来进行调整，从而显著降低了操作繁琐程度；2、与现有技术相比，本技术的背景板方便携带，且只需要借助该背景板拍摄后并矫正该图像，后续的图像处理即可精确得到作物夹角的角度参数及对应的三顶点，对于拍摄环境的要求更低，而且也不影响室外、活体的测量使用。
19.本技术的一个或多个实施例的细节在以下附图和描述中提出，以使本技术的其他特征、目的和优点更加简明易懂。
附图说明
20.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：图1是根据本技术实施例的基于图像识别的作物夹角测量方法的流程；图2是本发明实施例分割效果示意图；图3是本发明中所测夹角效果示意图；图4是根据本技术实施例的电子装置的硬件结构示意图。
具体实施方式
21.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
22.需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
23.目前已有的夹角测量类型有机械式的、图像处理技术方面的，有的实际操作较繁琐，有的对拍摄环境要求比较高同时不具有便捷性，影响到室外、活体的测量使用。
24.基于此，本发明基于图像识别来解决现有技术存在的问题。
25.实施例一本技术旨在提出基于图像识别的作物夹角测量方法，通过对采集的图像进行图像处理，获得分割图和骨架图，将骨架信息、轮廓信息、直线信息进行融合分析，借助凸缺陷检测、直线检测拟合等，得到作物夹角的角度参数及对应的三个顶点信息。直接对作物夹角图像信息进行处理和分析，实现了作物夹角测量的自动化，提高了作物夹角测量的效率和准确性。
26.具体地，本技术实施例提供了一种基于图像识别的作物夹角测量方法，可以，具体地，参考图1，所述方法包括以下步骤：s100、获取作物夹角图像，对作物夹角图像进行标定物检测和方向判断处理，得到矫正图；s110、借助背景板和设于该背景板上的标定物对作物夹角图像进行标定物识别，获取标定物位置；其中，在作物夹角测量时，拍照装置放置的灵活性，使得所关注的测量的角度在采集的图像上朝向可能会发生改变，这时需要借助背景板上标定物的位置进行矫正。
27.因此本实施例中采用的为两个间隔固定距离的两个圆，圆的颜色设置为黑色。本实施例对标定物的形式不作具体限定。对标定圆的具体检测步骤为：首先，rgb彩色图像转换为灰度图，在灰度图上采用局部阈值分割法获得二值图，像素值大于0的为前景，值为0的为背景，进而利用轮廓查找法获取前景中的所有连通域，对每个连通域进行特征计算，如面积a、最小外接圆半径r；计算连通域与对应最小外接圆的吻合程度，以此度量该连通域的圆度，采用公式1如下：ratio=a/(r*π2)
ꢀꢀꢀ
（1）当ratio大于阈值时，则该连通域为候选圆。最后在多个候选圆中，按面积从小到大排序，选定两面积之比最接近1的两候选圆确定为最后的检测圆（标定圆）。然后根据所述两检测圆的位置方向进行矫正，所述两检测圆的圆心连线在图像上的位置有四种情况：上边、下边、左边、右边，如果处于上边，则需要对图像做上下翻转，如果处于左边和右边，则需要先做90度旋转及上下翻转。经此操作，保证两个圆在图像的下方，便于后续角度定位、角度关联边的查找确定、以及角度计算、角度对应三顶角确定等。
28.s120、根据标定物位置对作物夹角图像进行矫正，得到矫正图；其中，对采集到的原始图像进行预处理，通过标定圆检测方法，获取标定圆位置，判断标定圆与整个图像的位置关系，进行矫正得到矫正图。该操作为后续的所测夹角定位及夹角关联边确定相关技术的执行提供了便利，保证测量的稳定、可靠。
29.s200、对矫正图分别进行阴影检测以及不同的颜色空间变换并融合为最终分割图；s210、对矫正图进行不同的颜色空间变换并分割融合得到二值图，同时对矫正图进行阴影检测得到阴影分割图；其中，为了获得该二值图，首先，对彩色rgb图像rgbimage进行两种方式的颜色空间变换，第一种，采用本司授权专利[cn201510522019，一种基于图像处理的叶片面积测量方法]中发明的空间映射方法，即利用颜色和亮色特征定义颜色空间变换；第二种是捕获绿色特征，变换公式为2*g-r-b，即超绿特征。此这两种颜色空间变换可以增强作物位置的灰
度值，弱化背景板位置的灰度值，便于后续的分割算法设计，第二种超绿特征空间变换是第一种颜色空间变换的一种补充，进一步有益于凸显绿色植物的对比度。
[0030]
而分割算法采用大津阈值法，又称类间方差阈值分割法，该方法可自动获取分割阈值。针对此两种空间变换后的灰度图，分别采用此分割法得到二值图tbin11和tbin12，同时做逻辑与运算，得到新的二值图tbin1。
[0031]
其中，在图像采集中，由于室外强光影响、所测部位具有一定厚度、拍摄角度等各种原因，会出现不同程度的阴影，进而为分割带来一定影响，所以，需要设计阴影检测去除算法，消除阴影的干扰，具体的步骤为：步骤a、rgb图像的归一化，对r、g、b通道每个像素分别实施如下公式2的归一化，得到归一化图像nimage；（2）步骤b、分别选择rgbimage（rgb图像）和nimage（归一化图像）的b通道做大津阈值法分割，得到segimage1和segimage2，并对segimage1分割图取反，即255-segimage1，记为segimage3；步骤c、阴影检测二值图shadowimg为segimage2和segimage3的逻辑与运算结果图，两者对应像素值都为非0时，shadowimg对应像素为非0，其他情况为0；s220、对阴影分割图和二值图做减法运算，以消除阴影得到最终分割图；在本实施例中，具体为对分割二值图tbin1和阴影检测二值图shadowimg做减法运算，以消除阴影影响，得到最后分割图tbin，参见图2。
[0032]
s300、对最终分割图进行骨架分析，识别定位所测夹角及连接边的拟合直线，得到作物夹角的角度参数及对应的三顶点；s310、对最终分割图进行骨架提取，保留最大的骨架连通域，以得到骨架图；其中，对最终分割图利用zhang-suen的细化算法进行骨架提取，同时采用轮廓查找法获取所有连通域，保留最大的骨架连通域，获得骨架图skelimage。
[0033]
其中，这里提及的连通域最大的选择标准是其对应的外接矩形面积最大并与两标定圆连线有交集，此即为感兴趣区域的选择，缩小夹角定位、所测角度对应边查找的搜索范围。
[0034]
s320、根据骨架图提取端点集合和关节点集合；其中，对每个像素点周围的八连接邻域中搜索并统计非零像素个数，计数为1的像素点为端点，计数多于1的为关节点，得到端点集合和关节点集合。
[0035]
s330、基于端点集合和关节点集合对所测角度的夹角进行定位；由于步骤s320中获取的关节点不止一个，每一个关节点对应区域都可能包含一个作物的分支，如何聚焦真正的作物关联两部分的角度。因此具体操作步骤如下：s331、对骨架图做形态学膨胀操作；
其中，对骨架图skelimage做适当的形态学膨胀操作，这里选用的窗口为3x3。
[0036]
s332、通过凸包凸缺陷检测法找出形态学膨胀操作后的图像中轮廓的所有凹点，并选择最深的凹点为目标角度的大致位置；其中，对形态学膨胀操作后的图像，采用轮廓查找法获取目标的轮廓，对该轮廓提取对应的凸包围，结合轮廓和凸包围进行凸包凸缺陷检测，获取的每个凸包缺陷信息包括凸包边的起始和结束点、轮廓最凹点、最凹点到凸包边的距离（深度），接着选择到凸包边最远的轮廓凹点为目标角度的大致位置p。
[0037]
其中，这里提到的凸包围指的是包含该轮廓中所有点的最小凸多边形，也即最小外接多边形。提取的方法为graham扫描法：首先选择y方向最低的点作为起始点p0，从p0开始极坐标扫描，依次添加p1...pn（排序顺序是根据极坐标的角度的大小，逆时针方向），对每个点pi来说，如果添加pi点到凸包中导致一个左转向（逆时针方法）则添加该点到凸包，反之如果导致一个右转向（顺时针方向）删除该点从凸包中。（注：在实际操作中，本技术采用opencv中的convexhull函数进行提取）。
[0038]
s333、调整该目标角度的大致位置至关节点集合中欧氏距离最接近的关节点，完成所测角度的夹角定位；其中，对位置p进行调整，即调整至关节点集合juncpset中以欧氏距离最接近的关节点，记为juncp，从而完成所测角度位置的确定。
[0039]
因为拍摄的作物夹角图像中，可能包含多个分支，因此需要本技术提出所测夹角的位置定位方法，能够精准地抓住关键的分支，避免聚焦到其他非关键分支，保证后续的角度测量的准确、稳定性。
[0040]
s340、确定所测角度的夹角的两条连接边并拟合直线；其中，在骨架图上，确定好所测角度的聚焦范围后，需进一步确定所测角度对应的两条边的像素点集合等，具体步骤如下：s341、计算最终分割图的距离变换图，并记录关节点集合中欧氏距离最接近的关节点处对应的值；其中，由距离变换计算tbin每个像素点到最近的背景像素（值为0）的距离，记该距离变换图为distmap，并记distmap在关节点juncp处对应的值为distval。
[0041]
s342、以该关节点为中心，选取背景区域和感兴趣区域，且该背景区域位于感兴趣区域内；其中，在骨架图skelimage 上，置以关节点juncp为中心，边长为distval的正方形区域内所有像素为0，即置为背景区域。
[0042]
其中，以关节点juncp为中心，边长为roidiameter裁剪感兴趣的目标区域（感兴趣区域），记为roimat，其中roidiameter大于distval，设定roidiameter = distval+thrsh，阈值thrsh反映考虑的感兴趣区域的大小，设置太小不能捕获有效的点集合，设置太大会引入更多噪声。这里设定为150个像素值，本实施例对阈值thrsh不做具体限定。
[0043]
s343、在感兴趣区域内搜索所有连通域并排序；其中，在目标区域（感兴趣区域）roimat上利用轮廓查找法搜寻所有的连通域，该连通域的每个像素宽度为1，在一般情况下，该连通域个数为3，因为所测量的角度区域形状类似于“y”或倒立的“y”，如果连通域个数小于2，则退出；同时，对连通域集合按照一定规则
进行排序，可以是外接矩形的长度宽度，也可以是最小外接矩形的长度宽度，本实施例对此不做具体限定。
[0044]
s344、按照与关节点集合中欧氏距离最接近的关节点juncp的位置关系，将排序后的所有连通域分为第一类集合和第二类集合；其中，对排序后的连通域集合，按照其与关节点juncp沿y方向的位置关系分为两类，第一类集合linesetupper和第二类集合linesetbottom。
[0045]
s345、根据第一类集合和第二类集合的特点，确定所测角度关联的两条连接边的像素集合；其中，有几种情况进行考虑：如果linesetupper的元素个数为2，则此为关联的两条连接边对应的像素集合；如果linesetupper和linesetbottom的个数各为1，则对应的就是关联的两条连接边的像素集合；如果linesetupper为1，linesetbottom为2，则需进一步根据第一类集合与每个第二类集合的拟合直线的角度大小来匹配，选择形成角度较大的第二类点集合。
[0046]
s346、对像素集合进行直线拟合，得到第一直线方程和第二直线方程；其中，点集合的直线拟合有多种方法，如最小二乘拟合、鲁棒最小二乘、ransac拟合等。本实施例采用ransac直线拟合，ransac（random sample consensus）是从一组包含异常点的观测数据集中，通过迭代方式寻找满足一定比例数据的模型，并且概率足够高。实际上，连通域内对应点集存在一定程度的异常点或野点，因此本实施例采用ransac对集合点拟合直线，由此得到所测角度对应的两条边的第一直线方程line1和第二直线方程line2，同时对应的内点（inlier）点集记为consensuspoints1和consensuspoints2。
[0047]
s350、根据两条连接边计算角度并确定角度的三顶点，以得到作物夹角的角度参数及对应的三顶点；s351、计算第一直线方程line1和第二直线方程line2的交点；其中，计算第一直线方程line1和第二直线方程line2的交点，记为crosspoint（交点），如果该点与关节点juncp距离过大，则认为失败；s352、分别计算两条连接边的像素集合中与交点的最远点，取与对应连接边的方向一致且与交点位于指定距离内的两个最远点作为顶点，以得到所测角度的三顶点.其中，分别计算点集consensuspoints1和consensuspoints2中距离交点crosspoint最远的点，并记录两者中最远的距离；分别计算第一直线方程line1和第二直线方程line2与对应最远点同一方向并且与交点crosspoint指定距离长度的点vertex1，vertex2，那么{ vertex1，crosspoint，vertex2}构成所测夹角的三个顶点，同时，记vec1 = vertex1
ꢀ–ꢀ
crosspoint，vec2 = vertex2
ꢀ–ꢀ
crosspoint，这里点由（x，y）坐标组成，角度的计算如公式3：x = vec1.x*vec2.x + vec1.y * vec2.y（3）y = vec1.x *vec2.y
ꢀ‑ꢀ
vec2.x * vec1.y所测角度= acos(x / sqrt(x*x + y * y)) * 180 /π。所测夹角如图3所示。
[0048]
实施例二
基于相同的构思，本技术还提出了一种基于图像识别的作物夹角测量装置，包括：矫正模块，用于获取作物夹角图像，对作物夹角图像进行标定物检测和方向判断处理，得到矫正图；分割模块，用于对矫正图分别进行阴影检测以及不同的颜色空间变换并融合为最终分割图；分析模块，用于对最终分割图进行骨架分析，识别定位所测夹角及连接边的拟合直线，得到作物夹角的角度参数及对应的三顶点；输出模块，用于输出作物夹角的角度参数及对应的三顶点。
[0049]
实施例三本实施例还提供了一种电子装置，参考图4，包括存储器404和处理器402，该存储器404中存储有计算机程序，该处理器402被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
[0050]
具体地，上述处理器402可以包括中央处理器（cpu），或者特定集成电路（applicationspecificintegratedcircuit，简称为asic），或者可以被配置成实施本技术实施例的一个或多个集成电路。
[0051]
其中，存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制，存储器404可包括硬盘驱动器（harddiskdrive，简称为hdd）、软盘驱动器、固态驱动器（solidstatedrive，简称为ssd）、闪存、光盘、磁光盘、磁带或通用串行总线（universalserialbus，简称为usb）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器404可包括可移除或不可移除（或固定）的介质。在合适的情况下，存储器404可在数据处理装置的内部或外部。在特定实施例中，存储器404是非易失性（non-volatile）存储器。在特定实施例中，存储器404包括只读存储器（read-onlymemory，简称为rom）和随机存取存储器（randomaccessmemory，简称为ram）。在合适的情况下，该rom可以是掩模编程的rom、可编程rom（programmableread-onlymemory，简称为prom）、可擦除prom（erasableprogrammableread-onlymemory，简称为eprom）、电可擦除prom（electricallyerasableprogrammableread-onlymemory，简称为eeprom）、电可改写rom（electricallyalterableread-onlymemory，简称为earom）或闪存（flash）或者两个或更多个以上这些的组合。在合适的情况下，该ram可以是静态随机存取存储器（staticrandom-accessmemory，简称为sram）或动态随机存取存储器（dynamicrandomaccessmemory，简称为dram），其中，dram可以是快速页模式动态随机存取存储器404（fastpagemodedynamicrandomaccessmemory，简称为fpmdram）、扩展数据输出动态随机存取存储器（extendeddateoutdynamicrandomaccessmemory，简称为edodram）、同步动态随机存取内存（synchronousdynamicrandom-accessmemory，简称sdram）等。
[0052]
存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器402所执行的可能的计算机程序指令。
[0053]
处理器402通过读取并执行存储器404中存储的计算机程序指令，以实现上述实施例中的任意一种基于图像识别的作物夹角测量方法。
[0054]
可选地，上述电子装置还可以包括传输设备406以及输入输出设备408，其中，该传输设备406和上述处理器402连接，该输入输出设备408和上述处理器402连接。
[0055]
传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中，传输设备包括一个网络适配器（network interface controller，简称为nic），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备406可以为射频（radio frequency，简称为rf）模块，其用于通过无线方式与互联网进行通讯。
[0056]
输入输出设备408用于输入或输出信息。在本实施例中，输入的信息可以是拍摄的作物夹角图像等，输出的信息可以是作物的角度参数及对应的三顶点等。
[0057]
实施例四本实施例还提供了一种可读存储介质，可读存储介质中存储有计算机程序，计算机程序包括用于控制过程以执行过程的程序代码，过程包括根据实施例一的基于图像识别的作物夹角测量方法。
[0058]
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
[0059]
通常，各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现，而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现，但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示，但是应当理解，作为非限制性示例，本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
[0060]
本发明的实施例可以由计算机软件来实现，该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行，或者由硬件来实现，或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中，并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外，在这一点上，应当注意，如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如dvd及其数据变体、cd等光学介质上。物理介质是非瞬态介质。
[0061]
本领域的技术人员应该明白，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。
[0062]
以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以作出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。