大豆玉米带状复合种植区的遥感提取方法、系统及产品

1.本发明涉及农作物遥感监测领域，特别是涉及一种大豆玉米带状复合种植区的遥感提取方法、系统及产品。


背景技术：

2.大豆玉米带状复合种植是稳玉米、扩大豆的有效途径。科学、快速的获取大豆玉米带状种植分布，遥感的快速发展为其提供了一种有效的技术手段。
3.目前，在农作物识别方面，常用的遥感方法有基于光谱和植被指数的机器学习监督分类，或是根据作物全生育期进行时序提取，但是在特定作物及其复合种植模式的有效识别上难以满足需求。


技术实现要素：

4.本发明的目的是提供一种大豆玉米带状复合种植区的遥感提取方法、系统及产品，以解决特定作物复合种植模式识别困难的问题。
5.为实现上述目的，本发明提供了如下方案：
6.一种大豆玉米带状复合种植区的遥感提取方法，包括：
7.获取目标区域影像以及所述目标区域影像的多光谱波段；所述多光谱波段包括蓝光波段、绿光波段、红光波段、近红外波段以及短波红外波段；
8.确定所述短波红外波段的均值纹理特征；
9.根据所述目标区域影像确定植被指数；所述植被指数包括归一化植被指数、差值植被指数、植被水分含量指数以及比值植被指数；
10.将所述多光谱波段以及所述植被指数进行波段合成，生成合成后的数据；
11.对合成后的数据进行主成分分析，生成多个主成分；
12.根据所述均值纹理特征、所述植被指数以及前三个所述主成分构建决策树模型，并根据所述决策树模型提取所述目标区域影像中大豆玉米带状复合种植区；前三个所述主成分包括第一主成分、第二主成分以及第三主成分。
13.可选的，所述确定所述短波红外波段的均值纹理特征，具体包括：
14.基于灰度共生矩阵，确定所述短波红外波段的均值纹理特征。
15.可选的，所述对合成后的数据进行主成分分析，生成多个主成分，具体包括：
16.对所述合成后的数据进行去均值处理，生成去均值处理后的特征；
17.将任意两个所述均值处理后的特征的元素值的协方差组成协方差矩阵，确定所述协方差矩阵的特征值和特征向量；
18.按照从大到小的顺序对所述特征值进行排序，选取前k个特征值及对应的特征向量组成特征向量矩阵；
19.将所述合成后的数据投影变换至所述特征向量矩阵上，并根据变换后的特征向量矩阵生成多个主成分。
20.可选的，所述根据所述均值纹理特征、所述植被指数以及前三个所述主成分构建决策树模型，并根据所述决策树模型提取所述目标区域影像中大豆玉米带状复合种植区，具体包括：
21.根据所述归一化植被指数以及所述第一主成分区分所述目标区域影像中的植被区域以及非植被区域；
22.根据所述差值植被指数确定所述植被区域中的大豆种植区；
23.根据所述均值纹理特征、所述第二主成分以及所述第三主成分区分非大豆种植区的植被区域中的玉米种植区以及大豆玉米带状复合种植区。
24.一种大豆玉米带状复合种植区的遥感提取系统，包括：
25.多光谱波段获取模块，用于获取目标区域影像以及所述目标区域影像的多光谱波段；所述多光谱波段包括蓝光波段、绿光波段、红光波段、近红外波段以及短波红外波段；
26.均值纹理特征确定模块，用于确定所述短波红外波段的均值纹理特征；
27.植被指数确定模块，用于根据所述目标区域影像确定植被指数；所述植被指数包括归一化植被指数、差值植被指数、植被水分含量指数以及比值植被指数；
28.合成模块，用于将所述多光谱波段以及所述植被指数进行波段合成，生成合成后的数据；
29.主成分分析模块，用于对合成后的数据进行主成分分析，生成多个主成分；
30.大豆玉米带状复合种植区提取模块，用于根据所述均值纹理特征、所述植被指数以及前三个所述主成分构建决策树模型，并根据所述决策树模型提取所述目标区域影像中大豆玉米带状复合种植区；前三个所述主成分包括第一主成分、第二主成分以及第三主成分。
31.可选的，所述均值纹理特征确定模块，具体包括：
32.均值纹理特征确定单元，用于基于灰度共生矩阵，确定所述短波红外波段的均值纹理特征。
33.可选的，所述主成分分析模块，具体包括：
34.去均值处理单元，用于对所述合成后的数据进行去均值处理，生成去均值处理后的特征；
35.特征值和特征向量确定单元，用于将任意两个所述均值处理后的特征的元素值的协方差组成协方差矩阵，确定所述协方差矩阵的特征值和特征向量；
36.特征向量矩阵组成单元，用于按照从大到小的顺序对所述特征值进行排序，选取前k个特征值及对应的特征向量组成特征向量矩阵；
37.主成分生成单元，用于将所述合成后的数据投影变换至所述特征向量矩阵上，并根据变换后的特征向量矩阵生成多个主成分。
38.可选的，所述大豆玉米带状复合种植区提取模块，具体包括：
39.植被区域及非植被区域区分单元，用于根据所述归一化植被指数以及所述第一主成分区分所述目标区域影像中的植被区域以及非植被区域；
40.大豆种植区确定单元，用于根据所述差值植被指数确定所述植被区域中的大豆种植区；
41.玉米与大豆玉米带状复合种植区的区分单元，用于根据所述均值纹理特征、所述
第二主成分以及所述第三主成分区分非大豆种植区的植被区域中的玉米种植区以及大豆玉米带状复合种植区。
42.一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述所述的大豆玉米带状复合种植区的遥感提取方法。
43.一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的大豆玉米带状复合种植区的遥感提取方法。
44.根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种大豆玉米带状复合种植区的遥感提取方法、系统及产品，通过将目标区域影像的多光谱波段以及植被指数进行波段合成，并对合成后的数据进行主成分分析，根据不同地物的均值纹理特征以及多个主成分构建决策树模型，基于该决策树模型提取目标区域影像中大豆玉米带状复合种植区；针对大豆玉米带状复合种植区的遥感提取，本发明基于大豆玉米带状种植模式特征，根据光谱及均值纹理特征提取大豆玉米带状复合种植区，能够有效识别大豆玉米带状复合种植区。
附图说明
45.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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。
46.图1为本发明所提供的大豆玉米带状复合种植区的遥感提取方法流程图；
47.图2为本发明所提供的主成分分析前三个主成分结果图；
48.图3为本发明所提供的大豆玉米带状复合种植区遥感提取流程图；
49.图4为本发明所提供的大豆玉米带状复合种植区提取结果图。
具体实施方式
50.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，都属于本发明保护的范围。
51.本发明的目的是提供一种大豆玉米带状复合种植区的遥感提取方法、系统及产品，能够有效识别大豆玉米带状复合种植区。
52.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
53.实施例一
54.图1为本发明所提供的大豆玉米带状复合种植区的遥感提取方法流程图，如图1所示，本发明提供了一种大豆玉米带状复合种植区的遥感提取方法，包括：
55.步骤101：获取目标区域影像以及所述目标区域影像的多光谱波段；所述多光谱波段包括蓝光波段、绿光波段、红光波段、近红外波段以及短波红外波段。
56.在实际应用中，本发明使用senltinel 2 level-2a级影像数据，影像时间为8月中旬，该时期为大豆玉米生长旺盛期。下载的影像已经过了辐射定标、大气校正等预处理，这里只进行波段合成、裁剪等预处理。选择蓝光波段(blue)、绿光波段(green)、红光波段(red)、近红外波段(nir)、短波红外(swir)等5个波段进行合成。
57.使用研究区矢量范围进行影像裁剪，获取目标区域影像。
58.步骤102：确定所述短波红外波段的均值纹理特征。
59.在实际应用中，所述步骤102具体包括：基于灰度共生矩阵，确定所述短波红外波段的均值纹理特征。
60.基于灰度共生矩阵(gray level co-occurrence matrix，glcm)计算不同地物的纹理，glcm是一个描述影像某区域内相邻像元或一定距离内两像元灰度呈现的某种关系的矩阵。其元素定义为表示在给定的距离d和方向θ，以灰度i为起点，出现灰度级j的概率(一般统计目标像素对出现的次数)。
61.通过前期研究分析，本发明选择均值统计属性计算其均值纹理特征。
62.步骤103：根据所述目标区域影像确定植被指数；所述植被指数包括归一化植被指数、差值植被指数、植被水分含量指数以及比值植被指数。
63.在实际应用中，归一化植被指数(normalized difference vegetation index，ndvi)在区分植被与非植被方面具有较大的优势，为近红外与红光波段反射率差与和的比值。
64.差值植被指数(difference vegetation index，dvi
r-g
)，为红光与绿光波段的差值，对大豆玉米带状复合种植地块与纯大豆种植地块上具有一定区分能力。差值植被指数dvi
r-g
用于区分大豆种植区和大豆玉米带状复合种植区。
65.植被水分含量指数(land surface water index，lswi)，为近红外波段与短波红外波段的反射率差与和的比值，对作物水分含量较敏感。
66.比值植被指数(ratio vegetation index，rvi)，为近红外与红光波段反射率的比值，rvi，与叶绿素含量相关性高，对植被较为敏感。
67.各植被指数计算公式定义如下：
[0068][0069]
dvi
r-g
＝ρ
red-ρ
green
ꢀꢀꢀꢀ
(2)
[0070][0071][0072]
其中，ρ
red
、ρ
green
、ρ
nir
、ρ
swir
分别为红光波段、绿光波段、近红外、短波红外波段的反射率。
[0073]
步骤104：将所述多光谱波段以及所述植被指数进行波段合成，生成合成后的数据。
[0074]
步骤105：对合成后的数据进行主成分分析，生成多个主成分；所述主成分包括第一主成分pca1、第二主成分pca2以及第三主成分pca3。在本发明中生成9个主成分，其中，前
三个主成分包含了98％以上的信息量，因此选用前三个主成分用于后续提取。
[0075]
在实际应用中，单一的光谱或植被指数很难区分大豆玉米带状复合种植与其他作物或植被，多种指标组合一起使用则存在一定的数据冗余，且难以获取重要信息进行作物分类。本发明使用多光谱波段与多种植被指数(ndvi、dvi
r-g
、rvi、lswi)结合，通过主成分分析(principal component analysis，pca)，实现数据降维，将数据重要信息有效提取。
[0076]
将多光谱波段与ndvi、dvi
r-g
、rvi、lswi进行波段合成，然后将合成后的数据进行主成分分析。
[0077]
本发明选择基于特征分解的主成分分析方法，主成份分析又称主成分变换，其原理过程主要分为去均值、求协方差矩阵、求协方差矩阵的特征值和特征向量、对特征值进行排序、保留前k个最大的特征值及对应的特征向量、将特征进行投影变换等几个步骤。
[0078]
其中，去均值，即计算每一个特征所有元素数据的均值，然后对每一个数据都减去其对应特征的均值。
[0079]
求协方差矩阵，将任意两个元素值的协方差组成协方差矩阵。
[0080]
然后求取协方差矩阵的特征值和特征向量，并对特征值进行排序，选取特征值最大的前k个特征值及对应的特征向量组合成特征向量矩阵，最后将原始特征投影变换到新的矩阵上。
[0081]
本发明将光谱波段与多种植被指数组合进行pca，将数据信息压缩，从而进一步获取大豆玉米带状复合种植特征。
[0082]
步骤106：根据所述均值纹理特征、所述植被指数以及前三个所述主成分构建决策树模型，并根据所述决策树模型提取所述目标区域影像中大豆玉米带状复合种植区；前三个所述主成分包括第一主成分、第二主成分以及第三主成分。
[0083]
在实际应用中，所述步骤106具体包括：根据所述归一化植被指数以及所述第一主成分区分所述目标区域影像中的植被区域以及非植被区域；根据所述差值植被指数确定所述植被区域中的大豆种植区；根据所述均值纹理特征、所述第二主成分以及所述第三主成分区分非大豆种植区的植被区域中的玉米种植区以及大豆玉米带状复合种植区。
[0084]
在实际应用中，s1：首先使用ndvi和第一主成分(pca1)区分植被与非植被(如水体、建筑、道路等)，设置条件ndvi》t1和pca1《t2，当条件为假时，像元标记为“非植被”，当上面条件为真时，执行s2判断。
[0085]
s2：使用dvi
r-g
剔除大豆，dvi
r-g
是通过样本分析构建的差值植被指数，可区分大豆(纯种植大豆)与大豆玉米带状复合种植区。设置条件dvi
r-g
》t3，当条件为假时，标记为“大豆”，当条件为真时，进入s3执行判断。
[0086]
s3：带状复合种植的大豆玉米在光谱和纹理方面与玉米(仅种植玉米)、其他植被具有一定的差异。swir波段的纹理均值(swir_mean)对大豆玉米带状复合种植与玉米、其他作物的区分较为明显，另外第二主成分(pca2)和第三主成分(pca3)提取的信息将目标作物与玉米、其他植被特征进行了一定的分离。因此使用swir_mean和pca2、pca3三个指标共同设置参数来区分大豆玉米带状复合种植区和玉米及其他植被。设置条件swir_mean》t4，t5《pca2《t6以及pca3》t7，当条件为假时，像元标记为“玉米或其他植被”，当条件为真时，像元被标记为“大豆玉米带状复合种植区”。
[0087]
实施例二
[0088]
选取河南省商丘市柘城县和睢阳区部分区域为案例区域，以哨兵2号影像为作物提取的数据源，哨兵2号影像时间为2022年8月12日。
[0089]
步骤一：数据获取与预处理。
[0090]
下载经大气校正后的level-2a级哨兵2号影像，进行波段合成，合成波段包括blue、green、red、nir、swir，对合成后的影像进行裁剪。
[0091]
步骤二：计算ndvi、dvi
r-g
、rvi、lswi等植被指数。
[0092]
使用预处理后哨兵2影像的绿、红、近红外、短波红外计算各植被指数，计算公式如下：
[0093][0094]
dvi
r-g
＝ρ
red-ρ
green
[0095][0096][0097]
其中，ρ
red
、ρ
green
、ρ
nir
、ρ
swir
分别为红光波段、绿光波段、近红外、短波红外波段的反射率。
[0098]
步骤三：多光谱波段、植被指数合并进行主成分分析。
[0099]
将多光谱波段和前面计算的植被指数进行波段合成，对合成后的数据进行主成分分析，计算矩阵使用协方差矩阵。主成分分析中前三个主成分信息量达98％以上，因此选取前三个主成分用于后续目标作物提取，如图2所示。
[0100]
步骤四：纹理计算。
[0101]
基于灰度共生矩阵计算纹理，统计指标选择均值。移动窗口设置为3
×
3，灰度层级设为64。根据分析，选择短波红外波段纹理均值进行后续模型构建。
[0102]
步骤五：构建大豆玉米带状种植遥感提取模型。
[0103]
s1：设置条件ndvi＞0.42和pca1＜0.5，当条件为假时，像元标记为“非植被”，当上面条件为真时，执行s2判断。
[0104]
s2：设置条件dvi
r-g
＞-235，当条件为假时，像元标记为“大豆”，当条件为真时，进入s3执行判断。
[0105]
s3：设置条件swir_mean＞16.6，10＜pca2＜1300以及pca3》30，当条件为假时，像元标记为“玉米和其他植被”，当条件为真时，像元被标记为“大豆玉米带状复合种植”。
[0106]
图3为本发明所提供的大豆玉米带状复合种植区遥感提取流程图，图3中“大豆”类别表示仅种植大豆，“玉米或其他植被”类别中的“玉米“表示仅种植玉米。
[0107]
步骤六：结果后处理与精度验证。
[0108]
针对决策树分类结果，提取出大豆玉米带状复合种植类别，对斑点噪声及由混合像元造成的边界误提等进行剔除处理。利用高分辨率影像或实地采样获取样本，对提取结果进行精度验证，通过混淆矩阵计算总体分类精度，若精度达到90％及以上则满足要求，若低于90％则返回步骤五重新调整模型参数的阈值，重复步骤五-步骤六，直到满足要求为止。本实施例中，总体分类精度为91.82％，满足要求。
[0109]
图4为本发明所提供的大豆玉米带状复合种植区提取结果图，如图4所示，针对决策树分类结果，提取出大豆玉米带状复合种植类别并进行后处理。由于基于像元的分类会存在斑点噪声，以及由于混合像元造成的边界误提等，因此需对提取出的大豆玉米带状种植分布结果进行后处理操作，主要后处理包括滤波、小斑块去除等。
[0110]
本发明利用哨兵2多光谱影像计算多种植被指数，并进行主成分变换提取重要信息，同时计算获取均值纹理特征，将以上获取的多种指标信息结合构建大豆玉米带状种植遥感提取决策树模型，从而达到基于卫星影像提取大豆玉米带状复合种植分布的目的。
[0111]
实施例三
[0112]
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种大豆玉米带状复合种植区的遥感提取系统。
[0113]
一种大豆玉米带状复合种植区的遥感提取系统，包括：
[0114]
多光谱波段获取模块，用于获取目标区域影像以及所述目标区域影像的多光谱波段；所述多光谱波段包括蓝光波段、绿光波段、红光波段、近红外波段以及短波红外波段。
[0115]
均值纹理特征确定模块，用于确定所述短波红外波段的均值纹理特征。
[0116]
在实际应用中，所述均值纹理特征确定模块，具体包括：均值纹理特征确定单元，用于基于灰度共生矩阵，确定所述短波红外波段的均值纹理特征。
[0117]
植被指数确定模块，用于根据所述目标区域影像确定植被指数；所述植被指数包括归一化植被指数、差值植被指数、植被水分含量指数以及比值植被指数。
[0118]
合成模块，用于将所述多光谱波段以及所述植被指数进行波段合成，生成合成后的数据。
[0119]
主成分分析模块，用于对合成后的数据进行主成分分析，生成多个主成分；所述主成分包括第一主成分、第二主成分以及第三主成分。
[0120]
在实际应用中，所述主成分分析模块，具体包括：去均值处理单元，用于对所述合成后的数据进行去均值处理，生成去均值处理后的特征；特征值和特征向量确定单元，用于将任意两个所述均值处理后的特征的元素值的协方差组成协方差矩阵，确定所述协方差矩阵的特征值和特征向量；特征向量矩阵组成单元，用于按照从大到小的顺序对所述特征值进行排序，选取前k个特征值及对应的特征向量组成特征向量矩阵；主成分生成单元，用于将所述合成后的数据投影变换至所述特征向量矩阵上，并根据变换后的特征向量矩阵生成多个主成分。
[0121]
大豆玉米带状复合种植区提取模块，用于根据所述均值纹理特征、所述植被指数以及前三个所述主成分构建决策树模型，并根据所述决策树模型提取所述目标区域影像中大豆玉米带状复合种植区；前三个所述主成分包括第一主成分、第二主成分以及第三主成分。
[0122]
在实际应用中，所述大豆玉米带状复合种植区提取模块，具体包括：植被区域及非植被区域区分单元，用于根据所述归一化植被指数以及所述第一主成分区分所述目标区域影像中的植被区域以及非植被区域；大豆种植区确定单元，用于根据所述差值植被指数确定所述植被区域中的大豆种植区；玉米与大豆玉米带状复合种植区的区分单元，用于根据所述均值纹理特征、所述第二主成分以及所述第三主成分区分非大豆种植区的植被区域中的玉米种植区以及大豆玉米带状复合种植区。
[0123]
实施例四
[0124]
本发明实施例提供一种电子设备包括存储器及处理器，该存储器用于存储计算机程序，该处理器运行计算机程序以使电子设备执行实施例一提供的大豆玉米带状复合种植区的遥感提取方法。
[0125]
在实际应用中，上述电子设备可以是服务器。
[0126]
在实际应用中，电子设备包括：至少一个处理器(processor)、存储器(memory)、总线及通信接口(communications interface)。
[0127]
其中：处理器、通信接口、以及存储器通过通信总线完成相互间的通信。
[0128]
通信接口，用于与其它设备进行通信。
[0129]
处理器，用于执行程序，具体可以执行上述实施例所述的方法。
[0130]
具体地，程序可以包括程序代码，该程序代码包括计算机操作指令。
[0131]
处理器可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
[0132]
存储器，用于存放程序。存储器可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0133]
基于以上实施例的描述，本技术实施例提供一种存储介质，其上存储有计算机程序指令，计算机程序指令可被处理器执行以实现任意实施例所述的方法
[0134]
本技术实施例提供的大豆玉米带状复合种植区的遥感提取系统以多种形式存在，包括但不限于：
[0135]
(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机(例如iphone)、多媒体手机、功能性手机，以及低端手机等。
[0136]
(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网性能。这类终端包括：pda、mid和umpc设备等，例如ipad。
[0137]
(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括：音频、视频播放器(例如ipod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
[0138]
(4)其他具有数据交互功能的电子设备。
[0139]
至此，已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序，以实现期望的结果。在某些实施方式中，多任务处理和并行处理可以是有利的。
[0140]
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0141]
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本
申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。本领域内的技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0142]
本技术是参照根据本技术实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0143]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0144]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0145]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0146]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
[0147]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、
[0148]
数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带、磁盘存储或其他磁性存储设备
[0149]
或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0150]
还需要说明的是，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过程、方法、商品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过程、方法、商品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过程、方法、商品或者设备中还存在另外的相同要素。
[0151]
本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定事务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行事务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0152]
本说明书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。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0153]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。