图像编解码装置、图像处理系统、训练方法和显示装置与流程

本发明涉及图像处理领域，更具体地，本发明涉及一种图像编码装置、图像解码装置、包括该图像编解码装置的图像处理系统、用于该图像处理系统训练方法以及显示装置。

背景技术：

近年来，数字图像和视频的质量随着诸如bt.2020的标准被建立而迅速提升。图像质量的提升同时也导致数据量的显著增加。同时，因特网已经成为最流行的媒体来源。可以预见的是，即使正在稳定增长的带宽也难以满足急剧增加的媒体数据通信量。因此，需要寻求更好的媒体数据压缩解决方案以满足当前通信带宽下对于高质量媒体数据的需要。

当前，基于深度学习的人工智能技术已经在诸如图像分类、图像捕获和搜索、面部识别、年龄和语音识别等领域取得了巨大进展。深度学习的优势在于可以利用通用的结构以相对类似的系统解决非常不同的技术问题。因此，希望将深度学习引入图像数据压缩领域，以通过机器的深度学习进一步改进图像数据处理系统中的压缩性能，实现图像处理系统中各个参数的自动设置，实现更高的压缩率与更好的图像质量的均衡优化。

技术实现要素：

鉴于上述问题，本发明提供一种图像编码装置、图像解码装置、包括该图像编解码装置的图像处理系统、用于该图像处理系统训练方法以及显示装置。

根据本发明的一个方面，提供了一种图像编码装置，包括：第一图像输入端，用于提供第一图像；多个第二图像输入端，用于提供多个第二图像；第一卷积神经网络模块，与所述多个第二图像输入端连接，用于对所述多个第二图像更新，以得到相应的更新特征；图像叠加模块，与所述第一图像输入端、所述第一卷积神经网络模块和输出接口连接，用于将所述更新特征与所述第一图像按照叠加权重叠加以生成叠加图像，将所述叠加图像通过所述输出接口输出；第二卷积神经网络模块，与所述图像叠加模块连接，用于根据所述叠加图像，生成多个预测图像；以及图像差异获取模块，与所述多个第二图像输入端、所述第二卷积神经网络模块和所述输出接口连接，确定所述多个第二图像的每个与相应的所述预测图像的差异特征，将所述差异特征通过所述输出接口输出。

此外，根据本发明的一个方面的图像编码装置，其中所述图像叠加模块将所述第一图像乘以第一权重参数以获得第一乘积，将所述更新特征乘以第二权重参数以获得第二乘积，叠加所述第一乘积和所述第二乘积以生成叠加图像；其中所述第一权重参数大于0，并且所述第一权重参数与所述第二权重参数的和为1。

此外，根据本发明的一个方面的图像编码装置，还包括：拆分单元，与所述第一图像输入端和所述多个第二图像输入端相连，用于将输入的原始图像进行拆分，以获得所述第一图像和所述多个第二图像。

此外，根据本发明的一个方面的图像编码装置，其中所述拆分单元将原始图像拆分为2n个图像，第一图像的数量为1，第二图像的数量为2n-1，n为大于0的整数。

根据本发明的另一个方面，提供了一种图像解码装置，包括：叠加图像输入端，用于接收叠加图像；差异特征输入端，用于接收差异特征；第三卷积神经网络模块，与所述叠加图像输入端连接，用于根据所述叠加图像，生成多个预测图像；去差异模块，与所述差异特征输入端、所述第三卷积神经网络模块以及输出端连接，用于根据所述多个预测图像和所述差异特征，生成多个第二图像，并且将所述多个第二图像通过所述输出端输出；第四卷积神经网络模块，与所述去差异模块连接，用于对所述多个第二图像更新，以得到相应的更新特征；以及图像去叠加模块，与所述叠加图像输入端、所述第四卷积神经网络模块和所述输出端连接，用于根据所述更新特征及其叠加权重对所述叠加图像执行去叠加，以得到第一图像，并且将所述第一图像通过所述输出端输出。

此外，根据本发明的另一个方面的图像解码装置，其中所述图像去叠加模块将所述更新特征乘以第二权重参数以获得第二乘积，从所述叠加图像去除所述第二乘积以获得第一乘积，将所述第一乘积除以第一权重参数以获得所述第一图像；其中所述第一权重参数大于0，并且所述第一权重参数与所述第二权重参数的和为1。

此外，根据本发明的另一个方面的图像解码装置，还包括：拼接单元，与所述输出端和输出接口相连，用于将所述第一图像和所述多个第二图像拼接以获得解码图像，并且通过所述输出接口输出所述解码图像。

根据本发明的又一个方面，提供了一种图像处理系统，包括：图像编码装置，其具有第一图像输入端，用于提供第一图像；多个第二图像输入端，用于提供多个第二图像；第一卷积神经网络模块，与所述多个第二图像输入端连接，用于对所述多个第二图像更新，以得到相应的更新特征；图像叠加模块，与所述第一图像输入端、所述第一卷积神经网络模块和输出接口连接，用于将所述更新特征与所述第一图像按照叠加权重叠加以生成叠加图像，将所述叠加图像通过所述输出接口输出；第二卷积神经网络模块，与所述图像叠加模块连接，用于根据所述叠加图像，生成多个预测图像；以及图像差异获取模块，与所述多个第二图像输入端、所述第二卷积神经网络模块和所述输出接口连接，确定所述多个第二图像的每个与相应的所述预测图像的差异特征，将所述差异特征通过所述输出接口输出；量化装置，与所述图像编码装置连接，用于接收从所述输出接口输出的所述叠加图像和所述差异特征，对所述叠加图像和所述差异特征执行量化处理和逆量化处理，以生成量化叠加图像和量化差异特征；图像解码装置，与所述量化装置连接，其具有叠加图像输入端，用于接收所述量化叠加图像；差异特征输入端，用于接收所述量化差异特征；第三卷积神经网络模块，与所述叠加图像输入端连接，用于根据所述量化叠加图像，生成多个预测图像；去差异模块，与所述差异特征输入端、所述第三卷积神经网络模块以及输出端连接，用于根据所述多个预测图像和所述量化差异特征，生成多个第四图像，并且将所述多个第四图像通过所述输出端输出；第四卷积神经网络模块，与所述去差异模块连接，用于对所述多个第二图像更新，以得到相应的更新特征；以及图像去叠加模块，与所述叠加图像输入端、所述第四卷积神经网络模块和所述输出端连接，用于根据所述更新特征及其叠加权重对所述量化叠加图像执行去叠加，以得到第三图像，并且将所述第三图像通过所述输出端输出。

此外，根据本发明的又一个方面的图像处理系统，其中所述量化装置利用均匀阶梯量化函数usq对所述叠加图像和所述差异特征执行所述量化处理，

其中是小于x的最小整数，并且δ是量化参数。

此外，根据本发明的又一个方面的图像处理系统，其中所述量化装置利用逆均匀阶梯量化函数invusq对所述均匀阶梯量化函数usq的输出q执行所述逆量化处理，以生成所述量化叠加图像和所述量化差异特征，

其中invusq(q)＝sign(q)(|q|+0.5)δ。

此外，根据本发明的又一个方面的图像处理系统，其中所述图像叠加模块将所述第一图像乘以第一权重参数以获得第一乘积，将所述更新特征乘以第二权重参数以获得第二乘积，叠加所述第一乘积和所述第二乘积以生成叠加图像；所述图像去叠加模块将所述更新特征乘以所述第二权重参数以获得第二乘积，从所述量化叠加图像去除所述第二乘积以获得第一乘积，将所述第一乘积除以所述第一权重参数以获得所述第三图像；其中所述第一权重参数大于0，并且所述第一权重参数与所述第二权重参数的和为1。

此外，根据本发明的又一个方面的图像处理系统，还包括：拆分单元，与所述第一图像输入端和所述多个第二图像输入端相连，用于将输入的原始图像进行拆分，以获得所述第一图像和所述多个第二图像。

此外，根据本发明的又一个方面的图像处理系统，其中所述拆分单元将原始图像拆分为2n个图像，第一图像的数量为1，第二图像的数量为2n-1，n为大于0的整数。

此外，根据本发明的又一个方面的图像处理系统，还包括：拼接单元，与所述输出端和输出接口相连，用于将所述第三图像和所述多个第四图像拼接以获得解码图像，并且通过所述输出接口输出所述解码图像。

根据本发明的再一个方面，提供了一种用于图像处理系统的训练方法，包括：选择固定的所述量化参数；将训练图像输入所述图像处理系统，调整所述第一到第四卷积神经网络模块中各卷积层中各滤波单元的权值，运行有限次迭代以使目标函数最优化；以及将所述量化参数减小预定值，如果所述量化参数不小于预定阈值，则重复使目标函数最优化的训练步骤，否则结束所述训练方法。

此外，根据本发明的再一个方面的训练方法，其中所述目标函数为：

θ＝argθminxmse(x,outθ(x,δ))

x代表输入的所述训练图像，out代表输出图像，mse是输入的所述训练图像与所述输出图像之间的均方差函数。

根据本发明的另一个方面，提供了一种显示装置，包括前述图像编码装置、图像解码装置和/或图像处理系统。

本发明提供的图像编码装置、图像解码装置以及包括该图像编解码装置的图像处理系统引入了卷积神经网络模块，通过训练处理实现各卷积神经网络模块参数的优化设置，实现更高的压缩率与更好的图像质量的均衡优化。

附图说明

通过结合附图对本发明实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与本发明实施例一起用于解释本发明，并不构成对本发明的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1是图示用于图像处理的卷积神经网络的示意图；

图2是图示用于多分辨率图像变换的小波变换的示意图；

图3是利用卷积神经网络实现小波变换的图像处理系统的结构示意图；

图4是图示根据本发明第一实施例的图像编码装置的结构示意图；

图5是图示根据本发明第一实施例的图像解码装置的结构示意图；

图6是图示根据本发明第二实施例的图像处理系统的结构示意图；以及

图7是图示根据本发明第三实施例的训练方法的流程图。

具体实施方式

为了使得本发明的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。

在详细描述根据本发明实施例的图像编码装置、图像解码装置和图像处理系统之前，先参照附图描述卷积神经网络用于图像编码、解码处理的基本概念。

图1是图示用于图像处理的卷积神经网络的示意图。用于图像处理的卷积神经网络是使用图像作为输入和输出，并且通过滤波器(即，卷积)替代标量权重。图1中示出了具有3层的简单结构。如图1所示，在输入层101输入4个输入图像，在中间的隐藏层102存在3个单元以输出3个输出图像，而在输出层103存在2个单元以输出2个输出图像。输入层101中的具有权重的每个盒子对应于滤波器，其中k是指示输入层号的标签，并且i和j分别是指示输入和输出单元的标签。偏置是添加到卷积的输出的标量。若干卷积和偏置的相加结果然后通过激活盒，其通常对应于整流线性单元(relu)、s型函数或双曲正切函数。在利用卷积神经网络的图像处理系统中，各滤波器和偏置在系统的操作期间是固定的。各滤波器和偏置是预先通过使用一组输入/输出示例图像并且调整以满足依赖于应用的一些优化标准来获取的。

图2是图示用于多分辨率图像变换的小波变换的示意图。小波变换是一种用于图像编解码处理的多分辨率图像变换，其应用包括jpeg2000标准中的变换编码。在图像编码(压缩)处理中，小波变换用于以更小的低分辨率图像(例如，原始图像的一部分图像)代表原始的高分辨率图像。在图像解码(解压)处理中，逆小波变换用于利用低分辨率图像以及恢复原始图像所需的差异特征，恢复得到原始图像。

图2示意性地示出了3级小波变换和逆变换。如图2所示，更小的低分辨率图像之一是原始图像的缩小版本a，而其他的低分辨率图像代表恢复原始图像所需的丢失的细节(dh、dv和dd)。

图3是利用卷积神经网络实现小波变换的图像处理系统的结构示意图。提升方案是小波变换的一种有效实施方式，并且是构造小波时的一种灵活的工具。图3示意性地示出了用于1d数据的标准结构。图3的左侧为编码器31。编码器31中的拆分单元302将输入的原始图像301变换为低分辨率图像a和细节d。编码器31进一步使用预测滤波器p和更新滤波器u。对于压缩应用，希望d约为0，使得大部分的信息包含在a中。图3的右侧为解码器32。解码器32的参数是与来自编码器31的滤波器p和u完全相同，而仅仅是滤波器p和u相反地布置。由于编码器31和解码器32的严格对应，该配置确保了经由解码器32的拼接单元303拼接得到的解码图像304与原始图像301完全相同。此外，图3所示的结构也不是限制性的，可以替代地在解码器中先按照更新滤波器u和预测滤波器p的顺序进行配置。

以下，将参照附图进一步详细描述根据本发明实施例的图像编码装置、图像解码装置以及包括该图像编解码装置的图像处理系统。

图4是图示根据本发明第一实施例的图像编码装置的结构示意图。

如图4所示，根据本发明第一实施例的图像编码装置40包括拆分单元402用于将输入的原始图像进行拆分，以获得第一图像ul和多个第二图像ur、br、bl。

第一图像输入端403用于接收来自所述拆分单元402的第一图像ul。多个第二图像输入端404、405、406分别用于接收来自所述拆分单元402的多个第二图像ur、br、bl。

第一卷积神经网络模块407与所述多个第二图像输入端404、405、406连接，用于对所述多个第二图像更新ur、br、bl，以得到相应的更新特征。在本发明的第一实施例中，所述第一卷积神经网络模块407可以是参照图3描述的更新滤波器。

图像叠加模块408与所述第一图像输入端403、所述第一卷积神经网络模块407和输出接口411连接，用于将所述更新特征u与所述第一图像按照ul叠加权重叠加以生成叠加图像a，将所述叠加图像a通过所述输出接口411输出。

在本发明的一个实施例中，所述图像叠加模块408将所述第一图像ul乘以第一权重参数a以获得第一乘积，将所述更新特征u乘以第二权重参数b以获得第二乘积，叠加所述第一乘积和所述第二乘积以生成叠加图像a。所述第一权重参数a大于0，并且所述第一权重参数a与所述第二权重参数b的和为1。即，在所述图像叠加模块408中：

a＝aul+bu表达式1

a+b＝1且a>0表达式2

第二卷积神经网络模块409与所述图像叠加模块408连接，用于根据所述叠加图像a，生成多个预测图像。

图像差异获取模块410与所述多个第二图像输入端404、405、406、所述第二卷积神经网络模块409和所述输出接口411连接，确定所述多个第二图像ur、br、bl的每个与相应的所述预测图像的差异特征dh、dd和dv，将所述差异特征dh、dd和dv通过所述输出接口411输出。

在本发明的第一实施例中，所述第一卷积神经网络模块407、所述图像叠加模块408、所述第二卷积神经网络模块409和所述图像差异获取模块410构成了图像编码装置40的压缩单元，其对于从所述拆分单元402输入的第一图像ul和多个第二图像ur、br、bl执行基于提升方案的小波变换的图像压缩。

图5是图示根据本发明第一实施例的图像解码装置的结构示意图。图5所示的图像解码装置可以用于对图4所示的图像编码装置的输出图像进行解码。

如图5所示，根据本发明第一实施例的图像解码装置50包括

叠加图像输入端507用于接收叠加图像a。差异特征输入端504、505和506，用于接收差异特征dh、dd和dv。所述叠加图像a可以是从图4所示的图像编码装置40的所述输出接口411输出的来自所述图像叠加模块408的图像数据。所述差异特征dh、dd和dv可以是从图4所示的图像编码装置40的所述输出接口411输出的来自所述图像差异获取模块410的图像数据。

第三卷积神经网络模块507与所述叠加图像输入端507连接，用于根据所述叠加图像a，生成多个预测图像。

去差异模块508与所述差异特征输入端504、505和506、所述第三卷积神经网络模块507以及输出端512、513和514连接，用于根据所述多个预测图像和所述差异特征dh、dd和dv，生成多个第二图像ur、br、bl，并且将所述多个第二图像通过所述输出端512、513和514输出。

第四卷积神经网络模块509，与所述去差异模块508连接，用于对所述多个第二图像更新，以得到相应的更新特征u。

图像去叠加模块510，与所述叠加图像输入端503、所述第四卷积神经网络模块509和所述输出端511连接，用于根据所述更新特征u及其叠加权重对所述叠加图像a执行去叠加，以得到第一图像ul，并且将所述第一图像ul通过所述输出端511输出。

在本发明的一个实施例中，所述图像去叠加模块510将所述更新特征乘u以第二权重参数b以获得第二乘积bu，从所述叠加图像a去除所述第二乘积以获得第一乘积(a-bu)，将所述第一乘积(a-bu)除以第一权重参数a以获得所述第一图像ul；其中所述第一权重参数大于0，并且所述第一权重参数与所述第二权重参数的和为1。即，在所述图像叠加模块510中：

ul＝(a-bu)/a表达式3

a+b＝1且a>0表达式4

也就是说，所述图像去叠加模块510与所述图像叠加模块408执行相反的处理，其中所述第一权重参数和所述第二权重参数满足相同的条件。由此，所述图像去叠加模块510输出的第一图像ul可以是与原始图像拆分所得的第一图像相同。

拼接单元502与各输出端511-514和输出接口515相连，用于将所述第一图像ul和所述多个第二图像ur、br、bl拼接以获得解码图像501，并且通过所述输出接口515输出所述解码图像501。

如上所述，如果图5所示的图像解码装置50中的第三卷积神经网络模块507和第四卷积神经网络模块509与图4所示的图像编码装置40中的第二卷积神经网络模块409和第一卷积神经网络模块407的滤波参数相同，并且使图5所示的图像解码装置50中的图像去叠加模块510所执行的去叠加过程与图4所示的图像编码装置40中图像叠加模块408所执行的叠加过程完全相反，并且使图5所示的图像解码装置50中的去差异模块508所执行的去差异过程与图4所示的图像编码装置40中图像差异获取模块410所执行的差异获取过程完全相反，即可通过图5所示的图像解码装置50精确解码还原图4所示的图像编码装置40编码压缩的图像，而与各个卷积神经网络的滤波参数无关。

在本发明的第一实施例中，通过第一卷积神经网络模块407完成更新过程，并且通过第二卷积神经网络模块409完成预测过程，在具体应用时，通过对第一卷积神经网络模块407和第二卷积神经网络模块409进行相应的训练，使得第一卷积神经网络模块407和第二卷积神经网络模块409具有优化的滤波参数，从而使得该图像编码装置具有较高的压缩率，而无需人为设定相应的滤波参数，降低了滤波参数的设置复杂度。

进一步地，在本发明的第一实施例中，设置用于图像叠加的权重参数a，从而进一步提高了编码器的降尺度和解码器的升尺度的性能和自由度。

此外，在本发明的第一实施例中，通过合适的训练，使得输出的差异特征dh、dd和dv大约为0，总体压缩率可以接近75％。在图4所示的拆分单元402执行的拆分处理中，以左侧上方的第一图像ul预测图像ur、br和bl。本发明不限于此，在替代实施例中，也可以利用图像ur、br和bl作为第一图像预测其他图像。此外，在本发明的第一实施例中，第一图像的数量为1。本发明不限于此，在替代实施例中，也可以利用两个图像预测两个图像，或者三个图像预测三个图像。由于得到的叠加图像的数量与第一图像的数量相同，因此在仅有一个图像压缩单元的情况下，采用两个图像预测两个图像的压缩率的理论最大值为50％，采用三个图像预测三个图像的压缩率的理论最大值为25％。更进一步地，在本发明的第一实施例中，采用由第一卷积神经网络模块407和第二卷积神经网络模块409组成的单级压缩系统。本发明不限于此，在替代实施例中，可以采用两级和更多级的压缩配置。

如上所述，图5所示的图像解码装置50精确解码还原图4所示的图像编码装置40编码压缩的图像，即图4所示的图像编码装置40和图5所示的图像解码装置50组成一个无损系统。在实际应用中，在诸如jpeg2000的标准中，需要对编码数据执行量化处理，然后对量化的编码数据接近解码，从而整体形成一个有损系统。

图6是图示根据本发明第二实施例的图像处理系统的结构示意图。如图6所示的根据本发明第二实施例的图像处理系统6包括图4所示的图像编码装置40和图5所示的图像解码装置50，根据本发明第二实施例的图像处理系统6还包括量化装置60。

如图6所示，量化装置60与图像编码装置40和图像解码装置50连接。图6中的图像编码装置40的结构和输入输出与参照图4的描述相同，在此将省略其重复描述。

量化装置60与所述图像编码装置40连接，用于接收从所述输出接口411输出的所述叠加图像a和所述差异特征dh、dd和dv，对所述叠加图像a和所述差异特征dh、dd和dv执行量化处理和逆量化处理，以生成量化叠加图像和量化差异特征。

具体地，所述量化装置利用均匀阶梯量化函数usq对所述叠加图像和所述差异特征执行所述量化处理，

其中是小于x的最小整数，并且δ是量化参数。

由表达式5表示的量化处理符合jpeg2000标准。

根据jpeg2000标准，所述量化装置利用逆均匀阶梯量化函数invusq对所述均匀阶梯量化函数usq的输出q执行所述逆量化处理，以生成所述量化叠加图像和所述量化差异特征，其中

invusq(q)＝sign(q)(|q|+0.5)δ表达式6

如上所述，通过编码装置和解码装置中的卷积神经网络模块进行相应的训练，可以为各卷积神经网络模块设定相应的滤波参数。对于如图6所示的根据本发明第二实施例的图像处理系统，由于引入了量化参数δ，需要提供一种同时训练编码装置和解码装置中的各卷积神经网络模块和量化模块的训练方法。

图7是图示根据本发明第三实施例的训练方法的流程图。如图7所示，根据本发明第三实施例的训练方法包括以下步骤。

在步骤s701中，选择固定的所述量化参数δ。在本发明第三实施例中，量化参数δ的初始值需要较大(例如，1000)，使得其输出类似于无损系统，其优化问题容易解决。此后，处理进到步骤s702。

在步骤s702，在所述量化参数δ固定的情况下，将训练图像输入所述图像处理系统，调整所述第一到第四卷积神经网络模块中各卷积层中各滤波单元的权值，运行有限次迭代以使目标函数最优化。

所述目标函数为：

θ＝argθminxmse(x,outθ(x,δ))表达式7

x代表输入的所述训练图像，out代表输出图像，mse是输入的所述训练图像与所述输出图像之间的均方差函数。此后，处理进到步骤s703。

在步骤s703中，将所述量化参数减小预定值。例如，可以将量化参数减小5％。此后，处理进到步骤s704。

在步骤s704中，判断所述量化参数是否不小于预定阈值。所述预定阈值是预先确定的，例如1。

如果在步骤s704获得肯定结果，即所述量化参数不小于预定阈值，则处理返回步骤702，以便重复步骤s702中的训练。

相反地，如果在步骤s704中获得否定结果，即所述量化参数已经足够小，则结束训练过程。

由图7所示的根据本发明第三实施例的训练方法可见，训练目标是减小mse和量化参数δ两者。而如果mse是0时，则量化参数δ非常大；而如果量化参数δ非常小，则mse很大。因此，在训练过程中，需要根据可接受的量化压缩水平和图像质量，在mse和量化参数δ两者之间进行适当的折中。

此外，如以上参照图4到图6描述的图像编码、解码装置以及图像处理系统还可以用于根据本发明实施例的显示装置。根据本发明实施例的显示装置可以是诸如手机、平板电脑、电视机、显示器等任何具有显示功能的产品或部件。

以上，参照附图描述了根据本发明的图像编码装置、图像解码装置、包括该图像编解码装置的图像处理系统、用于该图像处理系统训练方法以及显示装置。根据本发明的图像编码装置、图像解码装置、包括该图像编解码装置的图像处理系统通过新的权重参数，提高了编码器的降尺度和解码器的升尺度的性能和自由度，从而进一步改进了总体系统的性能。此外，根据本发明的用于该图像处理系统训练方法通过在不同量化参数的情况下优化整体系统的压缩效率，实现了更高的压缩性能。

需要说明的是，在本说明书中，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、物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、物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、物品或者设备中还存在另外的相同要素。

最后，还需要说明的是，上述一系列处理不仅包括以这里所述的顺序按时间序列执行的处理，而且包括并行或分别地、而不是按时间顺序执行的处理。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件平台的方式来实现，当然也可以全部通过硬件来实施。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

以上对本发明进行了详细介绍，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。