一种生态区土地分类方法、装置及电子设备与流程

1.本发明涉及生态环境领域，具体涉及一种生态区土地分类方法、装置及电子设备。


背景技术：

2.近年来蓬勃发展的遥感技术已成为不同空间尺度土地利用及土地覆被变化分析的基础手段。遥感影像具有多光谱、多时间及多空间分辨率特性，可连续或周期性地获取，为迅速分析不同空间尺度的土地覆盖类型信息提供数据支撑。现有技术中开展大区域尺度的土地宏观监测一般采用低空间分辨率的遥感影像，对一些面积较小的地物识别效果较差；且目前基于遥感数据的土地利用类型常用的分类方法包括监督分类法与非监督分类法，但在这两种方法的应用过程中，遥感影像的光谱信息易受外界影响产生一定的波动。而在同时开展土地类型分类时，由于生态区地物复杂，植被类型多样，且研究区范围广，采用现有技术进行土地类型分类由于其对面积较小的地物识别效果差且易受外界干扰的情况，会直接影响分类结果的精度。


技术实现要素：

3.有鉴于此，本发明实施例提供了一种生态区土地分类方法、装置及电子设备，以解决现有的土地分类方法精度低的问题。
4.为达到上述目的，本发明提供如下技术方案：
5.本发明实施例提供了一种生态区土地分类方法，包括：
6.获取目标区域的土地数据信息，所述土地数据信息包括激光雷达数据信息和卫星数据信息；
7.根据不同地物的光谱特征、所述卫星数据信息对所述目标区域进行分类，将所述目标区域分为植被区和非植被区；
8.根据不同植被覆盖类型的光谱特征、所述卫星数据信息以及所述激光雷达数据信息对所述植被区进行分类。
9.可选的，所述根据不同植被覆盖类型的光谱特征、所述卫星数据信息以及所述激光雷达数据信息对所述植被区进行分类，包括：
10.根据不同植被覆盖类型的光谱特征、所述卫星数据信息和所述激光雷达数据信息将所述植被区划分为耕地、草地和林地；
11.基于所述激光雷达数据信息将所述林地分为乔木区和灌木区；
12.通过不同时间的卫星数据信息，将所述乔木区和灌木区进行常绿植被和落叶植被的划分。
13.可选的，所述根据不同植被覆盖类型的光谱特征、所述卫星数据信息和所述激光雷达数据信息将所述植被区划分为耕地、草地和林地，包括：
14.从所述激光雷达数据信息中获取植被区的空间结构纹理信息、植被高度信息、地面坡度信息，并从所述卫星数据信息中获取植被区的光谱特征信息；
15.基于所述植被高度信息及所述光谱特征信息从所述植被区中提取符合预设林地要求的第一区域，并将所述第一区域确定为林地，所述预设林地要求包括：林地对应的高度要求及林地对应的光谱特征；
16.基于所述空间结构纹理信息、所述地面坡度信息及所述光谱特征信息从所述植被区中提取符合预设耕地要求的第二区域，并将所述第二区域确定为耕地，所述预设耕地要求包括：耕地对应的空间结构纹理特征、耕地对应的地面坡度要求及耕地对应的光谱特征；
17.将所述植被区中除所述第一区域及所述第二区域以外的区域确定为草地。
18.可选的，所述基于所述激光雷达数据信息将所述林地分为乔木区和灌木区，包括：
19.提取所述激光雷达数据信息内的植被冠层顶部高度信息和地面高程信息；
20.将所述植被冠层顶部高度信息和地面高程信息进行重采样，做差值运算得到植被高度信息；
21.根据所述植被高度信息对所述林地进行乔木和灌木的划分。
22.可选的，所述通过不同时间的卫星数据信息，将所述乔木区和灌木区进行常绿植被和落叶植被的划分，包括：
23.获取不同时间的卫星数据信息；
24.提取所述不同时间的卫星数据信息内关于林地中乔木区和灌木区的数据信息；
25.基于所述不同时间乔木区和灌木区的数据信息中的颜色信息，对所述乔木区和灌木区进行常绿植被和落叶植被的划分。
26.可选的，根据不同地物的光谱特征、所述卫星数据信息对所述目标区域进行分类，将所述目标区域分为植被区和非植被区，包括：
27.获取所述卫星数据信息中各类地物的光谱特性数据及分类标准；
28.根据所述分类标准提取所述卫星数据信息中符合植被区光谱特性的第一数据信息，并基于所述第一数据信息对应的区域确定所述植被区，所述目标区域内除植被区以外的区域为非植被区，所述非植被区包括建筑区和生态破坏区；
29.根据所述分类标准提取所述卫星数据信息中符合建筑区光谱特性的第二数据信息，并基于所述第二数据信息对应的区域确定所述建筑区；
30.基于所述卫星数据信息中除所述第一数据信息及所述第二数据信息以外的数据信息对应的区域确定所述生态破坏区。
31.可选的，所述获取目标区域的土地数据信息，包括：
32.通过卫星遥感和激光雷达，获取目标区域的初始土地数据信息；
33.对所述初始土地数据信息进行分析，提取非云区数据，并对所述非云区数据进行整合；
34.对整合后的所述非云区数据进行水体识别，提取非水体区域数据；
35.对所述非水体区域数据进行整合得到所述土地数据信息。
36.本发明实施例还提供了一种生态区土地分类装置，其特征在于，包括：
37.获取模块，用于获取目标区域的土地数据信息，所述土地数据信息包括激光雷达数据信息和卫星数据信息；
38.第一分类模块，用于根据不同地物的光谱特征、所述卫星数据信息对所述目标区域进行分类，将所述目标区域分为植被区和非植被区；
39.第二分类模块，用于根据不同的典型植被覆盖类型的光谱特征结合所述激光雷达数据信息对所述植被区进行分类。
40.本发明实施例还提供了一种电子设备，包括：
41.存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行本发明实施例提供的生态区土地分类方法。
42.本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行本发明实施例提供的生态区土地分类方法。
43.本发明技术方案，具有如下优点：
44.本发明一种生态区土地分类方法、装置及电子设备，通过获取目标区域的土地数据信息，土地数据信息包括激光雷达数据信息和卫星数据信息；根据不同地物的光谱特征、卫星数据信息对目标区域进行分类，将目标区域分为植被区和非植被区；根据不同植被覆盖类型的光谱特征、卫星数据信息以及激光雷达数据信息对植被区进行分类。本发明通过融合不同平台(航空激光雷达 卫星多光谱影像)、不同时相(冬季和夏季)、不同分辨率(1～30m)的多源数据，对生态区的土地进行分类，打破传统林业调研方法，有效提高了分类的效率和精度；同时通过不同层级的分类，细化分类体系，有效利用地物的各种信息，构成知识体系，提高分类精度，尤其是在光谱特征相似，容易产生混淆的地物分类过程中可达到很好的分类效果，有效解决“同谱异物”问题。
附图说明
45.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
46.图1为本发明实施例中的生态区土地分类方法的流程图；
47.图2为根据本发明实施例的获取目标区域的土地数据信息的具体流程图；
48.图3为根据本发明实施例中根据不同地物的光谱特征、卫星数据信息对目标区域进行分类的具体流程图；
49.图4为根据本发明实施例中对生态破坏区进行分类的具体流程图；
50.图5为根据本发明实施例中根据不同植被覆盖类型的光谱特征、卫星数据信息以及激光雷达数据信息对植被区进行分类的具体流程图；
51.图6为根据本发明实施例中将植被区划分为耕地、草地和林地的具体流程图；
52.图7为根据本发明实施例中基于激光雷达数据信息将林地分为乔木区和灌木区的具体流程图；
53.图8为根据本发明实施例中将乔木区和灌木区进行常绿植被和落叶植被的划分的具体流程图；
54.图9为根据本发明实施例中土地分类体系的示意图；
55.图10为本发明实施例中的生态区土地分类装置的结构示意图；
56.图11为本发明实施例中的电子设备的结构示意图。
具体实施方式
57.为使本发明实施例的目的、技术方案和优点更加清楚，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。
58.根据本发明实施例，提供了一种生态区土地分类方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
59.在本实施例中提供了一种生态区土地分类方法，如图1所示，该生态区土地分类方法包括如下步骤：
60.步骤s1：获取目标区域的土地数据信息，土地数据信息包括激光雷达数据信息和卫星数据信息。具体的，现阶段开展的大区域的土地宏观监测一般采用低空间分辨率的卫星遥感影像，仅通过卫星遥感影像对地物进行识别分类，分类精度低、效果差，本实施例中采用激光雷达与卫星相结合，通过卫星获取不同时间、多种分辨率的遥感数据，通过激光雷达获取地物的高度和方位信息，有效的提高了分类的精度。
61.步骤s2：根据不同地物的光谱特征、所述卫星数据信息对所述目标区域进行分类，将所述目标区域分为植被区和非植被区。具体的，由于不同地物拥有不同的电磁波辐射规律，植被区和非植被区之间的电磁波辐射规律具有较大差异，基于此对目标区域内的地物进行初步分类，较为准确的根据土地利用类型将地物进行大类别划分。
62.步骤s3：根据不同植被覆盖类型的光谱特征、卫星数据信息以及激光雷达数据信息对植被区进行分类。具体的，由于植被区在生态区的占地面积较大，同时植被区内的各类地物间可能存在光谱特征差异较小的情况，但是由于植被区地物还存在季节性和生长形态等差异，结合激光雷达数据信息，可对植被区的地物进行更为准确地分类。
63.通过上述步骤s1至步骤s3，本发明实施例提供的生态区土地分类方法，通过融合不同平台(航空激光雷达 卫星多光谱影像)、不同时相(冬季和夏季)、不同分辨率(1～30m)的多源数据，对生态区的土地进行分类，有效提高了分类的效率和精度；同时通过不同层级的分类，细化分类体系，有效利用地物的各种信息，构成知识体系，提高分类精度，尤其是在光谱特征相似，容易产生混淆的地物分类过程中可达到很好的分类效果，有效解决“同谱异物”问题。
64.具体地，在一实施例中，上述的步骤s1，如图2所示，具体包括如下步骤：
65.步骤s11：通过卫星遥感和激光雷达，获取目标区域的初始土地数据信息。具体的，此处的初始土地数据信息里包含不同时间、多分辨率下的云区数据、水体区数据和土地数据，若对土地数据进行分析，需要从初始土地数据信息里排除云区数据和水体区数据。
66.步骤s12：对初始土地数据信息进行分析，提取非云区数据，并对非云区数据进行整合。具体的，获取初始土地数据信息中的遥感影像，利用光谱、纹理、形状特征进行遥感影像分割，以图斑作为影像分类基础单元，有效避免“椒盐”现象；云区数据为土地分类分析过
程中需要进行排除的一类数据，因此可以选取晴天少云的数据信息，将云区数据进行排除后整合，得到地面数据信息。
67.步骤s13：对整合后的非云区数据进行水体识别，提取非水体区域数据。具体的，由于生态区可能会包含湖、河流等水体区域，还需要对地面数据信息进行进一步分析，利用总反射率及水体指标ndwi来判断水体以及非水体，提取出不包含水体的区域数据。
68.步骤s14：对非水体区域数据进行整合得到土地数据信息。具体的，将水体区域排除后，剩余部分进行整合得到土地数据信息。
69.具体的，现阶段开展的大区域的土地宏观监测一般采用低空间分辨率的卫星遥感影像，仅通过卫星遥感影像对地物进行识别分类，分类精度低、效果差，本实施例中采用激光雷达与卫星相结合，通过卫星获取多种分辨率的遥感数据，通过激光雷达获取地物的高度和方位信息，有效的提高了分类的精度。
70.具体地，在一实施例中，上述的步骤s2，如图3所示，具体包括如下步骤：
71.步骤s21：获取卫星数据信息中各类地物的光谱特性数据及分类标准。具体的，不同地物拥有不同的光谱特性，其分类标准也不同，因此在分类前需要提前获取卫星数据信息中各类地物的光谱特性数据及分类标准。
72.步骤s22：根据分类标准提取卫星数据信息中符合植被区光谱特性的第一数据信息，并基于第一数据信息对应的区域确定植被区，目标区域内除植被区以外的区域为非植被区，非植被区包括建筑区和生态破坏区。具体的，基于决策树分类和面向对象分类的耦合分类算法，根据不同地物光谱特征差异，首先利用决策树分类提取逐步剔除非植被区域，保留植被区域，然后通过预设的增强型植被指数evi对植被区进行识别；通过预设的不同的归一化植被指数ndvi，对植被区的细节部分进行修正，其中包含去除植被区的道路数据、补充完善阴影区植被等。
73.步骤s23：根据分类标准提取卫星数据信息中符合建筑区光谱特性的第二数据信息，并基于第二数据信息对应的区域确定建筑区。
74.步骤s24：基于卫星数据信息中除第一数据信息及第二数据信息以外的数据信息对应的区域确定生态破坏区。具体的，生态破坏区域包括矿石堆、砂石坑、采石场等，此类场景对生态环境影响关键但面积较小，在对其进行区域分类后，可采用现有的一些识别技术对其进行分析。
75.具体的，由于不同地物拥有不同的电磁波辐射规律，建筑区、植被区和生态破坏区之间的电磁波辐射规律具有较大差异，基于此对目标区域内的地物进行初步分类，较为准确的根据土地利用类型将地物进行大类别划分。
76.具体地，在一实施例中，上述的步骤s2，还包括步骤s25：对生态破坏区进行分类，如图4所示，具体步骤如下：
77.步骤s251：获取卫星数据信息中不同分辨率的卫星影像。具体的，由于这些区域通常面积较小，较为分散，但是对生态环境的影响又较为关键，因此对生态破坏区进行再次分类。
78.步骤s252：提取卫星影像中生态破坏区的影像。具体的，在低分辨率的情况下，可能会出现识别不清晰的情况，因此对多种分辨率情况下的卫星影像进行分析，通过增加分辨率，有效提取生态破坏区的影响。
79.步骤s253：对不同分辨率下的生态破坏区的影像进行地物识别，根据识别结果将生态破坏区分为矿石堆、砂石坑、裸岩等。具体的，此处的识别过程可采用人工识别或图像识别，以达到精准划分该区域地物的目的。
80.具体地，在一实施例中，上述的步骤s3，如图5所示，具体包括如下步骤：
81.步骤s31：根据不同植被覆盖类型的光谱特征、卫星数据信息和激光雷达数据信息将植被区划分为耕地、草地和林地。具体的，植被区内的地物除了光谱特征有所区分，空间结构纹理也有所不同，同时林地与草地、耕地的高度不同，耕地和草地的坡度不同，根据上述区别点，可以对植被区内的地物进行有效识别。
82.步骤s32：基于激光雷达数据信息将林地分为乔木区和灌木区。具体的，由于乔木相较于灌木拥有主干且高度较高，通过激光雷达数据可以提取植被冠层顶部高度信息，再利用激光雷达数据提取地面高程信息，将两者进行重采样，做差值运算得到植被高度信息；通过采用面向对象分类方法对植被进行识别分析，可有效的对乔木和灌木进行区分。
83.步骤s33：通过不同时间的卫星数据信息，将乔木区和灌木区进行常绿植被和落叶植被的划分。具体的，在不同时间，例如冬季和夏季，常绿植被和落叶植被会产生较大的区分度，落叶植被会在冬季落叶，因此能够与常绿植被进行区分，从而对林地进行区域的划分。
84.具体的，由于植被区在生态区的占地面积较大，同时植被区内的各类地物间可能存在光谱特征差异较小的情况，但是由于植被区地物还存在季节性和生长形态等差异，结合激光雷达数据信息，可对植被区的地物进行更为准确地分类。
85.具体地，在一实施例中，上述的步骤s31，如图6所示，具体包括如下步骤：
86.步骤s311：从激光雷达数据信息中获取植被区的空间结构纹理信息、植被高度信息、地面坡度信息，并从卫星数据信息中获取植被区的光谱特征信息。
87.步骤s312：基于植被高度信息及光谱特征信息从植被区中提取符合预设林地要求的第一区域，并将第一区域确定为林地，预设林地要求包括：林地对应的高度要求及林地对应的光谱特征。具体的，林地的高度要高于耕地和草地，通过植被高度信息，可以提取出林地的区域范围。
88.步骤s313：基于空间结构纹理信息、地面坡度信息及光谱特征信息从植被区中提取符合预设耕地要求的第二区域，并将第二区域确定为耕地，预设耕地要求包括：耕地对应的空间结构纹理特征、耕地对应的地面坡度要求及耕地对应的光谱特征。具体的，耕地相较于草地具有更加规整的空间结构纹理，同时耕地区域一般较为平坦，不会出现较大的坡度，此设计是为了便于耕种，此时可通过空间结构纹理信息和地面坡度信息对耕地和草地做出区分。
89.步骤s314：将植被区中除第一区域及第二区域以外的区域确定为草地。
90.具体的，植被区内的地物除了光谱特征有所区分，空间结构纹理也有所不同，同时林地与草地、耕地的高度不同，耕地和草地的坡度不同，根据上述区别点，可以对植被区内的地物进行有效识别。
91.具体地，在一实施例中，上述的步骤s32，如图7所示，具体包括如下步骤：
92.步骤s321：提取激光雷达数据信息内的植被冠层顶部高度信息和地面高程信息。
93.步骤s322：将植被冠层顶部高度信息和地面高程信息进行重采样，做差值运算得
到植被高度信息。
94.步骤s323：根据植被高度信息对林地进行乔木和灌木的划分。具体的，通常乔木可以长到6米以上，而灌木的高度通常为1
‑
3米，因此，根据植被高度信息对乔木和灌木进行划分，准确率高。
95.具体的，由于乔木相较于灌木拥有主干且高度较高，通过激光雷达数据可以提取植被冠层顶部高度信息，再利用激光雷达数据信息提取地面高程信息，将两者进行重采样，做差值运算得到植被高度信息；通过对植被高度信息进行分析，可有效的对乔木和灌木进行区分。
96.具体地，在一实施例中，上述的步骤s33，如图8所示，具体包括如下步骤：
97.步骤s331：获取不同时间的卫星数据信息。具体的，获取不同时间的卫星数据信息，是为了提取在不同季节条件下植物的生长特征。
98.步骤s332：提取不同时间的卫星数据信息内关于林地中乔木区和灌木区的数据信息。
99.步骤s333：基于不同时间乔木区和灌木区的数据信息中的颜色信息，对乔木区和灌木区进行常绿植被和落叶植被的划分。具体的，常绿植被会在全年保持枝干上长有叶子，且叶子是陆续更新的状态，所以终年保持常绿；而落叶植物在一年中会有一段时间叶片完全脱落；所以根据不同时间林地的颜色，可以对常绿植被和落叶植被进行区分，准确度高。
100.具体的，在不同时间，例如冬季和夏季，常绿植被和落叶植被会产生较大的区分度，落叶植被会在冬季落叶，因此能够与常绿植被进行区分，从而对乔木区和灌木区进行区分。
101.具体的，根据对各类地物的特征分析，在此列举一种土地分类规则：
102.①
水体识别规则：5、4、3三个波段dn值之和<9500，水体指数ndwi>
‑
0.28；
103.②
植被区识别规则：增强型植被指数evi>＝0.4作为植被区；
104.细节部分修正：ndvi<0.55，将植被区的道路剔除；ndvi>0.4，将阴影区的植被进行补充完善；
105.③
非植被区识别规则：除植被区外的区域，其中特殊的非植被区，如矿堆、砂石坑等，通过人工或图像识别方式进行区分；
106.④
耕地区识别规则：通过耦合高程和历史解译资料获取，位于植被区的图斑并且坡度<10
°
；
107.⑤
乔木、灌木识别规则：植被区除耕地范围后，利用激光雷达数据提取植被冠层顶部高度信息，再利用激光雷达数据提取地面高程信息，将两者进行重采样，做差值运算得到植被高度信息，为植被类型划分提供重要参考。
108.⑥
针叶林识别规则：研发了基于冬季和夏天时相影响提取针叶林方法，加入冬季时相的影像进行ndvi计算，且阈值高于0的区域。
109.在本实施例中还提供了一种生态区土地分类装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
110.本实施例提供一种生态区土地分类装置，如图10所示，包括：
111.获取模块101，用于获取目标区域的土地数据信息，土地数据信息包括激光雷达数据信息和卫星数据信息，详细内容参见上述方法实施例中步骤s1的相关描述，在此不再进行赘述。
112.第一分类模块102，用于根据目标区域内不同地物的光谱特征差异对卫星数据信息进行分类，将目标区域分为植被区和非植被区，详细内容参见上述方法实施例中步骤s2的相关描述，在此不再进行赘述。
113.第二分类模块103，用于根据不同的典型植被覆盖类型的光谱特征结合激光雷达数据信息对植被区进行分类，详细内容参见上述方法实施例中步骤s3的相关描述，在此不再进行赘述。
114.本实施例中的生态区土地分类装置是以功能单元的形式来呈现，这里的单元是指asic电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
115.上述各个模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
116.根据本发明实施例还提供了一种电子设备，如图11所示，该电子设备可以包括处理器901和存储器902，其中处理器901和存储器902可以通过总线或者其他方式连接，图11中以通过总线连接为例。
117.处理器901可以为中央处理器(central processing unit，cpu)。处理器901还可以为其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
118.存储器902作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明方法实施例中的方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。
119.存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器901所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
120.一个或者多个模块存储在存储器902中，当被处理器901执行时，执行上述方法实施例中的方法。
121.上述电子设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解，此处不再赘述。
122.本领域技术人员可以理解，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，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(read
‑
only memory，rom)、随机存储记忆体(random access memory，ram)、快
闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid
‑
state drive，ssd)等；存储介质还可以包括上述种类的存储器的组合。
123.虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。