一种图像保障信息评估系统的制作方法

1.本发明涉及信息评估领域，更具体地，涉及一种图像保障信息评估系统。


背景技术：

2.随着信息技术的发展，一体化联合作战体系成为未来战场的发展趋势,联合情报保障系统作为联合作战体系的重要组成部分,是作战决策和指挥控制命令生成的基础。
3.其中,基于各种侦察手段如卫星、雷达等获取的侦察图像和视频已成为重要的战役和战术情报，是指挥决策和实施作战行动的重要信息来源。为提高图像情报判读人员工作效率，图像信息保障系统能够对获得的图像质量进行自动化评分与智能化分析。因此，建设图像信息的保障能力的评估工具，实现对图像传输流程的打分、图像的智能处理至关重要。


技术实现要素：

4.本发明针对现有技术中存在的技术问题，提供一种图像保障信息评估系统，包括图像获取模块、图像传输模块、图像处理模块、图像分析模块、图像评估模块和综合分析模块；所述图像获取模块，用于从远端服务器或本地获取图片，记录图片获取方式；所述图像传输模块，用于传输获取的图片，记录图片传输时的网络延迟和编码格式；所述图像处理模块，用于对获取的图片进行图像处理；所述图像分析模块，用于对图片中的目标进行分析检测，获得分析检测结果；所述图像评估模块，用于根据图片获取方式、网络延迟和编码方式，计算图片在获取和传输过程中，相关图像保障信息指标的得分；在图像处理后，计算图像处理相关保障信息指标的得分；以及在图像分析后，根据分析检测结果计算图像分析相关保障信息指标的得分；所述综合分析模块，用于根据图片在获取和传输过程中相关图像保障信息指标的得分、图像处理相关保障信息指标的得分和图像分析相关保障信息指标的得分，计算最终图像保障信息评估综合得分。
5.在上述技术方案的基础上，本发明还可以做出如下改进。
6.可选的，所述图片获取方式包括从远端服务器获取方式或从本地获取方式，所述图像评估模块，用于根据图片获取方式、网络延迟和编码方式，计算图片在获取和传输过程中，相关图像保障信息指标的得分，包括：图像评估模块根据图片获取方式，计算图片在获取过程中的实时性指标得分和保真度指标得分，以及根据图片传输过程中的网络延迟和编码方式，计算图片在传输过程中的保密性能指标得分、传输延迟指标得分和压缩程度指标得分。
7.可选的，所述图像分析模块，用于对图片中的目标进行分析检测，获得分析检测结果，包括：基于遥感图像检测分析方式或sar图像检测分析方式对图片中的目标进行检测分析，获得目标检测分析结果；其中，所述遥感图像检测分析方式和所述sar图像检测分析方式均基于目标检测网络对图片中的目标进行识别。
8.可选的，所述目标检测网络包括密集特征金字塔模块、倾斜候选区域生成模块和
分类定位模块；所述密集特征金字塔模块，用于提取图片的特征图；
9.所述倾斜候选区域生成模块，用于根据图片的特征图，生成表征图片中各个目标位置的多个倾斜候选区域；所述分类定位模块，用于基于图片的特征图，对多个倾斜候选区域的位置进行校正，并识别出图片中各个目标的类型、目标数量、目标位置和每个目标的识别置信度。
10.可选的，所述密集特征金字塔模块为在fpn结构的基础上添加紧密连接的结构，所述密集特征金字塔模块包括c2、c3、c4和c5卷积层以及p2、p3、p4和p5卷积层，所述c2、c3、c4和c5卷积层顺次卷积连接，所述p2、p3、p4和p5卷积层通过卷积密集方式连接，所述c2卷积层与p2卷积层连接，所述c3卷积层与p3卷积层连接，所述c4卷积层与p4卷积层连接，所述c5卷积层与p5卷积层连接；所述c2卷积层的输出特征图经过一个1
×
1卷积层，分别与p3卷积层输出两倍上采样后的特征图、p4卷积层输出四倍上采用后的特征图以及p5卷积层输出八倍上采样后的特征图在p2卷积层进行特征图拼接，获得拼接特征图，在拼接特征图上进行一次3
×
3的卷积，获得图片的特征图。
11.可选的，所述倾斜候选区域生成模块，用于根据图片的特征图，生成表征图片中各个目标位置的多个倾斜候选区域，包括：倾斜候选区域生成模块，用于根据图片的特征图，生成表征图片中各个目标位置的不同角度、不同尺度、不同比例的倾斜锚点框；相应，所述分类定位模块，用于基于图片的特征图，对多个倾斜候选区域的位置进行校正，包括：根据图片的特征图，基于旋转区域池化方法，为每一个倾斜候选区域提取一个固定长度的区域框；相应的，所述图像评估模块，用于在图像分析后，根据分析检测结果计算图像分析相关保障信息指标的得分，包括：在图像分析后，分别根据遥感图像检测分析方式和sar图像检测分析方式识别出的图片中各个目标的类型、目标数量、目标位置和每个目标的识别置信度计算遥感图像检测分析指标得分和sar图像检测分析指标得分。
12.可选的，所述图像处理模块，用于对获取的图片进行图像处理，包括：对图片分别进行图像去噪处理、图像去模糊处理和图像超分处理；相应的，所述图像评估模块，用于在图像处理后，计算图像处理相关保障信息指标的得分，包括：在图像处理后，分别计算图像去噪指标得分、图像去模糊指标得分和图像超分指标得分。
13.可选的，所述在图像处理后，分别计算图像去噪指标得分、图像去模糊指标得分和图像超分指标得分，包括：根据处理后的图像，基于局部归一化亮度系数法mscn计算处理后的图像的mscn参数特征向量；基于mscn参数特征向量与指标得分之间的映射关系，获得对应的指标得分。
14.可选的，所述综合分析模块，用于根据图片在获取和传输过程中相关图像保障信息指标的得分、图像处理相关保障信息指标的得分和图像分析相关保障信息指标的得分，计算最终图像保障信息评估综合得分，包括：建立指标层次结构模块，其中，将图像获取和传输过程中相关图像保障信息指标、图像处理相关保障信息指标和图像分析相关保障信息指标作为三级指标，将图像获取模块、图像传输模块、图像处理模块和图像分析模块作为二级指标，图像保障信息综合指标作为一级指标；根据每一个二级指标包括的三级指标的得分，通过加权求和计算每一个二级指标的得分；基于每一个二级指标的得分，通过加权求和计算图像保障信息综合指标的得分。
15.可选的，通过如下方式获取每一个三级指标的权重或每一个二级指标的权重：对
于同一个二级指标下的多个三级指标或者对于多个二级指标，根据对单个指标两两之间相对重要程度的定性描述，转化为比较矩阵中的定量来描述，对比较矩阵求最大特征向量，归一化后作为权重向量，对应每个三级指标或每一个二级指标在图像保障信息中的权重。
16.本发明提供的一种图像保障信息评估系统，以图像处理理论与深度学习理论为基础，针对图像保障的一些具体领域与各个环节，包括图像获取、图像传输、图像处理和图像分析多个环节，独立保障能力评估，每一环节内部又分为各个子环节，然后针对子环节进行保障能力评估，在保障功能细分的基础之上，建立评估指标体系，整体上指标体系能够体现处理过程的时间特性、准确度特性，可靠性特性等指标，为图像情报处理评估能力建设提供支撑。
附图说明
17.图1为本发明提供的一种图像保障信息评估系统的结构示意图；
18.图2为目标检测网络的结构示意图；
19.图3为目标检测网络中的密集特征金字塔模块的结构示意图；
20.图4为密集特征金字塔模块提取图片的特征图的示意图；
21.图5为倾斜候选区域生成模块生成的多个倾斜候选区域的示意图；
22.图6为分类定位模块对倾斜候选区域校正示意图；
23.图7为计算图像处理相关保障信息指标得分的示意图；
24.图8为建立的指标层次结构图；
25.图9为不同层次的指标之间的关系示意图。
具体实施方式
26.下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
27.基于背景技术中的缺陷和需求，图1为本发明提供的一种图像保障信息评估系统，如图1所示，评估系统包括图像获取模块、图像传输模块、图像处理模块、图像分析模块、图像评估模块和综合分析模块。
28.可以理解的是，图像保障信息包含了图像获取、图像传输、图像处理与图像分析过程中的各个指标信息。需要说明的是，本发明实施例中的图片为雷达或卫星拍摄的图片，图片中包括一些小目标，比如，飞机、船舰等目标。
29.其中，图像获取模块，用于从远端服务器或本地获取图片，记录图片获取方式；图像传输模块，用于传输获取的图片，记录图片传输时的网络延迟和编码格式；图像处理模块，用于对获取的图片进行图像处理；图像分析模块，用于对图片中的目标进行分析检测，获得分析检测结果；图像评估模块，用于根据图片获取方式、网络延迟和编码方式，计算图片在获取和传输过程中，相关图像保障信息指标的得分；在图像处理后，计算图像处理相关保障信息指标的得分；以及在图像分析后，根据分析检测结果计算图像分析相关保障信息指标的得分；综合分析模块，用于根据图片在获取和传输过程中相关图像保障信息指标的得分、图像处理相关保障信息指标的得分和图像分析相关保障信息指标的得分，计算最终图像保障信息评估综合得分。
30.本发明以图像处理理论与深度学习理论为基础，针对图像保障的一些具体领域与各个环节，包括图像获取、图像传输、图像处理和图像分析多个环节，独立保障能力评估，每一环节内部又分为各个子环节，然后针对子环节进行保障能力评估，在保障功能细分的基础之上，建立评估指标体系，整体上指标体系能够体现处理过程的时间特性、准确度特性，可靠性特性等指标，为图像情报处理评估能力建设提供支撑。
31.在一种可能的实施例方式中，图片获取方式包括从远端服务器获取方式或从本地获取方式，图像评估模块，用于根据图片获取方式、网络延迟和编码方式，计算图片在获取和传输过程中，相关图像保障信息指标的得分，包括：图像评估模块根据图片获取方式，计算图片在获取过程中的实时性指标得分和保真度指标得分，以及根据图片传输过程中的网络延迟和编码方式，计算图片在传输过程中的保密性能指标得分、传输延迟指标得分和压缩程度指标得分。
32.可以理解的是，图像保障信息中图像传输与获取指标包括：实时性、保真度、保密性能、传输延迟与压缩程度等指标。其中，对图像获取过程中的相关图像保障信息指标进行评估时，根据图片获取方式，计算图片在获取过程中的实时性指标得分和保真度指标得分。对图像传输过程中的相关图像保障信息指标进行评估时，根据图片传输过程中的网络延迟和编码方式，计算图片在传输过程中的保密性能指标得分、传输延迟指标得分和压缩程度指标得分。
33.在一种可能的实施例方式中，图像分析模块，用于对图片中的目标进行分析检测，获得分析检测结果，包括：基于遥感图像检测分析方式或sar图像检测分析方式对图片中的目标进行检测分析，获得目标检测分析结果；其中，遥感图像检测分析方式和sar图像检测分析方式均基于目标检测网络对图片中的目标进行识别。
34.可以理解的是，图像分析与图像处理过程包括：遥感图像检测分析、sar图像检测分析、图像去噪、图像去模糊与图像超分等图像处理。系统除了需要根据具体情况记录图像传输与获取过程中的各项性能指标外，还需要提供相应的图像分析与图像处理功能。在图像分析中，需要针对不同的图像数据类型，提供相应的处理算法，针对不同的数据来源研究基于深度学习的图像分析方法，使分析结果更加准确。对于遥感图像，其目标检测难点在于检测目标密集且尺寸较小，检测难度大。对于sar图像的目标检测则相对容易，但也存在目标模糊的问题。
35.在本发明实施例中，在图像分析模块对图片中的目标进行分析检测时，根据图片类型的不同，分别采取相应的检测分析方法来识别图片中的目标。具体的，如果图片为遥感图像，则采用遥感图像检测分析方式对图片进行检测分析；如果图片为sar图像，则采用sar图像检测分析方式对图片进行检测分析。
36.其中，无论是采用遥感图像检测分析方法或者采用sar图像检测分析方法对图片进行检测分析，均是基于目标识别网络来对图片中的目标进行识别。
37.在一种可能的实施例方式中，目标检测网络包括密集特征金字塔模块、倾斜候选区域生成模块和分类定位模块；密集特征金字塔模块，用于提取图片的特征图；倾斜候选区域生成模块，用于根据图片的特征图，生成表征图片中各个目标位置的多个倾斜候选区域；分类定位模块，用于基于图片的特征图，对多个倾斜候选区域的位置进行校正，并识别出图片中各个目标的类型、目标数量、目标位置和每个目标的识别置信度。
38.可以理解的是，如图2所示，浅层特征图具有较多的位置信息，深层特征图具有较多的语义信息，但是位置信息模糊，针对小目标检测时，定位不准问题，需要保持浅层特征图中的位置信息，因此本发明提出的密集特征金字塔模块在fpn结构的基础上设计紧密连接的结构，在fpn结构的基础上添加类似dense
‑
net的密集连接，即前层所有输出作为后层的输入，同时采用concat进行通道连接而非按位叠加，充分重用浅层特征中的位置信息。
39.其中，参见图2，本发明实施例中的目标识别网络主要包括密集特征金字塔模块、倾斜候选区域生成模块和分类定位模块，将图片输入密集特征金字塔模块，由密集特征金字塔模块输出图片的特征图，倾斜候选区域生成模块根据图片的特征图，生成表征图片中各个目标位置的倾斜候选区域，分类定位模块根据图片的特征图和倾斜候选区域，对图片中的目标的类型、数量以及目标识别置信度进行分析。
40.其中，参见图3，密集特征金字塔模块为在fpn结构的基础上添加紧密连接的结构，密集特征金字塔模块包括c2、c3、c4和c5卷积层以及p2、p3、p4和p5卷积层，c2、c3、c4和c5卷积层顺次卷积连接，p2、p3、p4和p5卷积层通过卷积密集方式连接，c2卷积层与p2卷积层连接，c3卷积层与p3卷积层连接，c4卷积层与p4卷积层连接，c5卷积层与p5卷积层连接。
41.参见图4，c2卷积层的输出特征图经过一个1
×
1卷积层，分别与p3卷积层输出两倍上采样后的特征图、p4卷积层输出四倍上采用后的特征图以及p5卷积层输出八倍上采样后的特征图在p2卷积层进行特征图拼接，获得拼接特征图，在拼接特征图上进行一次3
×
3的卷积，获得最终图片的特征图。
42.在一种可能的实施例方式中，倾斜候选区域生成模块，用于根据图片的特征图，生成表征图片中各个目标位置的多个倾斜候选区域，包括：倾斜候选区域生成模块，用于根据图片的特征图，生成表征图片中各个目标位置的不同角度、不同尺度、不同比例的倾斜锚点框；相应，分类定位模块，用于基于图片的特征图，对多个倾斜候选区域的位置进行校正，包括：根据图片的特征图，基于旋转区域池化方法，为每一个倾斜候选区域提取一个固定长度的区域框；相应的，图像评估模块，用于在图像分析后，根据分析检测结果计算图像分析相关保障信息指标的得分，包括：在图像分析后，分别根据遥感图像检测分析方式和sar图像检测分析方式识别出的图片中各个目标的类型、目标数量、目标位置和每个目标的识别置信度计算遥感图像检测分析指标得分和sar图像检测分析指标得分。
43.可以理解的是，参见图5，本发明实施例中倾斜候选区域生成模块中的相关设置参数，用以生成不同角度、不同尺度、不同比例的倾斜锚点框，具体设置3种尺度，3种长宽比例，6种倾斜角度。生成的候选区域中包含了各种角度与各种尺度的众多候选框，为了完成后续的分类与回归，在分类定位模块中使用旋转区域池化的方法，如图6所示，为每个候选区域提取一个固定长度的特征向量，用以分类回归，对图片中每一个目标的类型、目标的数量和识别的每一个目标的置信度。
44.在处理分析后，根据目标识别网络识别出的图片中每一个目标的类型、目标的数量和识别的每一个目标的置信度，对遥感图像检测分析方法和sar图像检测分析方法指标进行评，分别得到遥感图像检测指标得分和sar图像检测指标得分。
45.在一种可能的实施例方式中，图像处理模块，用于对获取的图片进行图像处理，包括：对图片分别进行图像去噪处理、图像去模糊处理和图像超分处理；相应的，所述图像评估模块，用于在图像处理后，计算图像处理相关保障信息指标的得分，包括：在图像处理后，
分别计算图像去噪指标得分、图像去模糊指标得分和图像超分指标得分。
46.可以理解的是，图像处理模块主要是分别对图片进行图像去噪处理、图像去模糊处理和图像超分处理，分别得到图像去噪处理、图像去模糊和图像超分处理后的图像。图像评估模块分别计算图像去噪指标得分、图像去模糊指标得分和图像超分指标得分。
47.在图像处理后，分别计算图像去噪指标得分、图像去模糊指标得分和图像超分指标得分时，参见图7，本发明实施例使用基于深度学习的无参考图像质量评估方法进行评估，利用局部归一化亮度系数(mscn)的场景统计模型来量化图像“自然度”损失，为了定量描述自然场景统计系数与失真程度的映射关系，利用mscn方法对处理后的图像的特征向量进行提取，得到处理后的图像的mscn参数特征向量，最后使用支持向量模型将参数特征向量映射到质量得分，其中，mscn参数特征向量与质量得分具有一定的映射关系。
48.在一种可能的实施例方式中，可以理解的是，在综合分析模块根据图片在获取和传输过程中相关图像保障信息指标的得分、图像处理相关保障信息指标的得分和图像分析相关保障信息指标的得分，计算最终图像保障信息评估综合得分时，建立指标层次结构模型。其中，将图像获取和传输过程中相关图像保障信息指标、图像处理相关保障信息指标和图像分析相关保障信息指标作为三级指标，将图像获取模块、图像传输模块、图像处理模块和图像分析模块作为二级指标，图像保障信息综合指标作为一级指标，建立的指标层次模型可参见图8所示，根据每一个二级指标包括的三级指标的得分，通过加权求和计算每一个二级指标的得分；基于每一个二级指标的得分，通过加权求和计算图像保障信息综合指标的得分。
49.可以理解的是，参见图8，本发明实施例中将图像保障信息指标分为图像获取、图像传输、图像分析与图像处理四个元素组，图像获取元素组对应实时性与保真度指标，图像传输元素组对应保密性能、传输延迟与压缩程度指标，图像分析元素组对应sar检测与遥感检测指标，图像处理元素组包括图像去噪、图像去模糊与图像超分指标。如图9所示，除了元素组间存在关联，元素组内子元素与其他元素组的子元素之间也存在关联。本发明实施例在层次分析法的基础上，考虑元素组间关系，构建网络分析模型。
50.网络分析模型根据问题的性质和要达到的总目标，将问题分解为不同的组成因素，并按照因素间的相互关联影响以及隶属关系将因素按不同层次聚集组合，形成一个多层次的分析结构模型，从而最终使问题归结为最低层(供决策的方案、措施等)相对于最高层(总目标)的相对重要权值的确定或相对优劣次序的排定。
51.在本发明实施例中，网络分析模型的工作流程如下：
52.(1)建立层次结构模型。将决策的目标、考虑的因素(决策准则)和决策对象按它们之间的相互关系分为最高层、中间层和最低层，绘出层次结构图。具体而言，根据实际需求，确定图像保障流程中各个子模块之间、各个子模块之内的功能的重要程度，通过相对重要性来衡量。本发明实施例中建立的多级指标的层次结构可参见图8所示。
53.(2)建立比较矩阵。根据步骤(1)中建立的层次结构模型，通过一致矩阵法，即不把所有因素放在一起比较，而是两两相互比较，对此时采用相对尺度，以尽可能减少性质不同的诸因素相互比较的困难，以提高准确度。如对某一准则，对其下的各方案进行两两对比，并按其重要性程度评定等级。其中，对指标的重要性进行定量标度可见表1所示：
54.表1重要性标度
55.同等重要稍微重要重要重要得多极其重要13579
56.通过两个指标之间的两两相互比较，得到相对重要程度，比如，图像传输元素组中两个指标间的相对重要程度可参见表2。
57.表2图像传输元素组相对重要程度
[0058] 保密性能压缩程度传输延迟实时性保密性能同等重要同等重要稍微重要明显重要压缩程度
‑
同等重要稍微重要明显重要传输延迟
‑‑
同等重要稍微重要实时性
‑‑‑
同等重要
[0059]
(3)归一化权重。比较矩阵求最大特征向量，归一化后作为权重向量，对应每个指标的在具体图像信息保障综合评价体系中的权重，最后加权求和，得到此图像综合信息保障能力得分。
[0060]
网络分析的方式可通过下面的流程直观展示，以图像传输流程为例，首先通过对保密性能、压缩程度等功能的重要程度进行分层，然后根据对单个指标两两之间相对重要程度的定性描述，转化为比较矩阵中的定量来描述，对比较矩阵求最大特征向量，归一化后作为权重向量，对应每个指标的在具体图像信息保障综合评价体系中的权重，最后加权求和，得到此图像综合信息保障能力得分。比如，以图像传输元素组为例，图像传输元素组的比较矩阵请见表3所示。
[0061]
表3图像传输元素组比较矩阵
[0062] 保密性能压缩程度传输延迟实时性保密性能1135压缩程度1135传输延迟1/31/513实时性1/31/51/31
[0063]
根据表3的比较矩阵得到的图像传输元素组权重请见表4所示：
[0064]
表4图像传输元素组权重
[0065]
保密性能压缩程度传输延迟实时性0.3910.3910.150.068
[0066]
采用上述的方法确定属于同一个二级指标下的多个三级指标的权重，基于每一个三级指标的得分和对应的权重，计算对应的二级指标的得分。然后，对于每一个二级指标，采用同样的方式确定每一个二级指标的权重，基于每一个二级指标的得分和对应的权重，计算最终的综合得分。
[0067]
本发明实施例提供的一种图像保障信息评估系统，主要具有以下效果：
[0068]
(1)提出一种新的遥感图像检测与sar图像检测，使用密集特征金字塔结构，在fpn结构的基础上添加类似dense
‑
net的密集连接，即前层所有输出作为后层的输入，同时采用拼接特征图进行通道连接而非按位叠加，充分重用特征，增加小目标的检测性能。
[0069]
(2)在普通目标检测的基础上，提出使用倾斜候选框生成网络生成不同角度，不同
尺度，不同比例的倾斜锚点框；在分类定位模块使用倾斜区域池化来将其转换为固定长度的特征向量，用以分类与回归，最后实现任意角度的遥感目标检测，可适用于任意角度、任意形状的目标检测。
[0070]
(3)提出通过局部归一化亮度系数的场景统计模型来量化图像“自然度”损失的无参考图像质量评估方法，为了定量描述自然场景统计系数与失真程度的映射关系，利用mscn构造处理后的图像不同方向的相邻系数内积，得到mscn参数特征向量，最后使用支持向量模型将参数特征向量映射到质量得分。
[0071]
(4)在层次分析法的基础上，考虑到各元素组的子元素存在互相影响的关系，构建网络分析模型。将图像保障信息评价指标分为三级，分别对采用层次分析法得到二级指标权重，通过网络分析法得到三级指标权重并计算得到最终的图像保障信息评价得分，实现对图像信息保障过程的打分与图像的智能分析。
[0072]
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
[0073]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
[0074]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。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、嵌入式计算机或者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。
[0075]
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。
[0076]
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。
[0077]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0078]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。