图像处理方法及装置与流程

1.本技术涉及图像处理技术领域，特别是涉及一种图像处理方法及装置。


背景技术：

2.在当今信息世界的快速发展中，人类获取的外界信息中有75％以上是通过视觉系统观察得到的，相比于传统的文本和语言信息，图像信息更加直观和准确。随着计算机和手机、相机等其他移动设备的普及，人们很容易能获得大量图像视频资料。然而获取到的图像可能存在光照水平不一致的问题，导致获取到的图像呈现的细节信息变少。


技术实现要素：

3.本技术提供一种图像处理方法及装置，可以使光照水平不一致的图像处理为同一光照水平的图像，提高了图像的呈现效果。
4.为达到上述目的，本技术提供一种图像处理方法，该方法包括：
5.对待处理图像进行分解，以得到待处理图像的照度分量和反射分量；
6.将照度分量中多种光照水平处理至同一光照水平，以得到均衡照度分量；
7.基于均衡照度分量和反射分量得到均衡照度图像。
8.其中，将照度分量中多种光照水平增强到同一光照水平的步骤包括：
9.按照光照水平对照度分量进行分解，以得到多种不同的光照水平的图像；
10.给不同光照水平的图像赋予不同的加权系数，将多种不同的光照水平的图像处理为多张同一光照水平的图像；
11.依据多张同一光照水平的图像整合成均衡照度分量。
12.其中，将照度分量中多种光照水平处理至同一光照水平，以得到均衡照度分量的步骤包括：
13.利用照度增强网络将照度分量中多种光照水平处理到同一光照水平，以得到均衡照度分量。
14.其中，照度增强网络包括第一卷积单元、通道注意力模块和第二卷积单元，按照光照水平对照度分量进行划分，以得到多种不同的光照水平的图像的步骤包括：
15.利用第一卷积单元对照度分量进行处理，以得到多通道的特征图，多通道的特征图中不同通道的特征图体现着照度分量上不同光照水平的内容；
16.利用通道注意力模块对多通道的特征图进行处理，以将不同通道的特征图处理成同一光照水平的特征图；
17.利用第二卷积单元对通道注意力模块的输出特征图进行处理，以将输出特征图整合成单通道的均衡照度分量。
18.其中，照度增强网络包括多个子增强网络，每个子增强网络包括第一卷积单元、通道注意力层和第二卷积单元；不同的子增强网络中的第一卷积单元的卷积核的宽和高不相同；
19.利用第二卷积单元对通道注意力模块的输出特征图进行处理，以将输出特征图融合成单通道的均衡照度分量的步骤包括：
20.利用第二卷积单元对通道注意力模块的输出特征图进行处理，以将输出特征图融合成单通道的图像；
21.将所有子增强网络输出的单通道的图像进行融合，以得到均衡照度分量。
22.其中，照度增强网络是利用低照度图像和正常照度图像并通过增强损失训练得到的；
23.其中，增强损失是利用低照度图像的均衡照度分量和正常照度图像的照度分量计算得到的。
24.其中，基于均衡照度分量和反射分量得到均衡照度图像的步骤之前还包括：对待处理图像的反射分量进行去噪处理，以得到去噪反射分量；
25.基于均衡照度分量和反射分量得到均衡照度图像的步骤包括：
26.对去噪反射分量和均衡照度分量进行计算，以得到均衡照度图像。
27.其中，对待处理图像的反射分量进行去噪处理，以得到去噪反射分量的步骤包括：
28.利用恢复网络对待处理图像的反射分量进行去噪处理，以得到去噪反射分量。
29.其中，恢复网络为u型结构网络，且u型结构网络中的上采样层之后连接有空间注意力模块，空间注意力模块用于基于反射分量中不同区域的噪声分布情况对反射分量进行去噪处理。
30.其中，恢复网络是利用基础反射分量和扩充反射分量训练得到的；
31.其中，扩充反射分量是将至少一种噪声加入到基础反射分量中而得到的。
32.其中，恢复网络是利用低照度图像和正常照度图像并通过第一损失、第二损失和/或颜色损失训练得到的；
33.其中，第一损失是基于低照度图像的去噪反射分量和正常照度图像的反射分量的差值计算出来的；
34.第二损失是基于低照度图像的去噪反射分量和正常照度图像的反射分量的梯度差值计算出来的。
35.其中，对待处理图像进行分解，以得到待处理图像的照度分量和反射分量的步骤包括：
36.将待处理图像输入到分解网并得到分解网输出的第二特征图，其中第二特征图中预设通道的图像数据为照度分量，第二特征图中除预设通道以外的图像数据为反射分量。
37.其中，分解网是利用低照度图像和正常照度图像并通过第三损失、照度分量平滑损失和/或重建损失训练得到的；
38.其中，第三损失是基于低照度图像的反射分量和正常照度图像的反射分量的差值计算出来的。
39.为达到上述目的，本技术还提供一种电子设备，该电子设备包括处理器；处理器用于执行指令以实现上述方法。
40.为达到上述目的，本技术还提供一种计算机可读存储介质，其用于存储指令/程序数据，指令/程序数据能够被执行以实现上述方法。
41.本技术将待处理图像分解而成的照度分量中多种光照水平处理至同一光照水平，
以得到光照水平一致的图像，可以对图像中不同亮度区域进行自适应调整，解决了对图像整体照度调整出现的局部区域过度曝光或亮度偏暗的问题；另外本技术是直接对待处理图像的照度分量进行处理，且照度分量是代表了入射光照的亮度的图像，从而对照度分量进行处理以统一图像的光照水平可以起到很好的均衡光照水平的效果，并且不会对反射分量中呈现的物体的本质特征信息造成影响。
附图说明
42.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：
43.图1是本技术图像处理方法一实施方式的流程示意图；
44.图2是本技术图像处理方法中分解网一实施方式的结构示意图；
45.图3是本技术图像处理方法中照度增强网络一实施方式的结构示意图；
46.图4是本技术图像处理方法中通道注意力模块一实施方式的结构示意图；
47.图5是本技术图像处理方法中空间注意力模块一实施方式的结构示意图；
48.图6是本技术图像处理方法中恢复网络一实施方式的结构示意图；
49.图7是本技术图像处理方法中恢复网络中空间注意力模块和通道注意力模块的连接示意图；
50.图8是本技术电子设备一实施方式的结构示意图；
51.图9是本技术计算机可读存储介质一实施方式的结构示意图。
具体实施方式
52.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。另外，除非另外指明(例如，“或另外”或“或在替代方案中”)，否则如本文所使用的术语“或”指代非排他性的“或”(即，“和/或”)。并且，本文所描述的各种实施例不一定相互排斥，因为一些实施例可以与一个或多个其它实施例组合以形成新的实施例。
53.图像受到不同方向、不同程度光照的影响，图像的各个区域的光照水平可能不一致，现有的照度调整方法都是直接对图像进行整体照度调整，并不能对图像中不同亮度区域进行自适应调整，这会使调整后的图像出现局部区域过度曝光或亮度偏暗的问题。
54.基于此，本技术提出一种图像处理方法，将待处理图像分解而成的照度分量中多种光照水平处理至同一光照水平，以得到光照水平一致的图像，可以对图像中不同亮度区域进行自适应调整，解决了对图像整体照度调整出现的局部区域过度曝光或亮度偏暗的问题；另外本技术是直接对待处理图像的照度分量进行处理，且照度分量是代表了入射光照的亮度的图像，从而对照度分量进行处理以统一图像的光照水平可以起到很好的均衡光照水平的效果，并且不会对反射分量中呈现的物体的本质特征信息造成影响。
55.具体如图1所示，本实施方式的图像处理方法包括以下步骤。需要注意的是，以下步骤编号仅用于简化说明，并不旨在限制步骤的执行顺序，本实施方式的各步骤可以在不
违背本技术技术思想的基础上，任意更换执行顺序。
56.s101：对待处理图像进行分解，以得到待处理图像的照度分量和反射分量。
57.可以先将待处理图像分解成照度分量和反射分量，以便后续直接对照度分量进行处理，以将图像中多种光照水平统一为同一个光照水平，以对图像中不同亮度区域进行自适应调整。
58.可选地，可以基于retinex理论，将待处理图像分解为反射分量和照度分量，其中反射分量是由物体性质决定的恒定分量，即体现了物体的本质特征的信息，而照度分量是代表了入射光照的亮度的图像。
59.可以通过多种方法将待处理图像分解成照度分量和反射分量。
60.在一实现方式中，可以利用训练好的分解网对待处理图像进行处理，以将待处理图像分解成照度分量和反射分量。
61.其中，分解网的网络结构不受限制，例如可为图2所示的网络，也可为cnn网络等。
62.其中，图2所示的分解网包括多个卷积层、激活函数和池化层，以通过多个卷积层提取不同层次的图像特征。并且图2所示的分解网通过跳跃连接将浅层的特征图引入到深层，并将其复制和拼接，之后进行特征融合，得到细节保留更完整的特征图。另外，图2所示的分解网中最后的卷积层可从特征空间投影出反射分量和照度分量。具体地，分解网中最后的卷积层输出的特征图中预设通道的图像数据可为照度分量，分解网中最后的卷积层输出的特征图中剩余通道的图像数据可为反射分量。例如，分解网中最后的卷积层输出的四通道的特征图，其中前三通道的图像数据为待处理图像的反射分量，最后通道的图像数据为待处理图像的照度分量。又例如，分解网中最后的卷积层输出的六通道的特征图，其中前三通道的图像数据为待处理图像的反射分量，后三通道的图像数据为待处理图像的照度分量。
63.另外，基于上述方法得到待处理图像的反射分量和照度分量后，可使用sigmoid函数将反射分量和照度分量中的像素值约束在[0,1]的范围内。
[0064]
另外，在对分解网进行训练时，可以利用多个图像对对训练网进行训练，其中每个图像对包括多张不同照度的图像，且每个图像对中多张图像均对应着相同的拍摄区域。
[0065]
虽然每个图像对中多张图像的照度不相同，但是由于其对应着相同的拍摄区域，即每个图像对中多张图像体现的内容是相同的，从而训练好的分解网对每个图像对中多张图像处理得到的反射分量应该是大体相同的，这样可以通过每个图像对中多张图像的反射分量的差异程度计算损失以对分解网进行监督训练，以约束图像对中多张图像的反射分量的一致性。本技术是利用第三损失计算每个图像对中多张图像的反射分量之间的差异程度的。例如，每个图像对包括一张低照度图像和一张正常照度图像，可通过公式lr＝‖r
l-rh‖1计算第三损失lr；其中，r
l
和rh分别表示分解网分解出的低照度和正常照度图像的反射分量。
[0066]
另外，训练好的分解网分解出的图像的反射分量和照度分量相乘的结果应该原图像大体一致，因此可通过反射分量和照度分量相乘的结果和原图像之间的差异程度计算损失对分解网进行训练。本技术是利用重建损失计算反射分量和照度分量相乘的结果和原图像之间的差异程度的。例如，每个图像对包括一张低照度图像和一张正常照度图像，可通过公式l
re
＝‖i
lrl-l
l
‖1 ‖ihr
h-lh‖1计算重建损失l
re
；其中，r
l
和rh分别表示分解网分解出的低
照度和正常照度图像的反射分量，l
l
和lh分别表示低照度和正常照度图像，‖‖1表示l1范数，i
l
和ih分别表示分解网分解出的低照度和正常照度图像的照度分量。另外，在r
l
、rh、i
l
和ih是经过归一化处理的情况下，l
l
和lh分别表示归一化处理后的低照度和正常照度图像。
[0067]
此外，在对分解网进行训练时，还可通过照度分量平滑损失对训练网进行训练，以保证训练好的分解网对图像分解而成的照度分量应该是分段平滑的，能增加平滑程度并使图像亮度平缓增加，并且还可通过照度分量平滑损失保证边缘位置不会过度平滑。
[0068]
其中，照度分量平滑损失li可表示为：
[0069][0070]
其中和表示i
l
和ih的梯度值，和表示l
l
和lh的梯度值，ε为一个很小的正数，防止分母为零。其中，平坦区域(即图像梯度和较小的区域)的照度分量梯度和所占的权重应较大，以便于增加平滑程度并使图像亮度平缓渐变，从而满足了照度分量平滑性；而边缘位置(即图像梯度和较大的区域)的照度分量梯度和所占的权重较小，以避免边缘区域过度平滑，避免使得图像边缘模糊化。
[0071]
进一步地，可通过上述三种损失中的至少一种损失对分解网进行训练。例如，可通过第三损失、重建损失和照度分量平滑损失计算得到第一联合损失，然后基于第一联合损失对分解网进行训练。
[0072]
其中第一联合损失l
decome
可表示为：l
decome
＝l
re
λrlr λili；
[0073]
其中，l
re
为重建损失、lr为第三损失、li为照度分量平滑损失，λr、λi分别表示第三损失和照度分量平滑损失的加权系数。
[0074]
在另一实现方式中，可先将待处理图像引入到对数域；然后对引入对数域后的图像进行滤波操作(例如低通滤波操作)，以得到待处理图像的对数域照度分量；接着将对数域图像和对数域照度分量相减，以得到对数域反射分量；分别对对数域照度分量和对数域反射分量进行指数运算，以得到待处理图像的照度分量和反射分量。
[0075]
s102：将照度分量中多种光照水平处理至同一光照水平，以得到均衡照度分量。
[0076]
可选地，在将待处理图像分解成照度分量和反射分量后，可以直接对照度分量进行处理，以将图像中多种光照水平统一为同一个光照水平，以对图像中不同亮度区域进行自适应调整。
[0077]
其中，图像具有的全部亮度可被划分为多个亮度区间，每个亮度区间对应着一个光照水平，通过步骤s102可将照度分量中多种光照水平处理至同一光照水平，以均衡待处理图像中光照水平。
[0078]
可选地，可以按照光照水平对所述照度分量进行分解，以得到分解后的多张不同光照水平的图像；然后给不同光照水平的图像赋予不同的加权系数，将多种不同的光照水平的图像处理为多张同一光照水平的图像；接着将多张同一光照水平的图像整合，以得到所述均衡照度分量。
[0079]
具体地，本技术可通过照度增强网络将照度分量中多种光照水平处理至同一光照水平，以得到均衡照度分量。其中，照度增强网络可包括第一卷积单元、通道注意力模块和第二卷积单元，这样可以通过第一卷积单元对单通道的照度分量进行处理，以得到多通道
的特征图，多通道的特征图中不同通道的特征图体现着照度分量上不同光照水平的内容；利用通道注意力模块对多通道的特征图进行处理，以将不同通道的特征图处理成同一光照水平的特征图；利用第二卷积单元对通道注意力模块的输出特征图进行处理，以将输出特征图整合成单通道的均衡照度分量。
[0080]
其中，如图3所示，第一卷积单元可包括多个卷积层和激活函数。其中，第一卷积单元的最后一个卷积层中卷积核的数量与多通道的特征图的通道数相同。即若第一卷积单元的最后一个卷积层设置有四个卷积核，则通过第一卷积单元对照度分量进行处理可得到四通道的特征图，以便通过第一卷积单元的最后一个卷积层的四个卷积核提取到照度分量中四种不同光照水平的内容。
[0081]
通道注意力模块可用于对第一卷积单元输出的多通道特征图进行处理，得到宽和高均为1、通道数和第一卷积单元输出的多通道特征图的通道数相同的c*1*1的通道注意力图；然后将c*1*1的特征向量和第一卷积单元输出的多通道特征图相乘，以将不同通道的特征图处理成同一光照水平的特征图。其中，通道注意力模块的结构可如图4所示，其利用特征通道间的关系来产生通道注意力图，由此可以准确地基于光照信息的分布情况将图像中多种光照水平任意映射为同一种光照水平，从而指导照度增强网络对图像中不同亮度区域进行自适应增强，进而实现照度分量的均衡处理。
[0082]
第二卷积单元可包括两个1*1的卷积层，其中第一个1*1的卷积层将通道注意力模块输出的特征图降为3通道，并使用另一个1*1的卷积层来重建单通道照度分量。
[0083]
另外，本技术的照度增强网络还可包括多个子增强网络，每个子增强网络包括第一卷积单元、通道注意力层和第二卷积单元；不同的子增强网络中的第一卷积单元的卷积核的宽和高不相同；这样可通过每个子增强网络对待处理图像的照度分量进行处理而得到每个子增强网络输出的单通道的图像；然后可将所有子增强网络输出的单通道的图像进行融合，以得到均衡照度分量，这样可以将照度分量分别送入多个尺度的卷积网络中，例如分别送入到3*3,5*5和7*7尺度的卷积网络中，分别捕获这多个尺度卷积核下的图像特征，不同大小的卷积核提取出不同层次的特征，得到多个尺度的照度分量图像信息，最后将这多个尺度的照度分量图像信息按照不同的权重配比来进行融合，得到最终的照度分量图像。
[0084]
可选地，在待处理图像为低照度图像时，可以通过步骤s102将照度分量中多种光照水平增强至同一光照水平(可以是正常光照水平)，以得到均衡照度分量。在待处理图像为高照度图像时，可以通过步骤s102将照度分量中多种光照水平减弱至同一光照水平(可以是正常光照水平)，以得到均衡照度分量。
[0085]
在步骤s102之前，可以对照度增强网络进行训练。可选地，可以将训练好的分解网对多个图像对中图像分解而成的照度分量作为训练样本，对照度增强网络进行训练。
[0086]
可选地，其中每个图像对可包括低照度图像和正常照度图像，为了实现利用照度增强网络将低照度图像的照度分量增强至正常照度的目的，可以通过增强后的低照度图像的照度分量和正常照度图像的照度分量计算照度分量损失，并用照度分量损失对照度增强网络进行训练。
[0087]
其中，照度分量损失l
enhance
可以表示为：可以表示为：
[0088]
其中，i
en
为增强后的低照度图像的照度分量，ih为正常照度图像的照度分量。
[0089]
s103：基于均衡照度分量和反射分量得到均衡照度图像。
[0090]
基于步骤s102对照度分量进行处理后，可以基于步骤s102处理得到的均衡照度分量和反射分量计算得到均衡照度图像。
[0091]
可选地，可以使均衡照度分量和反射分量相乘，并将乘积作为均衡照度图像。
[0092]
进一步地，在步骤s101中得到的照度分量和反射分量中像素值是经过归一化处理的情况下，可以先将均衡照度分量和反射分量相乘，然后将相乘后得到的图像的值进行处理，以将相乘后得到的图像中像素值变换到0-255之间，以得到均衡照度图像。
[0093]
另外，可以在步骤s103之前，对反射分量进行去噪处理等操作，得到去噪反射分量；然后在步骤s103中，对均衡照度分量和去噪反射分量进行计算，以得到均衡照度图像。其中，均衡照度图像s
enhance
的计算公式可为：s
enhance
(x,y)＝r
en
(x,y)
×ien
(x,y)；
[0094]
其中，i
en
为均衡照度图像，r
en
为去噪反射分量。
[0095]
另外，可利用恢复网络对待处理图像的反射分量进行去噪处理，得到去噪反射分量。
[0096]
其中，恢复网络的网络结构在此不做限制，例如可为u型结构。
[0097]
为了提高恢复网络的去噪效果，可以在恢复网络中加入如图5所示的空间注意力模块，以让空间注意力模块基于反射分量中不同区域的噪声分布情况对反射分量的各个区域进行自适应去噪处理，即空间注意力模块将每个空间的通道信息进行结合，利用图像中的非局部相关性来关注不同区域噪声分布的多少，从而相对应的完全去除噪声部分，提高反射分量恢复的效果。
[0098]
另外，还可在恢复网络中加入通道注意力模块，用于给每个颜色的特征图赋予对应的权重，使得像素值过高的颜色特征图像素值适量减小，像素值过低的颜色特征图像素值适量增加，从而通过通道注意力模块可以细化冗余颜色特征。
[0099]
例如，可在u型结构网络中的上采样层之后设置空间注意力模块和通道注意力模块。
[0100]
具体地，如图6所示，恢复网络包括u-net网络、空间注意力模块和通道注意力模块，u-net网络的下采样路径提取归纳网络的特征，上采样路径使得图像恢复到输出尺寸时的大小。u-net架构中在对应的采样层之间设有“复制与修剪通路”，因此可以直接在采样路径之间传递镜像特征图，使上采样过程能够更好计算出丢失的原像素，获得细节清晰的反射分量图像，并且在u-net网络中的上采样层之后的两个卷积层之间加入了由空间注意力模块和通道注意力模块构成的且结构如图7所示的cbam模块来实现注意力机制。另外，为了减少参数的数量，可以将u-net网络中卷积层的卷积核的大小设置为3*3，将池化层的大小设置为2*2。
[0101]
可选地，在利用恢复网络对待处理图像的反射分量进行去噪处理的步骤之前，可以对恢复网络进行训练。
[0102]
可选地，可以将训练好的分解网对多个图像对中图像分解而成的反射分量作为训练样本，对恢复网络进行训练。
[0103]
可选地，其中每个图像对可包括低照度图像和正常照度图像，为了实现利用恢复网络对低照度图像的照度分量进行去噪的目的，可以将正常照度图像的反射分量作为低照
度图像的参考对象，来学习去噪的过程，进而实现对反射分量的去噪。
[0104]
另外，上述的多个图像对可以作为基础反射分量，还可对基础反射分量进行加噪声处理，以得到扩充反射分量，并利用基础反射分量和扩充反射分量对恢复网络进行训练。并且还可将多种噪声以各种权重组合加入到基础反射分量中，以便利用加噪声后的扩充反射分量对恢复网络进行训练，以增加样本的丰富性和多样性，以便使网络能够识别不同类型的噪声，并学习到反射分量图中不同类型噪声的占比，以便更好地去除各种噪声，增加了实用性和多样性处理。例如，噪声可包括高斯噪声，泊松噪声，乘性噪声和椒盐噪声，可将0.1％的高斯噪声、0.5％的泊松噪声、0.3％的乘性噪声和0.1％的椒盐噪声加入到一个基础反射分量中，得到一个扩充反射分量；还可将0.5％的高斯噪声和0.5％的椒盐噪声加入到一个基础反射分量中，得到一个扩充反射分量；或者可将0.3％的泊松噪声和0.7％的乘性噪声加入到一个基础反射分量中，得到一个扩充反射分量；或者可将0.2％的高斯噪声、0.2％的泊松噪声和0.6％的乘性噪声加入到基础反射分量中，得到一个扩充反射分量；或者可以只将高斯噪声加入到基础反射分量中，得到一个扩充反射分量。
[0105]
具体地，可以通过基础反射分量和/或扩充反射分量的去噪反射分量和正常照度图像的反射分量计算第一损失和第二损失，并用第一损失和第二损失对照度增强网络进行训练。其中，第一损失l
square
是基于对应着同一拍摄区域的去噪反射分量r
re
和正常照度图像的反射分量rh的差值计算出来的，第一损失l
square
的计算公式可为：的计算公式可为：所述第二损失l
grad
是基于对应着同一拍摄区域的去噪反射分量的梯度和正常照度图像的反射分量的梯度的差值计算出来的，第二损失l
grad
的计算公式可为
[0106]
另外，还可通过颜色损失对恢复网络进行训练，根据色彩先验约束，损失函数能在物体颜色处指导色彩增强收敛方向，纠正对比度和色彩匹配，从而解决反射分量中颜色失真的问题，进而保证图像的视觉自然性和增强图像的色彩保真度。其中，颜色损失l
color
的计算公式可为：l
color
＝∑∠((r
re
)
p
,(rh)
p
)；
[0107]
其中(r
re
)
p
和(rh)
p
分别表示对应着同一拍摄区域的去噪反射分量和正常照度图像的反射分量在p点的像素值，∠((r
re
)
p
,(rh)
p
)将对r
re
和rh中对应像素求颜色角度矢量和。
[0108]
进一步地，可通过步骤s103中所述的三种损失中的至少一种损失对恢复网络进行训练。例如，可通过第一损失、第二损失和颜色损失计算得到第二联合损失，然后基于第二联合损失对恢复网络进行训练。
[0109]
其中第二联合损失l
restore
可表示为：l
restore
＝λsl
square
λgl
grad
λcl
color
；
[0110]
其中，l
square
为第一损失、l
grad
为第二损失、l
color
为颜色损失，λs、λg分别表示第一损失和第二损失的加权系数，λc为颜色感知平衡系数。
[0111]
请参阅图8，图8是本技术电子设备20一实施方式的结构示意图。本技术电子设备20包括处理器22，处理器22用于执行指令以实现本技术上述任一实施方式的方法及任意不冲突的组合所提供的方法。
[0112]
处理器22还可以称为cpu(central processing unit，中央处理单元)。处理器22可能是一种集成电路芯片，具有信号的处理能力。处理器22还可以是通用处理器、数字信号
处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(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。通用处理器可以是微处理器，或者该处理器22也可以是任何常规的处理器等。
[0113]
电子设备20还可进一步包括存储器21，用于存储处理器22运行所需的指令和数据。
[0114]
请参阅图9，图9为本技术实施方式中计算机可读存储介质的结构示意图。本技术实施例的计算机可读存储介质30存储有指令/程序数据31，该指令/程序数据31被执行时实现本技术上述方法任一实施例以及任意不冲突的组合所提供的方法。其中，该指令/程序数据31可以形成程序文件以软件产品的形式存储在上述存储介质30中，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)或处理器(processor)执行本技术各个实施方式方法的全部或部分步骤。而前述的存储介质30包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等设备。
[0115]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0116]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0117]
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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0118]
以上仅为本技术的实施方式，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。