用于对图像中的对象进行分割的方法与流程

1.本发明涉及计算机视觉和图像处理的领域，特别是用于诸如对象跟踪、对象检测或3d重建之类的应用。


背景技术：

2.图像分割是将数字图像分为多组像素的过程。这种技术给出了对图像中的对象的非常细致的理解，然后该图像能够被更容易地分析。在本发明中，只存在两组像素，即，感兴趣对象和背景。所得到的二元分割(binary segmentation)被称为掩码。
3.当从不同视角拍摄对象时，为了用其创建3d模型(3d扫描)，对所有捕获的图像的一种后处理在于对图像中的每一个进行分割。
4.图1a到图1d示出了对对象(雕像)的3d扫描的回放的屏幕截图，以及叠加在图像上的所得到的半透明掩码。已经借助于qiang等人的“fast online object tracking and segmentation:a unifying approach”(cvpr，2019年)中公开的方法计算了掩码。该文章公开了一种使用深度学习的分割方法。用户需要在2d图像中在要被分割的对象周围近似地放置边界矩形，然后网络推断出掩码。该算法可以用于跟踪图像序列中的对象，并且因此为每个图像提供一个掩码。事实证明，掩码不够精确，并且不尊重对象的边界。如可以从图1b、图1c和图1d中看出的，掩码往往是“散漫的(drool)”，这在雕像的头上是特别明显的。因此，分割需要尽可能准确，以避免“散漫的”效果。
5.其他现有方法已经解决了计算2d图像中的对象的2d分割的问题，而不一定限于从不同视角捕获相同对象的分割的上下文。
6.boykov等人的“graph cuts and efficient n-d image segmentation”(international journal of computer vision，volume 70，第109-131页，2006年)介绍了一种使用组合了区域项和边界项的成本函数的基于能量的对象分割。基本上，边界项反映相邻像素之间的图像梯度，而区域项反映像素的强度如何适合对象和背景的给定强度模型(例如，直方图)。如所引述的文章的图8中示出的，图像的分割在两个步骤中进行。首先，针对给定的一组种子(可以使用简单模板匹配被自动放置的硬约束)进行初始分割，种子被松散地定位在感兴趣对象内部，并且相应地被定位在感兴趣对象外部。其次，用户校正种子：通过查看初始分割的结果，用户可以观察到一些区域被不正确地分割。因此，用户可以通过经由鼠标操作的红色画笔(用于对象)或蓝色画笔(用于背景)在被不正确地分割的图像中放置附加的种子来编辑分割。
7.这种方法不是很精确，因为计算出的图像梯度不精确，并且给定强度模型不精确。这种方法可能还要求许多用户笔画来产生良好的效果(取决于对象的颜色和照明)。另外地，外行人难以(即，在图像的正确位置处)绘制相关的笔画。
8.因此，需要提供一种用于对由相机获取的至少一个图像中的对象进行分割的计算机实现的方法，该方法要求很少且容易的用户输入，并且提供比现有技术更好的分割质量，尤其是对于多视图图像分割。


技术实现要素：

9.本发明的目的是一种用于对由相机获取的至少一个图像中的对象进行分割的计算机实现的方法，包括以下步骤：
10.a)基于图像来计算边缘概率图像，所述边缘概率图像包括：针对图像的每个像素，所述像素是边缘的概率；
11.b)基于图像来计算分割概率图像，所述分割概率图像包括：针对图像的每个像素，所述像素属于对象的概率；
12.c)基于边缘概率图像并且基于分割概率图像来计算对象的二元掩码(binary mask)。
13.本发明的另一目的是一种存储在计算机可读数据存储介质上的计算机程序产品，包括计算机可执行指令，该计算机可执行指令用于使得与相机接合的计算机系统执行预定义方法。
14.本发明的另一目的是一种包含计算机可执行指令的计算机可读数据存储介质，该计算机可执行指令用于使得与相机接口的计算机系统执行预定义方法。
15.本发明的另一目的是一种计算机系统，包括耦合到存储器、屏幕和相机的处理器，存储器存储计算机可执行指令，该计算机可执行指令用于使得计算机系统执行预定义方法。
附图说明
16.本发明的附加特征和优点将根据结合附图的以下描述变得显而易见：
[0017]-已经讨论过的图1a-1d是现有技术多视图分割的屏幕截图；
[0018]-图2是根据本发明的方法的流程图；
[0019]-图3示出了基于图像示例的二元掩码的计算；
[0020]-图4示出了在没有边界框时(即，在相机未被校准时)用于分割图像的对象的若干轮廓的草图；
[0021]-图5示出了当相机被校准时提供的3d边界框；
[0022]-图6示出了用于最大流/最小割(max-flow/min-cut)算法的图；
[0023]-图7a示出了用于校正二元掩码的用户笔画，并且图7b示出了校正的结果；
[0024]-图8示出了根据第一实施例的3d边界框的细化的步骤；
[0025]-图9示出了根据第二实施例的3d边界框的细化的步骤；
[0026]-图10示出了用于多视图分割的根据本发明的方法的结果；
[0027]-图11和图12是适合于执行根据本发明的不同实施例的方法的相应的计算机系统的框图。
具体实施方式
[0028]
参考图2，分割开始于必须针对其进行分割的对象的第一图像im。图像im已经预先由相机获取。图像im可以从连续的图像流(视频序列)中提取(该连续的图像流(视频序列)是已经从对象周围的不同视角获取的)，或者可以被视为已经从不同对象的视角获取的离散图像序列的一部分。
[0029]
在第一步骤a)中，计算边缘概率图像epi。边缘的检测是通过检测图像中的亮度不连续性来进行的。可以利用不同的算法(例如，sobel方法、canny方法、prewitt方法、roberts方法或模糊逻辑方法)来进行检测边缘和对象边界。在优选实施例中，使用深度学习算法。更具体地，深度学习算法使用整体嵌套的边缘检测，因为该算法特别适用于以图像到图像的方式训练和预测边缘。技术人员可以参考文章“holistically-nested edge detection”(xie等人，2015 ieee international conference on computer vision)，以及可在https://github.com/s9xie/hed处在线获得的源代码和预训练的模型。基于检测到的边缘，可以针对图像im的每个像素确定该像素是否为边缘的概率。
[0030]
由整体嵌套的边缘检测网络获得的边缘的图像为每像素8位的灰色阴影。因此，每个像素的强度在0到255之间，并被解释为概率。网络以有监督的方式进行训练(针对每个训练图像，提供包含要获得的边缘的地面真值(ground truth)图像)。网络的训练要归功于损失函数，该损失函数对该地面真值图像的像素和预测的像素进行比较。
[0031]
通过针对训练图像将每个像素与类别{边缘，不是边缘}进行关联来训练网络。网络预测图像，对于该图像，每个像素具有属于每个类别的概率(或只有一个类别，因为在这里可以推导出其他类别)。因此，对于真正的边缘像素，旨在针对边缘类别的概率为1，或者如果不是边缘，则针对边缘类别的概率为0。概率值是非二元的，所以自然地，为了优化损失，一些不确定像素的概率将在]0，1[内。
[0032]
通过使用整体嵌套的边缘检测，还可以确定像素是边缘的概率。图3给出了边缘概率图像epi的说明。
[0033]
然后，在第二步骤b)中，计算分割概率图像spi。分割概率图像spi也可以在步骤a)之前实现，或者同时实现；而不会影响本发明的方法。分割概率图像spi包括：针对图像im的每个像素，所述像素属于对象obj的概率。
[0034]
如图3中示出的，必须考虑图像是否被校准。如果已知相机的位置和定向(orientation)，则认为该图像被校准，这意味着从校准模式的若干视图中找到相机的固有参数和非固有参数。这也被称为现有技术中的相机校准的概念。
[0035]
如果图像被校准，则在3d空间中提供包围对象obj的3d边界框3dbb，如由图5示出的。3d边界框3dbb被锚定到对象obj，并且可以由用户通过与3d边界框3dbb交互(例如，通过拖动3d边界框3dbb的边缘或角)来进行修改。3d边界框3dbb不一定精确地包围对象obj的最小体积。如下面所解释的，3d边界框3dbb的尺寸可以从一个图像到另一个图像被细化。
[0036]
3d边界框3dbb是具有八个顶点和六个面的平行四边形。对于每个图像im，3d边界框3dbb的八个顶点被投影在相机平面上，并且计算包含八个所投影的顶点的最小矩形rec。根据定义，最小矩形rec包含要进行分割的对象。对于每个图像，使用最小矩形rec和原始图像，通过使用分割算法推断出分割概率图像spi。分割算法可以是在包括阈值化、基于直方图的捆绑、区域增长、k-均值聚类、分水岭、活动轮廓、图形切割、条件和markov随机场以及基于稀疏性的方法的组中被选择的。在优选实施例中，可以使用深度学习算法。深度学习算法(例如，deeplabv3)针对图像的分割已经示出了卓越的结果。
[0037]
如果图像未被校准，则用户不能依赖3d边界框。因此，从图像im开始，用户利用电脑的鼠标或在触控模式下利用附属物(手指或手写笔)绘制线，以便闭合要进行分割的对象的轮廓，由此形成环形线(loop，lop)，如由图3示出的。环形线lop可以是粗略的，然而，它需
要尽可能靠近对象obj，以避免在环形线lop中包围另一对象。如果环形线lop没有精确地闭合，则可以应用阈值。给定环形线的两个末端(el1、el2)，如果两个末端(el1、el2)分开的距离小于预定义阈值，则环形线lop可以自动闭合。阈值可以以像素或度量距离来表示。阈值可以等于图像对角线(以像素为单位的距离)的5％。因此，由用户绘制的线不需要精确地适合对象的真实轮廓。
[0038]
然后，一旦用户已经完成了环形线lop的绘制，就提供一个粗略的分割概率图像，其中所有外部像素填充有最小概率值(例如，在8位方案中为0)，并且所有内部像素填充有最大概率值(例如，在8位方案中为255，用于表示以灰色阴影的图像)。然后，从最大概率值到最小概率值应用梯度。如果环形线lop的宽度大于一个像素，则可以将梯度应用于环形线lop的像素，或者也可以将梯度应用于位于环形线lop两侧的像素、应用于环形线lop的预定义宽度上。因此，分割概率图像spi具有从最小值(0)到最大值(255)的平滑边界。
[0039]
在由图4示出的另一实施例中，如果若干环形线中的一个被包含在另一个环形线中，则最小概率值和最大概率值交替地被指派给对应的区域。回到图4的示例，要进行分割的对象是甜甜圈，其具有在中间的洞。因此，用户针对甜甜圈的外部轮廓绘制第一环形线lop1，并且针对洞的轮廓绘制第二环形线lop2。在这种情况下，在第一环形线lop1外部且在第二环形线lop2内部的所有像素填充有最小概率值，而位于第一环形线lop1与第二环形线lop2之间的所有像素填充有最大概率值。当然，本实施例不限于两个环形线，并且可以扩展到多于两个环形线。根据该实施例，还可以应用梯度以具有从最小值到最大值的平滑边界。如果用户尚未完成环形线lop1和lop2的闭合，则环形线lop1和lop2可以自动闭合。
[0040]
也可以通过计算环形线lop的最小2d边界框或通过指示用户在图像上放置两个点来获得2d边界框，这两个点对应于2d边界框的左上点和右下点(或右上点和左下点)。
[0041]
一旦已经计算出边缘概率图像epi和分割概率图像spi，本发明的方法包括步骤c)：基于边缘概率图像epi并且基于分割概率图像spi来计算对象obj的二元掩码mas。边缘检测与分割的结合到目前为止在现有技术中尚未公开，并提供了高精度掩码，从而避免从一个图像到另一个图像的“散漫的”效果。
[0042]
在优选实施例中，通过能量最小化来计算对象的最佳掩码。要被最小化的能量为：
[0043]
e＝e
mask probs
λe
edges probs
[0044]
其中，e是要被最小化的全局能量函数，e
mask probs
是分割概率图像spi的能量贡献，e
edges probs
是边缘概率图像epi的能量贡献，并且λ是参数。
[0045]
在第一子步骤c1)中，构建图gra，如由图6示出的。图gra包括多个节点n
i,j
(i＝1
……
m并且j＝1
……
n，m和n是图像im在两个维度上的像素的数量)，并且每个节点表示由相机cam获取的图像im的像素。还存在两个特别指定的终端节点，源src和汇t，其分别表示“对象”标签和“背景”标签。典型地，相邻像素以规则的网格状方式通过边缘互连。像素之间的边缘被称为n链接，其中n表示“邻居”。另一种类型的边缘(被称为t链接)用于将像素连接到终端节点。
[0046]
在图6中，每条边缘的成本由边缘的粗度反映。将m
i,j
指定为像素p
i,j
在分割概率图像spi中的值(0到255之间的概率)；并且将e
i,j
指定为像素p
i,j
在边缘概率图像epi中的值。在图gra中，每个节点表示像素，并且每个链接具有成本(或容量)c。在子步骤c2)中，在这里定义每个链接的成本c：
[0047][0048][0049][0050]
是链接成本，其等于对应的邻近像素之间不存在边缘的概率，其中n
i,j
和是水平相邻节点或垂直相邻节点。
[0051]
是源成本，其等于对应的像素属于对象的概率。
[0052]
是汇成本，其等于对应的像素不属于对象的概率。
[0053]
可以注意到，可以将所有概率值从[0，255]中的整数缩放到[0，1]中的浮点数。将整个值保持在[0，255]中的好处是能够继续仅以8位/像素对值进行编码，这与通常以32或64位编码的浮点数不同。这节省了关于能量最小化的解决方案的计算时间。
[0054]
然后，在子步骤c3)中，通过求解最大流算法来使全局能量函数e最小化。然后，为了执行分割，执行最小割。最小割将源src和汇snk分开，并且使该割所切断(serve)的对应的n链接或t链接的链接成本、源成本和汇成本的总和最小化。根据这个割，只有链接到源的节点才被认为属于对象。因此，获得了高精度二元掩码mas，如由图3(“最终分割”)示出的。图3还示出了初始图像im，其上叠加了高精度二元掩码mas。
[0055]
参考图2，一旦已经在步骤c)中计算出掩码mas，本发明的方法就可以结束。
[0056]
在优选实施例中，用户还可以校正掩码mas以改进分割的质量，如由图7a和图7b示出的。校正可以在步骤d)和步骤e)中完成，如由图2示出的。
[0057]
该方法包括步骤d)：以部分透明度来显示被叠加在图像im上的二元掩码mas。然后，进行测试100：如果用户决定不校正掩码，或者如果自动检测到掩码不需要被校正，则该方法继续到测试200，该测试200将进一步发展。例如，如果全局能量函数低于预定义阈值，则可以认为掩码是正确的。相反，可能会发现需要校正掩码mas，如图7a中的情况。事实上，掩码mas错误地包括笔记本和杯子把手的内部部分，但把手本身不属于掩码。
[0058]
然后，在步骤e)中，指示用户在二元掩码的应该被移除的部分上绘制第一预定义颜色的笔画str1，和/或在对象的应该被添加到二元掩码的部分上绘制第二预定义颜色的笔画str2。为此，用户可以使用调色板或菜单来选择颜色。例如，用户可以在应该被移除的部分上绘制红色笔画str1，并且在应该被添加的部分上绘制黄色笔画str2。当然，本发明不限于这些组合。然后，前述成本更新如下：
[0059]
如果利用第一预定义颜色为对应的像素上色，则将空源成本指派给节点，并且如果利用第二预定义颜色为对应的像素上色，则将无穷大源成本指派给节点：
[0060]
[0061]
p
ij
是图像im的对应于节点n
ij
的像素。
[0062]
如果利用第一预定义颜色绘制对应的像素，则将无穷大汇成本指派给节点，并且如果利用第二预定义颜色绘制对应的像素，则将空源成本指派给节点：
[0063][0064]
链接成本保持不变：
[0065][0066]
然后，利用修改后的源成本和汇成本来迭代计算二元掩码mas的步骤c)。如果必要，则可以再次实现掩码校正步骤。利用该实施例，利用最少且简单的用户输入(简单笔画)来获得对象的可靠的高精度二元分割。
[0067]
测试200确定是否存在要进行分割的另一图像。“另一图像”意味着相同对象的从另一视角的另一图像。如果不存在要进行分割的另一图像，则该方法以获得的掩码mas结束。相反，确定图像是否被校准(测试300)。
[0068]
根据第一个假设，考虑图像被校准，这意味着提供了包围对象obj的3d边界框3ddbb。下一步骤f)在于针对已经由用户确认的图像细化3d边界框3ddbb(如由图8示出的)，以便提高其他图像的掩码的质量。3d边界框3ddbb具有六个面(f1、f2、f3、f4、f5、f6)，并且这些面全部分别被投影在相机平面pln中。如果整个掩码完全适合在所投影的面中的一个面(该面被称为第一面f1)内(如果图像是对象的规范视图，则这典型地发生)，则生成包围掩码mas的2d边界矩形2dbr。推导出2d边界矩形的四个角点(cp1、cp2、cp3、cp4)。由于相机被校准，因此四个角点(cp1、cp2、cp3、cp4)的3d坐标是已知的。然后，四条光线(r1、r2、r3、r4)从相机cam投射到相应的四个角点(cp1、cp2、cp3、cp4)。计算通过校准的相机的中心和边界矩形的3d角点的4条3d线(其对应于光线)中的每一个的方程。这四条线与第一面f1的平面及其相对面f2的平面的交叉给出了八个交叉点(ip1、ip2、ip3、ip4、ip5、ip6、ip7、ip8)。然后，生成包含八个交叉点(ip1、ip2、ip3、ip4、ip5、ip6、ip7、ip8)的最小3d边界框sbb。最后，计算3d边界框3dbb与最小3d边界框sbb的交叉，由此获得细化的3d边界框rbb。
[0069]
一旦3d边界框已经被细化，就利用细化的3d边界框rbb通过迭代步骤a)到步骤c)来计算掩码mas，而不是使用初始3d边界框3dbb来计算掩码mas。特别地，分割概率图像spi是基于细化的3d边界框rbb被计算的。针对其分割已经被确认的每个图像来细化边界框(由用户通过利用用户笔画校正分割来细化边界框，或者如果能量函数低于预定义阈值，则自动地细化边界框)。因此，(在用户校正之后)从校正后的掩码获得的可靠信息被传播到其他图像，这提高了分割质量。
[0070]
在步骤f)中，如果事实证明整个掩码不在所投影的面中的一个面内完全适合(如果图像不是对象的规范视图，则这可以发生)，则3d边界框3dbb被离散化为体素网格(例如，每个方向256个体素)。如由图9示出的，针对图像im的每个像素p
ij
，从相机投射光线(r11、r12)，并且如果该像素不属于掩码mas，则3d边界框3dbb的与所述光线交叉的体素被雕刻。
相反，如果像素属于掩码mas，则没有沿着所述光线雕刻3d边界框3dbb。一旦已经针对所有像素投射了所有光线，则获得新的被雕刻的体素网格。然后，将新的被雕刻的体素网格投影在尚未针对其确认掩码的每个新的图像上。光线从相机朝向图像的每个像素投射，并且针对图像的每个像素确定所述光线是否与未被雕刻的体素交叉，如果所述光线与未被雕刻的体素交叉，则将二元预定义值(例如，值＝1)指派给所述像素。然后，通过使用具有二元预定义值的像素，通过确定包围具有二元预定义值的所有像素的最小矩形，在所述另一图像上生成新的2d边界框。
[0071]
因此，(在用户校正之后)从校正后的掩码获得的可靠信息也被传播到其他图像，这提高了分割质量，即使整个掩码不在所投影的面中的一个面内完全适合。
[0072]
总而言之，当校正后的掩码可以被传播到其他图像时(这是图像被校准时的情况)，可以利用细化的3d边界框从另一视角进行对对象的分割(图2的步骤h))。然后，利用前述步骤a)到步骤c)来计算掩码。否则，当已经通过指示用户绘制包围对象的环形线来计算分割概率图像spi时(参见图3)，没有掩码的传播。因此，对于其他图像，用户需要绘制包围对象的轮廓的新的线，以便获得针对每个其他图像的分割概率图像spi(图2的步骤g))。
[0073]
图10在左侧示出了要进行分割的对象的原始图像。已经从不同的视角获取了图像。已经利用本发明的方法进行了分割，并且可以看出，对于所有的视角，掩码都非常精确。
[0074]
本发明的方法可以由适当编程的通用计算机或计算机系统执行，该通用计算机或计算机系统可以包括计算机网络，将适当程序以非易失性形式存储在诸如硬盘、固态磁盘或cd-rom之类的计算机可读介质上，并使用其(多个)微处理器和存储器执行所述程序。
[0075]
参考图11描述了适合于执行根据本发明的示例性实施例的方法的计算机。在图11中，计算机包括执行上面描述的过程的中央处理单元cpu。该过程可以作为可执行程序(即，计算机可读指令集)存储在存储器(例如，ram m1或rom m2)中，或存储在硬盘驱动器(hdd)或固态驱动器(sdd)m3、dvd/cd驱动器m4上，或可以被远程存储。此外，定义一个或多个数字身体模型(digital body model)和/或骨架的一个或多个计算机文件也可以存储在存储器设备m1至m4中的一个或多个上，或被远程存储。
[0076]
要求保护的发明不受计算机可读介质的形式的限制，在该计算机可读介质上存储有本发明的过程的计算机可读指令和/或数字文件。例如，指令和文件可以被存储在cd、dvd上、被存储在闪速存储器、ram、rom、prom、eprom、eeprom、硬盘或与计算机通信的任何其他信息处理设备(例如，服务器或另一计算机)中。程序和文件可以被存储在同一存储器设备上，或被存储在不同的存储器设备上。
[0077]
此外，可以将适合于执行本发明的方法的计算机程序提供为实用应用、后台守护程序或操作系统的组件或其组合，从而结合中央处理单元cpu和操作系统(例如，microsoft windows 10、unix、solaris、linux、apple mac-os和本领域技术人员已知的其他系统)执行。
[0078]
中央处理单元cpu可以是来自美国的intel的xenon处理器或来自美国的amd的opteron处理器，或者可以是其他处理器类型，例如，来自美国的freescale公司的freescale coldfire、imx或arm处理器。可替代地，如本领域普通技术人员将认识到的，中央处理单元可以是诸如来自美国的intel公司的core2duo之类的处理器，或者可以在fpga、asic、pld上实现或使用分立逻辑电路来实现。此外，中央处理单元可以被实现为协同工作
以执行上面描述的本发明的过程的计算机可读指令的多个处理器。
[0079]
图11中的计算机还包括用于与网络(例如，局域网(lan)、广域网(wan)、互联网等)接合的网络接口ni，例如，来自美国的intel公司的intel ethernet pro网络接口卡。计算机辅助设计站还包括显示控制器dc(例如，来自美国的nvidia公司的nvidia geforce gtx图形适配器)，其用于与显示器dy(例如，hewlett packard hpl2445w lcd监视器)接合。通用i/o接口if与键盘kb和定点设备pd(例如，滚动球、鼠标、触摸板等)接合。显示器、键盘和定点设备连同显示控制器和i/o接口一起形成图形用户接口，用户使用该图形用户接口来提供输入命令——例如，绘制要进行分割的对象的轮廓(如果没有提供边界框)、绘制笔画以校正掩码——并通过计算机辅助设计站来显示与掩码叠加的图像。
[0080]
磁盘控制器dkc将hdd m3和dvd/cd m4与通信总线cbs连接，该通信总线cbs可以是isa、eisa、vesa、pci或类似的总线，其用于互连计算机辅助设计站的所有组件。
[0081]
为了简洁起见，本文省略了对显示器、键盘、定点设备以及显示控制器、磁盘控制器、网络接口和i/o接口的一般特征和功能的描述，因为这些特征是已知的。
[0082]
图12是适合于执行根据本发明的不同示例性实施例的方法的计算机系统的框图。
[0083]
在图12中，可执行程序exp和定义(多个)掩码的(多个)计算机文件存储在连接到服务器sc的存储器设备上。存储器设备和服务器的总体架构可以与上面参考图11讨论的相同，除了服务器中可能缺少显示控制器、显示器、键盘和/或定点设备。服务器sc然后经由网络nw连接到管理员系统ads和最终用户计算机euc。管理员系统和最终用户计算机的总体架构可以与上面参考图11讨论的相同，除了管理员系统和最终用户计算机的存储器设备不存储可执行程序exp和/或定义(多个)掩码的(多个)计算机文件。然而，最终用户计算机确实存储了被设计用于与服务器的可执行程序协作的客户端程序，如将在下面讨论的。
[0084]
如可以认识到的是，网络nw可以是公共网络(例如，互联网)或专用网络(例如，lan或wan网络)或其任何组合，并且还可以包括pstn或isdn子网。网络nw也可以是有线的(例如，以太网)，或者可以是无线的(例如，包括edge、3g和4g无线蜂窝系统的蜂窝网络)。无线网络还可以是wi-fi、蓝牙或已知的任何其他无线形式的通信。因此，网络nw仅仅是示例性的并且不以任何方式限制当前进步的范围。
[0085]
存储在最终用户计算机的存储设器备中且由最终用户计算机的cpu执行的客户端程序经由网络nw访问由服务器sc存储且包含定义(多个)掩码的文件的数据库db。服务器执行如上面所描述的处理，并且再次使用网络nw向最终用户计算机发送与叠加了掩码的图像相对应的图像文件。
[0086]
虽然仅示出了一个管理员系统ads和一个最终用户系统eux，但是该系统可以在不受限制的情况下支持任何数量的管理员系统和/或最终用户系统。类似地，在不脱离本发明的范围的情况下，也可以在系统中实现多个服务器。
[0087]
本文描述的任何过程应被理解为表示代码的模块、片段或部分，其包括用于实现过程中的特定逻辑功能或步骤的一个或多个可执行指令，并且替代实现方式被包括在本发明的示例性实施例的范围内。