CT图像处理方法、装置、计算机设备和可读存储介质与流程

ct图像处理方法、装置、计算机设备和可读存储介质
技术领域
1.本技术涉及医疗成像技术领域，特别是涉及一种医学图像处理方法、装置、计算机设备和可读存储介质。


背景技术：

2.ct是用x线束从多个方向对人体检查部位具有一定厚度的层面进行扫描，由探测器而不用胶片接收透过该层面的x线，转变为可见光后，由光电转换器转变为电信号，再经模拟/数字转换器转为数字，获得ct图像供临床诊断。
3.在保障ct图像质量的同时，快速获得ct图像是ct技术领域的一个重要发展方向，本发明即是提供了一种快速获得高质量ct图像的方法。


技术实现要素：

4.本发明的目的在于提供一种ct图像处理方法可以快速且获得较高质量的ct图像。
5.为达到上述发明目的，本发明提供的技术方案如下：在本技术的一方面，提供了一种ct图像处理方法，包括：对获取的初始ct图像进行降采样处理得到第一图像；
6.对所述第一图像进行图像分割得到多个第二图像，所述多个第二图像大小相同；
7.对所述多个第二图像分别进行过采样处理得到多个第三图像；
8.对所述多个第三图像的像素值进行归一化处理；
9.获取与所述第三图像大小相同的预设掩模；
10.根据所述归一化处理后的多个第三图像和所述掩模图像得到多个第四图像；
11.对所述初始ct图像进行分割得到多个第五图像，所述多个第五图像与所述多个第四图像一一对应；
12.将一一对应的第四图像和第五图像输入至预先训练好的第一神经网络模型中，得到最终分割图像；
13.将所述最终分割图像进行拼接得到目标图像。
14.在本技术的另一方面，提供了根据所述归一化处理后的多个第三图像和所述掩模图像得到多个第四图像包括：将第三图像中对应掩模像素值为1的像素值用0到1之间的随机值替代。
15.在本技术的另一方面，提供了第一神经网络模型的损失函数具体为：构l(f)＝min(σ2lnf(xi)-lnf(x
i0
)(1-σ)2)，f代表第一神经网络，xi代表第四图像，x
i0
代表第五图像，σ代表替换的所述随机值。
16.在本技术的另一方面，提供了第一神经网络包括卷积层和批规范化层和激活层和转置卷积层组成，其中所述卷积层和所述批规范化层和所述激活层具有3
×
3的卷积核，所述转置卷积层具有1
×
1的卷积核。
17.在本技术的又一方面，提供了第一神经网络模型的训练过程包括：获取多组样本图像，每组样本图像包括输入图像和标签图像，所属输入图像为对初始ct图像依次经过降
采样处理、图像分割处理、像素值归一化处理、与预设掩模的叠加处理后的图像。
18.在本技术的又一方面，提供了激活层包括激活函数，所述激活函数为relu函数，所述激活层提取的特征映射的大小为其中，w是输入图像的大小，f是卷积核的大小，s是步长。
19.在本技术的又一方面，提供了激活层步长为1。
20.在一些实施例中，提供了一种ct图像处理装置，包括：初始图像处理模块，用于对获取的初始ct图像进行降采样处理得到第一图像；
21.第一图像分割模块，用于对所述第一图像进行图像分割得到多个第二图像，所述多个第二图像大小相同；
22.第二图像处理模块，用于对所述多个第二图像分别进行过采样处理得到多个第三图像；
23.第三图像处理模块，用于对所述多个第三图像的像素值进行归一化处理；
24.预设掩模获取模块，用于获取与所述第三图像大小相同的预设掩模；
25.第四图像获取模块，根据所述归一化处理后的多个第三图像和所述掩模图像得到多个第四图像；
26.初始图像分割模块，用于对所述初始ct图像进行分割得到多个第五图像，所述多个第五图像与所述多个第四图像一一对应；
27.最终分割图像确定模块，用于将一一对应的第四图像和第五图像输入至预先训练好的第一神经网络模型中，得到最终分割图像；
28.目标图像确定模块，用于将所述最终分割图像进行拼接得到目标图像。
29.本技术实施例之一提供一种计算机处理设备，包括处理器，所述处理器用于执行上述图像处理方法。
30.本技术实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行上述图像处理方法。
31.本技术的一部分附加特性可以在下面的描述中进行说明。通过对以下描述和相应附图的研究或者对实施例的生产或操作的了解，本技术的一部分附加特性对于本领域技术人员是明显的。本技术的特征可以通过对以下描述的具体实施例的各种方面的方法、手段和组合的实践或使用得以实现和达到。
附图说明
32.本技术将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
33.图1是是根据本技术一些实施例所示的示例性图像处理系统的应用场景示意图；
34.图2是根据本技术一些实施例所示的图像处理的示例性流程图；
35.图3是根据本技术一些实施例所示的示例性图像处理装置的模块图。
具体实施方式
36.为了更清楚地说明本技术实施例的技术方案，下面将对实施例描述中所需要使用
的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本技术的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本技术应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
37.应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
38.如本技术和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
39.本技术中使用了流程图用来说明根据本技术的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
40.本技术所披露的图像重建方法，可以应用于多种医学扫描成像设备，包括但不限于计算机x线摄影仪(cr)、数字化x线摄影仪(dr)、计算机断层扫描仪(ct)、屏片x射线机、移动x射线设备(比如移动c臂机)、数字减影血管造影扫描仪(dsa)、直线加速器、发射型计算机断层扫描仪(ect)等中的一种或其任意组合。仅出于说明的目的，本技术将以ct系统为例，对披露的技术方案进行详细描述，并不旨在限制本发明的范围。
41.在一个方面，本发明涉及一种ct图像处理方法、装置、计算机设备和可读存储介质，包括对获取的初始ct图像进行降采样处理得到第一图像；降采样，是指降低信号采样率的过程，用于降低ct图像数据量大小。
42.对所述第一图像进行图像分割得到多个第二图像，所述多个第二图像大小相同；对于噪声较小的第一图像，图像分割方法可以选择边缘分割法，通过检测灰度级或者结构具有突变的地方，表明一个区域的终结，也是另一个区域开始的地方。这种不连续性称为边缘。不同的图像灰度不同，边界处一般有明显的边缘，利用此特征可以分割图像。图像中边缘处像素的灰度值不连续，这种不连续性可通过求导数来检测到。对于阶跃状边缘，其位置对应一阶导数的极值点，对应二阶导数的过零点(零交叉点)。因此可以用微分算子进行边缘检测。常用的一阶微分算子有roberts算子、prewitt算子和sobel算子，二阶微分算子有laplace算子和kirsh算子等。在实际中各种微分算子常用小区域模板来表示，微分运算是利用模板和图像卷积来实现。这些算子对噪声敏感，只适合于噪声较小不太复杂的图像。
43.图像分割方法可以选择直方图法，直方图法是对图像中的像素的计算，并在直方图的波峰和波谷是用于定位图像中的簇。这种技术的一种改进是递归应用直方图求法的集群中的形象以分成更小的簇。重复此操作，使用更小的簇直到没有更多的集群的形成从而完成图像的分割。
44.对所述多个第二图像分别进行过采样处理得到多个第三图像；过采样可以使第二图像增加数据样本个数。过采样的代表算法是smote算法和adasyn算法。本实施例采用adasyn算法对第二图像进行过采样处理。对第二图像进行过采样处理可以改变图像噪声的
分布。
45.对所述多个第三图像的像素值进行归一化处理；获取与所述第三图像大小相同的预设掩模；根据所述归一化处理后的多个第三图像和所述掩模图像得到多个第四图像。具体地，将第三图像中对应掩模像素值为1的像素值用0到1之间的随机值替代。
46.对所述初始ct图像进行分割得到多个第五图像，所述多个第五图像与所述多个第四图像一一对应；将一一对应的第四图像和第五图像输入至预先训练好的第一神经网络模型中，得到最终分割图像；将所述最终分割图像进行拼接得到目标图像。第一神经网络模型的损失函数具体为：构l(f)＝min(σ2lnf(xi)-lnf(x
i0
)(1-σ)2)，f代表第一神经网络，xi代表第四图像，x
i0
代表第五图像，σ代表替换的所述随机值。
47.在其中的一个实施例中，第一神经网络包括卷积层和批规范化层和激活层和转置卷积层组成，其中所述卷积层和所述批规范化层和所述激活层具有3
×
3的卷积核，所述转置卷积层具有1
×
1的卷积核。
48.在其中的一个实施例中，提供了第一神经网络模型的训练过程包括：获取多组样本图像，每组样本图像包括输入图像和标签图像，所属输入图像为对初始ct图像依次经过降采样处理、图像分割处理、像素值归一化处理、与预设掩模的叠加处理后的图像。
49.在其中的一个实施例中，激活层包括激活函数，所述激活函数为relu函数，所述激活层提取的特征映射的大小为其中，w是输入图像的大小，f是卷积核的大小，s是步长，激活层步长为1。
50.所述处理方法通过对初始ct图像进行降采样处理，并对其进行分割，减少了了计算机的处理负担，加快图像的分割速度，同时利用预设掩模对归一化处理后的第三图像进行叠加，包括将ct图像中对应掩模像素值为1的像素值用0到1之间的随机值替代，可以减少可能由于扫描剂量低带来的过多图像噪声，同时整个图像处理过程也采用了与现有技术不同的处理步骤。
51.图1所示为根据本技术一些实施例所示的示例性图像重建系统的应用场景示意图。在一些实施例中，该图像重建系统可以获取扫描对象的原始投影数据，并基于本技术所披露的方法获取扫描对象的重建图像。如图1所示，图像重建系统100可以包括扫描设备110、网络120、一个或多个终端130、处理设备140以及存储设备150。
52.扫描设备110可以包括机架111、探测器112、探测区域113、扫描床114和放射扫描源115。机架111可以支撑探测器112和放射扫描源115。机架111可以旋转，例如，围绕机架旋转轴线顺时针或逆时针旋转。放射扫描源115可以与机架111一同旋转。扫描对象可以放置于扫描床114上接受扫描。放射扫描源115可以发出放射线束到扫描对象。探测器112可以探测从探测区域113发出的辐射束(例如，伽马光子)，在接收穿过扫描对象的辐射束后，探测器112可以将其转变为可见光，并由光电转变为电信号，再经模拟/数字转换器转换为数字信息，输入计算设备(例如，计算机)进行处理，或传输至存储设备进行存储。在一些实施例中，探测器112可以包括一个或多个探测器单元。探测器单元可以包括闪烁探测器(例如，碘化铯探测器)和其他探测器等。探测器单元可以是包括单排探测器和/或多排探测器。
53.处理设备140可以处理从扫描设备110、终端130和/或存储设备150获得的数据和/或信息。例如，处理设备140可以确定图像重建所需的扫描数据。在一些实施例中，处理设备
140可以用于对读取后的数据进行处理，例如，数据预处理、图像重建、重建后处理等。在一些实施例中，处理设备140可以是单个服务器或服务器组。服务器组可以是集中式的，也可以是分布式的。在一些实施例中，处理设备140可以是本地的或远程的。例如，处理设备140可以通过网络120从扫描设备110、终端130和/或存储设备150访问信息和/或数据。又例如，处理设备140可以直接连接扫描设备110、终端130和/或存储设备150以访问信息和/或数据。在一些实施例中，处理设备140可以在云平台上实现。例如，云平台可以包括私有云、公共云、混合云、社区云、分布式云、跨云、多云等其中一种或几种的组合。
54.终端130可以包括移动设备131、平板电脑132、笔记本电脑133等或其任意组合。在一些实施例中，终端130可以通过网络与图像重建系统100中的其他组件交互。例如，终端130可以向扫描设备110发送一种或多种控制指令以控制扫描设备110按照指令进行扫描。又例如，终端130还可以接收处理设备140的处理结果，例如，重建后的图像。在一些实施例中，移动设备131可以包括智能家居装置、可穿戴设备、移动装置、虚拟现实装置、增强现实装置等或其任意组合。在一些实施例中，智能家居装置可以包括智能照明装置、智能电器控制装置、智能监控装置、智能电视、智能摄像机、对讲机等或其任意组合。在一些实施例中，可穿戴设备可以包括手链、鞋袜、眼镜、头盔、手表、衣服、背包、智能附件等或其任意组合。在一些实施例中，移动装置可包括移动电话、个人数字助理(pda)、游戏装置、导航装置、pos装置、笔记本电脑、平板电脑、台式机等或其任意组合。在一些实施例中，该虚拟现实装置和/或增强现实装置可包括虚拟现实头盔、虚拟现实眼镜、虚拟现实补丁、增强现实头盔、增强现实眼镜、增强现实补丁等或其任意组合。例如，该虚拟现实装置和/或增强现实装置可包括google glass
tm
、oculus rift
tm
、hololens
tm
或gear vr
tm
等。在一些实施例中，终端130可以是处理设备140的一部分。
55.存储设备150可以存储数据(例如，对目标对象的扫描数据)、指令和/或任何其他信息。在一些实施例中，存储设备150可以存储从扫描设备110、终端130和/或处理设备140处获得的数据，例如，存储设备150可以存储从扫描设备110获得的扫描对象的扫描数据。在一些实施例中，存储设备150可以存储处理设备140执行或使用的数据和/或指令，以执行本技术中描述的示例性方法。在一些实施例中，存储设备150可包括大容量存储器、可移除存储器、易失性读写存储器、只读存储器(rom)等其中一种或几种的组合。大容量存储可以包括磁盘、光盘、固态硬盘、移动存储等。可移除存储器可以包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等。易失性读写存储器可以包括随机存取存储器(ram)。ram可以包括动态随机存储器(dram)、双数据率同步动态随机存取存储器(ddr-sdram)、静态随机存取存储器(sram)、可控硅随机存取存储器(t-ram)、零电容随机存取存储器(z-ram)等。rom可以包括掩模只读存储器(mrom)、可编程的只读存储器(prom)、可擦除可编程只读存储器(eprom)，电可擦除可编程只读存储器(eeprom)、光盘只读存储器(cd-rom)、数字多功能光盘等。在一些实施例中，存储设备150可以通过本技术中描述的云平台实现。例如，云平台可以包括私有云、公共云、混合云、社区云、分布式云、跨云、多云等其中一种或几种的组合。
56.在一些实施例中，存储设备150可以连接网络120，以与图像重建系统100中的一个或多个组件(例如，处理设备140、终端130等)之间实现通信。图像重建系统100中的一个或多个组件可以通过网络120读取存储设备150中的数据或指令。在一些实施例中，存储设备150可以是处理设备140的一部分，也可以是独立的，与处理设备140直接或间接相连。
57.网络120可以包括能够促进图像重建系统100的信息和/或数据交换的任何合适的网络。在一些实施例中，图像重建系统100的一个或多个组件(例如，扫描设备110、终端130、处理设备140、存储设备150等)可以通过网络120与图像重建系统100的一个或多个组件之间交换信息和/或数据。例如，处理设备140可以通过网络120从数据处理计划系统获取计划数据。网络120可以包括公共网络(如互联网)、私人网络(例如，局域网(lan)、广域网(wan))等)、有线网络(如以太网)、无线网络(例如，802.11网络、无线wi-fi网络等)、蜂窝网络(例如，长期演进(lte)网络)、帧中继网络、虚拟专用网络(vpn)、卫星网络、电话网络、路由器、集线器、服务器计算机等其中一种或几种组合。例如，网络120可以包括有线网络、光纤网络、电信网络、局域网、无线局域网(wlan)、城域网(man)，公用电话交换网(pstn)、蓝牙
tm
网络，zigbee
tm
网络、近场通信(nfc)网络等其中一种或几种的组合。在一些实施例中，网络120可以包括一个或多个网络接入点。例如，网络120可以包括有线和/或无线网络接入点，例如基站和/或因特网交换点，通过所述接入点，图像重建系统100的一个或多个组件可以连接网络120以交换数据和/或信息。
58.图2所示为根据本技术一些实施例所示的图像重建的示例性流程图。在一些实施例中，流程可以通过处理逻辑来执行，该处理逻辑可以包括硬件(例如，电路、专用逻辑、可编程逻辑、微代码等)、软件(运行在处理设备上以执行硬件模拟的指令)等或其任意组合。图2所示的用于图像重建的流程中的一个或多个操作可以通过图1所示的处理设备140实现。例如，流程可以以指令的形式存储在存储设备150中，并由处理设备140执行调用和/或执行。
59.如图2所示，该图像处理的方法可以包括以下操作。步骤210，对获取的初始ct图像进行降采样处理得到第一图像。步骤210可以由初始图像处理模块310执行。
60.在一些实施例中，所述测量投影数据可以是由探测设备，例如图1中所示的探测器112所获取的扫描投影数据，其可用于图像重建。例如，所述测量投影数据可以是由探测器112接收到的ct值信号经过预处理，比如模数转换后得到的数据。在一些实施例中，所述测量投影数据可以从探测器112直接获取，也可以从存储设备150获取。例如，所述测量投影数据可以是直接从扫描设备110获得的扫描对象的扫描投影数据，也可以是存储在存储设备150中的数据。本技术实施例中，所述测量投影数据可以与第一扫描角度范围相关。结合图1，可以知道的是，在一次扫描过程中，放射扫描源115围绕扫描对象进行旋转，基于扫描协议，放射扫描源115可以在特定的时刻发射射线束，同时探测器112可以探测从扫描对象例如患者穿过的射线束从而获取扫描投影数据。每个特定的时刻被称为一次数据采集时刻。因为放射扫描源115是运动的，每一个数据采集时刻可以对应一个数据采集角度。该数据采集角度可以理解为放射扫描源115在数据采集时刻时的旋转角度或机架111在数据采集时刻时的旋转角度，如10
°
、15
°
、90
°
或180
°
等。因此，每一个数据采集角度可以对应有一份扫描投影数据。基于以上的描述可以理解，放射扫描源115在一次扫描过程中会有一个旋转角度范围，例如，0
°
到360
°
或720
°
，所述第一扫描角度范围可以是该旋转角度范围内的一段。所述测量投影数据可以是所述第一扫描角度范围内的所有数据采集角度对应的扫描投影数据的集合。在一些实施例中，所述测量投影数据的选取可以是任意的。例如，可以任意选择两段扫描角度范围内的扫描投影数据作为所述测量投影数据。在一些实施例中，所述测量投影数据的选取可以根据具体的扫描对象确定。例如，假定扫描对象是患者的心脏、肺、
肋骨或者腹腔等运动部位，可以首先确定扫描对象的目标相位(例如，心脏处于运动较平缓状态时)对应的数据采集时刻，然后根据该数据采集时刻获取其对应的数据采集角度。以该数据角度为中心，选择一段扫描角度范围下的扫描投影数据作为所述测量投影数据。
61.步骤210可以由初始图像处理模块310执行。在一些实施例中，对获取的初始ct图像进行降采样处理得到第一图像。
62.步骤220可以由第一图像分割模块320执行。在一些实施例中，对所述第一图像进行图像分割得到多个第二图像，所述多个第二图像大小相同；所述多个第二图像大小相同。
63.步骤230，对所述多个第二图像分别进行过采样处理得。步骤230可以由第二图像处理模块330执行。
64.步骤240，对所述多个第三图像的像素值进行归一化。步骤240可以由第三图像处理模块340执行。第三图像处理模块340可以采用的归一化方法不做限制。
65.步骤250，获取与所述第三图像大小相同的预设掩模。步骤250可以由预设掩模获取模块350执行。
66.步骤260，根据所述归一化处理后的多个第三图像和所述掩模图像得到多个第四图像处理到多个第三图像。步骤260可以由第四图像获取模块360执行。
67.步骤270，对所述初始ct图像进行分割得到多个第五图像，所述多个第五图像与所述多个第四图像一一对应。步骤270可以由初始图像分割模块370执行。
68.步骤280，将一一对应的第四图像和第五图像输入至预先训练好的第一神经网络模型中，得到最终分割图像。步骤280可以由最终分割图像确定模块380执行。
69.步骤290，将所述最终分割图像进行拼接得到目标图像。步骤290可以由目标图像确定模块390执行。
70.训练过程中，第一神经网络模型训练根据损失函数的值不断调节模型参数，直到损失函数达到最小值。在一些实施例中，训练时，第一神经网络模型训练可以通过在损失函数中加入惩罚项加速模型的收敛，减少过拟合现象。过拟合是指训练好的模型获取了过多细节特征，包括某些非共同特征，导致模型在训练数据识别上表现良好，但在实际使用中却表现不佳。惩罚项又可以称为正则项，正则项可以是l1范式正则化函数，可以是l2范式正则化函数，也可以是其他的正则函数。
71.第一神经网络模型训练响应于损失函数达到最小，获取第一神经网络模型。在一些实施例中，可以对训练后的模型进行测试，测试过程中不改变模型的参数值。测试样本可以从数据训练库中抽取，获取多组样本图像，每组样本图像包括输入图像和标签图像，所属输入图像为对所述初始ct图像的分割图像，所述标签图像为对初始ct图像依次经过降采样处理、图像分割处理、像素值归一化处理、与预设掩模的叠加处理后的图像，其中与预设掩模的叠加处理包括将ct图像中对应掩模像素值为1的像素值用0到1之间的随机值替代。测试确认损失函数达到最小后，可以认为模型训练完成。训练完成的模型可以称为第一神经网络模型。
72.应当注意的是，上述有关流程的描述仅仅是为了示例和说明，而不限定本技术的适用范围。对于本领域技术人员来说，在本技术的指导下可以对流程进行各种修正和改变。然而，这些修正和改变仍在本技术的范围之内。
73.关于以上模块的描述，可以参考本技术流程图部分。
74.应当理解，图3所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本技术的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。
75.需要注意的是，以上对于候选项显示、确定系统及其模块的描述，仅为描述方便，并不能把本技术限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。例如，在一些实施例中，例如，图3中披露的初始图像处理模块310、第一图像分割模块320、第二图像处理模块330、第三图像处理模块340、预设掩模获取模块350、第四图像获取模块360、初始图像分割模块370、最终分割图像确定模块380和目标图像确定模块390可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本技术的保护范围之内。
76.上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本技术的限定。虽然此处并没有明确说明，本领域技术人员可能会对本技术进行各种修改、改进和修正。该类修改、改进和修正在本技术中被建议，所以该类修改、改进、修正仍属于本技术示范实施例的精神和范围。
77.同时，本技术使用了特定词语来描述本技术的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本技术至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本技术的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
78.此外，本领域技术人员可以理解，本技术的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本技术的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本技术的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
79.计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用
的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、rf、或类似介质，或任何上述介质的组合。
80.本技术各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如java、scala、smalltalk、eiffel、jade、emerald、c 、c#、vb.net、python等，常规程序化编程语言如c语言、visual basic、fortran 2003、perl、cobol 2002、php、abap，动态编程语言如python、ruby和groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(lan)或广域网(wan)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(saas)。
81.此外，除非权利要求中明确说明，本技术所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本技术流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本技术实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
82.同理，应当注意的是，为了简化本技术披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本技术实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本技术对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
83.一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有
±
20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本技术一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
84.针对本技术引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本技术作为参考。与本技术内容不一致或产生冲突的申请历史文件除外，对本技术权利要求最广范围有限制的文件(当前或之后附加于本技术中的)也除外。需要说明的是，如果本技术附属材料中的描述、定义、和/或术语的使用与本技术所述内容有不一致或冲突的地方，以本技术的描述、定义和/或术语的使用为准。
85.最后，应当理解的是，本技术中所述实施例仅用以说明本技术实施例的原则。其他的变形也可能属于本技术的范围。因此，作为示例而非限制，本技术实施例的替代配置可视为与本技术的教导一致。相应地，本技术的实施例不仅限于本技术明确介绍和描述的实施例。