图像去噪方法、系统以及存储介质

1.本技术涉及图像处理技术领域，特别涉及一种图像去噪方法、系统以及存储介质。


背景技术：

2.在图像处理中，图像降噪是比较重要的一个分支，其中通过对原始图像做各向异性扩散方程求解，从而得到去噪后的图像是比较常用的做法，其能够在保持一定程度特征的同时去除噪声，其中图像的梯度算子决定了扩散的速度，广泛应用于图像去噪、图像分割以及目标识别等领域。但是梯度算子本身对噪声的敏感程度高，抗噪性能不强，对于噪声引起的伪边缘无法区分开，针对梯度算子识别噪声能力不强的问题，后来引入边缘检测算子进行改进，但是由于噪声的原因会产生一些原本并不存在的边缘，从而导致边缘检测结果不准确，使得应用边缘检测通过各向异性扩散方程进行图像去噪的效果不佳。


技术实现要素：

3.本技术旨在至少解决现有技术中存在的技术问题之一。为此，本技术提出一种图像去噪方法、系统以及存储介质，能够弱化图像噪声对边缘检测结果的影响，提高图像去噪效果。
4.第一方面，本技术提出了一种图像去噪方法，包括：
5.通过经验模态分解对待处理的图像进行模糊处理，得到模糊化的特征图像；
6.对所述特征图像进行边缘检测处理，得到所述特征图像的边缘检测算子；
7.根据所述边缘检测算子计算预设的异性扩散方程的扩散阈值，并根据计算得到的所述扩散阈值确定改进的各向异性扩散方程；
8.通过所述改进的各向异性扩散方程对所述待处理的图像进行扩散处理，得到去噪后的图像信息。
9.根据本技术第一方面实施例的图像去噪方法，至少具有如下有益效果：通过在边缘检测前先进行图像的模糊处理，将图像的细节对应的高频部分去掉，此时消除依附于图像细节部分的噪声，之后通过对模糊后的图像进行边缘检测，使得细节部分的噪声无法自行产生边缘，使得边缘检测的结果准确，使边缘检测过程中的边缘检测算子不受噪声的影响，从而代替各向异性扩散方程中的扩散阈值来准确引导扩散程度，从而输出去噪效果更佳的去噪图像。
10.根据本技术的一些实施例，所述通过经验模态分解对待处理的图像进行模糊处理，得到模糊化的特征图像，包括
11.对所述待处理的图像进行二维经验模态分解，得到所述待处理的图像的固有模态函数集；所述固有模态函数集由一个图像余量、若干个频率从高到低排布的图像函数分量组成；
12.将去除频率最高的图像函数分量的所述固有模态函数集重组，得到所述特征图像。
13.根据本技术的一些实施例，所述对所述待处理的图像进行二维经验模态分解，得到所述待处理的图像的固有模态函数集，包括
14.根据所述待处理的图像，确定图像函数；
15.根据预设的分解公式，计算得到所述图像函数对应的图像函数分量；
16.计算所述图像函数与所述图像函数分量的差量；
17.将不满足预设条件的差量作为新的图像函数并重新计算所述新的图像函数对应的图像函数分量直至所述差量满足预设条件；
18.将最后一次计算得到的所述差量作为图像余量；
19.将所述图像余量、计算得到的每一图像函数分量组合，得到所述固有模态函数集。
20.根据本技术的一些实施例，所述根据预设的分解公式，计算得到所述图像函数对应的图像函数分量，包括：
21.根据所述图像函数的极大值和极小值，分别构造极大值曲面和极小值曲面；
22.根据所述极大值曲面、所述极小值曲面，计算得到均值包络面；
23.计算所述均值包络面与所述图像函数的差，得到高度差函数；
24.将所述高度差函数作为新的图像函数并重新计算得到新的高度差函数，直至新的所述高度差函数与前一次计算得到高度差函数的均方差满足预设的阈值。
25.根据本技术的一些实施例，所述对所述特征图像进行边缘检测处理，得到所述特征图像信息的边缘检测算子，包括
26.对所述特征图像进行高斯平滑处理，得到平滑后的图像信息；
27.对所述平滑后的图像信息进行梯度计算，得到所述平滑后的图像中每一像素点的梯度幅值和梯度方向；
28.根据所述梯度方向，对对应的所述梯度幅值进行非极大值抑制处理，得到优化后的图像信息；
29.对所述优化后的图像信息采用双阈值筛选处理，得到筛选后的图像信息；
30.根据筛选后的图像信息，确定边缘检测算子及对应的边缘分布。
31.根据本技术的一些实施例，所述根据筛选后的图像信息，确定边缘检测算子及边缘分布，包括：
32.对所述筛选后的图像信息进行滞后边缘跟踪处理，得到有效边缘集合；
33.根据所述有效边缘集合,确定边缘算子及其对应的边缘分布。
34.根据本技术的一些实施例，所述改进的各向异性扩散方程的扩散系数表征待处理的图像的像素点与梯度算子的关系。
35.根据本技术的一些实施例，所述通过所述改进的各向异性扩散方程对所述待处理的图像进行扩散处理，得到去噪后的图像信息，包括
36.获取预设所述改进的各向异性扩散方程的计算次数；
37.通过所述改进的各向异性扩散方程对所述待处理的图像进行扩散处理，输出第一次的扩散图像；
38.将所述扩散图像作为新的所述待处理的图像，重新进行扩散处理，直至扩散处理的次数与预设的计算次数匹配或所述扩散图像满足预设的条件；
39.将最后一次扩散处理得到的所述扩散图像作为去噪后的图像信息。
40.第二方面，本技术提出了一种图像去噪系统，包括：至少一个存储器、至少一个处理器、至少一个程序，所述程序被存储在所述存储器中，所述处理器执行至少一个所述程序以实现如权利要求1至8任一项所述的图像去噪方法。
41.根据本技术第二方面实施例的图像去噪系统，至少具有如下有益效果：通过在边缘检测前先进行图像的模糊处理，将图像的细节对应的高频部分去掉，此时消除依附于图像细节部分的噪声，之后通过对模糊后的图像进行边缘检测，使得细节部分的噪声无法自行产生边缘，使得边缘检测的结果准确，使边缘检测过程中的边缘检测算子不受噪声的影响，从而代替各向异性扩散方程中的扩散阈值来准确引导扩散程度，从而输出去噪效果更佳的去噪图像。
42.第三方面，本技术提出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有计算机可执行信号，所述计算机可执行信号用于执行如权利要求1至8任一项所述的图像去噪方法。
43.根据本技术第三方面实施例的计算机可读存储介质，至少具有如下有益效果：通过在边缘检测前先进行图像的模糊处理，将图像的细节对应的高频部分去掉，此时消除依附于图像细节部分的噪声，之后通过对模糊后的图像进行边缘检测，使得细节部分的噪声无法自行产生边缘，使得边缘检测的结果准确，使边缘检测过程中的边缘检测算子不受噪声的影响，从而代替各向异性扩散方程中的扩散阈值来准确引导扩散程度，从而输出去噪效果更佳的去噪图像。
44.本技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
45.本技术的附加方面和优点结合下面附图对实施例的描述中将变得明显和容易理解，其中：
46.图1是本技术一个实施例提供的一种图像去噪方法的流程图；
47.图2是本技术关于图1中步骤s100的细化流程示意图；
48.图3是本技术关于图2中步骤s110的细化流程示意图；
49.图4是本技术关于图3中步骤s112的细化流程示意图；
50.图5是本技术关于图1中步骤s200的细化流程示意图；
51.图6是本技术关于图5中步骤s250的细化流程示意图；
52.图7是本技术关于图1中步骤s400的细化流程示意图；
53.图8是本技术的图像去噪系统的结构示意图。
具体实施方式
54.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本技术。
55.在本技术的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、
第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
56.参照图1,第一方面，本技术提供了一种图像去噪方法，包括但不限于如下步骤：
57.步骤s100，通过经验模态分解对待处理的图像进行模糊处理，得到模糊化的特征图像。
58.在一些实施例中，通过对待处理的图像做二维经验模态分解，从而将待处理的图像按照频率分成若干个不同成分，按照需要提取出后续步骤需要的成分，本技术通过去除上述成分中与图像细节相关的成分，保留图像的基本轮廓，从而对图像做模糊处理，得到模糊化的特征图像信息。
59.步骤s200，对特征图像进行边缘检测处理，得到特征图像的边缘检测算子。
60.在一些实施例中，上述得到的模糊化的特征图像是只包括图像的基本特征和轮廓的，与图像细节共存的噪声部分已经被剔除了，通过对特征图像进行边缘检测，选用合理的边缘检测算子来引导检测过程，从而得到与边缘检测算子有函数关系的边缘分布，该边缘分布用于后续各向异性扩散方程的改进。
61.步骤s300，根据边缘检测算子计算预设的异性扩散方程的扩散阈值，并根据计算得到的扩散阈值确定改进的各向异性扩散方程。
62.可以理解的是，边缘检测算子是包含了边缘分布的函数信息的，通过将边缘检测算子替代各向异性扩散方程的梯度算子，来引导各向异性扩散方程的扩散速度和程度，从而改进各向异性扩散方程。
63.在一些实施例中，原本的各向异性扩散方程的表达式为，
[0064][0065]
其中，i(x,y,0)是初始图像，即待处理的图像，div表示散度运算算子，表示梯度运算算子；c表示扩散系数，控制p-m(各向异性扩散方程)的扩散速度，上述边缘检测的canny算子引导边缘检测过程得到的边缘分布会代入各向异性扩散方程中，从而与梯度算子产生新的扩散阈值，引导新的扩散方程完成去噪处理。改进的各项异性扩散方程为：
[0066][0067]
其中，k表示canny算子，在边缘区域k趋近于1，扩散方程的速度减慢，保留细节信息；在非边缘区域，k趋近于0，扩散速度加快，达到去噪的效果。
[0068]
步骤s400，通过改进的各向异性扩散方程对待处理的图像进行扩散处理，得到去噪后的图像信息。
[0069]
在一些实施例中，通过在边缘检测前先进行图像的退化处理，将图像的细节对应的高频部分去掉，此时消除依附于图像细节部分的噪声，之后通过对退化后的图像进行边缘检测，使得细节部分的噪声无法自行产生边缘，使得边缘检测的结果准确，使边缘检测过程中的边缘检测算子不受噪声的影响，从而代替各向异性扩散方程中的扩散阈值来准确引导扩散程度，从而输出去噪效果更佳的去噪图像。
[0070]
根据本技术第一方面的实施例，至少具有如下有益效果：通过在边缘检测前先进行图像的模糊处理，将图像的细节对应的高频部分去掉，此时消除依附于图像细节部分的
噪声，之后通过对模糊后的图像进行边缘检测，使得细节部分的噪声无法自行产生边缘，使得边缘检测的结果准确，使边缘检测过程中的边缘检测算子不受噪声的影响，从而代替各向异性扩散方程中的扩散阈值来准确引导扩散程度，从而输出去噪效果更佳的去噪图像。
[0071]
可以理解的是，参照图2，其中图2是图1中步骤s100的细化流程的一个实施例的示意图，该步骤s100包括：
[0072]
步骤s110，对待处理的图像进行二维经验模态分解，得到待处理的图像的固有模态函数集。
[0073]
需要说明的是，经验模态分解对于一段未知信号，不需要做预先分析与研究，就可以直接开始分解。这个方法会自动按照一些固模式按层次分好，而不需要人为设置和干预。其分解出来的固有模态函数是基于信号本身特性的，后续可以针对特定频率信息进行研究。由于本技术的分析对象是图片，故采用对图片分析的二维经验模态分解。
[0074]
步骤s120,将去除频率最高的图像函数分量的固有模态函数集重组，得到特征图像。
[0075]
在一些实施例中，通过对分解后的各个固有模态函数进行挑选和重组，去掉影响后续边缘检测精度的固有模态函数分量，将余下的固有模态函数进行重组，从而精确控制图像的模糊处理，避免模糊程度不可控，造成模糊量太少，则有太多噪声，模糊量太多，又会丢失后续边缘检测所需要的信息。
[0076]
需说明的是，步骤s100包括但不限于步骤s110和步骤s120。
[0077]
可以理解的是，参照图3，其中图3是图2中步骤s110的细化流程的一个实施例的示意图，该步骤s110包括但不限于步骤s111、步骤s112、步骤s113、步骤s114、步骤s115和步骤s116。
[0078]
步骤s111，根据待处理的图像，确定图像函数。
[0079]
在一些实施例中，假设待处理的图像为f(x,y)，其是关于图像像素点的函数式。
[0080]
步骤s112,根据预设的分解公式，计算得到图像函数对应的图像函数分量。
[0081]
步骤s113,计算图像函数与图像函数分量的差量。
[0082]
在一些实施例中，通过一些分解规则得出的图像函数与上一分解过程产生的图像函数做差值计算，并将差量作为新的图像函数，同时每一次循环的差量在满足特点的预设条件时，就会将那一次的差量作为二维经验模态分解过程中的一个固有模态函数。
[0083]
步骤s114，将不满足预设条件的差量作为新的图像函数并重新计算新的图像函数对应的图像函数分量直至差量满足预设条件。
[0084]
步骤s115，将最后一次计算得到的差量作为图像余量。
[0085]
可以理解的是，上述步骤s114在经过多次循环后，产生了多个新的图像函数，即上述提到的差量，同时差量也存在无法作为新的图像函数的情况，记r1(x,y)为图像f(x,y)去除了第一个图像函数分量之后剩余的图像，将r1(x,y)作为新的图像函数输入重复步骤s111、s112 和步骤s113，即可得到第二个差量，设第一个图像函数分量为c1(x,y)，则 r1(x,y)＝f(x,y)-c1(x,y)。当上述步骤循环n次后，rn(x,y)和cn(x,y)小于预定的误差或者 rn(x,y)是一个单调函数时，不能再从图像f(x,y)中提取出图像函数分量时，此时的rn(x,y) 表示图像缓慢变化的平均趋势，将此时的rn(x,y)作为最后一次计算的图像余量。
[0086]
步骤s116,将图像余量、计算得到的每一图像函数分量组合，得到固有模态函数
集。
[0087]
在一些实施例中，原本的图像f(x,y)可以表示为：
[0088][0089]
需要说明的是，步骤s120的特征图像可以表示为：
[0090][0091]
可以理解的是，参照图4，其中图4是图3中步骤s112的细化流程的一个实施例的示意图，该步骤s112包括但不限于步骤s500、步骤s510、步骤s520和步骤s530。
[0092]
步骤s500,根据图像函数的极大值和极小值，分别构造极大值曲面和极小值曲面。
[0093]
在一些实施例中，首先找到图像f(x,y)中的极大值和极小值，通过插值构造极大值曲面 u(x,y)和极小值曲面v(x,y)。
[0094]
步骤s510,根据极大值曲面、极小值曲面，计算得到均值包络面。
[0095]
在一些实施例中，通过对极大值曲面和极小值曲面均值公式求解，其具体表达式为
[0096][0097]
步骤s520,计算均值包络面与图像函数的差，得到高度差函数。
[0098]
在一些实施例中，均值e1(x,y)与f(x,y)的差记为h1(x,y)，则有
[0099]
h1(x,y)＝f(x,y)-e1(x,y)
[0100]
步骤s530,将高度差函数作为新的图像函数并重新计算得到新的高度差函数，直至新的高度差函数与前一次计算得到高度差函数的均方差满足预设的阈值。
[0101]
在一些实施例中，将h1(x,y)代替f(x,y)作为新的输入，重复步骤s500到s513,假设共重复了k次，上述重复步骤停止的条件所满足的阈值计算方式为
[0102][0103]
其中sd代表阈值，将其范围定为0.1至0.5之间，当上述步骤重复k次之后，sd的值符合规定的范围，就停止循环步骤s500到s513。此时得到的此时得到的h
1k
(x,y)是一个固有模态函数(imf)，也就是上述步骤s114提到的图像函数分量，其是包含着图像f(x,y)的最高频率的图像函数分量，记为c1(x,y)。
[0104]
可以理解的是，参照图5，其中图5是图1中步骤s200的细化流程的一个实施例的示意图，该步骤s200包括但不限于步骤s210、步骤s220、步骤s230、步骤s240和步骤s250。
[0105]
步骤s210,对特征图像进行高斯平滑处理，得到平滑后的图像信息。
[0106]
在一些实施例中，通过对上述经过二维经验模态分解得到的特征图像进行滤波，采用高斯滤波器进行平滑处理，初步进行图像预降噪，使得特征图像的边缘更加平滑，避免后续边缘检测结果误差较大。
[0107]
步骤s220,对平滑后的图像信息进行梯度计算，得到平滑后的图像中每一像素点的梯度幅值和梯度方向。
[0108]
在一些实施例中，梯度即为相邻两个像素值的差，需要计算x和y方向的差值，最终可以得到像素点的梯度g和梯度方向θ，其中简化为g＝|gx| |gy|；θ＝arctan(gy/gx)。
[0109]
步骤s230,根据梯度方向，对对应的梯度幅值进行非极大值抑制处理，得到优化后的图像信息。
[0110]
在一些实施例中，非极大值抑制也就是把“胖”边缘变成“瘦边缘”。灰度变化的地方都比较集中，将局部范围内的梯度方向上的灰度变化最大的保留下来，其他的不保留，这样就可以将多像素边缘变成一个单像素宽的边缘。
[0111]
步骤s240,对优化后的图像信息采用双阈值筛选处理，得到筛选后的图像信息。
[0112]
在一些实施例中，一般会设置一个上阈值、一个下阈值。当边缘像素值大于上阈值时，则记为强边缘；当边缘像素值大于下阈值和小于上阈值时，记为弱边缘；当边缘像素值小于下阈值时，剔除。本技术通过库函数自动反馈上下阈值，若像素点按照0到1分布，则上阈值为0.1563，下阈值为0.0625。
[0113]
步骤s250,根据筛选后的图像信息，确定边缘检测算子及对应的边缘分布。
[0114]
可以理解的是，通过上述步骤的处理，使得输入边缘检测的特征图像的边缘分布以边缘检测算子的形式表现出来，从而完成边缘检测。在一些实施例中，本技术采用canny检测算子。
[0115]
可以理解的是，参照图6，其中图6是图5中步骤s250的细化流程的一个实施例的示意图，该步骤s250包括但不限于步骤s251和步骤s252
[0116]
步骤s251,对筛选后的图像信息进行滞后边缘跟踪处理，得到有效边缘集合。
[0117]
可以理解的是，上述边缘检测在处理过程中按边缘类型会分为强边缘和弱边缘，强边缘可以认为是真的边缘，而弱边缘可能是真的边缘，也可能是噪声或者颜色变换引起的假边缘。通常认为真实边缘引起的弱边缘和强边缘点蚀连通的，由噪声引起的弱边缘点不会，因此需要进行滞后边缘跟踪。通过检测一个弱边缘的8连通领域像素，只要有强边点存在，那么这个弱边缘被认为是真实便要留下来，从而区分出有限边缘集合。
[0118]
步骤s252,根据有效边缘集合,确定边缘算子及其对应的边缘分布。
[0119]
可以理解的是，上述改进的各向异性扩散方程的扩散系数表征待处理的图像的像素点与梯度算子的关系。在一些实施例中，扩散系数表征各向异性扩散方程的扩散速度，边缘检测算子引导边缘检测过程，输出的边缘分布是关于边缘检测算子的函数式，该函数式结合扩散系数形成新的扩散阈值，从而得出改进的各项异性扩散方程。
[0120]
可以理解的是，参照图7，其中图7是图1中步骤s400的细化流程的一个实施例的示意图，该步骤s400包括但不限于步骤s410、步骤s420、步骤s430和步骤s440。
[0121]
步骤s410,获取改进的各向异性扩散方程的计算次数。
[0122]
在一些实施例中，本技术预设的初始计算次数为5次。可以理解的是，可以通过先进行少次循环，观察输出的图像是否初步满足去噪要求，再进行后续输出条件的判断。
[0123]
步骤s420,通过改进的各向异性扩散方程对所述待处理的图像进行扩散处理，输出第一次的扩散图像。
[0124]
步骤s430,将所述扩散图像作为新的所述待处理的图像，重新进行扩散处理，直至
扩散处理的次数与预设的计算次数匹配或所述扩散图像满足预设的条件。
[0125]
步骤s440,将最后一次扩散处理得到的所述扩散图像作为去噪后的图像信息。
[0126]
在一些实施例中，通过将原始图像的峰值信噪比与去噪后的图像的峰值信噪比进行对比，当去噪后的图像的峰值信噪比大于原始图像的峰值信噪比时，说明去噪的图像较为理想，可以作为最终的去噪图像进行输出。其中峰值信噪比(psnr)作为指标分析，其是一种可观的图像评价指标，是基于对应像素点间的误差，psnr越大，失真程度越小，则越接近真实图像，计算公式如下：
[0127][0128]
其中，f2(x,y)为经过模糊处理后由改进的各向异性扩散方程扩散出来的图像，f(x,y)为待处理的图像，m、n分别为对应图像的大小，此时，可以将psnr的值作为扩散处理的停止的循环条件之一(预设的条件)，当步骤s420输出的扩散图像的psnr满足预设的psnr，则可以停止进行扩散处理。
[0129]
第二方面，本技术还提供了一种图像优化系统，包括至少一个存储器、至少一个处理器和至少一个程序，程序被存储在存储器中，处理器执行一个或多个程序以实现上述图像去噪方法。
[0130]
通过该图像优化系统，使用其中的优化方法，通过在边缘检测前先进行图像的模糊处理，将图像的细节对应的高频部分去掉，此时消除依附于图像细节部分的噪声，之后通过对模糊后的图像进行边缘检测，使得细节部分的噪声无法自行产生边缘，使得边缘检测的结果准确，使边缘检测过程中的边缘检测算子不受噪声的影响，从而代替各向异性扩散方程中的扩散阈值来准确引导扩散程度，从而输出去噪效果更佳的去噪图像。
[0131]
处理器和存储器可以通过总线或其他方式连接，图8以一个处理器为例，通过总线连接为例。
[0132]
存储器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、非暂态性计算机可执行程序以及信号，如本技术实施例中的处理模块对应的程序指令/信号。处理器通过运行存储在存储器中的非暂态软件程序、指令以及信号，从而执行各种功能应用以及数据处理，即实现上述方法实施例的图像去噪方法。
[0133]
存储器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；存储数据区可存储上述汽车行驶转向安全预警方法的相关数据等。此外，存储器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，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理模块。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。
[0134]
一个或者多个信号存储在存储器中，当被一个或者多个处理器执行时，执行上述任意方法实施例中的图像去噪方法。例如，执行以上描述的图1中的方法步骤s100至s400、图2 中的方法步骤s110至s120、图3中的方法步骤s111至s116、图4的方法步骤s500至步骤s530、图5中步骤s210至步骤s250、图6中步骤s251至步骤s252和图7中步骤s410至步骤s440。
[0135]
第三方面，本技术实施例提供了一种计算机可读存储介质，计算机可读存储介质
存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，可使得上述一个或多个处理器执行上述方法实施例中的图像去噪方法。例如，执行图1中的方法步骤s100至s400、图2中的方法步骤s110至s120、图3中的方法步骤s111至s116、图4的方法步骤s500至步骤s530、图5中步骤s210至步骤s250、图6中步骤s251至步骤s252和图7中步骤s410 至步骤s440。
[0136]
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0137]
通过以上的实施方式的描述，本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读信号、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读信号、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
[0138]
上面结合附图对本技术实施例作了详细说明，但是本技术不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本技术宗旨的前提下，作出各种变化。