图像信息的确定方法、装置、电子设备及存储介质与流程

1.本发明实施例涉及图像处理技术领域，尤其涉及一种图像信息的确定方法、装置、电子设备及存储介质。


背景技术：

2.随着计算机科学技术的迅猛发展，对图像信息进行分析和归类成为当前各领域常见的操作。以医疗领域为例，常常需要借助影像设备获取图像(如超声成像、电子计算机断层扫描影像、核磁共振成像等)，对获取的图像进行分析和解读以辅助医务人员作出精确的判断。
3.现有技术中，通常采用卷积神经网络模型进行图像识别，从而确定图像中表达的图像信息。但是，卷积神经网络模型可提取出图像中图形特征信息，仅通过图形特征信息确定图像在实际应用中反映出的信息，无法全面、丰富地体现图像表达的图像信息，降低了确定出的图像信息的准确性和有效性。


技术实现要素：

4.本发明实施例提供了一种图像信息的确定方法、装置、电子设备及存储介质，以实现结合图形特征和时序特征全面地确定出时序图像信息，提高确定出的时序图像信息的准确性和有效性。
5.第一方面，本发明实施例提供了一种图像信息的确定方法，包括：
6.获取待处理的医学图像，提取所述医学图像中对应的时序图像数据；
7.将时序图像数据输入至预先训练的图像识别模型中，确定出所述时序图像数据的时序图像信息；
8.其中，所述图像识别模型基于卷积神经网络和循环神经网络组合构成。
9.第二方面，本发明实施例还提供了一种图像信息的确定装置，该装置包括：
10.获取医学图像模块，用于获取待处理的医学图像，提取所述医学图像中对应的时序图像数据；
11.确定时序图像信息模块，用于将时序图像数据输入至预先训练的图像识别模型中，确定出所述时序图像数据的时序图像信息；
12.其中，所述图像识别模型基于卷积神经网络和循环神经网络组合构成。
13.第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
14.一个或多个处理器；
15.存储装置，用于存储一个或多个程序，
16.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的图像信息的确定方法。
17.第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明任意实施例所提供的图像信息的确定方
法。
18.本发明实施例所提供的一种图像信息的确定方法，获取待处理的医学图像，提取医学图像中对应的时序图像数据；将时序图像数据输入至预先训练的图像识别模型中，确定出时序图像数据的时序图像信息，其中，图像识别模型基于卷积神经网络和循环神经网络组合构成，卷积神经网络可确定出时序图像数据的图形特征，而循环神经网络可确定出时序图像数据的时序特征，从而结合图形特征和时序特征全面地确定出时序图像信息，提高了确定出的时序图像信息的准确性和有效性。
19.此外，本发明所提供的一种图像信息的确定装置、电子设备及存储介质与上述方法对应，具有同样的有益效果。
附图说明
20.为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
21.图1为本发明实施例提供的一种图像信息的确定方法的流程图；
22.图2为本发明实施例提供的另一种图像信息的确定方法的流程图；
23.图3为本发明实施例提供的一种图像信息的确定装置的结构图；
24.图4为本发明实施例提供的一种电子设备的结构图。
具体实施方式
25.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
26.在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
27.为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
28.实施例一
29.图1为本发明实施例提供的一种图像信息的确定方法的流程图。该方法可以由图像信息的确定装置来执行，该装置可以通过软件和/或硬件来实现，可配置于终端和/或服务器中来实现本发明实施例中的图像信息的确定方法。
30.如图1所示，本实施例的方法具体可包括：
31.s101、获取待处理的医学图像，提取医学图像中对应的时序图像数据。
32.在具体实施中，可与医学影像设备建立通信连接，获取医学影像设备采集到的医学图像。医学影像设备包括超声成像设备、电子计算机断层扫描设备及核磁共振设备。医学图像为对应医学影像设备采集到的图像，如心电图、胸透图等。
33.具体的，可按照预设传输周期，定时从医学影像设备中获取医学图像；也可根据实际应用需求，实时向连接的医学影像设备发送获取请求，以获取医学影像设备采集到的医学图像，对此本发明实施例不作限定。
34.进一步的，当获取到待处理的医学图像后，可对医学图像进行图像处理。需要说明的是，医学图像通常为时序图像，可提取时序图像中对应的时序图像数据。示例性的，医学图像可为心电图，提取心电图对应的时序图像数据，时序图像数据可包括心电图中每一时刻的心跳幅度数值。
35.s102、将时序图像数据输入至预先训练的图像识别模型中，确定出时序图像数据的时序图像信息。
36.其中，图像识别模型基于卷积神经网络和循环神经网络组合构成。图像识别模型中卷积神经网络部分可确定出时序图像数据的图形特征，图像识别模型中循环神经网络部分可确定出时序图像数据的时序特征，结合图形特征和时序特征，图像识别模型确定出时序图像数据对应的时序图像信息。
37.示例性的，可基于卷积神经网络中部分结构在前，连接循环神经网络组成的模型对图像识别模型进行训练，从而训练得到的图像识别模型可先确定图形特征，在确定时序特征；还可基于循环神经网络在前，连接卷积神经网络中的部分结构组成的模型对图像识别模型进行训练，从而训练得到的图像识别模型可选确定时序特征，再确定图形特征；通过时序特征和图形特征两方面因素确定出时序图像数据对应的时序图像信息。
38.本发明实施例所提供的一种图像信息的确定方法，获取待处理的医学图像，提取医学图像中对应的时序图像数据；将时序图像数据输入至预先训练的图像识别模型中，确定出时序图像数据的时序图像信息，其中，图像识别模型基于卷积神经网络和循环神经网络组合构成，卷积神经网络可确定出时序图像数据的图形特征，而循环神经网络可确定出时序图像数据的时序特征，从而结合图形特征和时序特征全面地确定出时序图像信息，提高了确定出的时序图像信息的准确性和有效性。
39.实施例二
40.图2为本发明实施例提供的另一种图像信息的确定方法的流程图。本实施例以上述各技术方案为基础进行优化。可选的，在将时序图像数据输入至预先训练的图像识别模型中之前，还包括：针对各第一时序样本数据，将第一时序样本数据输入至待训练卷积神经网络中，基于第一输出结果对待训练卷积神经网络中的第一网络参数进行修正，生成目标卷积神经网络；基于第一时序样本数据和目标卷积神经网络确定第二时序样本数据；将第二时序样本数据输入至待训练循环神经网络中，基于待训练循环神经网络输出的第二输出结果对待训练循环神经网络中的第二网络参数进行修正，生成目标循环神经网络；基于目标卷积神经网络和目标循环神经网络，生成图像识别模型。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。
41.如图2所示，本实施例的方法具体可包括：
42.s201、针对各第一时序样本数据，将第一时序样本数据输入至待训练卷积神经网络中，基于第一输出结果对待训练卷积神经网络中的第一网络参数进行修正，生成目标卷积神经网络。
43.在具体实施中，可预先获取多个时序样本数据。示例性的，当图像识别模型识别为
用于确定心电图的图像信息时，可获取心电图样本数据，心电图样本数据可由两部分构成，一部分表示心跳幅度的数据，另一部分为标注的心跳类型标签。例如，心电图样本数据共分为188个字段，前187个字段表示每一时刻的心跳幅度，最后一个字段表示心跳类型标签。
44.可选的，在针对各第一时序样本数据，将第一时序样本数据输入至待训练卷积神经网络中之前，还包括：对各第一时序样本数据按照预设长度要求进行数据预处理。
45.需要说明的是，训练卷积神经网络时，多个第一时序样本数据的数据长度可能不同，为了提高训练结果的准确性和有效性，可对各第一时序训练样本数据进行预处理。
46.示例性的，可预先设定数据长度要求，可确定各第一时序样本数据中的长度最小值，设定长度要求为各第一时序样本数据的数据长度需与长度最小值相等。还可确定各第一时序样本数据中的长度最大值，设定长度要求为各第一时序样本数据的数据长度需与长度最大值相等；或者，确定各第一时序样本数据的数据长度的平均值，设定长度要求为各第一时序样本数据的数据长度需与平均值相等。本领域技术人员可根据实际应用情况预设长度要求，对此本发明实施例不做限定。
47.可选的，对各第一时序样本数据按照预设长度要求进行数据预处理，包括：当第一时序图像数据的数据长度大于预设长度要求中的要求长度时，确定出第一时序图像数据超出要求长度的第一长度数量，按照等间隔选取的方式在时序图像数据中选取出与第一长度数量相同的第一数据点，对第一数据点进行删除操作；或者，当第一时序图像数据的数据长度小于预设长度要求中的要求长度时，确定出第一时序图像数据少于要求长度的第二长度数量；在时序图像数据中选取出第二长度数量的第二数据点，将第二数据点插入至时序图像数中。
48.具体的，对于第一时序图像数据的数据长度大于预设长度要求中的要求长度的情况，可采用在第一时序图像数据中删除数据的方式使第一时序图像数据的数据长度满足预设长度要求。具体的，第一数据点可采用等间隔的方式在第一时序图像数据中进行确定，也可将第一时序图像数据中前第一长度数量的数据点作为第一数据点进行删除操作，还可将第一时序图像数据中最后的第一长度数量的数据点作为第一数据点进行删除操作，对此本发明实施例不作限定，
49.进一步的，当第一时序图像数据的数据长度小于预设长度要求中的要求长度时，需要对第一时序图像数据中插入第二数据点，可将第一时序图像数据中前第二长度数量的数据点作为第二数据点，也可将第一时序图像数据中最后的第二数量的数据点作为第二数据点，还在第一时序图像数据中选取第二长度数量的第二数据点。
50.在具体实施中，待训练卷积神经网络由1个卷积层、5个残差网络单元、1个平化层和3个全连接层组成。卷积层的过滤器个数为32，卷积核大小为5。可将第一时序样本数据输入至待训练卷积神经网络中，待训练卷积神经网络输出第一输出结果。示例性的，若第一时序图像数据为心电图数据，则第一输出结果为第一时序图像数据反映的训练心跳类型，将训练心跳类型与第一时序样本数据中标注的心跳类型标识进行比对，基于比对结果调整待训练卷积神经网络的第一网络参数；遍历各个第一时序样本数据，最终生成目标卷积神经网络。
51.s202、基于第一时序样本数据和目标卷积神经网络确定第二时序样本数据。
52.在具体实施中，基于第一时序样本数据和目标卷积神经网络确定第二时序样本数
据，包括：将第一时序样本数据输入至目标卷积神经网络中，提取第一时序样本数据经过目标卷积神经网络的第一个全连接层后得到的输出数据；将输出数据确定为第二时序样本数据。
53.具体的，可将目标卷积神经网络的第一各全连接层的输出数据，确定为第二时序样本数据，用于对待训练循环神经网络进行训练。需要说明的是，本领域技术人员也可根据实际应用情况选取第二时序样本数据，对此本发明实施例不做限定。
54.s203、将第二时序样本数据输入至待训练循环神经网络中，基于待训练循环神经网络输出的第二输出结果对待训练循环神经网络中的第二网络参数进行修正，生成目标循环神经网络。
55.在本实施例中，待训练循环神经网络包括2个循环网络单元和2个全连接层组成，其中，循环网络单元由一个门控循环单元层构成的一个双向循环网络层。示例性的，若第一时序图像数据为心电图数据，则第二时序样本数据中存在表示心跳类型标识的字段，可基于第二输出结果与心跳类型标识进行比对，基于比对结果调整第二网络参数，遍历各第二时序图像数据，基于各第二时序图像数据对第二网络参数进行修正，最终生成目标循环神经网络。
56.s204、基于目标卷积神经网络和目标循环神经网络，生成图像识别模型。
57.在具体实施中，可基于目标卷积神经网络的网络结构，与目标循环神经网络进行拼接，从而生成图像识别模型。可选的，基于目标卷积神经网络和目标循环神经网络，生成图像识别模型，包括：提取目标卷积神经网络中的卷积层、五个残差网络单元、平化层及第一个全连接层组成目标卷积神经子网络；将目标卷积神经子网络与目标循环神经网络连接，组成图像识别模型。
58.具体的，目标卷积神经子网络与目标循环神经网络连接组成的图像识别模型，时序图像数据先输入至目标卷积神经子网络后，可确定出时序图像数据的图形特征，目标卷积神经子网络的全连接层的输出结果中包含有时序图像数据的图形特征信息，将全连接层与目标循环神经网络连接，可将全连接层的输出结果作为目标循环神经网络的输入数据，由目标循环神经网络确定出输入数据的时序特征，最终输出能够既反映图形特征，同时反映出时序特征的时序图像信息。
59.可选的，还包括：获取预先建立的测试集中的各时序测试数据，将各所述时序测试数据输入至训练完成的图像识别模型中，输出测试图像信息；基于所述测试图像信息和预先存储的所述时序测试数据的图像类型标识，确定所述图像识别模型的识别正确率，并将所述识别正确率反馈至用户终端。
60.在具体实施中，可构建用于完成对图像识别模型进行测试的测试集。示例性的，可预先获取历史时序图像数据，按照预设比例将历史时序图像数据分为时序样本数据和时序测试数据，预设比例可为8:2。由时序测试数据构成测试集，将各所述时序测试数据输入至训练完成的图像识别模型中，输出测试图像信息。进一步的，时序测试数据中包含有图像类型标识，可输出的测试图像信息与图像类型标识进行比对，二者一致时，则说明图像识别模型识别正确，若二者不一致，则说明图像识别模型识别错误。基于各次的比对结果，确定图像识别模型的识别正确率，并将所述识别正确率反馈至用户终端，便于用户了解图像识别模型的准确率。
61.s205、获取待处理的医学图像，提取医学图像中对应的时序图像数据。
62.s206、将时序图像数据输入至预先训练的图像识别模型中，确定出时序图像数据的时序图像信息。
63.本发明实施例中，将目标卷积神经子网络与目标循环神经网络连接，组成图像识别模型，通过目标卷积神经子网络在不破坏时序图像数据的时序关系的前提下，获取到时序图像数据的图形特征，并通过目标循环神经网络实现对时序特征的提取，从而结合图形特征和时序特征全面地确定出时序图像信息。并且，在训练图像识别模型的过程中，测试图像识别模型的识别正确率，提高了图像识别模型确定时序图像信息的准确性和有效性。
64.实施例三
65.图3为本发明实施例提供的一种图像信息的确定装置的结构图，该装置用于执行上述任意实施例所提供的图像信息的确定方法。该装置与上述各实施例的图像信息的确定方法属于同一个发明构思，在图像信息的确定装置的实施例中未详尽描述的细节内容，可以参考上述图像信息的确定方法的实施例。该装置具体可包括：
66.获取医学图像模块10，用于获取待处理的医学图像，提取所述医学图像中对应的时序图像数据；
67.确定时序图像信息模块11，用于将所述时序图像数据输入至预先训练的图像识别模型中，确定出所述时序图像数据的时序图像信息；
68.其中，所述图像识别模型基于卷积神经网络和循环神经网络组合构成。
69.在本发明实施例中任一可选技术方案的基础上，可选的，还包括：
70.生成图像识别模型，用于在所述将所述时序图像数据输入至预先训练的图像识别模型中之前，针对各第一时序样本数据，将所述第一时序样本数据输入至待训练卷积神经网络中，基于第一输出结果对所述待训练卷积神经网络中的第一网络参数进行修正，生成目标卷积神经网络；基于所述第一时序样本数据和所述目标卷积神经网络确定第二时序样本数据；将所述第二时序样本数据输入至待训练循环神经网络中，基于所述待训练循环神经网络输出的第二输出结果对所述待训练循环神经网络中的第二网络参数进行修正，生成目标循环神经网络；基于所述目标卷积神经网络和所述目标循环神经网络，生成所述图像识别模型。
71.在本发明实施例中任一可选技术方案的基础上，可选的，生成图像识别模型，包括：
72.确定第二时序样本数据单元，用于将所述第一时序样本数据输入至所述目标卷积神经网络中，提取所述第一时序样本数据经过所述目标卷积神经网络的第一个全连接层后得到的输出数据；将所述输出数据确定为所述第二时序样本数据。
73.在本发明实施例中任一可选技术方案的基础上，可选的，生成图像识别模型，还包括：
74.输出测试图像信息单元，用于获取预先建立的测试集中的各时序测试数据，将各所述时序测试数据输入至训练完成的图像识别模型中，输出测试图像信息；基于所述测试图像信息和预先存储的所述时序测试数据的图像类型标识，确定所述图像识别模型的识别正确率，并将所述识别正确率反馈至用户终端。
75.在本发明实施例中任一可选技术方案的基础上，可选的，生成图像识别模型，包
括：
76.组成目标卷积神经子网络单元，用于提取所述目标卷积神经网络中的卷积层、五个残差网络单元、平化层及第一个全连接层组成目标卷积神经子网络；将所述目标卷积神经子网络与所述目标循环神经网络连接，组成所述图像识别模型。
77.在本发明实施例中任一可选技术方案的基础上，可选的，生成图像识别模型，还包括：
78.预处理单元，用于在所述针对各第一时序样本数据，将所述第一时序样本数据输入至待训练卷积神经网络中之前，对各第一时序样本数据按照预设长度要求进行数据预处理。
79.在本发明实施例中任一可选技术方案的基础上，可选的，预处理单元包括：
80.预处理子单元，用于当第一时序图像数据的数据长度大于所述预设长度要求中的要求长度时，确定出所述第一时序图像数据超出所述要求长度的第一长度数量，按照等间隔选取的方式在所述第一时序图像数据中选取出与所述第一长度数量相同的第一数据点，对所述第一数据点进行删除操作；或者，当第一时序图像数据的数据长度小于所述预设长度要求中的要求长度时，确定出所述第一时序图像数据少于所述要求长度的第二长度数量；在所述时序图像数据中选取出所述第二长度数量的第二数据点，将所述第二数据点插入至所述第一时序图像数中。
81.本发明实施例所提供的图像信息的确定装置可执行如下方法：获取待处理的医学图像，提取医学图像中对应的时序图像数据；将时序图像数据输入至预先训练的图像识别模型中，确定出时序图像数据的时序图像信息；其中，图像识别模型基于卷积神经网络和循环神经网络组合构成。卷积神经网络可确定出时序图像数据的图形特征，而循环神经网络可确定出时序图像数据的时序特征，从而结合图形特征和时序特征全面地确定出时序图像信息，提高了确定出的时序图像信息的准确性和有效性。
82.值得注意的是，上述图像信息的确定装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
83.实施例四
84.图4为本发明实施例提供的一种电子设备的结构图。图4示出了适于用来实现本发明实施例实施方式的示例性电子设备20的框图。显示的电子设备20仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
85.如图4所示，电子设备20以通用计算设备的形式表现。电子设备20的组件可以包括但不限于：一个或者多个处理器或者处理单元201，系统存储器202，连接不同系统组件(包括系统存储器202和处理单元201)的总线203。
86.总线203表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
87.电子设备20典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备20访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
88.系统存储器202可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)204和/或高速缓存存储器205。电子设备20可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统206可以用于读写不可移动的、非易失性磁介质。可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线203相连。存储器202可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
89.具有一组(至少一个)程序模块207的程序/实用工具208，可以存储在例如存储器202中，这样的程序模块207包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块207通常执行本发明所描述的实施例中的功能和/或方法。
90.电子设备20也可以与一个或多个外部设备209(例如键盘、指向设备、显示器210等)通信，还可与一个或者多个使得用户能与该电子设备20交互的设备通信，和/或与使得该电子设备20能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口211进行。并且，电子设备20还可以通过网络适配器212与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器212通过总线203与电子设备20的其它模块通信。应当明白，可以结合电子设备20使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
91.处理单元201通过运行存储在系统存储器202中的程序，从而执行各种功能应用以及数据处理。
92.本发明所提供的一种电子设备，能够实现如下方法：获取待处理的医学图像，提取医学图像中对应的时序图像数据；将时序图像数据输入至预先训练的图像识别模型中，确定出时序图像数据的时序图像信息；其中，图像识别模型基于卷积神经网络和循环神经网络组合构成。卷积神经网络可确定出时序图像数据的图形特征，而循环神经网络可确定出时序图像数据的时序特征，从而结合图形特征和时序特征全面地确定出时序图像信息，提高了确定出的时序图像信息的准确性和有效性。
93.实施例五
94.本发明实施例提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种图像信息的确定方法，该方法包括：
95.获取待处理的医学图像，提取医学图像中对应的时序图像数据；将时序图像数据输入至预先训练的图像识别模型中，确定出时序图像数据的时序图像信息；其中，图像识别模型基于卷积神经网络和循环神经网络组合构成。卷积神经网络可确定出时序图像数据的图形特征，而循环神经网络可确定出时序图像数据的时序特征，从而结合图形特征和时序特征全面地确定出时序图像信息，提高了确定出的时序图像信息的准确性和有效性。
96.当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的图像信息的确定方法中的相关操作。
97.本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
98.计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
99.计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。
100.可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言——诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
101.注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。