目标测量方法、装置、计算机设备及介质与流程

1.本发明涉及测量测试技术领域。更具体地，涉及一种目标测量方法、装置、计算机设备及介质。


背景技术：

2.目前，很多测试场景中存在对目标尺寸测量的需求。例如，在显示面板测试的场景中，需要测量用于粘接膜层的条状的透明封框胶(optically clear adhesive，oca)的尺寸信息是否符合要求，例如涂覆宽度。现有的例如基于目标边缘检测确定目标尺寸信息等的测量方法存在测量效率低以及测量精度低等问题。


技术实现要素：

3.本发明的目的在于提供一种目标测量方法及装置、计算机设备及介质，以解决现有技术存在的问题中的至少一个。
4.为达到上述目的，本发明采用下述技术方案：
5.本发明第一方面提供了一种目标测量方法，包括：
6.对包含目标的待测图像进行二值化处理得到二值化图像，其中，所述二值化图像包含背景区域和目标区域，所述目标区域延伸至所述二值化图像的至少两个图像边界处；
7.对所述二值化图像进行数字信号处理得到所述目标区域的轮廓数据，并根据所述轮廓数据和所述二值化图像确定所述目标区域的尺寸信息。
8.进一步的，所述对包含目标的待测图像进行二值化处理得到二值化图像包括：利用已训练的burrito-net网络对所述待测图像进行二值化处理；
9.所述利用已训练的burrito-net网络对所述待测图像进行二值化处理进一步包括：
10.将所述包含目标的待测图像输入burrito-net网络的堆叠层，所述堆叠层将所述待测图像进行拆分和填充后得到多通道特征图，所述多通道特征图包括多个依次堆叠的待测图像的行图像块；
11.将所述堆叠层输出的所述多通道特征图输入burrito-net网络的提取层，所述提取层将所述多通道特征图进行卷积提取并输出多层特征图；
12.将所述堆叠层输出的所述多层特征图输入burrito-net网络的扩展层，所述扩展层将所述多层特征图进行扩展得到所述二值化图像。
13.进一步的，所述堆叠层将所述待测图像进行拆分和填充后得到多通道特征图进一步包括：
14.依次遍历所述待测图像的每一行的行图像；
15.将每一所述行图像的像素值依次填充到预设边长的图像块，其中，所述图像块中未填充的像素值为0；
16.将全部填充后的所述行图像的图像块进行堆叠以生成多通道特征图。
17.进一步的，述提取层包括：
18.第一卷积神经网络，所述第一卷积神经网络包括至少两个串联的第一卷积神经网络模块；
19.与所述第一卷积神经网络串联的残差网络，所述残差网络包括多个串联的残差模块；
20.与所述残差网络串联的第二卷积神经网络，所述第二卷积神经网络包括至少两个串联的第二卷积神经网络模块。
21.进一步的，所述扩展层将所述多层特征图进行扩展得到所述二值化图像进一步包括：
22.将所述多层特征图的每一层的单层特征图解码得到所述全部填充后的所有行图像的图像块；
23.将所述全部填充后的所有行图像的图像块分别扩展为所述待测图像的每一行的行图像；
24.堆叠所述每一行的行图像以生成所述二值化图像。
25.进一步的，对包含目标的待测图像进行二值化处理得到二值化图像还包括：利用已训练的u-net网络对所述待测图像进行二值化处理。
26.进一步的，所述对所述二值化图像进行数字信号处理得到所述目标区域的轮廓数据，并根据所述轮廓数据和所述二值化图像确定所述目标区域的尺寸信息进一步包括：
27.查找所述二值化图像中的目标区域的轮廓以得到所述目标区域的轮廓数据；
28.对所述轮廓数据进行分类，以得到位于所述目标区域的第一边界的第一轮廓数据和位于所述目标区域的第二边界的第二轮廓数据，其中，所述目标区域延伸至所述二值化图像的图像边界处的轮廓形成所述第一边界和平行于所述第一边界的所述第二边界；
29.根据第一轮廓数据和第二轮廓数据确定所述目标区域的尺寸信息。
30.进一步的，所述根据第一轮廓数据和第二轮廓数据确定所述目标区域的尺寸信息进一步包括：
31.对第一轮廓数据和第二轮廓数据进行插值，使得插值后的第一边界的第一轮廓数据一一对应于插值后的第二边界的第二轮廓数据；
32.分别计算对应的第一轮廓数据和第二轮廓数据之间的第二距离，以得到包括多个第二距离的第二距离集；
33.根据所述第二距离集中的最大第二距离、最小第二距离以及平均第二距离确定所述目标区域的尺寸信息。
34.进一步的，所述对所述二值化图像进行数字信号处理得到所述目标区域的轮廓数据，并根据所述轮廓数据和所述二值化图像确定所述目标区域的尺寸信息进一步包括：
35.将所述二值化图像分别进行膨胀和腐蚀运算处理；
36.根据膨胀的二值化图像和腐蚀的二值化图像得到位于所述目标区域的第三边界的第三轮廓数据和位于所述目标区域的第四边界的第四轮廓数据，其中，所述目标区域延伸至所述二值化图像的图像边界处的轮廓形成所述第三边界和平行于所述第三边界的所述第四边界；
37.对所述第三轮廓数据和第四轮廓数据中的一个进行拟合以得到基准斜率，并根据
所述基准斜率对另一个轮廓数据进行拟合，从而根据拟合后的另一个轮廓数据确定所述目标区域的尺寸信息。
38.进一步的，对所述第三轮廓数据和第四轮廓数据中的一个进行拟合以得到基准斜率，并根据所述基准斜率对另一个轮廓数据进行拟合，从而根据拟合后的另一个轮廓数据确定所述目标区域的尺寸信息包括：
39.选择所述第三轮廓数据或者第四轮廓数据中的一个拟合后得到线性的第三边界或第四边界，所述拟合后得到线性的先拟合的第三边界或先拟合的第四边界的斜率为基准斜率；
40.利用所述基准斜率对所述第三轮廓数据或者第四轮廓数据中的另一个进行拟合以得到后拟合的第四边界或后拟合的第三边界；
41.根据先拟合的第三边界和后拟合的第四边界或者先拟合的第四边界和后拟合的第三边界之间的第三距离、以及根据后拟合的第四边界或者后拟合的第三边界对应的轮廓数据确定所述目标区域的尺寸信息。
42.进一步的，所述对所述二值化图像进行数字信号处理得到所述目标区域的轮廓数据，并根据所述轮廓数据和所述二值化图像确定所述目标区域的尺寸信息进一步包括：
43.将所述二值化图像分别进行膨胀和腐蚀运算处理；
44.根据膨胀的二值化图像和腐蚀的二值化图像得到位于所述目标区域的第五边界的第五轮廓数据和位于所述目标区域的第六边界的第六轮廓数据，其中，所述目标区域延伸至所述二值化图像的图像边界处的轮廓形成所述第五边界和平行于所述第五边界的所述第六边界；
45.分别拟合所述第五轮廓数据和第六轮廓数据，并根据拟合后的第五轮廓数据、拟合后的第六轮廓数据、以及根据二值化图像中的像素值变化确定所述目标区域的尺寸信息。
46.进一步的，所述分别拟合所述第五轮廓数据和第六轮廓数据，并根据拟合后的第五轮廓数据、拟合后的第六轮廓数据、以及根据二值化图像中的像素值变化确定所述目标区域的尺寸信息进一步包括：
47.分别拟合所述第五轮廓数据以及第六轮廓数据，以得到线性的第五边界和第六边界；
48.根据所述第五边界或所述第六边界的斜率对所述二值化图像进行旋转；
49.逐行扫描旋转后的所述二值化图像，根据二值化图像中的像素值变化确定所述目标区域的尺寸信息。
50.本发明第二方面提供了一种目标测量装置，包括：
51.待测图像处理模块，用于对包含目标的待测图像进行二值化处理得到二值化图像，其中，所述二值化图像包含背景区域和目标区域，所述目标区域延伸至所述二值化图像的至少两个图像边界处；
52.尺寸信息确定模块，用于对所述二值化图像进行数字信号处理得到所述目标区域的轮廓数据，并根据所述轮廓数据和所述二值化图像确定所述目标区域的尺寸信息。
53.本发明第三方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明第一方面提供
的方法。
54.本发明第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时本发明第一方面提供的方法。
55.本发明的有益效果如下：
56.本发明所述技术方案，通过对包含目标的待测图像进行二值化处理得到包括背景区域和目标区域的二值化图像，并对二值化图像进行数字信号处理结合轮廓数据扫描的方式确定目标区域的尺寸信息，能够有效提高目标测量精度和测量效率。
附图说明
57.下面结合附图对本发明的具体实施方式作进一步详细的说明。
58.图1示出本发明一个实施例的目标测量方法的流程示意图；
59.图2示出本发明实施例的待测图像的示意图；
60.图3示出本发明实施例的处理得到的二值化图像的示意图；
61.图4a示出本发明实施例的burrito-net网络的结构示意图；
62.图4b示出本发明实施例的提取层的结构示意图；
63.图5示出本发明一个实施例的“利用已训练的burrito-net网络对所述待测图像进行二值化处理”的流程示意图；
64.图6示出本发明一个实施例的步骤s11的流程示意图；
65.图7示出本发明一个实施例的步骤s13的流程示意图；
66.图8示出本发明一个实施例的u-net网络的结构示意图；
67.图9示出本发明第一个实施例的步骤s2的流程示意图；
68.图10示出本发明实施例的置于预设坐标系中二值化图像的示意图；
69.图11示出本发明实施例的轮廓扫描过程中序号为310-320的轮廓坐标；
70.图12示出本发明实施例图11中的序号为310-320的轮廓坐标经图像化后形成在坐标系中的分布点；
71.图13示出本发明第一个实施例的步骤s23的流程示意图；
72.图14示出本发明第二个实施例的步骤s2的流程示意图；
73.图15示出本发明第二个实施例的步骤s23的流程示意图；
74.图16示出本发明实施例的图12中的第三边界经拟合后的轮廓示意图；
75.图17示出本发明实施例的图12所示的二值化图像经拟合后的轮廓示意图；
76.图18示出本发明第三个实施例的步骤s2的流程示意图；
77.图19示出本发明第三个实施例的步骤s23的流程示意图；
78.图20示出本发明另一个实施例的目标测量装置的框架结构示意图；
79.图21示出本发明另一个实施例的计算机设备的结构示意图。
具体实施方式
80.为了更清楚地说明本发明，下面结合实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
81.在例如显示面板测试的场景中，需要测量用于粘接膜层的条状的透明封框胶(optically clear adhesive，oca)的尺寸信息是否符合要求，例如所涂覆的封框胶的宽度。现有的例如基于目标边缘检测确定目标尺寸信息等的测量方法存在测量效率低以及测量精度低等问题。
82.目前，机器学习的迅猛发展使得各种机器学习的模型在各种各样的业务场景得到应用。深度学习通过收集先验数据，根据既往经验进行复杂函数的拟合运算，进而加以应用，其训练收敛速度相对较快，可以应对复杂状况。
83.有鉴于此，本发明一个实施例提供了一种基于深度学习、数字信号处理技术的目标测量方法，以提高目标测量精度和测量效率。
84.如图1所示，本发明一个实施例提供的目标测量方法，该方法包括：
85.s1、对包含目标的待测图像进行二值化处理得到二值化图像，其中，所述二值化图像包含背景区域和目标区域，所述目标区域延伸至所述二值化图像的至少一两个图像边界处；
86.s2、对所述二值化图像进行数字信号处理得到所述目标区域的轮廓数据，并根据所述轮廓数据和所述二值化图像确定所述目标区域的尺寸信息。
87.本实施例利用深度学习网络提高二值化图像的特征精度，并通过对二值化图像的进行数字信号处理的方式确定目标区域的尺寸信息，整个过程基于深度学习、数字信号处理技术的目标测量方法，能够有效提高目标测量精度和测量效率。
88.在一种可能的实现方式中，本发明实施例的目标为用于粘接膜层的条状的透明封框胶(optically clear adhesive，oca)，相关技术中，封框胶形成在相对设置的两个基板之间，呈环形结构。图2示出了包括显示面板所涂覆的封框胶的待测图像，包含目标的待测图像可由测试线上的例如工业相机的图像采集装置对显示面板的涂覆封框胶的区域进行图像采集得到。如图2所示，待测图像包括封框胶涂覆区域即目标区域，以及非封框胶涂覆区域，例如边框区域。
89.如图2所示，封框胶的整个涂覆宽度、以及在竖向方向上延伸的部分封框胶长度形成了封框胶涂覆区域，即目标区域，在竖向方向上延伸的部分封框胶延伸至待测图像的上下边界处，即，所述目标区域延伸至所述待测图像的至少两个图像边界处，本发明实施例所测量的尺寸信息，即为两个延伸边界之间的距离，也就是封框胶的宽度尺寸，也是本实施例所要确定的目标区域的尺寸信息。
90.在一个具体示例中，包括该显示面板的显示装置可以为电子纸、手机、平板电脑、电视机、显示器、笔记本电脑、数码相框、导航仪等任何具有显示功能的产品或部件。
91.基于上述的应用场景以及图2所示的包含目标的待测图像的说明，在一个可选实施例，如图1所示，包括如下步骤：
92.s1、对包含目标的待测图像进行二值化处理得到二值化图像。
93.在一个可选的实施例中，所述二值化图像包含背景区域和目标区域，所述目标区域延伸至所述二值化图像的至少两个图像边界处。
94.本发明实施例中，二值化处理后得到的所述二值化图像如图3所示，其中，黑色的区域为背景区域，对应于非封框胶涂覆的区域，白色的区域则为封框胶的涂覆区域，即目标区域，如图3所示，所述目标区域延伸至所述二值化图像的上下的图像边界处，本发明实施
例的所要确定的目标区域的尺寸参数即为目标区域的两个竖向延伸到二值化图像边界处的两延伸边之间的距离，也是目标区域的宽度。
95.在一个可选的实施例中，步骤s1“对包含目标的待测图像进行二值化处理得到二值化图像”包括：利用已训练的burrito-net网络(折页网络)对所述待测图像进行二值化处理。
96.如图4a所示，本实施例的所述burrito-net网络包括：依次串联的堆叠层、提取层以及拓展层。示例性的，堆叠层的输入为图2所示的包含目标的待测图像，输出为经拆分和填充的多通道特征图。提取层的输入为堆叠层输出的多通道特征图，提取层将特征提取后能够输出多层特征图。拓展层的输入为提取层输出的多层特征图，通过解码和扩展得到图3所示的二值化图像。
97.进一步的，基于图4a所示的burrito-net网络，在一个可选的实施例中，如图5所示，该步骤“利用已训练的burrito-net网络对所述待测图像进行二值化处理”进一步包括：
98.s11、将所述包含目标的待测图像输入burrito-net网络的堆叠层，所述堆叠层将所述待测图像进行拆分和填充后得到多通道特征图，所述多通道特征图包括多个依次堆叠的待测图像的行图像块。
99.在一个可选的实施例中，如图6所示，步骤s11“所述堆叠层将所述待测图像进行拆分和填充后得到多通道特征图”进一步包括：
100.s111、依次遍历所述待测图像的每一行的行图像。
101.示例性的，待测图像的图像长度为λ，本实施例中的图像的长度方向为目标区域的左边界向右边界的延伸方向，即行方向。因此，待测图像中的一行所对应的行图像具有λ个像素值，按照待测图像自上向下的行扫描顺序，能够将待测图像拆解为n个的行图像，每一个行图像的图像方向与待测图像的长度方向相同。
102.s112、将每一所述行图像的像素值依次填充到预设边长的图像块，所述图像块中未填充的像素值为0。
103.示例性的，本实施例的图像块的预设边长是根据所述待测图像的图像长度λ得到的，例如预设边长是将图像长度进行根号计算得到的，也就是说，预设边长是其中，采用向上取整的方式。例如当λ为9时，待填充的图像块的长度为3*3，又例如，当λ为8时，待填充的图像块的长度为仍取图像块的长度为3*3。
104.以待测图像的第一行的行图像为例，该行图像包括λ个像素值，将该行图像的所有像素填充到的图像块中，示例性的，当λ为9时，3*3的图像块可以填满该行图像中全部的像素值，且没有空缺的图像块。在另一个示例中，当λ为8时，该行图像中的像素值的数量小于图像块中的填充区域的数量，会在图像块中出现一个填充区域的空缺，此情况下，该图像块中没有填充的像素值为0。
105.s113、将全部填充后的所述行图像的图像块进行堆叠以生成多通道特征图。
106.进一步的，将所有行图像均采用该填充方法进行填充后，则得到了全部行图像所对应的图像块，将所有的图像块做堆叠，则形成了多通道特征图，该多通道特征图能够保留待测图像的全部特征，有效确保测量精度。
107.s12、将所述堆叠层输出的所述多通道特征图输入burrito-net网络的提取层，所述提取层将所述多通道特征图进行卷积提取并输出多层特征图。
108.在一个可选的实施例中，如图4b所示，所述提取层包括：
109.第一卷积神经网络，所述第一卷积神经网络包括至少两个串联的第一卷积神经网络模块，通过第一卷积神经网络进行第一次特征提取；
110.与所述第一卷积神经网络串联的残差网络(resnet)，所述残差网络包括多个串联的残差模块(resnet block)，在经过第一卷积神经网络的第一次特征提取的基础上，通过更容易优化的残差网络进一步增加特征提取深度，从而提高特征提取的准确性；
111.与所述残差网络串联的第二卷积神经网络，所述第二卷积神经网络包括至少两个串联的第二卷积神经网络模块，经残差网络的优化后，第二卷积神经网络进一步将优化后的特征继续进行提取，得到多层特征图，其中，每一层特征图对应于一个通道特征图，也就对应了一个行图像，以实现待测图像所有特征的准确提取。
112.值得说明的是，本发明实施例并不限制具体的第一卷积网络所串联的第一卷积神经网络模块的数量，也不限制残差网络所串联的残差模块的数量，同样也不限制第二卷积网络所串联的第二卷积神经网络模块的数量，本领域技术人员可根据实际应用进行设计，在此不再赘述。
113.s13、将所述堆叠层输出的所述多层特征图输入burrito-net网络的扩展层，所述扩展层将所述多层特征图进行扩展得到所述二值化图像。
114.本实施例中，扩展层以多层特征图为输入，将每一层为1*1的特征图展开为大小为1*λ的行图像，并按照堆叠时的顺序将各层特征图展开为单行图像，形成与待测图像对应的二值化图像。也就是说，本实施例的扩展层所执行的流程是与堆叠层相反的操作，从而将多层特征图还原为二值化图像。
115.在一个可选的实施例中，如图7所示，步骤s13“扩展层将所述多层特征图进行扩展得到所述二值化图像”进一步包括：
116.s131、将所述多层特征图的每一层的单层特征图解码得到所述全部填充后的所有行图像的图像块。
117.示例性的，单层特征图为1*1，解码后得到的行图像的图像块的大小为
118.s132、将所述全部填充后的所有行图像的图像块分别扩展为所述待测图像的每一行的行图像。
119.示例性的，将的图像块进行扩展和还原，则能够得到本实施例的每一行的行图像，该行图像的大小为1*λ。
120.s133、堆叠所述每一行的行图像以生成所述二值化图像。
121.经上述步骤得到的是每一行的行图像，将多层特征图的单层特征图进行步骤s131、步骤s132的解码和扩展后，能够得到待测图像的全部行的行图像，经堆叠后则能够得到包括待测图像所有特征的二值化图像。
122.在另一个可选的实施例中，对包含目标的待测图像进行二值化处理得到二值化图像还包括：利用已训练的u-net网络对所述待测图像进行二值化处理。
123.在一个具体示例中，u-net网络为训练后的u-net网络，训练样本的图像集包括多个包含以显示面板的透明封框胶的图像为目标的图像，将包含显示面板的透明封框胶的图像输入训练后的u-net网络，即输出例如显示面板的透明封框胶区域为1、除显示面板的透明封框胶区域之外的背景区域为0的二值化图像。
124.其中，u-net网络的网络结构呈u型，如图8所示，其实质是改进型的全卷积神经网络(fcn)。u-net网络包括用于下采样的编码器网络801和用于上采样的解码器网络802，输入图像通过编码器网络801进行多次卷积缩小，得到多个特征图，再由解码器网络802进行多次反卷积扩大，在此过程中，还会与编码器网络801对应的多个特征图对应拼接，以结合深层次和浅层次的特征，细化图像，以便于获取关于输入图像不同维度上的特征，进而改善图像分割、目标识别的效果。其中，如果待拼接的两个特征图大小不同，则在复制(copy)编码器网络801对应的特征图后，需要进行剪裁(crop)再传输至解码器网络802以进行拼接。
125.如图8所示，本示例中：
126.按照由浅至深的顺序，编码器网络801包括三个下采样层，解码器网络802包括三个上采样层，需要说明的是，下采样层的数量和上采样层的数量不限于三个，但下采样层的数量和上采样层的数量应相同。
127.在编码器网络801与解码器网络802之间，按照由浅至深(图8中左侧上至下)的顺序建立了三个特征传播层8031、8032、8033。
128.需要说明的是，u-net网络还可包括设置解码器网络802之后的分类层(图中未示出)，可通过设置分类器来计算图像数据对应特征图(featuremap)中像素点属于不同类别的概率，以此实现对图像数据对应特征图中像素点的类别预测，从而进行像素点分类，即图像分割，以实现目标识别。
129.对于编码器网络801而言，可通过若干三个下采样层进行图像数据的特征提取，并经由三个特征传播层8031、8032、8033，将进行特征提取得到的特征图传输至解码器网络802。
130.具体地，本示例中，下采样层包括两个卷积层和一个池化层，池化层为最大池化层。将图像数据输入至编码器网络801中最浅一层下采样层(图8中左侧最上方)，通过最浅一层下采样层对输入的图像数据进行卷积处理(如图8所示为两次卷积)，得到最浅一层下采样层对应的特征图，并通过下采样处理(最大池化下采样处理)后输入至次浅一层下采样层。
131.按照由浅至深(图8中左侧上至下)的顺序，对编码器网络801中的另外两个下采样层进行遍历，获得遍历到另外两个下采样层对应的特征图。
132.在编码器网络801与解码器网络802之间，分别通过特征传播层8031、8032、8033进行上述特征图的特征传播。
133.最深一层下采样层的输出经过卷积处理(图8中最下方的横向空心箭头示出)后，将特征图直接传输至解码器网络802中的最深一层上采样层(图8中右侧最下方的向上实心箭头示出)。
134.在编码器网络801中，横向空心箭头表示由卷积层进行的卷积处理，向下实心箭头表示由最大池化层进行的最大池化下采样处理。
135.其中，随着编码器网络层次加深，对图像数据的特征提取中，逐渐由局部描述抽象
为全局描述，进而更加准确地描述图像数据，从而有利于保证图像分割的精度。
136.对于解码器网络802而言，不仅通过若干上采样进行图像数据的特征提取，而且还针对图像数据进行特征融合。
137.具体地，本示例中，第一个上采样层(最深一层上采样层)包括转置卷积层(转置卷积也称反卷积，或上卷积—up-convolution)，其他上采样层包括转置卷积层和两个卷积层。最深一层上采样层对最深一层下采样层的输出经过卷积处理后得到的特征图进行转置卷积上采样处理，得到第一待融合特征图。
138.将所述第一待融合特征图输入至次深一层上采样层，与通过传输层8033传输来的最深一层下采样层对应的特征图进行融合后，进行卷积处理(如图8所示为两次卷积)，得到第二待融合特征图。
139.按照由深至浅的顺序(图8中右侧下至上)，对另外两个上采样层进行遍历，获得遍历到上采样层对应的特征图。
140.待完成所述遍历，由最浅一层上采样层对应的特征图得到图像数据对应的特征图。
141.在解码器网络802中，横向空心箭头表示由卷积层进行的卷积处理，向上实心箭头表示由转置卷积层进行的转置卷积上采样处理。
142.通过上述过程，通过编码器网络和解码器网络的相互结合，不仅有效地降低了图像分割的计算量，有利于提升分割效率，而且充分地保障了图像分割的精度。
143.也就是说，本领域技术人员既可以选择利用本发明实施例的已训练的u-net网络对所述待测图像进行二值化处理，也可以选择利用本发明实施例的已训练的burrito-net网络对所述待测图像进行二值化处理，从而得到二值化图像以进行后续的轮廓数据的处理。
144.s2、对所述二值化图像进行数字信号处理得到所述目标区域的轮廓数据，并根据所述轮廓数据和所述二值化图像确定所述目标区域的尺寸信息。
145.在一个可选的实施例中，如图9所示，步骤s2“对所述二值化图像进行数字信号处理得到所述目标区域的轮廓数据，并根据所述轮廓数据和所述二值化图像确定所述目标区域的尺寸信息”进一步包括：
146.s21、查找所述二值化图像中的目标区域的轮廓以得到所述目标区域的轮廓数据。
147.在一个示例中，该步骤通过轮廓查找技术得到二值化图像中目标区域的轮廓，示例性的，将该二值化图像置入预设的坐标系中，其中，在图10中，目标区域包括两个延伸至二值化图像边界的目标区域边界，即目标区域的左边界(第一边界)和目标区域的右边界(第二边界)，该目标区域的第一边界和第二边界之间的距离即为本实施例所确定的目标区域的尺寸信息，目标区域的左右边界与二值化图像的上下边界交点形成目标区域的上下边界，本实施例的目标区域的尺寸信息也就是目标区域的上边界或下边界的长度尺寸。
148.由图10所示，本实施例的预设坐标系的x方向为目标区域的第一边界和第二边界的延伸方向，预设坐标系的y方向为从第一边界向第二边界的方向，在该坐标系中，目标区域的轮廓可以通过坐标点描述。在一个具体示例中，以目标区域中位于左上角的轮廓点为起始轮廓点，沿顺时针(图示虚线)记录轮廓坐标，直至目标区域的轮廓被全部记录，以轮廓坐标作为轮廓数据。也就是说，经轮廓扫描后得到了大量的轮廓数据，这些轮廓数据繁多且
复杂，根据轮廓数据的扫描顺序，能够大致表征目标区域的近似形状，还原轮廓时，所有的所述轮廓数据按照扫描顺序连接形成的所述目标区域为闭合图形，例如图10所示的目标区域的轮廓近似为矩形。
149.在一个具体示例中，图11示出了轮廓扫描过程中序号为310-319的轮廓坐标，值得说明的是，由于本发明实施例所测量的为第一边界和第二边界之间的尺寸信息，而整个过程并不需要位于目标区域的上边界和下边界的轮廓数据，因此，本实施例可以省略位于目标区域上边界和下边界的轮廓数据，保留相邻两边界的交点，即轮廓拐点的轮廓数据，从而将繁杂的轮廓数据进行剔除该方法能够提高测量效率，便于根据所获得的轮廓数据进行后续的分类处理。
150.s22、对所述轮廓数据进行分类，以得到位于所述目标区域的第一边界的第一轮廓数据和位于所述目标区域的第二边界的第二轮廓数据，其中，所述目标区域延伸至所述二值化图像的图像边界处的轮廓形成所述第一边界和平行于所述第一边界的所述第二边界。
151.在一个具体示例中，图11中的序号为310-319的轮廓坐标经图像化在坐标系中的分布点如图12所示，由图12以及二值化图像图10所示，基于二值化图像中的目标区域的边界延伸至二值化图像相对边界的特性，当两个轮廓数据对应的轮廓坐标点目标区域的不同边界时，这两个轮廓数据的坐标点之间的距离相距较远，因此，本实施例通过对轮廓数据进行分类，判断分属于目标区域的不同边界的轮廓点，即可将位于不同边界的轮廓数据进行准确的位置区分，从而提高目标区域的尺寸信息的测量精度。
152.在一个示例中，该步骤s22“对所述轮廓数据进行分类，以得到位于所述目标区域的第一边界的第一轮廓数据和位于所述目标区域的第二边界的第二轮廓数据”进一步包括：
153.根据两个轮廓数据之间的第一距离对轮廓数据的归属边界进行分类，将所有的轮廓数据分类为第一边界上的数据和第二边界上的数据，以便后续根据分类后的每一边界上的轮廓数据进行边界拟合，通过该步骤的轮廓数据的分类，能够提高拟合精度，从而提高目标区域的边界拟合准确度。
154.在一个具体示例中，可以采用曼哈顿距离的计算方式确定两个轮廓数据之间的第一距离，由图12可知，当两个轮廓数据分别位于第一边界和第二边界时，两者之间的第一距离较大。如图12所示，在序号为310-319的轮廓数据中，第三个轮廓数据和第四个轮廓数据是位于不同边界的，也就是说，经该步骤的轮廓数据分类后，第310个轮廓数据到第312个轮廓数据之间的轮廓数据被分类至目标区域的第一边界(如图12中的左侧虚线所示)，第313个轮廓数据到第319个轮廓数据之间的轮廓数据则被分类至目标区域的第二边界(如图12中的右侧虚线所示)。
155.s23、根据第一轮廓数据和第二轮廓数据确定所述目标区域的尺寸信息。
156.在一个可选的实施例中，如图13所示，该步骤s23“根据第一轮廓数据和第二轮廓数据确定所述目标区域的尺寸信息”进一步包括：
157.s231、对第一轮廓数据和第二轮廓数据进行插值，使得插值后的第一边界的第一轮廓数据一一对应于插值后的第二边界的第二轮廓数据。
158.本实施例中，由于第一边界和第二边界的轮廓曲折程度不同，故轮廓数据边界分类后会出现每一边界所拥有的轮廓数据的数量不同情况，因此，为了提高测量精度，本实施
例将第一边界的轮廓数据和第二边界的轮廓数据进行进行坐标插值，使得第一边界的轮廓数据的数量与第二边界的轮廓数据的数量相等，实现第一边界的第一轮廓数据和第二边界的第二轮廓数据的一一对应，再进行后续的尺寸信息的确定。
159.示例性的，由图12所示，第一边界中包括3个轮廓数据点，第二边界中包括7个轮廓数据点，示例性的，第一边界的第310点插值后对应于第二边界的a’点，第二边界的第319点插值后对应于第二边界的b’点，插值后第一边界的轮廓数据数量与第二边界的数量相同，并且使得每一个第一边界的轮廓数据点和每一个第二边界的轮廓数据点实现一一对应。
160.s232、分别计算对应的第一轮廓数据和第二轮廓数据之间的第二距离，以得到包括多个第二距离的第二距离集。
161.基于上一步骤得到的对应的第一轮廓数据和第二轮廓数据，第一边界和第二边界中的轮廓点一一对应，依次计算每一组对应的第一轮廓数据和第二轮廓数据之间的第二距离，示例性的，如图12所示，计算第二边界的第319点与插值后第二边界的b’点之间的第二距离，又例如，计算第一边界的第310点与插值后第二边界的a’点之间的第二距离。
162.s233、根据所述第二距离集中的最大第二距离、最小第二距离以及平均第二距离确定所述目标区域的尺寸信息。
163.基于上述步骤s232得到的第二距离集，根据以下公式确定目标区域的尺寸信息q与第二距离集中的各第二距离的关系：
[0164][0165]
其中，xi为第i个轮廓数据点对应的第二距离，max(xi)为第二距离xi形成的第二距离集中的最大第二距离，min(xi)为第二距离集中的最小第二距离，mean(xi)为第二距离集中各个第二距离得到的平均第二距离。
[0166]
基于上述公式，则能够得到本实施例的目标区域的尺寸信息，如果得到的尺寸信息满足预设尺寸信息阈值α，即当q《α时，可判定当前目标区域的尺寸信息满足设计需求。
[0167]
本实施例中，步骤s1利用深度学习网络提高二值化图像的特征精度，在步骤s2中通过对二值化图像的目标区域进行轮廓扫描、轮廓数据分边归类、数据插值等方式确定目标区域的尺寸信息，整个过程基于深度学习、数字信号处理技术的目标测量方法，能够有效提高目标测量精度和测量效率。
[0168]
基于步骤s1得到的二值化图像，本发明实施例提出另一种确定目标区域的尺寸信息的方案。
[0169]
在另一个可选的实施例中，如图14所示，步骤s2“对所述二值化图像进行数字信号处理得到所述目标区域的轮廓数据，并根据所述轮廓数据和所述二值化图像确定所述目标区域的尺寸信息”进一步包括：
[0170]
s21、将所述二值化图像分别进行膨胀和腐蚀运算处理。
[0171]
示例性的，以步骤s1得到的二值化图像作为输入，对输入的二值化图像进行膨胀运算得到膨胀的二值化图像，并且，对输入的二值化图像进行腐蚀预算得到腐蚀的二值化图像。膨胀运算是将与目标区域接触的所有背景区域的图像合并到该目标区域中，使目标区域的边界向外部扩张的过程，膨胀运算可以用来填补目标区域中的空洞。腐蚀运算则是消除目标区域的边界点，使目标区域的边界向内部收缩的过程。
[0172]
s22、根据膨胀的二值化图像和腐蚀的二值化图像得到位于所述目标区域的第三边界的第三轮廓数据和位于所述目标区域的第四边界的第四轮廓数据，其中，所述目标区域延伸至所述二值化图像的图像边界处的轮廓形成所述第三边界和平行于所述第三边界的所述第四边界。
[0173]
将膨胀后的二值化图像和腐蚀后的二值化图像做差后，则能够得到呈条状的第三边界和呈条状的第四边界的边缘像素点。本实施例中，第三边界为图12所示的延伸至二值化图像两边的左边界，第四边界为图12所示的延伸至二值化图像两边的右边界。也就是说，本实施例的第一、第二、第三、第四只是区分不同实施例对应的左右边界。
[0174]
值得说明的是，本实施例经膨胀和腐蚀做差得到的第三边界和第四边界，为长条形，不同于本发明上一实施例的线性边界，基于该方法得到的第三边界和第四边界的轮廓更为精准。
[0175]
s23、对所述第三轮廓数据和第四轮廓数据中的一个进行拟合以得到基准斜率，并根据所述基准斜率对另一个轮廓数据进行拟合，从而根据拟合后的另一个轮廓数据确定所述目标区域的尺寸信息。
[0176]
在一个可选的实施例中，如图15所示，步骤s23“对所述第三轮廓数据和第四轮廓数据中的一个进行拟合以得到基准斜率，并根据所述基准斜率对另一个轮廓数据进行拟合，从而根据拟合后的另一个轮廓数据确定所述目标区域的尺寸信息”包括：
[0177]
s231、选择所述第三轮廓数据或者第四轮廓数据中的一个拟合后得到线性的第三边界或第四边界，所述拟合后得到线性的先拟合的第三边界或先拟合的第四边界的斜率为基准斜率。
[0178]
本实施例中，基于呈条状的第三边界和呈条状的第四边界的边缘像素区域，再使用轮廓查找分别得到第三边界和第四边界的以坐标序列表示的轮廓数据，将条状的第三边界使用最小二乘法拟合后能够得到线性的第三边界，同样的，将条状的第四边界使用最小二乘法拟合后能够得到线性的第四边界，从而根据线性的第三边界和线性的第四边界进行尺寸信息的确定。
[0179]
示例性的，以第三边界为例，拟合后的线性的第三边界如图16所示，如图16所示，目标区域的轮廓是凹凸不平的，经拟合后得到了一个具有斜率的直线的第三边界。在本实施例中，如图16所示，以拟合后的线性的第三边界的斜率为基准斜率。
[0180]
在另一个示例中，也可以先对第四边界进行拟合，以拟合后的线性的第四边界的斜率为基准斜率。也就是说，本发明实施例不限制选择具体的第三边界和第四边界中的哪一个进行拟合，本领域技术人员以实际应用进行设计，在此不再赘述。
[0181]
s232、利用所述基准斜率对所述第三轮廓数据或者第四轮廓数据中的另一个进行拟合以得到后拟合的第四边界或后拟合的第三边界。
[0182]
示例性的，如图17所示，在得到先拟合的第三边界后，第三边界的斜率为k1，以该斜率k1为基准斜率对另一第四边界的轮廓数据进行线性拟合，得到与先拟合的第三边界平行的后拟合的第四边界，则拟合后得到的第四边界的斜率k2与基准斜率k1相同。
[0183]
在另一个示例中，如果是第四边界先拟合，则根据先拟合的第四边界的基准斜率k2对第三边界进行拟合，从而得到拟合后的第三边界k1。
[0184]
s233、根据先拟合的第三边界和后拟合的第四边界或者先拟合的第四边界和后拟
合的第三边界之间的第三距离、以及根据后拟合的第四边界或者后拟合的第三边界对应的轮廓数据确定所述目标区域的尺寸信息。
[0185]
由于两个拟合后的第三边界和第四边界为平行设计，因此，两个拟合后的斜率相同的第三边界和第四边界之间的第三距离是不变的。以先拟合第三边界，后拟合得到第四边界为例，由于第四边界是根据第三边界的斜率拟合得到的，因此根据基准斜率拟合得到的第四边界和第四边界的轮廓数据会存在误差，如图17所示，不同的第四边界的轮廓数据对应的坐标点与第四边界之间的距离并不相同。因此，在保证第三距离不变的情况下，可以根据后拟合的边界的轮廓数据与该边界的距离判断该边界的轮廓的分布情况，从而确定目标区域的尺寸信息。
[0186]
示例性的，根据以下公式确定第三距离和后拟合的边界的轮廓数据与目标区域的尺寸信息q：
[0187][0188]
其中，d为两个拟合后的平行的第三边界和第四边界之间的第三距离，li为第i个轮廓数据点与后拟合的第四边界的轮廓数据距后拟合的第四边界之间的第四距离，或者为后拟合的第三边界的轮廓数据距后拟合的第三边界之间的第四距离。
[0189]
示例性的，可依次测量每一轮廓数据从而得到每一轮廓数据对应的当前位置处的目标区域的尺寸信息，从而进行当前尺寸信息是否满足的设计需求的结果。进一步的，由于第四边界的轮廓数据较多，为提高测量效率，本实施例还可在确定每一轮廓数据的目标区域的尺寸信息的基础上得到平均的第四距离，根据平均第四距离确定目标区域的整体尺寸信息，在一个具体示例中，如果得到的尺寸信息满足预设尺寸信息阈值α，即当q《α时，可判定当前目标区域的尺寸信息满足设计需求。
[0190]
在另一个具体示例中，还可将每一轮廓数据对应的第四距离形成第四距离集，利用下述公式确定尺寸信息q与第四距离集中的各第四距离的关系：
[0191][0192]
其中，(distanceli)为第i个轮廓数据点对应的第四距离集，max(distanceli)为第四距离集中的最大第四距离，min9distanceli)为第四距离集中的最小第四距离，mean(distanceli)为第四距离集中各个第四距离得到的平均第四距离。
[0193]
本实施例中，步骤s1利用深度学习网络提高二值化图像的特征精度，在步骤s2中通过对二值化图像的目标区域进行轮廓扫描、轮廓边界先后拟合、轮廓数据与拟合边界进行对照等方式确定目标区域的尺寸信息，整个过程基于深度学习、数字信号处理技术的目标测量方法，能够有效提高目标测量精度和测量效率。
[0194]
本发明还提出另一个实施例的目标尺寸的确定方式，在另一个可选的实施例中，如图18所示，步骤s2“对所述二值化图像进行数字信号处理得到所述目标区域的轮廓数据，并根据所述轮廓数据和所述二值化图像确定所述目标区域的尺寸信息”进一步包括：
[0195]
s21、将所述二值化图像分别进行膨胀和腐蚀运算处理。
[0196]
示例性的，该实施例仍以步骤s1得到的二值化图像作为输入，对输入的二值化图像进行膨胀运算得到膨胀的二值化图像，并且，对输入的二值化图像进行腐蚀预算得到腐蚀的二值化图像。
[0197]
s22、根据膨胀的二值化图像和腐蚀的二值化图像得到位于所述目标区域的第五边界的第五轮廓数据和位于所述目标区域的第六边界的第六轮廓数据，其中，所述目标区域延伸至所述二值化图像的图像边界处的轮廓形成所述第五边界和平行于所述第五边界的所述第六边界。
[0198]
该步骤的流程可参见上一实施例中确定第三边界和第四边界的流程，即将膨胀后的二值化图像和腐蚀后的二值化图像做差后，则能够得到呈条状的第五边界和呈条状的第六边界的边缘像素点。
[0199]
本实施例中，第五边界为图12所示的延伸至二值化图像两边的左边界，第六边界为图12所示的延伸至二值化图像两边的右边界。本实施例经膨胀和腐蚀做差得到的第五边界和第六边界，为长条形，基于该方法得到的第五边界和第六边界的轮廓更为精准。
[0200]
s23、分别拟合所述第五轮廓数据和第六轮廓数据，并根据拟合后的第五轮廓数据、拟合后的第六轮廓数据、以及根据二值化图像中的像素值变化确定所述目标区域的尺寸信息。
[0201]
在一个可选的实施例中，如图19所示，该步骤s23“分别拟合所述第五轮廓数据和第六轮廓数据，并根据拟合后的第五轮廓数据、拟合后的第六轮廓数据、以及根据二值化图像中的像素值变化确定所述目标区域的尺寸信息”进一步包括：
[0202]
s231、分别拟合所述第五轮廓数据以及第六轮廓数据，以得到线性的第五边界和第六边界。
[0203]
本实施例中，基于呈条状的第五边界和呈条状的第六边界的边缘像素区域，再使用轮廓查找分别得到第五边界和第六边界的以坐标序列表示的轮廓数据，将条状的第五边界使用最小二乘法拟合后能够得到线性的第三边界，同样的，将条状的第六边界使用最小二乘法拟合后能够得到线性的第四边界，从而根据线性的第五边界和线性的第六边界进行尺寸信息的确定所述目标区域的尺寸信息。
[0204]
与上一实施例所采用的“对第三边界和第四边界进行有顺序的先后拟合”的方式不同，本实施例不限制第五边界和第六边界的拟合顺序以及拟合斜率，即，本实施例的拟合后的第五边界和第六边界的斜率可以是不同的，该拟合方式能够得到更准确的拟合结果。
[0205]
s232、根据所述第五边界或所述第六边界的斜率对所述二值化图像进行旋转。
[0206]
在得到不同斜率的第五边界和第六边界的基础上，本实施例中，以第五边界的斜率计算该斜率与竖直方向的第一夹角，同样的，以第六边界的斜率计算该斜率与竖直方向的第二夹角，利用第一夹角或第二夹角对二值化图像进行旋转纠偏。
[0207]
在一个实施例中，二值化图像的旋转角度可为第一夹角，也可为第二夹角，还可为第一夹角和第二夹角的均值，本领域技术人员可以根据实际应用选择合适的夹角对二值化图像进行旋转使得二值化图像中目标区域的第五边界和第六边界处于竖直状态，以提高测量精度。
[0208]
s233、逐行扫描旋转后的所述二值化图像，根据二值化图像中的像素值变化确定所述目标区域的尺寸信息。
[0209]
经过上述步骤得到的旋转后的二值化图像整体处于竖直放置的状态，即第五边界和第六边界处于竖直状态，该状态下，第五边界和第六边界之间的水平横坐标距离即可等效为当前位置的目标区域的尺寸信息，也就是说，每一行二值化图像中的第五边界和第六
边界之间的水平横坐标距离即等效为该行二值化图像的目标区域的尺寸信息。示例性的，本实施例的坐标以y轴为横向坐标。
[0210]
因此，利用二值化图像灰度值变化单一的特性，逐行扫描该旋转后的二值化图像，在扫描过程中，若像素值发生变化，则表示当前的扫描位置由目标区域变成背景区域或者由背景区域变成了目标区域，通过记录变化位置即可得到尺寸信息。
[0211]
在一个具体示例中，扫描到背景区域的黑色像素值时记为0，扫描到目标区域的白色像素值时记为1，当像素值从0变化为1时，则表示扫描位置处于背景区域和目标区域的交界处且该位置是目标区域在当前行的起始点，同理，当像素值从1变化为0时，则表示扫描位置处于背景区域和目标区域的交界处且该位置是目标区域在当前行的终点，两次像素值变化之间的像素值距离则是当前行的目标区域的尺寸信息。
[0212]
进一步的，将逐行扫描后得到的像素值变化对应的像素值距离形成扫描距离集，根据最大的像素值距离值、最小的像素值距离值和平均像素距离值即可确定目标区域的整体的尺寸信息。
[0213]
示例性的，根据以下公式确定目标区域的尺寸信息q与扫描距离集中的各像素值距离的关系：
[0214][0215]
其中，(wn)为第n行二值化图像对应的像素值距离，(wn)为第n行二值化图像对应的像素值距离形成的扫描距离集，max(wn)为扫描距离集中的最大像素值距离，min(wn)为扫描距离集中的最小像素值距离，mean(wn)为扫描距离集中的根据各个像素值距离得到的平均像素值距离。
[0216]
基于上述公式，则能够得到本实施例的目标区域的尺寸信息，如果得到的尺寸信息满足预设尺寸信息阈值α，即当q《α时，可判定当前目标区域的尺寸信息满足设计需求。
[0217]
本实施例中，步骤s1利用深度学习网络提高二值化图像的特征精度，在步骤s2中通过对二值化图像的目标区域进行轮廓扫描、轮廓边界拟合、旋转纠偏、像素值扫描等方式确定目标区域的尺寸信息，整个过程基于深度学习、数字信号处理技术的目标测量方法，能够有效提高目标测量精度和测量效率。
[0218]
本发明上述实施例示出了根据深度学习网络得到的二值化图像确定目标区域的尺寸信息的不同方式，本领域技术人员可以根据实际应用选择对应的方式进行设计，在此不再赘述。
[0219]
如图20所示，本发明的另一个实施例提供了一种目标测量装置，包括：
[0220]
待测图像处理模块，用于对包含目标的待测图像进行二值化处理得到二值化图像，其中，所述二值化图像包含背景区域和目标区域，所述目标区域延伸至所述二值化图像的至少两个图像边界处；
[0221]
尺寸信息确定模块，用于对所述二值化图像进行数字信号处理得到所述目标区域的轮廓数据，并根据所述轮廓数据和所述二值化图像确定所述目标区域的尺寸信息。
[0222]
本发明的目标测量装置，利用深度学习网络提高二值化图像的特征精度，并通过对二值化图像的进行数字信号处理的方式确定目标区域的尺寸信息，整个过程基于深度学习、数字信号处理技术的目标测量方法，能够有效提高目标测量精度和测量效率。
[0223]
需要说明的是，本实施例提供的目标测量装置的原理及工作流程与上述目标测量方法相似，相关之处可以参照上述说明，在此不再赘述。
[0224]
如图21所示，本发明的另一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现：对包含目标的待测图像进行二值化处理得到二值化图像，其中，所述二值化图像包含背景区域和目标区域，所述目标区域延伸至所述二值化图像的至少两个图像边界处；对所述二值化图像进行数字信号处理得到所述目标区域的轮廓数据，并根据所述轮廓数据和所述二值化图像确定所述目标区域的尺寸信息。
[0225]
在实际应用中，所述计算机可读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。在本实施例中，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。
[0226]
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。
[0227]
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。
[0228]
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)。
[0229]
如图21所示，本发明的另一个实施例提供的一种计算机设备的结构示意图。图21显示的计算机设备12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。
[0230]
如图21所示，计算机设备12以通用计算设备的形式表现。计算机设备12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16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
[0231]
总线18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。
[0232]
计算机设备12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计算机设备12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。
[0233]
系统存储器28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)30和/或高速缓存存储器32。计算机设备12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34可以用于读写不可移动的、非易失性磁介质(图9未显示，通常称为“硬盘驱动器”)。尽管图9中未示出，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18相连。存储器28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。
[0234]
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42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42通常执行本发明所描述的实施例中的功能和/或方法。
[0235]
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12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22进行。并且，计算机设备12还可以通过网络适配器20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21所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图21中未示出，可以结合计算机设备12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。
[0236]
处理器单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种目标测量方法。
[0237]
还需要说明的是，在本发明的描述中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0238]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于本领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。