色彩校正矩阵的生成方法、系统、电子装置和存储介质与流程

1.本技术涉及图像处理技术领域，特别是涉及色彩校正矩阵的生成方法、系统、电子装置和存储介质。


背景技术：

2.随着智能硬件与科技的飞速发展，人们的生活依靠越来越多的智能硬件设备，比如人脸支付平板、人脸识别门禁和人脸门锁等等。而这些智能硬件设备均离不开摄像头获取图像数据，因此图像的质量会直接影响到设备许多功能的性能。颜色是用户评价图像质量的其中一项重要指标，目前在图像颜色的处理上，通常使用一个色彩校正矩阵(color correction matrix，简称ccm)校正传感器与人眼对光谱响应差异，使得摄像头采集到的图像与人眼视觉在色彩上保持一致，画面更贴近人眼所见的物理世界。
3.相关技术中，现有的基于神经网络模型获取色彩校正矩阵的方法，一次只能获得某一个色温下的ccm，针对不同色温下的图像，还需要对不同色温下拍摄的色卡图像进行多次训练获得相应的ccm再进行校正。
4.目前针对相关技术中通过现有的基于神经网络模型获取色彩校正矩阵，无法同时获取多个色温下相对应的ccm，导致ccm生成效率低的问题，尚未提出有效的解决方案。


技术实现要素：

5.本技术实施例提供了一种色彩校正矩阵的生成方法、系统、电子装置和存储介质，以至少解决相关技术中通过现有的基于神经网络模型获取色彩校正矩阵，无法同时获取多个色温下相对应的ccm，导致ccm生成效率低的问题。
6.第一方面，本技术实施例提供了一种色彩校正矩阵的生成方法，所述方法包括：获取多个色温环境下未经过色彩校正的第一色卡图像、目标色温环境下经过色彩校正的第二色卡图像，以及根据不同色温环境得到的色卡图像的分类标签，所述分类标签包括所述第一色卡图像对应的第一分类标签和所述第二色卡图像对应的第二分类标签；根据所述第一色卡图像、所述第二色卡图像和所述分类标签训练条件生成对抗网络，获得训练好的条件生成对抗网络，其中，所述条件生成对抗网络包括生成器和判别器，训练过程包括：根据所述第一色卡图像、所述第二色卡图像和所述分类标签训练判别器，直至所述判别器能正确识别所述第一色卡图像和所述第二色卡图像；将随机噪声和所述第一分类标签输入到生成器，所述生成器按所述第一分类标签输出多个色彩校正矩阵，并通过多个所述色彩校正矩阵对所述第一色卡图像进行校正，获得校正后的第一色卡图像；所述校正后的第一色卡图像、所述第二色卡图像和所述分类标签输入到所述判别器中进行判别，所述判别器将误差反向传播到所述生成器，更新所述生成器的参数，不断进行所述判别器和所述生成器的对抗过程，直至所述判别器无法判别校正后的第一色卡图像
和第二色卡图像，则所述生成器输出的多个色彩校正矩阵为多个目标色彩校正矩阵。
7.在其中一些实施例中，所述获得训练好的条件生成对抗网络之后，所述方法还包括：将随机噪声和所述第一分类标签输入到所述训练好的条件生成对抗网络，所述训练好的条件生成对抗网络按所述第一分类标签输出多个目标色彩校正矩阵。
8.在其中一些实施例中，所述校正后的第一色卡图像、所述第二色卡图像和所述分类标签输入到所述判别器中进行判别包括：将所述校正后的第一色卡图像的真实值设定为预设值后，所述校正后的第一色卡图像、所述第二色卡图像和所述分类标签输入到所述判别器中进行判别。
9.在其中一些实施例中，训练判别器之前，所述方法还包括：由神经网络搭建判别器的结构模型，使判别器学习如何将所述第一色卡图像和所述第二色卡图像区分开，其中，所述判别器的损失函数为：所述判别器的损失函数为：表示判别器的损失函数，表示第二色卡图像，表示第二分类标签，表示第二色卡图像的概率分布，表示随机噪声，表示随机噪声的分布，e表示期望，表示第一分类标签，表示同时将随机噪声z和第一分类标签输入到生成器g，表示第一色卡图像，表示校正后的第一色卡图像，表示将校正后的第一色卡图像输入到判别器d里。
10.在其中一些实施例中，训练生成器之前，所述方法还包括：由神经网络搭建生成器的结构模型，使生成器将随机噪声转化为色彩校正矩阵，其中，所述色彩校正矩阵能映射所述第一色卡图像到所述第二色卡图像，其中，所述生成器的损失函数为：其中，表示随机噪声，表示随机噪声的分布，e表示期望，表示第一分类标签，表示同时将随机噪声z和第一分类标签输入到生成器g，表示第一色卡图像，表示校正后的第一色卡图像，表示将校正后的第一色卡图像输入到判别器d里。
11.第二方面，本技术实施例提供了一种色彩校正矩阵的生成系统，所述系统包括获取模块和训练模块，所述获取模块，用于获取多个色温环境下未经过色彩校正的第一色卡图像、目标色温环境下经过色彩校正的第二色卡图像，以及根据不同色温环境得到的色卡图像的分类标签，所述分类标签包括所述第一色卡图像对应的第一分类标签和所述第二色卡图像对应的第二分类标签；所述训练模块，用于根据所述第一色卡图像、所述第二色卡图像和所述分类标签训练条件生成对抗网络，获得训练好的条件生成对抗网络，其中，所述条件生成对抗网络包括生成器和判别器，训练过程包括：根据所述第一色卡图像、所述第二色卡图像和所述分类标签训练判别器，直至所
述判别器能正确识别所述第一色卡图像和所述第二色卡图像；将随机噪声和所述第一分类标签输入到生成器，所述生成器按所述第一分类标签输出多个色彩校正矩阵，并通过多个所述色彩校正矩阵对所述第一色卡图像进行校正，获得校正后的第一色卡图像；所述校正后的第一色卡图像、所述第二色卡图像和所述分类标签输入到所述判别器中进行判别，所述判别器将误差反向传播到所述生成器，更新所述生成器的参数，不断进行所述判别器和所述生成器的对抗过程，直至所述判别器无法判别校正后的第一色卡图像和第二色卡图像，则所述生成器输出的多个色彩校正矩阵为多个目标色彩校正矩阵。
12.在其中一些实施例中，所述获得训练好的条件生成对抗网络之后，将随机噪声和所述第一分类标签输入到所述训练好的条件生成对抗网络，所述训练好的条件生成对抗网络按所述第一分类标签输出多个目标色彩校正矩阵。
13.在其中一些实施例中，所述校正后的第一色卡图像、所述第二色卡图像和所述分类标签输入到所述判别器中进行判别包括：将所述校正后的第一色卡图像的真实值设定为预设值后，所述校正后的第一色卡图像、所述第二色卡图像和所述分类标签输入到所述判别器中进行判别。
14.第三方面，本技术实施例提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的色彩校正矩阵的生成方法。
15.第四方面，本技术实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的色彩校正矩阵的生成方法。
16.相比于相关技术，本技术实施例提供的色彩校正矩阵的生成方法，通过根据第一色卡图像、第二色卡图像和分类标签训练判别器，直至判别器能正确识别第一色卡图像和第二色卡图像，将随机噪声和第一分类标签输入到生成器，生成器按第一分类标签输出多个色彩校正矩阵，并通过多个色彩校正矩阵对第一色卡图像进行校正，获得校正后的第一色卡图像，校正后的第一色卡图像、第二色卡图像和分类标签输入到判别器中进行判别，判别器将误差反向传播到生成器，更新生成器的参数，不断进行判别器和生成器的对抗过程，直至判别器无法判别校正后的第一色卡图像和第二色卡图像，此时生成器输出的多个色彩校正矩阵即为多个目标色彩校正矩阵，解决了现有的基于神经网络模型获取色彩校正矩阵，无法同时获取多个色温下相对应的ccm，ccm生成效率低问题，提高了生成色彩校正矩阵的效率。
附图说明
17.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：图1是根据本技术实施例的色彩校正矩阵的生成方法的流程图；图2是根据本技术实施例的另一种色彩校正矩阵的生成方法的流程图；图3是根据本技术实施例的色彩校正矩阵的生成系统的结构框图。
具体实施方式
18.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，对本技术进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。基于本技术提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本技术公开的内容相关的本领域的普通技术人员而言，在本技术揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本技术公开的内容不充分。
19.在本技术中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本技术所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
20.除非另作定义，本技术所涉及的技术术语或者科学术语应当为本技术所属技术领域内具有一般技能的人士所理解的通常意义。本技术所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本技术所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块（单元）的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本技术所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本技术所涉及的“多个”是指大于或者等于两个。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。本技术所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
21.本实施例提供了一种色彩校正矩阵的生成方法，图1是根据本技术实施例的色彩校正矩阵的生成方法的流程图，如图1所示，该方法包括如下步骤：步骤s101，获取多个色温环境下未经过色彩校正的第一色卡图像、目标色温环境下经过色彩校正的第二色卡图像，以及根据不同色温环境得到的色卡图像的分类标签，分类标签包括第一色卡图像对应的第一分类标签和第二色卡图像对应的第二分类标签。
22.具体的，在不同色温环境下拍摄标准24色色卡，例如，在a光、tl84、d50、d65等n个色温环境下各拍摄未经过色彩校正的标准24色色卡图像多张，同时在目标色温环境下拍摄经过色彩校正的标准24色色卡图像多张，其中，目标色温可以是任意一种色温，优选为与上述n个色温不同。
23.对所有色卡图像进行裁剪，使得所有色卡图像大小一致，不同色卡图像中相同色块的位置一致，即可得到第一色卡图像a和第二色卡图像b，其中，标准24色色卡图像由24种不同颜色的色块组成。
24.可选的，第二色卡图像的分类标签为0，根据不同色温环境下的第一色卡图像按照色温分别打上分类标签为1，2，...，n，并将分类标签进行one-hot编码，获得编码后的分类标签y={y0，y1，...，yn}，例如，第二色卡图像的分类标签为0，则y0={1，0，...，0}，a光色温下
的第一色卡图像分类标签为1，则y1={0，1，...，0}，d65色温下的第一色卡图像分类标签为n，则yn={0，0，...，n}，其中，第一分类标签={y1，y2，...，yn}，第二分类标签为y0。
25.进一步的，构建基于条件生成对抗网络(cgan)生成不同色温下色彩校正矩阵（color correction matrix，简称ccm）的模型，模型结构分为生成器和判别器两部分，具体包括：由神经网络搭建生成器（generator）的结构模型，生成器将随机噪声z转化为ccm，ccm是一个3*3矩阵。由于色彩校正一般是在白平衡之后，为了保证ccm校正不影响白平衡的效果，对ccm的9个参数进行设置，因此z是包含6个变量的一维数组z=[z1，z2，z3，z4，z5，z6]，则构建的ccm如下：输入随机噪声z和第一分类标签={y1，y2，...，yn}到生成器，生成器按y1，y2，...，yn输出n个ccm，并将各个ccm对第一色卡图像a中对应色温下的图像进行处理，获得色彩校正后的第一色卡图像，例如，根据分类标签y1生成的ccm1就对第一色卡图像a中色温分类标签为y1的图像进行色彩校正，具体表达式如下述公式1所示：
ꢀꢀꢀ
公式1其中，g表示生成器，表示同时将随机噪声z和第一分类标签={y1，y2，...，yn}输入到生成器，表示第一色卡图像，表示校正后的第一色卡图像，其中，色彩校正矩阵与第一色卡图像的卷积即为色彩校正矩阵对第一色卡图像进行校正。
[0026]
生成器的损失函数如下述公式2所示：
ꢀꢀ
公式2其中，表示随机噪声，表示随机噪声的分布，e表示期望，表示第一分类标签，表示同时将随机噪声z和第一分类标签输入到生成器g，表示第一色卡图像，表示校正后的第一色卡图像，表示将校正后的第一色卡图像输入到判别器d里。
[0027]
生成器的目的是找到能映射第一色卡图像a到第二色卡图像b的ccm，使得生成的校正后的第一色卡图像尽量地像第二色卡图像b，从而获得不同色温下的ccm，就能够进一步对不同色温下的图像进行色彩校正。生成器使用生成的校正后的第一色卡图像被判别器分类的概率和第二色卡图像b的真实值(第二色卡图像b的真实值为1)的交叉熵作为损失函数，生成器完成不同色温下ccm的生成，并将经过对应ccm校正后获得的校正后的第一色卡图像能尽量地模仿第二色卡图像b，迷惑判别器。
[0028]
其中，真实值用于表征判别器识别当前样本是真实样本还是生成器生成的假样本，相当于二分类，所以真实样本的真实值为1，相反生成器生成的新样本为假样本，真实值为0，其中，第二色卡图像b为真实样本，第一色卡图像a和校正后的第一色卡图像均为假样本。
[0029]
由神经网络搭建判别器(discriminator)的结构模型，判别器学习如何将校正后的第一色卡图像和第二色卡图像b区分开。判别器以当前样本的分类概率和当前样本的真实值的交叉熵作为损失函数，使得判别器能抵挡住生成器的迷惑，具有良好的分类鲁棒性。
[0030]
判别器训练过程的优化目标由判别器的log损失函数的期望和判别器对生成器生成样本的分布的期望构成，如下述公式3所示：公式3其中，表示判别器的损失函数，表示第二色卡图像b，为第二色卡图像b对应的第二分类标签，表示第二色卡图像b的概率分布，表示随机噪声z的分布，e表示期望，表示将校正后的第一色卡图像输入到判别器d里，生成器g的目标就是找到一个映射关系，使得随机噪声z的分布经过映射后作用在第一色卡图像a上能够逼近于第二色卡图像b的分布，从而迷惑判别器d。
[0031]
步骤s102，根据第一色卡图像、第二色卡图像和分类标签训练条件生成对抗网络，获得训练好的条件生成对抗网络，其中，条件生成对抗网络包括生成器和判别器，训练过程包括：步骤s103，首先训练判别器。将第一色卡图像a、第二色卡图像b和相应的分类标签y输入到判别器中训练，使得判别器能正确识别第一色卡图像和第二色卡图像，判别器训练完成。
[0032]
步骤s104，固定判别器，训练生成器。将随机噪声z和第一分类标签={y1，y2，...，yn}输入到生成器，生成器按照y1，y2，...，yn生成共n个色彩校正矩阵ccm1，....，ccmn，再将ccm1，....，ccmn对第一色卡图像a中对应色温下的图像进行处理，获得校正后的第一色卡图像。
[0033]
步骤s105，将校正后的第一色卡图像的真实值设定为1后，和第二色卡图像b、分类标签y一起输入到判别器中进行判别，判别器将误差（loss）反向传播到生成器，更新生成器的参数。
[0034]
训练判别器的时候，使判别器损失函数最大化来增加判别器的真假判别能力，训练生成器的时候，使生成器损失函数最小化来提高生成器的模仿能力，每训练一次判别器将训练m次生成器，m的大小可根据训练结果自行调整和设置。
[0035]
其中，将校正后的第一色卡图像的真实值设定为1是由于此时生成器是通过判别器来得到误差的，而误差反向传播的目的是使生成器生成的校正后的第一色卡图像逐渐逼近第二色卡图像b。当校正后的第一色卡图像为假样本，真实值为1，而判别器判别假样本的输出接近于0，就会形成很大的误差，误差反向传播，对生成器网络的参数进行大更新；反之，如果生成器生成的假样本足够真实，真实值为1时，判别器判别假样本的输出就会接近1，所以误差很小，误差反向传播，生成器网络的参数只是微调，趋于稳定，这就完成了假样本向真样本逐渐逼近的过程，起到了迷惑判别器网络的目的。
[0036]
步骤s106，判别器和生成器不断进行步骤s103至步骤s105的对抗过程，判别器最终无法判别生成器生成的校正后的第一色卡图像和第二色卡图像b，生成器最终生成能够模仿第二色卡图像b的校正后的第一色卡图像，也就生成了n个不同色温下的目标色彩
校正矩阵。
[0037]
通过步骤s101至步骤s106，相对于相关技术中现有的基于神经网络模型获取色彩校正矩阵，无法同时获取多个色温下相对应的ccm，导致ccm生成效率低问题，本实施例通过根据第一色卡图像、第二色卡图像和分类标签训练判别器，直至判别器能正确识别第一色卡图像和第二色卡图像，将随机噪声和第一分类标签输入到生成器，生成器按第一分类标签输出多个色彩校正矩阵，并通过多个色彩校正矩阵对第一色卡图像进行校正，获得校正后的第一色卡图像，校正后的第一色卡图像、第二色卡图像和分类标签输入到判别器中进行判别，判别器将误差反向传播到生成器，更新生成器的参数，不断进行判别器和生成器的对抗过程，直至判别器无法判别校正后的第一色卡图像和第二色卡图像，此时生成器输出的多个色彩校正矩阵即为多个目标色彩校正矩阵，解决了现有的基于神经网络模型获取色彩校正矩阵，无法同时获取多个色温下相对应的ccm，ccm生成效率低问题，提高了生成色彩校正矩阵的效率。
[0038]
图2是根据本技术实施例的另一种色彩校正矩阵的生成方法的流程图，如图2所示，随机噪声z和第一分类标签输入到生成器g中，生成器按y1，y2，...，yn输出n个ccm，各个ccm对第一色卡图像a中对应色温下的图像进行卷积，获得校正后的第一色卡图像，校正后的第一色卡图像、第二色卡图像b和分类标签y一起输入到判别器中进行判别，判别器将误差（loss）反向传播到生成器，更新生成器的参数，不断进行判别器和生成器的对抗过程，判别器最终无法判别生成器生成的校正后的第一色卡图像和第二色卡图像b，生成器最终生成能够模仿第二色卡图像b的校正后的第一色卡图像，也就生成了n个不同色温下的目标色彩校正矩阵。
[0039]
在其中一些实施例中，获得训练好的条件生成对抗网络之后，将随机噪声和第一分类标签输入到训练好的条件生成对抗网络，训练好的条件生成对抗网络按第一分类标签输出多个目标色彩校正矩阵。即本实施例中，获得训练好的条件生成对抗网络之后，即可根据随机噪声和第一分类标签同时生成多个目标色彩校正矩阵，进一步提高色彩校正矩阵的生成效率。
[0040]
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0041]
本实施例还提供了一种色彩校正矩阵的生成系统，该系统用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0042]
图3是根据本技术实施例的色彩校正矩阵的生成系统的结构框图，如图3所示，该系统包括获取模块31和训练模块32，获取模块31用于获取多个色温环境下未经过色彩校正的第一色卡图像、目标色温环境下经过色彩校正的第二色卡图像，以及根据不同色温环境得到的色卡图像的分类标签，分类标签包括第一色卡图像对应的第一分类标签和第二色卡图像对应的第二分类标签，训练模块32用于根据第一色卡图像、第二色卡图像和分类标签训练条件生成对抗网络，获得训练好的条件生成对抗网络，其中，条件生成对抗网络包括生成器和判别器，训练过程包括：
根据第一色卡图像、第二色卡图像和分类标签训练判别器，直至判别器能正确识别第一色卡图像和第二色卡图像；将随机噪声和第一分类标签输入到生成器，生成器按第一分类标签输出多个色彩校正矩阵，并通过多个色彩校正矩阵对第一色卡图像进行校正，获得校正后的第一色卡图像；校正后的第一色卡图像、第二色卡图像和分类标签输入到判别器中进行判别，判别器将误差反向传播到生成器，更新生成器的参数，不断进行判别器和生成器的对抗过程，直至判别器无法判别校正后的第一色卡图像和第二色卡图像，则生成器输出的多个色彩校正矩阵为多个目标色彩校正矩阵。
[0043]
本实施例解决了现有的基于神经网络模型获取色彩校正矩阵，无法同时获取多个色温下相对应的ccm，ccm生成效率低的问题，提高了生成色彩校正矩阵的效率。
[0044]
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
[0045]
本实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
[0046]
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
[0047]
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
[0048]
另外，结合上述实施例中的色彩校正矩阵的生成方法，本技术实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种色彩校正矩阵的生成方法。
[0049]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种色彩校正矩阵的生成方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0050]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（rom）、可编程rom（prom）、电可编程rom（eprom）、电可擦除可编程rom（eeprom）或闪存。易失性存储器可包括
随机存取存储器（ram）或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram（sram）、动态ram（dram）、同步dram（sdram）、双数据率sdram（ddrsdram）、增强型sdram（esdram）、同步链路（synchlink） dram（sldram）、存储器总线（rambus）直接ram（rdram）、直接存储器总线动态ram（drdram）、以及存储器总线动态ram（rdram）等。
[0051]
本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0052]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。