整穗图像处理方法和装置

1.本发明涉及作物表型检测领域，尤其涉及对整穗图像进行处理以进行每穗粒数和粒型统计的方法和装置。


背景技术：

2.水稻作为我国第一大粮食作物，其产量对中国乃至世界的粮食安全及社会经济的稳定发展均具有举足轻重的地位。影响水稻产量的重要因素包括每穗粒数和粒型等方面。在当前的水稻基础科学研究方面，对每穗粒数和粒型表型的数据统计是鉴定基因功能、体现基因是否有生物学意义的重要指标。在水稻育种方面或者大规模水稻田间生产中，每穗粒数和粒型又是预估水稻产量必不可少的前提。每穗粒数是指水稻每个有效分蘖的穗子上所有谷粒的数目。粒型包括粒长、粒宽，是估测千粒重的重要前提指标。
3.每穗粒数这个性状在过去都是人工统计的，即使当前有少数的方法可以对平铺整齐的水稻穗子进行扫描后分析每穗粒数，但扫描平铺整齐的穗子也相当耗时耗力，效率较低。粒型的表型是必须脱粒后，将谷粒散开在扫描仪上进行扫描后再利用软件分析考察数据。在这些过程中涉及到的人工较多，统计这些性状耗时、费力，且成本较高。目前为止还没有出现一种无需脱粒，直接用整穗考察每穗粒数和粒型的方法。
4.因此亟需一种脱粒前能直接同时统计每穗粒数和粒型的高通量方法。


技术实现要素：

5.以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
6.根据本发明的一方面，提供了一种整穗图像的处理方法，该整穗图像中包括完整的整穗，该处理方法包括：
7.对该整穗图像执行提取算法以获得整穗蒙版；
8.对该整穗蒙版执行提取算法以获得穗粒区域蒙版；
9.叠加该穗粒区域蒙版和该整穗图像的红色通道图像以获得穗粒区域红色通道灰度图；
10.对该穗粒区域红色通道灰度图执行超像素分割以获得穗粒蒙版；以及
11.基于该穗粒蒙版输出穗粒统计分析结果。
12.在一实施例中，该对该整穗图像执行提取算法以获得整穗蒙版包括：
13.使用全局自动阈值算法对该整穗图像执行处理以获得主体整穗蒙版；
14.使用局部自适应阈值算法对该整穗图像的红色通道灰度图执行处理以获得局部整穗蒙版；以及
15.将该主体整穗蒙版和该局部整穗蒙版叠加以获得该整穗蒙版。
16.在一实施例中，在对该整穗图像执行提取算法，该方法还包括：
17.对该整穗图像执行缩放调节以标定统一的分辨率；和/或
18.对该整穗图像执行直方图匹配算法以标定统一的曝光度和对比度。
19.在一实施例中，该对该整穗蒙版执行提取算法以获得穗粒区域蒙版包括：
20.对该整穗蒙版执行边缘检测算法以提取该整穗蒙版的边界蒙版；
21.将该边界蒙版与该整穗蒙版执行异或计算以获得初步穗粒区域蒙版；
22.使用全局阈值算法对该整穗图像的lab色彩空间的a通道图像执行处理以获得第一穗枝梗蒙版；
23.基于二维骨架算法从该整穗蒙版提取第二穗枝梗蒙版；以及
24.将该第一穗枝梗蒙版、该第二穗枝梗蒙版与该初步穗粒区域蒙版执行异或计算以获得该穗粒区域蒙版。
25.在一实施例中，该基于二维骨架算法从该整穗蒙版提取第二穗枝梗蒙版包括：
26.通过图像细化算法从该整穗蒙版提取该整穗蒙版的初始二维骨架；
27.分析该初始二维骨架的端点和分支节点以获得精细二维骨架；以及对该精细二维骨架执行形态膨胀算法以获得该第二穗枝梗蒙版。
28.在一实施例中，该方法还包括：
29.在执行该执行超像素分割之前，用伪色图映射该穗粒区域红色通道灰度图以添加伪色；
30.然后对映射后的该穗粒区域红色通道灰度图执行该超像素分割。
31.在一实施例中，该超像素分割使用基于菲尔森茨瓦伯有效图的超像素分割算法来执行。
32.在一实施例中，在该基于菲尔森茨瓦伯有效图的超像素分割算法中，分割规模参数被设定为等于该穗粒区域蒙版的像素面积的两百分之一。
33.在一实施例中，该方法还包括：
34.使用渐进分水岭或随机游走图像分割算法对该穗粒蒙版中的误检测部分执行分割处理以获得最终的穗粒蒙版。
35.在一实施例中，该基于该穗粒蒙版输出穗粒统计分析结果包括：
36.基于该穗粒蒙版构建数据库，该数据库中存储关于每个穗粒的记录，每个穗粒的记录包括以下多个条目：各穗粒的边界范围、长、宽、高、面积、密实度、灰度图像素组、蒙版数组。
37.在一实施例中，该基于该穗粒蒙版输出穗粒统计分析结果还包括：
38.叠加各记录的该蒙版数组与该整穗图像以获得各穗粒的rgb图像，并将各穗粒的rgb图像以图像数组的形式存储在各穗粒的条目信息中。
39.在一实施例中，该基于该穗粒蒙版输出穗粒统计分析结果还包括：
40.对各记录的该蒙版数组执行图像细化算法以提取各穗粒的二维骨架，并将各穗粒的二维骨架以数组形式存储在各穗粒的条目信息中。
41.在一实施例中，该基于该穗粒蒙版输出穗粒统计分析结果还包括：
42.基于各记录的二维骨架的端点数量对该穗粒蒙版进行筛选，保留二维骨架的端点数量为2的记录。
43.根据本发明的另一方面，还提供了一种整穗图像的处理装置，包括：
44.存储器；以及
45.处理器，该处理器配置用于执行上述方法。
46.根据本发明的，提供了一种计算机可读介质，其上存储有计算机可执行指令，该计算机可执行指令在由处理器执行时实施上述方法。
附图说明
47.在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
48.图1示出了根据本发明的一方面的整穗图像处理方法的流程图；
49.图2a-图2d示出了根据本发明的一方面的采集的穗部图像形态及其标定示例；
50.图3示出了根据本发明的一方面的提取整穗蒙版的方法的流程图；
51.图4a-图4e示出了根据本发明的一方面的整穗蒙版提取过程中的各阶段示意图；
52.图5示出了根据本发明的一发明的提取穗粒区域蒙版的方法的流程图；
53.图6a-图6d示出了根据本发明的一方面的穗粒区域初步保留过程中的各阶段示意图；
54.图7a-图7c示出了根据本发明的一方面的提取穗枝梗蒙版并优化保留穗粒区域过程中的各阶段示意图；
55.图8a-图8d示出了根据本发明的一方面的基于整穗二维骨架去除主干枝梗过程的各阶段示意图；
56.图9a-图9d示出了根据本发明的一方面的使用超像素算法检测并标注各穗粒的过程中各阶段示意图；
57.图10a-图10c示出了根据本发明的一方面的进一步分割穗粒的各阶段示意图；以及
58.图11a-图11c示出了根据本发明的一方面的经筛选后的穗粒的rgb图像及二维骨架的图像。
具体实施方式
59.以下结合附图和具体实施例对本发明作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本发明的保护范围进行任何限制。
60.根据本发明的一方面，提供了一种整穗图像处理方法，只需要在拍照前将穗子的一级枝梗稍稍分开使其不黏连在一起即可，无需使穗子保持非常整齐划一的状态。根据本发明的方案，可统计图片上所有的谷粒数目以及未被遮挡的所有完整谷粒的长度和宽度，并会自动计算粒型的平均值。本发明方案可快速地一次性高通量读取和分析多张照片中的每穗粒数和粒形大小，将大大减少科研人员高耗时、低效率的简单重复劳动，提高科研人员的科研能动性，同时能够在短时间内统计单株水稻的所有穗粒数，保证数据更加准确的同时节约了大量时间，大大提高效率，大大减少了相关的人工分析费用。
61.图1示出了根据本发明的一方面的整穗图像处理的方法100的流程图。如图1所示，
方法100可包括以下步骤。
62.在步骤110，对整穗图像执行提取算法以获得整穗蒙版。
[0063]“蒙版”一词来源于基本图像处理应用，即“蒙在上面的板子”，如果我们不希望某个区域显示在最终形成的图像上，就可以通过蒙版把这个区域遮盖起来。在本案使用的蒙版中，白色代表被定义为需要保留的区域，黑色则代表不需要保留的区域。在图像上叠加蒙版后，只有蒙版白色区域对应的图像部分会被保留，黑色区域对应的图像则会被消除。
[0064]
整穗图像是拍摄有整枝稻穗的图像。水稻穗的不同姿势对图像识别有很大的影响。一般，根据人工塑形将单株水稻手动散开支梗，由于成熟期水稻穗部含水量低，所以支梗会经受力变形。主梗和支梗没有完全分离，并且以自然展开状态拍摄穗部图像。在采集图像时，将样本摆放在一张黑色的吸光布上，使用数码相机或者扫描仪拍摄得到图像，如图2a所示。在图2a中示出了一株b10号水稻。
[0065]
此外，本方案也适用于使用手机采集到的图像，如图2b所示。与扫描拍摄相比，通过手机采集图像会面临一些局限性，比如光照条件复杂、集成式相机分辨率不高、对焦不准等问题。因此，在对使用手机采集到的图像进行分析时，不仅需要经过与处理扫描拍摄图像相同的流程，还需要首先进行预处理。
[0066]
在一实施例中，该预处理包括图像标定。由于分辨率过大的图像在运算时耗时过久，难以实现高通量图像分析，因此需要对图像进行预处理标定。为此，可使用缩放调节算法，将图像的高度自动设置为例如1024个像素，在不降低太多精度的同时提高了程序的处理效率，标定分辨率后参与性状分析的图像尺寸为高度统一为1024像素，以便后续自动化分析。
[0067]
较优地，在标定使用手机采集到的图像时，不仅需要标定分辨率，还需要标定图像的曝光度。通过与参考图像(图2c)进行直方图匹配，获得直方图匹配后的图像(图2d)，从而能够减轻过曝对图像质量的影响，以降低后续处理的难度。
[0068]
图3示出了根据一实施例的提取整穗蒙版的方法300的流程图。如图3所示，方法300可包括以下步骤。
[0069]
步骤310，使用全局自动阈值算法对整穗图像执行处理以获得主体整穗蒙版。
[0070]
阈值分割是一种基于区域的图像分割技术，是最常用和最基本的图像分割方法，能够按照灰度级，对像素集合进行划分，得到的子集则与现实景物中的区域相对应，且各个区域内部具有一致的属性，因此特别适用于目标和背景占据不同灰度级范围的图像。在选取阈值时，可以根据图像像素本身性质选取(即全局阈值)，也可以根据像素和该点邻域构成的局部区域的性质选取(即局部阈值)，还可以在阈值选取时将图像像素本身性质或图像局部区域性质与像素点的空间坐标相结合，使得到的阈值与像素点的坐标相关(即全局动态阈值或局部自适应阈值)。
[0071]
如图2a-2b所示，图像的前景与背景有着明显的对比，因此可以使用全局动态阈值法较容易地提取出图像的前景蒙版。使用动态全局自动阈值算法提取出的前景蒙版如图4a所示。较优地，可对该前景蒙版的各连通域(即图中的白色区块)的尺寸(如长、宽、面积等)进行筛选，去除面积过小以及形状过于细长(即长宽比较小)的区块后，得到感兴趣的区域roi(regions of interest，roi，如图4b所示)，也即主体整穗蒙版。
[0072]
步骤320，使用局部自适应阈值算法对整穗图像的红色通道灰度图执行处理以获
得局部整穗蒙版。
[0073]
由于穗粒显金黄色，所以对标定(扫描图像为扫描时标定分辨率，手机拍摄图像为手机拍摄时标定分辨率和曝光度)后图像的r(红色)通道使用局部自适应阈值分割，以获得局部整穗蒙版，如图4c所示。局部自适应阈值算法能够基于图像局部区域内的细节特征，更精细地表征整穗蒙版。
[0074]
步骤330，将主体整穗蒙版和局部整穗蒙版叠加以获得整穗蒙版。
[0075]
局部阈值分割不能如全局阈值分割那样直接归类大块的黑色背景，仅能表征整穗及其局部背景间的区别。因此，将主体整穗蒙版和局部整穗蒙版叠加，能够仅保留感兴趣区域内的蒙版信息，从而得到水稻整穗蒙版，如图4d所示。在实践中，水稻整穗蒙版可以二值数组的形式保存。
[0076]
将整穗蒙版叠加到标定后的图像上，能够去除背景并提取出水稻整穗可见光(rgb)图像，如图4e所示。
[0077]
回到方法100，在步骤120，对整穗蒙版执行提取算法以获得穗粒区域蒙版。图5示出了根据本发明的一实施例的提取穗粒区域蒙版的方法500的流程图。如图5所示，方法500可包括以下步骤。
[0078]
在步骤510，对整穗蒙版执行边缘检测算法以提取整穗蒙版的边界蒙版。
[0079]
在一实例中，可采用索贝尔边缘检测(sobel)算法提取出整穗蒙版的边界，如图6a所示。
[0080]
在步骤520，将该边界蒙版与整穗蒙版执行异或计算以获得初步穗粒区域蒙版。
[0081]
将该提取出的边界与整穗蒙版作异或计算，可以将边界剪除，由此即可断开整穗的穗轴和枝梗，如图6b所示。
[0082]
较优地，可根据各连通域(白色区块)尺寸对图6b中断开枝梗后的各区块进行筛选，去除面积过小，例如小于预设阈值的连通域后，得到断开穗区和枝梗的蒙版，如图6c所示。
[0083]
进一步更优地，可根据各连通域的尺寸、倾斜角对图6c中的各区块进行筛选，去除面积过小，例如小于预设阈值，以及倾斜角过于接近90
°
，例如超过预设阈值的区域，进而保留的部分作为初步穗粒区域蒙版，如图6d所示，可以数组形式存储。
[0084]
在步骤530，使用全局阈值算法对整穗图像的lab色彩空间的a通道图像执行处理以获得第一穗枝梗蒙版。
[0085]
较穗粒区域相比，穗枝梗的颜色往往偏绿。因此，根据本发明的一方面，可基于颜色对整穗的穗枝梗进行特征提取。首先，可将标定了分辨率和曝光度后的整穗图像转换至lab色彩空间，并提取出a通道图像，如图7a所示，该a通道图像体现绿色到红色的非线性光谱变化。然后可使用全局阈值分割方法从该a通道图像中提取出穗枝梗的蒙版，可称之为第一穗枝梗蒙版，如图7b所示。这里提取出的穗枝梗的蒙版可被用于与上文中保留的初步穗粒区域蒙版取异或，以进一步除去穗粒区域中的枝梗，得到如图7c所示的穗粒区域蒙版用于进一步的分析。
[0086]
在步骤540，基于二维骨架算法从整穗蒙版提取第二穗枝梗蒙版。
[0087]
进一步地，在某些水稻品种的图像中，整穗的主干枝梗宽度较宽，拍摄时枝梗间分离程度不够大，且主干枝梗的颜色与穗粒区域相近。这种类型的图像给上文提到的基于边
缘和颜色分析的算法带来一定精度上的偏差。
[0088]
鉴于此，根据本发明的一方面，在提取穗粒区域时，还设计了基于二维骨架的主干枝梗去除算法。
[0089]
在步骤541，通过图像细化算法从整穗蒙版提取整穗蒙版的初始二维骨架。
[0090]
图8a示出了一整穗蒙版，通过使用图像细化算法，提取出的二维骨架可如图8b所示。
[0091]
在步骤542，分析初始二维骨架的端点和分支节点以获得精细二维骨架
[0092]
上述得到的二维骨架只是一初始二维骨架。还需分析主干枝梗的端点和分支结点，理想情况下，应将最接近图像底部的端点和分支结点作为主干枝梗端点和分支结点；而在实际分析时，由于骨架中存在噪点(毛刺)，会造成主干枝梗分支结点的误判，如图8b中的a点。考虑到毛刺的端点及分支结点间的骨架长度特别短，所以算法在分析主干枝梗分支结点时，除了考虑分支结点距图像底部的距离外，还考虑候选结点和距其最近的骨架端点间的骨架长度，从而排除二维骨架上噪点的影响。例如在图8b中，主干枝梗分支候选结点(a点)与距其最近的骨架端点(b点)间的二维骨架长度过短，因此将此候选结点当作误检测结点排除。在排除候选结点中的噪点后，能够得到可信度最大的主干枝梗端点和分支结点位置(即8c中c点、d点)。随后，基于端点和分支结点，提取出这两点之间的骨架，即为主干枝梗的二维骨架，即精细二维骨架。
[0093]
在步骤543，对该精细二维骨架执行形态膨胀算法以获得第二穗枝梗蒙版。
[0094]
上述的精细二维骨架经过形态学膨胀后，可得到第二穗枝梗蒙版。该第二穗枝梗蒙版可用于与初步穗粒区域蒙版取逻辑异或，以实现对基于边缘和颜色分析算法难以去除的主干枝梗的去除，如图8d所示
[0095]
在步骤550，将第一穗枝梗蒙版、第二穗枝梗蒙版与初步穗粒区域蒙版执行异或计算以获得穗粒区域蒙版。
[0096]
通过将第一穗枝梗蒙版、第二穗枝梗蒙版与初步穗粒区域蒙版执行异或计算，可以去除初步穗粒区域蒙版中的穗枝梗部分，以获得纯粹的穗粒区域蒙版。
[0097]
回到方法100，在步骤130，叠加穗粒区域蒙版和整穗图像的红色通道图像以获得穗粒区域红色通道灰度图，如图9a所示。
[0098]
在一实例中，还可用伪色图(如jet)映射穗粒区域灰度图像，由此能够增强穗粒间的对比度和区分度，如图9b所示。
[0099]
在步骤140，对穗粒区域红色通道灰度图执行超像素分割以获得穗粒蒙版。
[0100]
在一实例中，可对映射后得到的穗粒区域伪色图使用基于菲尔森茨瓦伯有效图(felzenszwalb’s efficient graph)的超像素分割算法。提取所检测到的穗粒蒙版，即为由各个已检出穗粒的蒙版所组成的集合，通过统计已检出穗粒的蒙版的数量，就能够对图像中的穗粒数做出预估。
[0101]
与其他常用超像素分割算法相比，菲尔森茨瓦伯算法可通过调小分割规模(min_size)参数，使其对面积较小的细节目标更敏感，因而较适用于穗粒的检测和分割，在本算法中为了权衡时间复杂度和分割准确率，因此将分割规模参数值动态设定为穗粒区域蒙版的像素面积的两百分之一。
[0102]
为了直观呈现超像素分割算法的检测结果，图9c展示了用不同颜色进行区分的超
像素检测结果中的各个穗粒蒙版。图9d将穗粒的超像素检测结果以边界框形式叠加到完成预处理后的整穗图像中并标出编号，更直观地展示超像素算法的检测结果。
[0103]
从以上结果可以看出，存在将多个穗粒识别成一个的情况，因此如需实现更准确的分割，则要将这些误检测的穗粒筛选出来然后针对其作进一步的处理。图10a示出了误检测的穗粒蒙版。在一实例中，可选用渐进分水岭或随机游走等图像分割算法对这些穗粒进行分割处理，处理后的分割结果如图10b所示。分割完成后，将进一步分割的检测结果(图10b)合并至超像素算法的检测结果中，能够得到更准确的检测和计数结果，如图10c所示。
[0104]
在步骤150，基于穗粒蒙版输出穗粒统计分析结果。
[0105]
如前所述，提取所检测到的穗粒蒙版，即为由各个已检出穗粒的蒙版所组成的集合，通过统计已检出穗粒的蒙版的数量，就能够对图像中的穗粒数做出预估。
[0106]
作为穗粒统计分析的一部分，可针对前述的穗粒检测和计数的结果构建数据库，并将检测结果存至数据库中，内容主要包括：各穗粒的边界范围(边界框的顶点坐标)、长(major_axis_length)、宽(minor_axis_length)、面积(area)、密实度(solidity＝区域像素数
÷
凸包像素数)、灰度图像数组(intensity_image)、蒙版数组(mask)等数据，如下表1所示。
[0107][0108]
为了减轻运算量并减少可能出现的错误，可将连通域面积和密实度过小的区域所对应的行(记录)从数据库中删去，结果如表2所示。
[0109][0110]
之后，使用数据库中各记录内的蒙版数组(即mask字段(列)中的数据)，叠加到完成预处理后的整穗图像上，从而将各穗粒的rgb图像提取出，并以数组形式存放至多维数据集中(data cube)，即下表3内“image_color”字段(列)。此外，对各记录的蒙版数据分别使用图像细化算法，得出各穗粒的二维骨架并以数组形式存放至数据集中，即下表3内“skeleton”字段(列)。
[0111][0112]
经过以上预筛选和提取操作之后，数据集中保留的穗粒rgb图像以及各穗粒相对应的二维骨架分别如图11a、11b所示。
[0113]
完整穗粒往往具有规则的形状和边缘，这些特征能够在二维骨架中得到反映，因此可根据穗粒的二维骨架性质对数据集中的记录(行)进行进一步筛选。根据数据集中存放的穗粒二维骨架(“skeleton”字段(列))，计算出各骨架的端点数量，并存放至数据集中的“end points num”字段(列)，如下表4所示。
[0114][0115]
保留二维骨架端点数为2的记录，得到最终的完整粒筛选结果，穗粒的度量数据保存在数据库中。图11c示出了保留的穗粒图像，下表5示出了保留的穗粒分析结果。
[0116]
尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
[0117]
根据本发明的每穗粒数和粒型统计方法可以对以下两种方式下采集的图片进行
分析。第一种图片采集方式是把水稻穗子排列整齐，保证枝梗相互不重叠，使用手机、相机或者扫描仪对其进行拍照或者扫描。这种方式获取的照片很整齐漂亮，但在摆放水稻穗子和分开每个枝梗方面较花时间。对这种图片进行每穗粒数统计时很准确，但无法计算谷粒长宽的表型。
[0118]
第二种图片采集方式无需将水稻穗子摆放整齐，只需要使每个枝梗相互不重叠即可。此时所得的图片不仅能进行整穗的每穗粒数准确统计，还能同时统计谷粒的长和宽等数据，一举两得。
[0119]
综上我们可以看出，这个新的统计水稻每穗粒数和粒型数据的软件方法，方便快捷，大大简化和加速水稻考种表型的过程，节约人工和时间。在实际应用中，该方法可以用于重要农艺性状相关基因的表型鉴定、育种过程中单株水稻产量的高效预估等，为科研人员提供了一个快速高效的表型鉴定手段，使之在效率和准确度上提高到一个新的台阶。
[0120]
根据本发明的一方面，还提供了一种整穗图像处理装置，包括存储器和处理器，该处理器可以用于执行上述软件方法。
[0121]
本领域技术人员将可理解，信息、信号和数据可使用各种不同技术和技艺中的任何技术和技艺来表示。例如，以上描述通篇引述的数据、指令、命令、信息、信号、位(比特)、码元、和码片可由电压、电流、电磁波、磁场或磁粒子、光场或光学粒子、或其任何组合来表示。
[0122]
本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
[0123]
结合本文所公开的实施例描述的各种解说性逻辑模块、和电路可用通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如dsp与微处理器的组合、多个微处理器、与dsp核心协作的一个或多个微处理器、或任何其他此类配置。
[0124]
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动盘、cd-rom、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在asic中。asic可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
[0125]
在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代
码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括ram、rom、eeprom、cd-rom或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(dsl)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、dsl、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(cd)、激光碟、光碟、数字多用碟(dvd)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
[0126]
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。