一种车载图像超分辨率重建方法、系统、装置和存储介质

1.本发明涉及图像处理技术领域，尤其涉及一种车载图像超分辨率重建方法、系统、装置和存储介质。


背景技术：

2.随着时代的不断发展，新能源车、辅助驾驶和自动驾驶等技术开始进入人们的生产和生活。在辅助驾驶领域，清晰可见的图像对于车载ai的识别、判断能力具有至关重要的决定性能力，这关系着辅助驾驶技术的成熟程度和是否能够上路投入实际的生活场景，更重要的，这事关人们的生命和财产安全。车载摄像头的视频图像质量对辅助司机驾驶(如倒车后视)、车载ai的车道识别、碰撞检测等都有极其重要的作用。然而由于车辆在行驶过程中存在车和路旁物体间的相对运动，且往往伴有颠簸抖动的情况，所摄图像存在或多或少的运动模糊，这不利于司机驾驶时的路况判断。因此，对车载视频图像进行去运动模糊处理和超分辨率重建，有助于智能辅助驾驶的目标分类准确率的提高，具有一定现实意义。
3.车载图像超分辨率重建重建技术在新能源汽车以及自动驾驶技术不断发展的今天具有越来越重要的作用。流行的基于有监督的学习方式，通过预定义的退化高分辨率的图像来得到低分辨率的图像，从而得到成对的高、低分辨率的图像数据用于模型的训练，这种方式得到的数据一方面是会因为预定义的潜在影响，最终模型的重建效果局限在一个特定的特征空间，这个空间和预定义的退化方式相关，产生图像特征预测方面的特征过拟合和因为图像训练数据少而产生数据过拟合；同时，随着各种复杂且精巧的神经网络被设计出来用于超分工作，这些模型虽然取得了很好的重建效果，但是因为大量的堆砌网络导致模型的计算量、复杂度和模型参数空间占用过高，造成占用内存过多和电量消耗很大，不便于移植到现代移动设备。随着智能终端设备的普及和对高分辨率图像的需求增加，提高模型的泛化能力和减小模型的计算复杂度，设计更加轻量化的超分模型是未来这方面工作研究的发展方向。


技术实现要素：

4.为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种车载图像超分辨率重建方法、系统、装置和存储介质。
5.本发明所采用的技术方案是：
6.一种车载图像超分辨率重建方法，包括以下步骤：
7.获取待重建的低分辨率车载图像；
8.采用训练后的车载图像超分辨率重建模型对所述低分辨率车载图像进行重建，获得高分辨率车载图像，完成图像重建任务；
9.其中，所述车载图像超分辨率重建模型通过采用无监督的降质增强gan网络(生成对抗网络)进行联合训练；在训练过程中，提取车载图像降质的特征信息，并将提取的特征信息拟合到所述车载图像超分辨率重建模型中，以提高模型的重建能力。
10.进一步地，通过以下方式搭建网络结构：
11.将降质增强gan网络和车载图像超分辨率重建模型组合为一个双向的、端到端的车载图像重建系统；
12.其中，无监督的降质增强gan网络用于提取自然场景下的车载图像噪声，得到低分辨率生成图像；
13.车载图像超分辨率重建模型采用得到的低分辨率生成图像和作为标签的高分辨率图像作为训练数据进行权重推演，从而整体提高模型对于各种恶劣场景导致的图像降质问题。
14.进一步地，所述降质增强gan网络包括降质生成器和降质辨别器；
15.训练步骤具体包括：
16.获取高分辨率的基础事实图像；
17.将所述基础事实图像和随机噪声输入降质生成器，输出含有随机噪声的低分辨率的降质图像；
18.将所述降质图像和非配对的含有自然随机噪声分布的噪声图像输入降质辨别器进行真伪辨别；
19.通过降质辨别器和降质生成器的生成与对抗，使得降质增强gan网络具有伪造噪声类型的能力。
20.进一步地，所述降质辨别器对应的损失函数如下：
[0021][0022]
式中，a表示relu激活函数，d表示降质辨别器，bs表示批量大小，lrs表示噪声图像，lr_gen表示生成的降质图像。
[0023]
进一步地，所述降质生成器对应的损失函数如下：
[0024][0025]
式中，α和β分别表示均方损失权重和对抗损失权重，downs表示的是基础事实图像经过下采样之后的结果，w和h表示像素分辨率的宽和高。
[0026]
进一步地，所述降质生成器包括第一残差编码块、轻量级的第二残差编码块和解码块；
[0027]
在编码初期，采用第一残差编码块进行工作；
[0028]
随着编码过程的加深，出现特征通道数的增加和像素块的减小；当检测到降质图像的大小小于预设阈值，将第二残差编码块替换第一残差编码块。
[0029]
进一步地，所述噪声图像包括高斯噪声图像、伪影噪声图像和扭曲变形噪声图像。
[0030]
本发明所采用的另一技术方案是：
[0031]
一种车载图像超分辨率重建系统，包括：
[0032]
图像获取模块，用于获取待重建的低分辨率车载图像；
[0033]
图像重建模块，用于采用训练后的车载图像超分辨率重建模型对所述低分辨率车
载图像进行重建，获得高分辨率车载图像，完成图像重建任务；
[0034]
其中，所述车载图像超分辨率重建模型通过采用无监督的降质增强gan网络进行联合训练；在训练过程中，提取车载图像降质的特征信息，并将提取的特征信息拟合到所述车载图像超分辨率重建模型中，以提高模型的重建能力。
[0035]
本发明所采用的另一技术方案是：
[0036]
一种车载图像超分辨率重建装置，包括：
[0037]
至少一个处理器；
[0038]
至少一个存储器，用于存储至少一个程序；
[0039]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
[0040]
本发明所采用的另一技术方案是：
[0041]
一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
[0042]
本发明的有益效果是：本发明通过降质增强gan网络获取低分辨率的图像对车载图像超分辨率重建模型进行训练，训练过程中充分的提取自然场景下的噪声、伪影、干扰等导致车载图像降质的特征信息，并将提取的特征信息拟合到模型中，从而提高模型的重建性能。
附图说明
[0043]
为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
[0044]
图1是本发明实施例中基于无监督降质增强gan网络的车载图像超分辨率重建模型的示意图；
[0045]
图2是本发明实施例中降质生成器的编解码网络结构图。
具体实施方式
[0046]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0047]
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0048]
在本发明的描述中，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。
[0049]
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
[0050]
传统的模糊图像超分辨率重建方法往往都是基于对清晰图像的先验假设，从而估计出相应的运动模糊核，然后将其与清晰图像进行卷积，再叠加噪声，最终获得运动模糊图像。其模糊核估计过程很繁杂，且去模糊效果很大程度上依赖于对图像的先验假设，很难泛化到其它模糊类型。近几年卷积神经网络(cnn)的发展给计算机视觉领域指出了新的方向，在图像超分辨率(sisr)任务中，卷积神经网络的引入不仅突破了传统方法存有的限制，而且图像的质量上得到了大幅度提升，通过学习数据分布的方式来重建图像还可以获得灵活性更好的模型。
[0051]
第一个基于卷积神经网络的图像超分辨率算法是在2014年由dong等人提出来的。该方法(srcnn)将深度学习引入到图像超分辨率重建领域，利用三个卷积层实现图像特征提取、特征映射和图像的像素重建工作，最终得到一个端到端的车载图像超分辨率重建模型，即输入一个低分辨率图像可以输出对应高分辨率图像。虽然这个网络只有简单的三层，但仍然得到比传统的插值方法产生图像更加清晰的高分辨率图像。然而srcnn在预处理时需要首先对低分辨率的图像通过双三次插值，放大到目标图像大小后才能作为网络的输入，计算复杂度比较高。因此该网络的作者在后续的工作中提出了fsrcnn，将网络的最后一层使用反卷积层来替代，从而使得网络能够直接在低分辨率下进行学习，极大的节省了开销。在随后的工作中，espcn这种网络也能够避免在高维度空间进行特征映射的学习。这种该网络提出使用亚像素卷积层，在网络的最后一层将特征图方法，同时进行像素的重排列。通过使用亚像素卷积层，图像从低分辨率到高分辨率放大的插值函数被隐含地包含在前面的卷积层中，而前面的卷积运算都在低分辨率图像上进行，因此大大降低了计算复杂度，之后的图像超分辨率方法图像重建环节基本都是采用亚像素卷积操作。人们发现深度神经网络的深度和其拟合特征的能力成正相关，因此倾向于训练更深层次的网络。但是随着网络层数的增多，会产生严重的梯度消息或梯度爆炸问题，使得网络非常难以训练。为了解决这个问题，kim等人提出vdsr网络。该网络首次将残差学习引入到图像的超分辨率重建领域，并使用梯度裁剪来解决网络加深带来的训练难的问题，将网络增加到20层卷积层，最终使得网络的效果进一步的得到提升。zhang等人随后提出了rcan网络，该网络将注意力机制嵌入到残差块中。通过注意力机制捕获通道间的关联信息，并对不同的通道采取不同的处理。这种方式通过分组，利用长短跳跃连接让网络更加专心学习高层次的特征，并将低层次的特征信息通过旁路来传递，最终将网络深度进一步提升。获得了更佳的超分辨率重建效果。
[0052]
基于上述问题，本实施例提供一种基于无监督降质增强gan网络的车载图像超分辨率重建方法，包括如下步骤：
[0053]
s101、通过车载摄像头充分的获取丰富类别的车辆自动驾驶、辅助驾驶等路况情况下的照片数据，用于模型的训练和测试。
[0054]
作为可选的实施方式，对于步骤s101，车载图像的采集过程需要保证以下条件：通过车载的前置灰度摄像机、彩色摄像机，采集包含市区、乡村、集市和高速公路等自动驾驶、
辅助驾驶场景下的真实图像数据。采集的图像范围同时需要满足包含雨雪、风沙等恶劣天气，以满足采集数据的充分性，尽可能的保证自动驾驶场景下可能遇到的各种极端情况。并通过人为的筛选获得含有包括噪声、伪影、像素失真等可能存在的噪声图像，作为本发明方法的无监督非配对的低质量lr(低分辨率)数据集，同时将剩余的高质量图像作为高质量标签hr(高分辨率)数据集。
[0055]
s102、改进现有的有监督的训练方式，提出降质增强gan网络，并通过优化之后的残差密集块来充分的提供网络的特征提取能力，用于提取自然场景下车载图像的各种噪声信息。
[0056]
作为可选的实施方式，对于步骤s102，为了使得车载图像重建网络能够避免预定义的退化方式对模型重建能力带来负面影响，本发明实施例使用大量成对的自然场景下的高清和模糊车载图像对进行训练。这种训练方式从数据质量的角度考虑是最优的方案。从图像降质的角度出发，考虑在车载图像超分辨率重建网络中嵌入能够拟合自然降质图像噪声分布的分支网络。这个网络通过输入高分辨率的车载图像数据和含有多样化的自然噪声分布的低分辨率图像来进行训练。目的是得到一个能够将非配对的lr图像数据中的噪声分布拟合到网络的生成能力中。近些年的研究和实验表明，gan网络通过生成器和对抗器相互对抗的方法，能够生成视觉质量逼真的伪造图像，本实施例设计了一种降质增强gan网络，网络的整体结果如图1所示。
[0057]
s103、将s102中的降质增强gan网络反向的嵌入到车载图像超分辨率重建网络中，将降质增强gan网络和车载图像超分辨率重建网络组合为一个双向的、端到端的车载图像重建系统。其中无监督的降质增强gan网络用于提取自然场景下的车载图像噪声，重建网络则以得到的lr生成图像和作为标签的高质量hr作为训练数据进行权重推演，从而整体提高网络对于各种恶劣场景导致的图像降质问题。
[0058]
s104、将训练好的网络参数用于车载的图像传感器，例如灰度摄像机和彩色摄像机，在驾驶场景下辅助提高对于数据的采集和判别决策能力。
[0059]
以下结合附图和具体实施例对上述方法进行详细解释说明。
[0060]
参见图1，本实施例提供一种基于无监督降质增强gan网络的车载图像超分辨率重建方法，包括如下步骤：
[0061]
s201、数据集的处理。
[0062]
本发明不需要使用人工的降质方法(比如双三次插值)将hr图像降质得到低分辨率lr图像，而是通过降质增强生成对抗网络自动生成lr车载数据集。在降质增强辨别器中，作为含有自然场景噪声的低分辨率车载图像基准的图像数据集，可通过以下方式获得：选取车载灰度摄像机和彩色摄像机拍摄的驾驶场景下的图片作为数据集，并从中筛选出包括但不限于噪声、伪影、形变等降质类型的图片作为非配对的lr数据集。因为本实施例中的hr数据和自然场景lr数据二者包含的图像数量不同，因此为了在训练过程中让生成网络在实验的过程中随机的提取自然噪声，本实施例采取每次遍历完lr数据集之后对该数据集进行重新打乱排序，提高训练的鲁棒性。
[0063]
s202、网络搭建。
[0064]
从图1的生成器部分可以看出，我们的降质增强生成器采用输入尺寸和输出尺寸不相等的非对称式编解码结构。不同于对称式的sr编解码网络，非对称式的编解码结构不
需要对判别器的输入进行双线性下采样。这样既可以降低模型的复杂度，又避免了冗余的噪声和伪影对判别器的预测产生不必要的影响。
[0065]
参见图2，在生成器编码过程中，使用第一残差编码块(res-encoding block)对升维之后的图像进行编码，在升高特征维度采集多样性的特征的同时，逐渐降低特征图的尺寸。这样可以避免大量的大尺寸特征图进行卷积运算，以较低的模型运算量提取较深层的特征图。res-encoding block的结构如图2(a)所示，通过使用局部残差学习，增强模块的学习能力的同时降低训练难度。解码块(decoding block)的结构如图2(b)所示，通过降质增强生成器生成自然噪声lr图像时逐步的对hr图像进行编码和特征提取，将特征通道数由3层增加到512层的同时将像素块从原像素逐步的减少到1/4像素大小。在上述的编码过程中，实验中通过对比特征图可以看出随着特征通道数的增加和像素块的减小，网络提取的特征越来越细致。这时像素与像素之间的关联强度越来越弱。随着编码网络的深度加深，如果使用图2(a)中的3
×
3基础编码块就会增加网络的参数量。因此我们将3
×
3的通道变换卷积层替换为图2(c)所示的轻量化残差编码块(即第二残差编码块)。最终生成器生成原图1/4像素大小的lr图像，因此我们将像素大小小于1/4像素的编码层中的残差编码块替换为如图2(c)所示的结构，其余的编码层结构保持不变。
[0066]
s203、模型的训练。
[0067]
整个生成对抗网络需要的数据集由基础事实车载高清数据集，非配对自然场景噪声数据集以及分布为高斯分布的随机噪声。首先我们需要将基础事实hr图像和高斯随机噪声混合，然后输入到降质增强网络的生成器，生成大小为原像素w、h的1/4大小的低分辨率图像，这时该图像会受到随机噪声的影响。然后我们将刚才生成的含有随机噪声的降质低分辨率车载图像和非配对的含有自然随机噪声分布的低分辨率车载图像分别输入我们的降质增强网络判别器。由于这时生成器的伪造能力非常的弱，因此此时判别器能够非常容易的判别真伪。然后我们将两种图像的预测概率传入公式1所示的损失函数：
[0068][0069]
判别器的对抗损失如上面的公式1所示，其中a表示relu激活函数，d表示降质增强判别器网络，bs表示batchsize，lrs表示自然场景基础事实lr车载图像，lr_gen表示生成的lr车载图像。自然场景下低质量图像含有多样的噪声类型，其中包括但不限于高斯噪声、伪影、扭曲变形等失真类型。通过辨别器和生成器的这种轮番生成与对抗可以使得生成网络具有伪造上面提到的这些噪声类型的能力。我们的方法使用联合损失作为生成器的损失函数，其中降质增强生成网络的公式2为：
[0070][0071]
上面的公式中，α和β分别表示均方损失权重和对抗损失权重，downs表示的是基础事实高分辨率图像经过下采样之后的结果。上面的损失主要由两部分构成，前半部分是像素损失，通过反向传播这种损失能够保持低质量图像重建前后图像像素级层面的特征不失真不变形。同时上面公式的后半部分通过引入判别器的判别结果作为对抗损失。对抗损失引入的目的是指导生成网络拟合自然场景车载噪声的分布，使得生成器朝着预期的目的发展。
[0072]
s204、预测结果。
[0073]
对于待放大的低分辨率车载图像，使用训练好的图像超分辨率模型对图像进行重建，最终得到放大4倍与原图像大小一致的高分辨率车载图像，完成图像重建任务。
[0074]
本实施例还提供一种车载图像超分辨率重建系统，包括：
[0075]
图像获取模块，用于获取待重建的低分辨率车载图像；
[0076]
图像重建模块，用于采用训练后的车载图像超分辨率重建模型对所述低分辨率车载图像进行重建，获得高分辨率车载图像，完成图像重建任务；
[0077]
其中，所述车载图像超分辨率重建模型通过采用无监督的降质增强gan网络进行联合训练；在训练过程中，提取车载图像降质的特征信息，并将提取的特征信息拟合到所述车载图像超分辨率重建模型中，以提高模型的重建能力。
[0078]
本实施例的一种车载图像超分辨率重建系统，可执行本发明方法实施例所提供的一种车载图像超分辨率重建方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
[0079]
本实施例还提供一种车载图像超分辨率重建装置，包括：
[0080]
至少一个处理器；
[0081]
至少一个存储器，用于存储至少一个程序；
[0082]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
[0083]
本实施例的一种车载图像超分辨率重建装置，可执行本发明方法实施例所提供的一种车载图像超分辨率重建方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
[0084]
本实施例还提供了一种存储介质，存储有可执行本发明方法实施例所提供的一种车载图像超分辨率重建方法的指令或程序，当运行该指令或程序时，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
[0085]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0086]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0087]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以
存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0088]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0089]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0090]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0091]
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
[0092]
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0093]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。
[0094]
本发明专利受国家基金no.62071183资助。