一种遥感影像的水体二级类提取方法和装置与流程

1.本发明涉及遥感影像地物解译的技术领域，尤其是涉及一种遥感影像的水体二级类提取方法和装置。


背景技术：

2.水作为自然资源的重要组成部分，时刻影响着人们的生产生活。同时，受到自然环境和人为活动的影响，水体的分布、面积又时刻处在变化之中。迅速、准确的掌握水体形态情况，对数字流域构建、水资源调查和监测评估有重要意义。传统的野外实地调查测量等方式，耗时较长、工作条件艰苦，成果的时效性不高，精度难以保证。
3.现有的遥感影像水体提取方法，往往只能提取水体一级类，并且由于遥感影像的“同物异谱”和“同谱异物”现象，有些水体特征和光滑的草坪、山体阴影等地物很相似，在水系一级类分割仍然存在大量阴影误检、草坪误检、道路误检、云雾误检和细小水系漏检等问题，导致现有方法提取的水体结果精度不高。
4.此外，现有方法不能提取水体二级类，使用场景有限。在本方法中，水体二级类指的是，河流、水库、湖泊、池塘。以河流为代表的线状水体，空间跨度大，影响整个流域。而以水库湖泊池塘为代表的面状水系，数量多，分布广，主要影响所处的局部地区。而水体形态的不同表现，对生态环境和社会经济的影响方式也不同，因此，提取水体二级类是值得关注的事情。在水系二级类分类中，仍然存在线状水系与面状水系难以区分、湖泊与水库难以区分、成片池塘误检为湖泊等问题。
5.针对上述问题，还未提出有效的解决方案。


技术实现要素：

6.有鉴于此，本发明的目的在于提供一种遥感影像的水体二级类提取方法和装置，以缓解了现有技术难以提取水体二级类的技术问题。
7.第一方面，本发明实施例提供了一种遥感影像的水体二级类提取方法，包括：获取样本遥感影像，对所述样本遥感影像进行预处理，得到训练集，其中，所述训练集包括：水体一级类训练集，拦水坝训练集和成片池塘训练集；利用所述训练集，对深度学习模型进行训练，得到目标模型，其中，所述目标模型包括：水体一级类提取模型、拦水坝提取模型和成片池塘提取模型；在获取到待提取遥感影像之后，利用所述水体一级类提取模型和所述拦水坝提取模型，确定出所述待提取遥感影像的提取结果，其中，所述提取结果包括：水体一级类提取结果和拦水坝提取结果；基于所述提取结果和所述成片池塘提取模型，确定出所述待提取遥感影像中的水体二级类，其中，所述水体二级类包括：河流，水库，湖泊和池塘。
8.进一步地，对所述样本遥感影像进行预处理，得到训练集，包括：对所述样本遥感影像中的水体一级类进行标绘，得到第一遥感影像；对所述第一遥感影像进行数据增强处理，得到所述水体一级类训练集；对所述样本遥感影像中的目标对象进行标绘，得到第二遥感影像，其中，所述目标对象包括：拦水坝的近水面，拦水坝的远水面和拦水坝的坝顶；对所
述第二遥感影像进行裁剪处理，得到所述拦水坝训练集；对所述样本遥感影像进行裁剪处理，得到遥感影像块；为所述遥感影像块添加标签，得到所述成片池塘训练集，其中，所述标签用于表征所述影像块中是否包含成片池塘。
9.进一步地，利用所述水体一级类提取模型和所述拦水坝提取模型，确定出所述待提取遥感影像的提取结果，包括：将所述待提取遥感影像输入所述水体一级类提取模型，得到所述水体一级类提取结果；将所述待提取遥感影像输入所述拦水坝提取模型，得到所述拦水坝提取结果。
10.进一步地，基于所述提取结果和所述成片池塘提取模型，确定出所述待提取遥感影像中的水体二级类，包括：基于所述水体一级类提取结果，确定出所述待提取遥感影像中的河流；基于所述拦水坝提取结果和所述水体一级类提取结果，确定出所述待提取遥感影像中的水库；基于所述水体一级类提取结果和所述成片池塘提取模型，确定出所述待提取遥感影像中的湖泊和池塘。
11.进一步地，基于所述水体一级类提取结果，确定出所述待提取遥感影像中的河流，包括：为所述水体一级类提取结果中的每个水体一级类图斑构建简单外接矩形；基于所述水体一级类图斑和所述简单外接矩形，确定出每个水体一级类图斑的目标参数，其中，所述目标参数包括：水体一级类图斑的面积与简单外接矩形的面积之间的比值，简单外接矩形的长宽比；基于所述目标参数，确定每个水体一级类图斑的综合指标；基于所述目标参数和综合指标，确定出第一目标图斑，其中，所述第一目标图斑包括：所述比值小于预设比值的水体一级类图斑，所述长宽比大于预设长宽比的水体一级类图斑，所述综合指标大于预设阈值的水体一级类图斑；基于所述第一目标图斑内的水体确定出所述待提取遥感影像中的河流。
12.进一步地，基于所述拦水坝提取结果和所述水体一级类提取结果，确定出所述待提取遥感影像中的水库，包括：基于所述拦水坝提取结果和所述水体一级类提取结果，确定出第二目标图斑中的水库图斑，其中，所述第二目标图斑为所述水体一级类图斑中除所述第一目标图斑以外的水体一级类图斑，所述水库图斑为所述第二目标图斑中预设范围内存在拦水坝的图斑；基于所述水库图斑中的水体确定为所述待提取遥感影像中的水库。
13.进一步地，基于所述水体一级类提取结果和所述成片池塘提取模型，确定出所述待提取遥感影像中的湖泊和池塘，包括：确定出所述第二目标图斑中的第一子图斑，其中，所述第一子图斑为图斑面积小于或等于预设面积的图斑；基于所述第一子图斑内的水体确定出所述待提取遥感影像中的池塘；将所述第二目标图斑中的第二子图斑对应的简单外接矩形内的影像输入所述成片池塘提取模型，确定出第二子图斑的成片池塘提取结果，其中，所述第二子图斑为图斑面积大于预设面积的图斑，所述成片池塘提取结果用于表征所述第二子图斑中的包含的水体是否为池塘；若所述第二子图斑中的包含的成片池塘的数量大于预设数量，则所述第二子图斑中的水体为所述待提取遥感影像中的池塘；若所述第二子图斑中的包含的成片池塘的数量小于或等于预设数量，则所述第二子图斑中的水体为所述待提取遥感影像中的湖泊。
14.第二方面，本发明实施例还提供了一种遥感影像的水体二级类提取装置，包括：获取单元，用于获取样本遥感影像，对所述样本遥感影像进行预处理，得到训练集，其中，所述训练集包括：水体一级类训练集，拦水坝训练集和成片池塘训练集；训练单元，用于利用所
述训练集，对深度学习模型进行训练，得到目标模型，其中，所述目标模型包括：水体一级类提取模型、拦水坝提取模型和成片池塘提取模型；提取单元，用于在获取到待提取遥感影像之后，利用所述水体一级类提取模型和所述拦水坝提取模型，确定出所述待提取遥感影像的提取结果，其中，所述提取结果包括：水体一级类提取结果和拦水坝提取结果；确定单元，用于基于所述提取结果和所述成片池塘提取模型，确定出所述待提取遥感影像中的水体二级类，其中，所述水体二级类包括：河流，水库，湖泊和池塘。
15.第三方面，本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
16.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，计算机可读存储介质上存储有计算机程序。
17.在本发明实施例中，通过获取样本遥感影像，对所述样本遥感影像进行预处理，得到训练集，其中，所述训练集包括：水体一级类训练集，拦水坝训练集和成片池塘训练集；利用所述训练集，对深度学习模型进行训练，得到目标模型，其中，所述目标模型包括：水体一级类提取模型、拦水坝提取模型和成片池塘提取模型；在获取到待提取遥感影像之后，利用所述水体一级类提取模型和所述拦水坝提取模型，确定出所述待提取遥感影像的提取结果，其中，所述提取结果包括：水体一级类提取结果和拦水坝提取结果；基于所述提取结果和所述成片池塘提取模型，确定出所述待提取遥感影像中的水体二级类，其中，所述水体二级类包括：河流，水库，湖泊和池塘，达到了对水体二级类进行提取的目的，进而解决了现有技术难以提取水体二级类的技术问题，从而实现了为水资源调查和监测评估提供数据支持的技术效果。
18.本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
19.为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
20.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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遥感影像的水体二级类提取方法的流程图；
22.图2为本发明实施例提供的一种遥感影像的水体二级类提取装置的示意图；
23.图3为本发明实施例提供的一种电子设备的示意图。
具体实施方式
24.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是
全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
25.实施例一：
26.根据本发明实施例，提供了一种遥感影像的水体二级类提取方法的实施例，需要说明的是，在附图的流程图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。
27.图1是根据本发明实施例的一种遥感影像的水体二级类提取方法的流程图，如图1所示，该方法包括如下步骤：
28.步骤s102，获取样本遥感影像，对所述样本遥感影像进行预处理，得到训练集，其中，所述训练集包括：水体一级类训练集，拦水坝训练集和成片池塘训练集；
29.步骤s104，利用所述训练集，对深度学习模型进行训练，得到目标模型，其中，所述目标模型包括：水体一级类提取模型、拦水坝提取模型和成片池塘提取模型；
30.步骤s106，在获取到待提取遥感影像之后，利用所述水体一级类提取模型和所述拦水坝提取模型，确定出所述待提取遥感影像的提取结果，其中，所述提取结果包括：水体一级类提取结果和拦水坝提取结果；
31.步骤s108，基于所述提取结果和所述成片池塘提取模型，确定出所述待提取遥感影像中的水体二级类，其中，所述水体二级类包括：河流，水库，湖泊和池塘。
32.在本发明实施例中，通过获取样本遥感影像，对所述样本遥感影像进行预处理，得到训练集，其中，所述训练集包括：水体一级类训练集，拦水坝训练集和成片池塘训练集；利用所述训练集，对深度学习模型进行训练，得到目标模型，其中，所述目标模型包括：水体一级类提取模型、拦水坝提取模型和成片池塘提取模型；在获取到待提取遥感影像之后，利用所述水体一级类提取模型和所述拦水坝提取模型，确定出所述待提取遥感影像的提取结果，其中，所述提取结果包括：水体一级类提取结果和拦水坝提取结果；基于所述提取结果和所述成片池塘提取模型，确定出所述待提取遥感影像中的水体二级类，其中，所述水体二级类包括：河流，水库，湖泊和池塘，达到了对水体二级类进行提取的目的，进而解决了现有技术难以提取水体二级类的技术问题，从而实现了为水资源调查和监测评估提供数据支持的技术效果。
33.在本发明实施例中，步骤s102包括如下步骤：对所述样本遥感影像中的水体一级类进行标绘，得到第一遥感影像；
34.对所述第一遥感影像进行数据增强处理，得到所述水体一级类训练集；
35.对所述样本遥感影像中的目标对象进行标绘，得到第二遥感影像，其中，所述目标对象包括：拦水坝的近水面，拦水坝的远水面和拦水坝的坝顶；
36.对所述第二遥感影像进行裁剪处理，得到所述拦水坝训练集；
37.对所述样本遥感影像进行裁剪处理，得到遥感影像块；
38.为所述遥感影像块添加标签，得到所述成片池塘训练集，其中，所述标签用于表征所述影像块中是否包含成片池塘。
39.在本发明实施例中，在获取到样本遥感影像之后用pie-label标绘软件进行标绘。将标绘结果输出为栅格，将对应大张影像和标签裁剪为512*512大小的样本。再进行如水平
翻转、垂直翻转、随机裁剪等数据增强。此外，需要对易误检的水体针对性添加正负样本。水体易误检类别主要有绿色匀质草坪、绿色塑胶场地、投影在光滑道路或平地上方的阴影、两侧植被茂盛的长条阴影、暗灰色房屋、薄云雾等。水系易漏检类别主要是细小水系以及不同纹理和颜色的水体，如水面有波纹、黑色黄色等水体。制作了26000对水体一级类样本(即，水体一级类训练集)，添加这些样本进行训练后，模型测试结果有明显改善。
40.通常的拦水坝只标绘坝顶，但坝顶和小路的特征很相似，导致大量小路误检。本发明实施例中完善了拦水坝标绘方式，将拦水坝包括近水面、远水面以及坝顶的整个区域都标绘出来，这种标绘整个拦水坝体的方式，增强了拦水坝特征的可区分度，使得道路误检为拦水坝的情况大大减少。通过样本遥感影像，使用pie-label标绘软件标绘拦水坝制作拦水坝样本，将标签和影像裁剪为512*512相同大小，得到5000对样本(即，拦水坝训练集)。
41.成片池塘样本集主要是为了区分湖泊和成片池塘，因为湖泊和池塘的区别主要在于湖泊覆盖区域的面积大很多，通常可以通过元素的面积阈值来区分湖泊与池塘，但由于成片池塘的池塘间隔较小，容易被识别为一个面积较大的面状水体元素，该元素的面积达到湖泊的面积阈值，从而将成片池塘误检为湖泊。本发明实施例中考虑了成片池塘的网格状特征，制作了成片池塘的图像级分类样本数据集，该样本是图像级分类样本，只需要将样本遥感影像裁剪为512*512大小，然后对每张样本遥感影像赋予是否为成片池塘的标签即可得到样本数据集(即，成片池塘训练集)。
42.下面对步骤s104进行说明。
43.针对水体一级类分割的误检和漏检问题，本发明实施例中将预训练的resnet50作为骨干网络提取特征，然后将resnet50提取的特征输入unet
44.模型进行分割在水体要素提取中表现最佳。因为resnet50层数更深且带有5残差块，可以更好的提取并融合特征，使得模型表现较好。
45.在训练样本和网络结构处理完成后，即可开始训练模型。通过观察模型训练过程中的损失函数是否较为理想的收敛，以及训练精度是否满意，对训练所需的超参数进行调整并再次训练，经过多次实验，使得模型能够达到较为满意的效果，从而得到水体一级类提取模型。
46.0为了更好的提取拦水坝特征，本发明实施例中采用resnet50结合deeplabv3 构建网络结构，通过resnet50有效提取目标特征，然后空间金字塔在不同分辨率上进行池化操作获取丰富的上下文信息，再通过编码-解码结构有效的融合高层和低层特征。
47.在训练样本和网络结构处理完成后，即可开始训练模型。通过观察模5型训练过程中的损失函数是否较为理想的收敛，以及训练精度是否满意，
48.对训练所需的超参数进行调整并再次训练，经过多次实验，使得模型能够达到较为满意的效果，从而得到拦水坝提取模型。
49.由于成片池塘的训练样本较少，本方法采用迁移学习的方法，采用已经在imagenet开源数据集上经过预训练的resnet50作为基本模型，替换0最后的全连接层，将原本的1000类别的输出改为2类输出，用成片池塘数据集微调训练得到成片池塘提取模型。
50.在本发明实施例中，步骤s106包括如下步骤：
51.将所述待提取遥感影像输入所述水体一级类提取模型，得到所述水体一级类提取结果；
52.5将所述待提取遥感影像输入所述拦水坝提取模型，得到所述拦水坝提取结果。
53.在本发明实施例中，在预测阶段，会将待提取遥感影像处理为水体一级类提取模型所需的大小，通过滑动窗口和中心裁剪拼接等方式，得到待提取遥感影像的端到端栅格的水体一级类提取结果，也可根据需要将结果转换为矢量。
54.在预测阶段，会自动将待提取遥感影像处理为拦水坝提取模型所需的格式，通过滑动窗口和中心裁剪拼接等方式，得到待提取遥感影像的端到端栅格的拦水坝提取结果，也可根据需要将结果转换为矢量。
55.在本发明实施例中，步骤s108包括如下步骤：
56.基于所述水体一级类提取结果，确定出所述待提取遥感影像中的河流；
57.基于所述拦水坝提取结果和所述水体一级类提取结果，确定出所述待提取遥感影像中的水库；
58.基于所述水体一级类提取结果和所述成片池塘提取模型，确定出所述待提取遥感影像中的湖泊和池塘。
59.具体的，基于所述水体一级类提取结果，确定出所述待提取遥感影像中的河流，包括：
60.为所述水体一级类提取结果中的每个水体一级类图斑构建简单外接矩形；
61.基于所述水体一级类图斑和所述简单外接矩形，确定出每个水体一级类图斑的目标参数，其中，所述目标参数包括：水体一级类图斑的面积与简单外接矩形的面积之间的比值，简单外接矩形的长宽比；
62.基于所述目标参数，确定每个水体一级类图斑的综合指标；
63.基于所述目标参数和综合指标，确定出第一目标图斑，其中，所述第一目标图斑包括：所述比值小于预设比值的水体一级类图斑，所述长宽比大于预设长宽比的水体一级类图斑，所述综合指标大于预设阈值的水体一级类图斑；
64.基于所述第一目标图斑内的水体确定出所述待提取遥感影像中的河流。
65.对于水体一级类结果中的每个图斑进行判断。如果是线状，判断为河流。不是线状，判断为面状水体。具体步骤如下：
66.先计算水体一级类的简单外接矩形的对角线长、水体一级类的简单外接矩形的长宽比、水体一级类的简单外接矩形的面积、水体一级类图斑的面积。
67.接着计算水体一级类图斑的面积与简单外接矩形的面积之间的比值和简单外接矩形的长宽比。
68.将水体一级类图斑的面积与简单外接矩形的面积之间的比值和简单外接矩形的长宽比进行结合，得到线状水系和面状水系的综合指标。
69.进行逐层次判断，对比值小于阈值x的图斑赋值为河流。
70.考虑到横平竖直的人工沟渠，如果长宽比大于阈值z赋值为河流。
71.如果综合指标大于阈值赋值为河流。
72.对于空间跨度过大的图斑，各项阈值可根据实际情况调整。
73.由于用深度学习方法难以完全区分水体二级类的线状水体和面状水体，所以对水系提取的单个矢量元素进行特征分析。从根据先验知识与几何特征来看，河流空间跨度大但空间覆盖面积比小，面状水系空间跨度小但空间覆盖面积比大，由此结合简单外接矩形
的对角线长、长宽比、元素与简单外接矩形的面积比等指标，来区分线状水系和面状水系。
74.对于每一个不符合河流特征的水体图斑，判断图斑阈值范围内是否有拦水坝，有拦水坝为水库，没有拦水坝进行下一步。
75.通过先验知识可知，水库往往都有拦水坝，所以本方法用拦水坝的识别结果辅助水库识别。通过先验知识可以确定拦水坝附近较大面积的面状水系是水库，如果水体元素附近没有拦水坝，说明该水体元素不是水库。
76.如果面状水体图斑的面积小于湖泊阈值，判断为池塘。
77.对于面积大于湖泊阈值的面状水体图斑，将这些图斑对应的简单外接矩形区域影像裁剪下来，将裁剪下的矩形区域进一步裁剪为512*512大小，得到一个水体图斑对应多张小图。
78.将每张小图依次输入成片池塘提取模型进行预测，得到每张小图是否为成片池塘的图像级分类结果。
79.用成片池塘图像级分类结果进行投票，如果该图斑简单外接矩形区域的多数小图都识别为成片池塘，就将该图斑赋值为池塘，否则赋值为湖泊。分类结果表明该方法可以较好的区分成片池塘和湖泊。
80.本发明实施例中，通过直接提取影像中的水体二级类，区分以河流为代表的线状水体和以湖泊池塘水库为代表的面状水体。具有较好的适用性，尤其对于河流湖泊分布较多的区域，是一种端到端的解决方案，具有明显优势。
81.实施例二：
82.本发明实施例还提供了一种遥感影像的水体二级类提取装置，该遥感影像的水体二级类提取装置用于执行本发明实施例上述内容所提供的遥感影像的水体二级类提取方法，以下是本发明实施例提供的遥感影像的水体二级类提取装置的具体介绍。
83.如图2所示，图2为上述遥感影像的水体二级类提取装置的示意图，该遥感影像的水体二级类提取装置包括：
84.获取单元10，用于获取样本遥感影像，对所述样本遥感影像进行预处理，得到训练集，其中，所述训练集包括：水体一级类训练集，拦水坝训练集和成片池塘训练集；
85.训练单元20，用于利用所述训练集，对深度学习模型进行训练，得到目标模型，其中，所述目标模型包括：水体一级类提取模型、拦水坝提取模型和成片池塘提取模型；
86.提取单元30，用于在获取到待提取遥感影像之后，利用所述水体一级类提取模型和所述拦水坝提取模型，确定出所述待提取遥感影像的提取结果，其中，所述提取结果包括：水体一级类提取结果和拦水坝提取结果；
87.确定单元40，用于基于所述提取结果和所述成片池塘提取模型，确定出所述待提取遥感影像中的水体二级类，其中，所述水体二级类包括：河流，水库，湖泊和池塘。
88.在本发明实施例中，通过获取样本遥感影像，对所述样本遥感影像进行预处理，得到训练集，其中，所述训练集包括：水体一级类训练集，拦水坝训练集和成片池塘训练集；利用所述训练集，对深度学习模型进行训练，得到目标模型，其中，所述目标模型包括：水体一级类提取模型、拦水坝提取模型和成片池塘提取模型；在获取到待提取遥感影像之后，利用所述水体一级类提取模型和所述拦水坝提取模型，确定出所述待提取遥感影像的提取结果，其中，所述提取结果包括：水体一级类提取结果和拦水坝提取结果；基于所述提取结果
和所述成片池塘提取模型，确定出所述待提取遥感影像中的水体二级类，其中，所述水体二级类包括：河流，水库，湖泊和池塘，达到了对水体二级类进行提取的目的，进而解决了现有技术难以提取水体二级类的技术问题，从而实现了为水资源调查和监测评估提供数据支持的技术效果。
89.实施例三：
90.本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
91.参见图3，本发明实施例还提供一种电子设备100，包括：处理器50，存储器51，总线52和通信接口53，所述处理器50、通信接口53和存储器51通过总线52连接；处理器50用于执行存储器51中存储的可执行模块，例如计算机程序。
92.其中，存储器51可能包含高速随机存取存储器(ram，random access memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
93.总线52可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
94.其中，存储器51用于存储程序，所述处理器50在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器50中，或者由处理器50实现。
95.处理器50可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器50中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器50可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现成可编程门阵列(field-programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51，处理器50读取存储器51中的信息，结合其硬件完成上述方法的步骤。
96.实施例四：
97.本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
98.另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可
以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
99.在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”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。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
100.在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
101.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
102.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
103.最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。