一种牙齿模型的牙轴坐标系构建方法及系统与流程

1.本发明涉及牙齿隐形正畸技术领域，尤其涉及一种牙齿模型的牙轴坐标系构建方法及系统。


背景技术：

2.随着计算机科学的不断发展，牙科专业人员更多是借助于技术来进行诊疗制定矫治方案，在诊疗制定矫治过程中常常是将患者的口腔内的牙齿信息转化为三维牙齿模型。为了便于处理和计算，通过世界坐标系为基础构建单颗牙齿的坐标系，但在建立单颗牙齿坐标的过程中，单颗牙齿局部坐标系通常是人工设定的，但人工设定局部坐标系存在以下几点不足之处：
3.首先，人工标注都是根据技术人员的经验标注，这样就造成数据不准确，另外，人工操作时重复的工作比较多，浪费了时间成本，同时，人工参与的比较多，影响了矫治效果以及生产效率。
4.基于上述，为满足隐形正畸当前的大环境下的技术缺陷，本申请提供了解决以上技术问题的技术方案。


技术实现要素：

5.本发明的目的在于提供牙齿模型的牙轴坐标系构建方法及系统、电子设备、计算机存储介质，实现了一种全自动、简单快速、无需人工干预，并且符合牙齿结构特征的牙轴坐标系的建立问题。
6.本发明采用以下技术方案：
7.一种牙齿模型的牙轴坐标系构建方法，包括：
8.对三维牙齿模型中单颗牙齿模型进行结构区域标注，构建牙齿模型样本数据集；利用机器学习分类算法将所述样本数据集进行训练得到牙齿结构分类模型；将待测试牙齿模型输入至所述牙齿结构分类模型中进行测试，得到单颗牙齿模型的分类区域信息；
9.根据单颗牙齿模型的分类区域信息构建单颗牙齿模型牙轴坐标系。
10.本申请将历史患者的方案信息为基础，建立样本数据库，通过机器学习的方式构建单颗牙齿模型的机构分类模型，实现单颗牙齿模型的区域划分，在区域划分的基础上完成牙齿坐标的建立，解决了现有技术中通过人工标注牙齿的区域划分，使其满足智能化矫治系统，同时提高牙齿矫治方案的精准性。
11.进一步地优选，还包括：识别所述单颗牙齿模型的牙齿形态确认牙齿的类型，对不同类型所述单颗牙齿模型进行结构区域标注。
12.确认牙齿的类型，为后续的机器学习建模提供了数据基础。
13.进一步地优选，构建牙齿模型样本数据集包括：
14.获取三维牙齿模型中单颗牙齿模型的各三角网格顶点的相对位置信息；在单颗牙齿模型的各三角网格顶点中根据顶点选取算法选取预设数量的三角网格顶点；将选取到的
各三角网格顶点信息设置为牙齿模型样本数据集。
15.进一步地优选，构建牙齿模型样本数据集包括：
16.获取每颗牙齿模型上各三角网格的边长，并将各三角网格的边长的长度按照大小顺序进行排列；
17.将排列后三角网格长度最小边对应的两个顶点合并为一个顶点；并将对应的长相邻的两个三角网格进行合并处理后更新牙齿模型的三角网格，对更新后的三角网格的边长再按照长度大小顺序进行排列，将每颗牙齿模型上各三角网格的顶点更新到预设数量。
18.具体的，对牙齿模型的三角网格顶点进行简化处理，在机器学习过程中节约了工作量，使其运算处理更加高效。
19.进一步地优选，单颗牙齿模型进行结构区域标注包括：
20.将所述单颗牙齿模型标注为4个区域，将所述单颗牙齿模型标注为4个区域，包括唇/颊侧近中面、唇/颊侧远中面、舌侧近中面以及舌侧远中面。
21.进一步地优选，所述机器学习分类算法包括神经网络、分类树。
22.进一步地优选，训练所述牙齿结构分类模型还包括：
23.获取所述三维牙齿模型的初始状态信息并进行学习，进一步以所述三维牙齿模型的初始状态信息为基础进行扩展增加，得到多维度扩展后的所述三维牙齿模型；
24.根据多维度扩展后的所述三维牙齿模型通过机器学习分类算法构建所述牙齿结构分类模型。
25.具体的，采用多种分类算法，根据不同建模需求，在实际的使用过程中有更多的选择性。
26.进一步地优选，所述单颗牙齿模型的分类区域信息包括：
27.将所述待测试牙齿模型的初始状态信息，以及以初始状态信息为基础进行多维度扩展的所述待测试牙齿模型状态信息输入至所述牙齿结构分类模型进行测试，获取与维度对应的多种姿态的待测试牙齿模型的分类区域信息；
28.在多种姿态的待测试牙齿模型的分类区域信息中统计牙齿模型同一顶点在不同分类区域中的显示次数，将显示次数最多的区域设置为该顶点的结构区域，并构建单颗牙齿模型的分类区域。
29.具体的，进行多维度扩展的数据拓展，满足多姿态测试过程，使其构建的牙轴坐标系更加精准。
30.进一步地优选，构建单颗牙齿模型牙轴坐标系包括：
31.在所述单颗牙齿模型的分类区域信息中提取相互垂直的两个平面；
32.通过提取的相互垂直的两个平面对单颗牙齿模型进行分割，构建单颗牙齿模型牙轴坐标系。
33.进一步地优选，提取相互垂直的两个平面包括：
34.其中和分别为两个相互垂直平面的法向，为两个相互垂直平面的交点信息，和分别为两个相互垂直平面的上的点集。
35.进一步地优选，构建单颗牙齿模型牙轴坐标系包括：
36.将牙齿模型上相互垂直的两个平面的交线设置为oz轴，将相互垂直的两个平面中一平面内与oz轴垂直的方向设置为ox轴，将另一平面内与oz轴垂直的方向设置为oy轴。
37.本申请一方面建立牙轴坐标系对于牙齿排齐具有重要的参考意义，另一方面牙轴方向描述了牙齿的根冠向，对于建立虚拟牙根具有参考意义。
38.一种牙齿模型的牙轴坐标系构建系统，可执行上述的牙齿模型的牙轴坐标系构建方法构建牙轴坐标，包括：
39.样本数据获取模块，对三维牙齿模型中单颗牙齿模型进行结构区域标注，构建牙齿模型样本数据集；
40.分类模型获取模块，利用机器学习分类算法将样本数据获取模块中的所述样本数据集进行训练得到牙齿结构分类模型；
41.分类区域测试模块，将待测试牙齿模型输入至通过分类模型获取模块训练的所述牙齿结构分类模型中进行测试，得到单颗牙齿模型的分类区域信息；
42.坐标系构建模块，根据分类区域测试模块得到单颗牙齿模型的分类区域信息构建单颗牙齿模型牙轴坐标系。
43.一种电子设备，包括处理器和存储器，所述处理器执行所述存储器存储的计算机指令，使得所述电子设备执行上述任一项所述的牙齿模型的牙轴坐标系构建方法。
44.一种计算机存储介质，包括计算机指令，当所述计算机指令在电子设备上运行时，使得所述电子设备执行上述任一项所述的牙齿模型的牙轴坐标系构建方法。
45.本发明提供牙齿模型的牙轴坐标系构建方法及系统、电子设备、计算机存储介质，能够带来以下至少一种有益效果：
46.本申请中借助于机器学习算法进行牙齿结构划分，实现了一种全自动、简单快速、无需人工干预，并且符合牙齿结构特征的牙轴坐标系的建立。
47.本申请中牙轴坐标系的作用就是可以区分牙齿的不同区域，利用该牙齿的结构特性，一方面建立牙轴坐标系对于牙齿排齐具有重要的参考意义，另一方面牙轴方向描述了牙齿的根冠向，对于建立虚拟牙根具有参考意义，因此对于矫治方案的制定具有指导性的意义。
附图说明
48.下面将以明确易懂的方式，结合附图说明优选实施方式，对上述特性、技术特征、优点及其实现方式予以进一步说明。
49.下面结合附图和实施例对本发明进一步说明。
50.图1是本发明牙齿模型的牙轴坐标系构建方法实施例的流程示意图；
51.图2是本发明牙齿模型的牙轴坐标系构建方法实施例的另一流程示意图；
52.图3是本发明牙齿模型结构区域划分示意图；
53.图4是本发明牙齿模型的牙轴坐标系构建方法实施例的示意图；
54.图5是本发明牙齿模型牙轴坐标系建构图；
55.图6是本发明牙齿模型的牙轴坐标系构建实施例的示意图；
56.图7是本发明牙齿模型的牙轴坐标系构建系统实施例的结构图；
57.图8是本发明牙轴坐标系构建的所用电子设备的示意图。
具体实施方式
58.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，并获得其他的实施方式。
59.在本申请中，进行正畸治疗过程中要根据患者的口内数据信息进行分析计算，确认并完成患者矫治方案的制定，根据矫治方案的不同制定相应的矫治器制备方案，根据矫治器制备方案完成矫治器的制作。矫治器制作的数据基础来源于患者的口内数据信息综合处理，矫治方案制定的基础也来源于患者的口内数据信息；因此完整准确的口内数据信息是影响矫治效果的关键。患者的口内数据信息包括，医生获取的患者基本信息为年龄、矫治目的、口腔疾病信息以及口腔特征，在此的口腔特征为：安氏一类二类三类；针对口内数据信息还包括有口内的电子图像信息，也即为牙齿的图像信息，该电子图像信息可以通过口内扫描仪或者基于患者牙齿印模或者部分印模的ct扫描仪采集的初始位置处的患者牙齿的电子图像。本申请中通过对患者的初始牙齿的电子图像转化为三维牙齿模型，对每颗牙齿模型建立牙轴坐标系，并根据牙轴坐标系为患者构建每个牙齿从其初始位置移动到其最终位置的路线。在现有技术中，该针对牙轴坐标系构建方法需要确定牙齿类型以及牙齿模型上的特征点和特征区域，这些特征的定位会影响牙轴坐标系的准确性。牙齿的复杂多样性导致了牙齿特征点识别的困难，即使是同一类牙齿，也会有差异，所以利用特征点来计算牙轴坐标系会导致不准确。本申请是获取历史病例信息，构建样本数据，并通过机器学习的方式是利用标注好的大量数据来训练预测模型，所以误差会相对较小。具体的本申请提供的技术方案为以下：
60.参见图1
‑
图6所示，本申请提供了一种牙齿模型的牙轴坐标系构建方法实施例，包括：
61.步骤s100对三维牙齿模型中单颗牙齿模型进行结构区域标注，构建牙齿模型样本数据集；
62.牙齿模型样本数据集的构建包括：获取三维牙齿模型中单颗牙齿模型的各三角网格顶点的相对位置信息；在单颗牙齿模型的各三角网格顶点中根据顶点选取算法选取预设数量的三角网格顶点；将选取到的各三角网格顶点信息设置为牙齿模型样本数据集。
63.本申请中，构建牙齿模型样本数据集包括：将牙齿的三维数据中三角网格中定点做优化处理，并得到牙齿模型样本数据集；获取三维牙齿模型中单颗牙齿模型的各三角网格顶点的相对位置信息；在单颗牙齿模型的各三角网格顶点中根据顶点选取算法选取预设数量的三角网格顶点；将选取到的各三角网格顶点信息设置为牙齿模型样本数据集。
64.获取每颗牙齿模型上各三角网格的边长，并将各三角网格的边长的长度按照大小顺序进行排列；将排列后三角网格长度最小边对应的两个顶点合并为一个顶点；并将对应的长相邻的两个三角网格进行合并处理后更新牙齿模型的三角网格，对更新后的三角网格的边长再按照长度大小顺序进行排列，将每颗牙齿模型上各三角网格的顶点更新到预设数量。
65.具体的实施方式为：参见图6所示，可以采用最短边作为度量代价来对牙齿模型进行精简。首先对于三角网格上的所有边，计算其边长，并按从小到大对所边进行排序。然后
选取最短边长的所在边，将其两端顶点进行合并，合并后的位置为原始边长的中点位置。合并之后更新所有相关边长信息，并重新选取最短边长进行合并，直到精简到指定数量顶点为止。
66.步骤s200利用机器学习分类算法将所述样本数据集进行训练得到牙齿结构分类模型；步骤s300将待测试牙齿模型输入至所述牙齿结构分类模型中进行测试，得到单颗牙齿模型的分类区域信息；步骤s400根据单颗牙齿模型的分类区域信息构建单颗牙齿模型牙轴坐标系。
67.在本申请中输入三维牙齿模型，利用机器学习方法对模型进行唇/颊侧近远中以及唇舌侧近远中的分类，然后利用牙齿模型的四分类区域进行牙轴坐标系计算。具体的实施方式包括以下：
68.在上述已经阐述了三维牙齿模型的获取方式，为实现本申请的技术方案，在获取到数字牙齿模型后，首先对单颗牙齿模型的数字化模型进行结构区域的划分，在此可以将每颗牙齿模型分为4个区域，包括唇/颊侧近中面、唇/颊侧远中面、舌侧近中面以及舌侧远中面，由于人体口内的牙齿的类型不同，通过计算机学习后训练的模型自动将牙齿进行类型分类，该分类包括切牙、犬牙、前磨牙和磨牙四类，针对不同的牙齿类型将牙齿结构区域进行划分，并进行区域标注，并将每一牙齿结构区域标注进行存储，作为样本数据进行学习，通过多次学习训练并形成牙齿结构区域划分的模型，当任一颗数字牙齿输入至牙齿结构区域划分模型中，可以识别出牙齿的4个区域，即为唇/颊侧近中面、唇/颊侧远中面、舌侧近中面以及舌侧远中面。
69.针对选取的指定数量顶点，将顶点进行机器学习，在本申请中牙齿结构区域进行划分的机器学习的优选算法包括：神经网络算法以及分类树算法，当然在本申请针对该分类算法不做具体的限制。采用多种分类算法，根据不同建模需求，在实际的使用过程中有更多的选择性。
70.本申请中针对神经网络算法的具体实现包括：
71.使用神经网络pointnet来进行牙齿结构区域的分类，为了提高神经网络的预测精度，可以为每一类牙齿(切牙尖牙前磨牙磨牙或者1
‑
8号牙)单独建立一个神经网络预测模型，在训练模型前，需要将牙齿模型的顶点数进行精简，精简后的数量可以是2048或者1024等。
72.神经网络pointnet的网络结构如图4所示，该神经网络输入的是牙齿网格的点集，顶点数量为n，然后通过一个转换模块1，该模块可以调整牙齿姿态，使得在三维空间内对齐，然后通过一个多层感知器，该感知器为2层，神经元数量分别为64和64，该感知器可以提取得到牙齿模型上每个顶点的特征信息，然后再通过一个转换模块2，该模块可以使得特征信息在特征空间内对齐，然后再通过一个多层感知器，该感知器为3层，神经元数量分别为64，128和1024，该感知器进一步提取得到更深层次的牙齿模型的顶点特征信息，最后再通过一个多层感知器得到牙齿每个顶点的结构分类结果。
73.随机森林分类树来进行牙齿结构区域的分类，随机森林是由一系列决策树组成，该决策树的数量可以是8或16等，每一个决策树的模型参数是由牙齿模型样本中随机抽取一部分数据训练得到，输入每颗决策树的数据为每个牙齿模型顶点的特征信息，输入决策树后，输出得到的是每个牙齿模型顶点的结构区域分类，然后对所有的决策树结果进行统
计得到该牙齿模型顶点的最终分类结果。
74.由于每个人的牙齿在口内的姿态不同，在进行建学习和建模过程中，不能仅仅针对同一姿态进行学习，需要进行多角度，多姿态进行学习，才能保证牙齿结构区域模型的准确性，因为每个人的口内牙齿的形态不同，因此需要多维度进行扩展并获取多维度的数据，进行多维度的数据的扩展过程参见图5所示；具体的扩展的过程为：以患者的初始三维牙齿模型为基础，进行多角度姿态的旋转，并获取对应的位置信息下的牙齿模型数据信息，并进行每颗牙齿模型多姿态的学习，形成牙齿结构分类模型。
75.对于上述实施例中通过样本数据的收集，并将对样本数据进行训练学习后得到了牙齿结构分类模型，本申请具体的还提供了通过形成牙齿结构分类模型对待测试牙齿模型进行牙齿结构区域的分类。
76.本申请将患者的历史病例方案信息为基础，建立样本数据库，通过机器学习的方式构建单颗牙齿模型的机构分类模型，实现单颗牙齿模型的区域划分，在区域划分的基础上完成牙齿坐标的建立，解决了现有技术中通过标注牙齿的区域划分，使其满足智能化矫治系统，同时提高牙齿矫治方案的精准性。
77.步骤s310将所述待测试牙齿模型，以及以所述初始待测试数据信息为基础进行多维度扩展的所述待测试牙齿模型输入至所述牙齿结构分类模型进行测试；步骤s320获取与维度对应的多种姿态的牙齿模型的测试数据的分类区域信息；步骤s330在多种姿态的牙齿模型的测试数据的分类区域信息中统计牙齿模型同一顶点在不同分类区域中的显示次数，将显示次数最多的区域设置为该顶点的结构区域，构建单颗牙齿模型的分类区域。在完成区域分类后进一步的根据：
78.步骤s410在所述单颗牙齿模型的分类区域信息中提取相互垂直的两个平面；步骤s420通过提取的相互垂直的两个平面对单颗牙齿模型进行分割，构建单颗牙齿模型牙轴坐标系。
79.具体的，结合图1
‑
6所示，将待测试牙齿模型数据输入训练好的分类模型中进行测试，测试时也可以对测试牙齿模型数据进行扩展增强，即对牙齿模型绕其局部坐标系的任意轴随机旋转后得到不同姿态下新的测试数据，假设待测试牙齿模型扩展后变成n个测试模型，那么对于牙齿模型上的每一个顶点，都会得到n个四分类结果，最终取其属于最多次数的分类区域。得到待测试牙齿模型的四个分类区域之后，针对四个区域计算互相垂直的两个分割平面，两个分割平面表示方法如下。前期已经将待测数据进行类区域分类，因此基于获取到区域划分后进行拟合处理，拟合出相互垂直的两个平面，该拟合后的两个平面为唯一垂直的。具体的拟合可以通过最小二乘方法进行实现。提取相互垂直的两个平面包括：通过向量方式进行数据处理。具体为：
80.n1·
(x1‑
p)＝0
81.n2·
(x2‑
p)＝0
82.s.t.
83.n1·
n2＝0
84.其中n1和n2分别为两个相互垂直平面的法向，p为两个相互垂直平面的交点信息，x1和x2分别为两个相互垂直平面的上的点集。分割平面的交线方向就是牙轴坐标系方向。
85.根据上述的向量法得到两个相互垂直的平面后，利用平面直接交线关系，进一步
的求取坐标系，具体为：将牙齿模型上相互垂直的两个平面的交线设置为oz轴，将相互垂直的两个平面中一平面内与oz轴垂直的方向设置为ox轴，将另一平面内与oz轴垂直的方向设置为oy轴。
86.参见图7所示，本发明还提供了一种牙齿模型的牙轴坐标系构建系统的实施例，包括：样本数据获取模块100，对三维牙齿模型中单颗牙齿模型进行结构区域标注，构建牙齿模型样本数据集；分类模型获取模块200，利用机器学习分类算法将样本数据获取模块中的所述样本数据集进行训练得到牙齿结构分类模型；
87.分类区域测试模块300，将待测试牙齿模型输入至通过分类模型获取模块训练的所述牙齿结构分类模型中进行测试，得到单颗牙齿模型的分类区域信息；坐标系构建模块400，根据分类区域测试模块得到单颗牙齿模型的分类区域信息构建单颗牙齿模型牙轴坐标系。
88.具体的，可执行上述的牙齿模型的牙轴坐标系构建方法构建牙轴坐标的实施例，再次不在赘述。
89.牙轴坐标系对于牙齿排齐具有重要的参考意义，牙齿排齐过程中移动描述量都是相对于其局部坐标系来讲的，另外牙轴坐标系方向也描述了牙齿的根冠向，对于建立虚拟牙根具有参考意义。
90.在本申请中，通过将牙齿模型训练数据标注了四个结构区域，采用机器学习的方法将标注的牙齿模型进行学习训练，然后将待测试的牙齿模型输入训练完成的模型中测试，得到牙齿模型的四个结构区域，最后用两个相互垂直的分割平面将四个结构区域进行分割，两个相互垂直的平面交线就是牙轴坐标系方向，并申请实现的全自动、简单快速、无需人工干预，并且符合牙齿结构特征的牙轴坐标系建立算法。
91.本实施例提供一种电子设备，其结构框图如图8所示，该电子设备1000可以是平板电脑、笔记本电脑或台式电脑。电子设备1000还可能被称为便携式终端、膝上型终端、台式终端等其他名称。
92.电子设备1000内置有处理器1001和存储器1002，其中，存储1002上存储有计算机程序，处理器1001运行存储器1002中的计算机程序时实现实施例中一种牙齿模型的牙轴坐标系构建方法。
93.处理器1001可以包括一个或多个处理核心，比如4核心处理器、核心处理器等。处理器1001可以采用dsp(digital signal processing，数字信号处理)、fpga(field—programmable gate array，现场可编程门阵列)、pla(programmable logic array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1001也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(central processing unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。
94.在一些实施例中，处理器1001可以在集成有gpu(graphics processing unit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器1001还可以包括ai(artificial intelligence，人工智能)处理器，该ai处理器用于处理有关机器学习的计算操作。
95.存储器1002可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器1002还可包括高速随机存取存储器，以及非易失性存储器，比如一个
或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器1002中的非暂态的计算机可读存储介质用于存储至少一个指令、至少一段程序、代码集或指令集，该至少一条指令、至少一段程序、代码集或指令集用于被处理器1001所执行以实现本申请中实施例的一种牙齿模型的牙轴坐标系构建方法。
96.在一些实施例中，参见图8所示，电子设备1000还包括有：外围设备接口1003和外围设备。处理器1001、存储器1002和外围设备接口1003之间可以通过总线或信号线相连。外围设备可以通过总线、信号线或电路板与外围设备接口1003相连。
97.具体到本实施例中，外围设备可以包括口内扫描仪1004和3d打印设备1005。处理器1001通过口内扫描仪1004获取患者口内的数字化牙颌模型，处理器1001在执行计算机程序的过程中通过程序命令获取口内扫描仪1004采集的数字化牙颌模型，再通过执行实施例一种牙齿模型的牙轴坐标系构建方法，根牙齿模型的牙轴坐标系构建方法构建牙轴坐标系，根据该坐标系进行排牙、矫治路径的建立，然后在根据构建好的牙颌模型设计壳状牙齿矫治器，将设计好的数字化壳状牙齿矫治器模型对应的数据信息传输至3d打印设备1005，通过3d打印设备1005直接打印制备壳状牙齿矫治器。
98.因此，本申请的电子设备1000通过至少一条指令、至少一段程序、代码集或指令集执行实施例牙齿模型的牙轴坐标系构建方法，这种设计方案使得制备壳状牙齿矫治器时，在壳状牙齿矫治器设计过程中，本申请将历史患者的方案信息为基础，建立样本数据库，通过机器学习的方式构建单颗牙齿模型的机构分类模型，实现单颗牙齿模型的区域划分，在区域划分的基础上完成牙齿坐标的建立，解决了现有技术中通过人工标注牙齿的区域划分，使其满足智能化矫治系统，同时提高牙齿矫治方案的精准性。
99.本发明的各种实施例包括一个或者多个计算服务器，其内存储了用于使患者牙齿移动的程序。在此描述的(各)计算服务器或者任意计算服务器的各种部件可以包括下列的一个或者多个：主服务器或者其它计算系统，包括用于处理数字数据的处理器；内存，连接到该处理器，用于存储数字数据；输入数字化器，连接到该处理器，用于输入数字数据；应用程序，存储在该内存中，并且该处理器可以访问它，以便该处理器对数字数据进行处理；显示装置，连接到该处理器和内存，用于显示从该处理器处理的数字数据中获得的信息；以及多个数据库。在此使用的各种文件索引和/或者数据库可以包括：客户数据；商品数据；和/或者其它类似有用数据。
100.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，计算机的程序可存储于一或多个非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请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。
101.本发明从使用目的上，效能上，进步及新颖性等观点进行阐述，其设置有的实用进
步性，已符合专利法所强调的功能增进及使用要件，本发明以上的说明及附图，仅为本发明的较佳实施例而已，并非以此局限本发明，因此，凡一切与本发明构造，装置，特征等近似、雷同的，即凡依本发明专利发明范围所作的等同替换或修饰等，皆应属本发明的专利发明保护的范围之内。