识别文字区域的方法、装置及计算机可读存储介质与流程

本公开涉及图像处理领域，尤其涉及一种识别文字区域的方法、装置及计算机可读存储介质。

背景技术：

随着互联网技术的迅速发展，互联网上的图片数量越来越多，对用户获取想要的图片造成不便。由于图片中不仅仅包含有画面，还包含有一些文字，人们趋向于通过搜索图片中的文字筛选出想要的图片，在此趋势的推动下，ocr(opticalcharacterrecognition，光学字符识别)技术应运而生。

ocr是指通过图像处理和模式识别技术对光学的字符进行识别的技术，一般包括两个阶段：文字区域识别和文字识别，其中，文字区域识别用于识别出文字在图像中所处的位置，文字识别用于识别出文字区域中的文字。

通常情况下，识别文字区域大多是采用基于adaboost的方法，该方法主要是利用人工设计的特征进行文字区域识别，由于人工设计特征的误差，使得采用此种方法进行文字区域识别的准确度不高。

技术实现要素：

为克服相关技术中存在的问题，本公开提供一种识别文字区域的方法、装置及计算机可读存储介质。

根据本公开实施例的第一方面，提供一种识别文字区域的方法，包括：

将待识别图像的特征信息输入文字区域识别模型，得到所述待识别图像中每个第一图像区域的第一概率和第二概率，所述第一概率表征所述第一图像区域是文字区域的概率，所述第二概率表征所述第一图像区域与相邻的图像区域相连的概率，其中，所述文字区域识别模型用于识别图像中的文字区域；

将第一概率大于第一概率阈值的所述第一图像区域确定为第二图像区域；

对第二概率均大于第二概率阈值的两个相邻的所述第二图像区域进行合并；

根据合并后的图像区域，确定所述待识别图像中的文字区域。

可选地，在将第一概率大于第一概率阈值的所述第一图像区域确定为第二图像区域之后，所述方法还包括：

将所述第二图像区域输入所述文字区域识别模型，得到所述待识别图像中每个所述第二图像区域的位置偏移量；

根据每个所述第二图像区域的位置偏移量，对该第二图像区域的位置进行调整；

对第二概率均大于第二概率阈值的两个相邻的所述第二图像区域进行合并，包括：

对第二概率均大于第二概率阈值的两个相邻的且位置调整后的第二图像区域进行合并。

可选地，所述根据合并后的图像区域，确定所述待识别图像中的文字区域，包括：

确定合并后的图像区域的最小外接矩形；

将所述最小外接矩形所在的区域确定为所述待识别图像中的文字区域。

可选地，所述方法还包括：

根据样本图像的特征信息以及所述样本图像中的文字区域，对卷积神经网络进行训练，得到所述文字区域识别模型。

根据本公开实施例的第二方面，提供一种识别文字区域的装置，包括：

概率获得模块，被配置为将待识别图像的特征信息输入文字区域识别模型，得到所述待识别图像中每个第一图像区域的第一概率和第二概率，所述第一概率表征所述第一图像区域是文字区域的概率，所述第二概率表征所述图像区域与相邻的图像区域相连的概率，其中，所述文字区域识别模型用于识别图像中的文字区域；

第一确定模块，被配置为将第一概率大于第一概率阈值的所述第一图像区域确定为第二图像区域；

合并模块，被配置为对第二概率均大于第二概率阈值的两个相邻的所述第二图像区域进行合并；

第二确定模块，被配置为根据合并后的图像区域，确定所述待识别图像中的文字区域。

可选地，所述装置还包括：

偏移量获得模块，被配置为将所述第二图像区域输入所述文字区域识别模型，得到所述待识别图像中每个所述第二图像区域的位置偏移量；

调整模块，被配置为根据每个所述第二图像区域的位置偏移量，对该第二图像区域的位置进行调整；

所述合并模块包括：

合并子模块，被配置为对第二概率均大于第二概率阈值的两个相邻的且位置调整后的第二图像区域进行合并。

可选地，所述合并模块包括：

第一确定子模块，被配置为确定合并后的图像区域的最小外接矩形；

第二确定子模块，被配置为将所述最小外接矩形所在的区域确定为所述待识别图像中的文字区域。

可选地，所述装置还包括：

训练模块，被配置为根据样本图像的特征信息以及所述样本图像中的文字区域，对卷积神经网络进行训练，得到所述文字区域识别模型。

根据本公开实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开第一方面所提供的识别文字区域的方法的步骤。

在本公开实施例中，首先，将待识别图像的特征信息输入到文字区域识别模型中，得到该待识别图像中每个第一图像区域的第一概率和第二概率，接着，根据每个第一图像区域的第一概率，筛选出包含有文字的图像区域，然后，在筛选出的包含有文字的图像区域的基础上，进一步分析该图像区域的第二概率，判断是否将该图像区域与其相邻的图像区域相合并，最后，根据合并后的图像区域，确定待识别图像中的文字区域。因此，通过确定待识别图像中每个第一图像区域的第一概率和第二概率，可以直接计算出文字区域，提供了一种准确度高并且识别速度快的文字区域识别方法。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种识别文字区域的方法的流程图。

图2是根据一示例性实施例示出的一种识别文字区域的方法的另一流程图。

图3是根据一示例性实施例示出的一种识别文字区域的方法的另一流程图。

图4是根据一示例性实施例示出的一种识别文字区域的方法的另一流程图。

图5是根据一示例性实施例示出的一种识别文字区域的装置的框图。

图6是根据一示例性实施例示出的一种识别文字区域的装置的另一框图。

图7是根据一示例性实施例示出的一种识别文字区域的装置中合并模块的框图。

图8是根据一示例性实施例示出的一种识别文字区域的装置的另一框图。

图9是根据一示例性实施例示出的一种用于识别文字区域的装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

本公开实施例提供了一种识别文字区域的方法。请参考图1，图1是根据一示例性实施例示出的一种识别文字区域的方法的流程图，如图1所示，本公开实施例提供的识别文字区域的方法包括以下步骤。

在步骤s11中，将待识别图像的特征信息输入文字区域识别模型，得到所述待识别图像中每个第一图像区域的第一概率和第二概率，所述第一概率表征所述第一图像区域是文字区域的概率，所述第二概率表征所述第一图像区域与相邻的图像区域相连的概率，其中，所述文字区域识别模型用于识别图像中的文字区域。

在步骤s12中，将第一概率大于第一概率阈值的所述第一图像区域确定为第二图像区域。

在步骤s13中，对第二概率均大于第二概率阈值的两个相邻的所述第二图像区域进行合并。

在步骤s14中，根据合并后的图像区域，确定所述待识别图像中的文字区域。

cnn(convolutionalneuralnetwork；卷积神经网络)是一种前馈神经网络，主要是由卷积层和连接层组成的，其中，连接层对输入图像的大小是有要求的，而实际应用中，不同的图像可能其尺寸大小也不一致，无法满足cnn中连接层的要求，可能会造成cnn无法识别图像的后果，因此，在将待识别图像输入全卷积网络之前需要将该图像进行缩放，以满足该cnn中连接层的要求。

在图像处理领域中，由于图像中的各个像素点的像素值仅能表征基本原色素及其灰度的基本编码，没有高层的语义信息，其中，高层的语义信息用于表示图像中具体有哪些物体、该物体在什么位置等等。因此，在将待识别图像进行缩放后，并不能直接进行文字区域识别，而是需获得该图像的高层的语义信息，具体地，可将该缩放后的待识别图像输入到cnn中，得到一个对应于该图像的特征矩阵(以下简称特征图)，从该特征图中识别出待识别图像的高层语义信息，进而可进一步识别出文字所在的区域。

在本公开实施例中，待识别图像的特征信息可以从待识别图像的特征图中提取出来，该特征信息中包含有该待识别图像的高层语义信息。首先，在步骤s11中，将待识别图像的特征信息输入文字区域识别模型，得到该待识别图像中每个第一图像区域的第一概率和第二概率，每个第一图像区域的第一概率表征该第一图像区域是文字区域的概率，每个第一图像区域的第二概率表征该第一图像区域是否与相邻的图像区域相连的概率。第一图像区域为待识别图像中的任一图像区域。

具体地，在待识别图像中预先设置多个锚点，其中，有一部分锚点用于表示该图像中的区域，简称为区域锚点，另一部分锚点用于表示该图像中相邻区域是否需要连接，简称为连接锚点。在原图中预先设置多个带旋转的矩形区域，将待识别图像分割成多个图像区域，其中，带旋转的矩形区域可表示为(x,y,w,h,θ)，x,y为该带旋转的矩形区域的中心点坐标，w,h为该带旋转的矩形区域的宽度和高度，θ为该带旋转的矩形区域相对于水平方向的旋转角度，每一个区域锚点对应一个带旋转的矩形区域，也即是，对应待识别图像中的一个图像区域。可选地，预设的带旋转的矩形区域可以是互相重叠的。

在将待识别图像的特征信息输入文字区域识别模型后，该文字区域识别模型对该待识别图像中的每个第一图像区域进行识别，每个第一图像区域的识别结果中均包括有第一概率和第二概率，其中，第一概率用于表征该第一图像区域为文字区域的概率，第二概率用于表征该第一图像区域与相邻图像区域相连的概率。

可选地，步骤s11中的文字区域识别模型是用于识别图像中的文字区域的模型，可以通过对全卷积网络进行训练后得到的。具体地，可以通过执行步骤s17得到文字区域识别模型。图2是根据一示例性实施例示出的一种识别文字区域的方法的另一流程图。如图2所示，所述方法除了包括步骤s11-s14外，还包括步骤s17。

在步骤s17中，根据样本图像的特征信息以及所述样本图像中的文字区域，对卷积神经网络进行训练，得到所述文字区域识别模型。

通常情况下，卷积神经网络中的系数是随机生成的，利用该随机生成的系数，对待识别图像的文字区域进行识别的准确度无法保证，因此，在使用该卷积神经网络进行文字区域识别之前，可根据用户对文字识别准确度的需求，对该卷积网络进行训练，以调整卷积神经网络中的系数，使经过该卷积神经网络识别出的文字区域较为准确。

具体地，可将待识别样本图像输入卷积神经网络中，经过卷积神经网络的处理可以输出结果样本图像，在该结果样本图像中至少有一个矩形区域，该矩形区域用以表征识别出的文字区域，由于矩形区域是根据随机生成的系数进行识别得到的，可能该矩形区域不能准确的覆盖待识别样本图像中的文字区域，将该结果样本图像与目标样本图像(即具有矩形框的待识别样本图像，矩形框圈定的区域即为待识别样本图像中的文字区域)对比，根据两者之间的误差，调整卷积神经网络中的系数，以缩小结果样本图像与目标样本图像的误差。多次重复上述方法，直到卷积神经网络输出的结果样本图像与目标样本图像的误差满足预设要求为止，系数调整完毕之后的卷积神经网络即为文字区域识别模型，其中预设要求是用户对文字识别准确度的需求而预先设置的。

在执行完步骤s11之后，执行步骤s12，根据步骤s11中确定的待识别图像中每个第一图像区域的第一概率，对该待识别图像中每个第一图像区域进行筛选。具体地，在文字区域识别模型输出的识别结果中，第一图像区域的第一概率的数值较大，则可认为该第一图像区域中含有文字，第一概率的数值较小，则认为该第一图像区域中不含有文字，因此，可预设设置一个第一概率阈值，与每个第一图像区域的第一概率的数值进行比较，将大于该第一概率阈值的第一概率的数值所对应的第一图像区域确定为包含有文字的区域，并将确定的包含有文字的区域筛选出来，作为第二图像区域。可选地，将小于该第一概率阈值的第一概率的数值所对应的第一图像区域确定为不包含有文字的区域，对该区域不做处理。

其中，该第一概率阈值用以表征在第一概率的数值大于第一概率阈值时，该第一概率的数值所对应的第一图像区域中含有文字，在第一概率的数值小于第一概率阈值时，该第一概率的数值所对应的第一图像区域中不含有文字。

在步骤s12中筛选出的图像区域(也即第二图像区域)仅能表征该区域中包含有文字，但是文字的大小不确定，而预设的矩形区域是确定的，该矩形区域并不一定完全包含有该文字，也即是，筛选出的图像区域可能只包含有文字的一部分，与该图像区域相邻的图像区域包含有文字的剩余部分。因此，在本公开实施例中，需要在筛选出的包含有文字的图像区域的基础上，通过执行步骤s13进一步分析该图像区域是否仅包含了文字的一部分。

在步骤s13中，对步骤s12中筛选出的包含有文字的图像区域进一步分析其第二概率，并根据该第二概率对筛选出的图像区域进行合并。具体地，在文字区域识别模型输出的识别结果中，每个第一图像区域的第二概率中包含有多个概率数值，该多个概率数值分别表示与该第一图像区域相邻的多个图像区域中是否包含有该文字的剩余部分，其中，概率数值较大，则可认为与该概率数值相对应的相邻的图像区域中也包含有该文字的一部分，两者相连，概率数值较小，则可认为与该概率数值相对应的相邻的图像区域中不包含有该文字的一部分，两者不相连。因此，可预先设置一个第二概率阈值，与步骤s12中筛选出的图像区域的第二概率的数值进行比较，将大于该第二概率阈值的概率数值所对应的相邻的图像区域确定为包含有该文字的一部分的区域，并将该区域与筛选出的图像区域进行合并。

对于在步骤s12中筛选出来的包含有文字的每个图像区域，均执行上述步骤，最后，在步骤s14中，将合并后的图像区域，即可确定为待识别图像中的文字区域。

在本公开实施例中，首先，将待识别图像的特征信息输入到文字区域识别模型中，得到该待识别图像中每个第一图像区域的第一概率和第二概率，接着，根据每个第一图像区域的第一概率，筛选出包含有文字的图像区域，然后，在筛选出的包含有文字的图像区域的基础上，进一步分析该图像区域的第二概率，判断是否将该图像区域与其相邻的图像区域相合并，最后，根据合并后的图像区域，确定待识别图像中的文字区域。因此，通过确定待识别图像中每个第一图像区域的第一概率和第二概率，可以直接计算出文字区域，提供了一种准确度高并且识别速度快的文字区域识别方法。。

可选地，图3是根据一示例性实施例示出的一种识别文字区域的方法的另一流程图。如图3所示，在步骤s12之后，所述方法还包括以下步骤。

在步骤s15中，将所述第二图像区域输入所述文字区域识别模型，得到所述待识别图像中每个所述第二图像区域的位置偏移量。

在步骤s16中，根据所述每个所述第二图像区域的位置偏移量，对该第二图像区域的位置进行调整。

相应地，步骤s13具体包括步骤s131。

在步骤s131中，对第二概率均大于第二概率阈值的两个相邻的且位置调整后的第二图像区域进行合并。

在本公开实施例中，预先设置的多个带旋转的矩形区域的大小以及在图像中的位置是确定的，将待识别图像分割成的每个第一图像区域的大小也是确定的，由于不同的图像中，文字所在的位置并不一样的，因此，在步骤s12中筛选出的图像区域可能包含文字部分的区域面积较小，此时，只要稍微调整该图像区域的位置，即可使该图像区域包含有该文字部分的区域面积增大，便于快速识别出文字区域。因此，在步骤s12中得到第二图像区域后，需将其输入到文字区域识别模型，以得到该第二图像区域的位置偏移量(δx,δy,δw,δh,δθ)，并根据该位置偏移量，对该第二图像区域的位置进行调整，使该图像区域中较大的区域面积中可以包含有文字，其中，调整后的图像区域的位置为(x+δx,y+δy,w+δw,h+δh,θ+δθ)。

在图像区域进行调整之后，根据该位置调整后的图像区域的第二概率，对位置调整后的图像区域进行合并，具体实施方式如前文所述，此处不再赘述。

采用上述技术方案，考虑到图像区域中包含文字的区域面积可能较小的问题，在判断该图像区域是否和相邻的图像区域进行合并之前，首先微调该图像区域，在该图像区域中增大覆盖文字的面积，减少区域合并的操作次数，进一步提高了文字区域识别的速度。

可选地，图4是根据一示例性实施例示出的一种识别文字区域的方法的另一流程图。如图4所示，图1中步骤s14具体包括以下步骤。

在步骤s141中，确定合并后的图像区域的最小外接矩形。

在步骤s142中，将所述最小外接矩形所在的区域确定为所述待识别图像中的文字区域。

通常情况下，由于该图像区域的相邻的图像区域分别位于该图像区域的上、下、左、后、左前、左后、右前及右后的八个方位中，该图像区域可与上述位于其八个方位中的任一个方位的图像区域进行合并，可能合并后的文字区域并不是规则的，而在文字识别技术中，通常用一个矩形来表示文字区域，因此，在图像区域合并后，为了保证文字处于同一个矩形框内，需要对该合并后的图像区域进行处理，以得到一个矩形区域。

具体地，首先，根据合并后的图像区域的位置，确定出该合并后图形区域的最小外接矩形，该最小外接矩形中包含有待识别图像中的文字，然后，将该最小外接矩形所在的区域确定待识别图像中的文字区域。

基于同一发明构思，本公开实施例还提供了一种识别文字区域的装置。图5是根据一示例性实施例示出的一种识别文字区域的装置的框图。参照图5，该装置500包括：

概率获得模块501，被配置为将待识别图像的特征信息输入文字区域识别模型，得到所述待识别图像中每个第一图像区域的第一概率和第二概率，所述第一概率表征所述第一图像区域是文字区域的概率，所述第二概率表征所述图像区域与相邻的图像区域相连的概率，其中，所述文字区域识别模型用于识别图像中的文字区域；

第一确定模块502，被配置为将第一概率大于第一概率阈值的所述第一图像区域确定为第二图像区域；

合并模块503，被配置为对第二概率均大于第二概率阈值的两个相邻的所述第二图像区域进行合并；

第二确定模块504，被配置为根据合并后的图像区域，确定所述待识别图像中的文字区域。

可选地，图6是根据一示例性实施例示出的一种识别文字区域的装置的另一框图。如图6所示，所述装置500还包括：

偏移量获得模块505，被配置为将所述第二图像区域输入所述文字区域识别模型，得到所述待识别图像中每个所述第二图像区域的位置偏移量；

调整模块506，被配置为根据每个所述第二图像区域的位置偏移量，对该第二图像区域的位置进行调整；

所述合并模块503包括：

合并子模块5031，被配置为对第二概率均大于第二概率阈值的两个相邻的且位置调整后的第二图像区域进行合并。

可选地，图7是根据一示例性实施例示出的一种识别文字区域的装置中合并模块的框图。如图7所示，所述合并模块503包括：

第一确定子模块5032，被配置为确定合并后的图像区域的最小外接矩形；

第二确定子模块5033，被配置为将所述最小外接矩形所在的区域确定为所述待识别图像中的文字区域。

可选地，图8是根据一示例性实施例示出的一种识别文字区域的装置的另一框图。如图8所示，所述装置500还包括：

训练模块507，被配置为根据样本图像的特征信息以及所述样本图像中的文字区域，对卷积神经网络进行训练，得到所述文字区域识别模型。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本公开还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开提供的识别文字区域的方法的步骤。

图9是根据一示例性实施例示出的一种用于识别文字区域的装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图9，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的识别文字区域的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。

电力组件806为装置800的各种组件提供电力。电力组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述识别文字区域的方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述识别文字区域的方法。例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。

本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。