一种基于DSA图像的定位方法及系统与流程

本说明书涉及医学影像和计算机技术领域，尤其涉及一种基于dsa图像的定位方法及系统。

背景技术：

颅内动脉瘤是一种常见的血管性疾病，该疾病是由于颅内动脉内腔的局部异常扩张而导致的一种动脉壁的瘤状突起。据报道，颅内未破裂动脉瘤在我国成人中的患病率高达7％，颅内未破裂动脉瘤发生破裂后，会导致严重残疾甚至死亡。因此，早日发现颅内动脉瘤具有重要意义。

dsa(digitalsubtractionangiography，数字减影血管造影)作为颅内动脉血管畸形和动脉瘤诊断的金标准，在临床中广泛应用。目前，颅内动脉瘤的定位主要依赖肉眼观察进行判断。该“肉眼观察法”通过读取二维dsa序列图像，初步判断是否存在颅内动脉瘤。该方法受二维dsa序列图像的观察视角及观察者的主观意识的影响比较大，容易出现漏诊，且观察过程中，需要观察者的思考，花费较多的时间。

因此，需要一种新的定位方法，能够排除或减少主观因素及影像设备成像差异带来的诊断差异，缩减人为观察、思考及判断的时间，并且能够提高判断的准确性，作为计算机辅助方法，为后续利用dsa图像进行诊断及教学研究提供依据。

技术实现要素：

本说明书实施例提供一种基于dsa图像的定位方法及系统，用于解决以下技术问题：需要一种新的定位方法，能够排除或减少主观因素及影像设备成像差异带来的诊断差异，缩减人为观察、思考及判断的时间，并且能够提高判断的准确性，作为计算机辅助方法，为后续利用dsa图像进行诊断及教学研究提供依据。

本说明书实施例提供一种基于dsa图像的定位方法，包括以下步骤：

利用第一模型，从待处理的二维dsa序列图像中，获得含有目标区域的帧，其中，所述第一模型是基于深度学习方法预先获得的模型，所述待处理的二维dsa序列图像是多帧的；

基于所述含有目标区域的帧，提取目标区域的疑似定位区域，其中，所述疑似定位区域由一系列含有目标区域的疑似小区域组成；

利用第三模型，对所述疑似定位区域的图像进行分类，获得疑似目标区域的图像，其中，所述第三模型是基于深度学习方法预先获得的二分类模型，所述疑似目标区域是基于所述第三模型输出的可能的目标区域；

利用第四模型，对含有所述疑似目标区域的图像进行分割，获得目标区域的定位信息，其中，所述第四模型是基于深度学习方法预先获得的模型；

将所述目标区域的定位信息还原到目标区域所在的帧，获得目标区域在所述待处理的二维dsa序列图像中的定位区域。

进一步地，所述方法还包括预处理步骤：

将所述待处理的二维dsa序列图像进行归一化处理、图像变换、放缩、截取及填充处理中的一种或多种处理，使所述待处理的二维dsa序列图像与所述第一模型的图像尺寸及像素间距一致。

进一步地，所述利用第一模型，从待处理的二维dsa序列图像中，获得含有目标区域的帧，具体包括：

将所述待处理的二维dsa序列图像输入第一模型，获得所述二维dsa序列图像中含有目标区域的帧。

进一步地，所述基于所述含有目标区域的帧，提取目标区域的疑似定位区域，具体包括：

利用第二模型，从所述含有目标区域的帧中，确定所述含有目标区域的帧对应的热度图；

根据第二预设阈值，确定所述热度图中属于目标区域的各像素点；

基于所述热度图中属于目标区域的各像素点的坐标，从所述含有目标区域的帧中截取所述坐标对应的区域，获得目标区域的疑似定位区域。

进一步地，所述利用第三模型，对所述疑似定位区域的图像进行分类，获得疑似目标区域的图像，具体包括：

所述第三模型根据所述疑似定位区域的图像特征，判断所述疑似定位区域是否为目标区域，输出疑似目标区域的图像。

进一步地，所述利用第四模型，对含有所述疑似目标区域的图像进行分割，获得目标区域的定位信息，具体包括：

将所述疑似目标区域的图像输入所述第四模型进行分割，所述第四模型输出含有目标区域的图像及相应的坐标信息，得到目标区域的定位信息。

进一步地，所述将所述目标区域的定位信息还原到目标区域所在的帧，获得目标区域在所述待处理的二维dsa序列图像中的定位区域，具体包括：

基于所述目标区域的定位信息的坐标点，通过线性变换，将所述目标区域的定位信息还原到所述目标区域所在的帧，获得所述目标区域的定位信息在所述目标区域所在的帧的对应的坐标点；

将所述目标区域的定位信息在所述目标区域所在的帧的对应的坐标点进行插值连线，获得目标区域在所述待处理的二维dsa序列图像中的定位区域。

本说明书实施例提供的一种基于dsa图像的定位系统，包括：

接收单元，接收待处理的二维dsa序列图像；

处理单元，对所述待处理的二维dsa序列图像进行定位；

输出单元，显示所述待处理的二维dsa序列图像的定位结果。

进一步地，所述对所述待处理的二维dsa序列图像进行定位，具体包括：

利用第一模型，从待处理的二维dsa序列图像中，获得含有目标区域的帧，其中，所述第一模型是基于深度学习方法预先获得的模型，所述待处理的二维dsa序列图像是多帧的；

基于所述含有目标区域的帧，提取目标区域的疑似定位区域，其中，所述疑似定位区域由一系列含有目标区域的疑似小区域组成；

利用第三模型，对所述疑似定位区域的图像进行分类，获得疑似目标区域的图像，其中，所述第三模型是基于深度学习方法预先获得的二分类模型，所述疑似目标区域是基于所述第三模型输出的可能的目标区域；

利用第四模型，对含有所述疑似目标区域的图像进行分割，获得目标区域的定位信息，其中，所述第四模型是基于深度学习方法预先获得的模型；

将所述目标区域的定位信息还原到目标区域所在的帧，获得目标区域在所述待处理的二维dsa序列图像中的定位区域。

进一步地，所述方法还包括预处理步骤：

将所述待处理的二维dsa序列图像进行归一化处理、图像变换、放缩、截取及填充处理中的一种或多种处理，使所述待处理的二维dsa序列图像与所述第一模型的图像尺寸及像素间距一致。

进一步地，所述利用第一模型，从待处理的二维dsa序列图像中，获得含有目标区域的帧，具体包括：

将所述待处理的二维dsa序列图像输入第一模型，获得所述二维dsa序列图像中含有目标区域的帧。

进一步地，所述基于所述含有目标区域的帧，提取目标区域的疑似定位区域，具体包括：

利用第二模型，从所述含有目标区域的帧中，确定所述含有目标区域的帧对应的热度图；

根据第二预设阈值，确定所述热度图中属于目标区域的各像素点；

基于所述热度图中属于目标区域的各像素点的坐标，从所述含有目标区域的帧中截取所述坐标对应的区域，获得目标区域的疑似定位区域。

进一步地，所述利用第三模型，对所述疑似定位区域的图像进行分类，获得疑似目标区域的图像，具体包括：

所述第三模型根据所述疑似定位区域的图像特征，判断所述疑似定位区域是否为目标区域，输出疑似目标区域的图像。

进一步地，所述利用第四模型，对含有所述疑似目标区域的图像进行分割，获得目标区域的定位信息，具体包括：

将所述疑似目标区域的图像输入所述第四模型进行分割，所述第四模型输出含有目标区域的图像及相应的坐标信息，得到目标区域的定位信息。

进一步地，所述将所述目标区域的定位信息还原到目标区域所在的帧，获得目标区域在所述待处理的二维dsa序列图像中的定位区域，具体包括：

基于所述目标区域的定位信息的坐标点，通过线性变换，将所述目标区域的定位信息还原到所述目标区域所在的帧，获得所述目标区域的定位信息在所述目标区域所在的帧的对应的坐标点；

将所述目标区域的定位信息在所述目标区域所在的帧的对应的坐标点进行插值连线，获得目标区域在所述待处理的二维dsa序列图像中的定位区域。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

本说明书实施例通过从待处理的二维dsa序列图像中，获得含有目标区域的帧，提取目标区域的疑似定位区域，经过分类，获得疑似目标区域并进行分割，从而获得目标区域的定位信息，将目标区域的定位信息经过线性变换，以实现二维dsa序列图像中目标区域的定位，本发明能够实现直接显示二维dsa序列图像中的目标区域，排除或减少主观因素及影像设备成像差异带来的诊断差异，缩减人为观察、思考及判断的时间，提高判断准确度。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书实施例提供的一种基于dsa图像的定位方法的示意图；

图2为本说明书实施例提供的获得含有目标区域的帧的流程图；

图3为本说明书实施例提供的提取目标区域的疑似定位区域的流程图；

图4为本说明书提供的获得疑似目标区域的流程图；

图5为本说明书实施例提供的对疑似目标区域的图像进行分割的流程图；

图6为本说明书实施例提供的基于二维dsa序列图像的定位结果示意图；

图7为本说明书实施例提供的一种基于dsa图像的定位系统。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

图1为本说明书实施例提供的一种基于dsa图像的定位方法的示意图，具体包括以下步骤：

步骤s101：利用第一模型，从待处理的二维dsa序列图像中，获得含有目标区域的帧。

dsa(digitalsubtractionangiography，数字减影血管造影)是将造影剂注入需要检查的血管中，使血管显露原形。dsa图像主要用于观察血管病变、血管狭窄的定位测量以及为介入治疗提供图像。在实际应用中，被观察者的二维dsa序列图像是多帧的，一般包括颅脑正位及颅脑侧位的图像，还可包括颅脑斜位图像。从被观察者的二维dsa序列图像中确定目标区域的定位，首先需要确定含有目标区域的帧。在本说明书的一个实施例中，将待处理的二维dsa序列图像输入第一模型，第一模型输出待处理的二维dsa序列图像中含有目标区域的帧。在本说明书的另外一个实施例中，将待处理的二维dsa序列图像输入第一模型，第一模型输出待处理的二维dsa序列图像中含有目标区域的帧及待处理的二维dsa序列图像含有目标区域的概率。需要特别说明的是，可能在二维dsa序列图像的多帧中均存在目标区域，因此输出的含有目标区域的帧为一帧或多帧，若二维dsa序列图像中没有目标区域，则不输出含有目标区域的帧。另外，在实际应用中，可以根据输出的待处理的二维dsa序列图像含有目标区域的概率给观察者提供参考。具体地，根据第一预设阈值，对二维dsa序列图像中含有目标区域的概率进一步进行判断，以确定二维dsa序列图像是否含有目标区域。一般认为，前述含有目标区域的概率高于第一预设阈值时，二维dsa序列图像含有目标区域。在具体实施过程中，第一预设阈值可以设置为60％，认为含有目标区域的概率值高于60％时，二维dsa序列图像含有目标区域。

在本说明书的实施例中，目标区域可以是根据预设场景和/或预设需求，预先指定的感兴趣的区域。在实际应用中，目标区域可以包括但不限于：颅内动脉瘤、动静脉畸形。

本说明书实施例中的第一模型为预先经过深度学习方法训练得到的模型，为更加容易理解利用第一模型获得含有目标区域的帧，下面将详细介绍获得含有目标区域的帧，具体如图2所示。图2为本说明书实施例提供的获得含有目标区域的帧的流程图，具体包括：

步骤s201：输入二维dsa序列图像到卷积神经网络。

用于进行第一模型训练的样本为含有目标区域的二维dsa序列图像，并对二维dsa序列图像进行标注。为保证训练第一模型的准确性，训练样本的数量应该足够大。

步骤s203：训练基于卷积神经网络的第一模型。

前述步骤s201的二维dsa序列图像输入卷积神经网络后，对卷积神经网络模型进行训练、优化，获得第一模型。利用该第一模型可以实现：将二维dsa序列图像输入第一模型后，输出二维dsa序列图像中含有目标区域的概率。可选地，将二维dsa序列图像输入第一模型后，输出二维dsa序列图像含有目标区域的概率及含有目标区域的帧。

步骤s205：将待处理的二维dsa序列图像进行预处理。

在具体实施过程中，二维dsa序列图像的帧数不等，通常在10～40帧之间，dsa图像的文件格式为dicom格式。由于二维dsa序列图像可能存在尺寸等差异，因此在将二维dsa序列图像输入第一模型前，需要对待处理的二维dsa序列图像进行归一化处理、图像变换、放缩、截取及填充处理中的一种或多种处理。具体地，对待处理的二维dsa序列图像进行尺寸缩放和/或像素值归一化和/或像素间距归一化和/或图像变换和/或放缩和/或截取和/或填充处理等处理，使所有待处理的二维dsa的各帧图像均保持相同的尺寸及像素间距，且与进行第一模型训练的样本的图像的尺寸及像素间距一致，以便二维dsa序列图像正常输入第一模型中。

步骤s207：将预处理处理的二维dsa序列图像输入第一模型，获得二维dsa序列图像中含有目标区域的帧。

前述步骤s203的第一模型，可以确定二维dsa序列图像中含有目标区域的帧。将前述步骤s205经过预处理的二维dsa序列图像输入第一模型后，输出二维dsa序列图像中含有目标区域的帧。在本说明书的一个实施例中，含有四根血管的八个二维dsa序列图像，包括正位和侧位的二维dsa序列图像，二维dsa序列图像进行归一化处理后，输入第一模型，输出四根血管序列图像中含有目标区域的帧，亦即二维dsa序列图像中含有目标区域的帧。在本说明书的另外一个实施例中，含有四根血管的八个二维dsa序列图像，包括正位和侧位的二维dsa序列图像，二维dsa序列图像进行归一化处理后，输入第一模型，输出四根血管的二维dsa序列图像中含有目标区域的概率及含有目标区域的帧，亦即二维dsa序列图像中含有目标区域的概率及含有目标区域的帧。

步骤s103：基于含有目标区域的帧，提取目标区域的疑似定位区域。

采用前述步骤s101获得了含有目标区域的帧，进一步需要从含有目标区域的帧中，提取目标区域的疑似定位区域。图3为本说明书实施例提供的提取目标区域的疑似定位区域的流程图，具体包括：

步骤s301：输入二维dsa序列图像和数据标签到卷积神经网络。

用于进行第二模型训练的样本为含有目标区域的二维dsa序列图像，并按照观察者的习惯，标注目标区域，其它未标注的区域作为背景，以目标区域及背景作为数据标签，输入卷积神经网络进行训练，该卷积神经网络可以为但不限于：100层深度的卷积神经网络。需要特别说明的是，为了保证训练模型的准确性，用于训练的样本数量应足够大。

步骤s303：训练基于卷积神经网络的第二模型。

提取步骤s301输入的二维dsa序列图像和数据标签中的图像特征，在具体实施过程中，图像特征可以是但不限于：影像的灰度信息，相邻像素点的灰度信息、梯度信息、相邻像素点的梯度信息。采用上述方法，对卷积神经网络模型进行训练、优化，获得第二模型。利用该第二模型可以实现：二维dsa序列图像输入第二模型后，能够输出二维dsa序列图像对应的热度图，且含有二维dsa序列图像中各像素点含有目标区域的概率。

步骤s305：利用第二模型，确定含有目标区域的帧对应的热度图。

将二维dsa序列图像中含有目标区域的帧输入前述步骤s303获得的第二模型，第二模型输出含有目标区域的帧对应的热度图，且含有各像素点属于目标区域的概率。具体地，将1024*1024的二维dsa序列图像，会输出若干个26*26的热度图，且热度图中的每一个像素均有一个对应的概率值。1024*1024的二维dsa序列图像输入第二模型后，输出的是1024*1024的二维dsa序列图像对应的224*224的小区域，热度图中每一个像素点对应的概率值表示1024*1024的二维dsa序列图像对应的224*224的小区域属于目标区域的概率，小区域表示二维dsa序列图像中的一部分区域，二维dsa序列图像由若干个小区域组成。

步骤s307：根据第二预设阈值，确定热度图中属于目标区域的各像素点。

基于前述步骤s305获得的含有目标区域的帧对应的热度图中各像素点的概率值，当像素点的概率值大于等于第二预设阈值时，该像素点为属于目标区域的像素点，当像素点的概率值小于第二预设阈值时，该像素点不属于目标区域的像素点。在具体实施过程中，第二预设阈值可以为60％。采用本说明书提供的方法，能够筛选出热度图中属于目标区域的像素点，该像素点代表二维dsa序列图像中属于目标区域的像素点。

步骤s309：基于热度图中属于目标区域的各像素点的坐标，提取目标区域的疑似定位区域。

由于热度图中的像素点对应的是小区域，因此在具体实施过程中，需要进一步确定小区域在二维dsa序列图像中的位置。具体地，基于前述步骤s307获得的热度图中属于目标区域的各像素点的坐标，从含有目标区域的帧中截取属于目标区域的各像素点的坐标对应的区域，从而将小区域从含有目标区域的帧中截取出来，得到目标区域的疑似定位区域。

步骤s105：利用第三模型，对疑似定位区域进行分类，获得疑似目标区域。

为保证定位结果的准确性，需要对前述步骤s103获得疑似定位区域进一步进行判断，确定疑似目标区域。图4为本说明书提供的获得疑似目标区域的流程图，具体包括：

步骤s401：输入训练样本到卷积神经网络。

用于进行第三模型训练的样本为大量含有预设数据标签的含有目标区域的小区域的图像，将训练样本输入卷积神经网络进行训练，该卷积神经网络可以为但不限于：100层深度的卷积神经网络。在具体实施过程中，预设数据标签可以用0表示背景即不存在目标区域，1表示存在目标区域。需要特别说明的是，为了保证训练模型的准确性，用于训练的样本数量应足够大。

步骤s403：训练基于卷积神经网络的第三模型。

提取步骤s401输入的训练样本的图像特征，在具体实施过程中，图像特征可以是但不限于：影像的灰度信息，相邻像素点的灰度信息、梯度信息、相邻像素点的梯度信息。采用上述方法，对卷积神经网络模型进行训练、优化，获得第三模型，该第三模型用于分类疑似定位区域是否为目标区域的二分类模型。需要特别说明的是，该第三模型属于二分类模型，其中利用该第三模型可以实现：疑似定位区域的图像输入第三模型后，判断疑似定位区域的图像中是否含含有目标区域，并根于预设的数据标签，输出疑似目标区域的图像。

步骤s405：将疑似定位区域的图像输入第三模型，获得疑似目标区域的图像。

将前述步骤s103获得的疑似定位区域的图像输入步骤s403获得的第三模型，用于检测疑似定位图像中是否含有疑似目标区域，第三模型输出疑似定位目标的图像。该分类结果为二分类结果，代表是否属于目标区域。需要特别说明的是，该疑似目标区域的图像是小区域图像。

步骤s107：利用第四模型，对含有疑似目标区域的图像进行分割，获得目标区域的定位信息。

前述步骤获得了含有疑似目标区域的图像，进一步需要对该图像进行分割，以获得目标区域的位置和形状等定位信息。图5为本说明书实施例提供的对疑似目标区域的图像进行分割的流程图，具体包括：

步骤s501：输入训练样本到卷积神经网络。

用于进行第四模型训练的样本为大量标记好的含有目标区域的小区域的图像及不含有目标区域的小区域的图像，将训练样本输入卷积神经网络进行训练，该卷积神经网络可以为但不限于：100层深度的卷积神经网络。需要特别说明的是，为了保证训练模型的准确性，用于训练的样本数量应足够大。

步骤s503：训练基于卷积神经网络的第四模型。

提取步骤s501输入的训练样本的图像特征，在具体实施过程中，图像特征可以是但不限于：影像的灰度信息，相邻像素点的灰度信息、梯度信息、相邻像素点的梯度信息。采用上述方法，对卷积神经网络模型进行训练、优化，获得第四模型。利用该第四模型可以实现：疑似目标区域的图像输入第四模型后，能够将目标区域从疑似定位区域的图像中分割出来。

步骤s505：将疑似目标区域的图像输入第四模型，获得目标区域的定位信息。

将前述步骤s105获得的疑似目标区域的图像输入步骤s503获得的第四模型中，第四模型对疑似目标区域的图像进行分割，将目标区域分割出来，得到目标区域的位置和形状等定位信息。

步骤s109：将目标区域的定位信息还原到目标区域所在的帧，获得目标区域在待处理的二维dsa序列图像中的定位区域。

前述步骤s107获得的目标区域的定位信息属于小区域对应的图像中的定位信息，因此，需要将该定位信息还原到目标区域所在的帧中。具体地，基于目标区域的定位信息的坐标点，通过线性变换，将目标区域的定位信息还原到目标区域所在的帧，获得目标区域的定位信息在目标区域所在的帧的对应的坐标点；将目标区域的定位信息在目标区域所在的帧的对应的坐标点进行插值连线，获得目标区域在待处理的二维dsa序列图像中的定位区域。在具体实施过程中，为了保证目标区域定位的准确性，将坐标点进行连线时，坐标点的个数不宜过少，至少应包括三个坐标点。图6为本说明书实施例提供的基于二维dsa序列图像的定位结果示意图，能够直观显示目标区域。

采用本说明书实施例提供的方法，对二维dsa序列图像进行定位，可以实现在二维dsa序列图像中直观显示目标区域，排除或减少主观因素及影像设备成像差异带来的诊断差异，缩减人为观察、思考及判断的时间。

上述内容详细说明了一种基于dsa图像的定位方法，与之对应的，本申请还提供了一种基于dsa图像的定位系统，如图7所示。图7为本说明书实施例提供的一种基于dsa图像的定位系统，具体包括：

接收单元701，接收待处理的二维dsa序列图像；

处理单元703，对待处理的二维dsa序列图像进行定位；

输出单元705，显示待处理的二维dsa序列图像的定位结果。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmablelogicdevice,pld)(例如现场可编程门阵列(fieldprogrammablegatearray，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardwaredescriptionlanguage，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advancedbooleanexpressionlanguage)、ahdl(alterahardwaredescriptionlanguage)、confluence、cupl(cornelluniversityprogramminglanguage)、hdcal、jhdl(javahardwaredescriptionlanguage)、lava、lola、myhdl、palasm、rhdl(rubyhardwaredescriptionlanguage)等，目前最普遍使用的是vhdl(very-high-speedintegratedcircuithardwaredescriptionlanguage)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc625d、atmelat91sam、microchippic18f26k20以及siliconelabsc8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。