一种图像分割方法、装置、电子设备及存储介质与流程

本发明涉及图像处理领域，尤其涉及一种图像分割方法、装置、电子设备及存储介质。

背景技术：

在利用深度学习技术进行图像分割时，由于显存的限制，在分割之前，往往需要对原图像进行裁剪或者降采样，以解决gpu(graphicprocessingunit，图形处理器)内存不足的问题。

然而，对原图像进行裁剪会导致上下文信息丢失，降低图像分割的准确度；而直接对降采样得到的低分辨率图像进行分割又会丢失细节特征，无法实现既保证图像分割的准确度又保证图像的高分辨率。

针对上述问题，目前的常规做法是：采用多尺度分割策略，具体是先使用粗分割网络对降采样得到的低分辨率图像进行分割，得到感兴趣区域的大致位置，然后再在原图像上根据所述大致位置裁剪出感兴趣区域，最后使用细分割网络基于裁剪出的感兴趣区域得到与原图像分辨率相同的分割结果。这种做法虽然在粗尺度分割阶段纳入了全局上下文信息，但是在细尺度分割阶段，由于是基于裁剪图像进行的细分割，又丢失了全局上下文信息，仍未解决分割准确度与分辨率兼顾的问题。

技术实现要素：

本发明实施例提供了一种图像分割方法、装置、电子设备和存储介质，解决了分割准确度与分辨率无法兼顾的问题，既保证了图像分割的准确度，又保证了图像的分辨率。

第一方面，本发明实施例提供了一种图像分割方法，该方法包括：

以每个候选采样起始点为实际采样起始点，对待分割原始图像进行降采样，分别获得与每个所述候选采样起始点对应的降采样图像；

将所述降采样图像分别输入至预先训练好的神经网络模型，分别获得每张降采样图像对应的感兴趣区域分割图像；

将每张降采样图像对应的感兴趣区域分割图像分别拼合至所述待分割原始图像，获得最终的图像分割结果。

第二方面，本发明实施例还提供了一种图像分割装置，所述装置包括：

降采样模块，用于以每个候选采样起始点为实际采样起始点，对待分割原始图像进行降采样，分别获得与每个所述候选采样起始点对应的降采样图像；

分割模块，用于将所述降采样图像分别输入至预先训练好的神经网络模型，分别获得每张降采样图像对应的感兴趣区域分割图像；

拼合模块，用于将每张降采样图像对应的感兴趣区域分割图像分别拼合至所述待分割原始图像，获得最终的图像分割结果。

第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例所述的图像分割方法步骤。

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，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所述的图像分割方法步骤。

本发明实施例提供的图像分割方法，通过以每个候选采样起始点为实际采样起始点，对待分割原始图像进行降采样，分别获得与每个所述候选采样起始点对应的降采样图像；将所述降采样图像分别输入至预先训练好的神经网络模型，分别获得每张降采样图像对应的感兴趣区域分割图像；将每张降采样图像对应的感兴趣区域分割图像分别拼合至所述待分割原始图像，获得最终的图像分割结果的技术手段，解决了分割准确度与分辨率无法兼顾的问题，既保证了图像分割的准确度，又保证了图像的分辨率。

附图说明

图1是本发明实施例一提供的一种图像分方法的流程示意图；

图2是本发明实施例一提供的一种不同的实际采样起始点所对应的不同降采样图像的示意图；

图3是本发明实施例一提供的一种感兴趣区域分割图像的示意图；

图4是本发明实施例二提供的一种图像分割方法的流程示意图；

图5是本发明实施例三提供的一种图像分割装置的结构示意图；

图6是本发明实施例四提供的一种电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各项步骤的顺序可以被重新安排。当其步骤完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

实施例一

图1为本发明实施例一提供的一种图像分割方法的流程示意图。该方法适用于图像分割，旨在解决图像分割时分割准确度与分辨率无法兼顾的问题。所述图像分割方法可以由图像分割装置来执行，该装置可由软件和/或硬件的方式实现。

参考图1所示，所述图像分割方法包括如下步骤：

步骤110、以每个候选采样起始点为实际采样起始点，对待分割原始图像进行降采样，分别获得与每个所述候选采样起始点对应的降采样图像。

其中，候选采样起始点的个数通常为多个，具体数量可根据设定采样步长以及待分割原始图像的大小确定。候选采样起始点的个数越多，所获得的对应的降采样图像的张数越多，越能较全面地获取待分割原始图像的各部分图像信息。所述待分割原始图像可以是ct(computertomography，计算机断层)图像、pet(positronemissiontomography，正电子发射断层)图像、mr(magneticresonance，磁共振)图像或者融合图像，其中，所述融合图像为ct图像、pet图像以及mr图像中至少两种图像的融合图像。

具体的，所述对待分割原始图像进行降采样包括：

以所述实际采样起始点为参考点，在所述待分割原始图像的每行每隔设定采样步长获取一个采样点，在所述待分割原始图像的每列每隔设定采样步长获取一个采样点；所述采样点组成所述实际采样起始点对应的降采样图像。

示例性的，参考图2所示的一种不同的实际采样起始点所对应的不同降采样图像的示意图，其中，标号210表示待分割原始图像，待分割原始图像的宽w＝4，高h＝4，设定采样步长n＝2；标号220表示实际采样起始点(0，0)对应的降采样图像；标号230表示实际采样起始点(1，0)对应的降采样图像；标号240表示实际采样起始点(0，1)对应的降采样图像；标号250表示实际采样起始点(1，1)对应的降采样图像。

步骤120、将所述降采样图像分别输入至预先训练好的神经网络模型，分别获得每张降采样图像对应的感兴趣区域分割图像。

其中，所述降采样图像的数量为多个，具体数量可根据设定采样步长以及待分割原始图像的大小确定，例如若设定采样步长为n，则依据实际采样起始点的位置不同，一张大小为h*w的二维待分割原始图像可被拆解为n*n张大小为(h/n)*(w/n)的降采样图像。降采样图像的张数越多，越能较全面地获取待分割原始图像的各部分图像信息。

分别将每幅降采样图像输入至预先训练好的神经网络模型，针对每幅降采样图像神经网络模型输出对应的感兴趣区域分割图像。感兴趣区域分割图像指包括分割结果的图像，该分割结果通常是以方框、圆、椭圆或者不规则多边形勾勒出的具体区域。示例性的，参考图3所示的一种感兴趣区域分割图像的示意图，其中标号310表示被圈出的感兴趣区域。可以理解的是，在视觉层面直接看到的是被圈出的感兴趣区域，而在技术层面则可以获知感兴趣区域图像像素的坐标位置。

需要说明的是，所述降采样图像的各图像区域具有相同的分辨率；和/或，所述感兴趣区域分割图像为二值图像。具体的，二值图像可以是感兴趣区域内像素点的像素值为1，而感兴趣区域外像素点的像素值为0的图像，或者，感兴趣区域内像素点的像素值为0，而感兴趣区域外像素点的像素值为1的图像。

具体的，预先训练好的神经网络模型可根据待分割原始图像的特点选用不同类型的神经网络进行预训练获得。例如，由于升主动脉呈现圆形的形态特征，所述神经网络模型具体可以是检测网络、分割网络或者定位网络。当待分割原始图像为肺动脉的图像时，所述神经网络模型具体可以包括神经网络主体以及分割网络分支和点定位网络分支，其中，所述分割网络分支用于输出肺动脉主干的分割结果，所述点定位网络分支用于输出肺主动脉主干定位点的位置。

进一步的，不同目标部位感兴趣区域的位置不同，例如头颈动脉感兴趣区域的位置通常在主动脉弓下降动脉；肺动脉的感兴趣区域的位置通常在右肺动脉主干；冠状动脉的感兴趣区域的位置通常在升主动脉处；胸主动脉的感兴趣区域通常在气管分叉处降主动脉；腹主动脉的感兴趣区域通常在肾动脉水平降主动脉处；肾动脉的感兴趣区域通常在肾动脉水平降动脉处；下肢的感兴趣区域通常在腹主动脉分叉上部；上肢的感兴趣区域通常在主动脉弓处。

其中，在所述神经网络模型的训练阶段，随机产生采样起始点的位置，然后针对待分割原始图像进行降采样，分别获得不同的降采样图像，将各降采样图像分别输入至搭建的神经网络模型，以对神经网络模型进行训练，优化神经网络模型的各种模型参数。

步骤130、将每张降采样图像对应的感兴趣区域分割图像分别拼合至所述待分割原始图像，获得最终的图像分割结果。

可以理解的是，对待分割原始图像进行降采样降低了图像分辨率，同时可降低对gpu的内存要求，但是也丢失了一些图像的细节信息。因此，基于降采样图像直接进行图像分割所获得的图像分割结果的分辨率通常不高。针对该问题，本实施例的技术方案，将每张降采样图像对应的感兴趣区域分割图像分别拼合至所述待分割原始图像，获得与待分割原始图像相同分辨率的最终的图像分割结果。由于在图像分割过程中未对待分割原始图像进行裁剪，因此达到了保留上下文图像信息的目的，有利于图像分割的准确度；同时，虽然对待分割原始图像进行了降采样(这是为了降低对gpu的要求)，但最后又将每张降采样图像对应的感兴趣区域分割图像分别了拼合，因此，保证了图像分辨率，即图像清晰度，改善了图像分割结果。

示例性的，将每张降采样图像对应的感兴趣区域分割图像分别拼合至所述待分割原始图像，获得最终的图像分割结果，包括：

分别根据每张所述感兴趣区域分割图像的各像素点与所述待分割原始图像的各像素点之间的映射关系，将每张所述感兴趣区域分割图像映射至所述待分割原始图像，获得最终的图像分割结果。

本实施例提供的图像分割方法，通过以每个候选采样起始点为实际采样起始点，对待分割原始图像进行降采样，分别获得与每个所述候选采样起始点对应的降采样图像；将所述降采样图像分别输入至预先训练好的神经网络模型，分别获得每张降采样图像对应的感兴趣区域分割图像；将每张降采样图像对应的感兴趣区域分割图像分别拼合至所述待分割原始图像，获得最终的图像分割结果的技术手段，解决了分割准确度与分辨率无法兼顾的问题，既保证了图像分割的准确度，又保证了图像的分辨率。

实施例二

图4为本发明实施例二提供的一种图像分割方法的流程示意图。在上述实施例的基础上，本实施例进一步给出了候选采样起始点的确定方法，具体是将所述待分割原始图像中横坐标大于0且小于等于设定采样步长、纵坐标大于0且小于等于设定采样步长的像素点分别确定为所述候选采样起始点。这样设置的好处是可以遍历所有可能的采样点，以较全面地获取待分割原始图像的各部分图像信息。另一方面还给出了获取降采样图像以及将每张降采样图像对应的感兴趣区域分割图像分别拼合至待分割原始图像的具体实现方式。其中，与上述实施例相同或相似的解释说明可参考上述实施例，本实施例不再赘述。

如图4所示，所述图像分割方法包括如下步骤：

步骤410、将所述待分割原始图像中横坐标大于0且小于等于设定采样步长、纵坐标大于0且小于等于设定采样步长的像素点分别确定为所述候选采样起始点。

通过设置限定条件“横坐标大于0且小于等于设定采样步长、纵坐标大于0且小于等于设定采样步长”，实现了遍历所有可能的采样点的目的。达到了较全面地获取待分割原始图像的各部分图像信息的目的。

步骤420、以每个候选采样起始点为实际采样起始点，对待分割原始图像进行降采样，分别获得与每个所述候选采样起始点对应的降采样图像。

具体的，基于设定采样步长以及所述候选采样起始点确定所述降采样图像的每个像素点与所述待分割原始图像的像素点之间的映射关系；

基于所述映射关系确定所述降采样图像。

例如，假设待分割原始图像的宽为w，高为h，待分割原始图像的第y行、第x列的像素点的像素值为i(x,y)(0＜y≤h，0＜x≤w)。

具体的，基于如下算式确定降采样图像的每像素点的像素值：

i^ox，oy(x′，y′)＝i(ox+(x′-1)*n，oy+(y′-1)*n)(0＜x′≤w/n，0＜y′≤h/n)

其中，实际采样起始点的坐标为(ox,oy)，设定采样步长为n，w表示待分割原始图像的宽，h表示待分割原始图像的高，(x’，y’)表示采样点的坐标，i^ox，oy(x′，y′)表示降采样图像中像素点(x’，y’)的像素值，i(ox+(x′-1)*n，oy+(y′-1)*n)表示在待分割原始图像中与采样点(x’，y’)对应像素点的像素值。

步骤430、将所述降采样图像分别输入至预先训练好的神经网络模型，分别获得每张降采样图像对应的感兴趣区域分割图像。

步骤440、将每张降采样图像对应的感兴趣区域分割图像分别拼合至所述待分割原始图像，获得最终的图像分割结果。

示例性的，分别根据每张所述感兴趣区域分割图像的各像素点与所述待分割原始图像的各像素点之间的映射关系，将每张所述感兴趣区域分割图像映射至所述待分割原始图像，获得最终的图像分割结果。

具体的，基于如下换算公式将每张所述感兴趣区域分割图像映射至所述待分割原始图像：

m(x,y)＝m^{rem(x/n),rem(y/n)}(int(x/n)+1,int(y/n)+1)

其中，m(x,y)表示所述最终的图像分割结果，m^{rem(x/n),rem(y/n)}(int(x/n)+1,int(y/n)+1)表示实际采样起始点(rem(x/n)，rem(y/n))对应的降采样图像对应的感兴趣区域分割图像，rem()表示取余操作，int()表示取整数操作，n表示设定采样步长，(x，y)表示像素点的坐标。

进一步的，由于神经网络模型的处理精度不可能达到100％，因此神经网络模型输出的每张降采样图像对应的感兴趣区域分割图像的像素点，可能无法与待分割原始图像对应位置的像素点进行完全重合，因此拼合后的图像分割结果m(x,y)的边缘可能不平滑，针对的该问题，本实施例提供的图像分割方法还包括如下步骤：

对所述图像分割结果进行后处理，以平滑所述图像分割结果的边缘。

所述后处理例如包括膨胀、腐蚀等图像后处理算法。其中，图像膨胀和腐蚀是两种基本的形态学运算，主要用来寻找图像中的极大区域和极小区域。其中，膨胀类似于“领域扩张”，将图像中的高亮区域或白色部分进行扩张，其运行结果图比原图的高亮区域更大。腐蚀类似于“领域被蚕食”，将图像中的高亮区域或白色部分进行缩减细化，其运行结果图比原图的高亮区域更小。最终达到优化图像边缘的目的。

本实施例提供的图像分割方法，在上述技术方案的基础上，将所述待分割原始图像中横坐标大于0且小于等于设定采样步长、纵坐标大于0且小于等于设定采样步长的像素点分别确定为所述候选采样起始点，这样设置的好处是可以遍历所有可能的采样点，以较全面地获取待分割原始图像的各部分图像信息；且增加了对所述图像分割结果进行后处理的操作，实现了平滑所述图像分割结果边缘的目的，改善了图像分割结果，在保留图像上下文信息的同时兼顾了图像分辨率。

以下是本发明实施例提供的图像分割装置的实施例，该装置与上述各实施例的图像分割方法属于同一个发明构思，在图像分割装置的实施例中未详尽描述的细节内容，可以参考上述图像分割方法的实施例。

实施例三

图5为本发明实施例三提供的一种图像分割装置的结构示意图，如图5所示，所述图像分割装置包括：降采样模块510、分割模块520和拼合模块530。

其中，降采样模块510，用于以每个候选采样起始点为实际采样起始点，对待分割原始图像进行降采样，分别获得与每个所述候选采样起始点对应的降采样图像；分割模块520，用于将所述降采样图像分别输入至预先训练好的神经网络模型，分别获得每张降采样图像对应的感兴趣区域分割图像；拼合模块530，用于将每张降采样图像对应的感兴趣区域分割图像分别拼合至所述待分割原始图像，获得最终的图像分割结果。

在上述各技术方案的基础上，所述图像分割装置还包括：

确定模块，用于根据设定采样步长确定所述候选采样起始点。

在上述各技术方案的基础上，所述确定模块具体用于：

将所述待分割原始图像中横坐标大于0且小于等于设定采样步长、纵坐标大于0且小于等于设定采样步长的像素点分别确定为所述候选采样起始点。

在上述各技术方案的基础上，降采样模块510具体用于：

基于如下算式确定降采样图像的每像素点的像素值：

i^ox，oy(x′，y′)＝i(ox+(x′-1)*n，oy+(y′-1)*n)(0＜x′≤w/n，0＜y′≤h/n)

其中，实际采样起始点的坐标为(ox,oy)，设定采样步长为n，w表示待分割原始图像的宽，h表示待分割原始图像的高，(x’，y’)表示采样点的坐标，i^ox，oy(x′，y′)表示降采样图像中像素点(x’，y’)的像素值，i(ox+(x′-1)*n，oy+(y′-1)*n)表示在待分割原始图像中与采样点(x’，y’)对应像素点的像素值。

在上述各技术方案的基础上，拼合模块530包括：

映射单元，用于分别根据每张所述感兴趣区域分割图像的各像素点与所述待分割原始图像的各像素点之间的映射关系，将每张所述感兴趣区域分割图像映射至所述待分割原始图像，获得最终的图像分割结果。

在上述各技术方案的基础上，所述映射单元具体用于：

基于如下换算公式将每张所述感兴趣区域分割图像映射至所述待分割原始图像：

m(x,y)＝m^{rem(x/n),rem(y/n)}(int(x/n)+1,int(y/n)+1)

其中，m(x,y)表示所述最终的图像分割结果，m^{rem(x/n),rem(y/n)}(int(x/n)+1,int(y/n)+1)表示实际采样起始点(rem(x/n)，rem(y/n))对应的降采样图像对应的感兴趣区域分割图像，rem()表示取余操作，int()表示取整数操作，n表示设定采样步长，(x，y)表示像素点的坐标。在上述各技术方案的基础上，所述图像分割装置还包括：

后处理模块，用于对所述图像分割结果进行后处理，以平滑所述图像分割结果的边缘。

本实施例提供的图像分割装置，通过以每个候选采样起始点为实际采样起始点，对待分割原始图像进行降采样，分别获得与每个所述候选采样起始点对应的降采样图像；将所述降采样图像分别输入至预先训练好的神经网络模型，分别获得每张降采样图像对应的感兴趣区域分割图像；将每张降采样图像对应的感兴趣区域分割图像分别拼合至所述待分割原始图像，获得最终的图像分割结果的技术手段，解决了分割准确度与分辨率无法兼顾的问题，既保证了图像分割的准确度，又保证了图像的分辨率。

本发明实施例所提供的图像分割装置可执行本发明任意实施例所提供的图像分割方法，具备执行图像分割方法相应的功能模块和有益效果。

实施例四

图6为本发明实施例四提供的一种电子设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图6显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，电子设备12以通用计算电子设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。

电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及图像分割，例如实现本发实施例所提供的一种图像分割方法步骤，该方法包括：

以每个候选采样起始点为实际采样起始点，对待分割原始图像进行降采样，分别获得与每个所述候选采样起始点对应的降采样图像；

将所述降采样图像分别输入至预先训练好的神经网络模型，分别获得每张降采样图像对应的感兴趣区域分割图像；

将每张降采样图像对应的感兴趣区域分割图像分别拼合至所述待分割原始图像，获得最终的图像分割结果。

当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的图像分割方法的技术方案。

实施例五

本实施例五提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的图像分割方法步骤，该方法包括：

以每个候选采样起始点为实际采样起始点，对待分割原始图像进行降采样，分别获得与每个所述候选采样起始点对应的降采样图像；

将所述降采样图像分别输入至预先训练好的神经网络模型，分别获得每张降采样图像对应的感兴趣区域分割图像；

将每张降采样图像对应的感兴趣区域分割图像分别拼合至所述待分割原始图像，获得最终的图像分割结果。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请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-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。