基于超像素分割的叠掩阴影检测方法及装置

1.本发明属于合成孔径雷达干涉测量技术领域，具体涉及一种基于超像素分割的叠掩阴影检测方法及装置。


背景技术：

2.干涉合成孔径雷达(interferometric synthetic aperture radar,insar)是一种新型主动式地表形变监测技术，其通过对同一地区进行多次观测成像来获得两幅或者多幅sar图像，再根据干涉成像几何关系和复图像对上同名点之间的绝对相位差来反演数字高程dem。insar技术具有精度高、空间分辨率高、几乎不受云雨天气制约和空中遥感等突出的技术优势，被广泛应用于地形测绘、海洋监测、灾害监测与预警等领域。
3.由于insar技术对微小地表形变的非常灵敏，在地形复杂的地区，往往难以获得相干性高的干涉sar影像，容易出现叠掩和阴影现象，严重破坏干涉sar影像的干涉性，错误的相位信息会导致相邻区域的相位展开错误，区域影响整个相位解缠过程。因此，对insar中阴影和叠掩现象进行精确检测对于后续的图像处理任务来说十分必要。
4.目前，针对insar中阴影和叠掩的常见检测方法主要有幅度和相干系数的阈值分割法、基于边缘特征和模糊理论法、基于局部频率估计法、基于特征值分解法以及基于cfar检测法等。
5.然而，上述方法在检测时都是逐像素进行判别的。由于sar图像上每个分辨单元是由完全随机分布的许多散射点矢量叠加组成，在sar图像上形成相干斑噪声，且噪声鲁棒性差，逐像素的判别结果较为离散，很难反映sar数据的纹理信息，从而影响检测精度。


技术实现要素：

6.为了解决现有技术中存在的上述问题，本发明提供了一种基于超像素分割的叠掩阴影检测方法及装置。本发明要解决的技术问题通过以下技术方案实现：
7.一种基于超像素分割的叠掩阴影检测方法，包括：
8.获取原始雷达图像并进行预处理，得到初始sar图像及其亮度图像；
9.利用所述亮度图像对所述初始sar图像进行超像素分割，得到第一超像素图像；
10.对所述第一超像素图像进行形态学处理，得到第二超像素图像；
11.对所述第二超像素图像进行叠掩阴影检测，得到检测结果。
12.在本发明的一个实施例中，获取原始雷达图像并进行预处理，得到初始sar图像及其亮度图，包括：
13.对所述原始雷达图像进行相干斑滤波，以去除图像的斑点噪声，得到初始sar图像；
14.对所述初始sar图像的灰度值进行归一化处理，并进行灰度增强，得到对应的亮度图像。
15.在本发明的一个实施例中，利用所述亮度图像对所述初始sar图像进行超像素分
割，得到第一超像素图像，包括：
16.初始化所述初始sar图像的聚类中心，并为每个聚类中心分配对应的标签；
17.根据所述亮度图像计算像素点的梯度信息，以校正所述聚类中心；
18.利用每个像素点与所述聚类中心的相似度，对所述聚类中心进行迭代更新，得到最终的聚类中心；
19.按照所述最终的聚类中心对所述初始sar图像进行超像素分割，得到第一超像素图像。
20.在本发明的一个实施例中，根据所述亮度图像计算像素点的梯度信息，以校正所述聚类中心，包括：
21.设定超像素网格的形状，并利用亮度信息和位置信息融合表示每个聚类中心和每个像素点；
22.根据每个像素点的亮度信息和位置信息计算梯度信息，并将每个聚类中心移动到与八连通域中最低梯度位置相对应的像素点位置，以对聚类中心进行校正。
23.在本发明的一个实施例中，利用每个像素点与所述聚类中心之间的相似度，对所述聚类中心进行迭代更新，得到最终的聚类中心包括：
24.定义空间最大距离和最大颜色差异；
25.根据所述空间最大距离和所述最大颜色差异计算每个像素点与其周围一定范围内的若干聚类中心之间的第一相似度；
26.根据所述第一相相似度计算第二相似度，以更新所述第一相似度；
27.重复上述计算第二相似度和更新第一相似度的步骤，直至满足迭代停止条件，得到每个像素点与其周围一定范围内的多个聚类中心之间的第一相似度的终值；
28.将与每个像素的第一相似度终值最高的聚类中心的标签赋予该像素，以得到最终的聚类中心。
29.在本发明的一个实施例中，根据所述第一相相似度计算第二相似度，以更新所述第一相似度，包括：
30.初始化标签图像l＝{s(i)＝-1|i∈[1,n]}和距离图像d＝{d(i,ck)＝∞|i∈[1,n]}；其中，s(i)表示第i个像素点的标签，n表示初始sar图像的像素点总数，d(i,ck)表示第i个像素点与第k个聚类中心ck之间的第一相似度；
[0031]
按照如下公式计算每个像素点的第二相似度：
[0032][0033]
其中，ds(i,ck)表示第i个像素点与第k个聚类中心ck之间的第二相似度，表示第k个聚类中心ck的特征，表示d(i,ck)的特征向量f的加权l2范数，fi表示第i个像素点的特征，w＝diag(1,λ,λ)，λ＝n
c2
/n
s2
，nc表示最大颜色差异，ns表示最大空间距离；
[0034]
若ds(i,ck)《d(i,ck)，则令d(i,ck)＝ds(i,ck)，s(i)＝k。
[0035]
在本发明的一个实施例中，对所述第一超像素图像进行形态学开处理，得到第二超像素图像包括：
[0036]
遍历所述第一超像素图像中的所有超像素，对位置不相邻但标签相同的区域重新分配标签，得到新的标签图像；
[0037]
对所述新的标签图像进行形态学开操作处理，去除尺寸过小的超像素；
[0038]
对经过形态学开操作处理的超像素图像重新分配标签，得到第二超像素图像。
[0039]
在本发明的一个实施例中，对所述第二超像素图像进行叠掩阴影检测，得到检测结果包括：
[0040]
对所述第二超像素图像中的每个超像素做局部频率估计，并将所述局部频率为负值的超像素标记为叠掩阴影区域i
ls
；
[0041]
计算所述初始sar图像的平均强度l
avr
以及所述第二超像素图像中每个超像素的平均强度和平均相干系数coh(k),k∈[1,k
′
]，其中，k
′
表示第二超像素图像中的超像素总数；
[0042]
遍历所述叠掩阴影区域i
ls
中的超像素，将大于一定倍数的l
avr
的超像素和平均相干系数coh(k)小于第一阈值的超像素判定为叠掩区域i
l
；
[0043]
令部分阴影区域is＝i
ls-i
l
，计算is的平均幅值，遍历is中的超像素，将幅值小于一定倍数的平均幅值的超像素和平均相干系数coh(k)小于第二阈值的超像素判定为阴影区域is。
[0044]
在本发明的一个实施例中，对所述第二超像素图像中的每个超像素做局部频率估计包括：
[0045]
在干涉复相位图中，以像素点为中心取一定大小的窗口；
[0046]
对所述窗口进行fft变换，得到该窗口的频谱信息；
[0047]
根据所述频谱信息的峰值位置，得到该像素点的局部频率。
[0048]
本发明的另一个实施例还提供了一种基于超像素分割的叠掩阴影检测装置，包括：
[0049]
初始化模块，用于获取原始雷达图像并进行预处理，得到初始sar图像及其亮度图像；
[0050]
超像素分割模块，用于利用所述亮度图像对所述初始sar图像进行超像素分割，得到第一超像素图像；
[0051]
形态学处理模块，用于对所述第一超像素图像进行形态学开处理，得到第二超像素图像；
[0052]
检测模块，用于对所述第二超像素图像进行叠掩阴影检测，得到检测结果。
[0053]
本发明的有益效果：
[0054]
1、本发明通过使用超像素分割方法将具有相邻且相似信息的像素组合成一个基元块，大大降低了后续图像处理任务的复杂性，克服了传统逐像素检测存在噪声鲁棒性差、检测结果整体性差等缺点，提升了检测精度；
[0055]
2、本发明通过迭代计算超像素聚焦中心的相似度，提高了超像素分割的聚类特性，进一步提升了检测精度；
[0056]
3、本发明在对初始图像进行超像素划分后，还对其进行形态学开操作处理，将纹理特征的近似超像素性形成新的区域，避免同一块区域被分割为多块超像素，大大提高了
超像素分割的区域联通性以及可靠性。
[0057]
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
[0058]
图1是本发明实施例提供的一种基于超像素分割的叠掩阴影检测方法的流程示意图；
[0059]
图2是本发明实施例提供的另一种基于超像素分割的叠掩阴影检测方法的流程示意图；
[0060]
图3是本发明实施例提供原始雷达图像；
[0061]
图4是本发明实施例提供的进行了相干斑滤波的sar图像；
[0062]
图5是本发明实施例提供的初始化聚类中心示意图；
[0063]
图6是本发明实施例提供的不同k值和m值的超像素分割示意图；
[0064]
图7是本发明实施例提供的叠掩区域检测结果
[0065]
图8是本发明实施例提供的阴影区域检测的结果；
[0066]
图9是本发明实施例提供的先验dem图；
[0067]
图10是本发明实施例提供的采用先验dem得到的叠掩区域；
[0068]
图11是本发明实施例提供的采用先验dem得到的阴影区域；
[0069]
图12是本发明实施例提供的基于超像素分割的叠掩阴影检测装置的结构示意图。
具体实施方式
[0070]
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
[0071]
实施例一
[0072]
请参见图1-2，图1是本发明实施例提供的一种基于超像素分割的叠掩阴影检测方法的流程示意图，图2是本发明实施例提供的另一种基于超像素分割的叠掩阴影检测方法的流程示意图。
[0073]
具体地，本实施例提供的方法包括：
[0074]
步骤1：获取原始雷达图像并进行预处理，得到初始sar图像及其亮度图像。
[0075]
首先，对原始雷达图像进行相干斑滤波，以去除图像的斑点噪声，得到初始sar图像。
[0076]
具体地，本实施例采用lee滤波算法对原始雷达图像进行滤波处理，并利用局部窗口估计均值和标准差，窗口中心像素点的值为：
[0077][0078]
式中，i(x,y)为原图像中心像素值，为局部窗口的均值，w(x,y)为权重函数，可表示为：
[0079][0080]
为局部窗口的标准差，σ2为图像的标准差。
[0081]
请参见图3和图4，图3是本发明实施例提供原始雷达图像，图4是本发明实施例提供的进行了相干斑滤波的sar图像。
[0082]
然后，对初始sar图像的灰度值进行归一化处理，并进行灰度增强，得到对应的亮度图像。
[0083]
具体地，在对初始sar图像灰度值进行归一化处理后，将所有像素点的值乘100放大作为图像的亮度信息，得到亮度图。
[0084]
步骤2：利用亮度图像对初始sar图像进行超像素分割，得到第一超像素图像，具体包括：
[0085]
21)初始化初始sar图像的聚类中心，并为每个聚类中心分配对应的标签。
[0086]
请参见图5，图5是本发明实施例提供的初始化聚类中心示意图。具体地，将步骤1得到的初始sar图像均匀划分为k个矩形网格，初始相邻聚类中心，其间距为
[0087]
22)根据亮度图像计算像素点的梯度信息，以校正聚类中心。
[0088]
首先，设定超像素网格的形状，并利用亮度信息和位置信息融合表示每个聚类中心和每个像素点。
[0089]
具体地，本实施例对原始sar图像生成具有六边形网格特征的超像素，如图5所示，计算图像第一列聚类中心个数后重新更新s，将每一个聚类中心表示ck为每个像素点i表示为fi＝[li,xi,yi]
t
，i∈[1,n]，li为像素点i的亮度，l∈[0,100]，xi,yi为像素点i在图像中的位置。
[0090]
然后，根据每个像素点的亮度信息和位置信息计算梯度信息，并将每个聚类中心移动到与八连通域中最低梯度位置相对应的像素点位置，以对聚类中心进行校正。
[0091]
在本实施例中，梯度度量表示为：
[0092]
g(x,y)＝||l(x+1,y)-l(x-1,y)||2+||l(x,y+1)-l(x,y-1)||2[0093]
其中，l(x,y)代表图像中坐标为(x,y)的像素点的亮度信息，||
·
||代表l2范数。
[0094]
本实施例利用上述公式计算出梯度信息，并选择出最小的量对应的想，y坐标，将聚类中心移至该坐标位置。
[0095]
23)利用每个像素点与聚类中心的相似度，对聚类中心进行迭代更新，得到最终的聚类中心。
[0096]
23a)定义空间最大距离和最大颜色差异。
[0097]
在本实施例中，定义最大的空间距离为ns＝s，最大的颜色差异为nc，nc∈[1,m]，其中，m为1-100之间的某一个数值，可根据经验或实际情况自行设定。
[0098]
23b)根据空间最大距离和最大颜色差异计算每个像素点与其周围一定范围内的若干聚类中心之间的第一相似度。
[0099]
具体地，对空间距离和颜色距离进行差异整合，通过计算每个像素点周围2s
×
2s范围内的聚类中心之间的相似度，又称第一相似度，其计算公式如下：
[0100]
[0101]
23c)根据第一相相似度计算第二相似度，以更新第一相似度。
[0102]
首先，根据第一相相似度计算第二相似度。
[0103]
具体地，先将第一相相似度d(i,ck)表示为向量的形式，得到其特征向量f的加权l2范数形式如下：
[0104][0105]
其中，对角矩阵w＝diag(1,λ,λ)，λ＝n
c2
/n
s2
，f＝[l,x,y]
t
。
[0106]
重写d(i,ck)为：
[0107][0108]
计算一个像素i与其他聚类中心ck的相似度，是一个恒定的值，可以省略，则最终d(i,ck)表示为:
[0109][0110]
在本实施例中，将该相似度ds(i,ck)称为第二相似度。
[0111]
然后，将根据第二相似度和第一相似度的大小关系，更新第一相似度，具体如下：
[0112]
初始化标签图像l＝{s(i)＝-1|i∈[1,n]}和距离图像d＝{d(i,ck)＝∞|i∈[1,n]}；其中，s(i)表示第i个像素点的标签，n表示初始sar图像的像素点总数，d(i,ck)表示第i个像素点与第k个聚类中心ck之间的第一相似度；
[0113]
按照上述公式计算每个像素点与其邻域2s
×
2s范围内的聚类中心之间的第二相似度，并与第一相似度进行对比，若ds(i,ck)《d(i,ck)，则令d(i,ck)＝ds(i,ck)，s(i)＝k。
[0114]
23d)重复上述计算第二相似度和更新第一相似度的步骤，直至满足迭代停止条件，得到每个像素点与其周围一定范围内的多个聚类中心之间的第一相似度的终值。
[0115]
具体地，设置误差项e＝d
n-d
n-1
，dn表示某一像素点第n次迭代得到的第一相似度值，重复计算每个像素点的第二相似度并更新第一相似度，直到e收敛为止，得到每个像素点与其周围一定范围内的多个聚类中心之间的第一相似度的终值。
[0116]
23e)将与每个像素的第一相似度终值最高的聚类中心的标签赋予该像素，以得到最终的聚类中心。
[0117]
在本实施例中，当得到每个像素点与其周围若干个聚类中心之间的第一相似度的终值后，对这些终值进行比较，并选出其中最大的数值，该数值对应的聚类中心即为与该像素点相似度最高的聚类中心，将该聚类中心的标签赋予该像素，也即将该像素划分至该聚类中心中，从而实现对聚类中心的更新，得到最终的聚类中心。
[0118]
24)按照最终的聚类中心对初始sar图像进行超像素分割，得到第一超像素图像。
[0119]
经过上述处理，得到了新的聚类中心的特征信息及其对应的图像标签。可以理解的是，经过以上聚类中心的更新，其形成的每个超像素区域以由最初的六边形网格变为不规则的网格形状。
[0120]
本实施例通过迭代计算超像素聚焦中心的相似度，提高了超像素分割的聚类特
性，有助于进一步提升检测效果。
[0121]
步骤3：对第一超像素图像进行形态学处理，得到第二超像素图像。
[0122]
经过步骤2的超像素分割，得到了具有k个聚类中心的第一超像素图像。由于图像中的每个像素根据其与周边聚类中心的相似度重新赋予了标签，不难理解，该图像中必然存在不联通的点或者区域。为了增强连通性，便于后续进一步地图像处理，本实施例对步骤2得到的第一超像素进行了形态学处理，具体包括以下步骤：
[0123]
31)遍历第一超像素图像中的所有超像素，对位置不相邻但标签相同的区域重新分配标签，得到新的标签图像；
[0124]
32)对新的标签图像进行形态学开操作处理，去除尺寸过小的超像素；
[0125]
33)对经过形态学开操作处理的超像素图像重新分配标签，得到第二超像素图像。
[0126]
需要说明的是，形态学开操作处理是一种现有的处理方式，对于其具体地实现过程本实施例在此不做详细描述。
[0127]
通过形态学处理后的超像素，某些区域被关联，分成多个区域或被其他区域吸收，对这些区域再重新编号，最终输出标签图像，其表示sar图像上每个像素对应的超像素编号，最终的超像素个数为k
′
。具体地，请参见图6，图6是本发明实施例提供的不同k值和m值的超像素分割示意图。
[0128]
不难理解，此处的超像素个数k
′
可以与原始的超像素总数k相同，也可以不同。
[0129]
本实施例使用形态学开操作处理超像素，将纹理特征的近似超像素性形成新的区域，避免同一块区域被分割为多块超像素，大大提高了超像素分割的区域联通性以及可靠性。
[0130]
步骤4：对第二超像素图像进行叠掩阴影检测，得到检测结果。
[0131]
具体地，本实施例采用平均强度信息、平均相干系数以及平局幅度信息等多信息融合检测叠掩和阴影区域，其具体包括以下步骤：
[0132]
在进行检测之前，首先计算每个超像素标签所包含所有sar图像中原像素的平均强度信息ck、平均相干系数并将超像素特征结构表示为：
[0133][0134]
其中，表示超像素ck所包含所有sar图像中原像素的平均强度信息；表示超像素ck的等效位置信息，表示超像素ck的平均相干系数。
[0135]
41)对第二超像素图像中的每个超像素做局部频率估计，并将局部频率为负值的超像素标记为叠掩阴影区域i
ls
。
[0136]
在本实施例中，局部频率由干涉sar图像频谱偏移得到，频谱偏移：
[0137][0138]
式中，c为光速；λ为波长；r为雷达到目标点的斜距；b为基线长度；γ为基线倾角；在叠掩区域，局部入射角θ＝β-α《0，在阴影区域局部入射角θ＝β-α》π/2。
[0139]
从公式可以看出在叠掩和阴影区域δω取值皆为负数。通过干涉相位梯度估计局
部频率，用线性二维模型来模拟窗口内的相位，干涉相位梯度可由下式给出：
[0140][0141]
其中，为模拟的窗口内的相位，为窗口平均相位，f
x
和fy分别为x方向上和y方向上的局部频率。
[0142]
具体地，步骤41)可以包括：
[0143]
41a)在干涉复相位图中，以像素点为中心取一定大小的窗口。例如，本实施例可以选取5*5大小的窗口。
[0144]
41b)对窗口进行fft变换，得到该窗口的频谱信息。
[0145]
具体地，可以对上述窗口进行32
×
32点fft变换，得到该窗口的频谱信息。
[0146]
41c)根据频谱信息的峰值位置，得到该像素点的局部频率。
[0147]
在本实施例中，峰值位置对应着此像素点的局部频率(f
x fy)，频谱偏移只存在于距离向，只需要估计距离向的局部频率fy即可。
[0148]
需要说明的是，此处的相位梯度范围为[0,2π]，应减去π使其范围为[-π,π]。
[0149]
42)计算初始sar图像的平均强度l
avr
以及第二超像素图像中每个超像素的平均强度和平均相干系数coh(k),k∈[1,k
′
]，其中，k
′
表示第二超像素图像中的超像素总数。
[0150]
可以理解的是，此处的相关参数可以在得到第二超像素图像之后，直接进行计算，也可以在需要使用的时候进行计算。
[0151]
43)遍历叠掩阴影区域i
ls
中的超像素，将大于一定倍数的l
avr
的超像素和平均相干系数coh(k)小于第一阈值的超像素判定为叠掩区域i
l
。
[0152]
例如，在本实施例中，可设置第一阈值为0.7。具体地，本实施例可将大于2倍平均强度l
avr
和平均相干系数coh(k)小于0.7的超像素标记为叠掩区域i
l
。请参见图7，图7是本发明实施例提供的叠掩区域检测结果。
[0153]
44)令部分阴影区域is＝i
ls-i
l
，计算is的平均幅值avr(l(is))，遍历is中的超像素，将幅值小于一定倍数的平均幅值的超像素和平均相干系数coh(k)小于第二阈值的超像素判定为阴影区域is。
[0154]
例如，在本实施例中，可设置第二阈值为0.6。具体地，本实施例将幅值小于22
×
avr(l(is))和相干系数coh(k)小于0.6的超像素标记为阴影区域，重新校正标记is。请参见图8，图8是本发明实施例提供的阴影区域检测的结果。
[0155]
至此，完成了第二超像素图像中叠掩区域和阴影区域的检测。
[0156]
本发明通过使用超像素分割方法将具有相邻且相似信息的像素组合成一个基元块，大大降低了后续图像处理任务的复杂性，克服了传统逐像素检测存在噪声鲁棒性差，检测结果整体性差等缺点，大大提升了检测精度。
[0157]
实施例二
[0158]
为了验证上述实施一提供的基于超像素分割的叠掩阴影检测方法的有效性，本实施例还通过先验dem(digital elevation model，数字高程模型)进行了仿真试验，并将试验结果与上述实施例一中的试验结果进行对比，以说明本发明的有效性。
[0159]
首先，提取相应场景的先验dem，请参见图9，图9是本发明实施例提供的先验dem
图，根据雷达轨道信息反定位到sar图像上，具体的反定位步骤包括：
[0160]
(a)取先验dem中一点的经纬度和高程转换到wgs84坐标；
[0161]
(b)根据雷达多普勒方程计算多普勒频率与多普勒中心频率的差值(绝对值)：
[0162][0163]
λ为波长，vs为卫星速度矢量，v
p
为目标速度矢量，ps为卫星位置矢量，p
p
为目标的速度矢量。
[0164]
(c)找到最小的多普勒频率与多普勒中心频率的差值(绝对值)对应距离确定目标在sar图像上方位向的坐标；
[0165]
(d)计算目标到多普勒中心的斜距，根据距离向采样间隔和最短斜距，就可以确定目标在sar图像上距离向的坐标。
[0166]
然后，根据先验dem计算sar图像中每个像素点对应的下视角，下视角的计算方式为：
[0167][0168]
其中，(xs,ys,zs)为某一时刻方位向卫星坐标、(x
t
,y
t
,z
t
)为目标地面坐标。
[0169]
接着，取先验dem高程周围5个像素点估计坡度α，当β-α《0时，标记为叠掩区域，当β-α》900时，标记为阴影区域。请参见图10-11，图10是本发明实施例提供的采用先验dem得到的叠掩区域，图11是本发明实施例提供的采用先验dem得到的阴影区域。
[0170]
最后，以先验dem标记的叠掩阴影区域作为标准，将上述实施例一中步骤4的检测结果与之进行比对，进行统计分析，统计分析如下表1。
[0171]
表1叠掩和阴影区域检测结果分析
[0172] 检测结果图像占比检测结果准确率叠掩区域7.8％98.3％阴影区域0.0016％99.8％
[0173]
由表1可知，本发明提供的检测方法对叠掩阴影区域的检测准确率高达98％以上，说明本发明的方法可以很好的检测出雷达sar图像中的叠掩阴影区域。
[0174]
实施例三
[0175]
在上述实施例一的基础上，本实施例还提供了一种基于超像素分割的叠掩阴影检测装置。请参见图12，图12是本发明实施例提供的基于超像素分割的叠掩阴影检测装置的结构示意图，其包括：
[0176]
初始化模块1，用于获取原始雷达图像并进行预处理，得到初始sar图像及其亮度图像；
[0177]
超像素分割模块2，用于利用亮度图像对初始sar图像进行超像素分割，得到第一超像素图像；
[0178]
形态学处理模块3，用于对第一超像素图像进行形态学开处理，得到第二超像素图像；
[0179]
检测模块4，用于对第二超像素图像进行叠掩阴影检测，得到检测结果。
[0180]
本实施例提供的装置可以实现上述实施例一提供的方法，详细过程在此不再赘述。
[0181]
由此，本实施例提供的基于超像素分割的叠掩阴影检测装置可以大大降低后续图像处理任务的复杂性，克服了传统逐像素检测存在噪声鲁棒性差，检测结果整体性差等缺点，提升了检测精度。
[0182]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。