本發(fā)明涉及計(jì)算機(jī)圖像處理
技術(shù)領(lǐng)域：
，特別是涉及一種基于壓縮感知的生物與非生物目標(biāo)識(shí)別方法及其系統(tǒng)。
背景技術(shù)：
：目前，海洋攝影數(shù)據(jù)的獲取是利用成像技術(shù)進(jìn)行長周期、大范圍、高精度成像，通過圖像存儲(chǔ)和傳輸系統(tǒng)，結(jié)合數(shù)據(jù)處理和分析方法，對(duì)生物指標(biāo)及其它關(guān)注目標(biāo)進(jìn)行分析和分類，其數(shù)據(jù)存儲(chǔ)、傳輸成本較大，而且處理速度受限，直接影響對(duì)海洋生態(tài)的評(píng)估與預(yù)測，所以傳統(tǒng)先成像再分類方法存在著速度慢成本高的缺點(diǎn)?，F(xiàn)有的壓縮感知成像系統(tǒng)主要目的是完整復(fù)原圖像，因此測量矩陣需要滿足RIP條件，應(yīng)用的隨機(jī)高斯矩陣、Toplize(托普利茨)矩陣、伯努利矩陣或者各行非相關(guān)的確定性矩陣較多，圖像復(fù)原也依據(jù)所選用的矩陣進(jìn)行復(fù)原。綜上，海洋攝影數(shù)據(jù)的成像技術(shù)如果能運(yùn)用壓縮感知的進(jìn)行獲取，基于壓縮感知的技術(shù)將大大減少數(shù)據(jù)量的存儲(chǔ)與硬件的消耗，提高傳輸速度以及降低成本。但是，現(xiàn)有的海洋攝影數(shù)據(jù)主要是以圖像恢復(fù)為目的來進(jìn)行海洋生物以及非生物數(shù)據(jù)的獲取，以完整復(fù)原圖像為目的的傳統(tǒng)壓縮感知技術(shù)，是在圖像復(fù)原以后對(duì)生物及非生物的數(shù)據(jù)進(jìn)行識(shí)別，沒能在采樣的過程中進(jìn)行識(shí)別，而實(shí)際上海洋攝影數(shù)據(jù)最終的目的是識(shí)別出生物及非生物特征，所以導(dǎo)致以完整復(fù)原圖像為目的的傳統(tǒng)壓縮感知技術(shù)也不能很好的減輕海洋攝影數(shù)據(jù)成像技術(shù)進(jìn)行長周期、大范圍、高精度成像的負(fù)擔(dān)，無法直接分類識(shí)別出生物與非生物特征，導(dǎo)致無法快速的獲取想要的數(shù)據(jù)結(jié)果。并且，如果要運(yùn)用壓縮感知技術(shù)快速識(shí)別生物特征及非生物特征，由于基于海洋生物及非生物特征所獲得測量矩陣的矩陣模式為確定性矩陣，不能符合RIP條件，無法滿足各行非相關(guān)，所以采用以完整復(fù)原圖像為目的的傳統(tǒng)壓縮感知技術(shù)進(jìn)行特征識(shí)別便無法進(jìn)行，尤其是在圖像復(fù)原的過程中尤為困難。以上
背景技術(shù)：
內(nèi)容的公開僅用于輔助理解本發(fā)明的發(fā)明構(gòu)思及技術(shù)方案，其并不必然屬于本專利申請(qǐng)的現(xiàn)有技術(shù)，在沒有明確的證據(jù)表明上述內(nèi)容在本專利申請(qǐng)的申請(qǐng)日已經(jīng)公開的情況下，上述
背景技術(shù)：
不應(yīng)當(dāng)用于評(píng)價(jià)本申請(qǐng)的新穎性和創(chuàng)造性。技術(shù)實(shí)現(xiàn)要素：本發(fā)明目的在于提出一種基于壓縮感知的生物與非生物目標(biāo)識(shí)別方法及其系統(tǒng)，以解決上述現(xiàn)有技術(shù)存在的數(shù)據(jù)傳輸速度慢、成本高，其壓縮負(fù)擔(dān)重、不適用于目標(biāo)識(shí)別的技術(shù)問題。為此，本發(fā)明提出一種基于壓縮感知的生物與非生物目標(biāo)識(shí)別方法，包括以下步驟：S1：通過成像光路模塊對(duì)目標(biāo)進(jìn)行成像，將目標(biāo)圖像投影于孔徑編碼器上；S2：信號(hào)控制模塊根據(jù)預(yù)定的特征識(shí)別模式生成相對(duì)應(yīng)的確定矩陣模式，通過所述確定矩陣模式控制所述孔徑編碼器得到至少一個(gè)待處理特征信號(hào)，完成目標(biāo)圖像的壓縮計(jì)算及特征識(shí)別；S3：所述待處理特征信號(hào)經(jīng)圖像處理及分類模塊負(fù)責(zé)完成放大、處理和訓(xùn)練比較分類，得到最終特征信號(hào)。優(yōu)選地，本發(fā)明還可以具有如下技術(shù)特征：步驟S1中，包括根據(jù)預(yù)定的特征識(shí)別模式對(duì)目標(biāo)圖像進(jìn)行灰度處理，將經(jīng)灰度處理獲得的灰度圖像投影于所述孔徑編碼器上。步驟S2中，該確定矩陣模式對(duì)應(yīng)于所述特征識(shí)別模式下特征識(shí)別運(yùn)算的算子，所述灰度圖像經(jīng)所述算子卷積，生成至少一個(gè)待處理特征信號(hào)。步驟S3中，所述圖像處理及分類模塊包括經(jīng)訓(xùn)練得到的生物特征庫，所述待處理特征信號(hào)通過所述生物特征庫對(duì)生物特征進(jìn)行比較分類，并通過直方圖將所述待處理特征信號(hào)進(jìn)行識(shí)別。步驟S2中，所述特征識(shí)別模式包括基于HOG特征、LBP特征、Haar特征或Curvelet變換的特征識(shí)別。包括S11：對(duì)所述灰度圖像進(jìn)行分區(qū)，得到包括多個(gè)像素的細(xì)胞單元，并由多個(gè)所述細(xì)胞單元構(gòu)成一區(qū)塊；S12：根據(jù)所述區(qū)塊的像素密度，對(duì)所述區(qū)塊內(nèi)的各細(xì)胞單元作歸一化處理，以得到所述目標(biāo)圖像。包括S21：所述信號(hào)控制模塊根據(jù)水平梯度算子Gx控制所述孔徑編碼器對(duì)目標(biāo)圖像的多個(gè)像素點(diǎn)作為采樣點(diǎn)進(jìn)行多次采樣，得到水平梯度信號(hào)X；S22、所述信號(hào)控制模塊根據(jù)垂直梯度算子Gy控制所述孔徑編碼器對(duì)目標(biāo)圖像的多個(gè)像素點(diǎn)作為采樣點(diǎn)進(jìn)行多次采樣，得到垂直梯度信號(hào)Y。步驟S3中，所述圖像處理及分類模塊的處理器根據(jù)水平梯度信號(hào)X和所述垂直梯度信號(hào)Y進(jìn)行放大，根據(jù)所述細(xì)胞單元生成第一方向梯度直方圖，根據(jù)所述第一方向梯度直方圖生成所述區(qū)塊的第二方向梯度直方圖，根據(jù)所述第二方向梯度直方圖生成目標(biāo)圖像的第三方向梯度直方圖，所述根據(jù)所述細(xì)胞單元生成第一方向梯度直方圖，包括根據(jù)訓(xùn)練后的生物特征庫對(duì)所述第一方向梯度直方圖進(jìn)行權(quán)重投影，完成特征的訓(xùn)練分類。本發(fā)明還提供了一種基于壓縮感知的生物與非生物特征的目標(biāo)識(shí)別系統(tǒng)，用于實(shí)現(xiàn)上述的識(shí)別方法，包括成像光路模塊、信號(hào)控制模塊、圖像處理及分類模塊，所述成像光路模塊包括第一透鏡、孔徑編碼器、反射鏡、第二透鏡、光電傳感器，所述信號(hào)控制模塊包括信號(hào)發(fā)生器，所述圖像處理及分類模塊包括處理器、放大器和生物特征庫。所述孔徑編碼器為數(shù)字微鏡器件、隨機(jī)反射鏡、可變形鏡或復(fù)合孔徑掩膜。本發(fā)明與現(xiàn)有技術(shù)對(duì)比的有益效果包括：本發(fā)明的基于特征的壓縮感知目標(biāo)識(shí)別方法，主要目的是為了目標(biāo)識(shí)別，相比于傳統(tǒng)的壓縮感知技術(shù)而言，能在采樣的過程中實(shí)現(xiàn)特征的識(shí)別，以直接識(shí)別特征，不再需要完全恢復(fù)原圖，適用于海洋攝影數(shù)據(jù)的提取，本發(fā)明其測量矩陣的模式為確定性矩陣，為了能通過該矩陣模式進(jìn)行特征識(shí)別，本發(fā)明采用了按預(yù)定的特征識(shí)別模式生成相對(duì)應(yīng)的確定矩陣以作為該壓縮感知的測量矩陣，通過孔徑編碼器根據(jù)生成的對(duì)應(yīng)的測量矩陣將目標(biāo)圖像中的特征識(shí)別出來，同時(shí)完成目標(biāo)圖像的數(shù)據(jù)壓縮，這樣本發(fā)明能夠通過信號(hào)控制模塊和孔徑編碼器便在采樣的過程中對(duì)圖像進(jìn)行壓縮的同時(shí)，直接獲得識(shí)別的特征信號(hào)，所以相比于現(xiàn)有的海洋攝影數(shù)據(jù)技術(shù)相比，本發(fā)明將目標(biāo)識(shí)別以及壓縮作為主要目的，不用完成對(duì)圖像的恢復(fù)，使得海洋攝影的負(fù)擔(dān)進(jìn)一步降低，大大的降低了海洋攝影的成本，減輕了硬件的消耗，提高了圖像的傳輸速度。本發(fā)明的測量矩陣(確定矩陣)運(yùn)用預(yù)定的特征識(shí)別模式下生成的矩陣模式用于特征的提取，通過孔徑編碼器實(shí)現(xiàn)的在采樣的過程的壓縮與特征識(shí)別，可直接得到該特征結(jié)果，所以使得基于確定性矩陣的壓縮感知技術(shù)能得以很好的運(yùn)用，為海洋成像觀測提供新的手段和工具。優(yōu)選方案中，在步驟S1中，包括根據(jù)預(yù)定的特征識(shí)別模式對(duì)目標(biāo)圖像進(jìn)行灰度處理，步驟S2中，該確定矩陣模式對(duì)應(yīng)于所述特征識(shí)別模式下特征識(shí)別運(yùn)算的算子，步驟S3中，所述圖像處理及分類模塊包括經(jīng)訓(xùn)練得到的生物特征庫，并通過直方圖將所述待處理特征信號(hào)進(jìn)行識(shí)別，灰度處理可以更好地進(jìn)行圖像識(shí)別，運(yùn)用算子為圖像識(shí)別在孔徑編碼器上更好的實(shí)現(xiàn)，運(yùn)用生物特征庫為圖像分類提供更多便捷，通過直方圖能直觀的將特征表示出來。優(yōu)選方案中，提供了包括HOG特征、LBP特征、Haar特征或Curvelet變換的特征識(shí)別模式，各自結(jié)合壓縮感知技術(shù)，可以對(duì)生物特征進(jìn)行不同模式的表示。本發(fā)明提出了的一種基于壓縮感知的生物與非生物特征的識(shí)別系統(tǒng)，通過孔徑編碼器結(jié)合信號(hào)控制模塊實(shí)現(xiàn)了圖像的壓縮及識(shí)別，再經(jīng)圖像處理及分類模塊完成特征的處理及分類。特別的，系統(tǒng)中為了適應(yīng)不同的矩陣模式，可以將所述孔徑編碼器設(shè)置為數(shù)字微鏡器件、隨機(jī)反射鏡、可變形鏡或復(fù)合孔徑掩膜，已完成不同特征識(shí)別模式下的特征識(shí)別。附圖說明圖1是本發(fā)明具體實(shí)施方式一的方法流程圖；圖2是本發(fā)明具體實(shí)施方式一的灰度處理的目標(biāo)圖像；圖3是本發(fā)明具體實(shí)施方式一區(qū)塊的HOG特征方向梯度直方圖；圖4是本發(fā)明具體實(shí)施方式一目標(biāo)圖像的HOG特征的方向梯度直方圖；圖5是本發(fā)明具體實(shí)施方式一系統(tǒng)的結(jié)構(gòu)組成示意圖。1-目標(biāo)圖像，2-第一透鏡，3-反射鏡，4-第二透鏡，5-光電傳感器，6-放大器，7-處理器，8-圖像處理及分類模塊，9-信號(hào)控制模塊，10-孔徑編碼器，11-成像光路模塊。具體實(shí)施方式下面結(jié)合具體實(shí)施方式并對(duì)照附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)說明。應(yīng)該強(qiáng)調(diào)的是，下述說明僅僅是示例性的，而不是為了限制本發(fā)明的范圍及其應(yīng)用。參照以下附圖1-5，將描述非限制性和非排他性的實(shí)施例，其中相同的附圖標(biāo)記表示相同的部件，除非另外特別說明。實(shí)施例一：已知的壓縮感知系統(tǒng)，對(duì)于一維信號(hào)，壓縮感知的數(shù)學(xué)過程描述為：y＝Φx其中y是測量的信號(hào)，x是待測信號(hào)，x1為一維信號(hào)n個(gè)采樣點(diǎn)的第一個(gè)采樣點(diǎn)，可視為像素，xn為第n個(gè)采樣點(diǎn)；y1為收集到m個(gè)壓縮后的一維信號(hào)中第一個(gè)信號(hào)，ym為第m個(gè)信號(hào)；Φ是測量矩陣，Φ11-Φ1n為測量矩陣的第1個(gè)測量模式下的n個(gè)測量值，相應(yīng)的Φm1-Φmn為測量矩陣的第m個(gè)測量模式下的n個(gè)測量值，例如在數(shù)字微鏡器件(DMD)中，Φ11-Φ1n為第一次的DMD面元陣列表達(dá)。Φ需要滿足RIP(有限等距性)條件，一般需要選擇Φ的各行不相關(guān)，待測信號(hào)可以表示為x＝Ψs，在某個(gè)稀疏基Ψ下，信號(hào)x可以表達(dá)為k個(gè)重要分量的組成形式(k<n)，即表示x的稀疏表達(dá)s有k個(gè)不為0的分量，則y＝ΦΨs，除此之外，對(duì)于測量矩陣為隨機(jī)高斯矩陣的形式，測量次數(shù)m需要滿足m≈4k或者m≥Klog(n/k)。在上述條件下，信號(hào)幾乎可以完全恢復(fù)，基于特征識(shí)別的數(shù)學(xué)表達(dá)類似于上述表達(dá)，如圖1所示，本實(shí)施例提出的一種基于壓縮感知的生物與非生物目標(biāo)識(shí)別方法，包括以下步驟：S1：通過成像光路模塊11對(duì)目標(biāo)進(jìn)行成像，將目標(biāo)圖像1投影于孔徑編碼器10上；S2：所述信號(hào)控制模塊9根據(jù)預(yù)定的特征識(shí)別模式生成相對(duì)應(yīng)的確定矩陣模式，通過所述確定矩陣模式控制所述孔徑編碼器10得到至少一個(gè)待處理特征信號(hào)，完成目標(biāo)圖像1的壓縮計(jì)算及特征識(shí)別；S3：所述待處理特征信號(hào)經(jīng)圖像處理及分類模塊8負(fù)責(zé)完成放大、處理和訓(xùn)練比較分類，得到最終特征信號(hào)。同時(shí)為實(shí)現(xiàn)上述方法，如圖5所示，提供了一種基于壓縮感知的生物與非生物特征的識(shí)別系統(tǒng)，包括成像光路模塊11、信號(hào)控制模塊9、圖像處理及分類模塊8，所述成像光路模塊11包括第一透鏡2、孔徑編碼器10、反射鏡3、第二透鏡4、光電傳感器5，所述信號(hào)控制模塊9包括信號(hào)發(fā)生器，所述圖像處理及分類模塊8包括處理器7、放大器6和生物特征庫。所述孔徑編碼器10為數(shù)字微鏡器件、隨機(jī)反射鏡、可變形鏡或復(fù)合孔徑掩膜。其中關(guān)鍵部分為基于特征的壓縮感知的測量矩陣的硬件實(shí)現(xiàn)，本系統(tǒng)中，測量矩陣的實(shí)現(xiàn)為孔徑編碼器10，根據(jù)不同的特征識(shí)別模式，該孔徑編碼器10可以為數(shù)字微鏡器件(DigitalMirrorDevice,DMD)、隨機(jī)反射鏡、可變形鏡或復(fù)合孔徑掩膜，以數(shù)字微鏡器件為例，DMD的鉸鏈單元可以實(shí)現(xiàn)(-12°，12°)，可以用于測量矩陣為伯努利矩陣的壓縮感知系統(tǒng)，而可變形鏡由于其面形可以隨電壓可連續(xù)變化，因而可以產(chǎn)生更多的模式，測量矩陣不局限于伯努利矩陣，為設(shè)計(jì)基于特征的測量矩陣提供了更多的可能性。在目標(biāo)識(shí)別的過程中，步驟S1中，包括根據(jù)預(yù)定的特征識(shí)別模式對(duì)目標(biāo)圖像1進(jìn)行灰度處理，將經(jīng)灰度處理獲得的灰度圖像投影于所述孔徑編碼器10上。步驟S2中，該確定矩陣模式對(duì)應(yīng)于所述特征識(shí)別模式下特征識(shí)別運(yùn)算的算子，所述灰度圖像經(jīng)所述算子卷積，生成至少一個(gè)待處理特征信號(hào)。步驟S3中，所述圖像處理及分類模塊8包括經(jīng)訓(xùn)練得到的生物特征庫，所述待處理特征信號(hào)通過所述生物特征庫對(duì)生物特征進(jìn)行比較分類，并通過直方圖將所述待處理特征信號(hào)進(jìn)行識(shí)別。上述的特征識(shí)別模式模式包括基于HOG(HistogramofOrientedGradient,HOG，方向梯度直方圖)特征、LBP(LocalBinaryPatterns，局部二值模式)特征、Haar(Haar-likefeatures，哈爾特征)特征或Curvelet變換(曲波變換)的特征識(shí)別。本實(shí)施例中，選擇HOG特征作為生物及非生物分類識(shí)別的主要特征，并對(duì)其作更為具體的說明。步驟S1中，包括S11：對(duì)所述灰度圖像進(jìn)行分區(qū)，得到包括多個(gè)像素的細(xì)胞單元，并由多個(gè)所述細(xì)胞單元構(gòu)成一區(qū)塊；S12：根據(jù)所述區(qū)塊的像素密度，對(duì)所述區(qū)塊內(nèi)的各細(xì)胞單元作歸一化處理，以得到所述目標(biāo)圖像1。步驟S2中，包括S21：所述信號(hào)控制模塊9根據(jù)水平梯度算子Gx控制所述孔徑編碼器10對(duì)目標(biāo)圖像1的多個(gè)像素點(diǎn)作為采樣點(diǎn)進(jìn)行多次采樣，得到水平梯度信號(hào)X；S22、所述信號(hào)控制模塊9根據(jù)垂直梯度算子Gy控制所述孔徑編碼器10對(duì)目標(biāo)圖像1的多個(gè)像素點(diǎn)作為采樣點(diǎn)進(jìn)行多次采樣，得到垂直梯度信號(hào)Y。步驟S3中，所述圖像處理及分類模塊8的處理器7根據(jù)水平梯度信號(hào)X和所述垂直梯度信號(hào)Y進(jìn)行放大，根據(jù)所述細(xì)胞單元生成第一方向梯度直方圖，根據(jù)所述第一方向梯度直方圖生成所述區(qū)塊的第二方向梯度直方圖，根據(jù)所述第二方向梯度直方圖生成目標(biāo)圖像1的第三方向梯度直方圖，所述根據(jù)所述細(xì)胞單元生成第一方向梯度直方圖，包括根據(jù)訓(xùn)練后的生物特征庫對(duì)所述第一方向梯度直方圖進(jìn)行權(quán)重投影，完成特征的訓(xùn)練分類。如上所述，HOG特征計(jì)算過程將圖像分為多個(gè)區(qū)塊，每個(gè)區(qū)塊包括幾個(gè)小的區(qū)域(細(xì)胞單元)，通過計(jì)算每個(gè)小區(qū)域所有像素的方向梯度直方圖，組成各個(gè)區(qū)塊的方向梯度直方圖，最后組成整幅圖像的方向梯度直方圖。其中最關(guān)鍵的運(yùn)算是求每個(gè)小區(qū)域中各像素的垂直梯度和水平梯度，對(duì)應(yīng)的算子是Gx＝[-1,0,1],Gy＝[1,0,-1]T，孔徑編碼器10需要x方向與y方向各重復(fù)3次運(yùn)算，可以完成所有的求梯度運(yùn)算，然后通過對(duì)記錄對(duì)應(yīng)位置的電壓信號(hào)進(jìn)行放大和AD轉(zhuǎn)換，得到相應(yīng)數(shù)字信號(hào)，通過處理器7以及生物特征庫進(jìn)行處理后，完成一幅圖像的HOG特征產(chǎn)生過程。若圖像可表示為數(shù)學(xué)上的梯度計(jì)算在壓縮感知的數(shù)學(xué)公式表達(dá)為：φx=conv(Gx,[I11...I1n])conv(Gx,[I21...I2n])?conv(Gx,[Im1...Imn])]]>φy=conv(Gy,[I11...Im1])conv(Gy,[I12...Im2])?conv(Gy,[I1n...Imn])T]]>公式中，矩陣I中的行(Im1-Imn)為圖像x方向的像素值，列(I1n-Imn)為圖像y方向的像素值，共m行、n列，垂直梯度φx為垂直梯度算子Gx與矩陣I的卷積，垂直梯度φy為垂直梯度算子Gy與矩陣I的卷積(conv)。如圖2所示，為一張像素尺寸為2448x2050的圖像，其中的生物特征為水母，本實(shí)施例中，將以這張水母圖進(jìn)行舉例說明。經(jīng)過灰度處理的目標(biāo)圖像1(水母圖)經(jīng)所述成像光路模塊11的第一透鏡2投射至孔徑編碼器10，信號(hào)控制模塊9的信號(hào)發(fā)生器根據(jù)HOG特征的算子Gx＝[-1,0,1],Gy＝[1,0,-1]T將所述孔徑編碼器10生成對(duì)應(yīng)的矩陣模式，根據(jù)所述矩陣模式多次對(duì)壓縮圖像進(jìn)行壓縮和特征識(shí)別，得到的待處理特征信號(hào)，經(jīng)反射鏡3、第二透鏡4和光電傳感器5以及放大器6進(jìn)行處理，生物特征經(jīng)過訓(xùn)練過的生物特征庫進(jìn)行分類。運(yùn)用HOG特征，需要分別對(duì)圖像的垂直梯度，和水平梯度進(jìn)行計(jì)算，孔徑編碼器(DMD)將水母圖轉(zhuǎn)換成一個(gè)二維矩陣此處m為水母圖的水平方向x的像素個(gè)數(shù)2448，n為垂直方向y的像素個(gè)數(shù)2050。如圖3所示，圖中包括6幅圖，六張圖中，它們各自的x坐標(biāo)軸和y坐標(biāo)軸表示圖像的尺寸大小，等同于DMD的陣列，z坐標(biāo)表示DMD的模式選擇，其中有兩個(gè)值，0或1。0或1對(duì)應(yīng)梯度算子的0和1。圖3中第一行的3張圖表示x方向的梯度算子掃描了3次后得到的方向梯度直方圖，第二行的3張圖表示y方向的梯度算子掃描了3次后得到的方向梯度直方圖，這6次計(jì)算完成了以往需要在后端的梯度計(jì)算，減少了很大的計(jì)算量。圖4中，同樣具有6幅圖，圖4為在圖3的空間編碼分布下，水母圖像矩陣I與孔徑編碼對(duì)應(yīng)的矩陣(垂直算子Gy和水平算子Gx)的乘積，同樣，x坐標(biāo)軸和y坐標(biāo)軸表示圖像的尺寸大小，此處z坐標(biāo)表示處理后水母的像素值。本實(shí)施例中，孔徑編碼器的硬件計(jì)算，可將上部分提到的計(jì)算通過物理硬件方式進(jìn)行計(jì)算，采用物理硬件的方式進(jìn)行計(jì)算，極大了減輕了本來需有軟件和算法對(duì)特征進(jìn)行提取計(jì)算識(shí)別的巨大負(fù)擔(dān)，大大提高海洋攝影識(shí)別的效率，減輕成本。本領(lǐng)域技術(shù)人員將認(rèn)識(shí)到，對(duì)以上描述做出眾多變通是可能的，所以實(shí)施例僅是用來描述一個(gè)或多個(gè)特定實(shí)施方式。盡管已經(jīng)描述和敘述了被看作本發(fā)明的示范實(shí)施例，本領(lǐng)域技術(shù)人員將會(huì)明白，可以對(duì)其作出各種改變和替換，而不會(huì)脫離本發(fā)明的精神。另外，可以做出許多修改以將特定情況適配到本發(fā)明的教義，而不會(huì)脫離在此描述的本發(fā)明中心概念。所以，本發(fā)明不受限于在此披露的特定實(shí)施例，但本發(fā)明可能還包括屬于本發(fā)明范圍的所有實(shí)施例及其等同物。當(dāng)前第1頁1 2 3