本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，主要用于壓縮感知中圖像的壓縮和重構(gòu)。

背景技術(shù)：

壓縮感知理論(Compressed Sensing，CS)(具體描述參見文獻“Compressed sensing”)是一種新興的采樣理論，該理論突破了傳統(tǒng)采樣定理的局限性，在較小的采樣代價的前提下，能夠高概率、無失真地還原信號。

壓縮感知的方法應(yīng)用于大規(guī)模的圖像數(shù)據(jù)處理時，面臨矩陣存儲量巨大、數(shù)據(jù)傳輸壓力大、計算復(fù)雜度高等問題。針對上述問題，Lu Gan等人提出了分塊壓縮壓縮感知(Block Compressed Sensing，BCS)圖像處理方法(具體描述參見文獻“BLOCK COMPRESSED SENSING OF NATURAL IMAGES”)，該方法通過對圖像進行分塊處理，并采用相同的采樣率對圖像塊進行采樣，有效地提高了圖像采樣和重構(gòu)的效率。但傳統(tǒng)的基于BCS的壓縮感知圖像處理方法，并沒有考慮圖像塊所含信息量的差異情況，對所有圖像塊都采用相同的采樣率，使得圖像重構(gòu)時很容易出現(xiàn)塊效應(yīng)，影響圖像的重構(gòu)質(zhì)量。

技術(shù)實現(xiàn)要素：

本發(fā)明主要解決的技術(shù)問題是提供一種基于圖像信息含量差異的自適應(yīng)壓縮感知重構(gòu)方法，該方法依據(jù)圖像信息含量差異計算得到各圖像塊的采樣因子，并采用基于采樣因子所提出的自適應(yīng)圖像分塊采樣分配方案對各圖像塊所需的采樣數(shù)進行分配，最后根據(jù)分配結(jié)果對圖像塊進行采樣和重構(gòu)。

為解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案是：

一種基于圖像信息含量差異的自適應(yīng)壓縮感知重構(gòu)方法，其步驟如下：

步驟1：圖像預(yù)處理

輸入大小為I_C×I_R的原始圖像，并把原始圖像劃分成n＝(I_C×I_R)/B²個互不重疊且大小為B×B的圖像塊，各圖像塊記為x_l。其中l(wèi)用來表示圖像塊的編號且l∈[1,n]，例如當l＝1時x₁表示編號為1的圖像塊；n表示圖像塊的分塊數(shù)量；I_C和I_R分別表示圖像的高度和寬度，B表示圖像塊的寬度和高度。

步驟2：計算圖像塊的采樣因子

步驟2.1：

將圖像塊x_l灰度值的矩陣表示I。在像素域中，假設(shè)空間位置為(i,j)的像素點為當前像素點，記g(i,j)表示空間位置為(i,j)的像素點的灰度值；計算當前像素點與所有相鄰像素點的灰度值差值的標準差，記為σ_(i,j)；其中相鄰像素點的描述如下：在矩陣I中，假設(shè)空間位置為(k,t)的像素點為當前像素點的相鄰像素點，則i、j、k和t滿足如下公式表述的關(guān)系：

其中σ_(i,j)可以依據(jù)如下公式計算：

其中N_(i,j)表示與當前像素點相鄰的像素點個數(shù)；ε_(k,t)表示空間位置為(k,t)的像素點與當前像素點灰度值差值的絕對值，且ε_(k,t)＝abs(g(k,t)-g(i,j))，abs表示取絕對值函數(shù)；μ_(i,j)表示由當前像素點灰度值計算得到的所有ε_(k,t)的均值。以此式計算得到圖像塊中所有像素點的σ_(i,j)值，定義圖像塊所有σ_(i,j)值的和為圖像塊信息含量差異系數(shù)f，即：

f＝∑σ_(i,j)

圖像塊信息含量差異系數(shù)f的值可以用來反映圖像塊所含信息量的大小，f的值大表示圖像塊所含信息量大，f的值小則表示圖像塊所含信息量小。

對整幅圖像進行分塊采樣時，采用上述方式計算得到的f值作為各圖像塊分配采樣數(shù)的依據(jù)，即對于編號為l的圖像塊的信息含量差異系數(shù)記為f_l，f_l的值越大說明其所對應(yīng)的圖像塊分配的采樣數(shù)越大。

步驟2.2：

為了更好地使用f_l來衡量各圖像塊所含信息量的多少，對f_l的值進行如下公式的規(guī)范：

f_l＝(f_l-f_min)/(f_max-f_min)

其中f_min表示取各圖像塊中值最小的圖像塊信息含量差異系數(shù)，f_max表示取各圖像塊中值最大的圖像塊信息含量差異系數(shù)。

本發(fā)明中采樣因子的值取各圖像塊規(guī)范后的圖像塊信息含量差異系數(shù)值。

步驟3：基于采樣因子采用所提出的自適應(yīng)圖像分塊采樣分配方案計算各圖像塊所對應(yīng)的采樣數(shù)，且各圖像塊的采樣數(shù)記為m_l。其中l(wèi)對應(yīng)圖像塊的編號，且l∈[1,n]。

步驟3.1：基礎(chǔ)分配

為每一個圖像塊分配一個基礎(chǔ)采樣數(shù)，該基礎(chǔ)采樣數(shù)相同且取值為1。此時m_l＝1，其中l(wèi)對應(yīng)圖像塊的編號，且l∈[1,n]。

步驟3.2：按序分配

(a)采用如下公式計算整幅圖像總的采樣數(shù)，總的采樣數(shù)記為M。

其中I_C和I_R分別表示圖像的高度和寬度，符號表示四舍五入計算，r表示圖像總的采樣率。

(b)將由步驟2計算得到所有圖像塊的采樣因子組成的集合記為F₀，且F₀＝{f_l|l∈[1,n]}，其中l(wèi)表示F₀中元素的下標，F(xiàn)₀中某一元素對應(yīng)圖像塊的編號與其下標相同，如f₁對應(yīng)圖像塊的編號為1。對F₀按元素值大小進行降序排序后得到集合F₁，有F₁＝{f_p|p∈[1,n]}，其中f_p表示F₀排序后的元素值；p表示F₁中元素的下標。

(c)按如下的公式計算總的剩余采樣數(shù)，總的剩余采樣數(shù)記為Δ。

其中l(wèi)對應(yīng)圖像塊的編號，m_l為圖像塊的采樣數(shù)。另外，步驟(c)到步驟(h)是分配圖像塊采樣數(shù)的迭代過程，該過程的功能是把剩余采樣數(shù)分配給相應(yīng)的圖像塊。用q表示迭代輪次(如q＝1時，表示第1輪迭代)，q的初始值設(shè)為1。

(d)判斷是否需要對剩余采樣數(shù)進行分配操作，若Δ＝0，則說明所有圖像塊的采樣數(shù)已經(jīng)分配完成，直接執(zhí)行步驟3.3，直接取得各圖像塊采樣數(shù)的集合；若Δ≠0，則對剩余采樣數(shù)進行采樣數(shù)分配操作，順序執(zhí)行如下步驟：

(e)依據(jù)步驟(b)計算得到的集合F₁更新當前采樣因子(第q次迭代對應(yīng)的采樣因子)對應(yīng)圖像塊的采樣數(shù)。此時當前采樣因子的值取集合F₁中第q個元素的值，其對應(yīng)圖像塊的編號用index表示，index的值取集合F₁中第q個元素的下標且取值范圍為index∈[1,n]，則當前采樣因子又可以表示為f_index，其對應(yīng)圖像塊的采樣數(shù)記為m_index。例如，假設(shè)集合F₀＝{f₁,f₂,f₃,...,f_n}，降序排序后得到集合F₁＝{f₄,f₂,f₅,...}；當?shù)喆蝢＝1時，表示在第1次迭代過程中更新集合F₁的第1個元素對應(yīng)圖像塊的采樣數(shù)，該對應(yīng)圖像塊的編號為index＝4，其所對應(yīng)的采樣因子表示為f₄，即在第1次迭代過程中更新編號為4的圖像塊所對應(yīng)的采樣數(shù)m₄；其他圖像塊所對應(yīng)的采樣數(shù)計算以此類推。根據(jù)如下公式計算當前采樣因子f_index對應(yīng)圖像塊分配的采樣數(shù)。

其中S_num表示當前要分配給圖像塊的采樣數(shù)，符號表示四舍五入計算。

(f)根據(jù)計算的S_num按如下方式更新當前采樣因子f_index對應(yīng)圖像塊的采樣數(shù)。

其中m_index表示圖像塊x_index所對應(yīng)的采樣數(shù)。

(g)由于更新后m_index的值有可能超過圖像塊采樣數(shù)的上界B²，因此還需要根據(jù)m_index的取值情況對其值進行微調(diào)，調(diào)整規(guī)則如下：

(h)更新迭代輪次q，有q＝q+1。跳轉(zhuǎn)到步驟(c)執(zhí)行，更新剩余采樣數(shù)Δ的值，然后判斷是否需要再次對剩余采樣數(shù)進行分配操作。

步驟3.3：直接返回各圖像塊的采樣數(shù)情況。此時用U表示各圖像塊的采樣數(shù)集合且U＝{m_l|l∈[1,n]}，其中l(wèi)對應(yīng)圖像塊的編號，m_l對應(yīng)編號為l的圖像塊的采樣數(shù)，。至此對圖像塊采樣數(shù)進行分配的過程結(jié)束。

步驟4：圖像塊測量矩陣的構(gòu)造

構(gòu)造一個大小為B²×B²的哈達瑪矩陣作為測量矩陣Φ。根據(jù)步驟3計算得到的采樣數(shù)m_l構(gòu)造各圖像塊所需的測量矩陣Φ_l，其中l(wèi)對應(yīng)圖像塊的編號，具體的構(gòu)造方式是：各圖像塊的測量矩陣的行數(shù)為m_l，列數(shù)為B²。最終得到各圖像塊的測量矩陣并表示為：Φ₁，Φ₂，...，Φ_n。其中n為步驟1所得的圖像塊分塊數(shù)量。

步驟5：圖像塊采樣

根據(jù)步驟4得到測量矩陣Φ₁，Φ₂，...，Φ_n，由如下的方式計算各圖像塊灰度值的測量值：

y_l＝Φ_lX_l

其中y_l表示灰度值測量值，X_l表示圖像塊x_l的灰度值矩陣的向量化形式，其中l(wèi)對應(yīng)圖像塊的編號，且l∈[1,n]。

步驟6：圖像重構(gòu)

根據(jù)步驟5得到的灰度值測量值y_l，其中l(wèi)對應(yīng)圖像塊的編號。采用正交匹配追蹤算法OMP等算法作為重構(gòu)算法，分別對得到的灰度值測量值y_l進行重構(gòu)得到所對應(yīng)的重構(gòu)圖像塊；將所有重構(gòu)圖像塊進行組合得到完整的重構(gòu)圖像。到此圖像分塊采樣和重構(gòu)的過程結(jié)束。

本發(fā)明的基本原理：在圖像壓縮感知領(lǐng)域，為節(jié)約存儲空間和提高運算效率，通常是采用圖像分塊采樣和重構(gòu)的方法。圖像自身各部分的信息差異導(dǎo)致分塊后的圖像塊之間也存在信息差異，紋理信息復(fù)雜的圖像塊所含的信息量多，而平滑的圖像塊所含的信息量少。另一方面，若不考慮圖像塊所含信息量的多少，采用相同的采樣率對圖像塊進行獨立采樣和重構(gòu)，在采樣率較小的條件下，信息含量少的圖像塊可能獲得較好的重構(gòu)效果，而信息含量多的圖像塊獲得的重構(gòu)效果可能不理想，最后拼接成完整圖像時出現(xiàn)塊效應(yīng)的現(xiàn)象。因此，可以根據(jù)本發(fā)明定義的圖像信息含量差異系數(shù)衡量圖像塊所含信息量的多少，并結(jié)合所提出的自適應(yīng)分塊采樣分配方案調(diào)整圖像塊所需的采樣數(shù)，自適應(yīng)地為信息含量多的圖像塊分配更多的采樣數(shù)，為信息含量少的圖像塊分配較少的采樣數(shù)，最終達到減小塊效應(yīng)、提高重構(gòu)質(zhì)量的目的。

本發(fā)明采用以上技術(shù)方案具有以下優(yōu)點：

(1)本發(fā)明考慮圖像自身信息的分布特征，通過定義一種圖像信息含量差異系數(shù)作為圖像塊的采樣因子，依據(jù)采樣因子的大小有效地區(qū)分圖像塊所含信息量的差異特征，采用所提出的自適應(yīng)圖像分塊采樣分配方案調(diào)整各圖像塊的采樣數(shù)，可以有效地減小塊效應(yīng)。

(2)本發(fā)明采用的圖像分塊大小相對于已有圖像分塊重構(gòu)方法采用的分塊大小更小，可以有效地提高圖像塊采樣和重構(gòu)的效率。

附圖說明

圖1是本發(fā)明方法總的流程圖。

圖2是本發(fā)明用于實施例的標準圖像。

圖3是對Lena和GoldHill圖像采用不同的圖像分塊采樣重構(gòu)方法在相同的采樣率下進行采樣和重構(gòu)后的視覺效果對比圖。

圖4是對Lena和GoldHill圖像采用不同的圖像分塊采樣重構(gòu)方法在不同的采樣率下進行采樣和重構(gòu)后得到的PSNR值。

具體實施方式

下面結(jié)合附圖對本發(fā)明的較佳實施例進行詳細闡述，以使本發(fā)明的優(yōu)點和特征能更易于被本領(lǐng)域技術(shù)人員理解，從而對本發(fā)明的保護范圍做出更為清楚明確的界定。

參照附圖1，本發(fā)明具體的實現(xiàn)步驟如下：

步驟1：圖像輸入

采用“MATLAB R2015a”平臺作為本發(fā)明方法的實施平臺，分別輸入大小為512×512的Lena和GoldHill標準灰度圖作為本發(fā)明的實施用例。

步驟2：圖像分塊

分別把步驟1輸入的Lena和GoldHill圖像劃分成n＝(512×512)/4²個互不重疊且大小為4×4的圖像塊，各圖像塊記為x_l。其中l(wèi)用來表示圖像塊的編號且l∈[1,n]，如x₁和x₂分別表示編號為1和2的圖像塊。n表示圖像塊的分塊數(shù)量。

步驟3：采樣因子計算

將圖像塊x_l灰度值的矩陣表示I。在像素域中，假設(shè)空間位置為(i,j)的像素點為當前像素點，記g(i,j)表示空間位置為(i,j)的像素點的灰度值；計算當前像素點與所有相鄰像素點的灰度值差值的標準差，記為σ_(i,j)；其中相鄰像素點的描述如下：在矩陣I中，假設(shè)空間位置為(k,t)的像素點為當前像素點的相鄰像素點，則i、j、k和t滿足如下公式表述的關(guān)系：

其中σ_(i,j)可以依據(jù)如下公式計算：

其中N_(i,j)表示與當前像素點相鄰的像素點個數(shù)；ε_(k,t)表示空間位置為(k,t)的像素點與當前像素點灰度值差值的絕對值，且ε_(k,t)＝abs(g(k,t)-g(i,j))，abs表示取絕對值函數(shù)；μ_(i,j)表示由當前像素點灰度值計算得到的所有ε_(k,t)的均值。以此式計算得到圖像塊中所有像素點的σ_(i,j)值，定義圖像塊所有σ_(i,j)值的和為圖像塊信息含量差異系數(shù)f，即：

f＝∑σ_(i,j)

圖像塊信息含量差異系數(shù)f的值可以用來反映圖像塊所含信息量的大小，f的值大表示圖像塊所含信息量大，f的值小則表示圖像塊所含信息量小。

對整幅圖像進行分塊采樣時，采用上述方式計算得到的f值作為各圖像塊分配采樣數(shù)的依據(jù)，即對于編號為l的圖像塊的信息含量差異系數(shù)記為f_l，f_l的值越大說明其所對應(yīng)的圖像塊分配的采樣數(shù)越大。

步驟4：采樣因子規(guī)范化

為了更好地使用f_l來衡量各圖像塊所含信息量的多少，對f_l的值進行如下公式的規(guī)范：

f_l＝(f_l-f_min)/(f_max-f_min)

其中f_min表示取各圖像塊中值最小的圖像塊信息含量差異系數(shù)，f_max表示取各圖像塊中值最大的圖像塊信息含量差異系數(shù)。

本發(fā)明中采樣因子的值取各圖像塊規(guī)范后的圖像塊信息含量差異系數(shù)值。

步驟5：基礎(chǔ)采樣數(shù)分配

記各圖像塊x_l的采樣數(shù)為m_l，為每一個圖像塊分配一個基礎(chǔ)采樣數(shù)，且該基礎(chǔ)采樣數(shù)相同。其中基礎(chǔ)采樣數(shù)的取值均為1，此時m_l＝1，l對應(yīng)圖像塊的編號，且l∈[1,n]。

步驟6：各圖像塊采樣數(shù)計算

(1)采用如下公式計算整幅圖像總的采樣數(shù)，總的采樣數(shù)記為M。

其中I_C和I_R分別表示圖像的高度和寬度，符號表示四舍五入計算，r表示圖像總的采樣率。本發(fā)明中r的取值為{0.1,0.2,0.3,0.4,0.5}。

(2)將由步驟4計算得到所有圖像塊的采樣因子組成的集合記為F₀，且F₀＝{f_l|l∈[1,n]}，其中l(wèi)表示F₀中元素的下標，F(xiàn)₀中某一元素對應(yīng)圖像塊的編號與其下標相同，如f₁對應(yīng)圖像塊的編號為1。對F₀按元素值大小進行降序排序后得到集合F₁，有F₁＝{f_p|p∈[1,n]}，其中f_p表示F₀排序后的元素值；p表示F₁中元素的下標。

(3)按如下的公式計算總的剩余采樣數(shù)，總的剩余采樣數(shù)記為Δ。

其中l(wèi)對應(yīng)圖像塊的編號，m_l為圖像塊的采樣數(shù)。另外，步驟(3)到步驟(8)是分配圖像塊采樣數(shù)的迭代過程，該過程的功能是把剩余采樣數(shù)分配給相應(yīng)的圖像塊。用q表示迭代輪次(如q＝1時，表示第1輪迭代)，q的初始值設(shè)為1。

(4)判斷是否需要對剩余采樣數(shù)進行分配操作，若Δ＝0，則說明所有圖像塊的采樣數(shù)已經(jīng)分配完成，直接執(zhí)行步驟7，直接取得各圖像塊采樣數(shù)的集合；若Δ≠0，則對剩余采樣數(shù)進行采樣數(shù)分配操作，順序執(zhí)行如下步驟：

(5)依據(jù)步驟(2)計算得到的集合F₁更新當前采樣因子(第q次迭代對應(yīng)的采樣因子)對應(yīng)圖像塊的采樣數(shù)。此時當前采樣因子的值取集合F₁中第q個元素的值，其對應(yīng)圖像塊的編號用index表示，index的值取集合F₁中第q個元素的下標且取值范圍為index∈[1,n]，則當前采樣因子又可以表示為f_index，其對應(yīng)圖像塊的采樣數(shù)記為m_index。例如，假設(shè)集合F₀＝{f₁,f₂,f₃,...,f_n}，降序排序后得到集合F₁＝{f₄,f₂,f₅,...}；當?shù)喆蝢＝1時，表示在第1次迭代過程中更新集合F₁的第1個元素對應(yīng)圖像塊的采樣數(shù)，該對應(yīng)圖像塊的編號為index＝4，其所對應(yīng)的采樣因子表示為f₄，即在第1次迭代過程中更新編號為4的圖像塊所對應(yīng)的采樣數(shù)m₄；其他圖像塊所對應(yīng)的采樣數(shù)計算以此類推。根據(jù)如下公式計算當前采樣因子f_index對應(yīng)圖像塊分配的采樣數(shù)：

其中S_num表示當前可分配給圖像塊的采樣數(shù)，符號表示四舍五入計算。

(6)根據(jù)計算的S_num按如下方式更新當前采樣因子f_index對應(yīng)圖像塊的采樣數(shù)。

其中m_index表示圖像塊x_index所對應(yīng)的采樣數(shù)。

(7)由于更新后m_index的值有可能超過圖像塊采樣數(shù)的上界4²，因此還需要根據(jù)m_index的取值情況對其值進行微調(diào)，調(diào)整規(guī)則如下：

(8)更新迭代輪次q，有q＝q+1。跳轉(zhuǎn)到步驟(3)執(zhí)行下一次迭代，更新剩余采樣數(shù)Δ的值，然后判斷是否需要再次對剩余采樣數(shù)進行分配操作。

步驟7：輸出各圖像塊所需的采樣數(shù)

直接輸出由步驟6計算得到的各圖像塊的采樣數(shù)。此時用U表示各圖像塊的采樣數(shù)集合且U＝{m_l|l∈[1,n]}，其中l(wèi)對應(yīng)圖像塊的編號，m_l對應(yīng)編號為l的圖像塊的采樣數(shù)，。至此對圖像塊采樣數(shù)進行分配的過程結(jié)束。

步驟8：圖像塊測量矩陣的構(gòu)造

構(gòu)造一個大小為B²×B²的哈達瑪矩陣作為測量矩陣Φ。根據(jù)步驟7計算得到的采樣數(shù)m_l構(gòu)造各圖像塊所需的測量矩陣，具體的構(gòu)造方式是：各圖像塊的測量矩陣的行數(shù)為m_l，列數(shù)為B²。最終得到各圖像塊的測量矩陣并表示為：Φ₁，Φ₂，...，Φ_n。其中n為步驟2所得的圖像塊分塊數(shù)量。

步驟9：圖像塊采樣

根據(jù)步驟8得到測量矩陣Φ₁，Φ₂，...，Φ_n，由如下的方式計算各圖像塊的灰度值測量值：

y_l＝Φ_lX_l

其中y_l表示灰度值測量值，X_l表示圖像塊x_l的灰度值矩陣的向量化形式，其中l(wèi)對應(yīng)圖像塊的編號，且l∈[1,n]。

步驟10：圖像重構(gòu)

根據(jù)步驟9得到的灰度值測量值y_l，其中l(wèi)對應(yīng)圖像塊的編號。采用正交匹配追蹤算法(OMP)算法作為重構(gòu)算法，分別對得到的灰度值測量值y_l進行重構(gòu)得到所對應(yīng)的重構(gòu)圖像塊；將所有重構(gòu)圖像塊進行組合得到完整的重構(gòu)圖像。到此整個實施例中圖像采樣和重構(gòu)的過程結(jié)束。

本發(fā)明采用的對比方法BCS-SPL-DCT，詳見參考文獻“BLOCK COMPRESSED SENSING OF IMAGES USING DIRECTIONAL TRANSFORMS”。

本發(fā)明中附圖2是本發(fā)明實施例采用的原始圖像。附圖3是對Lena和GoldHill圖像采用不同的圖像分塊采樣重構(gòu)方法在0.4的采樣率下進行采樣和重構(gòu)后的視覺效果對比圖；其中對于Lena圖像，采用BCS-SPL-DCT方法(a)的PSNR值為34.1670dB，采用本發(fā)明方法(b)PSNR值為39.2988dB；對于GoldHill圖像，采用BCS-SPL-DCT方法(c)的PSNR值為30.7049dB，采用本發(fā)明方法(d)PSNR值為34.8171dB；因此，采用本發(fā)明方法的視覺效果更好。附圖4是對Lena和GoldHill圖像采用不同的圖像分塊采樣重構(gòu)方法在不同的采樣率下進行采樣和重構(gòu)后得到的PSNR值；其中采樣率分別取{0.1、0.2、0.3、0.4、0.5}，對于Lena圖像，隨著采樣率的增加，本發(fā)明方法相較于BCS-SPL-DCT方法，PSNR值分別提高了1.93dB、3.29dB、4.42dB、5.13dB、5.70dB；而對于GoldHill圖像，隨著采樣率的增加，本發(fā)明方法相較于BCS-SPL-DCT方法，PSNR值分別提高了1.77dB、2.60dB、3.00dB、4.11dB、4.52dB；結(jié)合圖4的實驗數(shù)據(jù)和上述對比結(jié)果可知，一方面，在相同的采樣率下，采用本發(fā)明方法計算得到的PSNR值均比采用BCS-SPL-DCT方法計算得到的PSNR值高；另一方面，采用相同的圖像，相對于BCS-SPL-DCT方法計算得到的PSNR值，本發(fā)明方法計算得到的PSNR值隨著采樣率的增加而提高的PSNR值的幅度也增加；因此采用本法明方法具有更好地重構(gòu)效果。

以上所述僅為本發(fā)明的實施例，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運用在其他相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專利保護范圍內(nèi)。