本發(fā)明涉及圖像處理技術領域，尤其涉及一種糖尿病性視網(wǎng)膜病變體征檢測方法及裝置。

背景技術：

近年來，由于城市化進程的加快、人民生活水平的提高、飲食結構的改變以及生活節(jié)奏的日趨緊張，使得糖尿病在人群中的發(fā)病率越來越高，截至2016年我國糖尿病患者總人數(shù)已達1億。對于早期糖尿病患者，有效的診斷可以防止病情的惡化，并大幅度增加患者被治愈的可能性。糖尿病性視網(wǎng)膜病變(以下簡稱糖網(wǎng))是糖尿病最為常見的眼部并發(fā)癥，是目前30-69歲成年人失明的主要原因。因此，糖網(wǎng)的及時診斷在糖尿病的預防和診斷過程中起著舉足輕重的作用。

眼底糖尿病性視網(wǎng)膜病變體征表現(xiàn)為滲出、出血、微動脈瘤等，根據(jù)眼底圖像中以上體征的程度改變，可將糖網(wǎng)分為五個時期：一期，無明顯視網(wǎng)膜病變；二期，輕度非增值性病變，有黃白色“硬性滲出”、微動脈瘤和少量出血點；三期，中度非增值性病變，有白色“軟性滲出”和可見的重度出血；四期，重度非增值性病變，視網(wǎng)膜四個象限上每個都有二十個以上出血，視力下降明顯；五期，增殖期，眼底有新生血管生成和纖維增生，視力嚴重受損。通過對眼底病變體征的分類統(tǒng)計可以有效地實現(xiàn)糖網(wǎng)的分級，這對糖網(wǎng)的診斷和治療工作有重要意義。

糖網(wǎng)早期篩查的一種有效手段是通過眼底相片進行診斷，研究表明現(xiàn)有絕大多數(shù)眼底照相篩查的敏感性(指實際患病且被診斷為有病的概率)均高于80％?，F(xiàn)階段對于眼底圖像的分析基本依靠眼科醫(yī)生的肉眼觀察，這種人工閱片的方法存在較大局限性。另外，基層和社區(qū)醫(yī)院通常缺乏專業(yè)的眼科醫(yī)生，這給普通的糖尿病患者、尤其是邊遠地區(qū)醫(yī)療條件受限的糖尿病患者帶來不便。如果能夠依靠計算機快速、可靠地識別出糖尿病患者的眼底圖像，不僅可以將醫(yī)生從繁重的人工閱片工作中解脫出來，更為糖網(wǎng)篩查的大規(guī)模實施提供必備的基礎條件。

對于糖尿病性視網(wǎng)膜病變的篩查工作早在上世紀七八十年代就有學者開始研究，到目前為止，較為常見的方法如基于灰度級、聚類、顏色、模板匹配、神經(jīng)網(wǎng)絡等，其中基于神經(jīng)網(wǎng)絡的方法更加成熟。評估當前較為流行的方法，發(fā)現(xiàn)這些方法在算法設計和方法應用上都存在一定的局限性，如：

糖網(wǎng)篩查較為成熟有效的方法大多是基于神經(jīng)網(wǎng)絡實現(xiàn)的，而目前基于神經(jīng)網(wǎng)絡的方法都是以整張圖像為單位進行模型訓練和篩查的，由于糖網(wǎng)不同時期圖像之間差異較大等原因，使得基于神經(jīng)網(wǎng)絡的方法在實現(xiàn)時需求的數(shù)據(jù)量較大，而現(xiàn)有的數(shù)據(jù)不能滿足模型訓練的需求，且方法實現(xiàn)后效果不夠完美。

現(xiàn)有的方法除神經(jīng)網(wǎng)絡外，大多只能進行某種病變特征的檢測，而糖網(wǎng)眼底圖像中大多數(shù)是多種病變共存的狀態(tài)，使得這些方法檢測效果不佳，僅具有理論研究意義而不具有使用價值，而神經(jīng)網(wǎng)絡的方法僅能實現(xiàn)圖像的篩查，不能進行具體病變的檢測分類和糖網(wǎng)的分析。

技術實現(xiàn)要素：

本發(fā)明提供一種糖尿病性視網(wǎng)膜病變體征檢測方法及裝置，實現(xiàn)了對糖網(wǎng)眼底圖像的病變檢測分類和對糖網(wǎng)的分級，從而有助于糖網(wǎng)的檢測分析。

第一方面提供了一種糖尿病性視網(wǎng)膜病變體征檢測方法。該方法包括：接收待檢測的眼底圖像；使用卷積神經(jīng)網(wǎng)絡cnn模型對待檢測的眼底圖像進行處理，獲取與待檢測的眼底圖像對應的病變區(qū)域樣本；根據(jù)病變區(qū)域樣本，構建與待檢測的眼底圖像對應的尺度不變特征變化sift特征描述子；根據(jù)sift特征描述子，使用支持向量機svm分類器確定待檢測的眼底圖像的病變類型。

在一個可能的實施例中，使用cnn模型對待檢測的眼底圖像進行處理，獲取與待檢測的眼底圖像對應的病變區(qū)域樣本，包括：使用滑動窗的方法，通過矩形族對待檢測的眼底圖像進行分割，獲取與待檢測的眼底圖像對應的待檢測數(shù)據(jù)樣本；使用cnn模型對待檢測數(shù)據(jù)樣本進行處理，獲取與待檢測的眼底圖像對應的病變區(qū)域樣本。

在一個可能的實施例中，在根據(jù)sift特征描述子，使用svm分類器確定待檢測的眼底圖像的病變類型之后，該方法還包括：根據(jù)待檢測的眼底圖像的病變類型，確定待檢測的眼底圖像的病期級別。

在一個可能的實施例中，cnn模型通過以下步驟獲得：收集具有病變區(qū)域的眼底圖像，并對眼底圖像中的病變區(qū)域以及眼底圖像中的病變區(qū)域的病變類型進行標注；使用滑動窗法對眼底圖像進行分割，獲取與眼底圖像對應的訓練數(shù)據(jù)樣本；根據(jù)訓練數(shù)據(jù)樣本和標注的結果，確定正樣本和負樣本；正樣本為訓練數(shù)據(jù)樣本中與標注的結果重疊度高于預設值的樣本，負樣本為訓練數(shù)據(jù)樣本中與標注的結果無重疊的樣本；根據(jù)正樣本和負樣本，以及cnn反饋修正規(guī)則，構建cnn模型。

在一個可能的實施例中，svm分類器通過以下步驟獲得：接收與正樣本對應的sift特征描述子；根據(jù)sift特征描述子與標注的結果，構建svm分類器。

第二方面提供了一種糖尿病性視網(wǎng)膜病變體征檢測裝置。該裝置包括：接收模塊，用于接收待檢測的眼底圖像。第一分類模塊，用于使用卷積神經(jīng)網(wǎng)絡cnn模型對待檢測的眼底圖像進行處理，獲取與待檢測的眼底圖像對應的病變區(qū)域樣本。第一構建模塊，用于根據(jù)病變區(qū)域樣本，構建與待檢測的眼底圖像對應的尺度不變特征變化sift特征描述子。第二分類模塊，用于根據(jù)sift特征描述子，使用支持向量機svm分類器確定待檢測的眼底圖像的病變類型。

本發(fā)明實施例提供的一種糖尿病性視網(wǎng)膜病變體征檢測方法及裝置，通過使用cnn模型和svm分類器對眼底圖像進行二次分類，可減少直接使用神經(jīng)網(wǎng)絡進行病變分類時因數(shù)據(jù)量和數(shù)據(jù)間差異而產(chǎn)生的干擾，提高了對糖網(wǎng)進行檢測分類的精度，并實現(xiàn)了對糖網(wǎng)的分級篩查。第一次分類，采用矩形族并通過滑動窗的方法對待檢測的眼底圖像進行分割，將分割得到的樣本數(shù)據(jù)輸入cnn模型，能夠給出樣本數(shù)據(jù)的粗分類，并輸出病變區(qū)域樣本。同時，有助于病變位置的定位，此種方法還可以應用于眼底圖像上其他類型疾病病變體征的檢測。第二次分類，將針對病變區(qū)域樣本構建的sift特征描述子輸入svm分類器，得到待檢測的眼底圖像的具體病變類型。svm分類器采用多個線性二分類器并行的使用方式，避免了神經(jīng)網(wǎng)絡多分類結果的單一性，對于同一候選區(qū)域可進行多種病變類型與否的評定，使糖網(wǎng)病變體征分類結果更加精確。同時，采用矩形族并通過滑動窗的方法對收集的眼底圖像進行分割來獲取樣本數(shù)據(jù)從而訓練cnn模型，有效地解決了眼底圖像樣本數(shù)據(jù)不足的問題，消除了現(xiàn)有技術中直接使用原始眼底圖像進行網(wǎng)絡訓練，因原始眼底圖像差異大而產(chǎn)生的模型效果差的弊端。

總之，采用cnn和svm結合的方式使得算法的實現(xiàn)更加容易、數(shù)據(jù)要求水平降低、檢測效果更加精確。同時，有效地解決了當前糖網(wǎng)檢測功能上無法進行的病變體征分類、體征定位、病期分級等問題。彌補了糖網(wǎng)篩查過程中遇到的專科醫(yī)生資源限制、人工大量閱片效率低下等不足，加速眼底疾病的診斷和治療工作，并最終為提高整體社會的健康水平而努力。

附圖說明

圖1為本發(fā)明實施例提供的一種糖尿病性視網(wǎng)膜病變體征檢測方法的流程示意圖；

圖2為本發(fā)明實施例提供的矩形族構成示意圖；

圖3為本發(fā)明實施例提供的一種構建cnn模型的流程示意圖；

圖4為本發(fā)明實施例提供的另一種構建cnn模型的流程示意圖；

圖5為本發(fā)明實施例提供的sift特征描述子構建示意圖；

圖6為本發(fā)明實施例提供的svm線性分類器示意圖；

圖7為本發(fā)明實施例提供的一種糖尿病性視網(wǎng)膜病變體征檢測裝置的結構示意圖。

具體實施方式

下面通過附圖和實施例，對本發(fā)明的技術方案做進一步的詳細描述。

為使本發(fā)明的目的、技術方案和優(yōu)點更加清楚，下面將結合本發(fā)明實施例中的附圖，對本發(fā)明中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

為便于對本發(fā)明實施例的理解，下面將結合附圖對具體實施例做進一步的解釋說明，下述實施例并不構成對本發(fā)明實施例的限定。

圖1為本發(fā)明實施例提供的一種糖尿病性視網(wǎng)膜病變體征檢測方法的流程示意圖。如圖1所示，該方法包括步驟101-104：

步驟101，接收待檢測的眼底圖像。

眼底圖像，即對眼底進行拍攝得到的圖像。其中，眼底是眼球內(nèi)后部的組織，包括眼球的內(nèi)膜——視網(wǎng)膜、視乳頭、黃斑和視網(wǎng)膜中央動靜脈。本發(fā)明實施例中主要針對眼底圖像中的視網(wǎng)膜進行分析。

步驟102，使用卷積神經(jīng)網(wǎng)絡(convolutionalneuralnetwork，cnn)模型對待檢測的眼底圖像進行處理，獲取與待檢測的眼底圖像對應的病變區(qū)域樣本。

具體地，首先，使用滑動窗的方法，通過矩形族以固定的步長對待檢測的眼底圖像進行分割，獲取與待檢測的眼底圖像對應的數(shù)據(jù)樣本。其中，矩形族中包括多個具有不同面積和不同高寬比的矩形。例如，如圖2所示，矩形族包括三組矩形，每組矩形具有相同的中心點，且以其中心點作為基準點，三組矩形的面積s依次為128²、256²和512²，每組矩形中的三個矩形的高寬比(ratio)依次為0.5、1和2。然后，使用cnn模型對分割得到的數(shù)據(jù)樣本進行處理，獲取與待檢測的眼底圖像對應的病變區(qū)域樣本。

下面，結合圖3，對本實施例中cnn模型的構建過程進行介紹。如圖3所示，構建cnn模型的步驟包括：

步驟301，收集具有病變區(qū)域的眼底圖像，并對這些眼底圖像中的病變區(qū)域以及相應的病變類型進行標注。

本實施例中，對病變區(qū)域和相應的病變類型進行標注后得到的圖像，除了可以用于構建cnn模型，還可以用于構建svm分類器。

需要說明的是，可以不斷收集新的具有病變區(qū)域的眼底圖像，用于更新cnn模型和svm分類器，使cnn模型和svm分類器的分類結果更加準確。

步驟302，使用滑動窗法對眼底圖像進行分割，獲取與眼底圖像對應的數(shù)據(jù)樣本。

步驟303，根據(jù)數(shù)據(jù)樣本和標注的結果，確定正樣本和負樣本。

具體地，結合對眼底圖像中標注的病變區(qū)域以及相應的病變類型，對樣本數(shù)據(jù)進行正負樣本的標定。標定的過程可以通過程序執(zhí)行，對于與標注的病變區(qū)域重疊度大的標定為正樣本，無重疊的為負樣本，并忽略重疊度小的樣本，以避免重疊度小的樣本給下述步驟304中的模型訓練帶來干擾。例如，重疊度的預設閾值為70％，對于與標注的病變區(qū)域重疊度≥70％的數(shù)據(jù)樣本，將其標定為正樣本，對于與標注的病變區(qū)域重疊度為0％的樣本，為負樣本。忽略重疊度在0％與70％之間的數(shù)據(jù)樣本。

步驟304，根據(jù)正樣本和負樣本，以及cnn反饋修正規(guī)則，構建cnn模型。

需要說明的是，本實施例中構建的cnn模型，可以根據(jù)其功能將其命名為候選區(qū)域卷積網(wǎng)絡(regionproposalconvolutionnetwork，rpcn)模型。

具體地，通過計算正樣本和負樣本的loss函數(shù)，來反向更新網(wǎng)絡。其中，loss函數(shù)的計算公式為：

式(1)中，pi表示區(qū)域分類預測值，pi*表示區(qū)域分類標簽，ti表示候選區(qū)域預測值，ti*表示區(qū)域標注，ncls表示分類類別數(shù)，λ表示權重常量，nreg表示候選區(qū)域數(shù)量，lcls表示區(qū)域分類預測與區(qū)域分類標簽之間的l1范數(shù)值，lreg表示區(qū)域預測與區(qū)域標注之間的l1范數(shù)值，最后網(wǎng)絡總體的loss值由區(qū)域預測和區(qū)域分類兩個l1差異值按λ比例加和得到。

如圖4所示，“區(qū)域”表示樣本數(shù)據(jù)到標注數(shù)據(jù)的回歸映射；“分類標簽”為樣本數(shù)據(jù)對應的分類標簽；“區(qū)域權重”和“標簽權重”為模型訓練收斂的重要參數(shù)，將正樣本的“區(qū)域權重”和“標簽權重”設定為1，將負樣本的“區(qū)域權重”和“標簽權重”設定為0。

需要說明的是，本實施例中，確定cnn反饋修正規(guī)則后，將正樣本和負樣本輸入cnn訓練后得到的模型是一個多分類器。假設病變類型的數(shù)量為n，因還有無病變的情況，所以由cnn模型可以判定輸入的正樣本或負樣本為(n+1)種類型中的一種。由于存在無病變區(qū)域的負樣本，對cnn模型判斷具體病變類型造成干擾，導致cnn模型的識別精度不高。cnn模型對于一個正樣本只能判定其中的一種病變類型，不能識別出存在多種病變類型的正樣本中的所有病變類型。因此，本發(fā)明實施例采用cnn模型，獲取與待檢測的眼底圖像對應的病變區(qū)域樣本，而對于病變區(qū)域樣本的具體病變類型，采用以下步驟103和104進行進一步判斷。

步驟103，根據(jù)病變區(qū)域樣本，提取與待檢測的眼底圖像對應的尺度不變特征變化(scale-invariantfeaturetransform，sift)特征描述子。

sift特征描述子對尺度縮放、旋轉、亮度變化具有較強的魯棒性，且不會因遮擋、雜亂和噪聲而導致提取概率變低。需要說明的是，待檢測的眼底圖像經(jīng)過cnn模型處理后輸出病變區(qū)域樣本，這些病變區(qū)域樣本需要經(jīng)由下述步驟104中的svm分類器后確定具體的病變類型。因病變區(qū)域樣本不能直接輸入svm分類器，需要先根據(jù)病變區(qū)域樣本構建特征描述子，再將特征描述子輸入svm分類器進行處理。本實施例中僅選擇sift特征描述子進行說明，實際也可以采用其他類型的特征描述子，本實施例對此不作限定。

具體地，根據(jù)病變區(qū)域樣本提取sift特征，從而構建sift特征描述子，包括步驟：(1)根據(jù)病變區(qū)域樣本，構建尺度空間，并獲取病變區(qū)域樣本的差分結果。(2)根據(jù)差分結果，在尺度空間中選取關鍵點。(3)對關鍵點進行過濾和去重。(4)確定關鍵點的方向。(5)如圖5所示，以關鍵點為基礎，在領域內(nèi)構建方向梯度直方圖，從而得到特征描述子。由上可知，sift特征以特征點的形式呈現(xiàn)，例如，每個特征點對應一個128維定長向量，則最后提取到的為包括n個特征點描述向量的n*128特征描述子。當sift特征描述子的長度不定且占用空間較大時，需要對sift特征描述子進行降維和歸一化處理并生成特征文件，一個病變區(qū)域樣本對應一個特征文件。

步驟104，根據(jù)sift特征描述子，使用支持向量機(supportvectormachine，svm)分類器確定待檢測的眼底圖像的病變類型。

在一個可能的實施例中，將病變區(qū)域樣本對應的特征文件，輸入svm分類器，得到待檢測的眼底圖像的病變類型。

在一個可能的實施例中，在步驟104中還可以包括：對病變區(qū)域樣本的分類結果進行去重處理。當病變區(qū)域樣本是由滑動窗法進行分割得到時，病變區(qū)域樣本之間的重疊度較高，可能會出現(xiàn)重復統(tǒng)計的情況。因此，對經(jīng)過svm分類器進行分類后的病變區(qū)域樣本進行去重處理，有利于后續(xù)對病變類型的統(tǒng)計和分析。例如，對分類后的病變區(qū)域樣本進行重疊度的判定，設定閾值為75％，當兩個分類后的病變區(qū)域樣本的重疊度超出75％時，則認為二者重復，并僅保留其中一個。

下面對本實施例中svm分類器進行介紹。svm分類器可以根據(jù)上述步驟303中確定的正樣本，以及上述步驟301中的標注的結果，進行訓練得到。svm分類器包括多個并行的線性二值分類器，且線性二值分類器的數(shù)量與病變類型的數(shù)量相同，每種病變類型都有與之對應的一個線性二值分類器。svm分類器中的線性分類判別函數(shù)可以定義為：

其中，x為輸入的病變區(qū)域的歸一化sift描述子，w和b為待確定的系數(shù)，可以在對svm分類器中的訓練中確定。如圖6所示為svm線性分類器示意圖，g(x)＝0為待確定的分類超平面。svm分類器訓練的任務即確定多個并行的分類器的超平面，通過超平面判定與待檢測的眼底圖像對應的病變區(qū)域樣本是否為某種病變。同樣，上述步驟303中確定的正樣本不能直接用于svm分類器的訓練，需要從正樣本中提取特征描述子，然后將特征描述子輸入svm分類器進行訓練。可以選擇sift類型的特征描述子，對sift特征描述子的描述可以參見上述步驟103，在此不作贅述。

本實施例中，在步驟104之后還可以包括步驟105：根據(jù)所述待檢測的眼底圖像的病變類型，確定所述待檢測的眼底圖像的病期級別。

具體的，根據(jù)病變區(qū)域樣本和病變類型，對待檢測的眼底圖像上病變區(qū)域位置和病變類型進行標定。然后，對病變類型數(shù)量進行統(tǒng)計并參考醫(yī)學知識對糖尿病病期進行分期，為得出精確的診斷結果和確定治療方案提供參考。

本發(fā)明實施例提供的一種糖尿病性視網(wǎng)膜病變體征檢測方法，通過使用cnn模型和svm分類器對眼底圖像進行二次分類，可減少直接使用神經(jīng)網(wǎng)絡進行病變分類時因數(shù)據(jù)量和數(shù)據(jù)間差異而產(chǎn)生的干擾，提高了對糖網(wǎng)進行檢測分類的精度，并實現(xiàn)了對糖網(wǎng)的分級篩查。第一次分類，采用矩形族并通過滑動窗的方法對待檢測的眼底圖像進行分割，將分割得到的樣本數(shù)據(jù)輸入cnn模型，能夠給出樣本數(shù)據(jù)的粗分類，并輸出病變區(qū)域樣本。同時，有助于病變位置的定位，此種方法還可以應用于眼底圖像上其他類型疾病病變體征的檢測。第二次分類，將針對病變區(qū)域樣本構建的sift特征描述子輸入svm分類器，得到待檢測的眼底圖像的具體病變類型。svm分類器采用多個線性二分類器并行的使用方式，避免了神經(jīng)網(wǎng)絡多分類結果的單一性，對于同一候選區(qū)域可進行多種病變類型與否的評定，使糖網(wǎng)病變體征分類結果更加精確。同時，采用矩形族并通過滑動窗的方法對收集的眼底圖像進行分割來獲取樣本數(shù)據(jù)從而訓練cnn模型，有效地解決了眼底圖像樣本數(shù)據(jù)不足的問題，消除了現(xiàn)有技術中直接使用原始眼底圖像進行網(wǎng)絡訓練，因原始眼底圖像差異大而產(chǎn)生的模型效果差的弊端。

總之，采用cnn和svm結合的方式使得算法的實現(xiàn)更加容易、數(shù)據(jù)要求水平降低、檢測效果更加精確。同時，有效地解決了當前糖網(wǎng)檢測功能上無法進行的病變體征分類、體征定位、病期分級等問題。彌補了糖網(wǎng)篩查過程中遇到的?？漆t(yī)生資源限制、人工大量閱片效率低下等不足，加速眼底疾病的診斷和治療工作，并最終為提高整體社會的健康水平而努力。

圖7為本發(fā)明實施例提供的一種糖尿病性視網(wǎng)膜病變體征檢測裝置的結構示意圖。該裝置可以用于實現(xiàn)上述實施例提供的糖尿病性視網(wǎng)膜病變體征檢測方法。如圖7所示，該裝置700包括：

接收模塊701，用于接收待檢測的眼底圖像。

第一分類模塊702，用于使用卷積神經(jīng)網(wǎng)絡cnn模型對待檢測的眼底圖像進行處理，獲取與待檢測的眼底圖像對應的病變區(qū)域樣本。

在一個可能的實施例中，第一分類模塊702，具體用于：使用滑動窗的方法，通過矩形族對待檢測的眼底圖像進行分割，獲取與待檢測的眼底圖像對應的待檢測數(shù)據(jù)樣本。然后，使用cnn模型對待檢測數(shù)據(jù)樣本進行處理，獲取與待檢測的眼底圖像對應的病變區(qū)域樣本。

第一構建模塊703，用于根據(jù)病變區(qū)域樣本，構建與待檢測的眼底圖像對應的尺度不變特征變化sift特征描述子。

第二分類模塊704，用于根據(jù)sift特征描述子，使用支持向量機svm分類器確定待檢測的眼底圖像的病變類型。

可選的，該裝置還包括處理模塊705，用于根據(jù)待檢測的眼底圖像的病變類型，確定待檢測的眼底圖像的病期級別。

可選的，該裝置還包括第二構建模塊706，用于構建cnn模型。第二構建模塊，具體用于：收集具有病變區(qū)域的眼底圖像，并對眼底圖像中的病變區(qū)域以及眼底圖像中的病變區(qū)域的病變類型進行標注。使用滑動窗法對眼底圖像進行分割，獲取與眼底圖像對應的訓練數(shù)據(jù)樣本。根據(jù)訓練數(shù)據(jù)樣本和標注的結果，確定正樣本和負樣本；正樣本為訓練數(shù)據(jù)樣本中與標注的結果重疊度高于預設值的樣本，負樣本為訓練數(shù)據(jù)樣本中與標注的結果無重疊的樣本。根據(jù)正樣本和負樣本，以及cnn反饋修正規(guī)則，構建cnn模型。

可選的，該裝置還包括第三構建模塊707，用于構建svm分類器。第三構建模塊，具體用于：接收與正樣本對應的sift特征描述子。并根據(jù)sift特征描述子與標注的結果，構建svm分類器。

專業(yè)人員應該還可以進一步意識到，結合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬件、計算機軟件或者二者的結合來實現(xiàn)，為了清楚地說明硬件和軟件的可互換性，在上述說明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術方案的特定應用和設計約束條件。專業(yè)技術人員可以對每個特定的應用來使用不同方法來實現(xiàn)所描述的功能，但是這種實現(xiàn)不應認為超出本發(fā)明的范圍。

結合本文中所公開的實施例描述的方法或算法的步驟可以用硬件、處理器執(zhí)行的軟件模塊，或者二者的結合來實施。軟件模塊可以置于隨機存儲器(ram)、內(nèi)存、只讀存儲器(rom)、電可編程rom、電可擦除可編程rom、寄存器、硬盤、可移動磁盤、cd-rom、或技術領域內(nèi)所公知的任意其它形式的存儲介質(zhì)中。

以上所述的具體實施方式，對本發(fā)明的目的、技術方案和有益效果進行了進一步詳細說明，所應理解的是，以上所述僅為本發(fā)明的具體實施方式而已，并不用于限定本發(fā)明的保護范圍，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內(nèi)。