基于多特征融合的眼底图像中血管的提取方法与电子设备

摘要

本发明实施例提供一种基于多特征融合的眼底图像中血管的提取方法与电子设备，其中所述方法包括：基于待处理眼底图像，利用多个不同分类器，分别提取眼底血管的多个不同特征，并对所述多个不同特征进行特征融合；基于特征融合后的综合特征，利用训练完成的denseCRF模型，获取所述眼底血管的分割图像；对所述分割图像进行形态学分析处理，提取所述眼底血管的二值图像。本发明实施例通过对眼底血管的多特征融合，提取眼底图像中的血管图像，能够更有效、更精确地提取血管边缘图像，包括模糊图像的眼底血管边缘图像。

说明书

技术领域

本发明实施例涉及图像处理技术领域，更具体地，涉及一种基于多特征融合的眼底图像中血管的提取方法与电子设备。

背景技术

对于眼底图像的分析，图像语义分割的方法越来越多的被研究者所关注，例如阈值分割法、边缘分割法、基因编码分割法、小波变换分割法、聚类分割法等。随着人工智能识别技术的发展，神经网络(CNN)已经引起了研究者广泛的关注，并应用于图像分割领域。

目前，较多的是基于全卷积网络FCN+CRF的图像语义分割方法，以FCN+denseCRF为代表的图像分割算法，训练样本经过训练FCN模型得到包含非尖锐边界的眼底血管空间形状分割特征，用这个分割特征进行denseCRF训练，得到眼底血管分割图。由于训练的特征比较单一，使得训练完的模型得到的分类结果不够精细，对图像中的细节不敏感，所以提取的精度不够好，对于边缘精度不高，尤其是对于一些模糊图像的血管边缘图像提取细节不足。

发明内容

为了克服上述问题或者至少部分地解决上述问题，本发明实施例提供一种基于多特征融合的眼底图像中血管的提取方法与电子设备，用以更有效、更精确地提取血管边缘图像，包括模糊图像的眼底血管边缘图像。

第一方面，本发明实施例提供一种基于多特征融合的眼底图像中血管的提取方法，包括：

基于待处理眼底图像，利用多个不同分类器，分别提取眼底血管的多个不同特征，并对所述多个不同特征进行特征融合；

基于特征融合后的综合特征，利用训练完成的denseCRF模型，获取所述眼底血管的分割图像；

对所述分割图像进行形态学分析处理，提取所述眼底血管的二值图像。

第二方面，本发明实施例提供一种基于多特征融合的眼底图像中血管的提取装置，包括：

综合特征提取模块，用于基于待处理眼底图像，利用多个不同分类器，分别提取眼底血管的多个不同特征，并对所述多个不同特征进行特征融合；

眼底血管图像分割模块，用于基于特征融合后的综合特征，利用训练完成的denseCRF模型，获取所述眼底血管的分割图像；

提取输出模块，用于对所述分割图像进行形态学分析处理，提取所述眼底血管的二值图像。

第三方面，本发明实施例提供一种电子设备，包括：至少一个存储器、至少一个处理器、通信接口和总线；所述存储器、所述处理器和所述通信接口通过所述总线完成相互间的通信，所述通信接口用于所述电子设备与眼底图像设备之间的信息传输；所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上第一方面所述的基于多特征融合的眼底图像中血管的提取方法。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如上第一方面所述的基于多特征融合的眼底图像中血管的提取方法。

本发明实施例提供的基于多特征融合的眼底图像中血管的提取方法与电子设备，考虑不同分类器得到的识别结果之间的互补性，将多种分类器相融合，并将多种特征融合与FCN+denseCRF模型相结合，进行眼底图像中血管图像的提取，能够使眼底血管的分割提取效果更好，模糊边缘的图像也可以提取出部分血管，提高了提取精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的基于多特征融合的眼底图像中血管的提取方法的流程示意图；

图2为根据本发明实施例提供的基于多特征融合的眼底图像中血管的提取方法中进行多特征融合的流程示意图；

图3为根据本发明实施例提供的基于多特征融合的眼底图像中血管的提取方法中对分割图像进行形态学分析的流程示意图；

图4为本发明另一实施例提供的基于多特征融合的眼底图像中血管的提取方法的流程示意图；

图5为本发明实施例提供的基于多特征融合的眼底图像中血管的提取装置的结构示意图；

图6为本发明实施例提供的电子设备的实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明实施例的一部分实施例，而不是全部的实施例。基于本发明实施例中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明实施例保护的范围。

由于神经网络具有很强的自适应性和学习能力、非线性映射能力、鲁棒性和容错能力，受到了人们越来越多的重视。然而，对于使用高维特征进行图像识别，传统的单个分类器难以得到令人满意的识别率。由于不同分类器得到的识别结果之间往往互补性很强，将多种分类器相融合，经过多种特征融合后训练的网络模型可以增加识别信息的可用量，减少信息的不确定性，是提高整个系统识别率，精确度有效途径。本发明实施例采用多种特征融合和FCN+denseCRF模型相结合的方式，使眼底血管的分割提取效果更好，模糊边缘的图像也可以提取出部分血管，提高了精度。以下将具体通过多个实施例对本发明实施例进行展开说明和介绍。

图1为本发明一实施例提供的基于多特征融合的眼底图像中血管的提取方法的流程示意图，如图1所示，该方法包括：

S101，基于待处理眼底图像，利用多个不同分类器，分别提取眼底血管的多个不同特征，并对该多个不同特征进行特征融合。

本发明实施例利用不同分类器得到的识别结果之间的互补性，将多种分类器相融合。即，分别采用不同的分类器，从待处理眼底图像中对应提取眼底血管的不同特征，这些不同特征从不同角度表征眼底血管的形状。其中可选的，上述的多个不同特征具体可以是眼底血管的边缘特征、纹理特征和空间形状特征。

之后，对于这些不同特征，为使对眼底血管图像的标准更准确，将这些不同特征进行特征融合，得到特征融合后的综合特征。可以理解的是，在进行不同特征融合时，可以采用现有的一些数据融合算法进行，也可以采用一些改进算法进行融合。

S102，基于特征融合后的综合特征，利用训练完成的denseCRF模型，获取眼底血管的分割图像。

本发明实施例在根据上述处理获取眼底血管图像的综合特征后，需要根据该综合特征从待处理眼底图像中得到眼底血管的分割图像。具体而言，可以利用条件随机场(denseCRF)来实现分割。以每个像素点作为节点，像素与像素间的关系作为边，即构成了一个条件随机场。利用各不同特征融合后的综合特征，结合denseCRF结构考虑全局类别转移影响，实现眼底血管图像的分割，能够提高正确率，优化结果得到优化后的眼底血管分割图像。

S103，对分割图像进行形态学分析处理，提取眼底血管的二值图像。

本发明实施例在根据上述处理得到眼底血管的分割图像的基础上，为直观的表征眼底血管的形状与位置等，根据眼底血管的分割图像进行形态学分析处理，最终得到待分割的眼底血管的二值图像。

可以理解的是，其中形态学分析主要用于从图像中提取对表达和描绘区域形状有意义的图像分量，使后续的识别工作能够抓住目标对象最具区分能力的形状特征，如边界和连通区域等。

本发明实施例提供的基于多特征融合的眼底图像中血管的提取方法，考虑不同分类器得到的识别结果之间的互补性，将多种分类器相融合，并将多种特征融合与FCN+denseCRF模型相结合，进行眼底图像中血管图像的提取，能够使眼底血管的分割提取效果更好，模糊边缘的图像也可以提取出部分血管，提高了提取精度。

其中，根据上述各实施例可选的，分别提取眼底血管的边缘特征、纹理特征和空间形状特征的步骤具体包括：利用Canny算法分类器，分析待处理眼底图像，提取边缘特征；利用LBP算法分类器，分析待处理眼底图像，提取纹理特征；并，利用FCN算法分类器，分析待处理眼底图像，提取空间形状特征。

可以理解的是，考虑到上述各实施例眼底血管不同的特征的性质，即眼底血管的边缘特征、纹理特征和空间形状特征的不同性质，选择相应的分类器从待处理眼底图像中进行这些特征的分别提取。具体而言，分别基于LBP提取眼底血管的纹理特征、基于canny提取的眼底血管边缘特征以及FCN提取出来的包含非尖锐边界的眼底血管空间形状分割特征。其中的全卷积层网络FCN模型直接基于图像的像素点进行操作，经过一系列的卷积层和一层反卷积层，最后通过softmax层输出类别概率得到分割特征的分割图像。

可以理解的是，为了实现准确的眼底血管图像分割，需要在利用上述各分类器即处理模型进行数据处理之前，利用一定量的训练样本对这些分类器即处理模型进行训练和优化更新，即在利用Canny算法分类器，分析待处理眼底图像，提取边缘特征的步骤之前，本发明实施例的方法还包括：获取一定数量的眼底图像训练样本，并利用眼底图像训练样本，对建立的基础Canny算法分类器、基础LBP算法分类器、基础FCN算法分类器和基础denseCRF模型进行迭代训练，获取Canny算法分类器、LBP算法分类器、FCN算法分类器和denseCRF模型。

可以理解的是，其中的基础Canny算法分类器、基础LBP算法分类器、基础FCN算法分类器和基础denseCRF模型可以是事先根据应用需求随机生成模型参数，或者初始设置模型参数后，自动生成的相应网络模型。之后，需要采用一定量的训练模型对这些网络模型进行迭代训练与优化更新，直到得到满足设定条件的最优模型参数，也即得到最优模型，即可以该最优模型作为最终进行眼底血管图像分割的处理模型，即根据上述各实施例所应用的Canny算法分类器、LBP算法分类器、FCN算法分类器和denseCRF模型。

其中，根据上述各实施例可选的，对多个不同特征进行特征融合的步骤具体包括：分别基于边缘特征、纹理特征和空间形状特征，提取特征向量，并将提取的各特征向量进行级联，构成综合特征向量；利用概率标准化算法，对综合特征向量进行归一化处理，并利用主成份分析算法，对归一化后的综合特征向量进行处理，实现特征融合。

图2为根据本发明实施例提供的基于多特征融合的眼底图像中血管的提取方法中进行多特征融合的流程示意图，如图2所示，本发明实施例在进行眼底血管图像的多特征的融合时，首先基于不同分类器提取的眼底血管的边缘特征、纹理特征和空间形状特征，提取这些不同特征的特征向量，并将这些特征向量进行级联，组成综合特征向量X＝(X₁,···,X_n)。之后，利用概率标准化算法，对综合特征向量X＝(X₁,···,X_n)进行归一化处理，得到归一化后的综合特征向量X′＝(X′₁,...X′_n)，使得各个分量的数量级接近一致。最后，利用主成份分析法，通过求解归一化后的综合特征向量的自相关矩阵并进行相应K-L变换，求解得到上述各不同特征的特征融合。

图3为根据本发明实施例提供的基于多特征融合的眼底图像中血管的提取方法中对分割图像进行形态学分析的流程示意图，如图3所示，利用主成份分析算法，对归一化后的综合特征向量进行处理，实现特征融合的步骤具体包括：求取归一化后的综合特征向量的自相关矩阵，并利用主成份分析算法对自相关矩阵进行分解，分别获取特征向量矩阵和特征值矩阵；将归一化后的综合特征向量进行K-L变换，得到变换后的特征值矩阵，并选取变换后的特征值矩阵中的最大特征值所对应的特征向量，作为综合特征。

根据上述实施例，在基于归一化后的综合特征向量，利用主成份分析法实现眼底血管不同特征的融合时，首先求取归一化后的综合特征向量X′＝(X′₁,...X′_n)的自相关矩阵R，再根据主成份分析法(PCA)的原理，对R进行特征分解，得到特征向量矩阵A和特征值矩阵U。然后，对X′＝(X′₁,...X′_n)进行K-L变换，如令Y′＝U′X′，则Y′即为对X′＝(X′₁,...X′_n)的K-L变换。其中U′的每一列向量均包含了综合特征向量X＝(X₁,···,X_n)的信息在内，之后即可将Y′作为X的融合特征。另外，可以选取最大特征值对应的特征向量作为X的综合特征，达到特征融合的目的，得到包含眼底血管纹理、边缘和空间形状的综合特征。

其中，根据上述各实施例可选的，对分割图像进行形态学分析处理，提取眼底血管的二值图像的步骤具体包括：对分割图像进行灰度化取反，并对灰度化取反后的图像进行形态高帽滤波处理，得到高帽变换后的图像；利用阈值分析法，对高帽变换后的图像进行二值化处理，获取眼底血管的二值图像。

本发明实施例首先对根据上述各实施例的分割图像进行灰度化处理并进行取反，得到灰度化取反后的图像。经该处理后的血管部分灰度较大(较亮)，背景部分则灰度较小(较暗)，方便接下来的高帽滤波处理。

之后，对输入的灰度化取反后的图像进行形态高帽滤波，即从图像中减去形态学开操作后的图像，得到高帽变换后的图像。通过高帽滤波可以增强图像对比度。对二值图像或者灰度图像均可采取高帽滤波。通过高帽滤波可以增强图像对比度，高帽变换能将亮目标从暗背景中凸现出来。

最后，对高帽变换后的图像进行阈值化。即，利用图像中要提取的目标区域与其背景在灰度特性上的差异，把图像看作具有不同灰度级的两类区域(目标区域和背景区域)的组合，选取一个比较合理的阈值，以确定图像中每个像素点应该属于目标区域还是背景区域，从而产生相应的二值图像。通过设置阈值参数，从而提取到眼底血管的二值图像。

为进一步说明本发明实施例的技术方案，本发明实施例根据上述各实施例提供如下实施例的处理流程，但不对本发明实施例的保护范围进行限制。

图4为本发明另一实施例提供的基于多特征融合的眼底图像中血管的提取方法的流程示意图，如图4所示，本发明实施例的提取方法包括以下处理过程：

首先，利用眼底图像训练样本对FCN算法分类器、LBP算法分类器和Canny算法分类器进行训练，可以得到包含非尖锐边界的眼底血管空间形状分割特征、眼底血管纹理特征和眼底血管边缘特征，之后将这些眼底血管特征进行多特征融合。即，

分别基于LBP提取眼底血管的纹理特征、基于canny提取的眼底血管边缘特征以及FCN提取出来的包含非尖锐边界的眼底血管空间形状分割特征；

再提取三种特征的特征向量，然后将这些特征组成向量X＝(X₁···X_n)；

再利用概率标准化方法，对特征向量X＝(X₁···X_n)进行归一化，使得各个分量的数量级接近一致；

最后求取归一化之后的特征向量X′＝(X′₁,...X′_n)的自相关矩阵R，根据PCA的原理，对R进行特征分解，得到特征向量矩阵A和特征值矩阵U，然后将X′经过K-L变换，变换过程中的U′的每一列向量均包含了X的信息在内，之后即可将K-L变换的Y′作为X的融合特征，可以选取最大特征值对应的特征向量作为X的综合特征，达到特征融合的目的，得到包含眼底血管纹理、边缘、空间形状的综合特征。

其次，用得到的综合特征训练denseCRF模型，可以得到眼底血管的分割图像。可以理解的是，上述用于眼底图像血管分割的多种特征融合也可以用在其他网络模型之中。

最后，对于经过denseCRF模型得到的眼底血管分割图像进行形态学处理操作，最终得到眼底血管二值图像。

本发明实施例对于基于LBP提取眼底血管的纹理特征、基于canny提取的眼底血管边缘特征以及FCN提取出来的包含非尖锐边界的眼底血管空间形状分割特征进行PCA处理融合多种特征，用得到的包含眼底血管纹理、边缘、空间形状的综合特征去训练denseCRF模型。由于不同分类器得到的识别结果之间往往互补性很强，将多种分类器相融合，经过多种特征融合后训练的网络模型可以增加识别信息的可用量，减少信息的不确定性，是提高整个系统识别率，精确度有效途径。本发明采用了多种特征融合和FCN+denseCRF模型相结合使眼底血管的分割提取效果更好，模糊的病理图像也可以提取出部分血管边缘，提高了血管以及血管边缘的提取精度。

作为本发明实施例的另一个方面，本发明实施例根据上述各实施例提供一种基于多特征融合的眼底图像中血管的提取装置，该装置用于在上述各实施例中实现基于多特征融合的眼底图像中血管的提取。因此，在上述各实施例的基于多特征融合的眼底图像中血管的提取方法中的描述和定义，可以用于本发明实施例中各个执行模块的理解，具体可参考上述实施例，此处不在赘述。

根据本发明实施例的一个实施例，基于多特征融合的眼底图像中血管的提取装置的结构如图5所示，为本发明实施例提供的基于多特征融合的眼底图像中血管的提取装置的结构示意图，该装置可以用于实现上述各方法实施例中基于多特征融合的眼底图像中血管的提取，该装置包括：综合特征提取模块501、眼底血管图像分割模块502和提取输出模块503。其中：

综合特征提取模块501用于基于待处理眼底图像，利用多个不同分类器，分别提取眼底血管的多个不同特征，并对多个不同特征进行特征融合；眼底血管图像分割模块502用于基于特征融合后的综合特征，利用训练完成的denseCRF模型，获取眼底血管的分割图像；提取输出模块503用于对分割图像进行形态学分析处理，提取眼底血管的二值图像。

具体而言，综合特征提取模块501分别采用不同的分类器，从待处理眼底图像中对应提取眼底血管的不同特征，这些不同特征从不同角度表征眼底血管的形状。其中可选的，上述的多个不同特征具体可以是眼底血管的边缘特征、纹理特征和空间形状特征。之后，对于这些不同特征，综合特征提取模块501为使对眼底血管图像的标准更准确，将这些不同特征进行特征融合，得到特征融合后的综合特征。

眼底血管图像分割模块502可以利用条件随机场(denseCRF)来实现分割。以每个像素点作为节点，像素与像素间的关系作为边，即构成了一个条件随机场。眼底血管图像分割模块502利用各不同特征融合后的综合特征，结合denseCRF结构考虑全局类别转移影响，实现眼底血管图像的分割。

为直观的表征眼底血管的形状与位置等，提取输出模块503根据眼底血管的分割图像进行形态学分析处理，最终得到待分割的眼底血管的二值图像。

本发明实施例提供的基于多特征融合的眼底图像中血管的提取装置，通过设置相应的执行模块，考虑不同分类器得到的识别结果之间的互补性，将多种分类器相融合，并将多种特征融合与FCN+denseCRF模型相结合，进行眼底图像中血管图像的提取，能够使眼底血管的分割提取效果更好，模糊边缘的图像也可以提取出部分血管，提高了提取精度。

可以理解的是，本发明实施例中可以通过硬件处理器(hardware processor)来实现上述各实施例的装置中的各相关程序模块。并且，本发明实施例的基于多特征融合的眼底图像中血管的提取装置利用上述各程序模块，能够实现上述各方法实施例的基于多特征融合的眼底图像中血管的提取流程，在用于实现上述各方法实施例中基于多特征融合的眼底图像中血管的提取时，本发明实施例的装置产生的有益效果与对应的上述各方法实施例相同，可以参考上述各方法实施例，此处不再赘述。

作为本发明实施例的又一个方面，本实施例根据上述各实施例提供一种电子设备，参考图6，为本发明实施例提供的电子设备的实体结构示意图，包括：至少一个存储器601、至少一个处理器602、通信接口603和总线604。

其中，存储器601、处理器602和通信接口603通过总线604完成相互间的通信，通信接口603用于该电子设备与眼底图像设备之间的信息传输；存储器601中存储有可在处理器602上运行的计算机程序，处理器602执行该计算机程序时，实现如上述各实施例所述的基于多特征融合的眼底图像中血管的提取方法。

可以理解为，该电子设备中至少包含存储器601、处理器602、通信接口603和总线604，且存储器601、处理器602和通信接口603通过总线604形成相互间的通信连接，并可完成相互间的通信，如处理器602从存储器601中读取基于多特征融合的眼底图像中血管的提取方法的程序指令等。另外，通信接口603还可以实现该电子设备与眼底图像设备之间的通信连接，并可完成相互间信息传输，如通过通信接口603实现基于多特征融合的眼底图像中血管的提取等。

电子设备运行时，处理器602调用存储器601中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：基于待处理眼底图像，利用多个不同分类器，分别提取眼底血管的多个不同特征，并对多个不同特征进行特征融合；基于特征融合后的综合特征，利用训练完成的denseCRF模型，获取眼底血管的分割图像；对分割图像进行形态学分析处理，提取眼底血管的二值图像等。

上述的存储器601中的程序指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。或者，实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例还根据上述各实施例提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令使计算机执行如上述各实施例所述的基于多特征融合的眼底图像中血管的提取方法，例如包括：基于待处理眼底图像，利用多个不同分类器，分别提取眼底血管的多个不同特征，并对多个不同特征进行特征融合；基于特征融合后的综合特征，利用训练完成的denseCRF模型，获取眼底血管的分割图像；对分割图像进行形态学分析处理，提取眼底血管的二值图像等。

本发明实施例提供的电子设备和非暂态计算机可读存储介质，通过执行上述各实施例所述的基于多特征融合的眼底图像中血管的提取方法，考虑不同分类器得到的识别结果之间的互补性，将多种分类器相融合，并将多种特征融合与FCN+denseCRF模型相结合，进行眼底图像中血管图像的提取，能够使眼底血管的分割提取效果更好，模糊边缘的图像也可以提取出部分血管，提高了提取精度。

可以理解的是，以上所描述的装置、电子设备及存储介质的实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，既可以位于一个地方，或者也可以分布到不同网络单元上。可以根据实际需要选择其中的部分或全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上实施方式的描述，本领域的技术人员可以清楚地了解，各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令，用以使得一台计算机设备(如个人计算机，服务器，或者网络设备等)执行上述各方法实施例或者方法实施例的某些部分所述的方法。

另外，本领域内的技术人员应当理解的是，在本发明实施例的申请文件中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本发明实施例的说明书中，说明了大量具体细节。然而应当理解的是，本发明实施例的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明实施例公开并帮助理解各个发明方面中的一个或多个，在上面对本发明实施例的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。

然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明实施例的单独实施例。

最后应说明的是：以上实施例仅用以说明本发明实施例的技术方案，而非对其限制；尽管参照前述实施例对本发明实施例进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例各实施例技术方案的精神和范围。