发明内容
有鉴于此,本公开实施例提供一种图像差异判断方法、装置及电子设备,至少部分解决现有技术中存在的问题。
第一方面,本公开实施例提供了一种图像差异判断方法,包括:
设置针对图像进行数据计算的分类器;
基于所述分类器,确定与第一图像集合相关联的第一向量集合和与第二图像集合相关联的第二向量集合;
确定所述第一向量集合与所述第二向量集合的方差比值;以及
基于所述方差比值,确定所述第一图像集合中的图像是否满足差异性要求。
根据本公开实施例的一种具体实现方式,所述设置针对图像进行数据计算的分类器,包括:
对图像中包含的目标对象的属性进行提取;
基于提取的目标对象的属性训练分类器。
根据本公开实施例的一种具体实现方式,所述设置针对图像进行数据计算的分类器,包括:
设置对图像进行分类的神经网络模型,所述神经网络模型包括多个卷积层;
在所述多个卷积层中,将第i个卷积层的输出和第i+2个卷积层的输出作为第i+3个卷积层的输入。
根据本公开实施例的一种具体实现方式,所述基于所述分类器,分别对第一图像集合和第二图像集合进行计算,得到第一向量集合和第二向量集合,包括:
获取分类器对第一图像集合中的每个图像进行分类时产生的第一特征向量;
基于所述第一特征向量,形成第一向量集合;
获取分类器对第二图像集合中的每个图像进行分类时产生的第二特征向量;
基于所述第二特征向量,形成第二向量集合。
根据本公开实施例的一种具体实现方式,所述获取分类器对第一图像集合中的每个图像进行分类时产生的第一特征向量,包括:
获取所述分类器对应的神经网络模型针对该图像的、倒数第二层的输出结果,以作为与该图像对应的第一特征向量。
根据本公开实施例的一种具体实现方式,确定所述第一向量集合与所述第二向量集合的方差比值,包括:
确定所述第一向量集合的第一方差;
确定所述第二向量集合的第二方差;
确定所述第一方差与所述第二方差的比值,作为所述方差比值;
其中基于所述方差比值,确定所述第一图像集合中的图像是否满足差异性要求包括:
确定所述方差比值是否大于预设阈值;
响应于所述方差比值大于所述预设阈值,判定所述第一图像集合中的图像满足差异性要求。
根据本公开实施例的一种具体实现方式,所述第一图像集合中的图像通过预设模型自动生成,所述第二图像集合中的图像通过人工操作方式生成。
根据本公开实施例的一种具体实现方式,所述第一图像集合中图像的数目与所述第二图像集合中图像的数目相同。
第二方面,本公开实施例提供了一种图像差异判断装置,包括:
设置模块,用于设置针对图像进行数据计算的分类器;
计算模块,用于基于所述分类器,确定与第一图像集合相关联的第一向量集合和与第二图像集合相关联的第二向量集合;
第一确定模块,用于确定所述第一向量集合与所述第二向量集合的方差比值;
第二确定模块,用于基于所述方差比值,确定所述第一图像集合中的图像是否满足差异性要求。
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述任第一方面或第一方面的任一实现方式中的图像差异判断方法。
第四方面,本公开实施例还提供了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,该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的图像差异判断方法。
第五方面,本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述第一方面或第一方面的任一实现方式中的图像差异判断方法。
本公开实施例中的图像差异判断方案,包括设置针对图像进行数据计算的分类器;基于所述分类器,确定与第一图像集合相关联的第一向量集合和与第二图像集合相关联的第二向量集合;确定所述第一向量集合与所述第二向量集合的方差比值;以及基于所述方差比值,确定所述第一图像集合中的图像是否满足差异性要求。通过本公开的方案,保证了第一图像集合中图像的差异性。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种图像差异判断方法。本实施例提供的图像差异判断方法可以由一计算装置来执行,该计算装置可以实现为软件,或者实现为软件和硬件的组合,该计算装置可以集成设置在服务器、终端设备等中。
参见图1,本公开实施例提供的一种图像差异判断方法,包括如下步骤:
S101,设置针对图像进行数据计算的分类器。
本公开中的图像可以是各种类型的图像,例如动漫图像、自然风光图像、人物照片等。根据图像中的不同的构成元素,可以确定图像的多个不同属性,以动漫图像为例,动漫图像上的动漫人物的构成元素可以是头发、发色、眼睛等,对这些构成元素而言,通常不同的动漫人物具有不同长短的头发、不同类型的发色、眼睛的不同大小、眼睛的不同颜色,等等。可以将一种构成元素作为图像的一个属性,多个不同的构成元素便构成了图像的多个不同属性。例如,对于漫画图像而言,不同长短的头发、不同类型的发色、眼睛的不同大小、眼睛的不同颜色等体现动漫特点的特征便构成了动漫图像的不同属性。
针对不同的属性,可以构建针对不同属性进行分类计算的分类器。作为一个例子,分类器可以基于神经网络模型进行构造。参见图2,神经网络模型包括卷积层、池化层、采样层和全连接层。
卷积层主要参数包括卷积核的大小和输入特征图的数量,每个卷积层可以包含若干个相同大小的特征图,同一层特征值采用共享权值的方式,每层内的卷积核大小一致。卷积层对输入图像进行卷积计算,并提取输入图像的布局特征。
卷积层的特征提取层后面都可以与采样层连接,采样层用来求输入表情图像的局部平均值并进行二次特征提取,通过将采样层与卷积层连接,能够保证神经网络模型对于输入表情图像具有较好的鲁棒性。
为了加快神经网络模型的训练速度,在卷积层后面还设置有池化层,池化层采用最大池化的方式对卷积层的输出结果进行处理,能够更好的提取输入图像的不变性特征。
S102,基于所述分类器,确定与第一图像集合相关联的第一向量集合和与第二图像集合相关联的第二向量集合。
全连接层将经过多个卷积层和池化层的表情图像的特征进行整合,获取输入图像特征具有的图像特征,以用于区分表情图像。在神经网络模型中,全连接层将卷积层产生的特征图映射成一个固定长度的特征向量(2048个维度的向量)。该特征向量包含了输入图像所有特征的组合信息,该特征向量将图像中含有最具有特点的图像特征保留了下来以完成图像分类任务。这样一来便可以计算输入图像具体数值。
第一图像集合中图像的差异性是本公开所要进行判断和评价的对象,第一图像集合中的图像可以是通过人工智能的方式自动生成的图像,也可以是通过其他方式产生的图像。第一图像集合中的每个图像均含有不同的构成元素,基于这些不同的构成元素,可以确定第一图像集合中每个图像的多个不同属性。将第一图像集合中的图像作为分类器的输入,可以通过分类器来计算出第一图像集合中的每个图像的特征向量,将第一图像集合中每个图像的特征向量组合在一起,便构成了第一向量集合。
第二图像集合中的图像是满足差异性要求的样本图像,第二图像集合中的图像可以是通过人工绘制的方式生成的图像,也可以是通过其他方式产生的图像。第二图像集合中每个图像均含有不同的构成元素,基于这些不同的构成元素,可以确定第二图像集合中每个图像的多个不同属性。第二图像集合中的图像作为样本图像满足图像构成元素差异性的要求。将第二图像集合中的图像作为分类器的输入,可以通过分类器来计算出第二图像集合中的每个图像的特征向量,将第二图像集合中每个图像的特征向量组合在一起,便构成了第二向量集合。第二向量集合为满足差异性要求的向量集合。
S103,确定所述第一向量集合与所述第二向量集合的方差比值。
在获得第一向量集合和第二向量集合之后,可以分别计算第一向量集合的方差a和第二向量集合的方差b。以第一向量集合为例,可以首先计算第一向量集合的均值m,通过计算第一向量集合a中每个元素与均值m之间差的平方和,来计算第一向量集合的方差a。采用同样的方式,也可以计算第二向量集合的方差b。
S104,基于所述方差比值,确定所述第一图像集合中的图像是否满足差异性要求。
通常来讲,图像集合中的图像的差异性越大,其得到的向量集合的方差值就越大,图像集合中图像的差异性越小,其得到的向量集合的方差值就越小。通过比较a与b的比值,可以确定第一图像集合中的图像是否满足差异性的要求。例如,可以选择1000张满足图像差异性的图像集合作为第一图像集合,选择1000张通过人工智能方式产生的图片作为第二图像集合。通过分类器计算后分别获得二者的向量集合,并最终比较第一图像集合和第二图像集合的方差大小。比如,第一图像集合的方差>80%*第二图像集合的方差时,可以认为第一图像集合中的图片满足差异性的要求。具体的方差比值可以根据实际的需要进行设定,在此不对方差比值作具体的限定。
在设置针对图像进行数据计算的分类器的过程中,需要对图像中存在的目标对象进行属性提取,目标对象是图像中不同构成元素的集合。以动漫图像为例,动漫中存在的对象(例如,人物,动物等)便是目标对象。在对图像中的构成元素进行提取之前,需要首先识别出图像中的目标对象。在目标对象识别完成之后,通过对图像中包含的目标对象的属性进行提取,能够基于提取的目标对象的多个不同属性来训练分类器,得到分类器针对图像计算出的特征向量。
分类器所采用的神经网络模型可以采取多种不同的网络结构,参见图3,根据本公开实施例的一种具体实现方式,分类器所采用的神经网络模型可以包括多个卷积层,通过设置多个卷积层,能够提高分类器的计算效率。
在存在多个卷积层的同时,会导致分类器的鲁棒性变差,为此,需要对采样层的输入进行修正,为此,在所述多个卷积层中,将第i个卷积层的输出和第i+2个卷积层的输出作为第i+3个卷积层的输入。其中,多个卷积层的数目为N个,i+3小于等于N,i大于等于1。通过对卷积层的网络结构进行修正,保证了分类器在计算特征向量时的鲁棒性。
可以采用多种方式来获取每个图像的特征向量,根据本公开实施例的一种具体实现方式,获取分类器对第一图像集合中的每个图像进行计算时产生的特征向量,可以获取所述分类器对应的神经网络模型倒数第二层的输出结果,将所述输出结果作为第一图像集合中每个图像对应的特征向量。
参见图4,根据本公开实施例的一种具体实现方式,所述通过所述第一向量集合与所述第二向量集合的方差比值,确定所述第一图像集合中的图像是否满足差异性要求,包括如下步骤:
S401,确定所述第一向量集合的第一方差。
在获得第一向量集合之后,便可以算第一向量集合的方差a,作为第一方差。由于图像集合中的图像的差异性越大,其得到的向量集合的方差值就越大,图像集合中图像的差异性越小,其得到的向量集合的方差值就越小,第一方差能够通过数值的方式表征第一向量集合的差异程度。
S402,确定所述第二向量集合的第二方差。
在获得第二向量集合之后,便可以算第二向量集合的方差b,作为第二方差。由于图像集合中的图像的差异性越大,其得到的向量集合的方差值就越大,图像集合中图像的差异性越小,其得到的向量集合的方差值就越小,第二方差能够通过数值的方式表征满足图像差异性的第二向量集合的差异程度。
S403,确定所述方差比值是否大于预设阈值。
通过比较a与b的比值是否大于预设阈值,可以确定第一图像集合中的图像是否满足差异性的要求。例如,可以选择1000张满足图像差异性的图像集合作为第一图像集合,选择1000张通过人工智能方式产生的图片作为第二图像集合。通过分类器计算后分别获得二者的向量集合,并最终比较第一图像集合和第二图像集合的方差大小。预设阈值的具体数值可以根据实际的需要进行设定,在此不作限定。
S404,响应于所述方差比值大于所述预设阈值,判定所述第一图像集合中的图像满足差异性要求。
通过与预设阈值进行比较,便可以判断第一图像集合中的图像是否满足差异性要求。比如,第一图像集合的方差>80%*第二图像集合的方差时,可以认为第一图像集合中的图片满足差异性的要求。
第一图像集合和第二图像集合中的图像可以采用多种方式产生,例如,第一图像集合中的图像通过预设模型(例如,神经网络模型)自动生成,第二图像集合中的图像通过人工操作(例如,人工绘制)方式生成。
在设置第一图像集合和第二图像集合的过程中,第一图像集合中图像的数目与所述第二图像集合中图像的数目可以相同,或者,第一图像集合中图像的数目与所述第二图像集合中图像的数目也可以不相同。
与上面的方法实施例相对应,参见图5,本公开实施例还提供了一种图像差异判断装置50,包括:
设置模块501,用于设置针对图像进行数据计算的分类器。
本公开中的图像可以是各种类型的图像,例如动漫图像、自然风光图像、人物照片等。根据图像中的不同的构成元素,可以确定图像的多个不同属性,以动漫图像为例,动漫图像上的动漫人物的构成元素可以是头发、发色、眼睛等,对这些构成元素而言,通常不同的动漫人物具有不同长短的头发、不同类型的发色、眼睛的不同大小、眼睛的不同颜色,等等。可以将一种构成元素作为图像的一个属性,多个不同的构成元素便构成了图像的多个不同属性。例如,对于漫画图像而言,不同长短的头发、不同类型的发色、眼睛的不同大小、眼睛的不同颜色等体现动漫特点的特征便构成了动漫图像的不同属性。
针对不同的属性,可以构建针对不同属性进行分类计算的分类器。作为一个例子,分类器可以基于神经网络模型进行构造。参见图2,神经网络模型包括卷积层、池化层、采样层和全连接层。
卷积层主要参数包括卷积核的大小和输入特征图的数量,每个卷积层可以包含若干个相同大小的特征图,同一层特征值采用共享权值的方式,每层内的卷积核大小一致。卷积层对输入图像进行卷积计算,并提取输入图像的布局特征。
卷积层的特征提取层后面都可以与采样层连接,采样层用来求输入表情图像的局部平均值并进行二次特征提取,通过将采样层与卷积层连接,能够保证神经网络模型对于输入表情图像具有较好的鲁棒性。
为了加快神经网络模型的训练速度,在卷积层后面还设置有池化层,池化层采用最大池化的方式对卷积层的输出结果进行处理,能够更好的提取输入图像的不变性特征。
计算模块502,用于基于所述分类器,确定与第一图像集合相关联的第一向量集合和与第二图像集合相关联的第二向量集合。
全连接层将经过多个卷积层和池化层的表情图像的特征进行整合,获取输入图像特征具有的图像特征,以用于区分表情图像。在神经网络模型中,全连接层将卷积层产生的特征图映射成一个固定长度的特征向量(2048个维度的向量)。该特征向量包含了输入图像所有特征的组合信息,该特征向量将图像中含有最具有特点的图像特征保留了下来以完成图像分类任务。这样一来便可以计算输入图像具体数值。
第一图像集合中图像的差异性是本公开所要进行判断和评价的对象,第一图像集合中的图像可以是通过人工智能的方式自动生成的图像,也可以是通过其他方式产生的图像。第一图像集合中的每个图像均含有不同的构成元素,基于这些不同的构成元素,可以确定第一图像集合中每个图像的多个不同属性。将第一图像集合中的图像作为分类器的输入,可以通过分类器来计算出第一图像集合中的每个图像的特征向量,将第一图像集合中每个图像的特征向量组合在一起,便构成了第一向量集合。
第二图像集合中的图像是满足差异性要求的样本图像,第二图像集合中的图像可以是通过人工绘制的方式生成的图像,也可以是通过其他方式产生的图像。第二图像集合中每个图像均含有不同的构成元素,基于这些不同的构成元素,可以确定第二图像集合中每个图像的多个不同属性。第二图像集合中的图像作为样本图像满足图像构成元素差异性的要求。将第二图像集合中的图像作为分类器的输入,可以通过分类器来计算出第二图像集合中的每个图像的特征向量,将第二图像集合中每个图像的特征向量组合在一起,便构成了第二向量集合。第二向量集合为满足差异性要求的向量集合。
第一确定模块503,用于确定所述第一向量集合与所述第二向量集合的方差比值。
在获得第一向量集合和第二向量集合之后,可以分别计算第一向量集合的方差a和第二向量集合的方差b。以第一向量集合为例,可以首先计算第一向量集合的均值m,通过计算第一向量集合a中每个元素与均值m之间差的平方和,来计算第一向量集合的方差a。采用同样的方式,也可以计算第二向量集合的方差b。
第二确定模块504,用于基于所述方差比值,确定所述第一图像集合中的图像是否满足差异性要求。
通常来讲,图像集合中的图像的差异性越大,其得到的向量集合的方差值就越大,图像集合中图像的差异性越小,其得到的向量集合的方差值就越小。通过比较a与b的比值,可以确定第一图像集合中的图像是否满足差异性的要求。例如,可以选择1000张满足图像差异性的图像集合作为第一图像集合,选择1000张通过人工智能方式产生的图片作为第二图像集合。通过分类器计算后分别获得二者的向量集合,并最终比较第一图像集合和第二图像集合的方差大小。比如,第一图像集合的方差>80%*第二图像集合的方差时,可以认为第一图像集合中的图片满足差异性的要求。具体的方差比值可以根据实际的需要进行设定,在此不对方差比值作具体的限定。
图5所示装置可以对应的执行上述方法实施例中的内容,本实施例未详细描述的部分,参照上述方法实施例中记载的内容,在此不再赘述。
参见图6,本公开实施例还提供了一种电子设备60,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中图像差异判断方法。
本公开实施例还提供了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,该计算机指令用于使该计算机执行前述方法实施例中。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的图像差异判断方法。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取至少两个网际协议地址;向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求,其中,所述节点评价设备从所述至少两个网际协议地址中,选取网际协议地址并返回;接收所述节点评价设备返回的网际协议地址;其中,所获取的网际协议地址指示内容分发网络中的边缘节点。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:接收包括至少两个网际协议地址的节点评价请求;从所述至少两个网际协议地址中,选取网际协议地址;返回选取出的网际协议地址;其中,接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。