具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本发明说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本发明说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本发明说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
应理解,以下实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
为了说明本发明的技术方案,下面通过具体实施例来进行说明。
本发明实施例一提供的一种用于视觉检测的图像分割方法,可应用在如图1的应用环境中,其中,客户端与服务端进行通信。其中,客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、云端终端设备、个人数字助理(personal digital assistant,PDA)等计算机设备。服务端可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参见图2,是本发明实施例一提供的一种用于视觉检测的图像分割方法的流程示意图,上述图像分割方法可以应用于图1中的客户端,客户端对应的计算机设备连接服务端,以从服务端获取待处理图像,在本实施例中,待处理图像的采集场景可以为晶圆视觉检测场景,即通过视觉采集到的晶圆图像进行图像分割处理。如图2所示,该图像分割方法可以包括以下步骤:
步骤S201,采用预设的分割阈值对待处理图像进行预分割,得到待处理图像中每个像素点的预分割类别。
其中,分割阈值可以用于与待处理图像的像素点进行比对,根据比对结果确定待处理图像中的像素点所属的预分割类别,预分割类别包括前景类别和背景类别,前景类别可以是指待处理图像中待分割物体对应的像素点所属的类别,背景类别可以是指待处理图像中非待分割物体对应的像素点所属的类别。
具体地,分割阈值的设置取值范围为[0,255],分割阈值的具体取值可以由实施者根据实际工况确定,根据待处理图像中的像素点与分割阈值的比对结果,可以将待处理图像中的像素点划分为两个类别,一个类别为像素值小于或者等于分割阈值的像素点所属的类别,另一类别为像素值大于分割阈值的像素点所属的类别。
举例说明,在本实施例中,图像分割可以应用于晶圆视觉检测,若在晶圆图像采集的场景下除晶圆外的背景区域均采用白色,由于白色对应的像素值为255,可以将分割阈值设置为200,将像素值大于200的像素点在待处理图像所属的类别确定为背景类别,相应地,将像素值小于或者等于200的像素点所属的类别确定为前景类别,从而实现了待处理图像中前景像素点和背景像素点的预分割。
可选的是,在采用预设的分割阈值对待处理图像进行预分割之前,还包括:
采用预设的锐度算法对待处理图像中的每个像素点处理,得到每个像素点的评估值;
对所有像素点的评估值求和,根据预设的映射表将求和结果映射为图像权重;
计算待处理图像中的所有像素点的像素值均值与图像权重的乘积,确定计算结果为预设的分割阈值。
其中,锐度可以无参考图像的情况下表征待处理图像的清晰度,锐度算法可以是指根据待处理图像中的像素值计算锐度的方法,评估值可以是指待处理图像中每个像素点通过锐度算法计算得到的锐度评估值,预设的映射表可以包括图像评估值总和与图像权重的映射关系,图像权重可以是指图像清晰度的数值表示。
具体地,设待处理图像的尺寸为M*N,即待处理图像为M行N列的二维矩阵,对于待处理图像中的任一个像素点,获取该像素点的邻域像素点,在本实施例中,选取该像素点的八邻域范围内的像素点,即通常情况下,该像素点的领域像素点个数为八个,需要说明的是,若该像素点处于待处理图像的边缘,其邻域像素点的个数可能小于八个,但并不影响其评估值的计算。
将任一邻域像素点的像素值与该像素点的像素值进行差值计算,将计算结果的绝对值与预设距离值的比值作为该像素点的评估子值,遍历所有邻域像素点,得到该像素点的所有评估子值,计算所有评估子值的和作为该像素点的评估值。
预设距离值可以根据像素点之间的距离确定,在本实施例中,像素点之间的距离根据像素点中心位置的距离确定,设置同行或者同列相邻的像素点之间的预设距离值为1,例如坐标为(m,n)的像素点与坐标为(m+1,n)的像素点的预设距离值为1,相应地,根据勾股定理,可以计算出非同行且非同列相邻的像素点之间的预设距离值为
,例如坐标为(m,n)的像素点与坐标为(m+1,n+1)的像素点的预设距离值为
。
需要说明的是,对于一个像素点的邻域像素点,其通常应当包含四个与该像素点同行或者同列相邻的像素点,以及四个与该像素点非同行且非同列相邻的像素点,在计算一邻域像素点的评估子值时,根据该邻域像素点与该像素点的相邻类型,相邻类型即为上述同行或者同列相邻和上述非同行且非同列相邻,确定计算评估子值时的预设距离值。
在根据预设的映射表将求和结果映射为图像权重时,可以预先设置若干个参考区间,一参考区间对应于一图像权重,在得到求和结果之后,判断求和结果所属的参考区间,得到求和结果对应的图像权重,在本实施例中,图像权重的取值范围为[0,1],以确保分割阈值的取值不会超过像素值的取值范围。
本实施例中,采用锐度算法计算待处理图像的评估值之和,再根据评估值之和映射得到的图像权重与待处理图像的像素值均值的乘积作为分割阈值,相较于人为设置分割阈值,能够具体根据待处理图像的灰度信息动态设置分割阈值,使得预分割过程的泛化能力更强,且采用锐度算法能够有效计算出可以表征图像清晰度的评估值,能够有效克服图像模糊等工况对预分割过程的影响,从而进一步提高预分割的准确率。
可选的是,采用预设的分割阈值对待处理图像进行预分割,得到待处理图像中每个像素点的预分割类别包括:
针对待处理图像中的任一像素点,将像素点的像素值与评估值相乘,得到相乘结果;
若相乘结果大于分割阈值,则确定像素点的预分割类别为前景类别;
若相乘结果小于或者等于分割阈值,则确定像素点的预分割类别为背景类别。
其中,评估值均以经过归一化处理,即评估值的取值范围为[0,1],以确保像素点的像素值与评估值的相乘结果不会超过像素值的取值范围。
本实施例将像素点的像素值和评估值的相乘结果与分割阈值比较,对待处理图像进行预分割,能够根据像素点局部的图像质量调整像素值,从而避免在图像模糊等工况下,因前景类别和背景类别的像素点像素值差异较小,出现误分割的情况,提高了预分割的准确率。
上述采用预设的分割阈值对待处理图像进行预分割,得到待处理图像中每个像素点的预分割类别的步骤,将待处理图像中的像素点预分割为前景类别和背景类别,进而起到隔离工况的作用,即在后续确定前景特征值时,能够隔离背景类别像素点的影响,同时,在后续确定背景特征值时,能够隔离前景类别像素点的影响,提高了后续前景特征值和背景特征值确定的准确率,进而提高了图像分割的准确率。
步骤S202,根据所有前景类别的像素点的像素值的均值和方差,构建第一正态分布,根据所有背景类别的像素点的像素值的均值和方差,构建第二正态分布。
其中,第一正态分布可以用于表征前景类别像素点的像素值的取值概率分布,第二正态分布可以用于表征背景类别像素点的像素值的取值概率分布。
具体地,正态分布可以表征在已知像素点的预分割类别的情况下,像素点取某一像素值的概率。
上述根据所有前景类别的像素点的像素值的均值和方差,构建第一正态分布,根据所有背景类别的像素点的像素值的均值和方差,构建第二正态分布的步骤,能够有效表征已知预分割类别的像素值的取值概率,进而便于后续根据取值概率确定特征值,提高了特征值确定的准确率。
步骤S203,根据每个像素点的像素值和第一正态分布,确定每个像素点的前景特征值,根据每个像素点的像素值和第二正态分布,确定每个像素点的背景特征值。
其中,前景特征值可以用于表征待处理图像中每个像素点的前景信息,背景特征值可以用于表征待处理图像中每个像素点的背景信息。
可选的是,根据每个像素点的像素值和第一正态分布,确定每个像素点的前景特征值,根据每个像素点的像素值和第二正态分布,确定每个像素点的背景特征值包括:
确定所有像素点的像素值中的最小值,针对任一像素点,根据最小值和像素点的像素值确定目标区间;
确定目标区间在第一正态分布内对应的第一概率值,将第一概率值与预设值相乘,以相乘结果作为像素点的前景特征值;
确定目标区间在第二正态分布内对应的第二概率值,将第二概率值与预设值相乘,以相乘结果作为背景特征值,遍历所有像素点,得到每个像素点的前景特征值和背景特征值。
其中,所有像素点的像素值中的最小值可以作为目标区间的左边界,像素点的像素值可以作为目标区间的右边界,根据左边界和右边界可以确定目标区间。
具体地,在正态分布中,横轴可以表示像素值的取值,而像素值在正态分布中的映射值的物理含义为概率密度,采用取值区间的方式,可以对区间对应的分布区域进行积分计算,积分计算得到的面积即为区间对应的概率值。
在本实施例中,以最小值作为目标区间的左边界,则目标区间对应的概率值实际为累积概率,即是小于或者等于像素点像素值的所有像素点像素值的概率值之和,采用累积概率的方式进行计算,便于直接根据累积概率对像素点像素值进行调整,进而得到前景特征值和背景特征值。
举例说明,若像素点的像素值为120,所有像素点像素值的最小值为5,则目标区间为[5,120],相应地,在第一正态分布中,区间[5,120]对应的分布积分面积占整个第一正态分布的面积的比例为0.5,则第一概率值为0.5,在本实施例中,预设值为255,将第一概率值与预设值相乘后,需要进行取整处理,取整处理可以采用四舍五入的方式,在本例中,相乘结果为127.5,即取整处理后为128,则确定128为像素点的前景特征值。
在一实施方式中,在确定像素点像素值在正态分布中对应的概率值时,还可以设置区间范围较小的目标区间,以得到该像素点像素值对应的概率值,例如,可以设置区间长度为1,对于像素值120,以目标区间[120,121]对应的概率值作为特征值。
本实施例中,根据第一正态分布和正态分布,确定每个像素点的前景特征值和背景特征值,能够起到放缩的作用,在正态分布的方差较小的情况下,也即待处理图像像素值分布较为紧凑的情况下,放大不同像素值之间的差异,起到提高对比度的效果,进而提高后续图像分割的准确率。
上述根据每个像素点的像素值和第一正态分布,确定每个像素点的前景特征值,根据每个像素点的像素值和第二正态分布,确定每个像素点的背景特征值的步骤,分别确定像素点的前景特征值和背景特征值,从而便于后续根据前景特征值和背景特征值的相似度计算结果确定像素点的分割类别,提高了图像分割的准确率。
步骤S204,针对任一像素点,计算像素点的前景特征值和像素点的背景特征值的相似度,根据相似度与预设相似度阈值的比较结果,确定像素点的分割类别,得到待处理图像中所有像素点的分割类别。
其中,相似度可以通过像素点的前景特征值和像素点的背景特征值的差值表征,相似度阈值为预设值,在本实施例中,相似度阈值设置为0.7。
可选的是,分割类别包括边缘类别和非边缘类别;
根据相似度与预设相似度阈值的比较结果,确定对应像素点的分割类别包括:
将相似度与预设相似度阈值进行比较,当相似度大于预设相似度阈值时,确定对应像素点为边缘类别;
当相似度小于或者等于预设相似度阈值时,确定对应像素点为非边缘类别。
其中,边缘类别可以是指像素点属于边缘缺陷,非边缘类别可以是指像素点属于正常非缺陷,在本实施例的晶圆视觉检测场景下,除了晶圆自身的边缘外,其他边缘即可被认定为缺陷,例如划痕、磨损等缺陷,因此,本实施例的图像分割方法可以用于对晶圆进行质量检测。
本实施例中,基于图像属性的先验信息,即边缘位置的像素点计算得到的相似度均很高,而非边缘位置的像素点计算得到的相似度均很低,从而根据相似度阈值对图像进行精准分割,提高了图像分割的准确率。
可选的是,在得到待处理图像中所有像素点的分割类别之后,还包括:
根据所有像素点的分割类别,对待处理图像进行再次分割,得到图像分割结果。
其中,分割类别可以包括边缘类别和非边缘类别,在得到分割类别之后,按照分割类别对待处理图像再次分割,得到分割图像,分割图像为二值图像,其中,边缘类别的像素点像素值为1,非边缘类别的像素点像素值为0。
本实施例根据所有像素点的分割类别,对待处理图像进行再次分割,从而得到直观的分割图像,分割图像与待处理图像尺寸一致,因此可根据分割图像中边缘类别的像素点坐标对应到待处理图像中,便于进行边缘定位,提高视觉检测过程的定位效率。
上述针对任一像素点,计算像素点的前景特征值和像素点的背景特征值的相似度,根据相似度与预设相似度阈值的比较结果,确定像素点的分割类别,得到待处理图像中所有像素点的分割类别的步骤,根据像素点的前景特征值和像素点的背景特征值的相似度确定像素点的分割类别,利用属于边缘像素点的图像属性对像素点进行有效分割,从而提高了图像分割的准确率。
本实施例中通过预分割得到的前景类别像素点和背景类别像素点,分别构建第一正态分布和第二正态分布,并根据正态分布确定前景特征值和背景特征值,使得边缘像素点的前景特征值和背景特征值的差异更为明显,保证了图像分割的准确率,同时由于正态分布是基于待处理图像确定的,即特征值会根据待处理图像的变更自适应调整,从而使得特征值能够适应于不同待处理图像,提高了图像分割的泛化能力。
参见图3,是本发明实施例二提供的一种用于视觉检测的图像分割方法的流程示意图,该图像分割方法中在得到每个像素点的前景特征值和背景特征值之后,可以直接采用前景特征值和背景特征值进行相似度计算,也可以根据像素点的邻域信息对前景特征值和背景特征值进行更新,采用更新后的前景特征值和更新后的背景特征值进行相似度计算。
直接采用前景特征值和背景特征值进行相似度计算的过程,参见实施例一,在此不再赘述。
根据像素点的邻域信息对前景特征值和背景特征值进行更新,采用更新后的前景特征值和更新后的背景特征值进行相似度计算的过程如下:
步骤S301,针对任一像素点,以预设模板在待处理图像中提取包含像素点在内的至少两个目标像素点,根据所有目标像素点对应的前景特征值的均值和方差,构建第一目标正态分布,根据所有目标像素点对应的背景特征值的均值和方差,构建第二目标正态分布;
步骤S302,将每个目标像素点的前景特征值输入第一目标正态分布,根据输出对应目标像素点的映射值为对应目标像素点的第一权重;
步骤S303,将每个目标像素点的背景特征值输入第二目标正态分布,根据输出对应目标像素点的映射值为对应目标像素点的第二权重;
步骤S304,将每个目标像素点的前景特征值分别与其对应的第一权重相乘后再相加,以相加结果更新前景特征值,得到像素点更新后的前景特征值;
步骤S305,将每个目标像素点的背景特征值分别与其对应的第二权重相乘后再相加,以相加结果更新背景特征值,得到像素点更新后的背景特征值;
相应地,针对任一像素点,计算像素点的前景特征值和像素点的背景特征值的相似度包括:
步骤S306,针对任一像素点,计算像素点更新后的前景特征值和像素点更新后的背景特征值的相似度。
其中,预设模板可以是指预设尺寸的模板,在本实施例中模板尺寸设置为3*3,即目标像素点的个数为9,模板内元素的值均为1,目标像素点可以是指用于构建目标正态分布的像素点,第一目标正态分布可以是指基于目标像素点的前景特征值构建的正态分布,第二目标正态分布可以是指基于目标像素点的背景特征值构建的正态分布。
第一权重可以是指目标像素点在更新前景特征值时的权重,第二权重可以是指目标像素点在更新背景特征值时的权重。
具体地,计算所有目标像素点对应的前景特征值的均值和方差,根据计算得到的均值和方差可以构建一维正态分布,在一维正态分布中,横轴可以表征前景特征值,前景特征值的取值范围为[0,255],则可以将目标像素点的前景特征值输入第一目标正态分布,确定目标像素点的前景特征值在第一目标正态分布中的对应值为第一权重,同理,可以得到目标像素点的背景特征值在第二目标正态分布中的对应值为第二权重。
将所有目标像素点的前景特征值根据对应目标像素点的第一权重进行加权求和,加权求和后需要与目标像素点的数量进行比值计算,以计算结果作为更新后的前景特征值。
将所有目标像素点的背景特征值根据对应目标像素点的第二权重进行加权求和,加权求和后需要与目标像素点的数量进行比值计算,以计算结果作为更新后的背景特征值。
将更新后的前景特征值和更新后的背景特征值作差,对作差结果进行归一化处理,处理结果即可以用于表征相似度。
本实施例中,根据局部特征更新像素点的特征值,在计算局部特征的时候引入了正态分布的概念进行加权计算,相比于直接计算邻域,突出了邻域间的关联程度,使得结果更具真实性,从而提高了特征值的表征能力,有利于提高图像分割的准确率。
对应于上文实施例的用于视觉检测的图像分割方法,图4示出了本发明实施例三提供的用于视觉检测的图像分割装置的结构框图,上述图像分割装置应用于客户端,客户端对应的计算机设备连接服务端,以从服务端获取待处理图像,在本实施例中,待处理图像的采集场景可以为晶圆视觉检测场景,即通过视觉采集到的晶圆图像进行图像分割处理。为了便于说明,仅示出了与本发明实施例相关的部分。
参见图4,该图像分割装置包括:
预分割模块41,用于采用预设的分割阈值对待处理图像进行预分割,得到待处理图像中每个像素点的预分割类别,预分割类别包括前景类别和背景类别;
分布构建模块42,用于根据所有前景类别的像素点的像素值的均值和方差,构建第一正态分布,根据所有背景类别的像素点的像素值的均值和方差,构建第二正态分布;
特征值确定模块43,用于根据每个像素点的像素值和第一正态分布,确定每个像素点的前景特征值,根据每个像素点的像素值和第二正态分布,确定每个像素点的背景特征值;
图像分割模块44,用于针对任一像素点,计算像素点的前景特征值和像素点的背景特征值的相似度,根据相似度与预设相似度阈值的比较结果,确定像素点的分割类别,得到待处理图像中所有像素点的分割类别。
可选的是,上述图像分割装置还包括:
目标分布构建模块,用于针对任一像素点,以预设模板在待处理图像中提取包含像素点在内的至少两个目标像素点,根据所有目标像素点对应的前景特征值的均值和方差,构建第一目标正态分布,根据所有目标像素点对应的背景特征值的均值和方差,构建第二目标正态分布;
第一权重确定模块,用于将每个目标像素点的前景特征值输入第一目标正态分布,根据输出对应目标像素点的映射值为对应目标像素点的第一权重;
第二权重确定模块,用于将每个目标像素点的背景特征值输入第二目标正态分布,根据输出对应目标像素点的映射值为对应目标像素点的第二权重;
前景更新模块,用于将每个目标像素点的前景特征值分别与其对应的第一权重相乘后再相加,以相加结果更新前景特征值,得到像素点更新后的前景特征值;
背景更新模块,用于将每个目标像素点的背景特征值分别与其对应的第二权重相乘后再相加,以相加结果更新背景特征值,得到像素点更新后的背景特征值;
相应地,上述图像分割模块44包括:
更新相似度计算单元,用于针对任一像素点,计算像素点更新后的前景特征值和像素点更新后的背景特征值的相似度。
可选的是,上述特征值确定模块43包括:
区间确定单元,用于确定所有像素点的像素值中的最小值,针对任一像素点,根据最小值和像素点的像素值确定目标区间;
前景计算单元,用于确定目标区间在第一正态分布内对应的第一概率值,将第一概率值与预设值相乘,以相乘结果作为像素点的前景特征值;
背景计算单元,用于确定目标区间在第二正态分布内对应的第二概率值,将第二概率值与预设值相乘,以相乘结果作为背景特征值,遍历所有像素点,得到每个像素点的前景特征值和背景特征值。
可选的是,分割类别包括边缘类别和非边缘类别;
上述图像分割模块44包括:
边缘确定单元,用于将相似度与预设相似度阈值进行比较,当相似度大于预设相似度阈值时,确定对应像素点为边缘类别;
非边缘确定单元,用于当相似度小于或者等于预设相似度阈值时,确定对应像素点为非边缘类别。
可选的是,上述图像分割装置还包括:
像素评估模块,用于采用预设的锐度算法对待处理图像中的每个像素点处理,得到每个像素点的评估值;
权重映射模块,用于对所有像素点的评估值求和,根据预设的映射表将求和结果映射为图像权重;
阈值确定模块, 用于计算待处理图像中的所有像素点的像素值均值与图像权重的乘积,确定计算结果为预设的分割阈值。
可选的是,上述预分割模块41包括:
像素计算单元,用于针对待处理图像中的任一像素点,将像素点的像素值与评估值相乘,得到相乘结果;
前景预分割单元,用于若相乘结果大于分割阈值,则确定像素点的预分割类别为前景类别;
背景预分割单元,用于若相乘结果小于或者等于分割阈值,则确定像素点的预分割类别为背景类别。
可选的是,上述图像分割装置还包括:
分割执行模块,用于根据所有像素点的分割类别,对待处理图像进行再次分割,得到图像分割结果。
需要说明的是,上述模块、单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图5为本发明实施例四提供的一种计算机设备的结构示意图。如图5所示,该实施例的计算机设备包括:至少一个处理器(图5中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序,处理器执行计算机程序时实现上述任意各个用于视觉检测的图像分割方法实施例中的步骤。
该计算机设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,图5仅仅是计算机设备的举例,并不构成对计算机设备的限定,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括网络接口、显示屏和输入装置等。
所称处理器可以是CPU,该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器包括可读存储介质、内存储器等,其中,内存储器可以是计算机设备的内存,内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘,在另一些实施例中也可以是计算机设备的外部存储设备,例如,计算机设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述装置中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。集成的单元如果以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。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
本发明实现上述实施例方法中的全部或部分流程,也可以通过一种计算机程序产品来完成,当计算机程序产品在计算机设备上运行时,使得计算机设备执行时实现可实现上述方法实施例中的步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。