一种增强图像中植物色彩的方法和系统

摘要

本发明提供的一种增强图像中植物色彩的方法和系统，其中，所述方法包括：获取待增强色彩的原始图像，利用SSD模型对原始图像中的植物进行检测与种类识别；根据原始图像中检测到的植物区域中RGB三通道中的G/R、G/B的值，进一步判断该植物的颜色；以及，判断该植物是否为该原始图像的主体；若该植物是原始图像的主体；根据该植物的颜色特征，对原始图像中的植物进行差异化色彩增强。本发明解决了图像中植物的色彩不够鲜艳等问题，对图像中绿色植物增强绿色尤为适用。

说明书

技术领域

本发明属于图像处理技术领域，尤其涉及一种增强图像中植物色彩的方法和系统。

背景技术

随着数码相机技术的不断改进和发展，人们对图像效果的要求也越来越高，希望拍摄的树叶或大面积草地等植物看起来更加鲜艳、讨喜；然而由于CMOS图像传感器的先天硬件限制，以及ISP算法的缺陷，使得图像中的植物偏黄、不够鲜艳。

在用户的体验和需求中，增强植物的绿色占色彩增强需求的绝大部分，目前，现有的绿色增强算法多是根据实况中G通道与R、B通道之间的差异，判断为绿色，再进行绿色的增强，亦或是在YCbCr空间上对黄绿色区域的像素点进行旋转或者映射使之更加翠绿。这些方法都没有考虑用户拍摄的植物是否为绿色、绿色植物是否为拍摄的主题以及根据绿色植物的种类进行不同程度的绿色增强，无法满足人们对绿色增强的更高要求。

发明内容

鉴于上述现有技术的不足之处，本发明提出一种增强图像中植物色彩的方法和系统。旨在解决图像中植物色彩偏黄不够鲜艳和不能进行差异化色彩增强等问题。

为了达到上述目的，本发明采取了以下技术方案：

本发明第一方面提供一种增强图像中植物色彩的方法，所述方法包括：

获取待增强色彩的原始图像，利用SSD模型对原始图像中的植物进行检测与种类识别；

根据原始图像中检测到的植物区域中RGB三通道中的G/R、G/B的值，进一步判断该植物的颜色；以及，判断该植物是否为该原始图像的主体；

若该植物是原始图像的主体；

根据该植物的颜色特征，对原始图像中的植物进行差异化色彩增强。

在本发明的第一方面提供的优选方案中，在利用SSD模型对原始图像中的植物进行检测与种类识别之前还包括对SSD模型进行训练，其训练方法包括：

搜集若干张含有植物的样本图像，按植物的叶子形状进行分类；

将样本图像输入SSD模型，设置不同尺寸的先验框，匹配不同外形的植物类别，生成对应的特征映射图；

特征映射图经过预测卷积层转换得到用于区分植物类别的预测框和对应的类别置信度；

通过类别损失函数和分类损失函数更新SSD模型参数，得到最优的SSD模型。

在本发明的第一方面提供的优选方案中，对原始图像中的植物进行检测与种类识别包括

将原始图像输入到训练好的SSD模型中，通过类别置信度对边界框进行降序排列，若置信度高于预设值，则计算边界框与先验框的交并比；

利用非极大值抑制方法得到每种分类的最优预测框和所属的类别，输出识别结果。

在本发明的第一方面提供的优选方案中，所述判断该植物的颜色包括通过SSD模型获取该植物叶子的边缘，描绘出该植物的边界区域，统计该边界区域内植物像素点的G/R

在本发明的第一方面提供的优选方案中，所述判断该植物是否为该原始图像的主体是根据该植物在原始图像中的位置或/和植物在原始图像中的像素占比来判断的。

在本发明的第一方面提供的优选方案中，以该植物在原始图像中的位置来判断该植物是否为原始图像的主体包括：

设定原始图像中的某一点为图像中心坐标C(x，y)，以及，设定植物区域的某一点为植物中心坐标G(x

若满足如下条件，则，判断该植物为原始图像的主体；

在本发明的第一方面提供的优选方案中，以植物在原始图像中的像素占比来判断该植物是否为原始图像的主体包括：

计算原始图像的像素点的数量n，和计算植物区域在原始图像中的像素点的数量n

若n

在本发明的第一方面提供的优选方案中，所述根据该植物的颜色特征，对原始图像中的植物进行差异化色彩增强包括：

获取植物在原始图像中输入像素值(R

R

G

B

其中，k

本发明第二方面提供一种增强图像中植物色彩的系统，其特征在于，所述系统包括：获取模块、SSD模型、色彩确认模块、主体判断模块和色彩增强模块，其中，

所述获取模块用于获取待增强色彩的原始图像；

所述SSD模型用于对原始图像中的植物进行检测与种类识别；

所述色彩确认模块用于根据原始图像中检测到的植物区域中RGB三通道中的G/R、G/B的值，进一步判断该植物的颜色；

所述主体判断模块用于判断该植物是否为原始图像的主体；

若该植物是原始图像的主体，则通过所述色彩增强模块根据该植物的颜色特征，对原始图像中的植物进行差异化色彩增强。

在本发明的第二方面提供的优选方案中，在利用所述SSD模型检测识别原始图像中的植物之前还包括训练所述SSD模型；训练所述SSD模型包括：

搜集若干张含有植物的样本图像，按植物的叶子形状进行分类；

将样本图像输入SSD模型，设置不同尺寸的先验框，匹配不同外形的植物类别，生成对应的特征映射图；

特征映射图经过预测卷积层转换得到用于区分植物类别的预测框和对应的类别置信度；

通过类别损失函数和分类损失函数更新SSD模型参数，得到最优的SSD模型。

与现有技术相比，本发明的有益效果：

本发明提供的一种增强图像中植物色彩的方法和系统，其中，所述方法包括：获取待增强色彩的原始图像，利用SSD模型对原始图像中的植物进行检测与种类识别；根据原始图像中检测到的植物区域中RGB三通道中的G/R、G/B的值，进一步判断该植物的颜色；以及，判断该植物是否为该原始图像的主体；若该植物是原始图像的主体；根据该植物的颜色特征，对原始图像中的植物进行差异化色彩增强。本发明解决了图像中植物的色彩不够鲜艳等问题，对图像中绿色植物增强绿色尤为适用。

附图说明

图1为本发明中增强图像中植物色彩的方法流程示意框图。

图2为本发明中训练SSD模型的流程示意框图。

图3为本发明中增强图像中植物色彩的系统结构示意框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

需要说明的是，本发明方案适用于具有拍摄功能的终端，如数码相机、智能手机、平板电脑以及PC设备等等；利用本方案可增强欲拍摄图片和已拍摄图片的色彩；另外，在接收用户反馈的信息来看，大多是对拍摄绿色植物提出各种需求，因此，下述实施例以欲拍摄的图像和植物的绿色增强为例，对色彩增强进行详细说明。

可以理解的是，本方案不止于增强植物的绿色，本方案同样适用于植物的红色、黄色等其它颜色的增强；当然，可以理解的是，本方案不止于植物的色彩的增强，动物、服饰等其它主体的色彩增强同样适用。

参见图1，本发明第一方面提供一种增强图像中植物色彩的方法，所述方法包括如下步骤：

S10、获取待增强色彩的原始图像，利用SSD模型对原始图像中的植物进行检测与种类识别；

S20、根据原始图像中检测到的植物区域中RGB三通道中的G/R、G/B的值，进一步判断该植物的颜色；以及，判断该植物是否为该原始图像的主体；

S30、若该植物是原始图像的主体；

S40、根据该植物的颜色特征，对原始图像中的植物进行差异化色彩增强。

其中，SSD(Single Shot MultiBox Detector)模型是一种单阶段的目标检测器。与两阶段的检测方法不同，单阶段目标检测并不进行区域推荐，而是直接从特征图回归出目标的边界框和分类概率；SSD运用了这种单阶段检测的思想，并且对其进行改进：在不同尺度的特征图上检测对应尺度的目标。

利用SSD模型检测算法对绿色植物进行检测与分类，根据植物叶片轮廓形状判断拍摄图片中绿色植物所属的类别是否为柳叶形叶子植物、针叶形叶子植物、圆形或椭圆尖叶子植物、宽卵型或窄卵形叶子植物。

根据植物叶片轮廓形状判断出植物的种类后，进一步地，根据原始图像中检测到的植物区域中RGB三通道中的G/R、G/B的值，判断该植物在原始图像中的颜色。

根据该植物在原始图像中的面积占比或/和该植物在原始图像中的位置关系，判断该植物是否为在拍摄时的主要拍摄对象；若是，

根据不同叶形植物的叶片颜色特征进行差异化色彩增强，如柳叶形植物(如草地、竹子等)，即将该类植物的叶片颜色增强为黄绿；如针叶形植物(如油松、侧柏等)，应该将该类植物的叶片颜色增强为蓝绿，而椭圆形、卵形叶片植物(如女贞、绿萝等)，则应将其叶片颜色增强为艳绿。

综上所述，本发明解决了图像中植物的色彩不够鲜艳等问题，对图像中绿色植物增强绿色尤为适用。

参见图2，在本发明的第一方面提供的优选方案中，在利用SSD模型对原始图像中的植物进行检测与种类识别之前还包括对SSD模型进行训练，其训练方法包括如下步骤：

S11、搜集若干张含有植物的样本图像，按植物的叶子形状进行分类；

S12、将样本图像输入SSD模型，设置不同尺寸的先验框，匹配不同外形的植物类别，生成对应的特征映射图；

S13、特征映射图经过预测卷积层转换得到用于区分植物类别的预测框和对应的类别置信度；

S14、通过类别损失函数和分类损失函数更新SSD模型参数，得到最优的SSD模型。

数据样本的准备工作，搜集若干张含有常见植物的样本图像，可以理解的是，搜集的基数越大越好，植物的种类越多越好；然后对这些样本图像中的植物进行标记，可分为四类：柳叶形植物(如草、竹叶、君子兰等)；针叶形植物(如油松、云杉、雪松、侧柏等)；圆形(包括椭圆、椭圆尖)叶子植物(如女贞、栀子、槐树、香樟等)；卵形(包括宽卵形和窄卵形)叶子植物(如绿萝、桂树、海棠、茶树等)；

如此，可初步判断样本图像中的植物的种类，并根据植物的种类判断该植物的常规颜色；当然，大多数植物分生长期和枯萎期，一些植物在生长期时叶片呈绿色，但在枯萎期时，这些植物的叶片可能就呈黄色了，因此，还需要对原始图像中的植物的颜色做进一步地检测。

在本发明的第一方面提供的优选方案中，对原始图像中的植物进行检测与种类识别包括

将原始图像输入到训练好的SSD模型中，通过类别置信度对边界框进行降序排列，若置信度高于预设值，则计算边界框与先验框的交并比；

利用非极大值抑制方法得到每种分类的最优预测框和所属的类别，输出识别结果。

将待识别的植物图片(原始图像)输入到训练好的SSD模型中，通过类别置信度对边界框进行降序排列，对置信度高于80％的边界框(百分比的数值可自由设置)，计算边界框与先验框的交并比，利用非极大值抑制方法得到每种分类的最优预测框和所属的类别，输出识别结果；即植物的四个类别：柳叶形植物；针叶形植物；椭圆或椭圆尖型植物；宽卵型或窄卵型植物。

在本发明的第一方面提供的优选方案中，所述判断该植物的颜色包括通过SSD模型获取该植物叶子的边缘，描绘出该植物的边界区域，统计该边界区域内植物像素点的G/R

可以理解的是，由于智能识别算法有一定的误判，以及植物的生长期或枯萎期，为了进一步提高绿色植物识别的准确性，排除图像中存在多种类型植物且存在一些其它颜色的植物，如红色的枫叶或红叶石楠等植物时，因而需要进一步判断绿色植物或者其它的非绿色彩的植物的真实颜色表现，需根据画面中绿色植物根据检测区域中RGB三通道中的G/R、G/B的值进一步确认是否为该类别的绿色植物。通过上述进过训练的SSD模型获取绿色树叶的边缘，描绘出检测的绿色植物的边界区域，统计该边界区域内绿色植物像素点的G/Rave和G/Bave，需满足如下条件：

此处的Thrg/r和Thrg/b不宜设置过大，否则会把绿色植物误判为非绿色植物。由于不同种类的绿色植物的叶片颜色的绿色表现不同，因而，会根据不同植物的真实绿色表现进行增强；具体的实现方法为：图像中不同种类的绿色植物其绿色表现存在差异，其对应区域的RGB三通道的比例也是不一样的，如柳叶形植物的叶片颜色表现为黄绿，其g/r相对来说大一点，针叶形植物的叶片颜色表现为蓝绿，g/b相对来说小一点。所以，为对不同种类的绿色植物进行不同的处理，需根据不同种类的绿色植物的真实绿色表现设置不同的阈值标准：

如

柳叶形植物：Thrg/r＝1.2和Thrg/b＝1.3；

针叶形植物：Thrg/r＝1.3和Thrg/b＝1.2；

椭圆或圆型植物：Thrg/r＝1.3和Thrg/b＝1.3；

宽卵型或窄卵型植物：Thrg/r＝1.3和Thrg/b＝1.3。

需要说明的是，本文中的绿色增强和传统意义上的绿色增强有所不同，传统意义上的绿色增强是通过调整R、G、B三通道的值来增强绿色，由于这种绿色增强是整副图像的作用，是全局的，会带来一定的副作用，为了削弱这一部分的影响，本发明提出一种判断植物是否为这幅图像的主体的算法，主要通过两个条件来判断该植物是否为图像主体，满足如下任意一个条件即可判断该植物为图像的主体：

一是计算该植物在图像中的位置；

二是计算该植物在图像中的面积占比；

其一，假设图像的中心坐标为C(x，y)，植物的中心坐标为G(x

若满足如下条件，则，判断该植物为原始图像的主体；

其二，当植物的中心坐标与图像的中心坐标不满足上述其一所述的条件，但是，植物的像素点占比比较高，也可以判断出该植物为原始图像的主体；因为，图像中植物信息较多，在观察图像是还是会被大量的植物所吸引，因此，针对这类场景，也可以进行色彩增强；

假设，植物区域内像素点的个数为n

通俗来将，就是植物区域占整副图像面积的百分之四十以上，当然，也可以是百分之三十、百分之二十，占比数值可根据用户的喜好来做调整。

可以理解的是，上述方案已经确定原始图像中的植物，以及植物种类，色彩增强方向和该植物是否为图像主体，在具体的色彩增强中，假设需要给图像中的植物进行绿色增强，图像输入像素值为(R

R

G

B

其中，k

根据经验，增强方向是：

如，柳叶形植物朝向黄绿色增强：

k1＝1.1；k2＝1.1；k3＝1.0；b1＝5；b2＝5；b3＝0；

针叶形植物朝向蓝绿色增强：

k1＝1.0；k2＝1.1；k3＝1.1；b1＝0；b2＝5；b3＝5；

椭圆或圆形植物朝向艳绿色增强：

k1＝1.1；k2＝1.1；k3＝1.1；b1＝5；b2＝5；b3＝5；

宽卵型或窄卵形植物朝向艳绿色增强：

k1＝1.1；k2＝1.1；k3＝1.1；b1＝5；b2＝5；b3＝5；

当然了，用户可以根据自己喜好针对不同种类的绿色植物进行色彩增强。

综上所述，本发明所述的方法，通过识别图像中植物、进一步确认植物颜色、确认植物是否为图像的主体，最后根据上述要点，对图像中的植物进行差异化色彩增强。本发明解决了图像中植物的色彩不够鲜艳等问题，对图像中绿色植物增强绿色尤为适用。

参见图3，本发明第二方面提供一种增强图像中植物色彩的系统，其特征在于，所述系统包括：获取模块100、SSD模型101、色彩确认模块102、主体判断模块103和色彩增强模块104，其中，

所述获取模块100用于获取待增强色彩的原始图像；

所述SSD模型101用于对原始图像中的植物进行检测与种类识别；

所述色彩确认模块102用于根据原始图像中检测到的植物区域中RGB三通道中的G/R、G/B的值，进一步判断该植物的颜色；

所述主体判断模块103用于判断该植物是否为原始图像的主体；

若该植物是原始图像的主体，则通过所述色彩增强模块104根据该植物的颜色特征，对原始图像中的植物进行差异化色彩增强。

其中，SSD(Single Shot MultiBox Detector)模型是一种单阶段的目标检测器。与两阶段的检测方法不同，单阶段目标检测并不进行区域推荐，而是直接从特征图回归出目标的边界框和分类概率；SSD运用了这种单阶段检测的思想，并且对其进行改进：在不同尺度的特征图上检测对应尺度的目标。

利用SSD模型检测算法对绿色植物进行检测与分类，根据植物叶片轮廓形状判断拍摄图片中绿色植物所属的类别是否为柳叶形叶子植物、针叶形叶子植物、圆形或椭圆尖绿色植物、宽卵型或窄卵形叶子植物。

根据植物叶片轮廓形状判断出植物的种类后，进一步地，根据原始图像中检测到的植物区域中RGB三通道中的G/R、G/B的值，判断该植物在原始图像中的颜色。

根据该植物在原始图像中的面积占比或/和该植物在原始图像中的位置关系，判断该植物是否为在拍摄时的主要拍摄对象；若是，

根据不同叶形植物的叶片颜色特征进行差异化色彩增强，如柳叶形植物(如草地、竹子等)，即将该类植物的叶片颜色增强为黄绿；如针叶形植物(如油松、侧柏等)，应该将该类植物的叶片颜色增强为蓝绿，而椭圆形、卵形叶片植物(如女贞、绿萝等)，则应将其叶片颜色增强为艳绿。

综上所述，本发明解决了图像中植物的色彩不够鲜艳等问题，对图像中绿色植物增强绿色尤为适用。

在本发明的第二方面提供的优选方案中，在利用所述SSD模型检测识别原始图像中的植物之前还包括训练所述SSD模型；训练所述SSD模型包括：

搜集若干张含有植物的样本图像，按植物的叶子形状进行分类；

将样本图像输入SSD模型，设置不同尺寸的先验框，匹配不同外形的植物类别，生成对应的特征映射图；

特征映射图经过预测卷积层转换得到用于区分植物类别的预测框和对应的类别置信度；

通过类别损失函数和分类损失函数更新SSD模型参数，得到最优的SSD模型。

数据样本的准备工作，搜集若干张含有常见植物的样本图像，可以理解的是，搜集的基数越大越好，植物的种类越多越好；然后对这些样本图像中的植物进行标记，可分为四类：柳叶形植物(如草、竹叶、君子兰等)；针叶形植物(如油松、云杉、雪松、侧柏等)；圆形(包括椭圆、椭圆尖)叶子植物(如女贞、栀子、槐树、香樟等)；卵形(包括宽卵形和窄卵形)叶子植物(如绿萝、桂树、海棠、茶树等)；

如此，可初步判断样本图像中的植物的种类，并根据植物的种类判断该植物的常规颜色；当然，大多数植物分生长期和枯萎期，一些植物在生长期时叶片呈绿色，但在枯萎期时，这些植物的叶片可能就呈黄色了，因此，还需要对原始图像中的植物的颜色做进一步地检测。

在本发明的第二方面提供的优选方案中，对原始图像中的植物进行检测与种类识别包括：

将原始图像输入到训练好的SSD模型中，通过类别置信度对边界框进行降序排列，若置信度高于预设值，则计算边界框与先验框的交并比；

利用非极大值抑制方法得到每种分类的最优预测框和所属的类别，输出识别结果。

将待识别的植物图片输入到训练好的SSD模型中，通过类别置信度对边界框进行降序排列，对置信度高于80％的边界框，计算边界框与先验框的交并比，利用非极大值抑制方法得到每种分类的最优预测框和所属的类别，输出识别结果；即植物的四个类别：柳叶形植物；针叶形植物；椭圆或椭圆尖型植物；宽卵型或窄卵型植物。

所述判断该植物的颜色包括通过SSD模型获取该植物叶子的边缘，描绘出该植物的边界区域，统计该边界区域内植物像素点的G/R

可以理解的是，由于智能识别算法有一定的误判，以及植物的生长期或枯萎期，为了进一步提高绿色植物识别的准确性，排除图像中存在多种类型植物且存在一些特殊颜色的植物如红色的枫叶或红叶石楠等植物时，因而需要进一步判断绿色植物或者其他的非绿色彩的植物的真实颜色表现，需根据画面中绿色植物根据检测区域中RGB三通道中的G/R、G/B的值进一步确认是否为该类别的绿色植物。通过上述进过训练的SSD模型获取绿色树叶的边缘，描绘出检测的绿色植物的边界区域，统计该边界区域内绿色植物像素点的G/Rave和G/Bave，需满足如下条件：

此处的Thrg/r和Thrg/b不宜设置过大，否则会把绿色植物误判为非绿色植物。由于不同种类的绿色植物的叶片颜色的绿色表现不同，因而，会根据不同植物的真实绿色表现进行增强；具体的实现方法为：图像中不同种类的绿色植物其绿色表现存在差异，其对应区域的RGB三通道的比例也是不一样的，如柳叶形植物的叶片颜色表现为黄绿，其g/r相对来说大一点，针叶形植物的叶片颜色表现为蓝绿，g/b相对来说小一点。所以，为对不同种类的绿色植物进行不同的处理，需根据不同种类的绿色植物的真实绿色表现设置不同的阈值标准：

如

柳叶形植物：Thrg/r＝1.2和Thrg/b＝1.3；

针叶形植物：Thrg/r＝1.3和Thrg/b＝1.2；

椭圆或圆型植物：Thrg/r＝1.3和Thrg/b＝1.3；

宽卵型或窄卵型植物：Thrg/r＝1.3和Thrg/b＝1.3。

需要说明的是，本文中的绿色增强和传统意义上的绿色增强有所不同，传统意义上的绿色增强是通过调整R、G、B三通道的值来增强绿色，由于这种绿色增强是整副图像的作用，是全局的，会带来一定的副作用，为了削弱这一部分的影响，本发明提出一种判断植物是否为这幅图像的主体的算法，主要通过两个条件来判断该植物是否为图像主体，满足如下任意一个条件即可判断该植物为图像的主体：

一是计算该植物在图像中的位置；

二是计算该植物在图像中的面积占比；

其一，假设图像的中心坐标为C(x，y)，植物的中心坐标为G(x

若满足如下条件，则，判断该植物为原始图像的主体；

其二，当植物的中心坐标与图像的中心坐标不满足上述其一所述的条件，但是，植物的像素点占比比较高，也可以判断出该植物为原始图像的主体；因为，图像中植物信息较多，在观察图像是还是会被大量的植物所吸引，因此，针对这类场景，也可以进行色彩增强；

假设，植物区域内像素点的个数为n

通俗来将，就是植物区域占整副图像面积的百分之四十以上，当然，也可以是百分之三十、百分之二十，占比数值可根据用户的喜好来做调整。

可以理解的是，上述方案已经确定原始图像中的植物，以及植物种类，色彩增强方向和该植物是否为图像主体，在具体的色彩增强中，假设需要给图像中的植物进行绿色增强，图像输入像素值为(R

R

G

B

其中，k

根据经验，增强方向是：

如，柳叶形植物朝向黄绿色增强：

k1＝1.1；k2＝1.1；k3＝1.0；b1＝5；b2＝5；b3＝0；

针叶形植物朝向蓝绿色增强：

k1＝1.0；k2＝1.1；k3＝1.1；b1＝0；b2＝5；b3＝5；

椭圆或圆形植物朝向艳绿色增强：

k1＝1.1；k2＝1.1；k3＝1.1；b1＝5；b2＝5；b3＝5；

宽卵型或窄卵形植物朝向艳绿色增强：

k1＝1.1；k2＝1.1；k3＝1.1；b1＝5；b2＝5；b3＝5；

当然了，用户可以根据自己喜好针对不同种类的绿色植物进行色彩增强。

综上所述，本发明所述的系统，通过识别图像中植物、进一步确认植物颜色、确认植物是否为图像的主体，最后根据上述要点，对图像中的植物进行差异化色彩增强。本发明解决了图像中植物的色彩不够鲜艳等问题，对图像中绿色植物增强绿色尤为适用。

可以理解的是，上述各实施例涉及的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机设备可读取的存储介质中，用于执行上述各实施例方法所述的全部或部分步骤。所述计算机设备，包括但不限于：个人计算机、服务器、通用计算机、专用计算机、网络设备、嵌入式设备、可编程设备、智能移动终端、智能家居设备、穿戴式智能设备、车载智能设备等；所述的存储介质，包括但不限于：RAM、ROM、磁碟、磁带、光盘、闪存、U盘、移动硬盘、存储卡、记忆棒、网络服务器存储、网络云存储等。

可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。