本發(fā)明涉及一種基于水平集模型的紋理圖像分割方法，屬于圖像分割以及圖像處理
技術(shù)領(lǐng)域：
。
背景技術(shù)：
：盡管圖像分割是圖像處理領(lǐng)域最基本的問(wèn)題之一，僅處于D.Marr所提出的視覺(jué)計(jì)算理論中圖像處理與圖像分析層次之間，但是圖像分割至今仍為一項(xiàng)極為困難的工作。主要原因其一是因?yàn)閳D像分割的“病態(tài)”特性，其分割結(jié)果的正確性并不確定，具有二義性，與人的主觀感受和心理作用有密切關(guān)系；其二是因?yàn)閳D像中的信息十分豐富，常常同時(shí)擁有灰度、色彩、紋理等多種成分，難以通過(guò)一個(gè)統(tǒng)一的模型進(jìn)行概括和衡量。所以科研人員對(duì)于圖像分割的研究方式主要是在一個(gè)大的框架下，對(duì)具體的圖像類(lèi)型進(jìn)行分析，提出有針對(duì)性的分割方法。在這些圖像分割方法中，基于水平集模型(Levelsetmodel)的方法能夠?qū)D像的相關(guān)屬性和先驗(yàn)知識(shí)融入統(tǒng)一的能量函數(shù)構(gòu)造過(guò)程，具有良好的可擴(kuò)展性，是圖像分割領(lǐng)域的研究熱點(diǎn)之一。水平集模型是一種引入了水平集函數(shù)，將分割曲線表示為高一維的標(biāo)量函數(shù)的模型。水平集模型能夠使得分割曲線自適應(yīng)地改變拓補(bǔ)結(jié)構(gòu)，并且它是一種無(wú)參數(shù)(Parameterizationfree)模型，分割曲線在演化過(guò)程中不受其自身參數(shù)表示的影響，具有數(shù)值穩(wěn)定性。紋理特征是基于水平集模型的紋理圖像分割方法中最重要的方面。對(duì)于紋理圖像，需要分析其紋理特征，將紋理特征融入能量函數(shù)構(gòu)造過(guò)程中，從而得到有針對(duì)性的分割方法。局部自相似(Localself-similarity，LSS)描述符是一種常用于數(shù)值化紋理特征的描述符。它具有獨(dú)立于灰度和色彩的理想性質(zhì)，因此可在能量函數(shù)中引入LSS紋理能量項(xiàng)，提高紋理圖像的分割效果。與本發(fā)明相關(guān)的文章和專(zhuān)利有以下4篇，下文將分別對(duì)其進(jìn)行分析：文章(1)：《IEEETransactionsonImageProcessing》2001年10卷第2期，題目為：“Activecontourswithoutedges”，提出了一種最經(jīng)典的基于水平集的圖像分割方法——CV(Chan-Vese)算法，但是CV算法對(duì)灰度不均和局部有噪聲圖像無(wú)法做出準(zhǔn)確的分割。文章(2)：《SignalProcessing》2009年89卷第12期，題目為：“ActivecontoursdrivenbylocalGaussiandistributionfittingenergy”，通過(guò)最大后驗(yàn)概率(Maximumaposterioriprobability，MAP)思想提出了一種基于水平集的圖像分割方法——LGDF(LocalGaussianDistributionFitting)算法，LGDF對(duì)灰度不均和局部有噪聲圖像能夠有較好的處理，但是LGDF不能有效地分割紋理圖像。文章(3)：《PatternRecognition》2015年48卷第4期，題目為：AnIntensity-Texturemodelbasedlevelsetmethodforimagesegmentation，通過(guò)ASLVD(AdaptiveScaleLocalVariationDegree)濾波提取紋理特征，并將其融入能量函數(shù)構(gòu)造中，提出了一種基于水平集模型的紋理圖像分割方法，但是該方法分割結(jié)果有一定瑕疵，未實(shí)現(xiàn)曲線演化加速功能。專(zhuān)利(1)：申請(qǐng)?zhí)?013103713364，標(biāo)題為“基于兩通道紋理分割主動(dòng)輪廓模型的圖像分割方法”，利用圖像的灰度和梯度構(gòu)造兩個(gè)紋理特征通道，分別在兩個(gè)通道上應(yīng)用水平集模型進(jìn)行紋理圖像分割，但是該方法更容易受到圖像灰度和梯度不均勻的影響，并且增加了通道數(shù)，計(jì)算復(fù)雜度較高。上述已有的基于水平集模型的圖像分割方法雖然在紋理圖像分割上取得了一定成果，然而，由于受限于紋理特征表示方法，分割結(jié)果并不理想，并且在復(fù)雜圖像上缺乏曲線演化加速過(guò)程，演化所需的迭代數(shù)和時(shí)間較長(zhǎng)。本發(fā)明旨在解決現(xiàn)有方法對(duì)紋理圖像分割效果不理想的問(wèn)題，同時(shí)對(duì)曲線演化進(jìn)行加速，提出了一種對(duì)灰度不均和噪聲具有魯棒性的基于水平集模型的紋理圖像分割方法。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的是為了解決現(xiàn)有方法對(duì)紋理圖像分割困難以及對(duì)灰度不均和噪聲敏感的缺陷，提出了一種基于水平集模型的紋理圖像分割方法。本發(fā)明的核心技術(shù)思想是通過(guò)計(jì)算圖像的LSS描述符，構(gòu)建圖像的紋理能量項(xiàng)，將其融入水平集模型能量函數(shù)，然后再利用曲線演化求解能量函數(shù)，并且在該過(guò)程中應(yīng)用格子波爾曼方法(LatticeBoltzmannMethod，LBM)加速演化，減少演化所需的迭代次數(shù)，提高效率；一種基于水平集模型的紋理圖像分割方法，簡(jiǎn)稱本方法；具體包括以下步驟：步驟1，對(duì)輸入的一幅圖像進(jìn)行Log-Gabor濾波，以增強(qiáng)圖像的紋理特征，輸出Log-Gabor濾波后的圖像；其中，記輸入圖像為I，Log-Gabor濾波后輸出的圖像為IG。Log-Gabor濾波需在圖像的頻率域上進(jìn)行卷積操作，則輸出IG與輸入I的關(guān)系為：表示傅里葉變換，*為卷積符號(hào)，G為L(zhǎng)og-Gabor的傳遞函數(shù)，即：G(w；σf,σθ,θ,S)＝exp(-log(w/w0)/2(log(k/w0))2)(2)其中，exp表示以常數(shù)e為底的指數(shù)函數(shù)，log表示自然對(duì)數(shù)；w為圖像I的像素點(diǎn)在頻率域上對(duì)應(yīng)的值，w0為在頻率域上濾波中心的像素點(diǎn)的值，k為控制傳遞函數(shù)形狀的參數(shù)，通常取k∈{k|0.55w0≤k≤0.85w0}，以便使得濾波頻率參數(shù)σf＝k/w0∈[0.55,0.85]，σθ為角度參數(shù)，通常取0.41～0.74，θ為方向參數(shù)，取0～360，S為小波尺度，通常為1～3；步驟2，對(duì)經(jīng)過(guò)步驟1Log-Gabor濾波后的圖像提取LSS描述符，得到由描述符分量構(gòu)成的圖像；步驟2.1，對(duì)于IG的每一個(gè)像素p，以p為中心選取N×N像素的區(qū)域(N通常取21～61的奇數(shù))，若圖像邊界處區(qū)域不足N×N大小，則復(fù)制圖像邊界處的值來(lái)進(jìn)行擴(kuò)展，使得區(qū)域大小為N×N；例如，假設(shè)圖像左上角邊界處如式(3)所示，擴(kuò)展2像素，則擴(kuò)展后的圖像為式(4)：在每個(gè)N×N區(qū)域中，以p為中心選取n×n像素的小塊(n通常取3～9的奇數(shù))，記為tp；對(duì)于N×N區(qū)域的每一個(gè)像素x(可以為p也可以非p)，以x為中心選取n×n像素的小塊，記為tx，若在區(qū)域邊界處小塊不足n×n大小，同樣復(fù)制區(qū)域邊界處的值來(lái)進(jìn)行擴(kuò)展；計(jì)算tp和tx的平方差(SumofSquareDifferences，SSD)，即：SSD(tp,tx)=||tp-tx||F2---(5)]]>||·||F為F-范數(shù)；步驟2.2，根據(jù)步驟2.1輸出的SSD計(jì)算N×N區(qū)域上的相關(guān)矩陣Cp(Cp的大小為N×N)：Cp(x)=exp(-SSD(tp,tx)α)---(6)]]>α為自適應(yīng)參數(shù)，可取x所在的N×N區(qū)域中最大的SSD值；步驟2.3，將Cp從直角坐標(biāo)轉(zhuǎn)換到對(duì)數(shù)極(Log-polar)坐標(biāo)上；步驟2.4，按照Log-polar坐標(biāo)(ρ,θ)將Cp劃分為M塊，再對(duì)每個(gè)塊取最大值，將這些最大值拼接起來(lái)即LSS描述符Lp：Lp(ρ,θ)=maxx∈BIN(ρ,θ){Cp(x)}---(7)]]>其中，每個(gè)塊記為BIN(ρ,θ)，是Lp的第i個(gè)描述符分量，將按照像素p的空間域順序構(gòu)成則就是步驟2輸出的由LSS描述符分量構(gòu)成的圖像，i的取值范圍是i∈{1,2,...,M}；步驟3，在步驟2輸出的由LSS描述符分量構(gòu)成的圖像上構(gòu)造紋理能量項(xiàng)，具體為：記圖像的每個(gè)像素點(diǎn)為x，x所具有的紋理能量為：ExLSS=λ1ω(x-y)∫Σi=1M|Lpi(y)-Lp-ini(x)|H(φ(y))dy+λ2ω(x-y)∫Σi=1M|Lpi(y)-Lp-outi(x)|(1-H(φ(y)))dy---(8)]]>y為x鄰域內(nèi)的像素，φ為水平集函數(shù)，λ1和λ2分別為曲線內(nèi)部平衡參數(shù)和曲線外部平衡參數(shù)，通常取0.5～2.0，H為Heaviside函數(shù)，即：H(φ)=12(1+2πarctan(φϵ))---(9)]]>ε為Heavisde函數(shù)參數(shù)，通常取0.1～10；ω(d)為權(quán)重函數(shù)，其中d＝x-y：ω(d)=1aexp(-|d|22σ2)if|d|≤ρ0if|d|>ρ---(10)]]>a和σ為權(quán)重函數(shù)參數(shù)，ρ為距離閾值；和分別為演化曲線內(nèi)部和外部的均值：Lp-ini(x)=∫ω(y-x)Lpi(y)H(φ(y))dy∫ω(y-x)H(φ(y))dy---(11)]]>Lp-outi(x)=∫ω(y-x)Lpi(y)(1-H(φ(y)))dy∫ω(y-x)(1-H(φ(y)))dy---(12)]]>則紋理能量項(xiàng)ELSS如式(13)：ELSS=∫ΩExLSSdx---(13)]]>步驟4，在步驟1中的輸入圖像上構(gòu)造LGDF能量項(xiàng)；其中，LGDF能量項(xiàng)記為ELGDF，通過(guò)式(14)計(jì)算：ELGDF=-λ1∫∫ω(x-y)lnp1,x(I(y)H(φ(y)))dydx-λ2∫∫ω(x-y)lnp2,x(I(y)(1-H(φ(y))))dydx---(14)]]>pj,x(I(y))(其中j∈{1,2})為概率分布：pj,x(I(y))=12πσj(x)exp(-(uj(x)-I(y))22σj(x)2)---(15)]]>其中u1、u2、σ1(x)2和σ2(x)2分別為：u1(x)=∫ω(y-x)I(y)H(φ(y))dy∫ω(y-x)H(φ(y))dy---(16)]]>u2(x)=∫ω(y-x)I(y)(1-H(φ(y)))dy∫ω(y-x)(1-H(φ(y)))dy---(17)]]>σ1(x)2=∫ω(y-x)(u1(x)-I(y))2H(φ(y))dy∫ω(y-x)H(φ(y))dy---(18)]]>σ2(x)2=∫ω(y-x)(u2(x)-I(y))2(1-H(φ(y)))dy∫ω(y-x)(1-H(φ(y)))dy---(19)]]>步驟5，綜合步驟4輸出的LGDF能量項(xiàng)和步驟3輸出的LSS紋理能量項(xiàng)，組成本方法的能量函數(shù)；其中，記本方法的能量函數(shù)為ELL，則：ELL＝ξ1ELSS+ξ2ELGDF+ν·Length(C)+μ·P(x)(20)ξ1和ξ2分別為L(zhǎng)SS權(quán)重參數(shù)和LGDF權(quán)重參數(shù)，通常取1～40，Length(C)＝∫|▽H(φ(x))|dx為曲線長(zhǎng)度，為防止重新初始化項(xiàng)，避免了曲線演化過(guò)程中的重新初始化過(guò)程，ν和μ分別為曲線長(zhǎng)度和防止重新初始化項(xiàng)的系數(shù)，ν通常取0.0001*2552～0.01*2552，μ通常取0.1～1.5；步驟6，通過(guò)最小化步驟5所得的能量函數(shù)求解能量函數(shù)的分割曲線；同時(shí)，在此過(guò)程中使用LBM加速曲線演化，減少迭代次數(shù)；步驟6.1，通過(guò)步驟5所得能量函數(shù)獲取梯度下降流公式。其中，式(20)能量函數(shù)對(duì)應(yīng)的梯度下降流公式為：∂φ∂t=-ξ1δ(φ)(e11-e12)-ξ2δ(φ)(e21-e22)+vδ(φ)div(▿φ|▿φ|)+μ(▿2φ-div(▿φ|▿φ|))---(21)]]>δ為Dirac函數(shù)，即式(9)中Heaviside函數(shù)的導(dǎo)數(shù)，e11、e12、e21和e22分別為：e11(x)=∫ω(x-y)Σi=1M|Lpi(y)-Lp-ini(x)|dy---(22)]]>e11(x)=∫ω(x-y)Σi=1M|Lpi(y)-Lp-outi(x)|dy---(23)]]>e21(x)=∫ω(x-y)[ln(σ1(y))+(u1(y)-I(x))2σ1(y)2]---(24)]]>e22(x)=∫ω(x-y)[ln(σ2(y))+(u2(y)-I(x))2σ2(y)2]---(25)]]>步驟6.2，將梯度下降流公式轉(zhuǎn)化為L(zhǎng)BM形式，以便更新水平集函數(shù)；其中，根據(jù)LBM，梯度下降流公式的流體擴(kuò)散方程形式為：∂φ∂t=γdiv(▿φ|▿φ|)+F---(26)]]>γ=29(2τ-1)---(27)]]>聯(lián)立梯度下降流公式(15)與LBM公式(20)、式(21)，解得LBM的松弛時(shí)間τ和內(nèi)在引導(dǎo)力F為：τ=94(δ(φ)-μ)+12---(28)]]>F＝-ξ1δ(φ)(e11-e12)-ξ2δ(φ)(e21-e22)+μ▽2φ(29)對(duì)于每個(gè)LBM中的晶格(在本方法中即像素)，它們的碰撞、對(duì)流和反彈結(jié)果分別為：fc(x*,t+Δt)=fc(x,t)+1τ(Acφ-fc(x,t))+3×2τ-12τAc(F·vc)---(30)]]>fc(x+vcΔt,t+Δt)＝fc(x*,t+Δt)(31)fc(x+vcΔt,t+Δt)＝fc(x+v-cΔt,t+Δt)(32)其中Ac為L(zhǎng)BM中的方向參數(shù)，vc為晶格的速度向量，v-c為與vc方向相反的速度向量。疊加以上三種結(jié)果，利用式(33)更新水平集函數(shù)：φ=Σcfc---(33)]]>步驟6.3，重復(fù)步驟6.2的水平集函數(shù)更新過(guò)程，直到水平集函數(shù)收斂或誤差達(dá)到預(yù)設(shè)的閾值內(nèi)，即可得到曲線演化結(jié)果，即紋理圖像分割曲線為：C(t+Δt):＝{x|φ(x)＝0}(34)至此，從步驟1到步驟6，完成了一種基于水平集模型的紋理圖像分割方法。有益效果一種基于水平集模型的紋理圖像分割方法，對(duì)比現(xiàn)有技術(shù)，具有如下有益效果：1.本發(fā)明所提出的在水平集模型中融入紋理特征的方法，能夠有效地對(duì)紋理圖像進(jìn)行分割，結(jié)果優(yōu)于現(xiàn)有的紋理分割方法；由于LSS描述符獨(dú)立于圖像灰度和色彩，只表示圖像紋理特征的優(yōu)良性質(zhì)，利用LSS構(gòu)造紋理能量項(xiàng)能夠充分體現(xiàn)圖像不同區(qū)域的紋理特征，因而本方法能夠有效區(qū)分和分割各種紋理圖像，在各種紋理圖像上的分割結(jié)果也驗(yàn)證了本方法的有效性；2.本發(fā)明所提出的能量函數(shù)包含了LGDF能量項(xiàng)，對(duì)灰度不均和噪聲紋理圖像具有魯棒性；3.本發(fā)明引入了LBM加速曲線演化過(guò)程，有效減少了演化所需迭代次數(shù)，提高了圖像分割效率。附圖說(shuō)明圖1為本發(fā)明“一種基于水平集模型的紋理圖像分割方法”及實(shí)施例1中的流程示意圖；圖2為本發(fā)明“一種基于水平集模型的紋理圖像分割方法”實(shí)施例2中，對(duì)于紋理圖像的分割結(jié)果及其與現(xiàn)有方法的對(duì)比；圖3為本發(fā)明“一種基于水平集模型的紋理圖像分割方法”實(shí)施例2中，對(duì)于灰度不均或有噪聲紋理圖像的分割結(jié)果及其與現(xiàn)有方法的對(duì)比。具體實(shí)施方式為使發(fā)明目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，下面將結(jié)合附圖對(duì)本發(fā)明的實(shí)施例進(jìn)行詳細(xì)描述。以下實(shí)施例以本發(fā)明的技術(shù)方案為前提進(jìn)行實(shí)施，給出詳細(xì)實(shí)施方式和具體操作過(guò)程，但本發(fā)明的保護(hù)范圍不限于以下實(shí)施例。實(shí)施例1本實(shí)施例闡述了將本發(fā)明“一種基于水平集模型的紋理圖像分割方法”應(yīng)用于圖像“Leopard1.bmp”的流程：圖1為本方法及本實(shí)施例的算法流程，從圖1可以看出，本方法包括以下步驟：步驟A：Log-Gabor濾波；具體到本實(shí)施例中，輸入的圖像I為“Leopard1.bmp”，并對(duì)I進(jìn)行Log-Gabor濾波得到IG；本實(shí)施例中Log-Gabor參數(shù)?。簽V波頻率參數(shù)σf＝k/w0＝0.65，角度參數(shù)σθ＝0.52，方向參數(shù)θ為0，小波尺度S為3；步驟B：提取LSS描述符；具體過(guò)程可參考步驟2，區(qū)域大小N取41，小塊大小n取5，塊數(shù)M取40(ρ均分為4個(gè)區(qū)間，θ均分為10個(gè)區(qū)間)。對(duì)每個(gè)像素p計(jì)算其對(duì)應(yīng)的LSS描述符Lp，獲取每個(gè)描述符Lp的40個(gè)分量再按照像素p的空間域順序，將描述符分量構(gòu)成一系列新圖像步驟C：構(gòu)造紋理能量項(xiàng)；具體到實(shí)施例中，詳細(xì)步驟與步驟3相同。其中，參數(shù)λ1＝1.0，λ2＝1.0，Heaviside函數(shù)的參數(shù)ε＝1.0，權(quán)重函數(shù)的參數(shù)σ＝5.0，距離閾值ρ＝11；步驟D：構(gòu)造LGDF能量項(xiàng)；具體到本實(shí)施例中，從輸入圖像I中構(gòu)造LGDF能量項(xiàng)的參數(shù)分別為：λ1＝1.0，λ2＝1.0，Heaviside函數(shù)參數(shù)ε＝1.0，權(quán)重函數(shù)參數(shù)σ＝5.0，距離閾值ρ＝11；步驟E：合并步驟C和步驟D的能量項(xiàng)，構(gòu)造能量函數(shù)；本實(shí)施例取ξ1＝5.0，ξ2＝10.0，ν＝0.0002*2552，μ＝1.0；步驟F：使用LBM加速求解能量函數(shù)；具體方法見(jiàn)步驟6，取LBM方向參數(shù)Ac(c∈{0,1,2,3,4,5,6,7,8})分別為：A0＝4/9，A1,2,3,4＝1/9，A5,6,7,8＝1/36，速度向量vc取單位向量，從而可對(duì)能量函數(shù)的梯度下降流公式進(jìn)行LBM快速演化，經(jīng)過(guò)20次迭代獲得最終的分割曲線；至此，從步驟A到F，完成了本實(shí)施例一種基于水平集模型的紋理圖像分割方法。實(shí)施例2本實(shí)施例具體闡述了在6個(gè)紋理圖像上執(zhí)行本發(fā)明步驟1到步驟6所得的分割結(jié)果(分割結(jié)果用白色線條表示)，同時(shí)與現(xiàn)有的圖像分割方法進(jìn)行比較。圖2和圖3分別為3張紋理圖像，以及3張有噪聲/灰度不均紋理圖像的分割結(jié)果。此6張紋理圖像即步驟1中的輸入圖像；圖2分為5行3列，每行代表使用一種圖像分割方法所得的結(jié)果(前兩行分別為原始圖像和人工分割的標(biāo)準(zhǔn)結(jié)果)，每列代表不同的原始圖像。其中，對(duì)比的方法有：LGDF算法、ASLVD算法和本方法；共有3張?jiān)紙D像，從左至右分別為：“Leopard1.bmp”、“Zebra1.bmp”和“Zebra2.png”；圖3分為4行3列，每行代表使用一種圖像分割方法所得的結(jié)果(第一行為原始圖像)，每列代表不同的原始圖像。其中，對(duì)比的方法有：CV算法、LGDF算法和本方法；共有3張?jiān)紙D像，從左至右分別為：“MAP.jpg”、“LSS.jpg”和“star.jpg”。本實(shí)施例中進(jìn)一步利用JS(JaccardSimilarity)相似性來(lái)度量CV、LGDF、ASLVD算法和本方法圖像分割的準(zhǔn)確性，JS相似性定義為：JS(SR,SGT)=|SR∩SGT||SR∪SGT|---(35)]]>其中SR為圖像分割方法所得的結(jié)果，SGT為同一圖像人工分割的標(biāo)準(zhǔn)結(jié)果，|·|表示分割曲線所圍成的區(qū)域。從圖2能夠明顯看出LGDF算法和ASLVD算法所得結(jié)果和本方法相比具有一定瑕疵(例如在“Leopard1.bmp”上，LGDF算法未能夠分割“耳朵”部分，ASLVD算法對(duì)物體邊緣明顯變化的區(qū)域處理不夠精確；其他兩幅圖像相比本方法也各有不足)。它們與標(biāo)準(zhǔn)結(jié)果的JS相似性分別為：表1不同方法相分割結(jié)果相對(duì)于人工分割標(biāo)準(zhǔn)結(jié)果的JS相似性本方法在3張圖像上的分割結(jié)果都具有最高的JS相似性，說(shuō)明本方法最接近于人工分割的標(biāo)準(zhǔn)結(jié)果，在紋理圖像分割上優(yōu)于其他兩種現(xiàn)有方法。從圖3中能夠看出CV算法明顯受限于“MAP.jpg”中的噪聲和“LSS.jpg”與“star.jpg”中的灰度不均；而LGDF算法雖然在“MAP.jpg”上取得了一定效果，但是相比本方法所得結(jié)果具有較強(qiáng)的邊緣抖動(dòng)效應(yīng)，效果仍不理想，且在其他兩幅圖像上分割結(jié)果較差。這證明了在灰度不均和噪聲圖像上，本方法相比現(xiàn)有方法具有一定優(yōu)勢(shì)。實(shí)施例3本實(shí)施例為本方法分割圖像所需的曲線演化迭代次數(shù)，與去除LBM加速單元情況下的迭代次數(shù)之對(duì)比。兩種情況下，處理不同圖像時(shí)所需的迭代次數(shù)分別如表2所示：表2本方法與去除LBM單元情況下的迭代次數(shù)對(duì)比能夠看出去除LBM加速單元的情況下，迭代次數(shù)明顯增加；在6幅圖像上，加速后的效率比加速前提升了2～6倍，這表明了LBM加速的有效性。引入LBM明顯減少了本方法的曲線演化迭代次數(shù)，減少了演化所需時(shí)間，提高了圖像分割效率。以上所述的具體描述，對(duì)發(fā)明的目的、技術(shù)方案和有益效果進(jìn)行了進(jìn)一步詳細(xì)說(shuō)明，所應(yīng)理解的是，以上所述僅為本發(fā)明的具體實(shí)施例而已，并不用于限定本發(fā)明的保護(hù)范圍，凡是在本發(fā)明的精神和原則內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。當(dāng)前第1頁(yè)1 2 3