本發(fā)明屬于機器視覺圖像處理
技術(shù)領域：
，涉及一種圖像分割方法，具體指一種鋼軌表面缺陷圖像自適應分割方法。
背景技術(shù)：
：隨著我國鐵路運輸?shù)目焖侔l(fā)展，行車密度和載重量不斷加大，加劇了鋼軌表面的惡化。同時運營里程也不斷擴大，這對線路實現(xiàn)短周期檢測提出了新的難題。鋼軌作為鐵路運輸中非?；A的元素，其對鐵路運營的安全起著至關重要的作用；而在鐵路交通事故中，有近1/3的事故是由鋼軌缺陷造成的。隨著先進生產(chǎn)技術(shù)的引進，鋼軌內(nèi)部出現(xiàn)缺陷的幾率已經(jīng)減少很多，取而代之的是鋼軌表面缺陷導致鋼軌斷裂的情況頻繁發(fā)生。因此，及時檢測出鋼軌表面缺陷可以很大程度上防止其進一步發(fā)展成為內(nèi)部缺陷，從而保障鐵路的安全運行。目前，我國對于鐵路養(yǎng)護，主要依靠人工巡檢，不僅效率低下，人力投入大，而且對工務人員的人身安全有很大威脅。因此，研究鋼軌表面缺陷自動檢測技術(shù)具有重要的意義。基于機器視覺的鋼軌表面缺陷檢測技術(shù)具有非接觸、速度快、精度高、抗干擾性強等優(yōu)點，已被廣泛應用于軌道缺陷檢測中。然而由于鋼軌表面缺陷分布的稀疏性造成圖像中的特征較少，并且圖像易受光照不均和鋼軌表面反射特性的影響，在根據(jù)灰度信息提取表面缺陷時，無論是單一的灰度閾值方法，還是動態(tài)閾值方法，都難以獲得理想的分割效果。因此，研究一種能有效減弱分割過程中光照變化以及反射不均等因素影響的圖像分割方法很有必要。于此，本發(fā)明提出一種鋼軌表面缺陷圖像自適應分割方法，利用圖像的局部信息將圖像劃分成結(jié)構(gòu)區(qū)域和非結(jié)構(gòu)區(qū)域，再利用非局部信息在圖像的結(jié)構(gòu)區(qū)域計算圖像塊的相似度，通過相似度大小自適應地確定窗口尺寸求取均值，建立準確的背景圖像模型，并進行圖像差分，最后動態(tài)地設定閾值實現(xiàn)缺陷分割。實驗結(jié)果表明，本發(fā)明提出的鋼軌表面缺陷圖像自適應分割方法，在能凸顯圖像缺陷部分的同時，有效地減少光照不均和鋼軌表面反射特性對鋼軌表面的影響。技術(shù)實現(xiàn)要素：針對上述技術(shù)問題，本發(fā)明提供了一種鋼軌表面缺陷圖像自適應分割方法，充分利用圖像的局部和非局部信息，對圖像進行結(jié)構(gòu)和非結(jié)構(gòu)區(qū)域劃分，并自適應確定像素鄰域窗口尺寸求取均值建立背景圖像模型，能有效減弱光照不均和鋼軌表面反射特性對鋼軌表面缺陷檢測產(chǎn)生的影響，，以獲得理想的圖像分割效果，保證軌面檢測的精度。本發(fā)明通過以下技術(shù)方案來實現(xiàn)上述目的：一種鋼軌表面缺陷圖像自適應分割方法，其特征在于包括以下步驟：S1：采用行灰度均值逐次累加法提取鋼軌區(qū)域；S2：對提取的鋼軌區(qū)域圖像進行預處理，增強圖像對比度，去除圖像噪聲；S3：對預處理后的鋼軌區(qū)域圖像進行結(jié)構(gòu)區(qū)域和非結(jié)構(gòu)區(qū)域劃分；其中結(jié)構(gòu)區(qū)域指像素灰度值的離散程度高，像素灰度變異系數(shù)CV大于或等于0.0526，且包含局部特征的軌面區(qū)域；非結(jié)構(gòu)區(qū)域指像素灰度值的離散程度低，像素灰度變異系數(shù)CV小于0.0526的軌面區(qū)域；S4：在結(jié)構(gòu)區(qū)域利用圖像的非局部特征對結(jié)構(gòu)區(qū)域進一步區(qū)分，利用圖像塊間的相似度，區(qū)分結(jié)構(gòu)區(qū)域中的缺陷部分和由于光照不均產(chǎn)生的陰影部分；S5：根據(jù)圖像中的不同特征自適應建立背景圖像模型；通過自適應確定像素鄰域窗口逐點計算均值建立背景圖像模型，實現(xiàn)背景圖像的多尺度模糊處理；根據(jù)圖像塊間的相似度，在結(jié)構(gòu)區(qū)域的缺陷部分設置7×7像素的像素鄰域窗口求取灰度均值作為背景，在結(jié)構(gòu)區(qū)域的陰影部分設置3×3像素的像素鄰域窗口求取灰度均值作為背景；在非結(jié)構(gòu)區(qū)域設置5×5像素的像素鄰域窗口求取灰度均值作為背景；S6：圖像差分；將原始圖像與背景圖像進行差值運算，得到差分圖像；S7：動態(tài)閾值分割；對差分圖像設定閾值進行缺陷分割。作為本方案的優(yōu)化方案，上述步驟1鋼軌區(qū)域提取具體包括以下步驟：1)求取圖像中每一行像素的灰度均值Avg(r)，Avg(r)=Σc=1nf(xr,y)n]]>其中，r和c分別表示圖像中像素的行和列，n表示圖像中像素的總列數(shù)；2)對每行灰度均值逐次累加，得到逐次累加灰度均值分布曲線；Sumr＝Sum(r-1)+Avg(r),r∈[1,m]，其中m表示圖像的總行數(shù)；3)求逐次累加灰度均值分布曲線上每隔鋼軌寬度R的區(qū)間上的斜率，其中斜率最大的區(qū)間(r,r+R)即為圖像中的軌面區(qū)域，即：rstart=ArgMaxSumr+R-SumrR.]]>作為本方案的優(yōu)化方案，上述步驟3結(jié)構(gòu)區(qū)域和非結(jié)構(gòu)區(qū)域劃分具體包括以下步驟：對預處理后的鋼軌區(qū)域圖像中的任意像素點(x,y)，其灰度值表示為f(x,y)，該像素點8鄰域內(nèi)的像素用集合表示為：Fx,y＝{f(x+t,y+s)|s,t＝-1,0,1}1)計算Fx,y中像素的灰度均值：Avg(Fx,y)=19Σt=-11Σs=-11f(x+t,y+s)]]>2)計算Fx,y中像素灰度值的標準差：σ=19Σt=-11Σs=-11[f(x+t,y+s)-Avg(Fx,y)]2]]>3)對圖像中的每一點，計算其8鄰域內(nèi)像素灰度的變異系數(shù)CV，即：CV(x,y)=σAvg(Fx,y)]]>4)采用CV-Kmeans區(qū)域分類算法進行鋼軌圖像結(jié)構(gòu)區(qū)域和非結(jié)構(gòu)區(qū)域劃分，當變異系數(shù)CV大于或等于0.0526時為結(jié)構(gòu)區(qū)域，否則為非結(jié)構(gòu)區(qū)域。作為本方案的優(yōu)化方案，上述步驟4結(jié)構(gòu)區(qū)域圖像塊間的相似度：1)對于給定的鋼軌圖像g＝(g(i)|i∈I)，I表示圖像域，搜索區(qū)域Ω的中心像素點i和搜索區(qū)域內(nèi)的其它像素點j之間的相似性由灰度值向量v(Ni)與v(Nj)之間的相似性決定，其中Ni和Nj分別表示以像素i和j為中心的尺寸固定的方形鄰域相似塊，而各圖像塊灰度值向量之間的相似性則通過歐氏距離來衡量即：d(i,j)=||v(Ni)-v(Nj)||2,a2]]>其中，a＞0為高斯核函數(shù)的標準差，圖像塊灰度值向量之間的歐式距離綜合考慮了像素灰度距離和空間歐氏距離，其值越小，則兩點之間的相似程度越高；2)為了衡量搜索區(qū)域中所有圖像塊的總體相似程度，采用非局部均值去噪算法中的歸一化因子Z(i)，對搜索區(qū)域中每一個像素點j所屬參與塊與目標塊Ni間的歐氏距離使用高斯函數(shù)歸一化并求和，歸一化因子Z(i)計算方法為：Z(i)=Σj∈Ωexp(-d(i,j)/h2)]]>其中，h為平滑參數(shù)，用以控制指數(shù)函數(shù)衰減速度，對于特定的搜索區(qū)域歸一化因子為常數(shù)；3)為了統(tǒng)一數(shù)據(jù)量綱，將Z(i)線性歸一化為0～1之間的數(shù)值，即：λ(i)=Z(i)-ZminZmax-Zmin]]>其中，Zmax表示圖像內(nèi)所有搜索域窗口歸一化因子中的最大值，Zmin為最小值。作為本方案的優(yōu)化方案，在計算高斯加權(quán)歐氏距離時，為了減少運算量，參與相似度計算的為像素搜索窗口內(nèi)的像素點；其中，像素搜索窗口大小優(yōu)選為21×21像素，目標塊尺寸為3×3像素。作為本方案的優(yōu)化方案，上述步驟5建立背景圖像模型具體包括以下步驟：1)通過相似度計算結(jié)果自適應確定像素鄰域窗口尺寸，窗口大小width為：width(i)=5×5i∈USR3×30.5<λ(i)≤1,i∈SR7×70≤λ(i)<0.5,i∈SR]]>其中，USR表示圖像中的非結(jié)構(gòu)區(qū)域，SR為結(jié)構(gòu)區(qū)域；2)在不同特征的區(qū)域自適應確定相應大小的窗口，逐點計算均值并建立圖像背景模型：fm(x,y)＝mean(f(x,y))其中，fm(x,y)表示圖像中任意一點(x,y)的背景模型，mean()為均值函數(shù)。作為本方案的優(yōu)化方案，上述步驟7中動態(tài)閾值分割具體包括以下步驟：1)根據(jù)差分圖像的標準差設定閾值分割缺陷區(qū)域，得到缺陷的二值圖像：其中β為控制參數(shù)，σΔf(x,y)為差分圖像的標準差；2)用連通區(qū)域標記法統(tǒng)計出二值圖像中的所有缺陷區(qū)域，并根據(jù)連通區(qū)域的面積判斷缺陷和噪聲，當連通區(qū)域內(nèi)的像素點數(shù)大于64時為缺陷，否則為噪聲。作為本方案的優(yōu)化方案，采用局部非線性對比度增強和中值濾波算法對提取的鋼軌區(qū)域圖像進行預處理。本發(fā)明的有益效果是：1、提出行灰度均值逐次累加法，可快速、有效、準確地提取圖像中的鋼軌區(qū)域；2、充分利用圖像的局部信息，對圖像進行結(jié)構(gòu)和非結(jié)構(gòu)區(qū)域劃分，并利用非局部信息自適應調(diào)節(jié)像素鄰域窗口尺寸求取均值，從而建立了更為準確的背景圖像模型，將原圖像和背景圖像進行差值運算并對差分圖像動態(tài)設定閾值，快速、準確的分割出鋼軌表面缺陷，在凸顯圖像缺陷部分的同時，有效減弱光照不均和鋼軌表面反射特性對鋼軌表面缺陷檢測產(chǎn)生的影響，獲得理想的圖像分割效果，保證軌面檢測的精度，優(yōu)于傳統(tǒng)的背景差分法；3、本發(fā)明所使用的局部信息為變異系數(shù)，用于劃分圖像中的結(jié)構(gòu)區(qū)域和非結(jié)構(gòu)區(qū)域；所使用的非局部信息為圖像塊之間的相似度，用于區(qū)分結(jié)構(gòu)區(qū)域中的缺陷部分和由于光照不均等產(chǎn)生的陰影部分。附圖說明圖1為本發(fā)明鋼軌表面缺陷圖像自適應分割方法的流程示意框圖；圖2為本發(fā)明鋼軌圖像行灰度均值分布曲線圖；圖3為本發(fā)明鋼軌圖像逐次累加灰度均值分布曲線圖；圖4為行灰度均值逐次累加法提取的鋼軌區(qū)域圖像；圖5為本發(fā)明實施例中的原始軌面圖像；圖6為本發(fā)明實施例中的背景圖像；圖7為本發(fā)明實施例中的差分圖像。具體實施方式下面將結(jié)合附圖及實施例對本發(fā)明及其效果作進一步闡述。如圖1所示，一種鋼軌表面缺陷圖像自適應分割方法，包括以下步驟：S1：采用行灰度均值逐次累加法提取鋼軌區(qū)域；為了快速定位圖像中的鋼軌區(qū)域，本發(fā)明提出行灰度均值逐次累加法，利用圖像中鋼軌區(qū)域像素分布相對均勻且灰度值較高，非鋼軌區(qū)域像素分布隨機的特點，求取鋼軌圖像中每一行像素的灰度均值，繪制行灰度均值分布曲線圖(如圖2所示)，并將每行灰度均值逐次累加，得到逐次累加灰度均值分布曲線圖(如圖3所示)。逐次累加灰度均值曲線呈連續(xù)遞增趨勢且大致分為三段，中間段斜率較高，而曲線中斜率發(fā)生突變的位置即對應鋼軌的左右邊緣。由于鋼軌的寬度R固定，求逐次累加灰度均值曲線上每隔寬度為R的區(qū)間上的斜率，并使得斜率最大的區(qū)間(r,r+R)即為圖像中的軌面區(qū)域，提取的鋼軌區(qū)域圖像如圖4所示。具體地，鋼軌區(qū)域提取包括以下步驟：1)求取圖像中每一行像素的灰度均值Avg(r)，Avg(r)=Σc=1nf(xr,y)n]]>其中，r和c分別表示圖像中像素的行和列，n表示圖像中像素的總列數(shù)；2)對每行灰度均值逐次累加，得到逐次累加灰度均值分布曲線；Sumr＝Sum(r-1)+Avg(r),r∈[1,m]，其中m表示圖像的總行數(shù)；3)求逐次累加灰度均值分布曲線上每隔鋼軌寬度R的區(qū)間上的斜率，其中斜率最大的區(qū)間(r,r+R)即為圖像中的軌面區(qū)域，即：rstart=ArgMaxSumr+R-SumrR.]]>S2：對提取的鋼軌區(qū)域圖像采用局部非線性對比度增強和中值濾波算法進行預處理，增強圖像對比度的同時去除圖像噪聲。S3：對預處理后的鋼軌區(qū)域圖像進行結(jié)構(gòu)區(qū)域和非結(jié)構(gòu)區(qū)域劃分；為了突出圖像的特征部分，將預處理后的圖像劃分成結(jié)構(gòu)區(qū)域和非結(jié)構(gòu)區(qū)域；其中結(jié)構(gòu)區(qū)域指像素灰度值的離散程度較高，我們采用像素灰度變異系數(shù)CV來表征像素灰度值的離散程度，結(jié)構(gòu)區(qū)域為像素灰度變異系數(shù)CV大于或等于0.0526，且包含局部特征的軌面區(qū)域；因結(jié)構(gòu)區(qū)域的像素灰度值變化范圍因成像條件、鋼軌磨損程度而異，像素灰度值變化的大致范圍為53～255，且包含如邊緣、紋理等特征的軌面區(qū)域，如鋼軌圖像中缺陷的邊緣部分；非結(jié)構(gòu)區(qū)域指像素灰度值的離散程度較低，像素灰度變異系數(shù)CV小于0.0526的軌面區(qū)域，非結(jié)構(gòu)區(qū)域指像素灰度值變化平緩，像素灰度值變化的大致范圍為145～255。因此，可以通過分析圖像中每個像素點8鄰域內(nèi)像素的離散程度，計算其變異系數(shù)CV對圖像進行結(jié)構(gòu)區(qū)域劃分；在結(jié)構(gòu)區(qū)域由于像素灰度均值較小且標準差較大，則CV值較大，而在非結(jié)構(gòu)區(qū)域CV值較小。因此，采用CV-Kmeans區(qū)域分類算法，對圖像中的像素點進行變異系數(shù)值分類，CV值較大的部分對應著鋼軌圖像中的結(jié)構(gòu)區(qū)域，較小的部分則為非結(jié)構(gòu)區(qū)域。具體地，鋼軌區(qū)域圖像的結(jié)構(gòu)區(qū)域和非結(jié)構(gòu)區(qū)域劃分包括以下步驟：對預處理后的鋼軌區(qū)域圖像中的任意像素點(x,y)，其灰度值表示為f(x,y)，該像素點8鄰域內(nèi)的像素用集合表示為：Fx,y＝{f(x+t,y+s)|s,t＝-1,0,1}1)計算Fx,y中像素的灰度均值：Avg(Fx,y)=19Σt=-11Σs=-11f(x+t,y+s)]]>2)計算Fx,y中像素灰度值的標準差：σ=19Σt=-11Σs=-11[f(x+t,y+s)-Avg(Fx,y)]2]]>3)對圖像中的每一點，計算其8鄰域內(nèi)像素灰度的變異系數(shù)CV，即：CV(x,y)=σAvg(Fx,y)]]>4)采用CV-Kmeans區(qū)域分類算法進行鋼軌圖像結(jié)構(gòu)區(qū)域和非結(jié)構(gòu)區(qū)域劃分，通常當變異系數(shù)CV大于或等于0.0526時為結(jié)構(gòu)區(qū)域，否則為非結(jié)構(gòu)區(qū)域。S4：在結(jié)構(gòu)區(qū)域利用圖像的非局部特征對結(jié)構(gòu)區(qū)域進一步區(qū)分，利用圖像塊(灰度向量)間的相似度，區(qū)分結(jié)構(gòu)區(qū)域中的缺陷部分和由于光照不均產(chǎn)生的陰影部分；1)對于給定的鋼軌圖像g＝(g(i)|i∈I)，I表示圖像域，搜索區(qū)域Ω的中心像素點i和搜索區(qū)域內(nèi)的其它像素點j之間的相似性由灰度值向量v(Ni)與v(Nj)之間的相似性決定，其中Ni和Nj分別表示以像素i和j為中心的尺寸固定的方形鄰域相似塊，而各圖像塊灰度值向量之間的相似性則通過歐氏距離來衡量即：d(i,j)=||v(Ni)-v(Nj)||2,a2]]>其中，a＞0為高斯核函數(shù)的標準差，圖像塊灰度值向量之間的歐式距離綜合考慮了像素灰度距離和空間歐氏距離，其值越小，則兩點之間的相似程度越高；在計算歐氏距離時，為了減少運算量，參與相似度計算的并非圖像中的所有像素點，而是中心像素周圍一定大小的區(qū)域內(nèi)的像素點，稱為像素搜索窗口；其中，像素搜索窗口大小優(yōu)選為21×21像素，相似塊尺寸優(yōu)選為3×3像素；2)為了衡量搜索區(qū)域中所有圖像塊的總體相似程度，采用非局部均值去噪算法中的歸一化因子Z(i)，對搜索區(qū)域中每一個像素點j所屬參與塊與目標塊Ni間的歐氏距離使用高斯函數(shù)歸一化并求和，歸一化因子Z(i)計算方法為：Z(i)=Σj∈Ωexp(-d(i,j)/h2)]]>其中，h為平滑參數(shù)，用以控制指數(shù)函數(shù)衰減速度，對于特定的搜索區(qū)域歸一化因子為常數(shù)；3)為了統(tǒng)一數(shù)據(jù)量綱，將Z(i)線性歸一化為0～1之間的數(shù)值，即：λ(i)=Z(i)-ZminZmax-Zmin]]>其中，Zmax表示圖像內(nèi)所有搜索域窗口歸一化因子中的最大值，Zmin為最小值。由于將變異系數(shù)作為區(qū)域劃分的關鍵特征時，只利用了圖像的局部信息，對于光照不均和鋼軌表面反射特性造成的大范圍陰影區(qū)域，由于灰度分布不均，往往會被誤判成結(jié)構(gòu)區(qū)域。為此，本發(fā)明利用圖像的非局部信息對結(jié)構(gòu)區(qū)中的陰影區(qū)域進一步區(qū)分；在陰影區(qū)域的邊界處，像素灰度值的相似度較大，灰度分布沒有明顯的脊線；而在缺陷邊緣，像素灰度值的相似信息較為復雜；因此，可以利用圖像的冗余性和自相似性，在非局部范圍內(nèi)利用圖像塊之間的歐式距離度量圖像塊間的相似度進而區(qū)分結(jié)構(gòu)區(qū)域的缺陷部分和陰影區(qū)域。為了衡量搜索區(qū)域中所有圖像塊的總體相似程度，采用非局部均值去噪算法中的歸一化因子Z(i)，對搜索區(qū)域中每一個像素點j所屬參與塊與目標塊Ni之間的歐氏距離使用高斯函數(shù)歸一化并求和；由于歸一化因子表示將搜索區(qū)域中心像素點i對應的目標塊的灰度值向量作為高斯函數(shù)的對稱中心，并將搜索域中所有其余參與塊的高斯函數(shù)值相加，且對于一個特定的搜索區(qū)域其值為常數(shù)；因此可以用來衡量一個搜索區(qū)域內(nèi)圖像塊的總體相似程度。不同的搜索區(qū)域內(nèi)，圖像塊之間的相似性差異較大，歸一化因子的值差別也較大，為了統(tǒng)一數(shù)據(jù)量綱，將Z(i)線性歸一化為0～1之間的數(shù)值。S5：根據(jù)圖像中的不同特征自適應建立背景圖像模型；通過自適應確定像素鄰域窗口尺寸逐點計算均值建立背景圖像模型，實現(xiàn)背景圖像的多尺度模糊處理；根據(jù)圖像塊間的相似度，在結(jié)構(gòu)區(qū)域的缺陷部分設置7×7像素的像素鄰域窗口求取灰度均值作為背景，在結(jié)構(gòu)區(qū)域的陰影部分設置3×3像素的像素鄰域窗口求取灰度均值作為背景；在非結(jié)構(gòu)區(qū)域設置5×5像素的像素鄰域窗口求取灰度均值作為背景；分別選用7×7像素、3×3像素、5×5像素的像素鄰域窗口的處理效果最優(yōu)。1)通過相似度計算結(jié)果自適應確定像素鄰域窗口尺寸，窗口大小width為：width(i)=5×5i∈USR3×30.5<λ(i)≤1,i∈SR7×70≤λ(i)<0.5,i∈SR]]>其中，USR表示圖像中的非結(jié)構(gòu)區(qū)域，SR為結(jié)構(gòu)區(qū)域；2)在不同特征的區(qū)域自適應確定相應大小的窗口，逐點計算均值并建立圖像背景模型：fm(x,y)＝mean(f(x,y))其中，fm(x,y)表示圖像中任意一點(x,y)的背景模型，mean()為均值函數(shù)。在背景差分時，為了盡可能凸顯缺陷部分的同時，有效減少光照不均和鋼軌表面反射特性對鋼軌圖像的影響，需要建立準確的背景圖像模型。采取的方法是在結(jié)構(gòu)區(qū)域的缺陷部分設置較大的像素鄰域窗口求取均值作為背景，而在結(jié)構(gòu)區(qū)域的陰影部分設置較小的像素鄰域窗口求取均值，從而使缺陷部分的背景圖像較為模糊，而陰影部分的背景圖像盡量貼合前景圖像，實現(xiàn)背景圖像的多尺度模糊處理。然后在非結(jié)構(gòu)區(qū)域根據(jù)局部特征自適應地確定像素搜索窗口大小，逐點計算均值并建立圖像背景模型；鋼軌表面背景圖像如圖6所示。S6：圖像差分；將原始圖像f(x,y)(如圖5所示)與背景圖像(如圖6所示)進行差值運算，得到差分圖像Δf(x,y)如圖7所示。S7：動態(tài)閾值分割；為了實現(xiàn)缺陷分割，需要對差分圖像設定閾值進行缺陷分割，由于分割閾值與差分圖像標準差相關，因此采用控制參數(shù)β和差分圖像標準差確定分割閾值，最后對閾值分割后得到的二值圖像，用連通區(qū)域標記法統(tǒng)計出圖像中的所有缺陷區(qū)域，并根據(jù)連通區(qū)域的面積判斷缺陷和噪聲，當連通區(qū)域內(nèi)的像素點數(shù)大于64時認為是缺陷，否則是噪聲。1)根據(jù)差分圖像的標準差設定閾值分割缺陷區(qū)域，得到缺陷的二值圖像：其中β為控制參數(shù)，σΔf(x,y)為差分圖像的標準差；2)用連通區(qū)域標記法統(tǒng)計出二值圖像中的所有缺陷區(qū)域，并根據(jù)連通區(qū)域的面積判斷缺陷和噪聲，當連通區(qū)域內(nèi)的像素點數(shù)大于64時為缺陷，否則為噪聲。以上實施例僅是示例性的，并不會局限本發(fā)明，應當指出對于本領域的技術(shù)人員來說，在本發(fā)明所提供的技術(shù)啟示下，所做出的其它等同變型和改進，均應視為本發(fā)明的保護范圍。當前第1頁1 2 3