本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，特別是涉及一種基于灰度級映射的高動態(tài)范圍圖像重建方法。

背景技術(shù)：

視覺信息具有其他信號無可替代的直觀性優(yōu)點，因而在工業(yè)自動化檢測，以及安防監(jiān)控，以及民用日用等諸多領(lǐng)域快速滲透。但是，由于在現(xiàn)實場景中，光照環(huán)境通常表現(xiàn)的較為復(fù)雜，光照變化范圍較為寬廣，可達(dá)到100,000,000:1的范圍，人眼在固定場合中的適應(yīng)光照變化范圍為10,000:1，目前大部分的相機傳感器能夠適應(yīng)的范圍為100:1，為了便于解釋，將其稱為低動態(tài)范圍成像相機。為此，為提升相機的表現(xiàn)力，諸多的研究機構(gòu)在高動態(tài)范圍圖像傳感器的研制方面做了大量的工作。訪問相關(guān)網(wǎng)站，可以看到，日本公司在高動態(tài)范圍圖像傳感器及編碼器方面做了許多的工作，如日本松下開發(fā)出超寬動態(tài)范圍圖像傳感器，日本的inrevium給出了寬動態(tài)范圍的壓縮芯片等等。高動態(tài)范圍圖像傳感器的出現(xiàn)，使相機對圖像信息的描述能力大大提升。

目前的實際情況是，高動態(tài)范圍相機價格昂貴，低動態(tài)范圍成像相機被各個領(lǐng)域普及使用，因此，采用軟硬件相結(jié)合的方法實現(xiàn)對高動態(tài)范圍場景的有效描述，是一個研究熱點。同時，根據(jù)視覺特性展開的信息估計以及信號增強等方面科學(xué)問題的研究，也有助于推動相關(guān)領(lǐng)域研究的深入。

針對高動態(tài)范圍圖像重建方法，主要體現(xiàn)在以下兩個方面：基于輻射域的hdr圖像重建和基于多曝光圖像加權(quán)融合的hdr圖像重建。前者相機響應(yīng)函數(shù)的估計和色調(diào)映射函數(shù)的設(shè)計是兩個非常重要和時間開銷非常大的過程，因此在實時應(yīng)用方面缺乏競爭力。后者的多曝光圖像融合算法有效地解決了靜態(tài)場景和動態(tài)場景的圖像融合，對相機的微小移動和含有運動目標(biāo)的動態(tài)場景給出了較好的解決方案，但是算法仍然存在以下兩個有待優(yōu)化的方面。

現(xiàn)有多曝光圖像融合方法針對多曝光圖像序列每個像素位置擬合曲線，通過曲線的拐點求該像素的最佳成像點，能夠恢復(fù)出實際場景中亮暗區(qū)域的細(xì)節(jié)信息，最后通過金字塔算法對融合后的圖像進(jìn)行平滑處理，得到一幅清晰、逼真的且能反映真實場景的高動態(tài)范圍圖像。但對于具有千萬級像素的圖像序列，則需要擬合千萬條曲線，獲得最佳曝光點，雖然可通過并行計算的方法解決，仍存在計算效率低，空間復(fù)雜度高等缺點，很難達(dá)到實時應(yīng)用的目的?，F(xiàn)有多曝光圖像融合方法在檢測運動目標(biāo)時，給出了一個曝光量遞增關(guān)系的假設(shè)，即圖像像素隨著曝光時間的增大其像素亮度值也隨著增大原理。然而在真實場景中，運動目標(biāo)符合隨曝光時間增加其亮度值也隨之增加，于是融合后仍存在鬼影現(xiàn)象。

技術(shù)實現(xiàn)要素：

本發(fā)明實施例提供了一種基于灰度級映射的高動態(tài)范圍圖像重建方法，可以解決現(xiàn)有技術(shù)中存在的問題。

一種基于灰度級映射的高動態(tài)范圍圖像重建方法，所述方法包括：

步驟100，對ldr圖像序列配準(zhǔn)和去噪；

步驟110，計算配準(zhǔn)和去噪后的ldr圖像序列的灰度均值圖像，然后計算和其對應(yīng)的配準(zhǔn)和去噪后的ldr圖像序列的信息熵，熵值最大的作為基準(zhǔn)圖像；

步驟120，對于每個灰度級0-255，在基準(zhǔn)圖像中查找其像素的位置，計算不同ldr圖像對應(yīng)位置的灰度均值，以其灰度均值作為亮度序列；

步驟130，根據(jù)亮度序列采用最小二乘法擬合魯棒性曲線；

步驟140，重復(fù)步驟120和130，獲得256條曲線，計算每條曲線最佳曝光成像點；

步驟150，根據(jù)最佳曝光成像點獲得dirichlet權(quán)值矩陣；

步驟160，進(jìn)行多分辨率融合，最終獲得hdr圖像；

步驟170，對于動態(tài)場景，從ldr圖像序列中選擇場景一致的兩幅圖像作為指導(dǎo)圖像，根據(jù)指導(dǎo)圖像恢復(fù)理想圖像；然后利用實際拍攝的ldr圖像和恢復(fù)出的理想圖像做差分，得到運動區(qū)域；對于得到的運動區(qū)域二值圖像，使用形態(tài)學(xué)圖像處理方法的腐蝕操作來消除噪聲和孤立點，然后使用膨脹運算將孔洞填充，獲得經(jīng)過形態(tài)學(xué)處理后的運動區(qū)域二值圖像。

本發(fā)明實施例中的一種基于灰度級映射的高動態(tài)范圍圖像重建方法，對任意大小的低動態(tài)范圍圖像序列，僅需擬合與灰階數(shù)目相同個數(shù)而不是與相機分辨率個數(shù)相同的視覺適應(yīng)的s形曲線，利用最佳成像值判別方法直接融合，極大地提高了算法的融合效率，能夠達(dá)到實時性圖像融合要求。對動態(tài)場景的融合，設(shè)計的灰度級映射關(guān)系恢復(fù)理想狀態(tài)的多曝光圖像，利用差分法檢測運動目標(biāo)區(qū)域，做鬼影消除處理，融合得到一幅能夠反映真實場景信息且不受鬼影影響的高動態(tài)范圍圖像。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本發(fā)明實施例中一種基于灰度級映射的高動態(tài)范圍圖像重建方法的流程圖；

圖2為靜態(tài)場景的多曝光圖像融合效果圖；

圖3為相機微小移動的灰度級多曝光圖像融合圖；

圖4為動態(tài)場景的ldr圖像融合圖(運動目標(biāo))；

圖5含有運動目標(biāo)的灰度級ldr圖像融合效果圖；

圖6為多曝光序列圖(a)的運動目標(biāo)檢測示意圖；

圖7為ldr圖像序列圖5-1的融合效果(1，7為參考圖像，保留5中的運動目標(biāo))；

圖8為含有運動目標(biāo)的ldr圖像融合效果對比圖(1，5為參考圖像，保留3中運動目標(biāo))；

圖9為幾組含有運動目標(biāo)的ldr圖像融合效果圖(左圖以1和7作為參考圖像，保留3運動目標(biāo)，右圖以6和5作為參考圖像，保留4的運動目標(biāo))。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

參照圖1，本發(fā)明實施例提供了一種基于灰度級映射的高動態(tài)范圍圖像重建方法，所述方法包括：

步驟100，ldr(低動態(tài)范圍)圖像序列配準(zhǔn)和去噪；

步驟110，計算配準(zhǔn)和去噪后的ldr圖像序列的灰度均值圖像，然后計算和其對應(yīng)的配準(zhǔn)和去噪后的ldr圖像序列的信息熵，熵值最大的作為基準(zhǔn)圖像；

所述灰度均值圖像根據(jù)公式(1)計算：

其中，n表示ldr圖像序列的數(shù)量，ik是第k幅ldr圖像對應(yīng)的灰度圖像，ui表示ldr圖像序列的灰度均值圖像。

步驟120，對于每個灰度級(0-255)，在基準(zhǔn)圖像中查找其像素的位置，計算不同ldr圖像對應(yīng)位置的灰度均值，以其灰度均值作為亮度序列；

[nx,ny]＝find(gray＝＝ui)，gray＝0,1,k,255(2)

其中，[nx,ny]為基準(zhǔn)圖像ui中灰度值等于灰度級gray的像素點坐標(biāo)，ik(x,y)為第k幅ldr圖像在基準(zhǔn)圖像ui對應(yīng)位置的像素點灰度值，pgrayk為第k幅ldr圖像對應(yīng)位置的像素灰度均值。

步驟130，根據(jù)亮度序列pgrayk采用最小二乘法擬合魯棒性曲線；

u(x)＝a4x⁴+a3x³+a2x²+a1x+a0(5)

其中，x為ldr圖像對應(yīng)位置的像素灰度均值，即pgrayk，f(.)為sigmoid復(fù)合函數(shù)，其值對應(yīng)ldr圖像像素亮度值pgrayk，a4、a3、a2、a1、a0均為系數(shù)。

步驟140，重復(fù)步驟120和130，獲得256條曲線，計算每條曲線最佳曝光成像點；

對于ldr圖像序列中某一像素點從曝光不足到曝光過度過程中，其亮度序列中必然存在一個發(fā)生質(zhì)變的點，該點為場景最佳曝光成像點，利用ldr圖像像素亮度值序列擬合的曲線，其拐點作為最佳曝光成像點。

對公式(4)分別求一階和二階導(dǎo)數(shù)：

根據(jù)拐點定義，從式(7)可以看出，曲線的拐點不止一處，本實施例從多個拐點中選擇其拐點處曲線函數(shù)值靠近0.5作為最佳拐點，即：

其中，xk為曲線的拐點，考慮到拍攝ldr圖像序列時，總是盡量反應(yīng)場景中某一部分的最佳信息，因此最佳曝光成像點的亮度值被確定為距離f(u(x*))最近的ldr圖像序列像素灰度值，即：

其中，k*表示在像素(x,y)處為場景的最佳成像曝光點的圖像序號。

步驟150，根據(jù)最佳曝光成像點獲得dirichlet權(quán)值矩陣；

通過擬合ldr圖像序列中每個像素位置灰度值曲線和確定最佳曝光成像點之后，計算狄利克雷函數(shù)取值：

步驟160，進(jìn)行多分辨率融合，最終獲得hdr(高動態(tài)范圍)圖像：

其中，g(x,y)是融合后的hdr圖像。

步驟170，對于動態(tài)場景，從ldr圖像序列中選擇場景一致的iq和ip兩幅圖像作為指導(dǎo)圖像，根據(jù)公式(12)可知：

變形得：

其中，iq(x,y)、ip(x,y)分別代表指導(dǎo)圖像iq和ip在像素(x,y)處的灰度值，是iq、ip和ik的灰度均值，ik'(x,y)是恢復(fù)出第k幅的理想圖像在像素(x,y)處的灰度值。

然后利用實際拍攝的ldr圖像和恢復(fù)出的理想圖像做差分，得到運動區(qū)域，如下所示：

其中，g(x,y)為運動區(qū)域，1代表鬼影像素，0代表非鬼影像素，th取值為0.05。

對于得到的運動區(qū)域二值圖像，有很多的噪聲、孤立點和孔洞，使用形態(tài)學(xué)圖像處理方法的腐蝕操作來消除噪聲和孤立點，然后使用膨脹運算將孔洞填充：

其中，b為腐蝕和膨脹操作ones(3×3)結(jié)構(gòu)元素，m和n分別是腐蝕和膨脹操作次數(shù)，g’表示經(jīng)過形態(tài)學(xué)處理后的運動區(qū)域二值圖像。

本實施例對靜態(tài)場景、相機微小移動和含有運動目標(biāo)的動態(tài)場景分別采用了灰度級融合方法進(jìn)行了測試，所有試驗在intel內(nèi)核cpu3.4g，內(nèi)存8g，matlab2010的pc機上進(jìn)行，測試圖像來源于互聯(lián)網(wǎng)上常見的ldr圖像序列。靜態(tài)場景和包含相機微小移動與目前流行的mertensef算法、s_sigmoid算法及本文算法進(jìn)行比較，如圖2和3；動態(tài)場景與2014年chullee算法、2013年t.-h.oh算法和j.hu算法，2012年w.zhang算法，以及其他等經(jīng)典算法進(jìn)行了比較，如圖4和5。

1.靜態(tài)場景l(fā)dr圖像序列融合

目前針對靜態(tài)場景主要的mertansef算法采用對比度、飽和度和適度曝光量融合效果良好。a為ldr圖像序列，b為融合效果對比圖，其中b(1)為mertensef算法，b(2)為ssigmoid算法，b(3)為本發(fā)明的方法。本文算法對如圖2a所示的5幅不同曝光的ldr圖像序列進(jìn)行了融合，如圖2b所示。從融合結(jié)果來看，本文算法融合細(xì)節(jié)更清楚，具有較強的對比度融合效果。mertansef算法具有較好的曝光量，形成的圖像明亮度較好，其缺點是會在高亮區(qū)域(教堂場景中頂部區(qū)域和左邊壁畫)部分細(xì)節(jié)丟失，且顏色和對比度較差；基于sigmoid函數(shù)的單像素融合算法(s_sigmoid)相對于mertansef算法，由于直接提取了原ldr圖像序列中像素亮度值信息，與原圖像的成像風(fēng)格保持一致，在高亮區(qū)保留更多的細(xì)節(jié)信息，獲得更加自然的融合圖像，但該算法由于是單點像素序列進(jìn)行曲線擬合，容易受到噪聲點影響；本文方法克服了s_sigmoid算法的缺點，融合效果中細(xì)節(jié)更豐富，圖像對比度強，視覺效果更加自然。為了更好地對比，圖2c給出了細(xì)節(jié)比較結(jié)果，其中，c(1-1)和c(1-2)為mertansef算法效果圖中兩處細(xì)節(jié)的放大圖，c(2-1)和c(2-2)為s_sigmoid算法效果圖中兩處細(xì)節(jié)的放大圖，c(3-1)和c(3-2)為本發(fā)明方法效果圖中兩處細(xì)節(jié)的放大圖。

2.相機微小移動的ldr圖像序列融合

在相機進(jìn)行實際拍攝時，即使使用三角架，也會由于手顫抖或按快門引起相機的微小移動，使得最終的融合效果出現(xiàn)虛邊、重影等現(xiàn)象。本文算法通過檢測未配準(zhǔn)區(qū)域，對其給定曝光較好的像素值，其余像素按照靜態(tài)場景處理，獲得清晰的圖像。圖3a一組ldr圖像序列，其在拍攝過程中相機出現(xiàn)了微小移動，致使圖像沒有完全配準(zhǔn)。分別采用mertansef算法、s_sigmoid算法和本文算法進(jìn)行融合，融合效果分別如圖3b中的b(1)、b(2)、b(3)所示，細(xì)節(jié)放大如圖3c所示，其中c(1-1)、c(1-2)和c(1-3)為mertensef算法效果圖中三處細(xì)節(jié)的放大圖，c(2-1)、c(2-2)和c(2-3)為ssigmoid算法效果圖中三處細(xì)節(jié)的放大圖，c(3-1)、c(3-2)和c(3-3)為本發(fā)明算法效果圖中三處細(xì)節(jié)的放大圖。從圖3來看，b(1)整幅圖像模糊不清，出現(xiàn)鬼影現(xiàn)象；而b(2)和b(3)具有相同的效果，圖像清晰、逼真。圖3c對其局部融合效果進(jìn)行放大，可清楚看到mertansef算法由于受到相機微小移動出現(xiàn)虛邊重影現(xiàn)象，本文算法和s_sigmoid算法并未受相機微小移動影響，融合效果依然清晰、逼真。

3.含有運動目標(biāo)的ldr圖像序列融合

由于拍攝場景大多處于公共場所，必然會存在運動目標(biāo)。本文算法對于含有運動目標(biāo)的ldr圖像序列，首先利用公式(13)恢復(fù)其不同曝光場景，采用差分方法計算其運動區(qū)域，對于運動區(qū)域，賦予ldr序列中曝光較好的像素值，其余區(qū)域采用靜態(tài)場景的灰度級融合算法進(jìn)行融合，融合效果如圖4所示。圖4a給出了5幅不同曝光的ldr圖像序列，圖4b利用公式(13)(1和5為指導(dǎo)圖像)恢復(fù)不同曝光場景，利用差分法獲得運動區(qū)域如圖4c，4d為形態(tài)學(xué)處理后的運動區(qū)域，4e為保留單一運動目標(biāo)的融合效果，4f為消除所有運動目標(biāo)的融合效果。

圖4e為保留單一運動目標(biāo)(4a中第4幅圖的運動目標(biāo))的融合效果，本文方法e(4)與zhang等人方法e(1)、sen等人方法e(2)和hu等人方法e(3)進(jìn)行了比較。從圖可明顯看出，zhang等人方法保留的運動目標(biāo)效果最差，運動目標(biāo)部分區(qū)域沒有完全保留；sen等人方法和hu等人方法較好的保留了運動目標(biāo)，但其地面出現(xiàn)了塊效應(yīng)和顏色遷移問題；本文方法不但完整地保留了運動目標(biāo)，而且其他部分也恢復(fù)了很好的細(xì)節(jié)信息。

圖4f為消除所有運動目標(biāo)的融合效果，本文方法f(10)與debevecandmalik算法f(1)、galloetal算法f(2)、heoetal算法f(3)、huetal算法f(4)、ohetal算法f(5)、zhengetal算法f(6)、zhangetal算法f(7)、mertensetal算法f(8)、chuletal算法f(9)進(jìn)行了比較。可以清楚的看到，f(1)、f(7)和f(8)沒有完全消除運動目標(biāo)，仍然存在鬼影現(xiàn)象；f(2)、f(4)、f(5)消除了鬼影，但其地面顏色出現(xiàn)了偏色現(xiàn)象(泛綠)；從視覺效果來看，f(3)和f(6)融合效果最好，完全消除了鬼影，并對場景細(xì)節(jié)恢復(fù)良好，但其融合結(jié)果并沒有保留場景原有的亮度和顏色信息；f(9)算法沒有完全去除運動目標(biāo)，f(11)分別給出了f(9)和f(10)的細(xì)節(jié)放大圖，并且其頂部亮度是多曝光圖像中未出現(xiàn)的光線強度，不符合光照原理，引入了虛假信息，對后續(xù)的決策判斷帶來影響，本實施例方法f(10)不但完全消除了場景中運動目標(biāo)，而且保留了場景原有的亮度和顏色信息，融合效果良好。

圖5給出了ldr圖像序列中每幅圖像均含有運動目標(biāo)的多曝光圖像，a為ldr圖像序列，b為融合效果圖，其中，b(1)、b(2)、b(3)、b(4)、b(5)、b(6)、b(7)、b(8)、b(9)和b(10)分別為debevecandmalik算法、galloetal算法、heoetal算法、huetal算法、ohetal算法、zhengetal算法、zhangetal算法、mertensetal算法、chuletal算法和本發(fā)明方法的融合效果圖。從融合效果來看，b(9)之前的算法均不程度含有少量鬼影現(xiàn)象，b(9)融合效果良好，視覺效果好，并很好的去除了鬼影，但融合圖像中存在塊效應(yīng)，如b(9)框中所示。5c給出了其塊效應(yīng)細(xì)節(jié)放大圖，并且草地信息恢復(fù)較差。本文算法同樣去除了融合結(jié)果中鬼影現(xiàn)象(保留了單一場景的運動目標(biāo))，而且保留了場景原有的亮度和顏色信息，場景細(xì)節(jié)恢復(fù)清晰。

4.不符合像素值順序的多曝光融合

圖6a運動區(qū)域檢測可以清楚地看到，對于框中的運動目標(biāo)出現(xiàn)漏檢或部分檢測等現(xiàn)象，其原因是這部分運動目標(biāo)像素符合隨著曝光時間的增大運動目標(biāo)像素的亮度值也隨之增大，因此基于像素值順序的檢測方法不適應(yīng)此類圖。本文算法根據(jù)任意兩幅曝光圖像亮度值的變化與它們整幅圖像平均亮度的變化之間的比值是恒定的原理，對于圖6a多曝光序列，選擇第一幅和第七幅作為參考圖像，然后恢復(fù)出其它曝光時間理想狀態(tài)下的圖像，利用差分法求出每幅圖的運動像素，然后將這些運動像素組合成一幅二值圖像，對其做形態(tài)運算，如圖6c所示，圖6b為使用像素值順序運動檢測的目標(biāo)。融合時將運動區(qū)域像素利用第五幅圖中對應(yīng)像素替換，最后通過金字塔融合平滑得到融合圖像，如圖7c所示。圖7a和b分別為使用zhang等人算法和ssigmoid算法得到的融合效果圖。

圖8以1和5作為參考圖像，保留3的運動目標(biāo)，融合效果如圖8c所示。從圖7和8的融合效果來看，zhang等人(8a)和s_sigmoid方法(8b)均沒有完全去除鬼影區(qū)域，而本文算法有效的去除了鬼影，并得到一幅能夠完全反應(yīng)真實場景細(xì)節(jié)的高動態(tài)范圍圖像。圖9給出了幾組實驗效果，左圖以1和7作為參考圖像，保留3運動目標(biāo)，右圖以6和5作為參考圖像，保留4的運動目標(biāo)。

本領(lǐng)域內(nèi)的技術(shù)人員應(yīng)明白，本發(fā)明的實施例可提供為方法、系統(tǒng)、或計算機程序產(chǎn)品。因此，本發(fā)明可采用完全硬件實施例、完全軟件實施例、或結(jié)合軟件和硬件方面的實施例的形式。而且，本發(fā)明可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(zhì)(包括但不限于磁盤存儲器、cd-rom、光學(xué)存儲器等)上實施的計算機程序產(chǎn)品的形式。

本發(fā)明是參照根據(jù)本發(fā)明實施例的方法、設(shè)備(系統(tǒng))、和計算機程序產(chǎn)品的流程圖和/或方框圖來描述的。應(yīng)理解可由計算機程序指令實現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合。可提供這些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個機器，使得通過計算機或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。

這些計算機程序指令也可存儲在能引導(dǎo)計算機或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。

這些計算機程序指令也可裝載到計算機或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計算機或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計算機實現(xiàn)的處理，從而在計算機或其他可編程設(shè)備上執(zhí)行的指令提供用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。

盡管已描述了本發(fā)明的優(yōu)選實施例，但本領(lǐng)域內(nèi)的技術(shù)人員一旦得知了基本創(chuàng)造性概念，則可對這些實施例作出另外的變更和修改。所以，所附權(quán)利要求意欲解釋為包括優(yōu)選實施例以及落入本發(fā)明范圍的所有變更和修改。

顯然，本領(lǐng)域的技術(shù)人員可以對本發(fā)明進(jìn)行各種改動和變型而不脫離本發(fā)明的精神和范圍。這樣，倘若本發(fā)明的這些修改和變型屬于本發(fā)明權(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本發(fā)明也意圖包含這些改動和變型在內(nèi)。