RAW格式文件转档的方法、系统、电子装置和存储介质

技术领域

本申请涉及计算机领域，特别是涉及RAW格式文件转档的方法、系统、电子装置和存储介质。

背景技术

RAW格式图片是未经加工处理的原始摄像数据，最大程度保留了图像的细节、色彩、明暗连续信息，提供最大的图像处理空间，是专业人士图像处理的首选，在不久未来网速带宽提升的5G时代，高灵活度的raw格式或者是通过处理raw格式得到的更高色深图片格式将会更流行。

目前最新的主流手机皆已支持Raw格式，如近日发布的Iphone12支持ProRaw格式，摄影师在拍摄时可以完全保留对色彩、细节和动态范围的控制，但又能获得RAW的强大深度和灵活性，另外显示屏采用最新的XDR技术，显示色彩深度达到HDR10级别，既支持10位色深显示，能显示10亿种颜色，iphone 12pro更支持杜比视界拍摄，色彩深度到14位，能记录显示680亿种颜色；华为在2020年4月发布的P40支持raw格式的存储和处理，搭载的AI AWB准确处理raw格式图片的色彩信息和复杂光线变化，夜间拍照更成为p40pro的亮点；三星在2020年8月发布的Galaxy Note20 Ultra可输出RAW10和RAW8格式的照片；图像处理软件Adobe Photo Shop在2020年6月更新了Adobe Camera Raw，用于处理raw格式的功能板块，优化了局部图像处理的UI，从简单的全局图像增强到用户可控制的局部图像变换。

随着显卡硬件的快速发展，传统图像算法全面迈向深度学习，近年图像算法的研究逐渐从低像素图片处理研究走向高像素图片处理，将超高分辨率、去噪、图像增强等算法应用到RAW格式。此外，ICCV、CVPR等国际图像处理会议从2019年开始，获奖论文里就出现raw格式图像相关的论文；国际图像处理比赛也开始转向raw格式，去噪、高清化等图像增强传统比赛皆逐渐开设RAW格式子项目，如旷视研究院在2019年 夺得了NTIRE 2019 真实图像降噪比赛 “Raw-RGB” 组的世界冠军，而百度研究院则夺得了2020该项目冠军。

进一步的，在婚纱摄影的后期修图环节中，“转档”是修图师们进行日常工作的第一步，转档的目的不仅是为了得到日常使用的JPG格式图片，更重要的是为了能尽可能地统一照片的色温、曝光等，使得照片中的所有细节能尽可能地得以呈现，且转档结果的好坏也直接影响了后期风格修图的难度和最终效果。其中，通过RAW格式文件进行转档的原因主要是：通用图像处理格式的图片数据空间下的数值值域远远比RAW格式小，前者为8位的0-255，后者为14位的0-16348，甚至是到16位的0-65536。而RGB图片的8位色彩深度会导致许多图像问题，如色彩失真、色彩溢出、色彩断层、过曝和曝光不足导致的细节丢失等。我们常见的边缘问题、色彩断层问题从根本来说，就是8位精度下计算导致的色值跳跃。举个例子，一个8位RGB图片的红色的色值为[255,0,0]，而RAW格式14位的色彩深度则是一个区间，为[16319:16384,0,0]，由此可以看出，8位对比14位在红色的色值表示上丢失了64个色值，这只是单通道色值的丢失，如果算上3通道的色值表示，如粉红色8位的色值为[255,192,203]，相比于14位的表示区间[16319:16384, 12272:12335, 12978:13042]，则丢失了64*64*64 = 262144 个色值。然而，这还只是色值表示上的色彩失真，还有色值计算上的，例如，目前神经网络是32位的，用32位计算8位的色彩空间，从理论上就比用32位计算14位的色彩空间更容易出现精度丢失和色值跳跃，从而导致色彩断层和明暗断层。由上述可知，对RAW格式文件的转档对后期的图像处理有着很重要的意义。

目前，在相关技术中，尚未使用深度学习技术对RAW格式文件进行智能转档。

针对相关技术中，存在的缺少通过深度学习网络对RAW格式文件进行智能转档的问题，尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种RAW格式文件转档的方法、系统、电子装置和存储介质，以至少解决相关技术中存在的缺少通过深度学习网络对RAW格式文件进行智能转档的问题。

第一方面，本申请实施例提供了一种RAW格式文件转档的方法，所述方法包括：

从RAW格式文件中获取相机参数配置和拜耳阵列，并通过ISP算法处理所述RAW格式文件，生成标准ISP原始数据集；

通过色彩校正模型对所述标准ISP原始数据集中的标准图像进行色彩校正，得到色彩校正图，其中所述色彩校正模型是嵌入控制命令模块的图像增强神经网络；

通过神经网络分别提取所述色彩校正图的色彩校正特征矩阵和所述拜耳阵列的RAW特征矩阵，并通过融合算子将所述色彩校正特征矩阵和所述RAW特征矩阵进行融合得到高动态色彩范围特征矩阵；

通过高清化神经网络对所述高动态色彩范围特征矩阵进行转化，生成原始分辨率下的转档图片。

在其中一些实施例中，在通过色彩校正模型对所述标准ISP原始数据集中的标准图像进行色彩校正之前，所述方法包括：

对所述标准ISP原始数据集中的标准图像进行图像压缩，得到低像素标准图像，通过所述色彩校正模型对所述低像素标准图像进行色彩校正。

在其中一些实施例中，所述控制命令模块的生成包括：

分别设置色温等级、曝光等级的控制命令指令集，生成所述控制命令模块，通过所述控制命令模块对所述图像增强神经网络进行调整。

在其中一些实施例中，所述通过色彩校正模型对所述标准ISP原始数据集中的标准图像进行色彩校正包括：

通过自然语言处理模型从语义上学习所述控制命令变量和所述色彩校正图变化的关系。

在其中一些实施例中，所述通过自然语言处理模型从语义上学习所述控制命令变量和所述色彩校正图变化的关系包括：

通过全局信息图像神经网络对所述标准图像进行特征提取，得到全局信息特征向量；

通过自然语言处理神经网络对所述全局信息特征向量和所述控制命令变量进行处理，得到色彩校正信息；

通过融入所述色彩校正信息的色彩校正图像神经网络，对所述标准图像进行色彩校正，得到色彩校正图。

在其中一些实施例中，在通过色彩校正模型对所述标准ISP原始数据集中的标准图像进行色彩校正之前，所述方法还包括：

对所述标准ISP原始数据集进行PhotoShop camera raw转档和人工转档，得到所述色彩校正模型的训练样本集，其中，所述训练样本集包括所述标准ISP原始数据集中的图片、经所述PhotoShop camera raw转档和人工转档后得到的转档图片，以及所述PhotoShopcamera raw转档和人工转档分别对应的人工标注的色温等级和曝光等级。

在其中一些实施例中，在得到所述色彩校正模型的训练样本集之后，所述方法包括：

将所述训练样本集中的样本图像进行压缩，得到小尺寸的训练样本集，通过所述小尺寸的训练样本集训练所述色彩校正模型。

第二方面，本申请实施例提供了一种RAW格式文件转档的系统，所述系统包括：

获取模块，用于从RAW格式文件中获取相机参数配置和拜耳阵列，并通过ISP算法处理所述RAW格式文件，生成标准ISP原始数据集；

色彩校正模块，用于通过色彩校正模型对所述标准ISP原始数据集中的标准图像进行色彩校正，得到色彩校正图，其中所述色彩校正模型是嵌入控制命令模块的图像增强神经网络；

转档模块，用于通过神经网络分别提取所述色彩校正图的色彩校正特征矩阵和所述拜耳阵列的RAW特征矩阵，并通过融合算子将所述色彩校正特征矩阵和所述RAW特征矩阵进行融合得到高动态色彩范围特征矩阵，

通过高清化神经网络对所述高动态色彩范围特征矩阵进行转化，生成原始分辨率下的转档图片。

第三方面，本申请实施例提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的RAW格式文件转档的方法。

第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的RAW格式文件转档的方法。

相比于相关技术，本申请实施例提供的RAW格式文件转档的方法，从RAW格式文件中获取相机参数配置和拜耳阵列，并通过ISP算法处理RAW格式文件，生成标准ISP原始数据集；接着通过色彩校正模型对标准ISP原始数据集中的标准图像进行色彩校正，得到色彩校正图，其中色彩校正模型是嵌入控制命令模块的图像增强神经网络；然后通过神经网络分别提取色彩校正图的色彩校正特征矩阵和拜耳阵列的RAW特征矩阵，并通过融合算子将色彩校正特征矩阵和RAW特征矩阵进行融合得到高动态色彩范围特征矩阵；最后通过高清化神经网络对高动态色彩范围特征矩阵进行转化，生成原始分辨率下的转档图片。

相比于相关技术，本申请替代了人工转档流程，通过神经网络算法实现转档自动化，统一了原片标准，将RAW格式图片转档生成曝光正常、色温中性的常用格式图片。此外，通过对RAW格式文件进行各种色彩校正与高清化的处理，能最大程度保留原始摄像细节与色彩信息，生成一张曝光正常、色温中性和细节丰富的转档图片，解决了相关技术中存在的缺少通过深度学习网络对RAW格式文件进行智能转档的问题，为RAW格式文件提供了一种自动转档的方法，并能有效提高转档后图片的质量。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的RAW格式文件转档的方法的流程图；

图2是根据本申请实施例的色彩校正图生成的流程示意图；

图3是根据本申请实施例的另一种色彩校正图生成的流程示意图；

图4是根据本申请实施例的转档图片生成的流程示意图；

图5是根据本申请实施例的RAW格式文件自动转档流程的示意图；

图6是根据本申请实施例的RAW格式文件转档的系统的结构框图；

图7是根据本申请实施例的电子设备的内部结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。

在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。

除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块（单元）的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指大于或者等于两个。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。

本申请提供了一种RAW格式文件转档的方法，图1是根据本申请实施例的RAW格式文件转档的方法的流程图，如图1所示，该流程包括如下步骤：

步骤S101，从RAW格式文件中获取相机参数配置和拜耳阵列，并通过ISP算法处理RAW格式文件，生成标准ISP原始数据集；

需要说明的是，不同的相机与图像处理软件有不同的ISP图像处理器算法，例如 PhotoShop camera raw界面看到的图片其实是经过PS自带的ISP算法转档后生成的图片， 文件管理器中看到的RAW格式缩略图则是RAW格式文件自带的相机ISP算法生成的缩略图。 本实施例中，通过标准化图像处理器ISP算法处理RAW格式文件，生成标准ISP原始数据集

步骤S102，通过色彩校正模型对标准ISP原始数据集中的标准图像进行色彩校正，得到色彩校正图，其中色彩校正模型是嵌入控制命令模块的图像增强神经网络；

需要说明的是，转档图片的统一标准受人工修片的样本质量和数量限制，样本数量可以通过大量收集得到，但是样本质量因为人的主观性差异限制，导致各自的曝光色温标准不一致，较好的情况下曝光和色温是在一定范围内波动，最差的情况，甚至会因为修片师喜好的风格差异导致相反的标准。对于这种由于人工差异导致的难以避免的矛盾或者不一致问题，仅通过增大样本量来训练转档神经网络，是无法达到统一原片标准的目的。除此之外，转档中的色彩校正问题从技术领域上属于一个图像增强问题，通常的图像增强模型是由图对图的成对样本集训练而成，然而，这样的训练方式和模型结构依赖于样本集的分布，即人工对每张图的效果增强，很容易造成效果的过拟合，在用测试集进行图片转档时，转档效果会达不到训练集的理想效果。

基于上述问题，为了增强模型的泛用性和避免人工转档带来的冲突性问题，优选的，本实施例构建了可嵌入控制命令模块的图像增强神经网络，其中，分别设置色温等级、曝光等级的控制命令指令集，生成控制命令模块，具体地，色温程度值控制指令集为{偏冷：0，中性：1，偏暖：2}，曝光程度值控制指令集为{曝光不足：0，偏暗：1，正常：2，偏亮：3，过曝：4}。通过控制命令模块接收控制效果的命令，分别是曝光命令和色温命令，并根据命令对图像增强网络进行调整，实现同张图片的不同效果变化。由此，色彩校正模型能学习到在效果命令维度上的变化，而不是单纯的拟合单对样本。由于本实施例嵌入了命令控制模块这个先验规则，训练集数量也随之增大，同张图片在效果控制维度上有对应的多张增强图，如曝光有曝光不足、曝光正常、过曝，色温有偏暖、中性和偏冷。加入符合我们效果预期的命令规则，指定性效果维度上的数据增强，以及随命令而同步变化的模型，将这三者结合能实现整个色彩校正模型的泛用性增强，图2是根据本申请实施例的色彩校正图生成的流程示意图，如图2所示。优选的，在通过色彩校正模型对标准ISP原始数据集中的标准图像进行色彩校正之前，对标准ISP原始数据集中的标准图像进行图像压缩，得到低像素标准图像，再通过色彩校正模型对低像素标准图像进行色彩校正。本实施例中采用低像素标准图像进行色彩校正的原因其一是色彩校正图只需要色彩曝光信息不需要纹理细节信息，采用低像素标准图像能节省存储空间，提高效率；其二是低像素标准图像的增强网络有更高的拟合度。

进一步的，色彩校正模型中控制命令模块有曝光和色温两个维度，从模型的角度上各个维度之间应该是独立分布互不干扰，但是在具体实现过程中通常会互相影响，如想要实现色温中性，那么通常还要调整对应的曝光程度，并非字面上一一对应的关系，甚至效果的控制还与原片的曝光、色温和图片类型相对应。因此，为了让模型理解命令之间、命令与图片之间的关系，优选的，通过自然语言处理模型从语义上学习控制命令变量和色彩校正图变化的关系。图3是根据本申请实施例的另一种色彩校正图生成的流程示意图，如图3所示，该色彩校正的具体步骤如下所示：

S1，通过全局信息图像神经网络对标准RGB图像进行特征提取，得到全局信息特征向量；

S2，通过自然语言处理神经网络对全局信息特征向量和控制命令变量进行处理，得到色彩校正信息，其中控制命令变量包括曝光控制命令和色温控制命令，如曝光正常和色温中性等；

S3，通过融入色彩校正信息的色彩校正图像神经网络，对标准RGB图像进行色彩校正，得到色彩校正图，如该校正图片的效果为曝光正常和色温中性。

通过上述，本实施例在色彩校正模型中引入了控制命令模块，设置了控制命令指令集，通过输入不同的色温和曝光等级控制命令对图片进行自动校正，得到统一标准的色彩校正图，提高了图片的质量。

步骤S103，通过神经网络分别提取色彩校正图的色彩校正特征矩阵和拜耳阵列的RAW特征矩阵，并通过融合算子将色彩校正特征矩阵和RAW特征矩阵进行融合得到高动态色彩范围特征矩阵，并通过高清化神经网络对高动态色彩范围特征矩阵进行转化，生成原始分辨率下的转档图片。

需要说明的是，RAW格式文件的拜耳阵列是摄像机最原始的图像数据，拥有16位色深以上的色彩信息和纹理信息，此外，根据不同相机会有不同的感光元件和去马赛克算法，并没有统一的图像生成方式。

图4是根据本申请实施例的转档图片生成的流程示意图，如图4所示，本实施例通过卷积神经网络对拜耳阵列进行特征提取，提取拜耳阵列的纹理梯度信息与高色深的色彩信息，此外，还通过卷积神经网络对色彩校正图进行特征提取，提取色彩校正图的色彩校正特征矩阵，最后通过融合算子将色彩校正特征矩阵和拜耳阵列的RAW特征矩阵进行融合，得到具有高动态色彩范围和丰富细节纹理的特征矩阵，最后，该特征矩阵经过高清化神经网络的转化，生成最终曝光正常、色温中性、细节丰富的转挡图。

图5是根据本申请实施例的RAW格式文件自动转档流程的示意图，如图5所示，通过上述步骤S101至步骤S103，本实施例替代了人工转档流程，通过神经网络算法实现转档自动化，并统一了原片标准，将RAW格式图片转档生成曝光正常、色温中性的常用格式图片。此外，通过对RAW格式文件进行各种色彩校正与高清化的处理，能最大程度保留原始摄像细节与色彩信息，生成一张曝光正常、色温中性和细节丰富的转档图片，解决了相关技术中存在的缺少通过深度学习网络对RAW格式文件进行智能转档的问题，为RAW格式文件提供了一种自动转档的方法，并能有效提高转档后图片的质量。

在其中一些实施例中，在通过色彩校正模型对标准ISP原始数据集中的标准图像 进行色彩校正之前，对标准ISP原始数据集进行PhotoShop camera raw转档和人工转档，得 到色彩校正模型的训练样本集，其中，训练样本集包括标准ISP原始数据集中的图片、经 PhotoShop camera raw转档和人工转档后得到的转档图片，以及PhotoShop camera raw转 档和人工转档分别对应的人工标注的色温等级和曝光等级。具体地，经PhotoShop camera raw转档和人工转档后得到的转档数据集图片分别为

在其中一些实施例中，在得到色彩校正模型的训练样本集之后，将训练样本集中 的样本图像进行压缩，得到小尺寸的训练样本集，通过该小尺寸的训练样本集训练色彩校 正模型。具体地，本实施例对上述得到的训练样本图像的尺寸压缩至

需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本实施例还提供了一种RAW格式文件转档的系统，该系统用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图6是根据本申请实施例的RAW格式文件转档的系统的结构框图，如图6所示，该系统包括获取模块61、色彩校正模块62和转档模块63：

获取模块61，用于从RAW格式文件中获取相机参数配置和拜耳阵列，并通过ISP算法处理RAW格式文件，生成标准ISP原始数据集；色彩校正模块62，用于通过色彩校正模型对标准ISP原始数据集中的标准图像进行色彩校正，得到色彩校正图，其中色彩校正模型是嵌入控制命令模块的图像增强神经网络；转档模块63，用于通过神经网络分别提取色彩校正图的色彩校正特征矩阵和拜耳阵列的RAW特征矩阵，并通过融合算子将色彩校正特征矩阵和RAW特征矩阵进行融合得到高动态色彩范围特征矩阵，通过高清化神经网络对高动态色彩范围特征矩阵进行转化，生成原始分辨率下的转档图片。

通过上述系统，本实施例通过获取模块61获取RAW格式文件的相机参数配置和拜耳阵列，并通过ISP算法生成标准ISP原始数据集，对标准ISP原始数据集通过色彩校正模块62实现标准图像的色彩校正，最后通过转档模块63对色彩校正图进行转档，得到最终曝光正常、色温中性、细节丰富的转挡图，其中，在色彩校正模块62中引入了控制命令指令集，输入不同的色温和曝光等级可以得到对应的校正结果，将原图校正为一张视觉上更为自然的图片。解决了相关技术中存在的缺少通过深度学习网络对RAW格式文件进行智能转档的问题，为RAW格式文件提供了一种自动转档的方法，并能有效提高转档后图片的质量。

需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

此外，需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。

本实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

另外，结合上述实施例中的RAW格式文件转档的方法，本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种RAW格式文件转档的方法。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种RAW格式文件转档的方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

在一个实施例中，图7是根据本申请实施例的电子设备的内部结构示意图，如图7所示，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图7所示。该电子设备包括通过内部总线连接的处理器、网络接口、内存储器和非易失性存储器，其中，该非易失性存储器存储有操作系统、计算机程序和数据库。处理器用于提供计算和控制能力，网络接口用于与外部的终端通过网络连接通信，内存储器用于为操作系统和计算机程序的运行提供环境，计算机程序被处理器执行时以实现一种RAW格式文件转档的方法，数据库用于存储数据。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。