一种CSM图像分割方法、装置、终端设备及存储介质

技术领域

本申请涉及深度学习技术领域，尤其涉及一种CSM图像分割方法、装置、终端设备及存储介质。

背景技术

在医疗领域中，医学影像分割技术能够辅助医生更高效的对部分病症进行分析诊断。例如，针对脊髓型颈椎病(Cervical Spondylotic Myelopathy， CSM)的检测，目前可以通过获取CSM患者脑部的扩散张量成像(diffusion tensor imaging，DTI)图像进行图像分割，以寻找CSM病变区域的位置，从而辅助医生进行高效的治疗。

随着深度学习的医学影像分割技术的发展，目前常用的图像分割模型是基于编码器-解码器结构的U-Net网络模型。编码器与解码器之间直接通过跳跃连接的方式，叠加相同尺寸的特征向量，容易造成图像信息丢失。因此，对于一些病变区域较为模糊的DTI图像，采用目前的网络模型无法进行有效的分割。

发明内容

本申请提供一种CSM图像分割方法、装置、终端设备及存储介质，能够在一定程度提高CSM图像分割的精度。

第一方面，本申请提供一种图像分割方法，该方法包括：获取目标图像；将目标图像输入到已训练的生成器中处理，得到目标图像的分割图像，生成器为编码器-解码器结构，且编码器和解码器之间设置有金字塔池化模块，编码器中的多个卷积层和金字塔池化模块之间相互连接。

在一个可能的实现方式中，金字塔池化模块处理输入特征的方式，包括：采用不同尺寸的M个池化层分别对输入特征进行池化操作，得到M个局部上下文信息，M为大于或者等于2的整数；将M个局部上下文信息分别进行上采样处理，得到与输入特征的尺寸相同的M个第一特征向量；对输入特征中的所有列向量进行均值计算，得到目标列向量；对输入特征中的所有行向量进行均值计算，得到目标行向量；将目标列向量和目标行向量分别扩展为与输入特征的尺寸相同的第二特征向量和第三特征向量；将第二特征向量、第三特征向量和输入特征融合，得到第四特征向量；将M 个第一特征向量和第四特征向量相加后，进行二维卷积操作得到全局上下文信息。

在一个可能的实现方式中，将第二特征向量、第三特征向量和输入特征融合，得到第四特征向量，包括：将第二特征向量和第三特征向量进行点成后，输入预设的激活函数中处理，得到融合特征；将融合特征和输入特征相加，得到第四特征向量。

在一个可能的实现方式中，该方法还包括：获取训练集，训练集包括多个第一图像样本和每个第一图像样本的分割图像样本；根据预设的损失函数和训练集对预设的生成对抗网络模型进行生成对抗训练，得到生成器；生成对抗网络模型包括初始生成器、第一判别器和已训练的第二判别器，在训练过程中，初始生成器输出的预测分割图像和分割图像样本分别输入第一判别器和第二判别器进行真假判别，第一判别器的输出结果和第二判别器的输出结果融合得到判别结果。

在一个可能的实现方式中，训练集还包括多个第二图像样本和多个第三图像样本，多个第三图像样本为多个第一图像样本与多个第二图像样本经过旋转变换后得到的图像样本。

在一个可能的实现方式中，损失函数包括用于训练初始生成器的交叉熵损失函数和自监督损失函数；交叉熵损失函数为：

L

自监督损失函数为：

L

其中，I表示多个第一图像样本和多个第二图像样本中的图像样本，S() 为初始生成器生成的预测分割图像，G

在一个可能的实现方式中，损失函数包括用于训练第二判别器的监督损失函数、无监督损失函数、对抗损失函数和判别器损失函数；监督损失函数为：

无监督损失函数为：

对抗损失函数为：

判别器损失函数为：

L

其中，I表示多个第一图像样本和多个第二图像样本中的图像样本，I

第二方面，本申请提供一种图像分割装置，包括：获取单元，用于获取目标图像；分割单元，用于将目标图像输入到已训练的生成器中处理，得到目标图像的分割图像，生成器为编码器-解码器结构，且编码器和解码器之间设置有金字塔池化模块，编码器中的多个卷积层和金字塔池化模块之间相互连接。

第三方面，本申请提供一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如第一方面或第一方面的任一可能的实现方式所述方法的步骤。

第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如第一方面或第一方面的任一可能的实现方式所述方法的步骤。

第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面或第一方面的任一可能的实现方式所述方法的步骤。

基于本申请所提供的CSM图像分割方法、装置、终端设备及存储介质，由于编码器与解码器之间新增设置有金字塔池化模块，通过金字塔池化模块来基于不同大小的感受野提取目标图像中不同区域中像素点的上下文信息。同时编码器中的多个卷积层和金字塔池化模块之间相互连接。即针对编码器中的任一卷积层，该卷积层输出的输出特征将输入到该卷积层之后的每个卷积层以及金字塔池化模块，实现多层级间不同尺寸的特征向量融合。多层级间不同尺寸的特征向量的融合特征，保留有丰富的图像信息，使得金字塔池化模块能够从该融合特征中有效捕捉到目标图像中不同区域中像素点的上下文信息，提高了生成器对边界模糊的区域的灵敏度和特异性。进而提高了该生成器对目标图像进的分割精度。

附图说明

图1为本申请一实施例所提供的生成器的模型结构示意图；

图2为本申请一实施例所提供的柱形池化操作的示意图；

图3为本申请一实施例所提供的金字塔池化模块的示意图；

图4为本申请一实施例所提供的生成对抗网络模型的模型结构示意图；

图5为本申请一实施例所提供的图像分割装置的结构示意图

图6为本申请一实施例所提供的终端设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动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。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。且在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

针对目前采用U-Net网络模型处理图像分割任务时，图像分割精度较低的问题，本申请提供一种CSM图像分割方法，在获取到目标图像后，通过将目标图像输入到本申请所提供的基于编码器-解码器结构的生成器中处理，获得目标图像的分割图像。

本申请所提供的生成器中，编码器与解码器之间新增设置有金字塔池化模块，通过金字塔池化模块来基于不同大小的感受野提取目标图像中不同区域中像素点的上下文信息。同时编码器中的多个卷积层和金字塔池化模块之间相互连接。即针对编码器中的任一卷积层，该卷积层输出的输出特征将输入到该卷积层之后的每个卷积层以及金字塔池化模块，实现多层级间不同尺寸的特征向量融合。多层级间不同尺寸的特征向量的融合特征，保留有丰富的图像信息，使得金字塔池化模块能够从该融合特征中有效捕捉到目标图像中不同区域中像素点的上下文信息，提高了生成器对边界模糊的区域的灵敏度和特异性。进而提高了该生成器对目标图像进的分割精度。

示例性的，以编码器和解码器分别包括相互对应的4层网络为例，参见图1，为本申请一实施例所提供的生成器的模型结构示意图。编码器包括编码层1、编码层2、编码层3以及编码层4，每层编码层分别包括卷积核大小为3×3的卷积层和最大池化层组成。即每个编码层对于输入特征，先通过卷积层提取预设尺寸(即分辨率)的特征向量，在经过最大池化层对提取的特征向量进行图像压缩，得到编码层的输出特征。

解码器包括解码层1、解码层2、解码层3以及解码层4。每层解码层分别由卷积核大小为3×3的卷积层和上采样层组成。即每个解码层对于输入特征，先通过卷积层进行特征提取，然后经过上采样层对卷积层输出的特征向量进行尺寸还原，得到输出特征。

解码层1和编码层1中的卷积层之间跳跃连接(skip connection)、解码层2和编码层2中的卷积层之间跳跃连接、解码层3和编码层3中的卷积层之间跳跃连接、解码层4和编码层4中的卷积层之间跳跃连接。可以理解的是，所谓跳跃连接即为复制编码层中卷积层输出的特征向量，与对应解码层的前一层的输出特征进行叠加后，输入该对应的解码层中。例如，解码层1的输入特征即为编码层1中卷积层输出的特征向量与解码层2的输出特征进行叠加后得到的特征向量。

在本申请实施例中，解码器与编码器之间新增设置了金字塔池化模块，且金字塔池化模块和编码器中的4个卷积层之间相互连接，用于实现多层级间不同尺寸的特征向量融合，以及不同区域中像素点的上下文信息提取。

例如，参见图1，卷积层1输出的特征向量a1经过不同步长的卷积操作后分别输入到卷积层2、卷积层3、卷积层4以及金字塔池化模块。其中，基于卷积层2、卷积层3、卷积层4以及金字塔池化模块分别与卷积层1相隔的层数，可以设置不同的步长。例如，卷积层1输出的a1经过步长为2 的卷积操作后输入到卷积层2，经过步长为4的卷积操作后输入到卷积层3，经过步长为8的卷积操作后输入到卷积层4，经过步长为16的卷积操作后输入到金字塔池化模块。

对于卷积层2来说，卷积层2的输入特征(也为编码层2的输入特正) 为a1经过步长为2的卷积操作后得到的特征向量和编码层1的输出特征b1 的融合特征。同理，卷积层2对输入特征进行处理后，输出的特征向量a2 经过不同步长的卷积操作后分别输入到卷积层3、卷积层4以及金字塔池化模块。相应的，基于卷积层3、卷积层4以及金字塔池化模块分别与卷积层2相隔的层数，可以设置不同的步长。例如，卷积层2输出的a2经过步长为2的卷积操作后输入到卷积层3，经过步长为4的卷积操作后输入到卷积层4，经过步长为8的卷积操作后输入到金字塔池化模块。

对于卷积层3来说，卷积层3的输入特征(也为编码层3的输入特正) 为a1经过步长为4的卷积操作后得到的特征向量、a2经过步长为2的卷积操作后得到的特征向量和编码层2的输出特征b2的融合特征。依次类推，对于卷积层4来说，卷积层4的输入特征(也为编码层4的输入特正)为 a1经过步长为8的卷积操作后得到的特征向量、a2经过步长为4的卷积操作后得到的特征向量、卷积层3输出的特征向量a3经过步长为2的卷积操作后得到的特征向量和编码层3的输出特征b3的融合特征。

对于金字塔池化模块来说，金字塔池化模块的输入特征为a1经过步长为16的卷积操作后得到的特征向量、a2经过步长为8的卷积操作后得到的特征向量、a3经过步长为4的卷积操作后得到的特征向量、卷积层4输出的特征向量a4经过步长为2的卷积操作后得到的特征向量和编码层4的输出特征b4的融合特征。

金字塔池化模块基于不同尺寸的感受野对输入特征进行金字塔全局池化操作，得到全局上下文信息。全局上下文信息与b4叠加后，作为解码层 1的输入特征输入解码器。以由解码器根据全局上下文信息与b4叠加后得到的特征向量和各个编码层中卷积层的输出的特征向量，逐层进行尺寸还原，得到目标图像的分割图像。

在本申请实施例中，金字塔池化模块可以采用常规的网络结构对输入特征进行金字塔全局池化操作。例如，首先采用不同尺寸的M(M≥2)个池化层分别对输入特征进行池化操作，得到M个不同尺寸感受野的局部上下文信息。然后利用二维卷积对每个局部上下文信息进行上采样，将局部上下文信息还原为与输入特征相同尺寸的第一特征向量。最后将各个第一特征向量叠加后进行二维卷积操作，得到全局上下文信息。

其中，不同尺寸的池化层是指所采用的卷积核尺寸不同，例如，分别采用的卷积核尺寸为1×1，2×2，3×3，6×6等。基于不同尺寸的池化层，能够提取到不同尺寸感受野的局部上下文信息。

值得说明的是，由于常规的池化操作中所采用的卷积核通常为方阵，金字塔池化模块所捕捉到的每个局部上下文信息也通常为一个方形区域内的上下文信息。因此，对于目标图像中不同区域之间的上下文信息，以及不同形状大小的区域，常规的金字塔池化模块可能无法捕捉有效的上下文信息。

在一个示例中，为了有效提取目标图像中不同区域之间，以及不同形状大小的区域的上下文信息，本申请实施例提供一种新的金字塔池化模块，即在上述常规金字塔池化模块中增加“柱形池化操作”，以扩大金字塔池化模块的感受野范围，使得该金字塔池化模块能够灵活捕捉目标图像中不同区域之间，以及不同形状大小的区域的上下文信息，以进一步提高本申请所提供的生成器的分割图像的精确度。

为了便于理解，首先结合图2，对本申请提供的“柱形池化操作”进行示例性的说明。

如图2所示，假设输入特征为张量T∈R

具体的，β

得到目标列向量β

示例性的，在进行特征融合时，可以先将第二特征向量和第三特征向量进行点成后，输入预设的激活函数(例如softmax函数)中处理，得到融合特征。该融合特征中数值较大的点所形成的区域即为捕捉到的目标区域 (例如，DTI图像中的CSM病变区域)，同时，该区域内的点会赋予较大的权重，用于目标图像分割。

得到融合特征后，将融合特征与张量T相加，得到第四特征向量。该第四特征向量即为“柱形池化操作”所捕捉到局部上下文信息。可以理解的是，由于目标列向量β

本申请所提供的金字塔池化模块，通过将“柱形池化操作”增加到常规金字塔池化模块，在处理输入特征时，基于常规的池化操作得到M个不同尺寸感受野的第一特征向量，以及基于“柱形池化操作”得到第四特征向量后，如图3所示，将M个第一特征向量和第四特征向量相加后，进行二维卷积操作，即可得到全局上下文信息。

综上可知，本申请所提供的金字塔池化模块不仅能够融合多层级间不同尺寸的特征向量，而且能够扩大模型的感受野范围，使模型能够快速学习到目标图像中目标区域的关键位置信息，提高目标图像的分割精度。

下面结合图4，对上述生成器的训练过程进行示例性的说明。如图4所示，为本申请实施例提供的一种生成对抗网络模型的网络结构示意图。该生成对抗网络模型包括初始生成器、第一判别器和已训练的第二判别器。

其中，训练集包括多个第一图像样本和每个第一图像样本的分割图像样本。例如，若生成器应用于CSM检测，需要对CSM患者的DTI图像进行病变区域的检测和分割，则训练集可以包括多个CSM患者DTI图像样本，以及每个DTI图像样本对应的分割图像样本(即真实分割图像)。

利用获取的训练集和预设的损失函数，对该生成抗网络模型进行生成对抗训练，即可将初始生成器训练为上述实施例中所使用的生成器。

本申请所述提供的生成对抗网络模型中，新增有已训练的第二判别器。在训练过程中，第二判别器的网络参数不变。图像样本输入到对抗网络模型中后，首先由初始生成器对图像样本进行图像分割，输出该图像样本的预测分割图像。然后将预测分割图像和该图像样本对应的分割图像样本(即训练集中，该图像样本对应的真实分割图像)分别输入第一判别器和第二判别器。第一判别器和第二判别器对预测分割图像和分割图像样本分别进行真假判别，第一判别器和第二判别器的输出结果融合后，即可得到最终的判别结果。基于预设的损失函数、初始生成器输出的预测分割图像、判别结果，调节第一判别器和初始生成器的网络参数，实现第一判别器和初始生成器的训练。

其中，第一判别器和第二判别器可以是相同类型的判别器。包括若干卷积层和全连接层。其中，卷积层包括Leaky ReLU激活函数和Batch Normal 正则化。第一判别器和第二判别器的输出结果相加后，经过softmax激活函数的处理得到判别结果。

在本申请实施例中，由于第二判别器是已经学习了有效信息(例如， CSM的病变区域特征)的判别器。因此，在训练过程中，可以提高第一判别器的学习能力，缓解判别器在训练过程中的特征遗忘性问题，提高模型的泛化性能。

在一个示例中，训练集还可以包括多个第二图像样本和多个第三图像样本，多个第三图像样本为多个第一图像样本与多个第二图像样本经过旋转变换后得到的图像样本。

值得说明的是，终端设备可以先获取到一个数据集，该数据集中包括多个图像样本(以下表示为I)。该多个图像样本中包括没有真实分割图像的图像样本(即没有标注的图像样本，本申请中称为第二图像样本，以下表示为I

基于一致性变化策略，将数据集中的每个图像样本进行旋转变换，得到第三图像样本，以下表示为R(I)。其中旋转变换是指，将图像样本按照一定的角度旋转，例如按照90°旋转、180°旋转等。一个旋转角度表示一个旋转变换的类别。在本申请实施例中，可以采用N个旋转角度分别数据集中的每个图像样本进行旋转。

所谓一致性变换策略是指，图像样本在旋转前和旋转后，对应的分割图像应该是一致的。比如，一个CSM患者的DTI图像，在旋转前和旋转后，图像所指示的病变区域应该是不变的。因此，可以通过判断图像样本在旋转前后，分别经过生成器进行图像分割，所得到的分割图像是否一致，来确定生成器所输出的分割图像是否正确。也就是说，图像样本具备自监督信息。

基于一致性变换策略，本申请可以将第二图像样本和第三图像样本均归入训练集中，利用图像样本的自监督信息，进行模型训练。

针对包含第二图像样本以及第三图像样本的训练集，在训练过程中，第一图像样本、第二图像样本和第三图像样本作为初始生成器的输入，初始生成器输出对应的预测分割图像(以下表示为S())。第一图像样本的分割图像样本(以下表示为G

相应的，基于本申请所采用的训练集以及生成对抗网络，设计有适应性的损失函数。

例如，针对用于训练初始生成器的损失函数，参见图5，本申请设计有交叉熵损失函数和自监督损失函数。

其中，交叉熵损失函数为：

L

通过该交叉熵损失函数来识别初始生成器输出的预测分割图像S()和训练集中真实的分割图像样本G

自监督损失函数为：

L

其中，E()表示求平方差。通过自监督损失函数可以识别将旋转变换后的第三图像样本和数据集中的多个图像样本I之间的自监督损失。

针对用于训练第一判别器的损失函数，本申请设计有监督损失函数、无监督损失函数、对抗损失函数和判别器损失函数。

监督损失函数为：

其中，D()表示所述判别结果，N表示所述旋转变换的类别数。在本申请实施例中，将训练集中真实的分割图像样本G

无监督损失函数为：

通过无监督损失函数识别G

对抗损失函数为：

在生成对抗训练过程中，由于判别器与初始生成器的网络参数交替更新，因此需要初始生成器输出的预测分割图像使得判别器的判别结果尽可能为真。从而，设计该无监督损失函数识别初始生成器输出的预测分割图像S(I)和判别结果D(S(I))之间的对抗损失。

判别器损失函数为：

L

通过引入预设的加权系数λ

将116位CSM患者的DTI图像划分为86个用于训练模型，15个用于完成模型的测试，15个用于验证集验证模型的性能，其中86个DTI图像中，将其中的20个DTI图像的真实的分割图像保留，其余的分割图像进行剔除，达到本监督训练目的。在迭代训练结束之后，通过验证结果选择最优的模型参数。训练结束后，将15个测试DTI图像样本输入到最优化模型中，实现面向小样本标注的CSM病变的精准分割。

综上可知，基于本申请提供的一致性变换策略，提出一种能够面向小样本标注的CSM分割模型(即上述生成对抗网络模型)。通过利图像样本的自监督信息，能够增强生成对抗网络模块对没有标注的图像样本中的 CSM病变区域的一致性预测，可以充分利用没有标注的图像样本。因此，在训练过程中，能够在保证训练性能(即生成器的分割精度)的情况下，有效的减少减少有标注的图像样本的数据量，提成模型的半监督性能。

可以理解的是，上述采用已训练的生成器进行图像分割的方法，和上述训练生成器的方法可以是同一终端设备执行的，也可以是不同终端设备执行。该终端设备可以不限于各种智能手机、便携式笔记本，平板电脑、智能可穿戴设备、计算机、机器人等。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

对应于上文实施例所述的一种图像分割方法，图5示出了本申请实施例提供的一种图像分割装置的一个实施例结构图。参见图5，该图像分割装置可以包括：

获取单元501，获取目标图像。

分割单元502，将所述目标图像输入到已训练的生成器中处理，得到所述目标图像的分割图像，所述生成器为编码器-解码器结构，且所述编码器和所述解码器之间设置有金字塔池化模块，所述编码器中的多个卷积层和所述金字塔池化模块之间相互连接。

可选的，所述金字塔池化模块处理输入特征的方式，包括：

采用不同尺寸的M个池化层分别对所述输入特征进行池化操作，得到 M个局部上下文信息，M为大于或者等于2的整数；将M个所述局部上下文信息分别进行上采样处理，得到与所述输入特征的尺寸相同的M个第一特征向量；对所述输入特征中的所有列向量进行均值计算，得到所述目标列向量；对所述输入特征中的所有行向量进行均值计算，得到所述目标行向量；将所述目标列向量和所述目标行向量分别扩展为与所述输入特征的尺寸相同的第二特征向量和第三特征向量；将所述第二特征向量、所述第三特征向量和所述输入特征融合，得到第四特征向量；将M个所述第一特征向量和所述第四特征向量相加后，进行二维卷积操作得到全局上下文信息。

可选的，所述将所述第二特征向量、所述第三特征向量和所述输入特征融合，得到第四特征向量，包括：

将所述第二特征向量和所述第三特征向量进行点成后，输入预设的激活函数中处理，得到融合特征；将所述融合特征和所述输入特征相加，得到所述第四特征向量。

可选的，所述图像分割装置还包括训练单元503。

获取单元501，还用于获取训练集，所述训练集包括多个第一图像样本和每个所述第一图像样本的分割图像样本；

训练单元502，用于根据预设的损失函数和所述训练集对预设的生成对抗网络模型进行生成对抗训练，得到所述生成器；所述生成对抗网络模型包括初始生成器、第一判别器和已训练的第二判别器，在训练过程中，所述初始生成器输出的预测分割图像和所述分割图像样本分别输入所述第一判别器和所述第二判别器进行真假判别，所述第一判别器的输出结果和所述第二判别器的输出结果融合得到判别结果。

可选的，所述训练集还包括多个第二图像样本和多个第三图像样本，多个所述第三图像样本为多个所述第一图像样本与多个所述第二图像样本经过旋转变换后得到的图像样本。

可选的，所述训练单元503使用的所述损失函数包括用于训练所述初始生成器的交叉熵损失函数和自监督损失函数。

所述交叉熵损失函数为：

L

所述自监督损失函数为：

L

其中，I表示多个所述第一图像样本和多个所述第二图像样本中的图像样本，S()为所述初始生成器生成的预测分割图像，G

可选的，所述训练单元503使用的所述损失函数包括用于训练所述第二判别器的监督损失函数、无监督损失函数、对抗损失函数和判别器损失函数。

所述监督损失函数为：

所述无监督损失函数为：

所述对抗损失函数为：

所述判别器损失函数为：

L

其中，I表示多个所述第一图像样本和多个所述第二图像样本中的图像样本，I

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

图6示出了本申请实施例提供的一种终端设备的示意框图，为了便于说明，仅示出了与本申请实施例相关的部分。

如图6所示，该实施例的终端设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现上述各个地图匹配方法实施例中的步骤，例如图1所示的步骤S101至步骤S104。或者，所述处理器60 执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块401至模块403的功能。

示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60 执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述终端设备6中的执行过程。

本领域技术人员可以理解，图6仅仅是终端设备6的示例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备6还可以包括输入输出设备、网络接入设备、总线等。

所述处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器61可以是所述终端设备6的内部存储单元，例如终端设备 6的硬盘或内存。所述存储器61也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card， SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端设备6所需的其它程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。