一种基于ConvNeXt的遥感影像植被分类方法和装置

技术领域

本发明涉及植被分类的技术领域，尤其是涉及一种基于ConvNeXt的遥感影像植被分类方法和装置。

背景技术

植被分类是研究土地覆盖、资源利用状况和变化分析的重要组成，依靠传统的野外调查虽然能够精准地对植被类别进行划分，但其对人力和时间的消耗巨大。卫星遥感技术为植被分类提供了大量的数据基础，而如何快速、准确地提取不同植被类别成为亟待解决的难题。

目前植被分类研究主要利用了遥感影像的多光谱信息，不同植被的光谱特征具有一致性和差异性，据此可以计算植被特征指数，如NDVI归一化植被指数、GVI绿度植被指数等，继而采用K邻近、支持向量机、随机森林等传统机器学习算法对不同植被进行分类，这类算法往往适用于较小的研究范围、时间区间及种类类别，植被分类类别依赖于光谱的差异性，没有充分利用影像的其他信息，一旦光谱特征发生变化，分类精度可能大幅降低。

深度学习方法能够最大限度地挖掘影像中的信息，实现特征的自动化学习，是目前海量遥感数据下植被分类更行之有效的方法之一。高空间分辨率遥感影像虽然无法提供更多的波段辐射特性，但能够补充更加精细的空间纹理等信息。目前，基于高分辨率遥感影像开展植被分类的深度学习模型研究较少，存在植被类别不均衡、类别易混淆、分类结果边缘效果较差等问题。

针对上述问题，还未提出有效的解决方案。

发明内容

有鉴于此，本发明的目的在于提供一种基于ConvNeXt的遥感影像植被分类方法和装置，以缓解了现有的植被分类精度和效率较低的技术问题。

第一方面，本发明实施例提供了一种基于ConvNeXt的遥感影像植被分类方法，包括：获取样本遥感影像数据，并利用Fmix混合样本数据增强算法对所述样本遥感影像数据进行扩充，得到样本数据集；利用所述样本数据集对植被分类模型进行训练，得到目标植被分类模型，其中，所述植被分类模型包括基于ConvNeXt构建特征编码器和基于UperNet构建解码器；在获取到待分类遥感影像数据之后，将所述待分类遥感影像数据输入所述目标植被分类模型，得到初始分类结果；对所述初始分类结果中的目标对象进行临近类别融合处理，以及对类别融合处理结果中的图斑进行轮廓简化处理，得到目标分类结果，其中，所述目标对象包括：面积小于预设阈值的斑块和孔洞。

进一步地，利用Fmix混合样本数据增强算法对所述样本遥感影像数据进行扩充，得到样本数据集，包括：对所述样本遥感影像数据中的植被类型进行人工判读和标注，得到目标遥感影像数据；按照预设尺寸，对所述目标遥感影像数据进行分割，得到初始样本数据集；利用所述Fmix混合样本数据增强算法对所述初始样本数据集进行处理，得到样本数据集。

进一步地，利用所述样本数据集对植被分类模型进行训练，得到目标植被分类模型，包括：将所述样本数据集划分为训练集和验证集；计算步骤，将所述训练集中预设数量个样本数据输入所述植被分类模型，并计算出交叉熵损失之和；优化步骤，基于所述交叉熵损失之和与AdamW函数，对所述植被分类模型进行参数优化，得到初始植被分类模型；第一执行步骤，将所述初始植被分类模型确定为所述植被分类模型，重复执行所述计算步骤和所述优化步骤，直至重复执行次数达到第一预设次数，得到中间植被分类模型；第二执行步骤，将所述中间植被分类模型确定为所述植被分类模型，以及将所述验证集确定为所述训练集，重复执行所述计算步骤、所述优化步骤和所述第一执行步骤，直至重复执行次数达到第二预设次数，将所述中间植被分类模型中交并比最大的中间植被分类模型确定为所述目标植被分类模型。进一步地，对所述初始分类结果中的目标对象进行临近类别融合处理，包括：将所述初始分类结果中的各个类别输入对应的通道；计算出各个通道的连通域面积，并将各个通道中连通域面积小于所述预设阈值的图斑和孔洞，确定为所述目标对象；基于所述目标对象构建第一掩膜，并去除所述第一掩膜中面积大于所述预设阈值的图斑和孔洞，得到第二掩膜；基于预设植被类别顺序，对所述第二掩膜数据中的目标队形进行临近类别融合处理。

进一步地，对类别融合处理结果中的图斑进行轮廓简化处理，包括：提取出类别融合处理结果中的图斑的内部边界和外部边界；利用Visvalingam-Whyatt算法对所述内部边界和所述外部边界进行边界点简化处理。

第二方面，本发明实施例还提供了一种基于ConvNeXt的遥感影像植被分类装置，包括：获取单元，训练单元，分类单元和优化单元，其中，所述获取单元，用于获取样本遥感影像数据，并利用Fmix混合样本数据增强算法对所述样本遥感影像数据进行扩充，得到样本数据集；所述训练单元，用于利用所述样本数据集对植被分类模型进行训练，得到目标植被分类模型，其中，所述植被分类模型包括基于ConvNeXt构建特征编码器和基于UperNet构建解码器；所述分类单元，用于在获取到待分类遥感影像数据之后，将所述待分类遥感影像数据输入所述目标植被分类模型，得到初始分类结果；所述优化单元，用于对所述初始分类结果中的目标对象进行临近类别融合处理，以及对类别融合处理结果中的图斑进行轮廓简化处理，得到目标分类结果，其中，所述目标对象包括：面积小于预设阈值的斑块和孔洞。

进一步地，所述获取单元，用于：对所述样本遥感影像数据中的植被类型进行人工判读和标注，得到目标遥感影像数据；按照预设尺寸，对所述目标遥感影像数据进行分割，得到初始样本数据集；利用所述Fmix混合样本数据增强算法对所述初始样本数据集进行扩充，得到样本数据集。

进一步地，所述训练单元，用于：将所述样本数据集划分为训练集和验证集；计算步骤，将所述训练集中预设数量个样本数据输入所述植被分类模型，并计算出交叉熵损失之和；优化步骤，基于所述交叉熵损失之和与AdamW函数，对所述植被分类模型进行参数优化，得到初始植被分类模型；第一执行步骤，将所述初始植被分类模型确定为所述植被分类模型，重复执行所述计算步骤和所述优化步骤，直至重复执行次数达到第一预设次数，得到中间植被分类模型；第二执行步骤，将所述中间植被分类模型确定为所述植被分类模型，以及将所述验证集确定为所述训练集，重复执行所述计算步骤、所述优化步骤和所述第一执行步骤，直至重复执行次数达到第二预设次数，将所述中间植被分类模型中交并比最大的中间植被分类模型确定为所述目标植被分类模型。

第三方面，本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

第四方面，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序。

在本发明实施例中，通过获取样本遥感影像数据，并利用Fmix混合样本数据增强算法对所述样本遥感影像数据进行扩充，得到样本数据集；利用所述样本数据集对植被分类模型进行训练，得到目标植被分类模型，其中，所述植被分类模型包括基于ConvNeXt构建特征编码器和基于UperNet构建解码器；在获取到待分类遥感影像数据之后，将所述待分类遥感影像数据输入所述目标植被分类模型，得到初始分类结果；对所述初始分类结果中的目标对象进行临近类别融合处理，以及对类别融合处理结果中的图斑进行轮廓简化处理，得到目标分类结果，其中，所述目标对象包括：面积小于预设阈值的斑块和孔洞，达到了遥感图像中的植被进行精确分类的目的，进而解决了现有的植被分类方法精度较低的技术问题，从而提高植被分类方法精度的技术效果。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于ConvNeXt的遥感影像植被分类方法的流程图；

图2为本发明实施例提供的一种基于ConvNeXt的遥感影像植被分类装置的示意图；

图3为本发明实施例提供的ConvNeXt编码器的结构示意图；

图4为本发明实施例提供的UPerNet解码器的结构示意图；

图5为本发明实施例提供的PPM模块的结构示意图；

图6为本发明实施例提供的一种电子设备的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一：

根据本发明实施例，提供了一种基于ConvNeXt的遥感影像植被分类方法的实施例，需要说明的是，在附图的流程图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。

图1是根据本发明实施例的一种基于ConvNeXt的遥感影像植被分类方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，获取样本遥感影像数据，并利用Fmix混合样本数据增强算法对所述样本遥感影像数据进行扩充，得到样本数据集；

步骤S104，利用所述样本数据集对植被分类模型进行训练，得到目标植被分类模型，其中，所述植被分类模型包括基于ConvNeXt构建特征编码器和基于UperNet构建解码器；

步骤S106，在获取到待分类遥感影像数据之后，将所述待分类遥感影像数据输入所述目标植被分类模型，得到初始分类结果；

步骤S108，对所述初始分类结果中的目标对象进行临近类别融合处理，以及对类别融合处理结果中的图斑进行轮廓简化处理，得到目标分类结果，其中，所述目标对象包括：面积小于预设阈值的斑块和孔洞。

在本发明实施例中，通过获取样本遥感影像数据，并利用Fmix混合样本数据增强算法对所述样本遥感影像数据进行扩充，得到样本数据集；利用所述样本数据集对植被分类模型进行训练，得到目标植被分类模型，其中，所述植被分类模型包括基于ConvNeXt构建特征编码器和基于UperNet构建解码器；在获取到待分类遥感影像数据之后，将所述待分类遥感影像数据输入所述目标植被分类模型，得到初始分类结果；对所述初始分类结果中的目标对象进行临近类别融合处理，以及对类别融合处理结果中的图斑进行轮廓简化处理，得到目标分类结果，其中，所述目标对象包括：面积小于预设阈值的斑块和孔洞，达到了遥感图像中的植被进行精确分类的目的，进而解决了现有的植被分类方法精度较低的技术问题，从而提高植被分类方法精度的技术效果。

在本发明实施例中，步骤S102包括如下步骤：

对所述样本遥感影像数据中的植被类型进行人工判读和标注，得到目标遥感影像数据；

按照预设尺寸，对所述目标遥感影像数据进行分割，得到初始样本数据集；

利用所述Fmix混合样本数据增强算法对所述初始样本数据集进行扩充，得到样本数据集。

在本发明实施例中，在获取到样本遥感影像数据之后，由于样本遥感影像数据的植被类别中草地、灌木、经济林覆盖范围较少，即使在样本制作中有针对性地选取包含以上3类植被区域的影像，其样本量也普遍较低，导致样本不均衡。在植被分类模型训练中，样本不均衡可能导致模型对于弱类别的分类精度较低，模型泛化性较差。

本申请针对样本不均衡问题，采用Fmix方法对弱类别样本进行了数据增强：由于植被分布较为广泛，可能存在于任意背景，同时植被边缘大多不规则，因此本申请采用Fmix方法，将目标样本裁剪为任意形状，粘贴到任意背景中，提升弱类别样本的数据量和丰富度。包括以下步骤：

步骤1a：采集高分辨率卫星遥感影像，分辨率为0.5～0.8m，波段包括红、绿、蓝3个波段；分别对林地、草地、耕地、灌木、经济林进行人工判读和标注；对完成标注的影像进行切片，切片大小为512×512，共获取了6013对样本数据；

步骤1b：统计植被样本数据中各个类别的像素数量，并计算各类别占比，认为占比低于5％的草地、灌木、经济林为弱类别，提取样本中3类地物占比大于20％的样本作为弱类别样本；

步骤1c：从傅里叶空间获取低频图像，利用低频影像获取二值掩膜图像mask，分别从弱类别样本和原始样本中有放回随机抽取两张样本image1、image2以及对应标签label1、label2，计算image＝image1*mask+image2*(1-mask)、label＝label1*mask+label2*(1-mask)，并输出，直至生成1987对样本，总计8000对样本数据(即，样本数据集)。

下面对植被分类模型进行详细说明。

本发明实施例提供了一个以ConvNeXt为编码器，以UPerNet为解码器的深度学习网络结构，ConvNeXt编码器作为主干网络，分别获取不同层次的语义特征F1、F2、F3、F4，UPerNet解码器通过PPM模块提取了高层语义信息的多尺度特征，通过FPN网络融合了低层高分辨率特征和高层语义特征，获得高精度的植被分类结果。

如图2所示，所述ConvNeXt网络由Stem层和4个卷积块群级连构成：stem层为一个卷积核大小为4×4，输出通道为128的无重叠卷积，将特征下采样到原始尺寸的1/4；4个卷积块群之间通过卷积核大小为2×2的无重叠卷积连接，将上一块群的输出降采样至1/2，4个卷积块群的输出分别为特征图F1、F2、F3、F4，通道数分别为128、256、512、1024；4个卷积块群分别由3、3、27、3个卷积块构成，两个卷积块通过与ResNet残差结构一样的跳跃连接将特征图相加；

卷积块内部采用了与Mobilenet V2类似的逆瓶颈层和深度可分离卷积，图2右所示为1个卷积块的结构，先采用1×1逐点卷积将特征图的维度升到原来的4倍，再使用大小为7×7深度卷积提取特征，最后再次采用1×1逐点卷积降维到原始维度；其中，深度卷积采用了ResNeXt中分组卷积的思想，每4个通道分为1组，以组为单位分别进行卷积，最后将各组特征进行通道维的特征拼接，实现模型计算速率的提升；深度卷积层后接Layer Norm(LN)归一化层和ReLU激活函数。

如图3所示，所述UPerNet网络主体为FPN网络，最高层次特征F4经过PPM模块输出到FPN网络中。

PPM模块结构如图4所示，输出为编码器提取的最高层次特征F4(1024×H/32×W/32)，对F4分别进行大小为1、2、3、6的平均池化，再对池化结果进行1×1卷积，降维至512，然后将4个尺寸的特征图上采样至F4特征图大小，将上采样的特征图与F4拼接，经过卷积核大小3×3、步长为1、输出通道为512的卷积，得到特征图B4；

对次高层语义特征F3进行1×1卷积，使其数变为512，并与2倍上采样的B4相加得到融合特征B3，同理将F2、F1升维并与2倍上采样的B3、B2相加得到B2、B1，将特征图B1、B2、B3、B4上采样到与B1等大并沿通道维拼接，采用卷积核大小3×3、步长为1、输出通道为512的卷积，对4个层次的特征进行融合得到特征图B，经过4倍上采样和类别数为6的分类头，即可得到预测分类结果。

在本发明实施例中，步骤S104包括如下步骤：

将所述样本数据集划分为训练集和验证集；

计算步骤，将所述训练集中预设数量个样本数据输入所述植被分类模型，并计算出交叉熵损失之和；

优化步骤，基于所述交叉熵损失之和与AdamW函数，对所述植被分类模型进行参数优化，得到初始植被分类模型；

第一执行步骤，将所述初始植被分类模型确定为所述植被分类模型，重复执行所述计算步骤和所述优化步骤，直至重复执行次数达到第一预设次数，得到中间植被分类模型；

第二执行步骤，将所述中间植被分类模型确定为所述植被分类模型，以及将所述验证集确定为所述训练集，重复执行所述计算步骤、所述优化步骤和所述第一执行步骤，直至重复执行次数达到第二预设次数，将所述中间植被分类模型中交并比最大的中间植被分类模型确定为所述目标植被分类模型。

具体的，步骤1a：采用迁移学习，加载在ImageNet上训练的ConvNeXt模型为初始模型参数；

步骤1b：将一个batch大小为4的训练数据输入到植被分类模型中，得到植被分类结果，根据真实标签，计算损失：

本申请使用的损失为交叉熵损失CE Loss与Dice Loss之和：

Loss＝Loss

CE Loss计算如下：

M表示类别数，p

Dice Loss计算如下：

q

Dice Loss可以缓解样本不均衡问题，在计算Dice的过程中，求每一类的预测结果和真值交集(乘积)等同于对其他类别进行了掩码，与背景(其他类别)的占比无关，训练更倾向于挖掘前景区域。但当目标为小目标时，一旦该类有部分像素预测错误，Dice损失会较大，进一步导致梯度变化剧烈，训练不稳定。而CE损失是总体求平均的，当目标较小时，对损失的影像也较小，训练更依赖于背景区域。因此，本申请使用了CE+Dice的策略计算损失。

步骤3c：采用AdamW函数作为优化函数，更新网络模型参数；

采用AdamW方法为优化函数：

m

v

g

步骤1d：迭代1b-1c步骤，直至达到一定迭代次数，将验证数据集输入到模型对模型分类精度进行计算；

步骤1e：迭代1d步骤，直至达到最大训练批次，选取在验证集上平均交并比得分最高的模型为目标植被分类模型。

下面对步骤S106进行说明。

在获取到待分类遥感影像数据之后，将待分类遥感影像数据输入目标植被分类模型，获取预测标签，并逐块写入到预测结果中。为保证两个分块间具有较好的连续性，在分块读取时，目标块大小为512×512，在其周围扩充128大小的影像一同送进模型参与推理预测。

在本发明实施例中，步骤S108包括如下步骤：

将所述初始分类结果中的各个类别输入对应的通道；

计算出各个通道的连通域面积，并将各个通道中连通域面积小于所述预设阈值的图斑和孔洞，确定为所述目标对象；

基于所述目标对象构建第一掩膜，并去除所述第一掩膜中面积大于所述预设阈值的图斑和孔洞，得到第二掩膜；

基于预设植被类别顺序，对所述第二掩膜数据中的目标队形进行临近类别融合处理。

提取出类别融合处理结果中的图斑的内部边界和外部边界；

利用Visvalingam-Whyatt算法对所述内部边界和所述外部边界进行边界点简化处理。

具体的，步骤2a：设定预设植被类别顺序，当类别顺序靠前时，与该类别相邻的小图斑和孔洞优先赋值为该类，本申请依据各类别预测结果的可靠性，设定预设植被类别顺序为林地耕地、林地、经济林、草地、灌木；

步骤2b：将输出分类结果拆分到6个通道的二值图(5个植被类别，1个背景类别)，每个通道中值为1的区域为预测为该类别的区域；

步骤2c：计算每个通道中图斑的连通域，计算每个连通域的面积，认为连通域像素面积小于200的图斑为待融合图斑，求所有通道待融合图斑的并集为掩膜mask1；

步骤2d：为避免两个或两个以上相邻小图斑被融合为一个不属于任何小图斑类别的大图斑，需要将掩膜mask1中像素面积大于200阈值的图斑移除，得到掩膜mask；

步骤2e：按照融合顺序依次让预测结果中mask区域的像素等于类别i；

步骤2f：迭代2b-2e步骤，如果小图斑临近存在类别i，在执行2e融合后，在下一次进行小图斑的提取中就不会再识别出该图斑，否则小图斑会进入下一次迭代，尝试融入下一个类别，直至迭代完全部类别，重新生成单通道的分类图；

步骤2g：根据融合处理后的分类结果图斑提取图斑的外部边界和内部边界，使用Visvalingam-Whyatt算法对边界点进行简化；

步骤2h：将边界点的位置信息和属性信息写入矢量文件中，得到目标分类结果，此处采用的是ESRI的shapefile格式。

目前基于机器学习的植被分类算法依赖于光谱特征，可区分的植被类别有限且泛化性较低。为提升植被分类的精度、泛化性、分类类别，本申请提出了一种高分辨率卫星遥感影像植被分类方法和系统：针对植被样本类别不均衡的问题，提出了采用Fmix方法对弱类别样本进行扩增的策略；针对植被类间易混淆的问题，采用了ConvNeXt+UPerNet网络结构提取多层次融合特征，实现高精度分类提取；针对分类边缘存在大量类别不明确小图斑的问题，提出了逐类融合小图斑的技术流程。

本发明实施例提出的遥感影像植被分类方法和系统分别从“前(样本制备与增强)→中(模型搭建与训练)→后(边缘融合与平滑)”3个阶段进行优化，提升了高分辨率遥感影像中植被分类的精度和效率。

实施例二：

本发明实施例还提供了一种基于ConvNeXt的遥感影像植被分类装置，该基于ConvNeXt的遥感影像植被分类装置用于执行本发明实施例上述内容所提供的基于ConvNeXt的遥感影像植被分类方法，以下是本发明实施例提供的基于ConvNeXt的遥感影像植被分类装置的具体介绍。

如图5所示，2为上述基于ConvNeXt的遥感影像植被分类装置的示意图，该基于ConvNeXt的遥感影像植被分类装置包括：获取单元10，训练单元20，分类单元30和优化单元40。

所述获取单元，用于获取样本遥感影像数据，并利用Fmix混合样本数据增强算法对所述样本遥感影像数据进行扩充，得到样本数据集；

所述训练单元，用于利用所述样本数据集对植被分类模型进行训练，得到目标植被分类模型，其中，所述植被分类模型包括基于ConvNeXt构建特征编码器和基于UperNet构建解码器；

所述分类单元，用于在获取到待分类遥感影像数据之后，将所述待分类遥感影像数据输入所述目标植被分类模型，得到初始分类结果；

所述优化单元，用于对所述初始分类结果中的目标对象进行临近类别融合处理，以及对类别融合处理结果中的图斑进行轮廓简化处理，得到目标分类结果，其中，所述目标对象包括：面积小于预设阈值的斑块和孔洞。

在本发明实施例中，通过获取样本遥感影像数据，并利用Fmix混合样本数据增强算法对所述样本遥感影像数据进行扩充，得到样本数据集；利用所述样本数据集对植被分类模型进行训练，得到目标植被分类模型，其中，所述植被分类模型包括基于ConvNeXt构建特征编码器和基于UperNet构建解码器；在获取到待分类遥感影像数据之后，将所述待分类遥感影像数据输入所述目标植被分类模型，得到初始分类结果；对所述初始分类结果中的目标对象进行临近类别融合处理，以及对类别融合处理结果中的图斑进行轮廓简化处理，得到目标分类结果，其中，所述目标对象包括：面积小于预设阈值的斑块和孔洞，达到了遥感图像中的植被进行精确分类的目的，进而解决了现有的植被分类方法精度较低的技术问题，从而提高植被分类方法精度的技术效果。

实施例三：

本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

参见图6，本发明实施例还提供一种电子设备100，包括：处理器60，存储器61，总线62和通信接口63，所述处理器60、通信接口63和存储器61通过总线62连接；处理器60用于执行存储器61中存储的可执行模块，例如计算机程序。

其中，存储器61可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口63(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线62可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器61用于存储程序，所述处理器60在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器60中，或者由处理器60实现。

处理器60可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器60中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器60可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器61，处理器60读取存储器61中的信息，结合其硬件完成上述方法的步骤。

实施例四：

本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。

另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，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信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，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，在本发明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。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。