图像模糊消除方法、计算机设备和计算机可读存储介质

技术领域

本申请属于图像处理技术领域，特别是涉及一种图像模糊消除方法、计算机设备和计算机可读存储介质。

背景技术

无人机，又称无人驾驶飞行器(Unmanned Aerial Vehicle，UAV)，是一种不需要人类驾驶员直接操控的飞行器。无人机的工作原理是通过遥控器、预设的自主飞行路径或者自主导航系统来执行任务和飞行操作，它们通常具备飞行、悬停、拍摄照片或视频、收集传感器数据等功能。无人机在军事领域、民用领域及科研领域中均具有广泛的应用前景，无人机的高度机动性和灵活性使其成为各种任务的理想选择。

然而，无人机在执行任务时经常需要应对复杂的环境因素，如风速、气流和气压的变化，这可能导致飞行器出现不规则的晃动或震动，即飞行抖动。这种抖动会导致无人机的传感器和摄像设备在采集图像或传感器数据时出现数据模糊问题，这给数据采集和分析带来了挑战。以及环境中的天气等因素的影响，同样会对采集的图像产生干扰，造成数据模糊：例如雨雪雾天气下采集的图像总是伴随一定的模糊。随着无人机技术的迅猛发展，对于解决飞行过程中产生的数据模糊问题的需求也日益迫切。如何减轻由于无人机飞行过程中产生的数据模糊，提高数据的清晰度和准确性，是本领域技术人员亟待解决的技术问题。

前面的叙述在于提供一般的背景信息，并不一定构成现有技术。

发明内容

基于此，有必要针对上述问题，提出了一种图像模糊消除方法、计算机设备和计算机可读存储介质，能够将模糊图像处理为清晰图像。

本申请解决其技术问题是采用以下的技术方案来实现的：

本申请提供了一种图像模糊消除方法，包括如下步骤：获取数据集，并根据预设方法处理数据集得到训练集，数据集包括多张清晰图像，训练集包括多张清晰图像和对应处理得到的模糊图像；根据预设算法构建图像模糊消除模型，图像模糊消除模型包括第一生成对抗网络和第二生成对抗网络，第一生成对抗网络用于将模糊图像恢复为清晰图像，第二生成对抗网络用于将清晰图像转变为模糊图像；设计联合损失函数，根据联合损失函数、训练集训练图像模糊消除模型；当第一生成对抗网络能够将第二生成对抗网络输出的模糊图像的清晰度转变为输入第二生成对抗网络时的清晰图像的清晰度时，则认定图像模糊消除模型训练完成；将待处理图像输入到训练好的图像模糊消除模型中处理，以得到输出图像，输出图像的清晰度高于待处理图像的清晰度。

在本申请一可选实施例中，根据预设方法处理数据集得到训练集，包括：随机从数据集中挑选多张清晰图像；获取处理需求，并根据处理需求构建图像处理函数，处理需求包括运动规律和滤镜设置；根据图像处理函数处理清晰图像，以得到对应的模糊图像；汇总所有清晰图像和对应的模糊图像得到训练集。

在本申请一可选实施例中，根据预设算法构建图像模糊消除模型，包括：使用对偶学习的思想，选择模糊恢复作为原始任务以构建第一生成对抗网络，第一生成对抗网络包括第一生成器和第一鉴别器，第一生成器用于将输入的模糊图像转变为清晰图像，第一鉴别器用于判定第一生成器输出的图像是否为真；选择添加模糊作为对偶任务以构建第二生成对抗网络，第二生成对抗网络包括第二生成器和第二鉴别器，第二生成器用于将输入的清晰图像转变为模糊图像，第二鉴别器用于判定第二生成器输出的图像是否为真。

在本申请一可选实施例中，第一生成器、第一鉴别器、第二生成器和第二鉴别器为相同架构，包括：卷积层、归一化层、激活层和残差层；卷积层用于对输入图像进行特征提取；归一化层用于稳定数据分布；激活层用于为网络拟合引入非线性特征；残差层用于连接被提取出的特征。

在本申请一可选实施例中，设计联合损失函数，包括：获取特征信息，特征信息包括将图像输入第一生成对抗网络中进行处理生成的第一特征信息，和将图像输入第二生成对抗网络中进行处理生成的第二特征信息；根据第一特征信息建立第一感知损失函数，根据第二特征信息建立第二感知损失函数；获取标签信息，标签信息由第一生成对抗网络、第二生成对抗网络处理图像得到；根据标签信息构建对抗性损失函数；获取循环损失信息，循环损失信息由图像在第一生成对抗网络、第二生成对抗网络件循环处理生成；根据循环损失信息构建循环损失函数。

在本申请一可选实施例中，第一生成对抗网络包括第一生成器和第一鉴别器，第二生成对抗网络包括第二生成器和第二鉴别器；设计联合损失函数，包括：获取第一参数权重，根据第一参数权重设置对抗性损失函数、第一感知损失函数和循环损失函数，以构建第一生成器的联合损失函数；根据对抗性损失函数构建第一鉴别器的联合损失函数；获取第二参数权重，根据第二参数权重设置对抗性损失函数、第二感知损失函数和循环损失函数，以构建第二生成器的联合损失函数；根据对抗性损失函数构建第二鉴别器的联合损失函数。

在本申请一可选实施例中，根据联合损失函数、训练集训练图像模糊消除模型，包括：获取学习需求，学习需求包括学习率和/或迭代次数；将训练集中的模糊图像代入图像模糊消除模型中进行处理，将图像模糊消除模型处理输出的伪清晰图像和训练集中的清晰图像代入联合损失函数中计算损失，并根据损失优化迭代图像模糊消除模型，反复迭代直至满足学习需求。

在本申请一可选实施例中，反复迭代直至满足学习需求之后，包括：根据预设方法处理数据集得到测试集，测试集包括多张清晰图像和对应处理得到的模糊图像；将模糊图像输入第一生成对抗网络中处理得到伪清晰图像；将伪清晰图像输入第二生成对抗网络中处理得到伪模糊图像；当判定清晰图像和伪清晰图像不近似，或模糊图像和伪模糊图像不近似时，再次获取学习需求以对图像分辨率提升模型进行训练。

本申请还提供了一种计算机设备，包括处理器和存储器：处理器用于执行存储器中存储的计算机程序以实现如前述的方法。

本申请还提供了一种计算机可读存储介质，存储有计算机程序，当计算机程序被处理器执行时实现如前述的方法。

采用本申请实施例，具有如下有益效果：

本申请能够使用对偶学习的思想，构建了图像模糊消除模型，该模型中包括有两个架构相似任务相反的神经网络：用于将模糊图像恢复为清晰图像的第一生成对抗网络和用于将清晰图像转变为模糊图像第二生成对抗网络。通过双重对偶学习，使得第二生成对抗网络能够深度了解训练集所代表的运动模糊特性，进而训练第一生成对抗网络能够更好的去除、恢复模糊图像中所出现的运动模糊。从而在学习完成之后的图像模糊消除模型，能够将输入的模糊图像，处理为更清晰的图像。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本申请的一些实施例，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。

其中：

图1为一实施例提供的一种图像模糊消除方法的流程示意图；

图2为一实施例提供的图像模糊消除模型的架构示意图；

图3为一实施例提供的图像模糊消除模型的图像处理流程示意图；

图4为一实施例提供的一种图像模糊消除模型实验结果示意图；

图5为一实施例提供的一种计算机设备的结构示意框图。

具体实施方式

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，所描述的实施例仅仅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。

无人机在军事领域、民用领域及科研领域中均具有广泛的应用前景，无人机的高度机动性和灵活性使其成为各种任务的理想选择。在军事领域，无人机被广泛应用于军事侦察和情报收集任务中。它们可以携带各种传感器和摄像设备，通过高空飞行进行全面监视，提供实时情报，降低士兵在危险地区的风险。此外，无人机还可以用于目标打击、监视国界和反恐行动等任务。在民用领域，无人机已经成为了多个行业的有力工具，例如媒体报道、电影制作、房地产营销等行业。在农业领域，无人机可以进行精准农业管理，通过传感器和摄像头监测农田，帮助农民优化种植和施肥计划。在环境保护中，无人机用于监测野生动植物、森林和海岸线的状况，有助于保护生态系统。在灾情巡视救援中，无人机可以用于搜索失踪或被困人员，它们可以覆盖大面积的地形，快速定位需要救援的人员，并提供其精确位置信息，以便救援团队前往。在科研领域，无人机为科学家们提供了独特的研究工具，它们被用于地质勘探、生态学研究、气象学、考古学和天文学等领域。无人机可以进入难以到达的地区，收集数据并进行科学观测，为研究提供全新的视角。

然而，无人机在执行任务时经常需要应对复杂的环境因素，如风速、气流和气压的变化，这可能导致飞行器出现不规则的晃动或震动，即飞行抖动。这种抖动会导致无人机的传感器和摄像设备在采集图像或传感器数据时出现数据模糊问题，这给数据采集和分析带来了挑战。以及环境中的天气等因素的影响，同样会对采集的图像产生干扰，造成数据模糊：例如雨雪雾天气下采集的图像总是伴随一定的模糊。例如，在军事侦察中，模糊的图像和视频可能使情报分析员难以准确识别目标，从而影响决策的准确性。在农业监测中，模糊的传感器数据可能导致农民无法准确判断农作物的健康状况，从而无法采取适当的措施。在自然灾害评估中，模糊的图像和数据可能使灾情评估变得不准确，从而影响灾害救援的决策。在搜索与救援任务中，无人机可以提供关键信息，但模糊的数据可能导致失踪人员或受困者的位置无法准确获取，延缓救援行动。

因此，为了解决飞行中产生的数据模糊问题，本申请提供了一种图像模糊消除方法。为了清楚描述本实施例提供的一种图像模糊消除方法，请参考图1～图4，包括有步骤S110～S140。

步骤S110：获取数据集，并根据预设方法处理数据集得到训练集，数据集包括多张清晰图像，训练集包括多张清晰图像和对应处理得到的模糊图像。

在一实施方式中，步骤S110：根据预设方法处理数据集得到训练集，包括：随机从数据集中挑选多张清晰图像；获取处理需求，并根据处理需求构建图像处理函数，处理需求包括运动规律和滤镜设置；根据图像处理函数处理清晰图像，以得到对应的模糊图像；汇总所有清晰图像和对应的模糊图像得到训练集。

在一实施方式中，本申请为了训练模型，首先可以准备多张无人机实拍的清晰图像作为数据集的真值(Ground truth，GT)清晰图像。并且可以理解的是，无人机在拍摄过程中所带来的运动模糊实际上是可能存在一定规律的，因此在训练时，可以构建预设的图像处理函数，以在真值清晰图像上添加预定的运动模糊，从而得到对应的运动模糊图像。其中该规律可以通过处理需求体现，处理需求包括运动规律和滤镜设置：运动规律模拟无人机上可能存在的抖动；滤镜设置则模拟环境可能对无人机采集图像的影响。本申请可以通过一种基于python语言的方法一种基于python语言的方法，首先通过cv2.getRotationMatrix2D函数生成指定角度的旋转矩阵，然后利用cv2.warpAffine函数及上述旋转矩阵获取指定角度上的运动模糊kernel，最后利用cv2.filter2D函数和上述运模糊kernel对清晰图像进行卷积，得到模糊图像。在本申请实施例中，数据集中的真值清晰图像可以为52张，经过上述处理后可以得到由其中20张清晰图像和对应的模糊图像组成的训练集，以及对应32对图像构成的测试集。

步骤S120：根据预设算法构建图像模糊消除模型，图像模糊消除模型包括第一生成对抗网络和第二生成对抗网络，第一生成对抗网络用于将模糊图像恢复为清晰图像，第二生成对抗网络用于将清晰图像转变为模糊图像。

在一实施方式中，步骤S120：根据预设算法构建图像模糊消除模型，包括：使用对偶学习的思想，选择模糊恢复作为原始任务以构建第一生成对抗网络，第一生成对抗网络包括第一生成器和第一鉴别器，第一生成器用于将输入的模糊图像转变为清晰图像，第一鉴别器用于判定第一生成器输出的图像是否为真；选择添加模糊作为对偶任务以构建第二生成对抗网络，第二生成对抗网络包括第二生成器和第二鉴别器，第二生成器用于将输入的清晰图像转变为模糊图像，第二鉴别器用于判定第二生成器输出的图像是否为真。

在一实施方式中，如前文所述，无人机因为环境影响导致采集图像的模糊，因此为了有效消除该模糊，可以通过训练模型清楚地认识该导致模糊的原因，再反向训练提高模糊消除能力。因此在本申请中，使用对偶学习的思想，选择模糊恢复作为原始任务，选择添加模糊作为其对偶任务，并且基于此原始任务和对偶任务搭建双重对偶学习框架，从而构建图像模糊消除模型，对于模型的架构可以参考图2。模型整体由两个生成对抗网络组成，这两个生成对抗网络在结构上一致，但执行不同的任务，每个生成对抗网络包含一个生成器，一个鉴别器。模糊恢复对应的第一生成对抗网络中，第一生成器、第一鉴别器分别用G

对于本申请图像模糊消除模型的图像处理流程，可以参考图3。如图3所示在利用训练集训练模型的过程中，包含

在一实施方式中，第一生成器、第一鉴别器、第二生成器和第二鉴别器为相同架构，包括：卷积层、归一化层、激活层和残差层；卷积层用于对输入图像进行特征提取；归一化层用于稳定数据分布；激活层用于为网络拟合引入非线性特征；残差层用于连接被提取出的特征。

在一实施方式中，进一步的，对于两个网络内的生成器和鉴别器，可以采取普通的卷积神经网络，重点不在他们的具体结构上，而是前文所设计的双重对偶学习结构。两个网络中的生成器和鉴别器的结构是完全相同的，但是各自执行不同的任务：第一生成器用于将输入的模糊图像转变为清晰图像，第一鉴别器用于判定第一生成器输出的图像是否为真；第二生成器用于将输入的清晰图像转变为模糊图像，第二鉴别器用于判定第二生成器输出的图像是否为真。对于具体架构而言，可以包括有卷积层、归一化层、激活层和残差层。其中，卷积层用于对输入图像进行特征提取；归一化层用于稳定数据分布；激活层用于为网络拟合引入非线性特征；残差层用于连接被提取出的特征。

步骤S130：设计联合损失函数，根据联合损失函数、训练集训练图像模糊消除模型；当第一生成对抗网络能够将第二生成对抗网络输出的模糊图像的清晰度转变为输入第二生成对抗网络时的清晰图像的清晰度时，则认定图像模糊消除模型训练完成。

在一实施方式中，步骤S130：设计联合损失函数，包括：获取特征信息，特征信息包括将图像输入第一生成对抗网络中进行处理生成的第一特征信息，和将图像输入第二生成对抗网络中进行处理生成的第二特征信息；根据第一特征信息建立第一感知损失函数，根据第二特征信息建立第二感知损失函数；获取标签信息，标签信息由第一生成对抗网络、第二生成对抗网络处理图像得到；根据标签信息构建对抗性损失函数；获取循环损失信息，循环损失信息由图像在第一生成对抗网络、第二生成对抗网络件循环处理生成；根据循环损失信息构建循环损失函数。

在一实施方式中，考虑到图片背景复杂，运动模糊较为严重，为了提高系统的鲁棒性和模糊恢复的有效性，在本申请训练的过程中使用感知损失与对抗损失。

计算伪清晰图像G

L

L

上式中，式(1)表征第一感知损失函数，式(2)表征第二感知损失函数。其中，φ(·)表示从预训练VGG19模型的第3层提取的特征，此也即获取的特征信息，包括将图像输入第一生成对抗网络中进行处理生成的第一特征信息，和将图像输入第二生成对抗网络中进行处理生成的第二特征信息。VGG19模型的权重基于ImageNet数据集预训练得到，感知损失可以借助VGG19的预训练权重来提供有用的特征表示。在本申请中，采用基于神经网络中的特征表示的感知损失来衡量图像之间的相似性，而非简单关注图像之间的像素级差异，这使得生成器能够捕捉到图像的语义信息，从而更好地保持生成图像与目标图像的一致性，有助于生成高质量图像并提高模型的鲁棒性。

对于生成对抗网络来说，它包含生成器和鉴别器，二者是对抗训练的，生成器生成能够欺骗鉴别器的图片，鉴别器努力鉴别生成器生成的图片为假：首先将成对模糊图像I

L

L

L

L

上式中，式(3)表征第一生成器的抗性损失函数，式(4)表征第一鉴别器的抗性损失函数，式(5)表征第二生成器的抗性损失函数，式(6)表征第二鉴别器的抗性损失函数。

基于对偶学习框架，进一步将伪清晰图像G

L

使用循环损失，强制模型在生成数据时保持一致性和逻辑性，能够预防生成器生成不自然或不合理的结果。另外，循环损失要求模型在不同的输入域之间进行映射，这可以帮助模型学习到更加鲁棒的特征表示，从而提高模型的性能。

在一实施方式中，第一生成对抗网络包括第一生成器和第一鉴别器，第二生成对抗网络包括第二生成器和第二鉴别器；设计联合损失函数，包括：获取第一参数权重，根据第一参数权重设置对抗性损失函数、第一感知损失函数和循环损失函数，以构建第一生成器的联合损失函数；根据对抗性损失函数构建第一鉴别器的联合损失函数；获取第二参数权重，根据第二参数权重设置对抗性损失函数、第二感知损失函数和循环损失函数，以构建第二生成器的联合损失函数；根据对抗性损失函数构建第二鉴别器的联合损失函数。

在一实施方式中，如图2所示的图像模糊消除模型，第一生成对抗网络包括第一生成器和第一鉴别器，第二生成对抗网络包括第二生成器和第二鉴别器。第一鉴别器用于判定第一生成器输出的图像是否为真；第二生成器用于将输入的清晰图像转变为模糊图像，第二鉴别器用于判定第二生成器输出的图像是否为真。对于每一个模块都有对应的联合损失函数作为优化函数。

获取预设的第一参数权重，根据第一参数权重设置对抗性损失函数、第一感知损失函数和循环损失函数，以构建第一生成器G

L

根据对抗性损失函数构建第一鉴别器D

L

同样的，根据对抗性损失函数构建第二鉴别器D

在一实施方式中，步骤S130：根据联合损失函数、训练集训练图像模糊消除模型，包括：获取学习需求，学习需求包括学习率和/或迭代次数；将训练集中的模糊图像代入图像模糊消除模型中进行处理，将图像模糊消除模型处理输出的伪清晰图像和训练集中的清晰图像代入联合损失函数中计算损失，并根据损失优化迭代图像模糊消除模型，反复迭代直至满足学习需求。

在一实施方式中，反复迭代直至满足学习需求之后，包括：根据预设方法处理数据集得到测试集，测试集包括多张清晰图像和对应处理得到的模糊图像；将模糊图像输入第一生成对抗网络中处理得到伪清晰图像；将伪清晰图像输入第二生成对抗网络中处理得到伪模糊图像；当判定清晰图像和伪清晰图像不近似，或模糊图像和伪模糊图像不近似时，再次获取学习需求以对图像分辨率提升模型进行训练。

在一实施方式中，优化模型时，可以采用Adam优化器，且β

反复迭代直至满足学习需求，并且在一次训练过后，还可以对模型进行测试，从而确定模型是否能够完成模糊恢复工作。在模型的测试过程中，只保留双重对偶学习框架中的数据模糊任务生成器G

在本申请中，可以通过计算伪清晰图像与GT清晰图像之间的PSNR值与SSIM值进行判定。PSNR指标用于衡量重建信号与原始信号之间的差异，其计算公式如下：

其中，其中MAX

SSIM指标是在计算机视觉领域广泛使用的图像质量评估指标之一，其原理类似于人眼视觉，从亮度、亮度和结构三个方面来评估两张图像的相似度，其计算公式如下：

SSIM(x,y)＝[l(x，y)

其中，亮度l(x,y)、对比度c(x,y)和结构s(x,y)的定义如下所示：

通常情况下，参数α，β以及γ均设置为1，c

在整个测试数据集上，本申请所提供模型的定量实验结果为：PSNR值22.0874，SSIM值0.8560。具体的恢复效果可以参考图4，图4为验结果示意图。

步骤S140：将待处理图像输入到训练好的图像模糊消除模型中处理，以得到输出图像，输出图像的清晰度高于待处理图像的清晰度。

在一实施方式中，训练好的图像模糊消除模型中，第一生成器已经能够很好地处理模糊图像，以消除图像中因为运动、环境等因素导致的模糊。因此可以将需要恢复模糊的待处理图像输入图像模糊消除模型中，其中第一生成器将会对待处理图像进行处理，从而输出输出图像，输出图像的清晰度高于待处理图像的清晰度。

因此，本申请能够能够使用对偶学习的思想，构建了图像模糊消除模型，该模型中包括有两个架构相似任务相反的神经网络：用于将模糊图像恢复为清晰图像的第一生成对抗网络和用于将清晰图像转变为模糊图像第二生成对抗网络。通过双重对偶学习，使得第二生成对抗网络能够深度了解训练集所代表的运动模糊特性，进而训练第一生成对抗网络能够更好的去除、恢复模糊图像中所出现的运动模糊。从而在学习完成之后的图像模糊消除模型，能够将输入的模糊图像，处理为更清晰的图像。通过应用以上技术，可以恢复受到抖动影响的数据，提高数据的清晰度和准确性，从而使无人机能够更可靠地执行任务，提供更有用的信息。

图5示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端，也可以是服务器。如图5所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现图像模糊消除方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行图像模糊消除方法。本领域技术人员可以理解，图5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计算机设备的限定，具体的计算机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。

在一个实施例中，本申请还提出了一种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，使得处理器执行如前述方法的步骤，

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，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，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。

以上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本申请专利范围的限制。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。