字符分割方法及装置、字符识别检测方法及装置

技术领域

本发明涉及深度学习技术领域，更具体地涉及一种字符分割方法及装置、字符识别检测方法及装置、存储介质、电子设备。

背景技术

产品上的标签作为产品的“名片”，是产品的商品价值的重要体现。产品的标签上可能包含很多重要的信息，例如：产品的名称、规格、相关重要参数以及公司logo等等。标签上的信息是通过喷墨、打印等方式，通过文字的形式打印在标签上。标签上一些产品重要信息的缺失会直接影响产品的使用和客户的体验。因此对标签上的字符进行检测是非常重要的。

通常标签是由贴标设备将已经打印好产品信息的标签通过粘合剂贴在产品的表面，根据产品的不同，标签的材料也会不相同，但是标签上字符缺陷类型的种类大致相同，主要类型包括：字符模糊、字符歪斜、字符重叠、字符缺失等等。

在实际应用中发现，将整个标签图像输入至分类识别模型时进行推理，以及，现有的对标签图像上字符串分割出的单个字符区域图像输入至分类识别模型进行推理时，都存在以下问题：

第一，针对比较相近似的字符，比如，大小写O、o以及0，识别准确度低；

第二，字符边缘有局部缺失但不影响字符识别，比如，数字1，下半部分缺失仍能够识别出1，因此，造成无法检测出字符边缘缺失的缺陷。

发明内容

考虑到上述问题而提出了本发明。本发明提供了一种字符分割方法及装置、字符分类检测方法及装置、电子设备及存储介质，能够解决字符分类检测时识别准确率高而且能够识别出字符边缘缺失的缺陷。

本发明提供一种字符分割方法，包括如下步骤：

对待测图像上属于同一字符串的字符，生成该字符串的最小外接矩形；

基于该字符串中单个字符和所述最小外接矩形，将所述最小外接矩形按照单个字符进行分割，得到单个字符的分割后字符区域。

优选地，在对待测图像上属于同一字符串的字符生成该字符串的最小外接矩形之前，还包括以下步骤：

将待测图像输入至已训练的字符检测网络模型中，推理出推理结果；

根据所述推理结果，确定出属于同一字符串的多个所述字符。

优选地，所述对待测图像上属于同一字符串的字符生成该字符串的最小外接矩形，具体包括：

根据所述推理结果，确定单个所述字符的最小外接矩形；

根据所述字符串中所有所述字符的最小外接矩形，生成该字符串的最小外接矩形。

优选地，所述根据所述推理结果确定出属于同一字符串的多个所述字符，具体包括：

根据所述推理结果，生成字符区域热力图和邻域热力图；

根据所述字符区域热力图和邻域热力图确定出属于同一字符串的多个所述字符。

优选地，所述根据所述推理结果确定单个所述字符的最小外接矩形，具体包括：根据所述字符区域热力图生成单个所述字符的最小外接矩形。

优选地，所述将所述最小外接矩形按照单个字符进行分割得到单个字符的分割后字符区域，具体包括：

对单个所述字符进行区域生长算法，生成相邻两个字符之间的分界线；

根据所述分界线对所述最小外接矩形进行分割，得到单个字符的分割后字符区域。

本发明还提供一种字符分类检测方法，包括如下步骤：

采用上文提供的字符分割方法，得到单个字符的分割后字符区域，作为待检单字符图像；

将所述待检单字符图像输入至已训练的字符分类检测模型中进行分类检测，得到分类检测结果。

优选地，所述字符分类检测模型，用于识别所述待检单字符图像属于多种预设字符中每个预设字符的不同质量类别的概率；

在得到分类检测结果之后，还包括：

根据所述分类检测结果，确定出最大概率值对应的目标预设字符；

在所述分类检测结果中，确定与目标预设字符相关的所有质量类别的概率

根据确定与目标预设字符相关的所有质量类别的概率，确定出所述待检单字符图像的字符质量。

优选地，所述字符分类检测模型包括第一模型和多个第二模型；

所述将所述待检单字符图像输入至已训练的字符分类检测模型中进行分类检测得到分类检测结果，具体包括：

先将待检单字符图像输入至所述第一模型，确定出单个字符图像所归属的字符组类别；

根据确定出的字符组类别，将待检单字符图像选择输入至该字符组类别对应的第二模型中进行分类检测，得到所述分类检测结果；

每个所述第二模型用于对所述待检单字符图像进行分类检测，以推理出该待检单字符图像属于该字符组类别的多个预设字符中每个预设字符的不同质量类别的概率。

优选地，所述根据确定与目标预设字符相关的所有质量类别的概率，确定出所述待检单字符图像的字符质量，还包括：

根据确定的与目标预设字符相关的所有质量类别的概率，计算待检单字符图像为任意一种质量类别的概率值；

根据所述概率值确定出所述待检单字符图像的字符质量。

优选地，所述根据确定的与目标预设字符相关的所有质量类别的概率，计算待检单字符图像为任意一种质量类别的概率值，具体包括：

根据确定的与目标预设字符相关的所有质量类别的概率，利用逻辑回归函数计算待检单字符图像为任意一种质量类别的概率值。

作为另外一个实施例，本发明还提供一种字符分割装置，包括：

生成模块，用于对待测图像上属于同一字符串的字符，生成该字符串的最小外接矩形；

分割模块，用于基于该字符串中单个字符和所述最小外接矩形，将所述最小外接矩形按照单个字符进行分割，得到单个字符的分割后字符区域。

本发明还提供一种字符分类检测装置，包括：

字符分割模块，采用上文提供的字符分割装置；

分类检测，用于将所述待检单字符图像输入至已训练的字符分类检测模型中进行分类检测，得到分类检测结果。

本发明还提供一种电子设备，包括上文提供的字符分类检测装置。

本发明还提供一种存储介质，在所述存储介质上存储了程序指令，所述程序指令在运行时用于执行上文提供的字符分割方法、或如上文提供的字符分类检测方法。

借助本发明实施例提供的字符分割方法分割出的每个字符串的单个字符，由于该单个字符具备了整个字符串的信息特征(即，获得了单个字符的真实边界)，因此，后续对该单个字符进行分类时，针对比较相近似的字符，比如大小写O、o以及0，能够提高识别准确度，在字符边缘有局部缺失但不影响字符识别的场景下，还能够准确地检测进行质量类别，例如，检测出上述下半部分缺失的数字1为NG缺陷。

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性的前提下，还可以根据这些附图获得其他的附图。

图1a为本发明实施例提供的字符分割方法的流程图；

图1b为在图1a所示的步骤S10之前的流程图；

图1c为图1b中步骤S2的具体流程图；

图1d为图1a所示的步骤S10的具体流程图；

图1e为图1a所示的步骤S20的具体流程图；

图2为字符区域热力图和字符邻域热力图的对比；

图3a为采用本发明实施例提供的字符分割方法的示意图；

图3b为对整个待检图像的所有字符串分割后的示意图；

图4为图1所示分割方法和未采用时进行分类检测的对比图；

图5为本发明实施例提供的一种字符分类检测方法的流程图；

图6为采用图5所示方法的示例图；

图7为图5中步骤S500的流程图；

图8为图5中步骤S200的流程图；

图9为本发明实施例提供的一种字符分割装置的原理框图；

图10为本发明实施例提供的一种字符分类检测装置的原理框图。

具体实施方式

为了使得本发明的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。

为了至少部分地解决上述技术问题，本发明实施例提供一种字符分割方法，如图1a所示，方法包括如下步骤：

S10，对待测图像上属于同一字符串的字符，生成该字符串的最小外接矩形；

S20，基于该字符串中单个字符和最小外接矩形，将最小外接矩形按照单个字符进行分割，得到单个字符的分割后字符区域。

下面详细对上述步骤S10和S20进行展开描述。

针对步骤S10，如何在待测图像上确定出属于同一字符串的字符，采用如下步骤，即步骤S10之前，如图1b所示，还包括如下步骤：

S1，将待测图像输入至已训练的字符检测网络模型中，推理出推理结果。

具体地，目前有单个字符检测能力的有CRAFT、Mask Text Spotter等字符检测网络，针对每个训练样本，需要对每个字符位置进行精确标注，最终模型回归时，越靠近该字符中心位置的像素位置的置信度越高，边缘位置的像素的置信度越低。

S2，根据推理结果，确定出属于同一字符串的多个字符。

具体地，如图1c所示，步骤S2包括如下步骤：

S2A，根据推理结果，生成字符区域热力图和邻域热力图。

具体地，推理结果包括每个像素在字符位置的概率分布图以及在字符邻域的概率分布图，对字符邻域的概率分布图而言，概率表示属于字符相邻区域的概率。如图2所示，图2中示出了字符区域热力图和字符邻域热力图的区别。本图2所示的渲染方式是JET，越接近1的地方越接近红色，越接近0的地方越接近蓝色

S2B，根据字符区域热力图和邻域热力图确定出属于同一字符串的多个字符。在本实施例中，具体地，首先，设定最大字符间距的阈值，例如50个像素，因为前面已经通过模型得到每个字符的字符区域热力图，也就是获得每个字符的“边界”，因此可以计算出字符与字符之间的像素距离，当同一行相邻两个字符间距超过50，则认为不是同一条字符串。其次，如果计算出来的字符像素距离低于50，看邻域热力图中该相邻2个字符之间是否存在高亮区域(红色区域)，如果不存在，则说明依然不是同一条字符，反之则认为是同一条字符。

可以理解的是，采用S2A和S2B的方式确定出属于同一字符串的多个字符，不仅简单，而且准确度高。

上述图1中的步骤S10，如图1d所示，具体包括：

S101,根据推理结果，确定单个字符的最小外接矩形。在本实施例中，具体地，由于上文中根据推理结果生成了字符区域热力图，因此，根据字符区域热力图生成单个字符的最小外接矩形，如图3a(2)中每个字符和数字甚至符号都具有各自一一对应的最小外接矩形。更具体地，对字符区域热力图采用“分水岭”算法(Water Shed Algorithm)获取每个字符最小外接矩形。

当然，本发明并不局限于此，在实际应用中，还直接通过概率分布图和设置阈值(超参数)的方式，将概率值大于阈值的区域认为为字符，再通过寻找连通域获取每个字符的区域，从而生成该区域的外接矩形。

S102,根据字符串中所有字符的最小外接矩形，生成该字符串的最小外接矩形。在本实施例中，具体地，可以采用如下方式：将属于同一条字符串的所有单个字符的最小外接矩形合并，即可生成每一条字符串的最小外接矩形。当然，在合并生成时或者合并生成之后，还可以增加额外操作，比如加上一些形态学操作等，保证完整字符笔划均在该一条字符串的最小外接矩形内，如下图3a(2)中的最外的矩形框。

如图1e所示，步骤S20具体包括：

S201，对单个字符进行区域生长算法，生成相邻两个字符之间的分界线。具体地，区域生长算法(Region Growing Algorithm)对每个字符区域先上下方向生长，然后与大的整个字符串的最小外接矩形做交集，最后再水平左右两个方向生长。最终每两个字符之间只会有一条明显的分界线。

S202，根据分界线对最小外接矩形进行分割，得到单个字符的分割后字符区域。如图3a(3)所示，这样单个字符的高度、相同的底部和顶部均一致，也即，单个字符具备了整个字符串相关信息特征。

请参阅图3b，其中待测图像为真实拍摄的整个产品上的标签。该标签上，所有属于同一个字符串的字符均被分割为单个字符。如Random，生成该Random的最小外接矩形，在基于Random中的6个字母将该最小外接矩形分割为6个相同高度、处于同一底面和顶面的6个单字符图像，每个单字符图像执行上述S10～S40。

请参阅图4，图4的左侧图中采用将字符串上的单个字符以各自的外接矩形单独分割，那么，数字“1”缺失的下半部分特征并没有被保留下来，因此，在被模型识别时则不能识别出该缺失的部分，也就是无法检测出字符缺失，因为该数字“1”最终被送入分类模型中是完整的，只是看起来变大了；而图4的左侧图采用图3所示的方式将字符串的单个字符分割，这样数字“1”的高度为字符串的高度，底部为整个字符串的底部，顶部为字符串的顶部，那么数字“1”缺失的下半部分特征则被保留了下来，故将缺失了下半部分特征的数字“1”输入至模型中，可以被模型准确地判定出来。

综上，借助本发明实施例提供的字符分割方法分割出的每个字符串的单个字符，由于该单个字符具备了整个字符串的信息特征(即，获得了单个字符的真实边界)，因此，后续对该单个字符进行分类时，针对比较相近似的字符，比如大小写O、o以及0，能够提高识别准确度，在字符边缘有局部缺失但不影响字符识别的场景下，还能够准确地检测进行质量类别，例如，检测出上述下半部分缺失的数字1为NG缺陷。

图5为本发明实施例提供的一种字符分类检测方法的流程图，图6为采用图5所示方法的示例图，请参阅图5和图6，该字符分类检测方法包括如下步骤：

S100，采用本发明上述提供的字符分割方法，得到单个字符的分割后字符区域，作为待检单字符图像；

S200，将待检单字符图像输入至已训练的字符分类检测模型中进行分类检测，得到分类检测结果。

可以理解的是，字符分类检测模型是通过训练得到的，该训练样本是经过采用上述实施例提供的字符分割方法确定得到。需要对训练样本的单字符图像进行分类标注，类别根据实际类别进行设定，比如(数字0～9、26个字符以及符号)，目的是为了识别待检单字符图像为数字0～9、26个字符以及符号中的哪一个。

当然，在实际应用中，类别还可以根据实际类别以及客户的判断标准来设定，比如，若实际识别的字符为数字0～9(即，预设字符包括0～9)，客户的判断标准则仅包括OK和NG(其中，OK和NG为不同的质量类别)，那么，可以设置20个类别，比如，包括数字0-OK类别、数字0-NG类别……数字9-OK类别、数字9-NG。当然，在实际应用中，客户的判断标准可根据实际情况设置，比如，0-优秀类别，0-及格类别，以及0-不及格类别(其中，优秀、及格和不及格属于不同的质量类别)，目的是为了识别该待检单字符图像所属的质量类别。

需要说明的是，由于采用上述实施例提供的字符分割方法获得待检单字符图像，该单个字符具备了整个字符串的信息特征(即，获得了单个字符的真实边界)，因此，后续对该单个字符进行分类时，针对比较相近似的字符，比如大小写O、o以及0，能够提高识别准确度，在字符边缘有局部缺失但不影响字符识别的场景下，还能够准确地检测进行缺陷分类识别。

在本实施例中，具体地，字符分类检测模型，用于识别所述待检单字符图像属于多种预设字符中每个预设字符的不同质量类别的概率。如图6所示，该字符分类检测模型中预设字符包括数字0～9、26个字母以及标点符号，质量类别包括OK和NG。其中，当前待检单字符图像为数字“2”，其中，数字2上存在笔画断开，将数字2输入至该字符分类检测模型中，得出数字2属于各个类别的概率(即，图中的置信度)，其中，属于0-OK的概率为0.002，属于0-NG的概率为0.002，……，属于2-OK的概率为0.3，属于2-NG的概率为0.2，……，所有类别的概率之和为1。其中，虽然0.3属于所有概率中的最大值，而随着类别数量的增多，最大的概率值也有可能比较小，因此，用概率最大值(2-OK的概率为0.3)来表达印刷质量实际上没有意义的，为此，本专利采取了如下步骤S300。

S300，根据分类检测结果，确定出最大概率值对应的目标预设字符。具体地，如图6所示，由于最大概率值为0.3，对应的类别为2-OK，因此，确定出对应的目标预设字符为数字2。

S400，在所述分类检测结果中，确定与目标预设字符相关的所有质量类别的概率。具体地，与数字2相关的所有类别包括2-OK和2-NG，其中，2-OK类别的概率为0.3，2-NG类别的概率为0.2。

S500，根据确定与目标预设字符相关的所有质量类别的概率，确定出所述待检单字符图像的字符质量。

如图7所示，步骤S500具体包括：

S501，根据确定的与目标预设字符相关的所有质量类别的概率，计算待检单字符图像为任意一种质量类别的概率值。具体地，根据2-OK类别的概率为0.3，2-NG类别的概率为0.2，计算该待检单字符图像2的质量类别为OK类别的概率值。更具体且简单的计算方式为线性回归函数，比如0.3/(0.3+0.2)＝0.6，也就计算出待检单字符图像2的质量类别为OK类别的概率值为0.6。

当然，在实际应用中，还可以根据2-OK类别的概率为0.3，2-NG类别的概率为0.2，计算该待检单字符图像2的质量类别为NG类别的概率值。更具体且简单的计算方式为：0.2/(0.3+0.2)＝0.4，也就计算出待检单字符图像2的质量类别为NG类别的概率值为0.4。

另外，S501中还可以根据确定的与目标预设字符相关的所有质量类别的概率，利用逻辑回归函数计算待检单字符图像为任意一种质量类别的概率值。逻辑回归函数包括softmax，最终根据2-ok的概率和2-NG的概率再经过一次softmax得到该单个字符属于一个质量类别的分数。分数score＝exp(0.3)/[exp(0.2)+exp(0.3)]＝0.53，0.53表示该输入的单字符2的质量类别为OK的分数或概率。

下面给出Softmax函数的定义(以第i个节点输出为例)：

其中z

采用softmax函数，可以实现端到端的训练。

S502，根据计算得到的任意一种质量类别的概率值确定出待检单字符图像的字符质量。具体地，直接将计算得到的OK类别的概率值作为其第一种字符质量，或者直接将计算得到的NG类别的概率值作为其第二种字符质量。

在后续的过程中，可以通过判断第一种字符质量是否超过第一阈值，若超过，则认为采用印刷等方式形成该待检单字符的质量合格，比如若第一阈值为0.5，无论步骤S501采用哪种计算方式，该认为质量均为合格；可以通过判断第二种字符质量是否小于第二阈值，若小于，则认为采用印刷等方式形成该待检单字符的质量合格，若第二阈值为0.3，则根据步骤S401采用线性回归函数计算的0.4相比，则认为该质量不合格。

综上，可以理解的是，本发明实施例提供的字符分类检测方法，还能够采用深度学习的方式来确定单字符的印刷质量，其相对现有技术中采用传统的检测算法相比，不仅对外界条件的要求不高，而且由于采用深度学习方法可以学习到字符本身的特征对其进行分类，后续确定出质量类别的分数，排除误检的可能，因此，误检率比较低。

在本实施例中，进一步地，上述字符分类检测模型包括第一模型和多个第二模型；在此情况下，上述S200，具体包括：

S201，先将待检单字符图像输入至第一模型，确定出单个字符图像所归属的字符组类别。具体来进行说明，字符组类别包括：数字类别、字母类别和符号类别。在该步骤中，先确定出待检单字符图像为哪一种字符组类别。

S202，根据确定出的字符组类别，将待检单字符图像选择输入至该字符组类别对应的第二模型中进行分类检测，得到所述分类检测结果，其中，每个第二模型用于对待检单字符图像进行分类检测，以推理出该待检单字符图像属于该字符组类别的多个预设字符中每个预设字符的不同质量类别的概率。

具体地，若确定出当前待检单字符图像为数字类别，那么将待检单字符图像输入至于数字类别对应的第二模型中，该第二模型仅仅用来识别输入图像为不同数字的概率。若确定出当前待检单字符图像为字母类别，那么将待检单字符图像输入至于字母类别对应的第二模型中，该第二模型仅仅用来识别输入图像为不同大小写字母的概率。若确定出当前待检单字符图像为符号类别，那么将待检单字符图像输入至于符号类别对应的第二模型中，该第二模型仅仅用来识别输入图像为不同符号的概率。

需要说明的是，采用上述步骤S201和步骤202，可以避免类别太多造成模型难易收敛的问题。

作为本发明另外一个实施例，本发明还提供一种字符分割装置，如图9所示，该字符分割装置包括：生成模块90和分割模块100。

其中，生成模块90用于对待测图像上属于同一字符串的字符，生成该字符串的最小外接矩形；分割模块100用于基于该字符串中单个字符和所述最小外接矩形，将所述最小外接矩形按照单个字符进行分割，得到单个字符的分割后字符区域。

优选地，该字符分割装置还包括：确定模块，该确定模块用于在对待测图像上属于同一字符串的字符生成该字符串的最小外接矩形之前，将待测图像输入至已训练的字符检测网络模型中，推理出推理结果；根据所述推理结果，确定出属于同一字符串的多个所述字符。

生成模块90，具体用于根据所述推理结果，确定单个所述字符的最小外接矩形；根据所述字符串中所有所述字符的最小外接矩形，生成该字符串的最小外接矩形。

确定模块具体用于根据所述推理结果，生成字符区域热力图和邻域热力图；根据所述字符区域热力图和邻域热力图确定出属于同一字符串的多个所述字符。

生成模块90还具体用于根据所述字符区域热力图生成单个所述字符的最小外接矩形。

分割模块100具体用于对单个所述字符进行区域生长算法，生成相邻两个字符之间的分界线；根据所述分界线对所述最小外接矩形进行分割，得到单个字符的分割后字符区域。

需要在此说明的是，本实施例提供的字符分割装置属于上述实施例提供的字符分割方法对应的产品实施例，因此，相关解释请参见上文，在此不再赘述。

作为本发明的另外一个实施例，本发明还提供一种字符分类检测装置，如图10所示，该字符分类检测装置，具体包括：

字符分割模块101，采用权利要求12所述的字符分割装置；

分类检测模块102，用于将所述待检单字符图像输入至已训练的字符分类检测模型中进行分类检测，得到分类检测结果。

优选地，该字符分类检测装置，还具体包括：目标字符确定模块103，用于在得到分类检测结果之后，根据所述分类检测结果，确定出最大概率值对应的目标预设字符；概率确定模块104，用于在所述分类检测结果中，确定与目标预设字符相关的所有质量类别的概率；字符质量确定模块105，用于根据确定与目标预设字符相关的所有质量类别的概率，确定出所述待检单字符图像的字符质量。其中，所述字符分类检测模型，用于识别所述待检单字符图像属于多种预设字符中每个预设字符的不同质量类别的概率。

优选地，所述字符分类检测模型包括第一模型和多个第二模型；在这种情况下，分类检测模块102具体用于先将待检单字符图像输入至所述第一模型，确定出单个字符图像所归属的字符组类别；根据确定出的字符组类别，将待检单字符图像选择输入至该字符组类别对应的第二模型中进行分类检测，得到所述分类检测结果；每个所述第二模型用于对所述待检单字符图像进行分类检测，以推理出该待检单字符图像属于该字符组类别的多个预设字符中每个预设字符的不同质量类别的概率。

字符质量确定模块105具体用于根据确定的与目标预设字符相关的所有质量类别的概率，计算待检单字符图像为任意一种质量类别的概率值；根据所述概率值确定出所述待检单字符图像的字符质量。

字符质量确定模块105还具体用于根据确定的与目标预设字符相关的所有质量类别的概率，利用逻辑回归函数计算待检单字符图像为任意一种质量类别的概率值。

本发明实施例提供的字符分类检测装置属于上文实施例提供的字符分类检测方法对应的产品实施例，相关解释请参见上文，再此不再赘述。

本发明还提供一种电子设备，该电子设备包括上述实施例提供的字符分类检测装置。

本发明实施例还提供一种存储介质，在所述存储介质上存储了程序指令，所述程序指令在运行时用于执行上述实施例提供的字符分割方法、或如上述实施例提供的分类检测方法。

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发明的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备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，例如多个单元或组件可以结合或者可以集成到另一个设备，或一些特征可以忽略，或不执行。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该本发明的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如相应的权利要求书所反映的那样，其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域的技术人员可以理解，除了特征之间相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的饮品制作参数配置系统或饮品制作设备中的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

以上所述，仅为本发明的具体实施方式或对具体实施方式的说明，本发明的保护范围并不局限于此，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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。本发明的保护范围应以权利要求的保护范围为准。

正如前文描述，目前对于高分辨率的图像数据的传输是通过改变发送端以及接收端的硬件来加以实现的，除了会造成资源的浪费以外还会产生大量的改造成本。