一种耕地洪涝受灾分析方法、装置、设备及存储介质

技术领域

本发明涉及灾害监测技术领域，尤其涉及一种耕地洪涝受灾分析方法、装置、设备及存储介质。

背景技术

目前，洪涝灾害是农业的主要自然灾害之一，具有破坏力强，经济损失巨大的特点。为了保证农业灾后迅速做出应急响应，需要及时快速的统计受灾区域的地点、区域、面积等信息。相比于野外抽样调查的方式，遥感技术在洪涝灾害应急监测中具有低成本、大面积、高效率的特点，已经成为洪涝灾害应急监测的主要技术手段之一。

在现有技术中，耕地洪涝灾害监测主要包括耕地提取、新增水体提取、耕地洪涝受灾分析。其中，耕地提取主要采用多光谱遥感影像，提取耕地的光谱和空间纹理特征，利用随机森林、支持向量机等分类器进行分类；新增水体提取主要以合成孔径雷达(SyntheticAperture Radar,SAR)影像为主，利用水体在SAR影像中后向散射系数相对较低的特点，采用阈值分割或监督分类的方法提取水体，通过数字高程模型(Digital Elevation Model,DEM)去除山体阴影的影响，将灾害发生时SAR影像提取水体减去灾前SAR影像提取的水体作为新增水体；耕地洪涝受灾分析通过将新增水体叠加在提取的耕地，将两者的重叠区域作为耕地受灾区域。

但是，当耕地种植的作物处于生长后期且种植较为密集时，耕地存在一定程度的积水(作物半淹区)，在上述SAR影像中仍主要表现为植被特征。现有的监测方法直接将SAR影像提取的新增水体叠加在耕地上，无法提取作物半淹区，导致提取的受灾面积小于真实的受灾面积，从而影响洪涝灾害监测的准确度。

发明内容

本发明提供了一种耕地洪涝受灾分析方法、装置、设备及存储介质，以解决现有技术无法提取作物半淹区，导致提取的受灾面积小于真实的受灾面积，从而影响洪涝灾害监测准确度的问题。

第一方面，为了解决上述技术问题，本发明提供了一种耕地洪涝受灾分析方法，包括：

获取耕地洪涝受灾区域的多源遥感数据；其中，所述多源遥感数据包括多光谱遥感影像、DEM数据、灾前雷达影像和灾后雷达影像；

将所述多光谱遥感影像和所述DEM数据输入预先训练的耕地要素提取网络中，得到耕地要素空间分布结果；

基于预先训练的卷积神经网络分别对所述灾前雷达影像和所述灾后雷达影像进行提取，得到新增水体区域；

对所述耕地要素空间分布结果和所述新增水体区域进行叠加，得到耕地全淹没区域；

基于泰森多边形方法对所述DEM数据中的河道数据进行划分，得到子汇水区域；

对所述耕地全淹没区域和所述子汇水区域进行叠加，并计算每一所述子汇水区域中的耕地全淹没区域的平均高程；

分别对每一所述子汇水区域进行高程对比，将低于所述平均高程的耕地确定为耕地半淹没区域。

优选地，所述基于泰森多边形方法对所述DEM数据中的河道数据进行划分，得到子汇水区域，包括：

根据河流流向栅格数据得到属于同一流域盆地的所有已连接像元组，并定位窗口边缘的倾泻点和凹陷点；

识别每一所述倾泻点上的汇流区域，构建初始子汇水区域；

对所述DEM数据进行提取，得到未填洼条件下的水流方向图层，并确定各个所述初始子汇水区域的出水口；其中，水流方向栅格变化幅度小于或等于45°的所有倾斜点中地面高程最低的点或者相反水流方向指向的点为各个子汇水区域出水口；

根据所述初始子汇水区域的出水口，将所有相邻所述出水口连成三角形，并对三角形各边作垂直平分线，将每个出水口周围的若干垂直平分线围成的多边形确定为子汇水区域。

优选地，所述基于预先训练的卷积神经网络分别对所述灾前雷达影像和所述灾后雷达影像进行提取，得到新增水体区域，包括：

基于预先训练的卷积神经网络分别对所述灾前雷达影像和所述灾后雷达影像进行提取，得到初始水体区域；

获取卫星过境时方位信息，并根据所述方位信息和所述DEM数据模拟得到卫星过境时的山体阴影区域；

根据所述山体阴影区域对所述初始水体区域进行筛除，得到新增水体区域。

优选地，所述耕地要素提取网络的训练过程，包括：

基于所述多光谱遥感影像，构建深度空谱融合的耕地要素提取网络；

基于所述多光谱遥感影像、所述DEM数据和预设的耕地标注矢量图，构建耕地遥感影像的标注数据集；

根据所述标注数据集对所述耕地要素提取网络进行训练。

优选地，所述耕地要素提取网络的编码器包括全局上下文聚合模块，所述全局上下文聚合模块包括全局上下文建模、通道依赖关系转换和特征融合。

优选地，所述卷积神经网络的训练过程，包括：

基于所述灾前雷达影像进行水体标注，构建雷达遥感影像的水体标注数据集；

以标记像素为中心、周围邻域像素组成的图像空间块为输入构建卷积神经网络；

根据所述水体标注数据集对所述卷积神经网络进行训练。

优选地，所述山体阴影区域的计算公式包括：

Hs＝255×((cos(Z)×cos(S))+(sin(Z)×sin(S)×cos(Az_math-As)))

/>

式中，Z是卫星过境时的天顶角，即雷达卫星发射信号的方向和当地地平面之间的夹角；S是由高精度DEM数据算出的地面某一点坡度和坡向数据；Hs为0时表示雷达卫星过境时信号无法覆盖的山体阴影区域；Az_math是卫星轨道的地理方位角Az转为的数学方位角。

第二方面，本发明提供了一种耕地洪涝受灾分析装置，包括：

数据获取模块，用于获取耕地洪涝受灾区域的多源遥感数据；其中，所述多源遥感数据包括多光谱遥感影像、DEM数据、灾前雷达影像和灾后雷达影像；

要素提取模块，用于将所述多光谱遥感影像和所述DEM数据输入预先训练的耕地要素提取网络中，得到耕地要素空间分布结果；

水体提取模块，用于基于预先训练的卷积神经网络分别对所述灾前雷达影像和所述灾后雷达影像进行提取，得到新增水体区域；

全淹分析模块，用于对所述耕地要素空间分布结果和所述新增水体区域进行叠加，得到耕地全淹没区域；

河道划分模块，用于基于泰森多边形方法对所述DEM数据中的河道数据进行划分，得到子汇水区域；

高程计算模块，用于对所述耕地全淹没区域和所述子汇水区域进行叠加，并计算每一所述子汇水区域中的耕地全淹没区域的平均高程；

半淹分析模块，用于分别对每一所述子汇水区域进行高程对比，将低于所述平均高程的耕地确定为耕地半淹没区域。

第三方面，本发明还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述中任意一项所述的耕地洪涝受灾分析方法。

第四方面，本发明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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的耕地洪涝受灾分析方法。

相比于现有技术，本发明具有如下有益效果：

本发明提供了一种耕地洪涝受灾分析方法，包括获取耕地洪涝受灾区域的多源遥感数据；其中，所述多源遥感数据包括多光谱遥感影像、DEM数据、灾前雷达影像和灾后雷达影像；将所述多光谱遥感影像和所述DEM数据输入预先训练的耕地要素提取网络中，得到耕地要素空间分布结果；基于预先训练的卷积神经网络分别对所述灾前雷达影像和所述灾后雷达影像进行提取，得到新增水体区域；对所述耕地要素空间分布结果和所述新增水体区域进行叠加，得到耕地全淹没区域；基于泰森多边形方法对所述DEM数据中的河道数据进行划分，得到子汇水区域；对所述耕地全淹没区域和所述子汇水区域进行叠加，并计算每一所述子汇水区域中的耕地全淹没区域的平均高程；分别对每一所述子汇水区域进行高程对比，将低于所述平均高程的耕地确定为耕地半淹没区域。

本发明针对当前直接叠加新增水体和耕地区域的方法无法提取作物半淹区的问题，通过高精度DEM数据在区域内划分子汇水区，计算每个子汇水区内新增水体覆盖耕地区域的平均高程，并将该子汇水区内低于平均高程的耕地设为耕地受灾区域。本发明能够实现提取耕地半淹没区域，准确输出耕地受灾区域，提高了洪涝灾害监测的准确度。同时，本发明通过高精度DEM数据依据卫星过境时的入射角和高度角模拟山体阴影，采用后处理消除误分为水体的山体阴影区域，进一步地提高了水体提取结果的精度。

附图说明

图1是本发明第一实施例提供的耕地洪涝受灾分析方法流程示意图；

图2是全局上下文聚合模块的结构示意图；

图3是选取标记水体邻域像素示意图；

图4是本发明第二实施例提供的耕地洪涝受灾分析装置结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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，都属于本发明保护的范围。

参照图1，本发明第一实施例提供了一种耕地洪涝受灾分析方法，包括以下步骤：

S11，获取耕地洪涝受灾区域的多源遥感数据；其中，所述多源遥感数据包括多光谱遥感影像、DEM数据、灾前雷达影像和灾后雷达影像；

S12，将所述多光谱遥感影像和所述DEM数据输入预先训练的耕地要素提取网络中，得到耕地要素空间分布结果；

S13，基于预先训练的卷积神经网络分别对所述灾前雷达影像和所述灾后雷达影像进行提取，得到新增水体区域；

S14，对所述耕地要素空间分布结果和所述新增水体区域进行叠加，得到耕地全淹没区域；

S15，基于泰森多边形方法对所述DEM数据中的河道数据进行划分，得到子汇水区域；

S16，对所述耕地全淹没区域和所述子汇水区域进行叠加，并计算每一所述子汇水区域中的耕地全淹没区域的平均高程；

S17，分别对每一所述子汇水区域进行高程对比，将低于所述平均高程的耕地确定为耕地半淹没区域。

在步骤S11中，首先获取耕地洪涝受灾区域的多源遥感数据；其中，所述多源遥感数据包括多光谱遥感影像、DEM数据、灾前雷达影像和灾后雷达影像。示例性地，多光谱遥感影像包括长时间序列多光谱遥感影像融合的无云影像，例如高分1号和6号、Sentinel-2号。灾前雷达影像和灾后雷达影像为卫星雷达遥感影像，例如高分3号、Sentinel-1号等卫星数据。DEM数据为高精度DEM数据。

在步骤S12中，将所述多光谱遥感影像和所述DEM数据输入预先训练的耕地要素提取网络中，得到耕地要素空间分布结果。其中，所述耕地要素提取网络的训练过程，包括：

基于所述多光谱遥感影像，构建深度空谱融合的耕地要素提取网络；

基于所述多光谱遥感影像、所述DEM数据和预设的耕地标注矢量图，构建耕地遥感影像的标注数据集；

根据所述标注数据集对所述耕地要素提取网络进行训练。

在本实施例中，基于长时间序列多光谱遥感影像融合的无云影像，例如高分1号和6号、Sentinel-2号，构建深度空谱信息融合的耕地要素提取网络，从而精确提取耕地要素空间分布。

具体地，首先基于长时间序列多光谱遥感影像融合的无云影像和高精度DEM数据，联合土地变更地调查中的耕地标注矢量图版，构建耕地遥感影像标注数据集。其中，本发明联合多光谱遥感影像和DEM数据是为了缓解耕地和林地错分的情况，DEM坡度可以作为区分平整耕地和山区陡峭林的有效信息。然后，基于构建的耕地遥感影像标注数据集，训练构建的深度空谱融合分类全卷积网络例如ResUNet、PSPNet等网络模型。其中，针对地要素类内光谱变异性大的问题,本发明在深度空谱融合分类网络编码器嵌入全局上下文聚合模块，通过引入上下文信息缓解耕地类内方差。所述耕地要素提取网络的编码器包括全局上下文聚合模块，所述全局上下文聚合模块包括全局上下文建模、通道依赖关系转换和特征融合，其网络结构如图2所示。该模块假设全局上下文信息受空间位置影响较小，将全局上下文信息转换为通道之间的依赖，分为全局上下文建模、通道依赖关系转换和特征融合三部分。示例性地，对于输入特征图X∈R

上式中，x＝{x

上式中，W

上式中，W

在耕地要素提取网络训练完成后，输入灾区的多光谱光学遥感影像和DEM数据，推算出耕地要素提取结果。其中，网络的训练数据和推理数据应具有相同的空间分辨率和波段。

可以理解的是，本发明在耕地要素提取方面针对耕地光谱类内方差大且当前分类方法精度低的问题，设计全卷积深度学习分类网络挖掘高层次语义特征，深度融合耕地要素的光谱和空间属性信息，引入高精度DEM信息辅助耕地提取分类，能够解决现有技术的分类结果中耕地和林地、草地之间误分严重的问题。

在步骤S13中，基于预先训练的卷积神经网络分别对所述灾前雷达影像和所述灾后雷达影像进行提取，得到新增水体区域，包括：

基于预先训练的卷积神经网络分别对所述灾前雷达影像和所述灾后雷达影像进行提取，得到初始水体区域；

获取卫星过境时方位信息，并根据所述方位信息和所述DEM数据模拟得到卫星过境时的山体阴影区域；

根据所述山体阴影区域对所述初始水体区域进行筛除，得到新增水体区域。

在一种实施方式中，所述卷积神经网络的训练过程，包括：

基于所述灾前雷达影像进行水体标注，构建雷达遥感影像的水体标注数据集；

以标记像素为中心、周围邻域像素组成的图像空间块为输入构建卷积神经网络；

根据所述水体标注数据集对所述卷积神经网络进行训练。

需要说明的是，本发明基于洪涝灾害发生前和灾害发生后的雷达遥感影像，利用卷积神经网络分别提取灾前和灾后的水体分布，引入高精度的DEM数据消除山体阴影的影响。

在具体实施当中，首先基于卫星雷达遥感影像，例如高分3号、Sentinel-1号等卫星数据，结合水系矢量数据和人工辅助的方式进行水体标注，构建雷达遥感影像水体标注数据集。然后，基于构建的雷达遥感影像水体标注数据集，训练卷积神经分类网络，例如AlexNet、ResNet、VGG等模型。其中，卷积神经网络的输入是标记像素为中心、周围邻域像素组成的图像空间块，对应的标签类别为中心像素的类别标签，采用这种方式可以利用空间信息的同时提升细节保持能力，其示意图如图3所示。

在卷积神经分类网络训练完成后，输入洪涝灾害区域的灾前雷达遥感影像和灾后雷达遥感影像，推算出灾前和灾后水体分布图，将灾后覆盖水体而灾前未覆盖水体的区域定义为初始新增水体区域。其中，网络的训练数据和推理数据应具有相同的波段，且空间分辨率差异不大。

接着，根据所述山体阴影区域对初始的新增水体区域进行筛除，得到新增水体区域，即将初始新增水体区域减去山体阴影区域，得到去除山体阴影的洪涝灾害的最终新增水体区域。具体地，通过查询卫星影像的头文件信息获取卫星过境时方位角和天顶角，通过高精度DEM数据模拟卫星过境时的阴影覆盖区域，其公式可以表示为：

Hs＝255×((cos(Z)×cos(S))+(sin(Z)×sin(S)×cos(Az_math-As)))

式中，Z是卫星过境时的天顶角，即雷达卫星发射信号的方向和当地地平面之间的夹角；S是由高精度DEM数据算出的地面某一点坡度和坡向数据；Hs为0时表示雷达卫星过境时信号无法覆盖的山体阴影区域；Az_math是卫星轨道的地理方位角Az转为的数学方位角。

可以理解的是，在新增水体提取方面，本发明针对仅利用散射信息的水体提取方法在斑点噪声严重的复杂区域泛化性差的问题，构建卷积神经网络充分利用邻域空间纹理和散射信息，减少斑点噪声对水体提取的影响；通过高精度DEM数据依据卫星过境时的入射角和高度角模拟山体阴影，采用后处理消除误分为水体的山体阴影区域。

在步骤S14-S17中，基于耕地要素提取结果、洪涝灾害新增水体和高精度DEM数据，构建二三维信息融合的耕地受灾分析框架，提取耕地全淹没区域和半淹没区域，输出耕地洪涝受灾分析结果。具体为：

对所述耕地要素空间分布结果和所述新增水体区域进行叠加，得到耕地全淹没区域；

基于泰森多边形方法对所述DEM数据中的河道数据进行划分，得到子汇水区域；

对所述耕地全淹没区域和所述子汇水区域进行叠加，并计算每一所述子汇水区域中的耕地全淹没区域的平均高程；

分别对每一所述子汇水区域进行高程对比，将低于所述平均高程的耕地确定为耕地半淹没区域。

需要说明的是，首先基于提取的耕地要素和提取的洪涝灾害新增水体，叠加分析输出耕地全淹没区域，再基于高精度DEM数据和河道数据，采用泰森多边形方法划分子汇水区，然后通过叠加耕地全淹没区域和子汇水区，求取每个子汇水区的耕地全淹没区的平均高程。基于无源淹没模型理论，假设每个子汇水区内除耕地全淹没区外，低于耕地全淹没区的平均高程耕地为半淹没区，融合耕地全淹没区和半淹没区输出耕地洪涝受灾分析结果。

在一种实施方式中，所述基于泰森多边形方法对所述DEM数据中的河道数据进行划分，得到子汇水区域，包括：

根据河流流向栅格数据得到属于同一流域盆地的所有已连接像元组，并定位窗口边缘的倾泻点和凹陷点；

识别每一所述倾泻点上的汇流区域，构建初始子汇水区域；

对所述DEM数据进行提取，得到未填洼条件下的水流方向图层，并确定各个所述初始子汇水区域的出水口；其中，水流方向栅格变化幅度小于或等于45°的所有倾斜点中地面高程最低的点或者相反水流方向指向的点为各个子汇水区域出水口；

根据所述初始子汇水区域的出水口，将所有相邻所述出水口连成三角形，并对三角形各边作垂直平分线，将每个出水口周围的若干垂直平分线围成的多边形确定为子汇水区域。

在本实施例中，采用泰森多边形方法划分子汇水区的具体步骤如下：(1)根据河流流向栅格数据找出属于同一流域盆地的所有已连接像元组，通过定位窗口边缘的倾泻点(水将从栅格倾泻出的地方)及凹陷点，再识别每个倾泻点上的汇流区域，创建出子汇水区域；(2)对研究区域DEM提取未填洼条件下的水流方向图层，相近水流方向栅格(各栅格变化幅度≤45°)附近的几个点中地面高程最低的点或者相反水流方向指向的点设定为各个子汇水区域出水口；(3)根据选出的子汇水区域出水口，将所有相邻出水口连成三角形，作这些三角形各边的垂直平分线，每个出水口周围的若干垂直平分线围成的多边形即为子汇水区。

综上，本发明提供的耕地洪涝受灾分析方法具有以下优点；

(1)现有的基于深度学习的耕地要素提取方法可充分利用光谱和空间信息，但是耕地类型多样导致类内方差极大，作物光谱和草地、林地光谱信息导致存在一定的错分。与现有技术相比，本发明在提取耕地时引入高程和上下文信息提升分类精度，在耕地普遍平整的情况下引入高程信息缓解耕地与山区草地和林地错分的情况，构建全局上下文信息聚合模块缓解耕地的类内方差，提升分类精度。

(2)现有方法主要利用雷达遥感影像的散射信息，在提取水体时易受到雷达影像斑点噪声的影响。与现有技术相比，本发明在提取新增水体时引入空间信息缓解斑点噪声的影像。本发明构建卷积神经分类网络，以水体标记像素及邻域像素作为网络输入，在散射信息的基础上融合空间信息，降低斑点噪声对水体提取的影响。

(3)现有方法将新增水体叠加在耕地区域的方法只能提取耕地全淹没区，无法提取耕地半淹没区。与现有技术相比，本发明可以提取耕地半淹没区域。本发明构建的二三维信息融合的耕地受灾分析方法，能够实现提取耕地半淹没区域，准确输出耕地受灾区域，提高了洪涝灾害监测的准确度。

参照图4，本发明第二实施例提供了一种耕地洪涝受灾分析装置，包括：

数据获取模块，用于获取耕地洪涝受灾区域的多源遥感数据；其中，所述多源遥感数据包括多光谱遥感影像、DEM数据、灾前雷达影像和灾后雷达影像；

要素提取模块，用于将所述多光谱遥感影像和所述DEM数据输入预先训练的耕地要素提取网络中，得到耕地要素空间分布结果；

水体提取模块，用于基于预先训练的卷积神经网络分别对所述灾前雷达影像和所述灾后雷达影像进行提取，得到新增水体区域；

全淹分析模块，用于对所述耕地要素空间分布结果和所述新增水体区域进行叠加，得到耕地全淹没区域；

河道划分模块，用于基于泰森多边形方法对所述DEM数据中的河道数据进行划分，得到子汇水区域；

高程计算模块，用于对所述耕地全淹没区域和所述子汇水区域进行叠加，并计算每一所述子汇水区域中的耕地全淹没区域的平均高程；

半淹分析模块，用于分别对每一所述子汇水区域进行高程对比，将低于所述平均高程的耕地确定为耕地半淹没区域。

需要说明的是，本发明实施例提供的一种耕地洪涝受灾分析装置用于执行上述实施例的一种耕地洪涝受灾分析方法的所有流程步骤，两者的工作原理和有益效果一一对应，因而不再赘述。

本发明实施例还提供了一种终端设备。该终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如耕地洪涝受灾分析程序。所述处理器执行所述计算机程序时实现上述各个耕地洪涝受灾分析方法实施例中的步骤，例如图1所示的步骤S11。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如半淹分析模块。

示例性的，所述计算机程序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中，并由所述处理器执行，以完成本发明。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在所述终端设备中的执行过程。

所述终端设备可以是桌上型计算机、笔记本、掌上电脑及智能平板等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述部件仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，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，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

其中，所述终端设备集成的模块/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取存储介质中。基于这样的理解，本发明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，计算机可读介质不包括电载波信号和电信信号。

需说明的是，以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。