一种城市建筑物高分遥感影像自动提取的方法及装置

技术领域

本申请涉及城市建筑物高分遥感影像提取技术领域，尤其涉及一种城市建筑物高分遥感影像自动提取的方法及装置。

背景技术

城市建筑物信息作为城市核心指标要素，在城市基础信息以及城市生态环境研究等方面发挥着重要的作用，随着城市化发展进程的加快及城市智慧化管理的需要，对城市建筑物进行监测成为城市管理的重要环节。随着国产高分遥感卫星事业的快速发展，遥感影像可以为城市提供大范围、精细化和高频次的监测信息，从而成为了城市建筑物监测的主要数据源。

目前，对于城市建筑物高分遥感影像提取的方法主要包括两种，一种是根据城市区域的高分遥感形态学建筑物指数提取城市建筑物高分遥感影像，即引入了多尺度和多角度的形态学结构序列特征，有效的从个体上表达城市不同类型建筑物的属性特征，进而根据不同类型建筑物的属性特征进行城市建筑物高分遥感影像提取；另一种根据高分遥感形态学属性序列特征提取城市建筑物高分遥感影像，即根据区域建筑物的属性规则，有效的从整体上表达城市建筑物区域特性，并根据城市建筑物区域特性提取城市建筑物高分遥感影像。但是，不管基于多尺度和多角度的形态学结构序列特征进行城市建筑物高分遥感影像提取，还是基于高分遥感形态学属性序列特征提取城市建筑物高分遥感影像，均是基于单一模式的形态学特征方法进行城市建筑物高分遥感影像提取，由于城市场景下建筑物的复杂性，单一模式的形态学特征方法难以对建筑物属性进行充分的表达，进而影响提取出的城市建筑物信息质量。

发明内容

本申请解决的技术问题是：针对现有技术中提取出的城市建筑物信息质量较差的问题，提供了一种城市建筑物高分遥感影像自动提取的方法及装置，本申请实施例所提供的方案中，利用形态学结构序列特征和形态学属性序列特征结合的方式来表达高分遥感的城市建筑物特征，增强了多样城市建筑物形态的综合表达能力，避免单一模式的形态学特征方法难以对建筑物属性进行充分表达的问题，进而提高了提取出的城市建筑物信息的质量。

第一方面，本申请实施例提供一种城市建筑物高分遥感影像自动提取的方法，该方法包括：

根据原始高分遥感影像分别计算遥感影像的差分形态学结构序列特征以及差分形态学属性序列特征；

根据所述差分形态学结构序列特征和所述差分形态学属性序列特征构建特征优选模型，并根据所述特征优选模型对所述差分形态学结构序列特征和所述差分形态学属性序列特征进行优选得到优选后的形态学结构优选特征和形态学属性优选特征；

根据预设的多源先验信息对所述优选后的形态学结构优选特征和形态学属性优选特征进行城市建筑物信息自动分割，得到多个城市建筑物的初始信息，将所述初始信息进行融合得到所述城市建筑物的最终信息。

可选地，根据原始高分遥感影像分别计算遥感影像的差分形态学结构序列特征以及差分形态学属性序列特征，包括：

根据预设的结构体元素对所述原始高分遥感影像分别进行形态学开重建和形态学闭重建得到形态学开重建序列以及形态学闭重建序列，以及根据所述形态学开重建序列以及所述形态学闭重建序列计算得到所述差分形态学结构序列特征；

根据预设的尺度集合以及预设的面积属性分别对所述原始高分遥感影像进行属性开运算以及属性闭运算得到以图斑面积为基准的差分形态学属性开序列特征和差分形态学属性闭序列特征，以及根据所述差分形态学属性开序列特征和所述差分形态学属性闭序列特征计算得到所述差分形态学属性序列特征。

可选地，根据所述形态学开重建序列以及所述形态学闭重建序列计算得到所述差分形态学结构序列特征，包括：

通过如下公式计算得到所述分形态学结构序列特征：

DMP(x)＝(Δ

其中，DMP(x)表示所述差分形态学结构序列特征；Δ

可选地，根据所述差分形态学属性开序列特征和所述差分形态学属性闭序列特征计算得到所述差分形态学属性序列特征，包括：

通过如下公式计算得到所述差分形态学属性序列特征：

其中，DAP(x)表示所述差分形态学属性序列特征；

可选地，根据所述特征优选模型对所述差分形态学结构序列特征和所述差分形态学属性序列特征进行优选得到优选后的形态学结构优选特征和形态学属性优选特征，包括：

通过如下公式对所述差分形态学结构序列特征和所述差分形态学属性序列特征进行优选得到优选后的形态学结构优选特征和形态学属性优选特征：

其中，DMP

可选地，根据预设的多源先验信息对所述优选后的形态学结构优选特征和形态学属性优选特征进行城市建筑物信息自动分割，得到多个城市建筑物的初始信息，包括：

根据所述多源先验信息以及所述优选后的形态学结构优选特征和形态学属性优选特征确定所述优选后的形态学结构优选特征对应的第一掩膜数据以及所述优选后的形态学属性优选特征对应的第二掩膜数据；

根据所述多源先验信息、所述第一掩膜数据以及所述第二掩膜数据计算得到阈值数据，并根据所述优选后的形态学结构优选特征和形态学属性优选特征、所述第一掩膜数据、所述第二掩膜数据以及所述阈值数据计算得到所述初始信息。

可选地，根据所述多源先验信息以及所述优选后的形态学结构优选特征和形态学属性优选特征确定所述优选后的形态学结构优选特征对应的第一掩膜数据以及所述优选后的形态学属性优选特征对应的第二掩膜数据，包括：

通过如下公式计算得到所述第一掩膜数据以及所述第二掩膜数据：

其中，Mask(DMP

根据所述多源先验信息、所述第一掩膜数据以及所述第二掩膜数据计算得到阈值数据，包括：

通过如下公式计算得到所述阈值数据：

其中，T

可选地，根据所述优选后的形态学结构优选特征和形态学属性优选特征、所述第一掩膜数据、所述第二掩膜数据以及所述阈值数据计算得到所述初始信息，包括：

通过如下公式得到多个城市建筑物的初始信息：

其中，

可选地，将所述初始信息进行融合得到所述城市建筑物的最终信息，包括：

通过如下公式计算得到所述城市建筑物的最终信息：

其中，O

第二方面，本申请实施例提供了一种城市建筑物高分遥感影像自动提取的装置，该装置包括：

计算单元，用于根据原始高分遥感影像分别计算遥感影像的差分形态学结构序列特征以及差分形态学属性序列特征；

优选单元，用于根据所述差分形态学结构序列特征和所述差分形态学属性序列特征构建特征优选模型，并根据所述特征优选模型对所述差分形态学结构序列特征和所述差分形态学属性序列特征进行优选得到优选后的形态学结构优选特征和形态学属性优选特征；

融合单元，用于根据预设的多源先验信息对所述优选后的形态学结构优选特征和形态学属性优选特征进行城市建筑物信息自动分割，得到多个城市建筑物的初始信息，将所述初始信息进行融合得到所述城市建筑物的最终信息。

可选地，所述计算单元，具体用于：

根据预设的结构体元素对所述原始高分遥感影像分别进行形态学开重建和形态学闭重建得到形态学开重建序列以及形态学闭重建序列，以及根据所述形态学开重建序列以及所述形态学闭重建序列计算得到所述差分形态学结构序列特征；

根据预设的尺度集合以及预设的面积属性分别对所述原始高分遥感影像进行属性开运算以及属性闭运算得到以图斑面积为基准的差分形态学属性开序列特征和差分形态学属性闭序列特征，以及根据所述差分形态学属性开序列特征和所述差分形态学属性闭序列特征计算得到所述差分形态学属性序列特征。

可选地，所述计算单元，具体用于：

通过如下公式计算得到所述分形态学结构序列特征：

DMP(x)＝(Δ

其中，DMP(x)表示所述差分形态学结构序列特征；Δ

可选地，所述计算单元，具体用于：

通过如下公式计算得到所述差分形态学属性序列特征：

其中，DAP(x)表示所述差分形态学属性序列特征；

可选地，所述优选单元，具体用于：

通过如下公式对所述差分形态学结构序列特征和所述差分形态学属性序列特征进行优选得到优选后的形态学结构优选特征和形态学属性优选特征：

其中，DMP

可选地，所述融合单元，具体用于：

根据所述多源先验信息以及所述优选后的形态学结构优选特征和形态学属性优选特征确定所述优选后的形态学结构优选特征对应的第一掩膜数据以及所述优选后的形态学属性优选特征对应的第二掩膜数据；

根据所述多源先验信息、所述第一掩膜数据以及所述第二掩膜数据计算得到阈值数据，并根据所述优选后的形态学结构优选特征和形态学属性优选特征、所述第一掩膜数据、所述第二掩膜数据以及所述阈值数据计算得到所述初始信息。

可选地，所述融合单元，具体用于：

通过如下公式计算得到所述第一掩膜数据以及所述第二掩膜数据：

其中，Mask(DMP

通过如下公式计算得到所述阈值数据：

其中，T

可选地，所述融合单元，具体用于：

通过如下公式得到多个城市建筑物的初始信息：

其中，

可选地，所述融合单元，具体用于：

通过如下公式计算得到所述城市建筑物的最终信息：

其中，O

与现有技术相比，本申请实施例所提供的方案具有如下优点：

1、本申请实施例所提供的方案中，利用形态学结构序列特征和形态学属性序列特征结合的方式来表达高分遥感的城市建筑物特征，增强了多样城市建筑物形态的综合表达能力，避免单一模式的形态学特征方法难以对建筑物属性进行充分表达的问题，进而提高了提取出的城市建筑物信息的质量。

2、本申请实施例所提供的方案中，根据预设的多源先验信息对优选后的形态学结构优选特征和形态学属性优选特征进行城市建筑物信息自动分割，得到多个城市建筑物的初始信息，将初始信息进行融合得到城市建筑物的最终信息进而提高了城市建筑物信息自动化提取的程度。

3、本申请实施例所提供的方案中，通过特征优选模型对形态学结构序列特征以及形态学属性序列特征进行特征优选，避免特征信息冗余造成的提取精度降低问题，进而提高了城市建筑物高分遥感影像的提取精度。

4、本申请实施例所提供的方案中，通过引入多源先验信息，并根据引入的多源先验信息对所述优选后的形态学结构优选特征和形态学属性优选特征进行城市建筑物信息自动分割，克服了传统通过人工阈值进行分割所带来的误差和低效率的局限性的问题，进而保证城市建筑物分割结果的稳定性与高效性。

5、本申请实施例所提供的方案中，通过将提取的多个初始信息进行融合得到最终城市建筑物的最终信息，提升了结果的鲁棒性和泛化能力，最终实现城市场景下的建筑物自动化提取。

附图说明

图1为本申请实施例所提供的一种城市建筑物高分遥感影像自动提取的方法的流程示意图；

图2为本申请实施例所提供的一种原始高分遥感影像的示意图；

图3为本申请实施例所提供的一种差分形态学结构序列特征图；

图4为本申请实施例所提供的一种差分形态学属性序列特征图；

图5a为本申请实施例所提供的一种优选后的形态学结构序列特征图；

图5b为本申请实施例所提供的一种优选后的形态学属性序列特征图；

图6a为本申请实施例所提供的一种城市建筑物的初始信息示意图；

图6b为本申请实施例所提供的一种城市建筑物的初始信息示意图；

图6c为本申请实施例所提供的一种城市建筑物的初始信息示意图；

图6d为本申请实施例所提供的一种城市建筑物的初始信息示意图；

图7为本申请实施例所提供的一种城市建筑物的最终信息示意图；

图8为本申请实施例所提供的一种城市建筑物高分遥感影像自动提取的装置的结构示意图。

具体实施方式

本申请实施例提供的方案中，所描述的实施例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做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

以下结合说明书附图对本申请实施例所提供的一种城市建筑物高分遥感影像自动提取的方法做进一步详细的说明，该方法具体实现方式可以包括以下步骤(方法流程如图1所示)：

步骤101，根据原始高分遥感影像分别计算遥感影像的差分形态学结构序列特征以及差分形态学属性序列特征。

在本申请实施例所提供的方案中，参见图2，表示本申请实施例提供的一种原始高分遥感影像的示意图，原始高分遥感影像包括但不限制于2016年4月9日的高分一号高空间分辨率遥感影像，其中，高分一号高空间分辨率遥感影的多光谱和全色分辨率分别为8米和2米，含有四个波段，分别是蓝波段(0.45-0.52μm),绿波段(0.52-0.59μm)，红波段(0.63-0.69μm)，近红外波段(0.77-0.89μm)，辐射量化等级为16bit。

具体的，根据原始高分遥感影像分别计算遥感影像的差分形态学结构序列特征以及差分形态学属性序列特征的方式有多种，下面以一种较佳的方式为例进行说明。

在一种可能实现的方式中，根据原始高分遥感影像分别计算遥感影像的差分形态学结构序列特征以及差分形态学属性序列特征，包括：根据预设的结构体元素对所述原始高分遥感影像分别进行形态学开重建和形态学闭重建得到形态学开重建序列以及形态学闭重建序列，以及根据所述形态学开重建序列以及所述形态学闭重建序列计算得到所述差分形态学结构序列特征；根据预设的尺度集合以及预设的面积属性分别对所述原始高分遥感影像进行属性开运算以及属性闭运算得到以图斑面积为基准的差分形态学属性开序列特征和差分形态学属性闭序列特征，以及根据所述差分形态学属性开序列特征和所述差分形态学属性闭序列特征计算得到所述差分形态学属性序列特征。

进一步，在一种可能实现的方式中，根据所述形态学开重建序列以及所述形态学闭重建序列计算得到所述差分形态学结构序列特征，包括：

通过如下公式计算得到所述分形态学结构序列特征：

DMP(x)＝(Δ

其中，DMP(x)表示所述差分形态学结构序列特征；Δ

进一步，在一种可能实现的方式中，根据所述差分形态学属性开序列特征和所述差分形态学属性闭序列特征计算得到所述差分形态学属性序列特征，包括：

通过如下公式计算得到所述差分形态学属性序列特征：

其中，DAP(x)表示所述差分形态学属性序列特征；

具体的，参见图3，表示本申请实施例提供的一种差分形态学结构序列特征图，其中，差分形态学结构序列特征图包括结构开重建序列和结构闭重建序列；参见图4，表示本申请实施例提供的一种差分形态学属性序列特征图，其中，差分形态学属性序列特征图包括属性开重建序列和属性闭重建序列。

步骤102，根据所述差分形态学结构序列特征和所述差分形态学属性序列特征构建特征优选模型，并根据所述特征优选模型对所述差分形态学结构序列特征和所述差分形态学属性序列特征进行优选得到优选后的形态学结构优选特征和形态学属性优选特征。

具体的，在本申请实施例所提供的方案中，在计算出结构序列特征和属性序列特征之后，所述差分形态学结构序列特征和所述差分形态学属性序列特征构建特征优选模型，其中，特征优选模型可以是特征显著水平模型，也可以是其他的特征选择模型，在此并不做限定。

进一步，优选模型之后，根据所述特征优选模型对所述差分形态学结构序列特征和所述差分形态学属性序列特征进行优选得到优选后的形态学结构优选特征和形态学属性优选特征，具体的，对结构序列特征和属性序列特征进行优选得到优选后的形态学结构优选特征和形态学属性优选特征的方式有多种，下面以一种较佳的方式为例进行说明。

在一种可能实现的方式中，根据所述特征优选模型对所述差分形态学结构序列特征和所述差分形态学属性序列特征进行优选得到优选后的形态学结构优选特征和形态学属性优选特征，包括：

通过如下公式对所述差分形态学结构序列特征和所述差分形态学属性序列特征进行优选得到优选后的形态学结构优选特征和形态学属性优选特征：

其中，DMP

具体的，在本申请实施例所提供的方案中，

为了便于直观了解上述优选后的形态学结构优选特征和形态学属性优选特征，下面以附图的形式给出的优选后的形态学结构优选特征示意图和形态学属性优选特征示意图。具体的，参见图5a以及图5b，其中，图5a表示本申请实施例提供的一种优选后的形态学结构优选特征示意图，图5b表示本申请实施例提供的一种优选后的形态学属性优选特征示意图。

本申请实施例所提供的方案中，通过特征优选模型对形态学结构序列特征以及形态学属性序列特征进行特征优选，避免特征信息冗余造成的提取精度降低问题，进而提高了城市建筑物信息的提取精度。

步骤103，根据预设的多源先验信息对所述优选后的形态学结构优选特征和形态学属性优选特征进行城市建筑物信息自动分割，得到多个城市建筑物的初始信息，将所述初始信息进行融合得到城市建筑物的最终信息。

具体的，在本申请实施例所提供的方案中，多源先验信息包括但不限制于：2010年GlobeLand30信息产品中的水体类型信息、2010年GlobeLand30信息产品中的裸地类型信息、2013年Hansen信息产品中森林类型信息、2015年Openstreetmap信息产品中道路类型信息、2011年GUF信息产品中及建筑物面积信息和2014年GHSL信息产品中建筑物面积信息。

在一种可能实现的方式中，根据预设的多源先验信息对所述优选后的形态学结构优选特征和形态学属性优选特征进行城市建筑物信息自动分割，得到多个城市建筑物的初始信息，，包括：根据所述多源先验信息以及所述优选后的形态学结构优选特征和形态学属性优选特征确定所述优选后的形态学结构优选特征对应的第一掩膜数据以及所述优选后的形态学属性优选特征对应的第二掩膜数据；根据所述多源先验信息、所述第一掩膜数据以及所述第二掩膜数据计算得到阈值数据，并根据所述优选后的形态学结构优选特征和形态学属性优选特征、所述第一掩膜数据、所述第二掩膜数据以及所述阈值数据计算得到所述初始信息。

进一步，在一种可能实现的方式中，根据所述多源先验信息以及所述优选后的形态学结构优选特征和形态学属性优选特征确定所述优选后的形态学结构优选特征对应的第一掩膜数据以及所述优选后的形态学属性优选特征对应的第二掩膜数据，包括：

通过如下公式计算得到所述第一掩膜数据以及所述第二掩膜数据：

其中，Mask(DMP

根据所述多源先验信息、所述第一掩膜数据以及所述第二掩膜数据计算得到阈值数据，包括：

通过如下公式计算得到所述阈值数据：

其中，T

本申请实施例所提供的方案中，通过引入多源先验信息，并根据引入的多源先验信息对所述优选后的形态学结构优选特征和形态学属性优选特征进行城市建筑物信息自动分割，克服了传统通过人工阈值进行分割所带来的误差和低效率的局限性的问题，进而保证城市建筑物分割结果的稳定性与高效性。

进一步，在一种可能实现的方式中，根据所述优选后的形态学结构优选特征和形态学属性优选特征、所述第一掩膜数据、所述第二掩膜数据以及所述阈值数据计算得到多个城市建筑物的初始信息，包括：

通过如下公式得到多个城市建筑物的初始信息：

其中，

为了便于直观了解上述初始信息

进一步，为了提升了城市建筑物信息提取的鲁棒性和泛化能力，在一种可能实现的方式中，将所述初始信息进行融合得到所述城市建筑物的最终信息，包括：

通过如下公式计算得到所述城市建筑物的最终信息：

其中，O

为了便于直观了解上述所述城市建筑物的最终信息，下面以附图的形式给出了所述城市建筑物的最终信息。具体的，参见图7。

本申请实施例所提供的方案中，根据原始高分遥感影像分别计算遥感影像的差分形态学结构序列特征以及差分形态学属性序列特征，并根据差分形态学结构序列特征和差分形态学属性序列特征构建特征优选模型，并根据特征优选模型对差分形态学结构序列特征和差分形态学属性序列特征进行优选得到优选后的形态学结构优选特征和形态学属性优选特征，然后根据预设的多源先验信息对优选后的形态学结构优选特征和形态学属性优选特征进行城市建筑物信息自动分割，得到多个城市建筑物的初始信息，将初始信息进行融合得到城市建筑物的最终信息。因此，本申请实施例所提供的方案中，利用形态学结构序列特征和形态学属性序列特征结合的方式来表达高分遥感的城市建筑物特征，增强了多样城市建筑物形态的综合表达能力，避免单一模式的形态学特征方法难以对建筑物属性进行充分表达的问题，进而提高了提取出的城市建筑物信息质量。

基于与上述图1所示的方法相同的发明构思，本申请实施例提供了一种城市建筑物高分遥感影像自动提取的装置，参见图8，包括：

计算单元801，用于根据原始高分遥感影像分别计算遥感影像的差分形态学结构序列特征以及差分形态学属性序列特征；

优选单元802，用于根据所述差分形态学结构序列特征和所述差分形态学属性序列特征构建特征优选模型，并根据所述特征优选模型对所述差分形态学结构序列特征和所述差分形态学属性序列特征进行优选得到优选后的形态学结构优选特征和形态学属性优选特征；

融合单元803，用于根据预设的多源先验信息对所述优选后的形态学结构优选特征和形态学属性优选特征进行城市建筑物信息自动分割，得到多个城市建筑物的初始信息，将所述初始信息进行融合得到所述城市建筑物的最终信息。

可选地，所述计算单元801，具体用于：

根据预设的结构体元素对所述原始高分遥感影像分别进行形态学开重建和形态学闭重建得到形态学开重建序列以及形态学闭重建序列，以及根据所述形态学开重建序列以及所述形态学闭重建序列计算得到所述差分形态学结构序列特征；

根据预设的尺度集合以及预设的面积属性分别对所述原始高分遥感影像进行属性开运算以及属性闭运算得到以图斑面积为基准的差分形态学属性开序列特征和差分形态学属性闭序列特征，以及根据所述差分形态学属性开序列特征和所述差分形态学属性闭序列特征计算得到所述差分形态学属性序列特征。

可选地，所述计算单元801，具体用于：

通过如下公式计算得到所述分形态学结构序列特征：

DMP(x)＝(Δ

其中，DMP(x)表示所述差分形态学结构序列特征；Δ

可选地，所述计算单元801，具体用于：

通过如下公式计算得到所述差分形态学属性序列特征：

其中，DAP(x)表示所述差分形态学属性序列特征；

可选地，所述优选单元802，具体用于：

其中，DMP

可选地，所述融合单元803，具体用于：

根据所述多源先验信息以及所述优选后的形态学结构优选特征和形态学属性优选特征确定所述优选后的形态学结构优选特征对应的第一掩膜数据以及所述优选后的形态学属性优选特征对应的第二掩膜数据；

根据所述多源先验信息、所述第一掩膜数据以及所述第二掩膜数据计算得到阈值数据，并根据所述优选后的形态学结构优选特征和形态学属性优选特征、所述第一掩膜数据、所述第二掩膜数据以及所述阈值数据计算得到所述初始信息。

可选地，所述融合单元803，具体用于：

通过如下公式计算得到所述第一掩膜数据以及所述第二掩膜数据：

其中，Mask(DMP

通过如下公式计算得到所述阈值数据：

其中，T

可选地，所述融合单元803，具体用于：

通过如下公式得到多个城市建筑物的初始信息：

其中，

可选地，所述融合单元803，具体用于：

通过如下公式计算得到所述城市建筑物的最终信息：

其中，O

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。