GEO SAR成像扰动对流层误差补偿方法和装置

技术领域

本申请涉及雷达图像处理技术领域，特别是涉及一种GEO SAR成像扰动对流层误差补偿方法和装置。

背景技术

GEO SAR是一种搭载于地球同步轨道卫星上可实现特定经纬度范围内成像的合成孔径雷达系统。GEO SAR系统具有测绘带宽、分辨率高、驻留时间长、重访时间短等优点,并且该系统的研究迎来了蓬勃发展的时期,在自然灾害监测与大气水汽反演等方面有很高的应用价值。成像处理是GEO SAR系统的核心技术之一，受到国内学者极大的关注，并且可以将其发展划分为三个阶段。第一个阶段解决传统成像模型精度不足的问题。第二个阶段考虑了长合成孔径中地球自转引入的方位空变问题。第三个阶段是对多模式、多通道、复杂构型下的GEO SAR系统成像问题研究。可以看出，GEO SAR成像处理技术已趋于成熟，相关方法的正确性得到了广泛验证.

在解决了GEO SAR成像处理的基本难题之后，为了实现对地面的精确观测还需注意GEO SAR会引入复杂的对流层传播延迟。运用大气领域的最新发展成果，将对流层延迟划分为确定性低阶分量背景对流层与随机性高阶分量扰动对流层两个部分。W.Sheng提出一种基于子孔径划分的对流层延迟补偿方法。J.Rodon讨论了一种类似的大气相位延迟检索方法，该方法依赖于参考稳定点(如城市或岩石地区)。这些点的散射相位是稳定的，因此它们的相位波动可以直接解释为大气相位延迟。L.De在高分辨SAR中根据对流层成分依次对每个组成补偿。根据背景对流层延迟分量经验模型与影响分析，通过低阶近似，实现对流层延迟影响与几何空变影响的解耦；进而改进理想GEO SAR成像处理方法，补偿低阶对流层延迟的影响.L.De提出分块自聚焦算法对高阶误差TTD进行补偿。方位解压数据被划分为不同的子块，并且每个子块利用MDA估计出一个二次相位误差系数，然后通过插值与积分处理估计出二维对流层延迟相位。最后，将相位估计误差与方位向解压缩后的数据相乘补偿对流层延迟，再次方位向压缩得到精确聚焦的图像。

然而在上述的方法中，如何进行分块并未详细介绍，只能凭借处理经验。对流层延迟补偿效果取决于分块选择是否合理。其次，若忽略某个子块估计出的异常调频率时，在后续插值与积分过程中会将误差放大，恶化图像质量。

发明内容

基于此，有必要针对上述技术问题，提供一种GEO SAR成像扰动对流层误差补偿方法和装置。

一种GEO SAR成像扰动对流层误差补偿方法，所述方法包括：

对获得的GEO SAR图像进行方位向傅里叶变换、方位向解压、方位向傅里叶逆变换处理后，得到方位向解压缩数据。

对获得的GEO SAR图像沿距离向划分成若干个子带。

根据影响扰动对流层参数和熵，构建分块优化模型，所述分块优化模型为：

其中，X为分块优化模型的输入，X＝(D,s,l,v,n,c)，v为指数因子、l为尺度因子、D为坐标维数、s为标准差，n为分块个数，c为分块尺寸，H为中间参数，Y为熵，W为输出权值，B为偏差项，g(·)为非线性映射，f(·)是线性映射。

采用极限学习机方法对所述分块优化模型进行求解，得到熵最小时的最优分块个数和最优分块尺寸。

根据最优分块个数和最优分块尺寸对子带沿方位向划分为若干子块。

对每一个子带的中每一个子块采用MD算法进行处理，得到调频率误差。

对所述调频率误差进行方位向插值与积分处理，得到扰动对流层方位向相位估计值；

将所述扰动对流层方位向相位估计值在距离向进行插值，并将插值结果和所述方位向解压缩数据相乘后进行方位向的傅里叶变换、重聚焦以及傅里叶逆变换，得到高精度的GEO SAR图像。

在其中一个实施例中，对每一个子带的中每一个子块采用MD算法进行处理，得到调频率误差，步骤后还包括异常点检测与校正步骤，所述异常点检测与校正步包括：

采用局部离群因子算法来检测每个子块中调频率的异常点。

将异常点处的值用附近子块的正常点插值来代替。

在其中一个实施例中，采用局部离群因子算法来检测每个子块中调频率的异常点，包括：

计算每一个调频率数据点的一个局部可达密度；局部可达密度的表达式为：

其中，Nk(p)表示点p的第k距离邻域，o为p的第k距离内点的集合，|N

根据局部可达密度，采用局部离群因子计算公式，得到每个调频率数据点的一个离群因子；局部离群因子计算公式为：

其中，LOF

根据所述离群因子与预设阈值进行判断，将离群程度大的点作为每个子块中调频率的异常点。

在其中一个实施例中，采用极限学习机方法对所述分块优化模型进行求解，得到熵最小时的最优分块个数和最优分块尺寸，包括：

构建所述分块优化模型的损失函数，所述损失函数为：

其中，C为正则化系数，H是中间层输出，T是真实值，W是输出权值。

采用岭回归问题求解方式对所述损失函数进行求解，得到输出权值的估计值为：

其中，W

根据预设训练数据、输出权值的估计值以及所述分块优化模型，反演指数因子和尺度因子的粗值。

将输出权值的估计值、指数因子和尺度因子的粗值代入分块优化模型中，求解熵最小时的最优分块个数和最优分块尺寸。

在其中一个实施例中，根据预设训练数据、输出权值的估计值以及所述分块优化模型，反演指数因子和尺度因子的粗值，包括：

根据预设训练数据、输出权值的估计值以及所述分块优化模型，采用参数反演公式进行求解，得到指数因子和尺度因子的粗值；所述参数反演公式为：

其中，|·|表示绝对值，(l

一种GEO SAR成像扰动对流层误差补偿装置，所述装置包括：

方位向解压数据确定模块，用于对获得的GEO SAR图像进行方位向傅里叶变换、方位向解压、方位向傅里叶逆变换处理后，得到方位向解压缩数据。

子带划分模块，用于对获得的GEO SAR图像沿距离向划分成若干个子带。

分块参数优化模块，用于根据影响扰动对流层参数和熵，构建分块优化模型；采用极限学习机方法对所述分块优化模型进行求解，得到熵最小时的最优分块个数和最优分块尺寸；所述分块优化模型为：

其中，X为分块优化模型的输入，X＝(D,s,l,v,n,c)，v为指数因子、l为尺度因子、D为坐标维数、s为标准差，n为分块个数，c为分块尺寸，H为中间参数，Y为熵，W为输出权值，B为偏差项，g(·)为非线性映射，f(·)是线性映射。

子块划分模块，用于根据最优分块个数和最优分块尺寸对子带沿方位向划分为若干子块。

方位向相位估计值确定模块，用于对每一个子带的中每一个子块采用MD算法进行处理，得到调频率误差；对所述调频率误差进行方位向插值与积分处理，得到扰动对流层方位向相位估计值。

图像误差补偿模块，用于将所述扰动对流层方位向相位估计值在距离向进行插值，并将插值结果和所述方位向解压缩数据相乘后进行方位向的傅里叶变换、重聚焦以及傅里叶逆变换，得到高精度的GEO SAR图像。

在其中一个实施例中，分块参数优化模块后还包括异常点检测与校正模块，用于采用局部离群因子算法来检测每个子块中调频率的异常点；将异常点处的值用附近子块的正常点插值来代替。

在其中一个实施例中，所述异常点检测与校正模块，还用于计算每一个调频率数据点的一个局部可达密度；局部可达密度的表达式为：

其中，Nk(p)表示点p的第k距离邻域，o为p的第k距离内点的集合，|N

根据局部可达密度，采用局部离群因子计算公式，得到每个调频率数据点的一个离群因子；局部离群因子计算公式为：

其中，LOF

根据所述离群因子与预设阈值进行判断，将离群程度大的点作为每个子块中调频率的异常点。

在其中一个实施例中，分块参数优化模块，还用于构建所述分块优化模型的损失函数，所述损失函数为：

其中，C为正则化系数，H是中间层输出，T是真实值，W是输出权值。

采用岭回归问题求解方式对所述损失函数进行求解，得到输出权值的估计值为：

其中，W

根据预设训练数据、输出权值的估计值以及所述分块优化模型，反演指数因子和尺度因子的粗值。

将输出权值的估计值、指数因子和尺度因子的粗值代入分块优化模型中，求解熵最小时的最优分块个数和最优分块尺寸。

在其中一个实施例中，分块参数优化模块，还用于根据预设训练数据、输出权值的估计值以及所述分块优化模型，采用参数反演公式进行求解，得到指数因子和尺度因子的粗值；所述参数反演公式为：

其中，|·|表示绝对值，(l

上述GEO SAR成像扰动对流层误差补偿方法和装置，所述方法构建了影响扰动对流层参数作为输入与图像性能指标作为输出的模型，该模型既考虑了非线性又能利用线性模型对问题快速求解；该模型建立了影响扰动对流层参数与分块选择的联系,可以利用构建的模型大致反演出影响因子，为分块选择提供初始值，与单纯利用迭代法相比大大提高了计算速度。采用本方法可以补偿因扰动对流层对GEO SAR图像产生的相位误差，提升图像质量。

附图说明

图1为一个实施例中GEO SAR成像扰动对流层误差补偿方法的流程示意图；

图2为另一个实施例中GEO SAR成像扰动对流层误差补偿方法处理流程；

图3为另一个实施例中图像结果，其中(a)为原始图像，(b)为受到影响图像；

图4为另一个实施例中几种图像结果(a)为迭代法、(b)为已知参数、(c)为未知参数、(d)为利用反演初值迭代；

图5为另一个实施例中不同子带的原始与估计相位，其中(a)和(b)分别为两个不同子带的原始与估计相位；

图6为另一个实施例中第二次估计相位与两次完整补偿的图像，其中(a)为第二次补偿中的原始相位与估计相位，(b)为第二次补偿后图像；

图7为另一个实施例中忽略异常点检测结果；

图8为一个实施例中GEO SAR成像扰动对流层误差补偿装置的结构框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，如图1、图2所示，提供了一种GEO SAR成像扰动对流层误差补偿方法，该方法包括以下步骤：

步骤100：对获得的GEO SAR图像进行方位向傅里叶变换、方位向解压、方位向傅里叶逆变换处理后，得到方位向解压缩数据。

具体的，获得的GEO SAR图像是对图像进行背景对流层延迟补偿之后的GEO SAR图像。

通过MD算法估计对流层扰动影响的二维变化。

步骤102：对获得的GEO SAR图像沿距离向划分成若干个子带。

步骤104：根据影响扰动对流层参数和熵，构建分块优化模型，分块优化模型为：

其中，X为分块优化模型的输入，X＝(D,s,l,v,n,c)，v为指数因子、l为尺度因子、D为坐标维数、s为标准差，n为分块个数，c为分块尺寸，H为中间参数，Y为熵，W为输出权值，B为偏差项，g(·)为非线性映射，f(·)是线性映射。

具体的，需要注意的是分块个数与尺寸的选择决定了最终预估相位的精度与效率。借鉴极限学习机的思想，建立以非线性为核心，同时兼顾线性模型易于求解性质的数学模型。首先建立以影响扰动对流层参数和分块选择为输入、衡量图像质量的指标为输出的模型；对输入数据做非线性变换得到中间变量，然后输出与中间变量建立线性加权模型，既保证了非线性又能利用线性模型对问题快速求解，提高时效性。

通过Matérn协方差函数所推导的功率谱密度描述扰动对流层，借鉴极限学习机思想，构造一个以影响扰动对流层参数以及分块个数与尺寸为输入，其中影响扰动对流层参数包括：指数因子v、尺度因子l、坐标维数D、标准差s，以及分块个数与尺寸为输入，衡量图像性能的指标(对比度与熵)为输出的数据库。借鉴极限学习机思想，在考虑非线性的同时，又能利用线性模型对问题快速求解。输入数据用向量X表示，对X做非线性变换得到中间变量H，然后H与输出Y建立一个线性加权模型。模型表达式如式(1)所示。

依据通用近似定理，极限学习机无限趋于任意连续的目标函数，特征映射可以是任意非线性连续函数，并且该算法核心是求解输出权重使损失函数最小。作为优选，选择三角函数：g(A,b,X)＝cos(A·X+b)作为非线性映射，其中A和b表示非线性映射参数。

利用建立的模型既能在已知影响TTD参数粗值时快速得到优化的分块，也能反演出这些参数得到分块选择作为初始值通过迭代寻找最优分块。其中，TTD参数包括：指数因子、尺度因子、坐标维数、标准差，分块个数，分块尺寸。

根据该模型能够估计出指数和尺度因子的粗值，进而反演出合理的分块选择，在精度要求较高时为迭代提供初值。

步骤106：采用极限学习机方法对分块优化模型进行求解，得到熵最小时的最优分块个数和最优分块尺寸。

步骤108：根据最优分块个数和最优分块尺寸对子带沿方位向划分为若干子块。

步骤110：对每一个子带的中每一个子块采用MD算法进行处理，得到调频率误差。

步骤112：对调频率误差进行方位向插值与积分处理，得到扰动对流层方位向相位估计值。

具体的，对图像沿距离与方位向进行子块划分，估计对应的二次相位系数，通过相位系数组合，构建相位的二阶导数，进一步通过升采样、积分处理的方法进行相位估计。

步骤114：将扰动对流层方位向相位估计值在距离向进行插值，并将插值结果和方位向解压缩数据相乘后进行方位向的傅里叶变换、重聚焦以及傅里叶逆变换，得到高精度的GEO SAR图像。

上述GEO SAR成像扰动对流层误差补偿方法中，所述方法构建了影响扰动对流层参数作为输入与图像性能指标作为输出的模型，该模型既考虑了非线性又能利用线性模型对问题快速求解；该模型建立了影响扰动对流层参数与分块选择的联系,可以利用构建的模型大致反演出影响因子，为分块选择提供初始值，与单纯利用迭代法相比大大提高了计算速度。采用本方法可以补偿因扰动对流层对GEO SAR图像产生的相位误差，提升图像质量。

在其中一个实施例中，步骤110后还包括异常点检测与校正步骤，异常点检测与校正步包括：采用局部离群因子算法来检测每个子块中调频率的异常点；将异常点处的值用附近子块的正常点插值来代替。

具体的，当子块估计出的调频率异常时，对其进行了筛选与校正，提高了图像聚焦深度。

将图像划分为多个子块，调在每个子块内估计出频率误差作为子块中心位置的结果，后续通过插值与积分得到二次相位误差。所以子块选择是否合理直接影响了扰动对流层延迟相位估计。并且每次最优分块选择并不是固定的，其受影响扰动对流层延迟参数尺度因子的影响。当子块所覆盖地形内散射点分布均匀时，即使该场景受到扰动对流层延迟影响，通过MD算法估计得到的偏移量几乎为零，估计结果异常。并且在同一子块内包含数个强散射点时也易引起估计结果异常。因此我们有必要解决分块优化与异常点校正这两个问题提升图像质量。所提出的分块优化、异常点检测与校正算法是在分块自聚焦算法上。

由于相邻子块内估计的调频率相关(变化不是特别剧烈)，我们利用局部离群因子检测方法通过阈值界定距离远近来判断异常点，并将异常点附近的正常结果插值代替异常值。

在其中一个实施例中，采用局部离群因子算法来检测每个子块中调频率的异常点，包括：计算每一个调频率数据点的一个局部可达密度；局部可达密度的表达式为：

其中，Nk(p)表示点p的第k距离邻域，o为p的第k距离内点的集合，|N

根据局部可达密度，采用局部离群因子计算公式，得到每个调频率数据点的一个离群因子；局部离群因子计算公式为：

其中，LOF

根据离群因子与预设阈值进行判断，将离群程度大的点作为每个子块中调频率的异常点。

具体的，分块选择优化后相邻子块间估计出的调频率误差应该是相关的，当调频率变化剧烈时出现异常。经过后续插值与积分后，该误差会放大并影响补偿效果。我们使用局部离群因子算法来检测异常点，并将该位置处的值用附近正常点插值来代替。该算法的基本思想根据数据点周围的密集情况，首先计算每个数据点的一个局部可达密度，然后通过局部可达密度进一步计算得到每个数据点的一个离群因子。该离群因子表示一个数据点的离群程度，因子值越大表示离群程度越高，否则表示离群程度越低。最后，通过比较因子与设置的阈值来输出离群程度大的点。局部可达密度与局部离群因子的计算公式如式(2)、式(3)所示。

LOF

在其中一个实施例中，步骤106包括：构建分块优化模型的损失函数，损失函数为：

其中，C为正则化系数，H是中间层输出，T是真实值，W是输出权值。

采用岭回归问题求解方式对损失函数进行求解，得到输出权值的估计值为：

其中，W

根据预设训练数据、输出权值的估计值以及分块优化模型，反演指数因子和尺度因子的粗值；将输出权值的估计值、指数因子和尺度因子的粗值代入分块优化模型中，求解熵最小时的最优分块个数和最优分块尺寸。

具体的，分块优化模型的损失函数的构建过程，首先构建L2损失函数，并且为了防止过拟合，引入了L2正则化项后，分块优化模型的损失函数的表达式如式(4)所示。

在其中一个实施例中，根据预设训练数据、输出权值的估计值以及分块优化模型，反演指数因子和尺度因子的粗值，包括：根据预设训练数据、输出权值的估计值以及分块优化模型，采用参数反演公式进行求解，得到指数因子和尺度因子的粗值；参数反演公式为：

其中，|·|表示绝对值，(l

具体的，因为D是已知的，且s不影响分块选择，因此我们可以设置三组不同的n和c带入到Block-MDA补偿程序中得到了输出y

/>

其中|·|表示绝对值.(l

在一个验证性实施例中，为了验证我们提出的方法的有效性，选择Sentinel-1数据进行实验。选择出部分区域进行补零处理，方位与距离向像素为14460和5616,如图3中(a)所示。通过Matérn协方差函数模型生成了GEO SAR扰动对流层并注入选择出的聚焦区域，如图3中(b)所示，其中影响扰动对流层生成的参数中D＝3、s＝2π、l＝3×10

其中，(m,n)表示像素在方位和距离向的位置，R(m,n)表示像素值，R

表1 GEO SAR系统参数

表2衡量图像聚焦性能指标

然后我们通过迭代的方法依次在补偿过程中改变分块个数与尺寸寻找合适的值，当对比度(熵)最大(最小)时停止循环。经过22次迭代后，最优分块选择为30×500(个数与尺寸)，补偿之后的结果如图4中(a)所示，表2列出了衡量图像聚焦性能的指标。为验证模型的准确性，假设我们已知影响扰动对流层的参数，根据模型得到的分块选择为47×550，同样得到了补偿后的图像与指标如图4中(b)与表2。由于极限学习机中的特征映射参数A和b具有随机性，导致每次最优解不同。为此我们根据模型可以很快得到10组解，选择拟合效果最优的三组解带入补偿流程，最终选择性能最好的一组作为最优解。但许多情况下影响扰动对流层的参数是未知的，按照上述分析，可以先反演出l和v的粗值，然后带入到模型中，寻找指标最优时的分块选择。反演出的l和v值为33181和0.8333，与真值较为接近，然后将其带入模型后得到的最优分块选择为40×650。补偿后的图像与指标如图4中(c)与表2。

对比图3与图4可知，受到扰动对流层影响，图像散焦严重，经过分块选择优化补偿处理后，图像聚焦性能提高。从表2中数据看出，所提出的优化算法补偿之后与迭代法性能基本一致，且能根据模型很快得到分块选择的局部较优解而无需迭代。未知参数时补偿后图像还有部分区域散焦，如图4中(c)标记区域，可以利用求出的分块选择作为迭代初始值提升图像质量。经过6次迭代后，图像质量又有所提升且相比于完全迭代计算速度更快，补偿过的图像和指标见图4中(d)和表2。由于MD算法只能补偿二阶相位误差，所以扰动对流层中快变部分不能补偿，与原始图像存在着差异，如图5所示。

可以看出图5中(a)中基本能够拟合相位，而图5中(b)中变化剧烈的部分拟合效果较差，再经过距离向积分后会放大误差，使得补偿后图像聚焦性能较原始图像稍差。为进一步提升图像质量，我们可以对距离向分块选择优化并执行两次完整补偿，补偿图像与指标见图6和表2。

优化后距离向分块为29×300.由图6可以看出在图5中(b)中第一次残余相位基础上进行第二次估计，图像的质量又有轻微地提升。

上述补偿过程中都已经进行了异常点检测与校正，为验证该步骤的必要性，下面给出忽略该步骤的结果。分块选择为40×650。

图7发生了明显的散焦与图4中(c)对比(图中标记区域)，计算出来的对比度与熵为1609.54和5.96.可以看出校正异常点的重要性。需要注意的是LOF算法中要求传入的数据维度至少是2维，除了调频率外，另一维度还需要补充相同长度的序列。

应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图8所示，提供了一种GEO SAR成像扰动对流层误差补偿装置，包括：方位向解压数据确定模块、子带划分模块、分块参数优化模块、子块划分模块、方位向相位估计值确定模块和图像误差补偿模块，其中：

方位向解压数据确定模块，用于对获得的GEO SAR图像进行方位向傅里叶变换、方位向解压、方位向傅里叶逆变换处理后，得到方位向解压缩数据。

子带划分模块，用于对获得的GEO SAR图像沿距离向划分成若干个子带。

分块参数优化模块，用于根据影响扰动对流层参数和熵，构建分块优化模型；采用极限学习机方法对分块优化模型进行求解，得到熵最小时的最优分块个数和最优分块尺寸；分块优化模型如式(1)所示。

子块划分模块，用于根据最优分块个数和最优分块尺寸对子带沿方位向划分为若干子块。

方位向相位估计值确定模块，用于对每一个子带的中每一个子块采用MD算法进行处理，得到调频率误差；对调频率误差进行方位向插值与积分处理，得到扰动对流层方位向相位估计值。

图像误差补偿模块，用于将扰动对流层方位向相位估计值在距离向进行插值，并将插值结果和方位向解压缩数据相乘后进行方位向的傅里叶变换、重聚焦以及傅里叶逆变换，得到高精度的GEO SAR图像。

在其中一个实施例中，分块参数优化模块后还包括异常点检测与校正模块，用于采用局部离群因子算法来检测每个子块中调频率的异常点；将异常点处的值用附近子块的正常点插值来代替。

在其中一个实施例中，异常点检测与校正模块，还用于计算每一个调频率数据点的一个局部可达密度；局部可达密度的表达式如式(2)所示。

根据局部可达密度，采用局部离群因子计算公式，得到每个调频率数据点的一个离群因子；局部离群因子计算公式如式(3)所示。

根据离群因子与预设阈值进行判断，将离群程度大的点作为每个子块中调频率的异常点。

在其中一个实施例中，分块参数优化模块，还用于构建分块优化模型的损失函数，损失函数如式(4)所示。

采用岭回归问题求解方式对损失函数进行求解，得到输出权值的估计值如式(5)所示。

根据预设训练数据、输出权值的估计值以及分块优化模型，反演指数因子和尺度因子的粗值。

将输出权值的估计值、指数因子和尺度因子的粗值代入分块优化模型中，求解熵最小时的最优分块个数和最优分块尺寸。

在其中一个实施例中，分块参数优化模块，还用于根据预设训练数据、输出权值的估计值以及分块优化模型，采用参数反演公式进行求解，得到指数因子和尺度因子的粗值；参数反演公式如式(6)所示。：

关于GEO SAR成像扰动对流层误差补偿装置的具体限定可以参见上文中对于GEOSAR成像扰动对流层误差补偿方法的限定，在此不再赘述。上述GEO SAR成像扰动对流层误差补偿装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

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发明专利范围的限制。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。