图像编辑方法、装置、设备及可读存储介质

技术领域

本申请涉及图像处理技术领域，更具体的说，是涉及一种图像编辑方法、装置、设备及可读存储介质。

背景技术

目前，随着人工智能技术的不断发展，图像编辑在图像补全、内容删除、照片修复等场景得到广泛应用，具有编辑效率高、自动化程度高等优点。基于文本指令的图像编辑应该是一种根据指令对待编辑图像的局部进行编辑，生成与文本指令对应的目标图像的技术，例如，待编辑图像是一个人脸图像，文本指令可以是“加个口罩”，生成的目标图像应该是在待编辑图像中的人脸图像上添加一个口罩。

但是，现有的图像编辑方法，无法保证只对待编辑图像的局部进行编辑，而是对待编辑图像的整体进行编辑，生成的目标图像与待编辑图像的相差较大，无法满足用户需求。例如，待编辑图像是一个人脸图像，文本指令可以是“加个口罩”，采用现有的图像编辑方法，会生成一个新的戴口罩的人脸图像。

因此，如何提供一种图像编辑方法，以实现只对待编辑图像的局部进行编辑，成为本领域技术人员亟待解决的技术问题。

发明内容

鉴于上述问题，本申请提出了一种图像编辑方法、装置、设备及可读存储介质，以实现只对待编辑图像的局部进行编辑。具体方案如下：

一种图像编辑方法，所述方法包括：

获取待编辑的图像和文本指令；

基于所述图像和所述文本指令，确定用于指示所述图像中的待编辑对象和所述文本指令的图像编辑表征，以及，用于指示所述待编辑对象中的待编辑区域的待编辑区域图；

基于所述图像编辑表征以及所述待编辑区域图对所述待编辑的图像的待编辑对象中的待编辑区域进行编辑，得到编辑后的图像。

可选地，所述基于所述图像和所述文本指令，确定用于指示所述图像中的待编辑对象和所述文本指令的图像编辑表征，以及，用于指示所述待编辑对象中的待编辑区域的待编辑区域图，包括：

从所述图像中提取与所述图像中的待编辑对象相关的视觉特征；

调用预配置的大语言模型，将所述文本指令以及所述与所述图像中的待编辑对象相关的视觉特征，输入所述预配置的大语言模型；

获取所述预配置的大语言模型输出的所述用于指示所述图像中的待编辑对象和所述文本指令的图像编辑表征，以及用于指示所述待编辑对象中的待编辑区域的表征；

基于所述用于指示所述待编辑对象中的待编辑区域的表征，生成所述用于指示所述待编辑对象中的待编辑区域的待编辑区域图。

可选地，所述从所述图像中提取与所述图像中的待编辑对象相关的视觉特征，包括：

对所述图像进行编码，得到所述图像的原始视觉特征；

将所述图像的原始视觉特征输入预配置的特征提取模型，所述特征提取模型从所述图像的原始视觉特征中提取与所述图像中的待编辑对象相关的原始视觉特征，所述预配置的特征提取模型是基于训练用图像以及训练用图像中的待编辑对象的文本描述训练得到的；

对所述与所述图像中的待编辑对象相关的原始视觉特征进行线性映射，得到所述与所述图像中的待编辑对象相关的视觉特征。

可选地，所述特征提取模型为Q-Former类型的模型。

可选地，所述基于所述用于指示所述待编辑对象中的待编辑区域的表征，生成所述用于指示所述待编辑对象中的待编辑区域的待编辑区域图，包括：

将所述用于指示所述待编辑对象中的待编辑区域的表征输入预配置的待编辑区域图生成模型，所述待编辑区域图生成模型对所述用于指示所述待编辑对象中的待编辑区域的表征进行解码，生成所述用于指示所述待编辑对象中的待编辑区域的待编辑区域图；

所述待编辑区域图生成模型是以训练用图像的用于指示待编辑对象中的待编辑区域的表征，以及，与所述训练用图像的用于指示待编辑对象中的待编辑区域的表征对应的训练用待编辑区域图为训练样本，以所述待编辑区域图生成模型的输出趋近于所述训练用待编辑区域图为训练目标训练得到的。

可选地，所述基于所述图像编辑表征以及所述待编辑区域图对所述待编辑的图像的待编辑对象中的待编辑区域进行编辑，得到编辑后的图像，包括：

将所述待编辑的图像、所述图像编辑表征以及所述待编辑区域图，输入预配置的文图生成模型，所述文图生成模型对所述待编辑的图像的待编辑对象中的待编辑区域进行编辑，输出编辑后的图像；

所述文图生成模型是基于训练用图像，所述训练用图像对应的训练用图像编辑表征、所述训练用图像对应的训练用待编辑区域图以及所述训练用图像对应的训练用编辑后的图像为训练样本，以所述文图生成模型的输出趋近于所述训练用图像对应的训练用编辑后的图像为训练目标训练得到的。

可选地，所述文图生成模型为生成对抗网络模型、自回归模型、扩散模型中的任意一种类型的模型。

一种图像编辑装置，所述装置包括：

获取单元，用于获取待编辑的图像和文本指令；

确定单元，用于基于所述图像和所述文本指令，确定用于指示所述图像中的待编辑对象和所述文本指令的图像编辑表征，以及，用于指示所述待编辑对象中的待编辑区域的待编辑区域图；

编辑单元，用于基于所述图像编辑表征以及所述待编辑区域图对所述待编辑的图像的待编辑对象中的待编辑区域进行编辑，得到编辑后的图像。

可选地，所述确定单元，包括：

特征提取单元，用于从所述图像中提取与所述图像中的待编辑对象相关的视觉特征；

大语言模型调用单元，用于调用预配置的大语言模型，将所述文本指令以及所述与所述图像中的待编辑对象相关的视觉特征，输入所述预配置的大语言模型；

大语言模型输出结果获取单元，用于获取所述预配置的大语言模型输出的所述用于指示所述图像中的待编辑对象和所述文本指令的图像编辑表征，以及用于指示所述待编辑对象中的待编辑区域的表征；

待编辑区域图生成单元，用于基于所述用于指示所述待编辑对象中的待编辑区域的表征，生成所述用于指示所述待编辑对象中的待编辑区域的待编辑区域图。

可选地，所述特征提取单元，包括：

编码单元，用于对所述图像进行编码，得到所述图像的原始视觉特征；

特征提取模型处理单元，用于将所述图像的原始视觉特征输入预配置的特征提取模型，所述特征提取模型从所述图像的原始视觉特征中提取与所述图像中的待编辑对象相关的原始视觉特征，所述预配置的特征提取模型是基于训练用图像以及训练用图像中的待编辑对象的文本描述训练得到的；

线性映射单元，用于对所述与所述图像中的待编辑对象相关的原始视觉特征进行线性映射，得到所述与所述图像中的待编辑对象相关的视觉特征。

可选地，所述特征提取模型为Q-Former类型的模型。

可选地，所述待编辑区域图生成单元，具体用于：

将所述用于指示所述待编辑对象中的待编辑区域的表征输入预配置的待编辑区域图生成模型，所述待编辑区域图生成模型对所述用于指示所述待编辑对象中的待编辑区域的表征进行解码，生成所述用于指示所述待编辑对象中的待编辑区域的待编辑区域图；

所述待编辑区域图生成模型是以训练用图像的用于指示待编辑对象中的待编辑区域的表征，以及，与所述训练用图像的用于指示待编辑对象中的待编辑区域的表征对应的训练用待编辑区域图为训练样本，以所述待编辑区域图生成模型的输出趋近于所述训练用待编辑区域图为训练目标训练得到的。

可选地，所述编辑单元，具体用于：

将所述待编辑的图像、所述图像编辑表征以及所述待编辑区域图，输入预配置的文图生成模型，所述文图生成模型对所述待编辑的图像的待编辑对象中的待编辑区域进行编辑，输出编辑后的图像；

所述文图生成模型是基于训练用图像，所述训练用图像对应的训练用图像编辑表征、所述训练用图像对应的训练用待编辑区域图以及所述训练用图像对应的训练用编辑后的图像为训练样本，以所述文图生成模型的输出趋近于所述训练用图像对应的训练用编辑后的图像为训练目标训练得到的。

可选地，所述文图生成模型为生成对抗网络模型、自回归模型、扩散模型中的任意一种类型的模型。

一种图像编辑设备，包括存储器和处理器；

所述存储器，用于存储程序；

所述处理器，用于执行所述程序，实现如上所述的图像编辑方法的各个步骤。

一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上所述的图像编辑方法的各个步骤。

借由上述技术方案，本申请公开了一种图像编辑方法、装置、设备及可读存储介质，获取待编辑的图像和文本指令之后，先基于图像和文本指令，确定用于指示图像中的待编辑对象和文本指令的图像编辑表征，以及，用于指示待编辑对象中的待编辑区域的待编辑区域图；再基于图像编辑表征以及待编辑区域图对待编辑的图像的待编辑对象中的待编辑区域进行编辑，得到编辑后的图像。基于本方案，能够实现只对待编辑的图像中的局部进行编辑。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本申请实施例公开的一种图像编辑方法的流程示意图；

图2为本申请实施例公开的一种图像编辑模型的结构示意图；

图3为本发明实施例公开的一种确定图像编辑表征，以及，待编辑区域图的方法的流程示意图；

图4为本申请实施例公开的一种图像编辑装置结构示意图；

图5为本申请实施例提供的一种图像编辑设备的硬件结构框图。

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做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。

接下来，通过下述实施例对本申请提供的图像编辑方法进行介绍。

参照图1，图1为本申请实施例公开的一种图像编辑方法的流程示意图，该方法可以包括：

步骤S101：获取待编辑的图像和文本指令。

在本申请中，待编辑的图像可以为任意图像，文本指令为给定的文本内容，一般可以由用户输入，用于描述对图像的编辑需求，示例如“加个口罩”。这里，用户输入的可以是文本或者语音，若属于语音，则可以首先通过语音识别技术转写为文本，从而得到文本指令。对此，本申请不进行任何限定。

步骤S102：基于所述图像和所述文本指令，确定用于指示所述图像中的待编辑对象和所述文本指令的图像编辑表征，以及，用于指示所述待编辑对象中的待编辑区域的待编辑区域图。

在本申请中，图像中往往包括多个对象，待编辑对象则为图像中各个对象中的一个或多个对象，待编辑对象包括多个区域，待编辑区域则为待编辑对象中各个区域中的一个或多个。示例如，待编辑的图像中包括大树、天空、一个金色头发微笑的女士，金色头发微笑的女士包括头发、眼睛、嘴巴、鼻子、手部、身体，编辑指令为“加个口罩”，则待编辑对象可以是图像中的金色头发微笑的女士，待编辑区域可以是其嘴巴和鼻子对应的区域。

步骤S103：基于所述图像编辑表征以及所述待编辑区域图对所述待编辑的图像的待编辑对象中的待编辑区域进行编辑，得到编辑后的图像。

示例如，待编辑的图像中包括大树、天空、一个金色头发微笑的女士，金色头发微笑的女士包括头发、眼睛、嘴巴、鼻子、手部、身体，编辑指令为“加个口罩”，则待编辑对象可以是图像中的金色头发微笑的女士，待编辑区域可以是其嘴巴和鼻子对应的区域，则只对嘴巴和鼻子对应的区域进行编辑，得到编辑后的图像。

需要说明的是，在本申请中，可以利用神经网络模型实现步骤S102和步骤S103，具体实现方式将通过后面的实施例详细说明。

本实施例公开了一种图像编辑方法，获取待编辑的图像和文本指令之后，先基于所述图像和所述文本指令，确定用于指示所述图像中的待编辑对象和所述文本指令的图像编辑表征，以及，用于指示所述待编辑对象中的待编辑区域的待编辑区域图；再基于所述图像编辑表征以及所述待编辑区域图对所述待编辑的图像的待编辑对象中的待编辑区域进行编辑，得到编辑后的图像。基于本方案，能够实现只对待编辑的图像中的局部进行编辑。

上述实施例中提到，在本申请中，可以利用神经网络模型实现步骤S102和步骤S103，则在本申请中，可以预先配置一个图像编辑模型。

参照图2，图2为本申请实施例公开的一种图像编辑模型的结构示意图。如图2所示，该图像编辑模型包括图像编码模块、特征提取模型、线性映射模块、大语言模型(即图2所示的LLM)、待编辑区域图生成模型以及文图生成模型。其中，图像编码模块可以为编码器(即图2所示的Image Encoder)结构，特征提取模型可以为Q-Former类型的模型，线性映射模块可以为全连接层(即，图2所示的Fully Connected)的结构，待编辑区域图生成模型可以为解码器结构，所述文图生成模型为生成对抗网络模型、自回归模型、扩散模型中的任意一种类型的模型。考虑到扩散模型的效果要优于前两种模型，因此本实施例中可以采用扩散模型作为文图生成模型。

接下来，对图像编辑模型的训练方式进行详细说明。

在本申请中，图像编码模块可以采用现有成熟的编码器结构，大语言模型可以采用现有的成熟大语言模型，比如，ChatGPT模型、PaLM(Pathways Language Model)模型、盘古大模型、星火认知大模型等，线性映射模块可以采用现有成熟的全连接层，则，在本申请中需要分别对特征提取模型、待编辑区域图生成模型以及文图生成模型进行训练，具体如下：

特征提取模型的训练方式具体为：

获取训练用图像以及训练用图像中的待编辑对象的文本描述；基于训练用图像以及训练用图像中的待编辑对象的文本描述进行训练。训练用图像中的待编辑对象的文本描述指的是描述训练用图像中的待编辑对象的文本，示例如，训练用图像为图2所示的待编辑的图像，其对应的待编辑对象的文本描述可以为“一个金色头发微笑的女士”。需要说明的是，具体训练方式可以参照现有的Q-Former类型的模型的训练方式，本实施例不再展开描述。

待编辑区域图生成模型的训练方式具体为：

获取训练用图像的用于指示待编辑对象中的待编辑区域的表征，以及，与所述训练用图像的用于指示待编辑对象中的待编辑区域的表征对应的训练用待编辑区域图；以训练用图像的用于指示待编辑对象中的待编辑区域的表征，以及，与所述训练用图像的用于指示待编辑对象中的待编辑区域的表征对应的训练用待编辑区域图为训练样本，以所述待编辑区域图生成模型的输出趋近于所述训练用待编辑区域图为训练目标进行训练。

需要说明的是，训练用图像的用于指示待编辑对象中的待编辑区域的表征可以是将训练用图像输入图像编码模块，并经过训练好的特征提取模型和线性映射模块处理后得到，训练用图像的用于指示待编辑对象中的待编辑区域的表征对应的训练用待编辑区域图可以采用prompt-to-prompt的方式得到，具体的，可以将训练用图像和文本描述输入现有的文图编辑模型，取文图编辑模型输出的合适的图像为编辑后的图像，生成该编辑后的图像过程中对应文本指令中特定词语的待编辑区域图为待编辑区域图标签。示例如，训练用图像为图2所示的待编辑的图像，则其文本描述可以为“一个金色头发微笑的戴口罩的女士”。损失函数可以是L2损失。

文图生成模型的训练方式如下：

获取训练用图像，所述训练用图像对应的训练用图像编辑表征、所述训练用图像对应的训练用待编辑区域图以及所述训练用图像对应的训练用编辑后的图像；基于训练用图像，所述训练用图像对应的训练用图像编辑表征、所述训练用图像对应的训练用待编辑区域图以及所述训练用图像对应的训练用编辑后的图像为训练样本，以所述文图生成模型的输出趋近于所述训练用图像对应的训练用编辑后的图像为训练目标进行训练。

需要说明的是，所述训练用图像对应的训练用图像编辑表征、所述训练用图像对应的训练用待编辑区域图可以是将训练用图像输入图像编码模块，并经过训练好的特征提取模型、线性映射模块、大语言模型、待编辑区域图生成模型处理得到。所述训练用图像对应的训练用编辑后的图像可以采用prompt-to-prompt的方式得到，具体的，可以将训练用图像和文本描述输入现有的文图编辑模型，取文图编辑模型输出的合适的图像为编辑后的图像，示例如，训练用图像为图2所示的待编辑的图像，则其文本描述可以为“一个金色头发微笑的戴口罩的女士”。损失函数可以是L2损失。

基于以上图像编辑模型，在本申请的另一个实施例中，对步骤S102基于所述图像和所述文本指令，确定用于指示所述图像中的待编辑对象和所述文本指令的图像编辑表征，以及，用于指示所述待编辑对象中的待编辑区域的待编辑区域图的具体实现方式进行说明。

如图3所示，图3为本发明实施例公开的一种确定图像编辑表征，以及，待编辑区域图的方法的流程示意图，该方法可以包括如下步骤：

步骤S201：从所述图像中提取与所述图像中的待编辑对象相关的视觉特征。

作为一种可实施方式，所述从所述图像中提取与所述图像中的待编辑对象相关的视觉特征，包括：对所述图像进行编码，得到所述图像的原始视觉特征；将所述图像的原始视觉特征输入特征提取模型，所述特征提取模型从所述图像的原始视觉特征中提取与所述图像中的待编辑对象相关的原始视觉特征；对所述与所述图像中的待编辑对象相关的原始视觉特征进行线性映射，得到所述与所述图像中的待编辑对象相关的视觉特征。

步骤S202：调用预配置的大语言模型，将所述文本指令以及所述与所述图像中的待编辑对象相关的视觉特征，输入所述预配置的大语言模型。

步骤S203：获取所述预配置的大语言模型输出的所述用于指示所述图像中的待编辑对象和所述文本指令的图像编辑表征，以及用于指示所述待编辑对象中的待编辑区域的表征。

步骤S204：基于所述用于指示所述待编辑对象中的待编辑区域的表征，生成所述用于指示所述待编辑对象中的待编辑区域的待编辑区域图。

作为一种可实施方式，所述基于所述用于指示所述待编辑对象中的待编辑区域的表征，生成所述用于指示所述待编辑对象中的待编辑区域的待编辑区域图，包括：将所述用于指示所述待编辑对象中的待编辑区域的表征输入预配置的待编辑区域图生成模型，所述待编辑区域图生成模型对所述用于指示所述待编辑对象中的待编辑区域的表征进行解码，生成所述用于指示所述待编辑对象中的待编辑区域的待编辑区域图。

在本申请的另一个实施例中，对步骤S103基于所述图像编辑表征以及所述待编辑区域图对所述待编辑的图像的待编辑对象中的待编辑区域进行编辑，得到编辑后的图像的具体实现方式进行说明，该方式可以包括：

将所述待编辑的图像、所述图像编辑表征以及所述待编辑区域图，输入预配置的文图生成模型，所述文图生成模型对所述待编辑的图像的待编辑对象中的待编辑区域进行编辑，输出编辑后的图像。

下面对本申请实施例公开的图像编辑装置进行描述，下文描述的图像编辑装置与上文描述的图像编辑方法可相互对应参照。

参照图4，图4为本申请实施例公开的一种图像编辑装置结构示意图。如图4所示，该图像编辑装置可以包括：

获取单元11，用于获取待编辑的图像和文本指令；

确定单元12，用于基于所述图像和所述文本指令，确定用于指示所述图像中的待编辑对象和所述文本指令的图像编辑表征，以及，用于指示所述待编辑对象中的待编辑区域的待编辑区域图；

编辑单元13，用于基于所述图像编辑表征以及所述待编辑区域图对所述待编辑的图像的待编辑对象中的待编辑区域进行编辑，得到编辑后的图像。

作为一种可实施方式，所述确定单元，包括：

特征提取单元，用于从所述图像中提取与所述图像中的待编辑对象相关的视觉特征；

大语言模型调用单元，用于调用预配置的大语言模型，将所述文本指令以及所述与所述图像中的待编辑对象相关的视觉特征，输入所述预配置的大语言模型；

大语言模型输出结果获取单元，用于获取所述预配置的大语言模型输出的所述用于指示所述图像中的待编辑对象和所述文本指令的图像编辑表征，以及用于指示所述待编辑对象中的待编辑区域的表征；

待编辑区域图生成单元，用于基于所述用于指示所述待编辑对象中的待编辑区域的表征，生成所述用于指示所述待编辑对象中的待编辑区域的待编辑区域图。

作为一种可实施方式，所述特征提取单元，包括：

编码单元，用于对所述图像进行编码，得到所述图像的原始视觉特征；

特征提取模型处理单元，用于将所述图像的原始视觉特征输入预配置的特征提取模型，所述特征提取模型从所述图像的原始视觉特征中提取与所述图像中的待编辑对象相关的原始视觉特征，所述预配置的特征提取模型是基于训练用图像以及训练用图像中的待编辑对象的文本描述训练得到的；

线性映射单元，用于对所述与所述图像中的待编辑对象相关的原始视觉特征进行线性映射，得到所述与所述图像中的待编辑对象相关的视觉特征。

作为一种可实施方式，所述特征提取模型为Q-Former类型的模型。

作为一种可实施方式，所述待编辑区域图生成单元，具体用于：

将所述用于指示所述待编辑对象中的待编辑区域的表征输入预配置的待编辑区域图生成模型，所述待编辑区域图生成模型对所述用于指示所述待编辑对象中的待编辑区域的表征进行解码，生成所述用于指示所述待编辑对象中的待编辑区域的待编辑区域图；

所述待编辑区域图生成模型是以训练用图像的用于指示待编辑对象中的待编辑区域的表征，以及，与所述训练用图像的用于指示待编辑对象中的待编辑区域的表征对应的训练用待编辑区域图为训练样本，以所述待编辑区域图生成模型的输出趋近于所述训练用待编辑区域图为训练目标训练得到的。

作为一种可实施方式，所述编辑单元，具体用于：

将所述待编辑的图像、所述图像编辑表征以及所述待编辑区域图，输入预配置的文图生成模型，所述文图生成模型对所述待编辑的图像的待编辑对象中的待编辑区域进行编辑，输出编辑后的图像；

所述文图生成模型是基于训练用图像，所述训练用图像对应的训练用图像编辑表征、所述训练用图像对应的训练用待编辑区域图以及所述训练用图像对应的训练用编辑后的图像为训练样本，以所述文图生成模型的输出趋近于所述训练用图像对应的训练用编辑后的图像为训练目标训练得到的。

作为一种可实施方式，所述文图生成模型为生成对抗网络模型、自回归模型、扩散模型中的任意一种类型的模型。

参照图5，图5为本申请实施例提供的一种图像编辑设备的硬件结构框图，参照图5，图像编辑设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；

在本申请实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；

处理器1可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；

存储器3可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)等，例如至少一个磁盘存储器；

其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：

获取待编辑的图像和文本指令；

基于所述图像和所述文本指令，确定用于指示所述图像中的待编辑对象和所述文本指令的图像编辑表征，以及，用于指示所述待编辑对象中的待编辑区域的待编辑区域图；

基于所述图像编辑表征以及所述待编辑区域图对所述待编辑的图像的待编辑对象中的待编辑区域进行编辑，得到编辑后的图像。

可选的，所述程序的细化功能和扩展功能可参照上文描述。

本申请实施例还提供一种可读存储介质，该可读存储介质可存储有适于处理器执行的程序，所述程序用于：

获取待编辑的图像和文本指令；

基于所述图像和所述文本指令，确定用于指示所述图像中的待编辑对象和所述文本指令的图像编辑表征，以及，用于指示所述待编辑对象中的待编辑区域的待编辑区域图；

基于所述图像编辑表征以及所述待编辑区域图对所述待编辑的图像的待编辑对象中的待编辑区域进行编辑，得到编辑后的图像。

可选的，所述程序的细化功能和扩展功能可参照上文描述。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。