样本数据获取方法、图像分割方法、装置、设备和介质

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种样本数据获取方法、图像分割方法、装置、设备和介质。

背景技术

近年来，深度学习技术在图像分割领域得到了广泛的关注。相对于传统图像分割方法，基于深度学习技术的图像分割精准度有了极大提升，因此，在安防、交通、医学等很多领域得以广泛应用。

一般来说，基于深度学习技术的图像分割方法的大致流程为：首先，通过人工分割的方法构建训练集、验证集和测试集；其次，构建不同的神经网络结构；随后，使用预先构建的训练集训练所述神经网络结构，以对所述神经网络结构的参数进行迭代优化，获得模型，并用验证集数据对所述模型进行验证，以防止模型参数过拟合；最后，利用测试集数据对模型的整体性能进行评估。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

现有的基于深度学习技术的图像分割方法为了获得较好的分割结果，一般需要大量的精细标注的样本图像，数据量大，标注工作量大，对标注者的要求高(例如在医学图像分割中，一般需要标注者有足够的医学知识理解图像)。同时，由于图像分割目的的不同，对标注的精细程度要求也不一样，不同精细程度的标注数据和用这些数据训练出来的不同模型无法在同一类分割应用中复用。

发明内容

本发明实施例提供了一种样本数据获取方法、图像分割方法、装置、设备和介质，提高了样本数据获取速度，降低了人工标注工作量。

第一方面，本发明实施例提供了一种样本数据获取方法，包括：

将原始图像输入至图像粗分割模型，获得所述原始图像的粗分割图像；

根据分割精度，对所述粗分割图像进行精细标注，获得细分割图像；

将所述细分割图像确定为与所述分割精度对应的样本数据。

第二方面，本发明实施例还提供了一种样本数据获取装置，包括：

根据图像分割精度确定目标分割模型；

将待分割图像输入至所述目标分割模型，获得分割结果；

其中，所述目标分割模型的样本数据基于本发明任意实施例所提供的样本数据获取方法获得。

第三方面，本发明实施例还提供了一种样本数据获取装置，包括：

输入模块，用于将原始图像输入至图像粗分割模型，获得所述原始图像的粗分割图像；

标注模块，用于根据分割精度，对所述粗分割图像进行精细标注，获得细分割图像；

第一确定模块，用于将所述细分割图像确定为与所述分割精度对应的样本数据。

第四方面，本发明实施例还提供了一种图像分割装置，包括：

第二确定模块，用于根据图像分割精度确定目标分割模型；

分割模块，用于将待分割图像输入至所述目标分割模型，获得分割结果；

其中，所述目标分割模型的样本数据基于本发明任意实施例所提供的方法获得。

第五方面，本发明实施例还提供了一种电子设备，所述电子设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例所提供的样本数据获取方法步骤。

第六方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的样本数据获取方法步骤。

上述发明中的实施例具有如下优点或有益效果：

本发明实施例通过将原始图像输入至图像粗分割模型，获得所述原始图像的粗分割图像，根据分割精度，对所述粗分割图像进行精细标注，获得细分割图像，将所述细分割图像确定为与所述分割精度对应的样本数据，提高了样本数据获取速度，降低了人工标注工作量。

附图说明

图1是本发明实施例一提供的一种样本数据获取方法的流程图；

图2(a)是本发明实施例一提供的一种原始图像的示意图；

图2(b)是本发明实施例一提供的一种样本数据的示意图；

图2(c)是本发明实施例一提供的另一种样本数据的示意图；

图2(d)是本发明实施例一提供的另一种样本数据的示意图；

图3是本发明实施例一提供的另一种样本数据获取方法的流程图；

图4是本发明实施例二提供的一种样本数据获取装置的结构示意图；

图5是本发明实施例三所涉及的一种图像分割方法的流程图；

图6是本发明实施例四提供的一种图像分割装置的结构示意图；

图7是本发明实施例五提供的一种电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种样本数据获取方法的流程图，本实施例可适用获取不同精度对应的样本数据的情况。该方法可以由样本数据获取装置来执行，该装置可以由软件和/或硬件的方式来实现。该方法具体包括以下步骤：

S110、将原始图像输入至图像粗分割模型，获得所述原始图像的粗分割图像。

通常的，基于深度学习的图像分割方法是一次性获得大量精细标注的图像，然后对构建的神经网络模型进行训练，最终得到图像分割模型，该图像分割模型用于进行图像分割。该种方法由于样本数量多、标注精度高，因此人工标注工作量较大，效率较低，而且所获得的图像分割模型通常仅适用于一种分割场景，无法在多种分割场景中通用。为了减少用户图像标注的工作量，可选的，获取少量的原始图像进行粗标注，并将粗标注后的图像作为训练样本数据，并训练得到最终的图像粗分割模型，而后利用该图像粗分割模型对新的原始图像进行粗分割，获得粗分割结果，在该粗分割结果的基础上进一步通过人工根据分割精度继续进行精细标注，从而达到降低人工标注工作量的目的，而且所述图像粗分割模型可适用于多种分割场景，例如所述图像粗分割模型用于分割冠状动脉一级大血管，则该图像粗分割模型不仅可以应用于冠状动脉二级分叉血管的分割场景，还可以应用于冠状动脉三级分叉血管、四级分叉血管等更精细血管的分割场景。可选的，可以是将获取到的原始图像，采用人工标注的方式进行粗标注，获得粗标注图像。粗标注图像的标注精度根据最终想要获得的图像粗分割模型的精度要求确定。具体的，粗标注的标注精度可以是标注出原始图像中目标物体的大概结构或者大概轮廓。以冠脉造影图像中冠状动脉血管分割为例，如图2(a)为未标注的原始图像，图2(b)为一种标注图像，具体是标注出冠状动脉一级大血管的图像，即标注出较大分支血管的粗标注图像，图2(c)为比图2(b)所示图像的标注精度较高的另一种标注图像，图2(d)为比图2(c)所示图像的标注精度更高的一种标注图像。

具体的，所述图像粗分割模型可以是卷积神经网络模型，也可以是其他神经网络模型，本实施例不加以限制。将粗标注图像作为训练数据，基于该训练数据对预先构建的神经网络模型进行训练，获得满足精度要求的图像粗分割模型。可选的，神经网络模型包括但不限于U-net(U型网络)、U2-net(第二U型网络)和Bas-net(基础型网络)等。可选的，获取第一数量的粗标注图像和第二数量的原始图像分别作为粗标注样本图像和非标注样本图像。具体的，第一数量可以是粗标注图像的全部数量，也可以是部分数量；第二数量可以是与第一数量一致的数量，也可以是少于第一数量的数量，本实施例对具体的数量不加以限制。具体的，分别对粗标注图像和非标注图像设置标签，例如用1表示粗标注图像，用0表示非标注图像。相应的，图像粗分割模型的训练过程可以是分别将粗标注图像或非标注图像输入至待训练的图像粗分割模型中，得到对非标注图像的图像粗分割结果，当该图像粗分割结果与输入的粗标注图像的标签不同时，通过损失函数确定图像粗分割结果与输入的粗标注图像之间的差值，进而根据该差值对待训练的图像粗分割模型中的网络参数进行调节，循环上述训练过程，直到满足迭代训练次数，或者满足训练精度确定图像粗分割模型训练完成，得到具有对图像进行粗分割功能的图像粗分割模型。可选的，将原始图像作为输入图像输入至图像粗分割模型中，获得输出结果为原始图像对应的粗分割图像。

S120、根据分割精度，对所述粗分割图像进行精细标注，获得细分割图像。

其中，在图像粗分割模型输出的粗分割图像的基础上，采用人工修正的方式根据分割精度对获得的粗分割图像进行更加精细的标注，得到细标注图像。示例性的，同样以冠脉造影图像中冠状动脉血管分割为例，当获得图2(b)所示的粗分割图像(即冠状动脉一级大血管的分割结果)后，在该粗分割图像的基础上通过人工标注的方式进一步进行精细标注，得到如图2(c)所示的包含冠状动脉二级分叉血管的细分割图像。

可选的，还可以将所述细分割图像作为样本数据，对第二设定卷积神经网络结构进行训练，获得图像细分割模型；所述图像细分割模型用于基于待分割图像获得细分割图像。每个分割精度下都可以预先训练获得对应的图像细分割模型，根据不同应用场景对图像分割精度的要求，选择不同精度的图像细分割模型。

如图3所示，具体的，根据应用场景对图像分割模型的分割精度需求，获取对应精度下的标注图像，并将该标注图像作为训练数据获得对应的图像粗分割模型，在特定场景下进行应用。进一步的，以图像粗分割模型输出的粗分割图像为基础，辅助人工标注，根据更加精细的分割精度对粗分割图像进行精细标注，获得细分割图像，以该细分割图像为训练数据获得图像细分割模型，在合适的场景下进行应用。通过采用由粗到精的分步标注、训练策略，极大地降低了图像分割样本的标注工作量，提高了标注效率，同时基于不同精度的样本数据训练得到的图像分割模型可以在不同的应用场景中得以复用。例如图2(c)对应的图像分割模型可以得到冠状动脉较大分支的血管，可用于PCI手术(PercutaneousCoronary Intervention，经皮冠状动脉介入治疗)中的导管路径规划、支架放置规划等场景；图2(d)对应的图像分割模型可用于冠状动脉血流灌注评估场景。

S130、将所述细分割图像确定为与所述分割精度对应的样本数据。

在一些实施例中，根据图像分割模型的应用场景不同，对图像分割的分割精度需求也不同，当分割精度要求更加精细时，在图像细分割模型输出的细分割图像的基础上，采用人工修正的方式根据分割精度对获得的细分割图像进行更加精细的标注，获得更加精细的精细标注图像。同样以冠脉造影图像中冠状动脉血管分割为例，当获得图2(c)细分割后的图像，获取分割后的图像轮廓，并该分割后的图像的基础上辅助人工标注，对该图像轮廓进行更加精细精度的修正标注，得到如图2(d)所示的冠状动脉血管的精细标注图像。将精细标注图像数据作为训练数据训练图像精细分割模型，当满足训练精度确定图像精细分割模型训练完成，得到具有对图像进行精细分割功能的精细分割模型。可选的，图像精细分割模型可以用于对冠状动脉血流灌注评估等应用。在本发明实施例中，采用细分割模型获得细分割图像，在细分割图像的基础上辅助人工标注，获得更加精细模型对应的样本数据，极大地降低了图像分割样本的标注工作量，提高了标注效率。在细分割模型的基础上，获取更加精细模型的训练数据，并训练得到更加精细的图像细分割模型，使基于不同精度的样本数据训练得到的图像分割模型可以在不同的应用场景中得以复用。

在本发明实施例中，为了获取不同分割精度的图像分割模型，需要获取不同分割精度对应的样本数据，作为各图像分割模型的训练数据进行模型的训练。可选的，当获取图像粗分割模型时，确定粗标注图像为该分割精度对应的样本数据，并作为图像粗分割模型的训练数据进行图像粗分割模型的训练；当获取图像细分割模型时，利用图像粗分割模型对新的原始图像进行粗分割，获得粗分割结果，在该粗分割结果的基础上进一步通过人工根据分割精度继续进行精细标注，确定细标注图像为该分割精度对应的样本数据，并作为图像细分割模型的训练数据进行模型的训练；当获取图像精细分割模型时，利用图像细分割模型对新的原始图像进行细分割，获得细分割结果，在该细分割结果的基础上进一步通过人工根据分割精度继续进行精细标注，确定精细标记图像为该分割精度对应的样本数据，并作为图像精细分割模型的训练数据进行模型的训练。

本实施例的技术方案，通过将原始图像输入至图像粗分割模型，获得所述原始图像的粗分割图像，根据分割精度，对所述粗分割图像进行精细标注，获得细分割图像，将所述细分割图像确定为与所述分割精度对应的样本数据，提高了样本数据获取速度，降低了人工标注工作量。

以下是本发明实施例提供的样本数据获取装置的实施例，该装置与上述各实施例的样本数据获取方法属于同一个发明构思，在样本数据获取装置的实施例中未详尽描述的细节内容，可以参考上述样本数据获取方法的实施例。

实施例二

图4为本发明实施例二提供的一种样本数据获取装置的结构示意图，本实施例可适用获取不同精度对应的样本数据的情况，该装置具体包括：输入模块210、标注模块220和第一确定模块230。其中，

所述输入模块210，用于将原始图像输入至图像粗分割模型，获得所述原始图像的粗分割图像。

所述标注模块220，用于根据分割精度，对所述粗分割图像进行精细标注，获得细分割图像。

所述第一确定模块230，用于将所述细分割图像确定为与所述分割精度对应的样本数据。

可选的，所述装置还包括第一模型确定模块，其中，

所述第一模型确定模块用于利用粗标注图像对第一设定卷积神经网络结构进行训练，获得所述图像粗分割模型。

可选的，所述粗标注图像的标注精度根据所述图像粗分割模型的精度要求确定。

可选的没所述装置还第二模型确定模块，其中，

利用所述样本数据对第二设定卷积神经网络结构进行训练，获得图像细分割模型。

可选的，所述图像细分割模型用于基于待分割图像获得细分割图像。

可选的，所述粗分割图像包括：冠状动脉一级大血管的分割图像，所述细分割图像包括冠状动脉二级分叉血管。

本发明实施例所提供的样本数据获取装置可执行本发明任意实施例所提供的样本数据获取方法，具备执行样本数据获取方法相应的功能模块和有益效果。

本实施例的技术方案，通过将原始图像输入至图像粗分割模型，获得所述原始图像的粗分割图像，根据分割精度，对所述粗分割图像进行精细标注，获得细分割图像，将所述细分割图像确定为与所述分割精度对应的样本数据，提高了样本数据获取速度，降低了人工标注工作量。

实施例三

图5为本发明实施例三提供的一种图像分割方法的流程图，本实施例可适用于对不同精度要求场景进行的图像进行分割的情况。该方法可以由图像分割装置来执行，该装置可以由软件和/或硬件的方式来实现，该方法具体包括以下步骤：

S310、根据图像分割精度确定目标分割模型。

S320、将待分割图像输入至所述目标分割模型，获得分割结果。

在本发明实施例中，可选的，可以根据图像分割模型的应用场景确定图像的分割精度，并根据图像分割精度确定目标分割模型。可选的，以冠脉造影图像中冠状动脉血管分割为例，当图像分割模型应用于PCI手术中导管路径规划、支架放置规划等场景时，需要获取图像的包含冠状动脉二级分叉血管的较细的细标注图像。将获取到的细标注图像与原始图像作为当前场景下的图像分割模型的训练数据，并对该图像分割模型进行训练，确定最终的基于细标注图像的图像细分割模型，并将在合适的场景下进行应用；可选的，将原始图像作为输入图像输入至图像细分割模型中，获得输出结果为原始图像对应的细分割图像。

可选的，当图像分割模型应用于对冠状动脉血流灌注评估的场景时，利用该图像细分割模型对新的原始图像进行细分割，获得细分割结果，在该细分割结果的基础上进一步通过人工根据分割精度继续进行精细标注，获取图像的冠状动脉血管的精细标注图像，从而达到降低人工标注工作量的目的。将获取到的精细标注图像与原始图像作为当前场景下的图像分割模型的训练数据，并对该图像分割模型进行训练，确定最终的基于精细标注图像的图像精细分割模型。可选的，将原始图像作为输入图像输入至图像精细分割模型中，获得输出结果为原始图像对应的精细分割图像。

本实施例的技术方案，通过将原始图像输入至图像粗分割模型，获得所述原始图像的粗分割图像，根据分割精度，对所述粗分割图像进行精细标注，获得细分割图像，将所述细分割图像确定为与所述分割精度对应的样本数据，并根据样本数据对应的分割精度确定目标分割模型。将待分割图像输入至所述目标分割模型，获得分割结果。提高了样本数据获取速度，降低了人工标注工作量，并且使不同精度的分割模型可根据应用场景不同得以复用。

以下是本发明实施例提供的样本数据获取装置的实施例，该装置与上述各实施例的图像分割方法属于同一个发明构思，在图像分割装置的实施例中未详尽描述的细节内容，可以参考上述样本数据获取方法的实施例。

实施例四

图6为本发明实施例四提供的一种样本数据获取装置的结构示意图，本实施例可适用于对不同精度要求场景进行的图像进行分割，该装置具体包括：第二确定模块，410、分割模块420。具体的，

第二确定模块410，用于根据图像分割精度确定目标分割模型。

分割模块420，用于将待分割图像输入至所述目标分割模型，获得分割结果。

可选的，所述目标分割模型的样本数据基于本发明任意实施例所提供的图像分割方法获得。

本发明实施例所提供的图像分割装置可执行本发明任意实施例所提供的图像分割方法，具备执行图像分割方法相应的功能模块和有益效果。

本实施例的技术方案，通过将原始图像输入至图像粗分割模型，获得所述原始图像的粗分割图像，根据分割精度，对所述粗分割图像进行精细标注，获得细分割图像，将所述细分割图像确定为与所述分割精度对应的样本数据，并根据样本数据对应的分割精度确定目标分割模型。将待分割图像输入至所述目标分割模型，获得分割结果。提高了样本数据获取速度，降低了人工标注工作量，并且使不同精度的分割模型可根据应用场景不同得以复用。

实施例五

图7为本发明实施例五提供的一种电子设备的结构示意图。图7示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图7显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，电子设备12以通用计算电子设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及样本数据获取，例如实现本发实施例所提供的一种样本数据获取方法和一种图像分割方法步骤，样本数据获取方法包括：

将原始图像输入至图像粗分割模型，获得所述原始图像的粗分割图像。

根据分割精度，对所述粗分割图像进行精细标注，获得细分割图像。

将所述细分割图像确定为与所述分割精度对应的样本数据。

图像分割方法包括：

根据图像分割精度确定目标分割模型；

将待分割图像输入至所述目标分割模型，获得分割结果。

当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的样本数据获取方法的技术方案。

实施例六

本实施例六提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现例如实现本发实施例所提供的一种样本数据获取方法和一种图像分割方法步骤，样本数据获取方法包括：

将原始图像输入至图像粗分割模型，获得所述原始图像的粗分割图像。

根据分割精度，对所述粗分割图像进行精细标注，获得细分割图像。

将所述细分割图像确定为与所述分割精度对应的样本数据。

图像分割方法包括：

根据图像分割精度确定目标分割模型；

将待分割图像输入至所述目标分割模型，获得分割结果。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。