红外与可见光图像配准方法、系统、设备、图像处理终端

1.本发明属于图像处理技术领域，尤其涉及一种红外与可见光图像配准方法、系统、设备、图像处理终端。本发明的方法可用于目标尺寸差异较大、背景复杂的红外与可见光图像配准任务。


背景技术：

2.目前，来源于不同成像设备的多模态图像能提供比单模态图像更加丰富和全面的信息，人们对各种图像信息的整合与利用的需求越来越大。图像配准是指依据一些相似性度量决定图像间的变换参数，使从不同传感器、不同视角、不同时间获取的同一场景的两幅或多幅图像，变换到同一坐标系下，在像素层上得到最佳匹配的过程。图像配准技术是为后续图像拼接、图像融合等图像处理任务提供操作基准的核心技术，是计算机视觉领域的热点研究问题。
3.红外与可见光图像配准作为一类重要的多传感器图像配准方法，在计算机视觉、机器人、电力设备故障检测、遥感及军事应用等领域发挥着重要作用。然而，由于红外图像和可见光图像在分辨率和色彩上存在的巨大差异，使得红外图像与可见光图像的配准较难实现，其中，在分辨率上，红外图像大都在“500x960”内，远低于可见光图像的“2160x3840”分辨率，这导致红外图像灰度细节丢失严重、图像模糊，与可见光灰度图像中清晰的纹理具有较大差异。另外，红外图像与可见光图像由于成像机理不同，在可见光波段，图像对比度由反射率和阴影决定；在红外波段，对比度由发射率和温度决定，特别是作为温差的一个结果，对比度可以在很大的范围内变化，这导致异源图像中色彩表现差异较大。
4.针对红外图像与可见光图像目标信息存在巨大差异以及只利用surf特征描述子精度低、鲁棒性差等问题，期望获得一种新的配准方法可用于目标尺寸差异较大、背景复杂的红外与可见光图像配准。
5.通过上述分析，现有技术存在的问题及缺陷为：现有红外图像与可见光图像目标信息存在巨大差异以及只利用surf特征描述子精度低、鲁棒性差。
6.解决以上问题及缺陷的难度为：使用现有技术解决分辨率和色彩差异较大且背景复杂的红外与可见光图像配准难度较大，配准精度较低、鲁棒性较差，目前未有一个较好的解决方案。
7.解决以上问题及缺陷的意义为：本发明提供了一个实用的解决方案，提高了红外与可见光图像配准精度和鲁棒性，有效解决了目标信息存在巨大差异、背景复杂的红外与可见光图像配准问题。


技术实现要素：

8.针对现有技术存在的问题，本发明提供了一种红外与可见光图像配准方法、系统、设备、图像处理终端。
9.本发明是这样实现的，一种红外与可见光图像配准方法，所述红外与可见光图像
配准方法利用yolov5网络检测出可见光图像中的目标大致区域，利用条件生成对抗网络将可见光图像进行模态转换成伪红外图像，基于surf描述子构建红外图像对的特征描述并运用暴力匹配构建匹配模型，接着运用距离约束和斜率一致性对匹配点进行过滤，最后利用随机抽样一致性ransac算法进行单应性变换的参数估计并对真实红外图像完成配准。
10.进一步，所述红外与可见光图像配准方法包括以下步骤：
11.步骤一，采集红外图像与可见光图像；
12.步骤二，构建训练数据集和条件生成对抗网络并训练；
13.步骤三，利用yolov5网络检测可见光图像目标：利用yolov5网络检测可见光图像中的目标，依据label筛选出行人或自行车，对于行人类别目标框上下各增加原高度的1/12，宽度依据高度调整为高度的0.8倍；对于自行车类别目标框左右各增加原宽度的1/30，高度依据宽度调整为宽度的1.25倍；其它类别则直接以原图高的一半，宽为高的0.8倍，依据检测框对原图裁剪得到目标大致区域；先检测可见光目标大致区域能够有效解决红外图像与可见光图像分辨率差异过大的问题；
14.步骤四，利用条件生成对抗网络生成伪红外图像，将裁剪得到的可见光图像缩放成宽512像素、高640像素的大小并输入条件生成对抗网络中，得到相应的伪红外图像，将原始真实红外图像去除拍摄时自带的水印并缩放至宽512像素、高640像素大小；由可见光图像通过生成对抗网络生成伪红外图像能够减少图像的色彩差异，降低异源图像配准难度；
15.步骤五，surf算法构建描述子、暴力匹配构建匹配模型：对真实红外图像和伪红外图像分别运用加速鲁棒特征surf算法提取关键点的位置并构建描述子，运用暴力匹配法依据欧氏距离构建特征点之间的匹配模型，为每个关键点选择两个最佳匹配；
16.步骤六，距离、斜率一致性过滤误匹配点；通过距离和斜率一致性约束能够剔除明显错误的误匹配点，提高后续估计变换参数的准确率。
17.步骤七，随机抽样一致性ransac算法估计变换参数完成配准：将真实红外图像和伪红外图像最终保留下来的匹配点对依据随机抽样一致性算法估计出单应性变换矩阵h的参数，对真实红外图像进行变换完成配准。
18.进一步，所述步骤一采集红外图像与可见光图像具体包括：搭建一个resnet50网络作为孪生卷积神经网络的特征提取网络，结构依次为：第一卷积层，第一bn层，激活函数层，最大池化层，第二卷积层，第二bn层，第三卷积层，第三bn层，第四卷积层，第四bn层，第五卷积层，第五bn层；将第一至第五层卷积层的卷积核个数依次设置为64，64，128，256，512，卷积核尺寸依次设置为7，3，3，3，3，将第一、二、三层卷积层步长均设置为2，第四、第五卷积层步长均设置为1，第四、第五卷积层中卷积核空洞率设置为2，4；最大池化层池化区域核的大小设置为3
×
3，步长均设置为2；第一至第五bn层均采用批标准化函数，激活函数层采用线性整流函数，最大池化层采用区域最大值池化函数。
19.进一步，所述步骤二构建训练数据集和条件生成对抗网络并训练包括：
20.(1)构建训练数据集，可见光图像与红外图像尺寸差距较大，将可见光图像缩小3倍至高1280像素、宽720像素；在红外与可见光图像对中手动选取四对匹配的像素点，通过匹配的像素点确定单应性变换矩阵h，将红外图像变换成与可见光图像大小保持一致，手动选取包含目标的区域并裁剪成大小为4的整数倍的红外与可见光图像对；
21.(2)构建一个基于resnet网络的生成器gnet作为条件生成对抗网络的特征提取网
络，其结构依次包含下采样卷积模块、9个resnetblock模块、上采样反卷积模块和一个tanh组件，其中下采样卷积模块结构依次为：第一填充卷积层，第一卷积层，bn层，激活函数层，第二卷积层，bn层，激活函数层，第三卷积层，bn层，激活函数层；第一填充卷积层参数为3，第一至第三卷积层的卷积核个数依次设置为64，128，256，卷积核尺寸依次设置为7，3，3，步长依次设置为1，2，2，padding依次设置为0，1，1；restnetblock模块结构依次为：填充卷积层，卷积层，bn层，激活函数层，dropout层，填充卷积层，卷积层，bn层；填充卷积层参数为1，卷积层的卷积核个数都设置为256，尺寸均为3，步长均为1，padding均为1；上采样反卷积模块结构依次为：第一反卷积层，bn层，激活函数层，第二反卷积层，bn层，激活函数层，第三填充卷积层，第三卷积层，激活函数层；第一、第二反卷积层卷积核个数依次设置为128，64，卷积核尺寸均为3，步长均为2，padding均为1，第三填充卷积层参数为3，第三卷积层卷积核个数为3，卷积核尺寸为7，步长为1，padding为0；所有bn层均采用批标准化函数，激活函数层除最后一个采用tanh函数外，其余都采用线性整流函数；
22.(3)构建一个patchgan风格的dnet作为条件生成网络的判别器网络，其结构依次包含第一卷积层，激活函数层，第二卷积层，bn层，激活函数层，第三卷积层，bn层，激活函数层，第四卷积层，bn层，激活函数层，第五卷积层；第一至第五卷积层的卷积核个数依次设置为64,128,256,512，1，卷积核尺寸均设置为4，步长依次设置为2,2,2,1,1，padding均设置为1，bn层均采用批标准化函数，激活函数层均设置为leakyrelu函数；
23.(4)训练条件生成对抗网络，将训练数据集输入到条件生成对抗网络中，利用adam算法更新条件生成对抗网络的权值，直到对抗损失函数loss达到收敛为止。
24.进一步，所述(1)中的单应性变换矩阵h定义如下：
[0025][0026]
其中s表示尺度因子，m是相机内参矩阵，r1，r2，t表示相机外参。
[0027]
进一步，所述(2)中的线性整流函数定义如下：
[0028][0029]
tanh函数定义如下：
[0030][0031]
leakyrelu函数定义如下：
[0032][0033]
其中a是(1， ∞)的固定参数，x为输入；
[0034]
所述(4)中的损失函数loss定义如下：
[0035][0036]
gnet的生成损失定义如下：
[0037]
lg＝-log d(g(i
vis
)-μ||i
inf-g(i
vis
)||；
[0038]
dnet的对抗损失定义如下：
[0039]
ld＝-log(l-d(i
vis
，g(i
vis
))-log(d(i
vis
，i
inf
))；
[0040]
其中lcgan表示条件生成对抗网络总损失，g表示生成器gnet，d表示判别器dnet，x表示输入图像，z表示噪声向量，对于z采用dropout层代替；μ表示lg中第二项的权值，设置为100，iinf表示真实红外图像，ivis表示可见光图像。
[0041]
进一步，所述步骤六距离、斜率一致性过滤误匹配点包括：
[0042]
(1)针对每个关键点两个最佳匹配的集合，若是第一个最佳匹配的欧氏距离小于第二个最佳匹配的欧氏距离的0.75倍，则保留第一个最佳匹配，否则剔除这两个最佳匹配；
[0043]
(2)当正确匹配的特征点对数量较多时，真实红外图像中的特征点与伪红外图像中的特征点所构成的直线的斜率设置小于0.1进行筛选误匹配点；
[0044]
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述红外与可见光图像配准方法的步骤。
[0045]
本发明的另一目的在于提供一种智能图像处理终端，所述智能图像处理终端用于实现所述的红外与可见光图像配准方法。
[0046]
本发明的另一目的在于提供一种实施所述红外与可见光图像配准方法的红外与可见光图像配准系统，所述红外与可见光图像配准系统包括：
[0047]
图像采集模块，用于采集红外图像与可见光图像；
[0048]
训练数据集构建模块，用于构建训练数据集，构建并训练条件生成对抗神经网络；
[0049]
图像目标检测模块，用于利用yolov5网络检测可见光图像目标；
[0050]
伪红外图像生成模块，用于利用生成对抗神经网络从可见光图像生成伪红外图像；
[0051]
匹配模型构建模块，用于加速鲁棒特征surf算法构建特征描述子，运用暴力匹配法构建匹配模型；
[0052]
误匹配点过滤模块，用于通过距离、斜率一致性过滤误匹配点；
[0053]
匹配完成模块，用于运用随机抽样一致性ransac算法估计变换参数完成配准。
[0054]
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明利用yolov5网络检测出可见光图像中的目标大致区域能够有效解决图像分辨率差异过大的问题，利用条件生成对抗网络将可见光图像进行模态转换成伪红外图像能够大幅减小异源图像色彩差异降低配准难度，基于surf描述子构建红外图像对的特征描述并运用暴力匹配构建匹配模型，接着运用距离约束和斜率一致性对匹配点进行过滤能够提高配准精度，最后利用随机抽样一致性(ransac)算法进行单应性变换的参数估计并对真实红外图像完成配准。用于提高异源图像尺寸差异较大、背景复杂的红外与可见光图像配准的精度。
[0055]
本发明的配准系统可以利用yolov5网络检测可见光图像目标大致区域解决可见
光图像与红外图像之间分辨率差异大的问题，并且采用距离、斜率一致性约束解决误匹配的问题，使得本发明能够应用于目标尺寸差距较大、背景复杂的红外与可见光图像配准场景，具有精度较高、鲁棒性好的优点。
[0056]
本发明利用条件生成对抗网络将可见光图像进行模态转换生成伪红外图像解决异源图像色彩差异大的问题，客服了直接使用surf特征进行配准的精度低、抗干扰能力差的问题，使得本发明具有泛化能力强，可应对干扰多、背景复杂的红外与可见光图像配准场景的优点。
附图说明
[0057]
图1是本发明实施例提供的红外与可见光图像配准方法流程图。
[0058]
图2是本发明实施例提供的红外与可见光图像配准系统的结构示意图；
[0059]
图2中：1、图像采集模块；2、训练数据集构建模块；3、图像目标检测模块；4、伪红外图像生成模块；5、匹配模型构建模块；6、误匹配点过滤模块；7、匹配完成模块。
[0060]
图3是本发明实施例提供的红外与可见光图像配准方法的实现流程图。
[0061]
图4是本发明构建的生成器gnet网络结构示意图。
[0062]
图5是本发明构建的resnetblock模块结构示意图。
[0063]
图6是本发明构建的判别器dnet网络结构示意图。
[0064]
图7是本发明对自行车类红外与可见光图像配准后的结果图。
[0065]
图8是本发明对行人类红外与可见光图像配准后的结果图。
具体实施方式
[0066]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0067]
针对现有技术存在的问题，本发明提供了一种红外与可见光图像配准方法、系统、设备、图像处理终端，下面结合附图对本发明作详细的描述。
[0068]
如图1所示，本发明提供的红外与可见光图像配准方法包括以下步骤：
[0069]
s101：采集红外图像与可见光图像；
[0070]
s102：构建训练数据集，构建并训练条件生成对抗神经网络；
[0071]
s103：利用yolov5网络检测可见光图像目标；
[0072]
s104：利用生成对抗神经网络从可见光图像生成伪红外图像；
[0073]
s105：加速鲁棒特征(surf)算法构建特征描述子，运用暴力匹配法构建匹配模型；
[0074]
s106：通过距离、斜率一致性过滤误匹配点；
[0075]
s107：运用随机抽样一致性(ransac)算法估计变换参数完成配准。
[0076]
本发明提供的红外与可见光图像配准方法业内的普通技术人员还可以采用其他的步骤实施如sift、orb等特征替换surf特征，最小二乘法替换ransac算法，图1的本发明提供的红外与可见光图像配准方法仅仅是一个具体实施例而已。
[0077]
如图2所示，本发明提供的红外与可见光图像配准系统包括：
[0078]
图像采集模块1，用于采集红外图像与可见光图像；
[0079]
训练数据集构建模块2，用于构建训练数据集，构建并训练条件生成对抗神经网络；
[0080]
图像目标检测模块3，用于利用yolov5网络检测可见光图像目标；
[0081]
伪红外图像生成模块4，用于利用生成对抗神经网络从可见光图像生成伪红外图像；
[0082]
匹配模型构建模块5，用于加速鲁棒特征(surf)算法构建特征描述子，运用暴力匹配法构建匹配模型；
[0083]
误匹配点过滤模块6，用于通过距离、斜率一致性过滤误匹配点；
[0084]
匹配完成模块7，用于运用随机抽样一致性(ransac)算法估计变换参数完成配准。
[0085]
下面结合附图对本发明的技术方案作进一步的描述。
[0086]
如图3所示，本发明红外与可见光图像配准方法包括如下步骤：
[0087]
步骤一，采集红外图像与可见光图像：普通手机搭载一个近红外摄像头，同时拍摄同一个场景下如行人或自行车的可见光图像和红外图像，可见光图像分辨率为宽2160像素、高3840像素，红外图像分辨率为宽507像素，高960像素，每个场景100对，总共200对图像。
[0088]
步骤二，构建训练数据集和条件生成对抗网络并训练：
[0089]
(2a)构建训练数据集，可见光图像与红外图像尺寸差距较大，将可见光图像缩小3倍至高1280像素、宽720像素。在红外与可见光图像对中手动选取四对匹配的像素点，通过匹配的像素点确定单应性变换矩阵h，将红外图像变换成与可见光图像大小保持一致，手动选取包含目标的区域并裁剪成大小为4的整数倍的红外与可见光图像对。
[0090]
所述的单应性变换矩阵h定义如下：
[0091][0092]
其中s表示尺度因子，m是相机内参矩阵，r1，r2，t表示相机外参。
[0093]
如图4所示，对本发明构建的条件生成对抗网络中的gnet做进一步的描述。
[0094]
图4为作为生成器的gnet的结构示意图，其结构依次包含下采样卷积模块、9个resnetblock模块、上采样反卷积模块和一个tanh组件，其中下采样卷积模块结构依次为：第一填充卷积层，第一卷积层，bn层，激活函数层，第二卷积层，bn层，激活函数层，第三卷积层，bn层，激活函数层；第一填充卷积层参数为3，第一至第三卷积层的卷积核个数依次设置为64，128，256，卷积核尺寸依次设置为7，3，3，步长依次设置为1，2，2，padding依次设置为0，1，1；上采样反卷积模块结构依次为：第一反卷积层，bn层，激活函数层，第二反卷积层，bn层，激活函数层，第三填充卷积层，第三卷积层，激活函数层；第一、第二反卷积层卷积核个数依次设置为128，64，卷积核尺寸均为3，步长均为2，padding均为1，第三填充卷积层参数为3，第三卷积层卷积核个数为3，卷积核尺寸为7，步长为1，padding为0；所有bn层均采用批标准化函数，激活函数层除最后一个采用tanh函数外，其余都采用线性整流函数。
[0095]
线性整流函数定义如下：
[0096][0097]
tanh函数定义如下：
[0098][0099]
如图5所示，对本发明构建的gnet中的resnetblock模块做进一步的描述。
[0100]
图5为resnetblock模块结构示意图，结构依次为：填充卷积层，卷积层，bn层，激活函数层，dropout层，填充卷积层，卷积层，bn层；填充卷积层参数为1，卷积层的卷积核个数都设置为256，尺寸均为3，步长均为1，padding均为1。
[0101]
如图6所示，对本发明构建的条件生成对抗网络中的dnet做进一步的描述。
[0102]
图6为作为判别器dnet的结构示意图，其结构依次包含第一卷积层，激活函数层，第二卷积层，bn层，激活函数层，第三卷积层，bn层，激活函数层，第四卷积层，bn层，激活函数层，第五卷积层；第一至第五卷积层的卷积核个数依次设置为64,128,256,512,1，卷积核尺寸均设置为4，步长依次设置为2,2,2,1,1，padding均设置为1，bn层均采用批标准化函数，激活函数层均设置为leakyrelu函数。
[0103]
(2d)训练条件生成对抗网络，将训练数据集输入到条件生成对抗网络中，利用adam算法更新条件生成对抗网络的权值，直到对抗损失函数loss达到收敛为止。
[0104]
所述的损失函数loss定义如下：
[0105][0106]
gnet的生成损失定义如下：
[0107]
lg＝-logd(g(i
vis
))-μ||i
inf-g(i
vis
)||
[0108]
dnet的对抗损失定义如下：
[0109]
ld＝-log(1-d(i
vis
，g(i
vis
))-log(d(i
vis
，i
inf
))
[0110]
其中lcgan表示条件生成对抗网络总损失，g表示生成器gnet，d表示判别器dnet，x表示输入图像，z表示噪声向量，对于z采用dropout层代替；μ表示lg中第二项的权值，设置为100，iinf表示真实红外图像，ivis表示可见光图像。
[0111]
步骤三，利用yolov5网络检测可见光图像目标：
[0112]
利用yolov5网络检测可见光图像中的目标，依据label筛选出行人或自行车，对于行人类别目标框上下各增加原高度的1/12，宽度依据高度调整为高度的0.8倍；对于自行车类别目标框左右各增加原宽度的1/30，高度依据宽度调整为宽度的1.25倍；其它类别则直接以原图高的一半，宽为高的0.8倍，依据检测框对原图裁剪得到目标大致区域；
[0113]
步骤四，利用条件生成对抗网络生成伪红外图像：
[0114]
将裁剪得到的可见光图像缩放成宽512像素、高640像素的大小并输入条件生成对抗网络中，得到相应的伪红外图像，将原始真实红外图像去除拍摄时自带的水印并缩放至宽512像素、高640像素大小；
[0115]
步骤五，surf算法构建描述子、暴力匹配构建匹配模型：
[0116]
对真实红外图像和伪红外图像分别运用加速鲁棒特征(surf)算法提取关键点的位置并构建描述子，运用暴力匹配法依据欧氏距离构建特征点之间的匹配模型，为每个关键点选择两个最佳匹配；
[0117]
步骤六，距离、斜率一致性过滤误匹配点：
[0118]
(6a)针对每个关键点两个最佳匹配的集合，若是第一个最佳匹配的欧氏距离小于第二个最佳匹配的欧氏距离的0.75倍，则保留第一个最佳匹配，否则剔除这两个最佳匹配；
[0119]
(6b)当正确匹配的特征点对数量较多时，真实红外图像中的特征点与伪红外图像中的特征点所构成的直线的斜率设置小于0.1进行筛选误匹配点；
[0120]
步骤七，随机抽样一致性(ransac)算法估计变换参数完成配准：
[0121]
将真实红外图像和伪红外图像最终保留下来的匹配点对依据随机抽样一致性算法估计出单应性变换矩阵h的参数，对真实红外图像进行变换完成配准。
[0122]
下面结合仿真实验对本发明的技术效果作详细的说明。
[0123]
1.仿真条件：
[0124]
本发明的仿真实验的硬件平台为：处理器为intel(r)core(tm)i7-10700kcpu，主频为2.9ghz，内存为64gb、显卡为nvidiageforcertx3060。
[0125]
本发明的仿真实验的软件平台为：ubuntu20.04操作系统，pycharm2021软件，python3.7和pytorch深度学习框架。
[0126]
2.仿真内容及结果分析：
[0127]
本发明仿真实验中生成训练集和测试集时，使用了自己在校园内拍摄的行人和自行车数据集，每个类别100对图像，总共400张图像。本发明仿真实验中使用每个类别50对作为训练数据集，另外各50对作为测试数据集。
[0128]
在仿真实验中，采用的现有技术是指：
[0129]
herbert bay,tinne tuytelaars等人在”surf:speeded up robust features[c]//proceedings of the 9th european conference on computer vision-volume part i.springer-verlag,2006.”中提出的加速鲁棒特征方法，简称surf算法。
[0130]
为了定性评价本发明的仿真效果，用本发明分别测试自行车类和行人类数据集，得到的配准结果分别如图7和图8所示。图7的(a)分别为经过yolov5检测并裁剪出的可见光图像和真实红外图像，图7的(b)分别为用surf算法配准后结果和本发明配准后结果，图7的(c)分别为surf算法配准并融合后的结果和本发明配准并融合后的结果，图8同理。
[0131]
由图7、图8可以得出：本发明针对红外与可见光图像配准的主观评价效果要好于基于surf算法配准效果。
[0132]
为了定量评价本发明的仿真效果，本发明采用平均绝对误差(mae)、峰值信噪比(psnr)、归一化互信息(nmi)和结构相似度(ssim)作为性能评价指标与现有技术进行对比，对比结果如表1所示：
[0133]
表1仿真实验中本发明和现有技术评价指标的对比表
[0134]
方法\指标mmaempsnrmnmimssim现有技术56.74849.54360.15900.4692本发明34.036013.77190.23930.6004
[0135]
从表1可以看出，在自行车类和行人类测试数据集中，本发明在所有评价指标上均
优于现有技术，证明本发明在目标尺寸差异较大、背景复杂的红外与可见光图像配准任务中取得了精度更高、鲁棒性更强的效果，是一种十分实用的配准方法与系统。
[0136]
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
[0137]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。