图像处理方法、装置及电子设备与流程

1.本技术涉及图像处理技术领域，具体而言，涉及一种图像处理方法、装置及电子设备。


背景技术：

2.随着网络社交相关技术的不断发展，对数字化虚拟形象的应用越来越广泛，对虚拟形象多样化和个性化的需求也越来越高。在传统的虚拟形象生成方案中，要获得不同虚拟形象或同一虚拟形象的不同造型，通常依赖于人工执行美术绘制。但是，人工制作虚拟形象的成本高，且生成效率低，难以满足海量多样化的虚拟形象生成需求。


技术实现要素：

3.为了克服现有技术中的上述不足，本技术的目的在于提供一种图像处理方法，所述方法包括：
4.获取内容指示图像及目标轮廓掩膜图像，所述内容指示图像包括至少部分已知区域；
5.将所述内容指示图像及所述目标轮廓掩膜图像输入训练好的机器学习模型进行处理，通过所述机器学习模型根据所述已知区域的图像内容，生成外形轮廓符合所述目标轮廓掩膜图像的目标结果图像。
6.在一种可能的实现方式中，所述获取内容指示图像及目标轮廓掩膜图像的步骤，包括：
7.获取第一待处理图像及参照图像；
8.对所述第一待处理图像进行尺寸和旋转角度变化处理，使所述第一待处理图像中的第一设定图像内容与所述参照图像对齐；
9.获取指示所述参照图像中第二设定图像内容所在区域的目标轮廓掩膜图像；
10.根据所述目标轮廓掩膜图像从所述第一待处理图像中提取第二待处理图像；
11.按照设定规则对所述第二待处理图像进行部分区域擦除，获得所述内容指示图像。
12.在一种可能的实现方式中，所述获取第一待处理图像及参照图像的步骤，包括：
13.获取包含人物头像的第一待处理图像和包含人物头像的参照图像；
14.所述对所述第一待处理图像进行尺寸和旋转角度变化处理，使所述第一待处理图像中的第一设定图像内容与所述参照图像对齐的步骤，包括：
15.以所述参照图像为基准，对所述第一待处理图像进行人脸特征对齐处理，调整所述第一待处理图像进行尺寸和旋转角度变化处理；
16.所述获取指示所述参照图像中第二设定图像内容所在区域的目标轮廓掩膜图像的步骤，包括：
17.获取指示所述参照图像中头发部分所在区域的目标轮廓掩膜图像。
18.在一种可能的实现方式中，所述按照设定规则对所述第二待处理图像进行部分区域擦除，获得所述内容指示图像的步骤，包括：
19.对所述第二待处理图像中与所述目标轮廓掩膜图像边界部分对应的部分进行擦除；
20.根据所述第二待处理图像各像素与周围其他像素的颜色差异，对颜色差异超出设定范围的区域进行擦除。
21.在一种可能的实现方式中，所述方法还包括：
22.获取样本原始图像；
23.对所述样本原始图像进行图像识别，获得指示第二设定图像内容所在区域的样本掩膜图像；
24.结合所述样本掩膜图像，对所述样本原始图像中所述第二设定图像内容所在的区域进行随机擦除，获得样本内容指示图像；
25.将所述样本内容指示图像及所述样本掩膜图像作为训练样本，将所述样本结果图像作为所述训练样本的标签，对待训练的机器学习模型进行训练。
26.在一种可能的实现方式中，所述将所述样本内容指示图像及所述样本掩膜图像作为训练样本，将所述样本结果图像作为所述训练样本的标签，对待训练的机器学习模型进行训练的步骤，包括：
27.将所述样本内容指示图像及所述样本掩膜图像作为训练样本输入待训练的机器学习模型，获得所述机器学习模型输出的中间结果图像；
28.将所述中间结果图像与所述样本结果图像进行比对，根据所述中间结果图像与所述样本结果图像之间的差异程度，计算获得损失值；其中，所述已知区域对所述损失值的影响权重小于所述目标轮廓掩膜图像指示的范围内除所述已知区域以外的补全区域对所述损失值的影响权重；
29.根据所述损失值调整所述机器学习模型的模型参数。
30.在一种可能的实现方式中，所述获取内容指示图像及目标轮廓掩膜图像的步骤，包括：
31.获取包括第一动漫人物至少部分发型区域的图像作为所述内容指示图像，及获取指示第二动漫人物发型轮廓区域的图像作为所述目标轮廓掩膜图像。
32.本技术的另一目的在于提供一种图像处理装置，所述图像处理装置包括：
33.图像获取模块，用于获取内容指示图像及目标轮廓掩膜图像，所述内容指示图像包括至少部分已知区域；
34.图像处理模块，用于将所述内容指示图像及所述目标轮廓掩膜图像输入训练好的机器学习模型进行处理，通过所述机器学习模型根据所述已知区域的图像内容，生成外形轮廓符合所述目标轮廓掩膜图像的目标结果图像。
35.本技术的另一目的在于提供一种电子设备，包括处理器及机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被所述处理器执行时，实现本技术提供的图像处理方法。
36.本技术的另一目的在于提供一种机器可读存储介质，其特征在于，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被一个或多个处理器执行时，实
现本技术提供的图像处理方法。
37.相对于现有技术而言，本技术具有以下有益效果：
38.本技术实施例提供的图像处理方法、装置及电子设备，通过机器学习模型根据内容指示图像及目标轮廓掩膜图像，生成外形轮廓符合所述目标轮廓掩膜图像的目标结果图像。如此，针对更关注图像轮廓的美术图像(如虚拟形象的头发部分)可以实现自动化的生成，从而可以降低多样化定制图像的生成制作成本，提高制作效率。
附图说明
39.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
40.图1为本技术实施例提供的图像处理方法的步骤流程示意图；
41.图2为本技术实施例提供的图像处理过程示意图之一；
42.图3为本技术实施例提供的机器学习模型训练流程示意图；
43.图4为本技术实施例提供的步骤s110的子步骤流程示意图；
44.图5为本技术实施例提供的图像处理过程示意图之二；
45.图6为本技术实施例提供的电子设备的结构示意图；
46.图7为本技术实施例提供的图像处理装置的功能模块示意图。
具体实施方式
47.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
48.因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
49.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
50.在本技术的描述中，需要说明的是，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
51.在本技术的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。
52.经发明人研究发现，在一些类型的虚拟形象(如动漫化的二位虚拟形象)中，某些
图像部分的差异性主要表现在图形轮廓上，而图形纹理、色彩变化相对比较简单，如虚拟形象的头发部分。针对这些图像部分可以通过机器学习模型在限定外形轮廓的前提下，根据已知的部分图形纹理和色彩生成完整的图形。有鉴于此，本实施例提供一种图像处理方案，下面对该方案进行详细解释。
53.请参照图1，图1为本实施例提供的一种图像处理方法的流程图，以下将对所述方法包括各个步骤进行详细阐述。
54.步骤s110，获取内容指示图像及目标轮廓掩膜图像，所述内容指示图像包括至少部分已知区域。
55.在本实施例中，所述目标轮廓掩膜图像可以用于指示需要生成的目标结果图像的整体轮廓。例如，所述目标轮廓掩膜图像中的像素值均为0或1，以分别表示该像素对应的位置不需要进行图像生成或需要进行图像生成。所述内容指示图像可以用于指示需要生成的目标结果图像中所采用的图像纹理和/或颜色。
56.在一些可能的实现方式中，步骤s110中可以获取包括第一动漫人物至少部分发型区域的图像作为所述内容指示图像，并获取指示第二动漫人物发型轮廓区域的图像作为所述目标轮廓掩膜图像。例如，请参照图2，所述目标轮廓掩膜图像可以为需要生成的虚拟形象的头发部分的整体轮廓，所述内容指示图像可以包括至少部分已知的发型纹理和/或发色，以用于指示在所述整体轮廓中需要生成何种发型纹理和/或发色。其中，所述内容指示图像可以不包括完整的发型图像，即所述内容指示图像中可以存在残缺区域及已知区域。
57.步骤s120，将所述内容指示图像及所述目标轮廓掩膜图像输入训练好的机器学习模型进行处理，通过所述机器学习模型根据所述已知区域的图像内容，生成外形轮廓符合所述目标轮廓掩膜图像的目标结果图像。
58.在本实施例中，所述机器学习模型可以预先训练为根据输入的所述内容指示图像指示的图像纹理和/或颜色在所述目标轮廓掩膜图像指示的范围内生成相应的图像。如此，针对更关注图形轮廓的美术图像(如虚拟形象的头发部分)可以实现自动化地在设定轮廓范围内生成对应的图像纹理和/或颜色，从而可以降低多样化定制图像的生成制作成本，提高制作效率。
59.例如，针对虚拟形象头发部分，采用本实施例提供的方法可以在仅提供指示发型轮廓的所述目标轮廓掩膜图像和包含少量头发纹理和/或颜色信息的所述内容指示图像的情况下，自动地生成头发部分。需要说明的是，在本实施例中，根据所述目标轮廓掩膜图像的不同，所述机器学习模型可以生成整个发型区域或者发型区域中的某个部分(如辫子、刘海等部分片发)。
60.在本实施例中，请参照图3，所述机器学习模型的训练过程可以包括以下步骤。
61.步骤s210，获取样本原始图像。
62.在本实施例中，所述样本原始图像可以为具有虚拟形象人物的图像，例如，所述样本原始图像至少包括虚拟形象的头部发型部分。
63.步骤s220，获得指示第二设定图像内容所在区域的样本掩膜图像及与所述样本掩膜图像对应的样本结果图像。
64.在本实施例中，所述第二设定图像内容可以为虚拟形象的头发部分。在本步骤中可以采用训练好的图像分割模型对所述样本原始图像进行针对头发部分的图像识别，从而
确定头发部分所在的区域，输出所述样本掩膜图像。再根据所述样本掩膜图像，可以从所述样本原始图像中确定出样本掩膜图像。
65.进一步地，在本实施例中，可以采用deeplabv3 模型作为所述图像分割模型，通过构造语义分割数据及数据增强方法对图像分割模型进行训练至收敛。还可以采用平滑、去除小的游离块等后处理方法对图像识别结果进行处理，优化所述图像分割模型生成的样本掩膜图像。
66.在一些可能的实现方式中，所述样本原始图像和所述样本掩膜图像可以为独立的图像文件。
67.在另一些可能的实现方式中，所述样本原始图像和所述样本掩膜图像可以合成为具有透明度信息的图像，例如，将所述样本掩膜图像作为透明度信息与所述样本原始图像一起合成为png格式的图像。
68.进一步地，为了减少后续图像数据的处理量，可以根据所述样本掩膜图像指示的图像轮廓范围确定出一个感兴趣区域(region of interest，roi)。然后可以根据所述感兴趣区域对所述样本原始图像和所述样本掩膜图像进行剪裁，使裁剪后的图像仅保留包括所述样本掩膜图像指示的图像轮廓范围占据的最小矩形框；或者后续可以根据所述感兴趣区域指示的范围，仅对所述感兴趣区域中的图像内容进行处理。
69.步骤s230，结合所述样本掩膜图像，对所述样本原始图像中所述第二设定图像内容所在的区域进行随机擦除，获得样本内容指示图像。
70.在一种可能的实现方式中，可以随机生成一个缺失掩膜图像，所述缺失掩膜图像上包括随机生成的擦除区域，例如，所述缺失掩膜图像中的像素值均为0或非0，以分别表示该像素对应的位置需要进行图像擦除或不需要进行图像擦除。
71.再结合所述样本掩膜图像及所述缺失掩膜图像，可以从所述样本原始图像中确定出所述样本内容指示图像，该所述样本内容指示图像为所述第二设定图像内容所在的区域且其至少部分被随机擦除。
72.在另一种可能的实现方式中，可以先根据所述样本掩膜图像从所述样本原始图像中提取所述第二设定图像内容所在的区域，在对该区域执行随机擦除动作，进而获得所述样本内容指示图像。
73.以针对人物头发部分处理为例，通过上述方式可以在所述样本原始图像中提取获得人物头发部分所在的区域的图像，且该图像中存在至少部分被随机擦除的区域。
74.可选地，在一种可能的实现方式中，可以在需要将所述样本内容指示图像输入机器学习模型进行训练时，动态地执行对所述样本原始图像中所述第二设定图像内容所在的区域进行随机擦除的动作，获得所述样本内容指示图像。在另一种可能的实现方式中，也可以预先批量地对多个所述样本原始图像进行处理，获得所述样本内容指示图像。
75.步骤s240，将所述样本内容指示图像及所述样本掩膜图像作为训练样本，将所述样本结果图像作为所述训练样本的标签，对待训练的机器学习模型进行训练。
76.在本实施例中，可以将所述样本内容指示图像及所述样本掩膜图像作为训练样本，将所述样本结果图像作为所述训练样本的标签，训练所述机器学习模型根据所述样本内容指示图像，在所述样本掩膜图像指示的范围内生成与所述样本结果图像尽可能相似的图像。
77.具体地，可以将所述样本内容指示图像及所述样本掩膜图像作为训练样本输入待训练的机器学习模型，获得所述机器学习模型输出的中间结果图像。
78.将所述中间结果图像与所述样本结果图像进行比对，根据所述中间结果图像与所述样本结果图像之间的差异程度，计算获得损失值。其中，生成的所述中间结果图像也具有与所述样本结果图像对应的已知区域及完全由所述机器学习模型生成的补全区域。在本实施例中，所述已知区域对所述损失值的影响权重小于所述补全区域对所述损失值的影响权重。如此，可以使所述机器学习模型更关注对非已知区域的图像生成。
79.进一步地，生成的所述中间结果图像中可能还存在所述样本掩膜图像指示范围以外的图像区域(如非发型区域)，训练所述机器学习模型生成整体图像的过程中，补全区域、已知区域和非发型部分区域对所述损失值的影响权重可以依次减小。
80.然后可以以减小所述损失为目的调整所述机器学习模型的模型参数，并结合使用多个样本原始图像进行迭代训练，或进行多次随机擦除获得的所述样本内容指示图像进行迭代训练，从而逐渐提高所述机器学习模型生成的所述中间结果图像与所述样本结果图像的相似度。并在所述损失值减小到设定阈值或者训练次数达到设定阈值时，将训练后的机器学习模型作为训练完成的所述机器学习模型。
81.基于上述设计，通过对数量有限的所述样本原始图像进行随机擦除获得所述样本内容指示图像对机器学习模型进行训练，可以使所述机器学习模型根据所述内容指示图像中的少量信息在所述目标轮廓掩膜图像指示的范围内自动生成目标结果图像。
82.在一种可能的实现方式中，在步骤s110中可以获取现成的所述内容指示图像及所述目标轮廓图像进行处理。
83.在另一种可能的实现方式中，也可以自动地获取或生成所述内容指示图像及目标轮廓掩膜图像，例如，请参照图4，步骤s110可以包括以下子步骤。
84.步骤s111，获取第一待处理图像及参照图像。
85.在一个例子中，可以获取包含人物头像的第一待处理图像和包含人物头像的参照图像。其中，请参照图5，所述第一待处理图像可以包括希望要生成的发型纹理和/或发色(如人物a的发型纹理和/或发色)，所述参照图像可以包括希望要生成的发型轮廓(如人物b的发型轮廓)。
86.步骤s112，对所述第一待处理图像进行尺寸和旋转角度变化处理，使所述第一待处理图像中的第一设定图像内容与所述参照图像对齐。
87.具体地，在本实施例中，可以以所述参照图像为基准，对所述第一待处理图像进行人脸特征对齐处理，调整所述第一待处理图像进行尺寸和旋转角度变化处理。可以理解的是，在进行人脸特征对齐后，发型部分也可以大致对齐，即存在重合部分。
88.步骤s113，获取指示所述参照图像中第二设定图像内容所在区域的目标轮廓掩膜图像。
89.具体地，在本实施例中，对所述参照图像输入预先训练的图像分割模型进行图像识别，从而确定出所述参照图像中人物发型部分所在的区域，获得所述目标轮廓掩膜图像。
90.步骤s114，根据所述目标轮廓掩膜图像从所述第一待处理图像中提取第二待处理图像。
91.具体地，在本实施例中，可以根据所述目标轮廓掩膜图像对所述第一待处理图像
进行截取，从而去除所述第一待处理图像中不在所述目标轮廓掩膜图像指示范围内的图像内容，获得所述第二待处理图像。
92.步骤s115，按照设定规则对所述第二待处理图像进行部分区域擦除，获得所述内容指示图像。
93.具体地，在例如动漫虚拟形象的图像中，人物发型的外轮廓通常具有深色的描边线，在本实施例中，可以对所述第二待处理图像中与所述目标轮廓掩膜图像边界部分对应的部分进行擦除，例如，针对所述第二待处理图像中被所述目标轮廓掩膜图像截断位置的边界部分进行擦除。如此，可以在后续图像生成过程中重新生成和所述目标轮廓掩膜图像指示的图像边界相符的发型部分描边线。
94.同时，可以根据所述第二待处理图像各像素与周围其他像素的颜色差异，对颜色差异超出设定范围的区域进行擦除。如此，可以擦除所述第二待处理图像中可能存在的非头发部分，从而使所述内容指示图像中仅包括指示发型纹理和/或发色的部分信息。
95.如此，在将获得的所述内容指示图像及目标轮廓掩膜图像输入所述机器学习模型后，可以获得头发轮廓与所述参考图像相似，且头发纹理和/或颜色与所述第一待处理图像相似的目标结果图像。
96.基于相同的发明构思，本实施例还提供一种电子设备，请参照图6，图6所述电子设备100的方框示意图。所述电子设备100包括图像处理装置110、机器可读存储介质120、处理器130。
97.所述机器可读存储介质120、处理器130各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述图像处理装置110包括至少一个可以软件或固件(firmware)的形式存储于所述机器可读存储介质120中或固化在所述电子设备100的操作系统(operating system，os)中的软件功能模块。所述处理器130用于执行所述机器可读存储介质120中存储的可执行模块，例如所述图像处理装置110所包括的软件功能模块及计算机程序等。
98.其中，所述机器可读存储介质120可以是，但不限于，随机存取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)等。其中，机器可读存储介质120用于存储程序，所述处理器130在接收到执行指令后，执行所述程序。
99.所述处理器130可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
100.请参照图7，本实施例还提供一种图像处理装置110，图像处理装置110包括至少一个可以软件形式存储于机器可读存储介质120中的功能模块。从功能上划分，图像处理装置110可以包括图像获取模块111及图像处理模块112。
101.所述图像获取模块111用于获取内容指示图像及目标轮廓掩膜图像，所述内容指示图像包括至少部分已知区域。
102.本实施例中，所述图像获取模块111可用于执行图1所示的步骤s110，关于所述图像获取模块111的具体描述可参对所述步骤s110的描述。
103.所述图像处理模块112用于将所述内容指示图像及所述目标轮廓掩膜图像输入训练好的机器学习模型进行处理，通过所述机器学习模型根据所述已知区域的图像内容，生成外形轮廓符合所述目标轮廓掩膜图像的目标结果图。
104.本实施例中，所述图像处理模块112可用于执行图1所示的步骤s120，关于所述图像处理模块112的具体描述可参对所述步骤s120的描述。
105.综上所述，本技术实施例提供的图像处理方法、装置及电子设备，通过机器学习模型根据内容指示图像及目标轮廓掩膜图像，生成外形轮廓符合所述目标轮廓掩膜图像的目标结果图像。如此，针对更关注图像轮廓的美术图像(如虚拟形象的头发部分)可以实现自动化的生成，从而可以降低虚拟形象的生成制作成本，提高制作效率。
106.在本技术所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
107.另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
108.所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
109.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。
110.以上所述，仅为本技术的各种实施方式，但本技术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技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应所述以权利要求的保护范围为准。