一种图像接缝裁剪检测方法、系统、电子设备及存储介质

1.本发明涉及图像接缝裁剪检测技术领域，特别涉及一种图像接缝裁剪检测方法、系统、电子设备及存储介质。


背景技术：

2.随着互联网技术的迅猛发展与手机、电脑的普及，人们的生活越来越方便快捷，人们有更多的机会接触大量的图像，同时图像作为一种信息的载体，得到了更加快捷的传播，为了适应不同设备的显示，图像缩放技术显得尤为重要，传统的图像缩放方法，在不同设备上，同一分辨率的图像常常会出现失真或内容丢失等情况。为有效解决这一问题，基于内容感知(context-aware)的重定向技术便应运而生，内容感知图像大小调整是在保留其重要内容的同时调整图像大小的过程，其中广泛使用的内容感知图像重定向技术为接缝裁剪(seam carving)。
3.通过接缝裁剪操作的图像，在调整了图像大小的前提下，很好的保留了图像中重要部分的内容，在较小比率的调整下，足以以假乱真，人眼无法区分到底是原图还是篡改图。因此，基于接缝裁剪的图像篡改技术的检测显得尤为重要。
4.现有的基于seam carving的图像检测技术还存在如下缺陷：
5.1)对于图像细微信息的捕捉力不够强，这就导致了在低篡改率(比如1％，2％等)的前提下，其检测精度不够理想；
6.2)目前当图像进行接缝裁剪处理后，图像尺寸将缩小，需要再次插入seam以扩大图像，此时，会改变图像的像素能量的分布，这将抵消由图像引起的能量分布的变化，从而导致检测性能下降。


技术实现要素：

7.本发明旨在至少解决现有技术中存在的技术问题。为此，本发明提出一种图像接缝裁剪检测方法、系统、电子设备及存储介质。能够捕捉到图像的低层特征高分辨率信息和高层特征的强语义信息，增强基于接缝裁剪的低篡改率图像的检测效果。
8.本发明的第一方面，提供了一种图像接缝裁剪检测方法，包括如下步骤：
9.将待检测图像输入至基于深度残差网络的特征提取模块中，得到所述特征提取模块中每个特征提取阶段输出的第一特征映射；其中，所述特征提取模块由n个特征提取阶段连接组成，第i个特征提取阶段输出的第一特征映射作为第i 1个特征提取阶段的输入，i∈[1,n)；
[0010]
将第n个特征提取阶段的所述第一特征映射降维得到第n个特征提取阶段的第二特征映射；将第n个特征提取阶段的第二特征映射进行上采样，并将上采样结果与第n-1个特征提取阶段的第一特征映射的降维结果进行合并，得到第n-1个特征提取阶段的第二特征映射；依次类推，直至得到第2个特征提取阶段的第二特征映射；
[0011]
将第2个特征提取阶段的第二特征映射至第n个特征提取阶段的第二特征映射分
别进行卷积，得到第2个特征提取阶段至第n个特征提取阶段对应的最终特征映射，根据所述最终特征映射得到所述待检测图像的检测结果。
[0012]
根据本发明的实施例，至少具有如下技术效果：
[0013]
本方法通过将图像输入至基于深度残差网络的特征提取模块中，该模块由多个特征提取阶段连接而成，每一特征提取阶段均能各自提取到图像的低层特征高分辨率信息，即第一特征映射；利用特征金字塔网络，从多个第一特征映射中提取更为抽象、语气更强的高层特征，即第二特征映射，具体为：首先将最后一个特征提取阶段的第一特征映射降维出第二特征映射，然后将上采样的第二特征映射与相应的降维之后的第一特征映射通过按元素相加进行合并，直至得到除第1个特征提取阶段外，每个特征提取阶段的第二特征映射；对第二特征映射进行卷积减少上采样的混叠效应，生成最终的特征映射，通过最终特征映射得到图像的检测结果。本方法提出将深度残差网络与特征金字塔网络结合，并且将其应用在基于seam carving的图像篡改检测上，相较于现有方案，本方法不仅能够捕捉到图像的低层特征高分辨率信息，还能捕捉高层特征的强语义信息，学习到的图像信息更加全面更加细微，通过融合这些不同层的特征能够增强基于接缝裁剪的低篡改率图像的检测效果。
[0014]
根据本发明的一些实施例，所述特征提取模块中的第1个特征提取阶段对所述待检测图像进行一次最大池化，输出对应的第一特征映射，将输出的第一特征映射输入至第2个特征提取阶段中。
[0015]
根据本发明的一些实施例，所述特征提取模块包括5个特征提取阶段，第2个特征提取阶段至第5个特征提取阶段均包括相互关联的卷积部分和恒等映射部分；第3个特征提取阶段至第5个特征提取阶段的卷积部分和恒等映射部分均相同，第3个特征提取阶段至第5个特征提取阶段的第一个卷积层采用步长为2对第一特征映射进行下采样，并在跳跃连接处采用核大小为1
×
1，步长为2对输入的第一特征映射进行升维并下采样。
[0016]
根据本发明的一些实施例，所述第2个特征提取阶段的卷积部分包括多个卷积层，在每个卷积层后包括一个标准化层。
[0017]
根据本发明的一些实施例，所述待检测图像的高和宽均为224*224毫米。
[0018]
根据本发明的一些实施例，所述第2个特征提取阶段至第n个特征提取阶段的第一特征映射均进行1*1降维。
[0019]
根据本发明的一些实施例，所述将第2个特征提取阶段的第二特征映射至第n个特征提取阶段的第二特征映射分别进行3*3卷积，得到最终特征映射。
[0020]
本发明的第二方面，提供了一种图像接缝裁剪检测系统，包括：
[0021]
特征提取单元，用于将待检测图像输入至基于深度残差网络的特征提取模块中，得到所述特征提取模块中每个特征提取阶段输出的第一特征映射；其中，所述特征提取模块由n个特征提取阶段连接组成，第i个特征提取阶段输出的第一特征映射作为第i 1个特征提取阶段的输入，i∈[1,n)；
[0022]
特征金字塔单元，用于将第n个特征提取阶段的所述第一特征映射降维得到第n个特征提取阶段的第二特征映射；将第n个特征提取阶段的第二特征映射进行上采样，并将上采样结果与第n-1个特征提取阶段的第一特征映射的降维结果进行合并，得到第n-1个特征提取阶段的第二特征映射；依次类推，直至得到第2个特征提取阶段的第二特征映射；
[0023]
检测结果生成单元，用于将第2个特征提取阶段的第二特征映射至第n个特征提取阶段的第二特征映射分别进行卷积，得到第2个特征提取阶段至第n个特征提取阶段对应的最终特征映射，根据所述最终特征映射得到所述待检测图像的检测结果。
[0024]
本发明的第三方面，提供了一种图像接缝裁剪检测电子设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行上述的图像接缝裁剪检测方法。
[0025]
本发明的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行上述的图像接缝裁剪检测方法。
[0026]
需要注意的是，本发明的第二方面至第四方面与现有技术之间的有益效果与上述的图像接缝裁剪检测方法与现有技术之间的有益效果相同，此处不再细述。
[0027]
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0028]
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0029]
图1是本发明一个实施例提供的一种图像接缝裁剪检测方法的流程示意图；
[0030]
图2是本发明一个实施例提供的检测网络的结构框图；
[0031]
图3是本发明一个实施例提供的特征提取模块的参数图；
[0032]
图4是本发明一个实施例提供的stage2的结构示意图；
[0033]
图5是本发明一个实施例提供的stage3至stage5的结构示意图。
具体实施方式
[0034]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0035]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0036]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“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
发明中的具体含义。
[0037]
在介绍本发明实施例之前，先对图像接缝裁剪进行简要说明：
[0038]
接缝是单个图像上从顶部到底部或从左到右最佳8连接路径的像素，最佳性由能量函数定义，通过在一个方向上反复删除(carving)或插入(insert)接缝，来达到更改图像纵横比的目的；通过在两个方向应用该操作，可以将图像重新定位到新的尺寸；以竖直方向上去除接缝为例介绍该技术：
[0039]
选取的seam为一条8连通的从顶部到底部的低能量接缝，通过以下能量函数去计算每个像素的能量：
[0040][0041]
对于一幅n*m大小的图像，垂直seam定义为：
[0042][0043]
式中，s代表一条接缝所包含的像素集合；x代表从[1,2,
…
,n]到[1,2,
…
,m]的映射。该公式表示垂直seam是从上到下贯穿整幅图像的8连通路径，并且接缝中每行有且只有一个像素。按照式(1)，图像i所包含的像素集合可表示为：
[0044][0045]
为了达到视觉满意的缩放效果，接缝所包含的像素集能量应尽可能低，因此定义最优seam为：
[0046][0047]
最优seam的查找由动态程序实现，以垂直seam为例，从图像第二行到最后一行遍历图像，水平seam同理，对其中的每个像素点(i,j)计算其代价矩阵m(i,j)，公式定义如下：
[0048]
m(i,j)＝e(i,j) min(m(i-1,j-1),m(i-1,j 1))
ꢀꢀ
(5)
[0049]
矩阵m(i,j)的最后一行即为各种垂直seam包含的能量值，锁定其中最小值的元素，从该元素出发从下往上回溯这条seam其他元素的位置，即可得到最优seam。
[0050]
seam的选择和顺序可以保护图像的内容；还可以应用于图像中特定对象的去除，在进行该操作时，首先标记要去除的对象的区域，然后将该区域的能量值调整为0，最后对整张图像进行能量值计算识别重要区域和不重要的区域，一连续去除能量值最低的seam，直至去除所有标记的区域。
[0051]
现阶段，主要有使用深度学习的检测方法和使用非深度学习的传统检测方法，但现有的方案还存在如下缺陷：
[0052]
1)对于图像细微信息的捕捉力不够强，这就导致了在低篡改率(比如1％，2％等)的前提下，其检测精度不够理想；2)目前当图像进行接缝裁剪处理后，图像尺寸将缩小，需要再次插入seam以扩大图像，此时，会改变图像的像素能量的分布，这将抵消由图像引起的能量分布的变化，从而导致检测性能下降。
[0053]
为了解决上述技术缺陷，参照图1，本发明的一个实施例，提供一种图像接缝裁剪检测方法，本方法包括如下步骤：
[0054]
步骤s101、将待检测图像输入至基于深度残差网络的特征提取模块中，得到特征
提取模块中每个特征提取阶段输出的第一特征映射；其中，特征提取模块由n个特征提取阶段连接组成，第i个特征提取阶段输出的第一特征映射作为第i 1个特征提取阶段的输入，i∈[1,n)。
[0055]
步骤s102、将第n个特征提取阶段的第一特征映射降维得到第n个特征提取阶段的第二特征映射；将第n个特征提取阶段的第二特征映射进行上采样，并将上采样结果与第n-1个特征提取阶段的第一特征映射的降维结果进行合并，得到第n-1个特征提取阶段的第二特征映射；依次类推，直至得到第2个特征提取阶段的第二特征映射。
[0056]
步骤s103、将第2个特征提取阶段的第二特征映射至第n个特征提取阶段的第二特征映射分别进行卷积，得到第2个特征提取阶段至第n个特征提取阶段对应的最终特征映射，根据最终特征映射得到待检测图像的检测结果。
[0057]
为了便于理解，参照图2，先构建检测模型，本检测模型由基于深度残差网络的特征提取模块和特征金字塔网络组成。
[0058]
首先，获取训练集和测试集，以对检测模型进行训练和优化。在一个实施例中，获取ucid图片集，将图片按照1％，2％，5％，10％，20％，30％以及50％的篡改率进行裁剪。由于基于接缝的图像大小调整根据用户首选的比率参数调整图像大小，因此被篡改的图像的比率可能会有所不同。本实施例使用比率为w
×
h(宽和高)的crop裁剪方式对图像的左上、左下、右上、右下以及中心这五个部分进行裁剪，并作为5个对照实验组作为网络的输入，w和h设置为224。将所得到的数据集均分为两份，一份训练集用于训练网络，一份测试集用来测试。
[0059]
假设输入模型的特征图的尺寸为h
×w×
c，其中h和w分别表示输入特征图的高和宽，这里为224
×
224，c表示输入特征图的通道数。
[0060]
参照图2至图5，检测模型由基于深度残差网络的特征提取模块和特征金字塔网络组成，特征提取模块包括5个stage(特征提取阶段)自底而上连接，分别命名为stage1(第1个特征提取阶段)、stage2(第2个特征提取阶段)、stage3(第3个特征提取阶段)、stage4(第4个特征提取阶段)以及stage5(第5个特征提取阶段)。如图2和图3，自底而上，stage1仅用于对输入的图像做一次卷积，进行下采样，由于stage1过程的卷积提取的特征信息过多，占用的内存空间太大，所以不将其输出的特征映射融合进后续的特征金字塔网络中。stage2的结构如图4所示，图4中，包含两种残差块，第一种残差块：用于加深网络结构卷积模块(convolutional block)，即图4中竖直的卷积部分；第二种残差块：用来串联网络连接的恒等映射(identity block)，即图4中左侧部分。由于stage1已经使用了最大池化将特征图下采样，故stage2的恒等映射不需要进行卷积，直接将其与卷积层的结果进行相加。在一些实施例中，每个卷积层后面都有一个标准化(batchnorm)，用来减轻relu激活函数可能带来的过拟合的影响。stage3至stage5的结构相同，如图5所示，根据stage2类似，stage3至stage5也包含两种残差块，第一种残差块：用于加深网络结构卷积模块(convolutional block)，即图5中竖直的部分；第二种残差块：用来串联网络连接的恒等映射(identity block)，即图5中左侧部分。如图5，stage3至stage5均在第一次卷积时采用步长为2对特征映射进行下采样，为了保证其可加性，在跳跃连接处采用核大小为1
×
1，步长为2对输入进行升维并下采样到与卷积层的输出同样大小。stage3至stage5卷积层和跳跃连接的构造一样，区别在于输入特征图的大小有所差别，大小参数可参照图3所示。
[0061]
如图2所示，特征提取模块自底向上的过程为使用卷积核进行特征图计算的过程，对于这5个stage，使用每个阶段的最后一个残差块输出的特征激活输出。将这几个最后残差块的输出表示为{c1，c2，c3，c4，c5}，并且它们相对于输入图具有{4,8,16,32}的步长，即分别为输入图像的1/4，1/8，1/16以及1/32。由于c1的内存占用过大，这里只取{c2，c3，c4，c5}将其纳入特征金字塔网络中。
[0062]
在特征金字塔网络中，首先将stage5的c5进行1x1降维得到特征映射m5，然后进行特征映射m4至m2的计算，以m4的获取为例，首先将c1进行1x1降维，得到降维结果，然后将m5进行2倍上采样(放大图像)，得到上采样结果，将降维结果与上采样结果通过按元素相加进行合并，得到m4。m3和m2的获取过程与m4的获取过程类似，此处不再赘述。
[0063]
在得到{m5，m4，m3，m2}后，在每个合并的特征映射{m5，m4，m3，m2}使用一个3
×
3卷积减少上采样的混叠效应，生成最终的特征映射，表示为{p2，p3，p4，p5}，分别对应于{c2，c3，c4，c5}，它们具有相同的尺寸。需要注意的是，对于检测模型输出的{p2，p3，p4，p5}这4个特征映射用来预测分类，p2至p4这四个预测值所提取到的图片信息会有区别，所以它们的分类效果也是不一样的。由于最后融合后有4个预测值，故取其检测效果最佳的结果作为最后的检测效果。
[0064]
最后，将测试集输入到检测模型进行测试分类，由于在最开始对图像的左上、左下、右上、右下以及中心这五个区域进行了crop裁剪生成了5个对照组，网络训练好之后评估5个区域的训练效果，选择训练效果最好的一个区域用于最后测试。
[0065]
当检测模型训练和测试完成之后，就可以将待检测图像输入至已经完成的检测模型中，然后按照步骤s101至步骤s103执行处理过程，得到对于待检测图像的最终检测结果。需要注意的是，上述训练过程的介绍中已经详细的说明特征的处理过程，此处不再赘述。
[0066]
本方法通过将图像输入至基于深度残差网络的特征提取模块中，该模块由多个特征提取阶段连接而成，每一特征提取阶段均能各自提取到图像的低层特征高分辨率信息，即第一特征映射；利用特征金字塔网络，从多个第一特征映射中提取更为抽象、语气更强的高层特征，即第二特征映射，具体为：首先将最后一个特征提取阶段的第一特征映射降维出第二特征映射，然后将上采样的第二特征映射与相应的降维之后的第一特征映射通过按元素相加进行合并，直至得到除第1个特征提取阶段外，每个特征提取阶段的第二特征映射；对第二特征映射进行卷积减少上采样的混叠效应，生成最终的特征映射，通过最终特征映射得到图像的检测结果。本方法提出将深度残差网络与特征金字塔网络结合，并且将其应用在基于seam carving的图像篡改检测上，相较于现有方案，本方法不仅能够捕捉到图像的低层特征高分辨率信息，还能捕捉高层特征的强语义信息，学习到的图像信息更加全面更加细微，通过融合这些不同层的特征能够增强基于接缝裁剪的低篡改率图像的检测效果。
[0067]
还需要补充的是：基于接缝裁剪的图像篡改，图像的缩小方式在上述实施方式中已经详细介绍过了，这里不再做说明。而基于接缝裁剪的图像放大方式原理一样，先找到最小的能量线，设能量线上的点的坐标为p(x,y),则在p(x,y)与p(x,y 1)中心位置插入新的像素，像素值为p(x,y)与p(x,y)的平均值。因此，如果图像首先采用接缝裁剪的算法将图像缩小(去除seam)然后在进行放大(即插入seam)，插入的像素能量值与原来去除的像素能量值有可能不一样，即会引起图像能量的变化。而本方法结合低层高语义分辨率的特征，将更
抽象、语义更强的高层特征图进行上采样，然后把该特征横向连接至前一层特征，因此高层特征得到加强。这样，图像放大缩小引起能量变化的底层特征可以和高层特征进行融合，由此提高检测性能。
[0068]
本发明的一个实施例，提供了一种图像接缝裁剪检测系统，包括特征提取单元1100、特征金字塔单元1300以及检测结果生成单元1300，其中：
[0069]
特征提取单元1100用于将待检测图像输入至基于深度残差网络的特征提取模块中，得到特征提取模块中每个特征提取阶段输出的第一特征映射；其中，特征提取模块由n个特征提取阶段连接组成，第i个特征提取阶段输出的第一特征映射作为第i 1个特征提取阶段的输入中，i∈[1,n)。
[0070]
特征金字塔单元1200用于将第n个特征提取阶段的第一特征映射降维得到第n个特征提取阶段的第二特征映射；将第n个特征提取阶段的第二特征映射进行上采样，并将上采样结果与第n-1个特征提取阶段的第一特征映射的降维结果进行合并，得到第n-1个特征提取阶段的第二特征映射；依次类推，直至得到第2个特征提取阶段的第二特征映射。
[0071]
检测结果生成单元1300用于将第2个特征提取阶段的第二特征映射至第n个特征提取阶段的第二特征映射分别进行卷积，得到第2个特征提取阶段至第n个特征提取阶段对应的最终特征映射，根据最终特征映射得到待检测图像的检测结果。图像获取单元1100用于获取待检测图像。
[0072]
需要注意的是，本系统实施例与上述的方法实施例是基于相同的发明构思，因此上述方法实施例的相关内容同样适用于本系统实施例，这里不再赘述。
[0073]
本系统包括特征提取单元、特征金字塔单元以及检测结果生成单元，特征提取单元将图像输入至基于深度残差网络的特征提取模块，该模块由多个特征提取阶段连接而成，沿正向每一特征提取阶段均能各自提取到图像的低层特征高分辨率信息，即第一特征映射；特征金字塔单元采用特征金字塔网络，从多个第一特征映射中提取更为抽象、语气更强的高层特征，即第二特征映射，具体为：首先降维计算最后一个特征提取阶段对应的第二特征映射，然后沿反向将上采样的第二特征映射与相应的降维之后的第一特征映射通过按元素相加进行合并，直至得到除第1个特征提取阶段外，每个特征提取阶段的第二特征映射；检测结果生成单元将对第二特征映射进行卷积减少上采样的混叠效应，生成最终的特征映射，通过最终特征映射得到图像的检测结果。本系统提出将深度残差网络与特征金字塔网络结合，并且将其应用在基于seam carving的图像篡改检测上，相较于现有方案，本系统不仅能够捕捉到图像的低层特征高分辨率信息，还能捕捉高层特征的强语义信息，学习到的图像信息更加全面更加细微，通过融合这些不同层的特征能够增强基于接缝裁剪的低篡改率图像的检测效果。
[0074]
本技术还提供一种图像接缝裁剪检测电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现：如上述的图像接缝裁剪检测方法。
[0075]
处理器和存储器可以通过总线或者其他方式连接。
[0076]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施
方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0077]
实现上述实施例的图像接缝裁剪检测方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述实施例中的图像接缝裁剪检测方法，例如，执行以上描述的图1中的方法步骤s101至步骤s103。
[0078]
本技术还提供一种计算机可读存储介质，存储有计算机可执行指令，计算机可执行指令用于执行：如上述的图像接缝裁剪检测方法。
[0079]
该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述电子设备实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的图像接缝裁剪检测方法，例如，执行以上描述的图1中的方法步骤s101至步骤s103。
[0080]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储数据(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的数据并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何数据递送介质。
[0081]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0082]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。