自動提取圖像前景的方法和系統(tǒng)

1.一種提取圖像前景的方法，包括：
對待提取前景的彩色圖像進行灰度化處理；
對灰度化后的圖像進行濾波處理；
檢測經(jīng)濾波的圖像的顯著前景區(qū)域；
確定前景范圍；以及
根據(jù)grabcut算法進行最終的前景提取，
其中，確定前景范圍包括：
對提取的特征區(qū)域進行幾何逼近，以獲得所有區(qū)域的幾何逼近區(qū)域；
根據(jù)相應(yīng)規(guī)則對所有區(qū)域的幾何逼近區(qū)域進行篩選；以及
尋找能包含篩選后的所有幾何逼近區(qū)域的最大幾何區(qū)域。
2.根據(jù)權(quán)利要求1所述的方法，其中，檢測經(jīng)濾波的圖像的顯著前景區(qū)域包括：
通過Canny邊緣檢測法來進行邊緣檢測；
對邊緣檢測到的輪廓進行初步的提取。
3.根據(jù)權(quán)利要求1所述的方法，其中，采用加權(quán)平均值法對圖像進行所述灰度化處理。
4.根據(jù)權(quán)利要求1所述的方法，其中，采用高斯濾波進行所述濾波處理。
5.根據(jù)權(quán)利要求4所述的方法，其中，所述高斯濾波選擇3*3的模板。
6.根據(jù)權(quán)利要求1所述的方法，其中，對所有區(qū)域的幾何逼近區(qū)域進行篩選包括范圍為 的閾值。
7.一種提取圖像前景的系統(tǒng)，包括：
灰度化處理模塊，用于對待提取前景的彩色圖像進行灰度化處理；
濾波處理模塊，用于對經(jīng)灰度化處理模塊灰度化的圖像進行濾波處理；
特征區(qū)域提取模塊，用于檢測經(jīng)濾波的圖像的顯著前景區(qū)域；
前景范圍確定模塊，用于確定前景范圍；以及
前景最終提取模塊，用于根據(jù)grabcut算法進行最終的前景提取，
其中，所述前景范圍確定模塊包括：
初步區(qū)域框定模塊，用于對所述特征區(qū)域提取模塊所提取的特征區(qū)域進行幾何逼近，以獲得所有區(qū)域的幾何逼近區(qū)域；
區(qū)域篩選模塊，用于根據(jù)預(yù)定規(guī)則對所述初步區(qū)域框定模塊獲得的所有幾何區(qū)域進行篩選；以及
最大幾何區(qū)域確定模塊，用于尋找能包含所述區(qū)域篩選模塊篩選后的所有幾何區(qū)域的最大幾何區(qū)域。
8.根據(jù)權(quán)利要求7所述的系統(tǒng)，其中，所述特征區(qū)域提取模塊包括：
邊緣檢測模塊，用于用邊緣檢測法和灰度閾值法中的一種來進行邊緣檢測；以及輪廓提取模塊，用于對所述邊緣檢測模塊所檢測到的輪廓進行初步的提取，以確定輪廓線。

自動提取圖像前景的方法和系統(tǒng)\n技術(shù)領(lǐng)域\n[0001] 本發(fā)明總體地涉及計算機視覺中數(shù)字圖像處理領(lǐng)域，尤其涉及自動提取圖像前景的方法和系統(tǒng)。\n背景技術(shù)\n[0002] 時至今日，隨著科技和互聯(lián)網(wǎng)行業(yè)的飛速發(fā)展，以往的人力處理已經(jīng)不能滿足當(dāng)今人們的物質(zhì)生活需要，更多的計算機處理方法更快更廣泛的融入現(xiàn)代人的生活之中。\n[0003] 隨著生活節(jié)奏的加快，人工智能領(lǐng)域也逐漸被人們所重視以取代以往的人力處理和簡單的計算機計算，完全依靠計算機自主進行各種工作，是發(fā)展的必然趨勢，而圖形圖像領(lǐng)域，是人們所感知最深的。\n[0004] 日常生活中，人們離不開購物，電子商務(wù)的出現(xiàn)與發(fā)展成為歷史的必然，與傳統(tǒng)的購物不同，電子商務(wù)是通過互聯(lián)網(wǎng)技術(shù)，將商品上架于互聯(lián)網(wǎng)，通過各種終端甚至手機客戶端即可完成購物需求，但隨著生活節(jié)奏的加快，通常的文字搜索已經(jīng)不能滿足人們的需要，一種新型的購物方法——拍照購物應(yīng)時而生。\n[0005] 拍照購物主要依靠的是圖像處理的方法，將用戶拍攝的商品圖像與商品圖庫的圖像進行比對，找到最為相似的商品，但是由于用戶拍攝的圖像是任意的隨機的，不可能與商家的商品圖庫完全吻合，復(fù)雜的商品背景環(huán)境對這一新型購物體驗造成了很大的影響，商品與背景圖像的分離成為了技術(shù)的關(guān)鍵，而傳統(tǒng)的背景分離方法是基于人工干預(yù)即需要人為對要被分割的區(qū)域進行框選和設(shè)定，或者通過機器學(xué)習(xí)或其他經(jīng)驗型人工干預(yù)達到的，并未實現(xiàn)真正的人工智能。\n發(fā)明內(nèi)容\n[0006] 為了解決現(xiàn)有技術(shù)中的上述缺點和問題而提出本發(fā)明。\n[0007] 本發(fā)明提出一種提取圖像前景的方法，包括：對待提取前景的彩色圖像進行灰度化處理；對灰度化后的圖像進行濾波處理；檢測經(jīng)濾波的圖像的顯著前景區(qū)域；確定前景范圍；以及根據(jù)grabcut算法進行最終的前景提取。\n[0008] 優(yōu)選地，檢測經(jīng)濾波的圖像的顯著前景區(qū)域包括：通過Canny邊緣檢測法來進行邊緣檢測；對邊緣檢測到的輪廓進行初步的提取。\n[0009] 優(yōu)選地，確定前景范圍包括：對提取的特征區(qū)域進行幾何逼近，以獲得所有區(qū)域的幾何逼近區(qū)域；根據(jù)相應(yīng)規(guī)則對所有區(qū)域的幾何逼近區(qū)域進行篩選；以及尋找能包含篩選后的所有幾何逼近區(qū)域的最大幾何區(qū)域。\n[0010] 優(yōu)選地，采用加權(quán)平均值法對圖像進行所述灰度化處理。\n[0011] 優(yōu)選地，采用高斯濾波進行所述濾波處理。\n[0012] 優(yōu)選地，所述高斯濾波選擇3*3的模板。\n[0013] 優(yōu)選地，對所有區(qū)域的幾何逼近區(qū)域進行篩選包括范圍為 的閾值。\n[0014] 根據(jù)本發(fā)明的另一個方面，提供了一種提取圖像前景的系統(tǒng)，包括：灰度化處理模塊，用于對待提取前景的彩色圖像進行灰度化處理；濾波處理模塊，用于對經(jīng)灰度化處理模塊灰度化的圖像進行濾波處理；特征區(qū)域提取模塊，用于檢測經(jīng)濾波的圖像的顯著前景區(qū)域；前景范圍確定模塊，用于確定前景范圍；以及前景最終提取模塊，用于根據(jù)grabcut算法進行最終的前景提取。\n[0015] 優(yōu)選地，所述特征區(qū)域提取模塊包括：邊緣檢測模塊，用于用邊緣檢測法和灰度閾值法中的一種來進行邊緣檢測；以及輪廓提取模塊，用于對所述邊緣檢測模塊所檢測到的輪廓進行初步的提取，以確定輪廓線。\n[0016] 優(yōu)選地，所述前景范圍確定模塊包括：初步區(qū)域框定模塊，用于對所述特征區(qū)域提取模塊所提取的特征區(qū)域進行幾何逼近，以獲得所有區(qū)域的幾何逼近區(qū)域；區(qū)域篩選模塊，用于根據(jù)預(yù)定規(guī)則對所述初步區(qū)域框定模塊獲得的所有幾何區(qū)域進行篩選；以及最大幾何區(qū)域確定模塊，用于尋找能包含所述區(qū)域篩選模塊篩選后的所有幾何區(qū)域的最大幾何區(qū)域。\n附圖說明\n[0017] 通過下面結(jié)合附圖進行的描述，本發(fā)明一些示范性實施例的上述和其他方面、特征和優(yōu)點對于本領(lǐng)域技術(shù)人員來說將變得顯而易見，其中：\n[0018] 圖1為根據(jù)本發(fā)明的示范性實施例的提取圖像前景的方法的流程圖；\n[0019] 圖2為根據(jù)本發(fā)明的示范性實施例的檢測圖像的顯著前景區(qū)域的方法的流程圖；\n[0020] 圖3為根據(jù)本發(fā)明的示范性實施例的精確確定前景范圍的算法的流程圖；以及[0021] 圖4是根據(jù)本發(fā)明的示范性實施例的提取圖像前景的系統(tǒng)的框圖。\n具體實施方式\n[0022] 提供參考附圖的下面描述以幫助全面理解本發(fā)明的示范性實施例。其包括各種細節(jié)以助于理解，而應(yīng)當(dāng)將它們認(rèn)為僅僅是示范性的。因此，本領(lǐng)域普通技術(shù)人員應(yīng)當(dāng)認(rèn)識到，可以對這里描述的實施例做出各種改變和修改，而不會背離本發(fā)明的范圍和精神。同樣，為了清楚和簡明，省略了對公知功能和結(jié)構(gòu)的描述。\n[0023] 下面將參考附圖詳細描述本發(fā)明。\n[0024] 圖1為根據(jù)本發(fā)明的示范性實施例的提取圖像前景的方法的流程圖。\n[0025] 在步驟S110中，對待提取前景的彩色圖像進行灰度化處理操作。對圖像進行灰度化的方法有許多種，經(jīng)常使用的方法主要有以下三種：\n[0026] (a)最大值法，其將彩色圖像中的三分量亮度的最大值作為灰度圖的灰度值，可以用公式f(i，j)＝max(R(i，j)，G(i，j)，B(i，j))來表達。采用最大值法對圖像進行灰度化處理會使圖像的整體亮度增強。\n[0027] (b)平均值法，其將彩色圖像中的三分量亮度求平均得到一個灰度值，可以用公式f(i，j)＝(R(i，j)+G(i，j)+B(i，j))/3來表達。采用平均值法對圖像進行灰度化處理會形成比較柔和的灰度圖像。\n[0028] (c)加權(quán)平均法，其根據(jù)重要性及其它指標(biāo)，將三個分量以不同的權(quán)值進行加權(quán)平均。由于人眼對綠色的敏感最高，對藍色敏感最低，因此，按下列公式(1)對RGB三分量進行加權(quán)平均能得到較合理的灰度圖像：\n[0029] Y＝0.299*R+0.587*G+0.114*B (1)\n[0030] 其中Y代表轉(zhuǎn)換后的像素值，R代表本像素的紅色值，G代表本像素的綠色值，B代表本像素的藍色值。\n[0031] 為了消除噪聲干擾，在步驟S120中，對步驟S110中灰度化后的圖像進行濾波處理。對圖像進行濾波的方法有很多種，例如高斯濾波、中值濾波、均值濾波、最小均方差濾波、Gabor濾波等。作為一個示例，可以采用下列公式(2)的高斯平滑濾波：\n[0032] \n[0033] 其中，參數(shù)δ是高斯濾波模板，A是規(guī)范化系數(shù)。由于δ的值越大，平滑的窗口會越大，其平滑的力度也會越大，會使得平滑后的圖像越模糊，所以可以根據(jù)需要選擇適當(dāng)?shù)摩?。這里通過對拍攝圖像的噪聲進行分析，所以可以選擇例如3*3的模板來進行高斯平\n2\n滑濾波。(本領(lǐng)域技術(shù)人員將清楚地理解m＝2*2δ+1，其中m是模板的大小，即若時，m＝3；)\n[0034] 在步驟S130中，檢測經(jīng)高斯平滑濾波的圖像的顯著前景區(qū)域，即對經(jīng)高斯平滑濾波的圖像進行特征區(qū)域提取。特征區(qū)域的提取例如是通過對預(yù)處理后的圖像進行邊緣檢測和輪廓提取來得到。根據(jù)本發(fā)明的一個實施例，可以通過如圖2中所示的過程來完成對顯著前景區(qū)域的檢測：\n[0035] 在步驟S210中，進行邊緣檢測。邊緣檢測例如可以包括Canny邊緣檢測法、Robert算子法、Sobel梯度法、二階微分算子法等。\n[0036] 邊緣是指圖像變化最為顯著的位置，物體的邊緣是以圖像局部特性的不連續(xù)性的形式出現(xiàn)，如灰度的突變等。從本質(zhì)上說，邊緣通常意味著一個區(qū)域的終結(jié)和另一個區(qū)域的開始。邊緣檢測是通過邊緣檢測算子找到物體的邊緣，邊緣檢測算子是一組用在圖像強度函數(shù)中定位變化重要的局部圖像預(yù)處理方法。圖像中的邊緣通常與圖像強度的一階導(dǎo)數(shù)的不連續(xù)性有關(guān)。由于邊緣是圖像變化最劇烈的地方，采用微分處理將得到較高的值。\n[0037] 根據(jù)一個實施例，通過Canny邊緣檢測法來進行邊緣檢測和輪廓提取，其是通過(1)對處理后的圖像使用一階偏導(dǎo)有限差分計算梯度幅值和方向(2)對梯度幅值進行非極大抑制(3)采用預(yù)設(shè)的閾值進行雙閾值算法檢測和邊緣連接來完成的。\n[0038] 在步驟S220中，對步驟S210中檢測到的輪廓進行初步的提取。對邊緣檢測后所得到的二值圖像進行聯(lián)通區(qū)域檢測，獲得所有的內(nèi)邊界、外邊界和環(huán)繞區(qū)域，最終確定二值圖像中的輪廓線。\n[0039] 在步驟S140中，精確確定前景范圍，該步驟可以通過圖3中所示的步驟完成：\n[0040] 在步驟S310中，對步驟S130中提取的特征區(qū)域進行幾何逼近，獲得所有區(qū)域的幾何逼近區(qū)域。可以采用的幾何逼近的方式有很多，可以是矩形幾何逼近、多邊形幾何逼近、也可以是曲線的幾何逼近。例如，可以采用下面的方式來實現(xiàn)。\n[0041] \n[0042] 其中X表示所有輪廓線的橫向坐標(biāo)值集，Y表示所有輪廓線的縱向坐標(biāo)值集，其中Rect[xleft_up，yleft_up，xright_bottom，yright_bottom]是所逼近的矩形。\n[0043] 這里我們采用矩形區(qū)域作為幾何區(qū)域，原因如下：相比其他非規(guī)則和規(guī)則區(qū)域，矩形區(qū)域的特征最為明顯，可以通過確定左上角的坐標(biāo)和右下角的坐標(biāo)兩點便可確定整個矩形區(qū)域；同時矩形相對于其他非規(guī)則或規(guī)則多邊形區(qū)域在逼急效率上的計算時間復(fù)雜度更低，同時也能達到前景目標(biāo)的初步區(qū)域框定。\n[0044] 在步驟S320中，對所有幾何區(qū)域根據(jù)相應(yīng)規(guī)則進行篩選，例如可以采用以下的篩選規(guī)則公式(3)：\n[0045] \n[0046] 其中Snew是獲得的新的幾何區(qū)域的集合，STotal是初步確定的幾何區(qū)域的集合，S′是當(dāng)前待判定的幾何區(qū)域，Area(.)表示幾何區(qū)域的面積，T是對幾何區(qū)域進行篩選的閾值。為了最大的去除預(yù)處理后剩余的噪聲對最終結(jié)果的干擾，同時能夠保證有用的前景信息并未被錯誤刪除，根據(jù)實驗，將閾值T的范圍選擇為 更優(yōu)選，可以將選擇為1/25。\n[0047] 在步驟S330中，尋找能包含所有幾何區(qū)域的最大幾何區(qū)域。例如，可以根據(jù)在步驟S320中所剩余的可選矩形區(qū)域，對所有矩形區(qū)域進行統(tǒng)計，獲得最小的左上角坐標(biāo)和最大的右下角坐標(biāo)，這兩點所確定的矩形區(qū)域即為能夠包含S320所有剩余矩形的最小矩形區(qū)域。\n[0048] 在步驟S150中，進行最終的前景提取。例如，可以將在步驟S140中確定的最小矩形區(qū)域的內(nèi)外圖像分別作為前景和背景圖像，然后根據(jù)grabcut算法完成最終的前景背景的分離，去除圖像背景，保留前景目標(biāo)。\n[0049] 圖4是根據(jù)本發(fā)明的示范性實施例的提取圖像前景的系統(tǒng)的框圖。\n[0050] 如圖4中所示，根據(jù)本發(fā)明的示范性實施例的提取圖像前景的系統(tǒng)包括灰度化處理模塊410、濾波處理模塊420、特征區(qū)域提取模塊430、前景范圍確定模塊440和前景最終提取模塊450。\n[0051] 灰度化處理模塊410對待提取前景的彩色圖像進行灰度化處理，例如可以采用上述的最大值法、平均值法、加權(quán)平均法中的任意一種對圖像進行灰度化。優(yōu)選地，灰度化處理模塊410采用加權(quán)平均值法對圖像進行灰度化。由于上面已對這些灰度化處理方法進行了介紹，所以在此將再重復(fù)。\n[0052] 濾波處理模塊420對經(jīng)灰度化處理模塊410灰度化的圖像進行濾波處理，例如可以采用高斯濾波、中值濾波、均值濾波、最小均方差濾波、Gabor濾波等方法中的任意一種對圖像進行濾波。優(yōu)選地，濾波處理模塊420采用高斯平滑濾波對圖像進行濾波。對濾波處理的詳細描述可以參加關(guān)于步驟S120進行的描述。\n[0053] 特征區(qū)域提取模塊430檢測經(jīng)高斯平滑濾波的圖像的顯著前景區(qū)域。特征區(qū)域提取模塊430包括邊緣檢測模塊432和輪廓提取模塊434。邊緣檢測模塊432例如可以用邊緣檢測法和灰度閾值法等來進行邊緣檢測。\n[0054] 輪廓提取模塊434對邊緣檢測模塊432所檢測到的輪廓進行初步的提取，其對邊緣檢測后所得到的二值圖像進行聯(lián)通區(qū)域檢測，獲得所有的內(nèi)邊界、外邊界和環(huán)繞區(qū)域，最終確定二值圖像中的輪廓線。\n[0055] 前景范圍確定模塊440用于精確確定前景范圍。前景范圍確定模塊440包括初步區(qū)域框定模塊442、區(qū)域篩選模塊444、以及最大幾何區(qū)域確定模塊446。\n[0056] 初步區(qū)域框定模塊442對特征區(qū)域提取模塊430所提取的特征區(qū)域進行幾何逼近，獲得所有區(qū)域的幾何逼近區(qū)域。\n[0057] 區(qū)域篩選模塊444對初步區(qū)域框定模塊442獲得的所有幾何區(qū)域進行篩選，例如可以采用以下的篩選規(guī)則公式(3)：\n[0058] \n[0059] 其中Snew是獲得的新的幾何區(qū)域的集合，STotal是初步確定的幾何區(qū)域的集合，S′是當(dāng)前待判定的幾何區(qū)域，Area(.)表示幾何區(qū)域的面積，T是對幾何區(qū)域進行篩選的閾值。為了最大的去除預(yù)處理后剩余的噪聲對最終結(jié)果的干擾，同時能夠保證有用的前景信息并未被錯誤刪除，根據(jù)實驗，將閾值T的范圍選擇為 更優(yōu)選，可以將T選擇為\n1/25。\n[0060] 最大幾何區(qū)域確定模塊446用于尋找能包含區(qū)域篩選模塊444篩選后的所有幾何區(qū)域的最大幾何區(qū)域。例如，可以根據(jù)區(qū)域篩選模塊444篩選后的可選矩形區(qū)域，對所有矩形區(qū)域進行統(tǒng)計，獲得最小的左上角坐標(biāo)和最大的右下角坐標(biāo)，這兩點所確定的矩形區(qū)域即為能夠包含區(qū)域篩選模塊444篩選后的所有剩余區(qū)域的最小矩形區(qū)域。\n[0061] 前景最終提取模塊450用于進行最終的前景提取。例如，可以將在前景范圍確定模塊440中確定的最小矩形區(qū)域的內(nèi)外圖像分別作為前景和背景圖像，然后根據(jù)grabcut算法完成最終的前景背景的分離，去除圖像背景，保留前景目標(biāo)。\n[0062] 本發(fā)明實施例的有益效果是：(1)通過對底層圖像特征信息的分析與提取，解決了前景和背景需要人工干預(yù)而不能達到完全智能自動分離的目的；(2)因為是自動提取，解決了因不了解如何進行框定或如何選定待分離區(qū)域而導(dǎo)致前景分離失敗或者前景被錯誤抹除的情況；(3)分塊幾何進行篩選解決了因圖像預(yù)處理而不能達到完全的圖像平滑降噪，而導(dǎo)致最終分離結(jié)果不準(zhǔn)確的問題；(4)幾何逼近算法能夠更加精確的接近的待分離的前景目標(biāo)區(qū)域，通過反復(fù)幾何逼近達到了人為手工不能達到的精度。\n[0063] 應(yīng)指出的是，上面分別對本發(fā)明的系統(tǒng)和方法實施例分別進行了描述，但是對一個實施例描述的細節(jié)也可應(yīng)用于另一個實施例。\n[0064] 以上結(jié)合具體實施例描述了本發(fā)明的基本原理，但是，需要指出的是，對本領(lǐng)域的普通技術(shù)人員而言，能夠理解本發(fā)明的方法和系統(tǒng)的全部或者任何步驟或者部件可以以軟件、硬件、固件或者它們的組合加以實現(xiàn)，這是本領(lǐng)域普通技術(shù)人員在閱讀了本發(fā)明的說明的情況下運用他們的基本編程技能就能實現(xiàn)的。\n[0065] 因此，本發(fā)明的目的還可以通過在任何計算裝置上運行一個軟件模塊或者一組軟件模塊來實現(xiàn)。所述計算裝置可以是公知的通用裝置。因此，本發(fā)明的目的也可以僅僅通過提供包含實現(xiàn)所述方法或者裝置的程序代碼的程序產(chǎn)品來實現(xiàn)。也就是說，這樣的程序產(chǎn)品也構(gòu)成本發(fā)明，并且存儲有這樣的程序產(chǎn)品的存儲介質(zhì)也構(gòu)成本發(fā)明。顯然，所述存儲介質(zhì)可以是任何公知的存儲介質(zhì)或者將來所開發(fā)出來的任何存儲介質(zhì)。\n[0066] 雖然本說明書包含許多特定實施方式細節(jié)，但是不應(yīng)當(dāng)將這些細節(jié)解釋為對任何發(fā)明或可以主張的內(nèi)容的范圍的限制，而應(yīng)當(dāng)解釋為對可以特定于特定發(fā)明的特定實施例的特征的描述。還可以將在本說明書中在分離的實施例的情境中描述的某些特征組合在單個實施例中實現(xiàn)。相反地，也可以將在單個實施方式的情境中描述的各個特征分離地在多個實施方式中實現(xiàn)或在任何適當(dāng)?shù)淖咏M合中實現(xiàn)。此外，盡管可能在上面將特征描述為在某些組合中起作用，甚至最初主張如此，但是可以在一些情況下將來自所主張的組合的一個或多個特征從組合中刪去，并且可以將所主張的組合指向子組合或者子組合的變體。\n[0067] 類似地，雖然在附圖中以特定次序描繪了操作，但是不應(yīng)當(dāng)將這理解為需要以所示的特定次序或者以連續(xù)次序執(zhí)行這樣的操作、或者需要執(zhí)行所有圖示的操作才能達到期望的結(jié)果。在某些情況下，多任務(wù)以及并行處理可以是有利的。此外，不應(yīng)當(dāng)將在上述實施例中的各種系統(tǒng)組件的分離理解為在所有實施例中均需要這樣的分離，而應(yīng)當(dāng)理解的是，通?？梢詫⑺枋龅某绦蚪M件和系統(tǒng)集成到一起成為單個軟件產(chǎn)品或封裝為多個軟件產(chǎn)品。\n[0068] 計算機程序(也稱作程序、軟件、軟件應(yīng)用、腳本或代碼)可以以任何形式的編程語言編寫，所述編程語言包括編譯或解釋語言、或者說明性或過程語言，并且其可以以任何形式部署，包括作為獨立程序或作為模塊、組件、子程序或適于在計算環(huán)境中使用的其它單元。計算機程序沒有必要對應(yīng)于文件系統(tǒng)中的文件?？梢詫⒊绦虼鎯υ诒３制渌绦蚧驍?shù)據(jù)的文件(例如，存儲在標(biāo)記語言文檔中的一個或多個腳本)的一部分、專用于討論中的程序的單個文件或者多個協(xié)調(diào)文件(例如，存儲一個或多個模塊、子程序或部分代碼的文件)中。\n[0069] 上述具體實施方式，并不構(gòu)成對本發(fā)明保護范圍的限制。本領(lǐng)域技術(shù)人員應(yīng)該明白的是，取決于設(shè)計要求和其他因素，可以發(fā)生各種各樣的修改、組合、子組合和替代。任何在本發(fā)明的精神和原則之內(nèi)所作的修改、等同替換和改進等，均應(yīng)包含在本發(fā)明保護范圍之內(nèi)。