本發(fā)明涉及計算機圖形學(xué)技術(shù)領(lǐng)域，具體涉及一種基于模糊對應(yīng)函數(shù)的3D形狀模型局部分析及檢索方法及裝置。

背景技術(shù)：

3D模型的再利用具有很重要的實用價值。人們常通過對3D模型進(jìn)行分割，重組來創(chuàng)造新的3D模型，這是創(chuàng)造新的3D模型的重要方式，因此在一個大的3D形狀數(shù)據(jù)庫中進(jìn)行局部檢索就顯得非常重要。

技術(shù)實現(xiàn)要素：

為了實現(xiàn)3D形狀數(shù)據(jù)庫分析與局部檢索的功能，本發(fā)明的目的是提供一種基于3D形狀數(shù)據(jù)庫的點對應(yīng)的模糊對應(yīng)函數(shù)的建立技術(shù)，從而實現(xiàn)3D形狀數(shù)據(jù)庫分析與局部檢索方案。

為了達(dá)成所述目的，本發(fā)明提出了一種3D形狀模型分析及檢索方法，其包括：

步驟1、輸入3D形狀模型數(shù)據(jù)庫中所有的3D形狀模型并建立其初始化關(guān)系圖，使相似的3D形狀模型之間相互連接；

步驟2、通過初始化關(guān)系圖，對相似的3D形狀模型進(jìn)行變形，得到空間中最優(yōu)的兩兩對準(zhǔn)效果，并計算出衡量對準(zhǔn)程度的評估值；

步驟3、根據(jù)所述評估值，將所有兩兩對應(yīng)的3D形狀模型的評估值嵌入我們定義的對應(yīng)矩陣中，并對該對應(yīng)矩陣進(jìn)行譜分析；

步驟4、根據(jù)譜分析后得到的兩兩對應(yīng)點之間的擴散距離計算，得到模糊對應(yīng)函數(shù)(描述了點對點的相似度量關(guān)系)，并不斷對初始化關(guān)系圖進(jìn)行優(yōu)化，調(diào)整該模糊對應(yīng)函數(shù)。

步驟5、從3D形狀模型數(shù)據(jù)庫中選定與待檢索模型相似的3D形狀模型的局部區(qū)域；

步驟6、根據(jù)步驟4確定的模糊對應(yīng)函數(shù)，計算所選定的局部區(qū)域與兩兩對準(zhǔn)效果，并計算出衡量對準(zhǔn)程度的評估值；

步驟3、根據(jù)所述評估值，將所有兩兩對應(yīng)的3D形狀模型的評估值嵌入我們定義的對應(yīng)矩陣中，并對該對應(yīng)矩陣進(jìn)行譜分析；

步驟4、根據(jù)譜分析后得到的兩兩對應(yīng)點間的擴散距離計算得到模糊對應(yīng)函數(shù)(描述了點對點的相似度量關(guān)系)，并不斷對初始化關(guān)系圖進(jìn)行優(yōu)化，調(diào)整并確定最終的模糊對應(yīng)函數(shù)。

步驟5、從3D形狀模型數(shù)據(jù)庫中選定與待檢索模型相似的3D形狀模型的局部區(qū)域；

步驟6、計算所選定的局部區(qū)域與3D形狀模型數(shù)據(jù)庫中其它3D形狀模型的距離；

步驟7、根據(jù)計算得到的距離，從小到大按順序排列其他3D形狀模型，可以得到與待檢索模型局部區(qū)域最相似到最不相似的3D形狀模型輸出；

步驟8、在3D形狀模型數(shù)據(jù)庫中，任意選定多個3D形狀模型中不同的局部區(qū)域(比如椅子1的扶手和椅子2的靠背等)，根據(jù)上述步驟所述分別計算多個區(qū)域與其他3D形狀模型的距離，對各距離相加，得到總距離值，從小到大按順序排列其他3D形狀模型，可以得到同時與多個局部區(qū)域最相似到最不相似的3D形狀模型輸出。

附圖說明

圖1示出了本發(fā)明基于點對應(yīng)的3D形狀模型分析及檢索方法的流程圖；

圖2示出了本發(fā)明中通過點對應(yīng)的模糊對應(yīng)函數(shù)實現(xiàn)的形狀庫中任意的單區(qū)域局部檢索或多區(qū)域的局部檢索效果圖；

圖3示出了利用本發(fā)明實現(xiàn)的形狀庫的局部檢索效果界面。

具體實施方式

其中，步驟1-4主要是用于3D形狀數(shù)據(jù)庫的模糊對應(yīng)函數(shù)的建立，具體可分為下面幾個部分：(1)3D形狀數(shù)據(jù)庫預(yù)處理；(2)3D形狀數(shù)據(jù)庫初始對應(yīng)圖的構(gòu)造；(3)3D形狀數(shù)據(jù)庫點對應(yīng)矩陣的構(gòu)造；(4)基于譜嵌入理論的點對應(yīng)模糊對應(yīng)函數(shù)的構(gòu)造；(5)3D形狀數(shù)據(jù)庫的對應(yīng)圖及模糊對應(yīng)函數(shù)的優(yōu)化。

而步驟5主要是利用步驟1-4所建立的模糊對應(yīng)函數(shù)進(jìn)行相應(yīng)的檢索。本發(fā)明中，可通過所述模糊對應(yīng)函數(shù)對3D形狀模型的局部進(jìn)行檢索。3D形狀模型局部檢索可分為以下兩個部分：(I)基于3D形狀數(shù)據(jù)庫點對應(yīng)的模糊對應(yīng)函數(shù)，計算選定的某一個形狀模型局部與3D形狀數(shù)據(jù)庫中其它形狀模型的距離；(II)基于上述技術(shù)的3D形狀數(shù)據(jù)庫分析及3D形狀模型局部檢索方案。

下面參照圖1，對所述方法包括的各個部分詳細(xì)進(jìn)行描述：

1、3D形狀數(shù)據(jù)庫的點對應(yīng)的模糊對應(yīng)函數(shù)的建立：

(1)3D形狀數(shù)據(jù)庫預(yù)處理

可以通過自己掃描或從網(wǎng)絡(luò)(比如Google 3D Warehouse)上獲取大量的3D形狀模型，組建一個3D形狀模型數(shù)據(jù)庫，包括椅子、飛機……等生活中常見物體的3D形狀模型。

記3D形狀模型數(shù)據(jù)庫為{m⁽¹⁾,m⁽²⁾,L,m^(N)}，其中m⁽ⁱ⁾(i＝1,2,L,N)表示一個單獨的3D形狀模型，所述3D形狀模型數(shù)據(jù)庫中的模型總數(shù)為N。為了減小計算量，此處并不用每個3D形狀模型的所有頂點，而是每個模型確定K(K＝128)個采樣點，記作m⁽ⁱ⁾＝{v_i1,v_i2,L,v_iK}(i＝1,2,L,N,K＝128)。確定采樣點方法如下：對一個3D形狀模型m，從其任意一個頂點v₁出發(fā)，令m^*＝{v₁}，找到3D形狀模型m的頂點中與m^*最遠(yuǎn)的點，記作v₂，即v₂滿足max_v∈m||v-v₁||_Euclid(||g||_Euclid表示歐幾里得范數(shù))，然后將之加入m^*，則m^*＝{v₁,v₂}；然后再找3D形狀模型m的頂點中與m^*最遠(yuǎn)的點，記作v₃，即v₃滿足max_v∈m{(||v-v₁||_Euclid+||v-v₂||_Euclid)/2}，然后將之加入m^*，則m^*＝{v₁,v₂,v₃}，如此，直到m^*中頂點個數(shù)為K(K＝128)。則每個3D形狀模型對應(yīng)的m*即為經(jīng)過預(yù)處理后3D形狀模型數(shù)據(jù)庫中每個3D形狀模型的表示，下面的m就是此處得到的m^*。

(2)3D形狀模型數(shù)據(jù)庫初始對應(yīng)圖的構(gòu)造

計算3D形狀模型數(shù)據(jù)庫中各個形狀模型的3D球面調(diào)和描述子(計算方法此處采用已知方法，不再贅述，詳見文獻(xiàn)【Kazhdan，Rotation Invariant Spherical Harmonic Representation of 3DShape Descriptors，Eurographics Symposium on Geometry Processing,2003】)，記作{x⁽¹⁾，x⁽²⁾,L，x^(N)}。

令V＝{m⁽¹⁾,m⁽²⁾,L,m^(N)}，(表示連接頂點m_k,m_l的邊的模長，即歐式距離)。以V為頂點集，以E為邊集，可構(gòu)造出一個完全圖，記作G⁰＝(V,E)。

然后，由邊集E求得G⁰的最小生成樹(Minimal Spanning Tree)，記作G^MST＝(V,E^MST)。一般來說G^MST的連通性不好，所以我們需要增加一些邊來改善G^MST的連通性。我們希望每個頂點處增加M(M＝5，M越大，連通性越好)條邊。故對于G⁰＝(V,E)，我們在每個頂點處選取3×M條邊作為候選邊，共N×3×M條侯選邊，計算其邊秩(計算方法見下段)，然后選取邊秩最大的N×M條邊加入G^MST＝(V,E^MST)，變?yōu)镚⁽¹⁾＝(V,E⁽¹⁾)，所得到的圖就為本步驟中構(gòu)造的3D形狀數(shù)據(jù)庫初始對應(yīng)圖。

邊秩的計算方法：構(gòu)造矩陣L，d(k)為頂點v^(k)的度，即定義d(k)＝{與頂點v^(k)相關(guān)聯(lián)的邊的個數(shù)}。k和l表示矩陣L的第k行第l列元素，L為N*N矩陣。由于L是對稱矩陣，故可求L的特征值及特征向量，其中第二小的特征值對應(yīng)的特征向量稱為Fiedler向量，記作FV，則給定邊對應(yīng)的邊秩為其中FV(k),FV(l)表示Fiedler向量FV的第k,l個分量值。

(3)3D形狀數(shù)據(jù)庫點對應(yīng)矩陣的構(gòu)造

設(shè)φ為形狀間的仿射變換空間，即3D形狀之間所有可能的仿射變換組成的集合。對于一對3D形狀模型m_k＝{v_k1,v_k2,L,v_kK}及m_l＝{v_l1,v_l2,L,v_lK}，我們通過外在對應(yīng)及本征對應(yīng)兩方面的計算得到兩個形狀的模糊對應(yīng)程度，但是根據(jù)3D形狀模型數(shù)據(jù)庫的不同，應(yīng)該采取不同的對應(yīng)的評價形式(詳見下述說明)。

1)外在對應(yīng)：

針對拓?fù)洳町愝^大的數(shù)據(jù)集(如Google 3D Warehouse里面的形狀各異的模型)，我們采用外在對應(yīng)來評價對應(yīng)程度。

對于任意的兩個3D形狀模型m_k＝{v_k1,v_k2,L,v_kK}及m_l＝{v_l1,v_l2,L,v_lK}，其中K為步驟(1)中對3D形狀模型預(yù)處理后得到的統(tǒng)一的3D形狀抽樣頂點的個數(shù)，首先取σ(m_l)＝Diam(m_l)/5，其中Diam(m_l)表示形狀m_l的直徑，即然后，我們定義兩個3D形狀上頂點之間的相似度量為其中La(v_ki，v_lj)為局部對應(yīng)，Ba(m_k,m_l)為全局對應(yīng)，分別定義如下。

這里T∈φ表示T為仿射空間φ中的仿射變換(T∈R^3×3)。

這里T(m_l),T(m_k)表示3D形狀模型m_k＝{v_k1,v_k2,L,v_kK}及m_l＝{v_l1,v_l2,L,v_lK}在仿射變換T下的像,即T(m_l)＝{Tv_l1,Tv_l2,L,Tv_lK},T(m_k)＝{Tv_k1,Tv_k2,L,Tv_kK}。

2)本征對應(yīng)：

對于具有平滑、等距、流形表面的輸入形狀(如人體、動物等模型庫)，本征對應(yīng)，運用具有共形保角映射特性的本征對應(yīng)，有著更顯著的效果。本征對應(yīng)仍然分為局部對應(yīng)和全局對應(yīng)兩部分，但形式與上述外在對應(yīng)不同，為方便我們?nèi)圆捎孟嗤姆?，及局部對?yīng)為La(v_ki，v_lj)與，全局對應(yīng)為Ba(m_k,m_l)，具體形式如下。

首先，我們給出幾個符號的說明。第一，e:m_k→m_l為一個本征映射，即為一個3D空間內(nèi)的點與點的映射關(guān)系，具有共形保角特性。第二，記3D形狀模型的表面積為A(m_l)，定義表示該本征映射的對應(yīng)的模糊程度(因為本征映射的英文為intrinsic map，故我們用σ_in來表示本征映射，以強調(diào)此映射為本征映射)。第三，設(shè)3D形狀上一個頂點v的一個鄰域為n_v，該鄰域的面積為A(n_v)，該鄰域n_v在本征映射e:m_k→m_l下的像為e(n_v)，其面積為A(e(n_v))，由此可以定義3D形狀上單個頂點的對應(yīng)置信度為

然后，對于任意兩個3D形狀模型m_k＝{v_k1,v_k2,L,v_kK}及m_l＝{v_l1,v_l2,L,v_lK}，基于上述定義的幾個符號，我們給出本征對應(yīng)的局部對應(yīng)和全局對應(yīng)的形式如下：

其中D_geod.(e(v_ki),v_lj)為3D形狀m_l上頂點e(v_ki)與v_lj的幾何距離。

從而，對一個3D形狀模型數(shù)據(jù)庫{m₁,m₂,L,m_N}，其中,m_i＝{v_i1,v_i2,L,v_iK}，記其所有的頂點組成的集合為

V＝{v₁₁,v₁₂,L,v_1K；v₂₁,v₂₂,L,v_2K；L；v_N1,v_N2,L,v_NK}，

為了敘述方便將其記為V＝{v₁,v₂,L,v_NK}，對其中任意兩個頂點v_i(i＝1,2,L,NK),v_j(i＝1,2,L,NK),不妨設(shè)v_i∈m_k,v_j∈m_l，則定義點對應(yīng)矩陣，如下：

顯然C為N×K階實對稱矩陣，其中每個元素表示數(shù)據(jù)庫中兩個頂點之間的相似度。

(4)基于譜嵌入理論的點對應(yīng)的模糊對應(yīng)函數(shù)的構(gòu)造

根據(jù)(3)中的C，求解C的特征值及相應(yīng)的特征向量分別為：λ₁,λ₂,L,λ_NK；ψ₁,ψ₂,L,ψ_NK，定義譜嵌入映射為：

(其中表示λ₁的t次方，其它類同)，

其中，可選地取t＝10，t取大值可以減少對應(yīng)錯誤帶來的影響。則對任意的頂點v_i(i＝1,2,L,NK),v_j(i＝1,2,L,NK)(可屬于同一3D形狀，也可屬于不同3D形狀)，點對應(yīng)距離為：

D_t(v_i,v_j)＝||π_t(v_i)-π_t(v_j)||_Euclid.

進(jìn)一步定義點對應(yīng)的模糊對應(yīng)函數(shù)為:

其中，τ(v_i)表示歸一化因子，定義為上述譜嵌入映射π_t確定的嵌入空間中與π_t(v_i)距離最近的前15％的點的距離的平均值。為了更有效率地得到該函數(shù)，我們設(shè)兩兩間距離大于2τ(v_i)的值為0，根據(jù)之前低秩的判斷，只考慮前K個特征向量。于是我們在K維空間內(nèi)采用近似最近鄰搜索方法(FLANN)求取f。

(5)3D形狀模型數(shù)據(jù)庫的初始對應(yīng)圖及模糊對應(yīng)函數(shù)的優(yōu)化

根據(jù)上述步驟對于步驟(2)中構(gòu)建的3D形狀數(shù)據(jù)庫的初始對應(yīng)圖G₀，在步驟(4)中構(gòu)建了一個模糊對應(yīng)函數(shù)f₀，往往初始的對應(yīng)圖和模糊對應(yīng)函數(shù)的一致性不好，比如G₀含有模糊對應(yīng)函數(shù)值比較小的噪聲邊，因此需要對初始對應(yīng)圖及模糊對應(yīng)函數(shù)進(jìn)行迭代優(yōu)化，即通過迭代地檢測并去除噪聲邊及更新模糊對應(yīng)函數(shù)來增加形狀對應(yīng)的穩(wěn)定性，具體算法如下。

首先，對于任意兩個形狀m_k,m_l，它們是初始對應(yīng)圖G₀中的兩個頂點，記它們在G₀中的邊為(m_k,m_l)，定義一個分?jǐn)?shù)來衡量這條邊的對應(yīng)程度，如下：

其中f為上述步驟(4)所得的模糊對應(yīng)函數(shù)，為步驟(3)第2)節(jié)本征對應(yīng)定義的頂點之間的相似度量?；诖藢?yīng)分?jǐn)?shù)的定義，我們可以得到初始對應(yīng)圖G₀中任一頂點(即一個形狀)m_k的所有相鄰邊的對應(yīng)分?jǐn)?shù)，即；類似地形狀m_l所有相鄰邊的對應(yīng)分?jǐn)?shù)為

則判斷任一條邊是否是噪聲邊的方法如下：若這邊的對應(yīng)分?jǐn)?shù)低于該邊連接的兩個頂點的分?jǐn)?shù)最大值的30％，則認(rèn)為該邊為噪聲邊，否則為非噪聲邊。

其次，假設(shè)我們檢測出E_delete條噪聲邊，則將之從當(dāng)前對應(yīng)圖(不妨設(shè)為G_i，對應(yīng)函數(shù)為f_i＝f₀)去除。

然后，我們要添加E_add＝E_delete條形狀對應(yīng)穩(wěn)定性較好的邊，方法如下：選取圖中模型之間邊數(shù)大于3條的模型對作為候選，分別計算綜合對應(yīng)值選取3·E_add條IFC值最大的邊，計算其邊秩(計算方法見(2))，將邊秩最大的E_add條邊添加。

如此，一次優(yōu)化更新(只更新G₀)完成)，可迭代執(zhí)行步驟(5)，先更新G₀，再更新f₀，然后G₁，再f₁，直到二者一致性收斂，誤差趨于0，即多次(具體迭代次數(shù)可根據(jù)實際問題確定)迭代，使得G₀對于f₀變化關(guān)系趨于穩(wěn)定，程度可根據(jù)實際需要適當(dāng)控制。

3D形狀模型局部檢索技術(shù)主要包括：

(I)基于3D形狀數(shù)據(jù)庫點對應(yīng)的模糊對應(yīng)函數(shù)，構(gòu)造選定的某一個形狀模型局部與3D形狀數(shù)據(jù)庫中其它形狀模型的相似性度量。設(shè)給定(可用戶選擇)形狀m_k上一局部區(qū)域R^(k)＝{v_k1,v_k2,L,v_kr}(即形狀m_k上的r個頂點)，基于上述步驟(4)所得的模糊對應(yīng)函數(shù)f，對形狀數(shù)據(jù)庫中任意其他形狀m_l，定義R^(k)到m_l的最優(yōu)仿射變換如下：

其中,R^(l)＝{v_l1,v_l2,L,v_lr}表示在形狀m_l上的一個局部區(qū)域，這個仿射變換會返回m_l上的與所選擇局部區(qū)域R^(k)＝{v_k1,v_k2,L,v_kr}最優(yōu)對應(yīng)的一個局部區(qū)域。此外，定義最優(yōu)對應(yīng)函數(shù)為定義

由此，對于形狀m_k上任意給定局部區(qū)域R^(k)＝{v_k1,v_k2,L,v_kr}，定義形狀數(shù)據(jù)庫中其他任意形狀m_l與R^(k)的距離(即相似性度量)為：

其中表示R^(k)中與頂點v_lp對應(yīng)的點。

(II)基于上述技術(shù)的3D形狀數(shù)據(jù)庫分析及3D形狀模型局部檢索方案，檢索效果如圖2所示。根據(jù)(I)，可定義的給定的形狀m_k上一局部區(qū)域R與形狀數(shù)據(jù)庫中任意其他模型的距離D_R(m₁),D_R(m₂),L,D_R(m_k-1),D_R(m_k+1),L,D_R(m_NK)，按大小排序即可得與給定的形狀m_k上一局部區(qū)域R相似度逐漸減小的形狀模型

(Ⅲ)因為現(xiàn)實生活中，用戶往往對多個3D形狀模型的不同局部區(qū)域同時感興趣，并希望得到同時具有多個特征的3D形狀模型。此時，基于上述技術(shù)的3D形狀數(shù)據(jù)庫分析及3D形狀模型局部檢索方案，檢索效果圖如圖3所示。根據(jù)(II)，如果用戶選取了兩個3D形狀模型的不為對應(yīng)區(qū)域的任意兩個區(qū)域，可定義這兩個形狀的局部區(qū)域為R₁，R₂，該裝置可計算這兩個區(qū)域分別相對于3D形狀數(shù)據(jù)庫中的任意其他模型的距離及將他們對應(yīng)相加得到D_R(m₁),D_R(m₂),L,D_R(m_k-1),D_R(m_k+1),L,D_R(m_NK)，按大小排序，即可得到與給定兩個區(qū)域R₁，R₂,相似度逐漸減小的形狀模型此規(guī)律可以推廣到同時選定任意N個模型的N個局部區(qū)域并檢索的方法。

綜上，本發(fā)明的3D形狀數(shù)據(jù)庫分析及3D形狀模型局部檢索方案具體為：用戶輸入一個3D形狀模型m^(new)，本發(fā)明用戶交互系統(tǒng)(以下簡稱“系統(tǒng)”，系統(tǒng)檢索界面見圖2～3)自動地計算其球面調(diào)和描述子x^(new)(如步驟(2))，并計算其與數(shù)據(jù)庫中的3D形狀模型的球面調(diào)和描述子{x⁽¹⁾，x⁽²⁾，L，x^(N)}的歐氏距離:{d₁,d₂,L,d_N}，其中d_i＝||x^(new)-x⁽ⁱ⁾||_Euclid。按從小到大的順序，返回相應(yīng)的模型(可取前20個，根據(jù)3D形狀數(shù)據(jù)庫形狀模型的類的大小而定)，并展示給用戶。用戶可以從中選擇一個(最相似的形狀模型)，然后用系統(tǒng)給的畫筆工具選擇一個感興趣區(qū)域R，系統(tǒng)按(II)描述方法自動給出3D形狀庫中與R最相似的若干個(可根據(jù)需要取定)3D形狀模型，供用戶選擇、再利用。

在本發(fā)明的具體應(yīng)用場景，采用一臺具有2.9GHZ的Intel處理器和6GB安裝內(nèi)存Lenovo B580計算機，Ubuntu13.04系統(tǒng)下，用C++語言編制了點對應(yīng)局部檢索技術(shù)的界面(如圖2～3)，實現(xiàn)了本發(fā)明的3D形狀數(shù)據(jù)庫分析與3D形狀模型局部檢索技術(shù)，還可以采用其他執(zhí)行環(huán)境，在此不再詳細(xì)贅述。

本發(fā)明使得用戶可以任意選擇一個3D形狀或者一個3D形狀的局部，在檢索系統(tǒng)中進(jìn)行檢索，系統(tǒng)反饋給用戶的是相似的形狀或局部，使得之前單純的反饋相似的整個形狀模型有很大的改觀，因為用戶可能只對某個局部感興趣。最初，本發(fā)明需要建立3D形狀模型庫，當(dāng)然可以不斷地添加新的形狀模型進(jìn)去，只是每次添加一批新的模型后，需要重新執(zhí)行一下本發(fā)明的分析過程。我們首先建立3D形狀數(shù)據(jù)庫的點對應(yīng)的模糊對應(yīng)函數(shù)，主要步驟有：(1)3D形狀數(shù)據(jù)庫預(yù)處理；(2)3D形狀數(shù)據(jù)庫初始對應(yīng)圖的構(gòu)造；(3)3D形狀數(shù)據(jù)庫點對應(yīng)矩陣的構(gòu)造；(4)基于譜嵌入理論的點對應(yīng)的模糊對應(yīng)函數(shù)的構(gòu)造；(5)3D形狀數(shù)據(jù)庫的對應(yīng)圖及點對應(yīng)的模糊對應(yīng)函數(shù)的迭代優(yōu)化。然后，實現(xiàn)3D形狀數(shù)據(jù)庫分析及3D形狀模型局部檢索，主要包括：(I)基于3D形狀數(shù)據(jù)庫點對應(yīng)的模糊對應(yīng)函數(shù)，構(gòu)造選定的某一個形狀模型局部與3D形狀數(shù)據(jù)庫中其它形狀模型的相似性度量；(II)基于上述技術(shù)的3D形狀數(shù)據(jù)庫分析及3D形狀模型局部檢索方案。本發(fā)明的綜合檢索技術(shù)可加入當(dāng)今網(wǎng)絡(luò)瀏覽器的檢索功能，借助大數(shù)據(jù)、云存儲等最新理論，從而給用戶更好的檢索體驗。

以上所述，僅為本發(fā)明中的具體實施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉該技術(shù)的人在本發(fā)明所揭露的技術(shù)范圍內(nèi)，可理解想到的變換或替換，都應(yīng)涵蓋在本發(fā)明的包含范圍之內(nèi)，因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求書的保護(hù)范圍為準(zhǔn)。