本公開涉及圖像處理裝置以及圖像處理方法。

背景技術：

已知利用機器學習算法來理解給定數(shù)據(jù)。由理解數(shù)據(jù)確定的內容示例包含基于與shogi,go等等相匹配的未來發(fā)展的數(shù)據(jù)狀態(tài)，在圖像中捕獲的對象是否是一個人，以及所述人是如何被捕獲的并且捕獲的景象中的背景是什么。機器學習在依賴應用于機器學習的數(shù)據(jù)的，包含信息識別、語音識別、圖像識別、以及未來發(fā)展的預測的應用中被廣泛使用。

用于鑒別材料或使用機器學習算法執(zhí)行缺陷檢查的方法已經(jīng)被熟知。然而，傳統(tǒng)材料鑒別和使用機器學習的傳統(tǒng)缺陷檢查在如果在不同條件下的同樣類型的多個目標包含在一個圖像內的情況下是不利的，材料鑒別或缺陷檢查的準確度將會不足。

例如，當缺陷檢測執(zhí)行在包含多個目標的圖像上時，例如，在螺紋開始位置螺絲釘之間是不同的，即使在螺紋開始位置的不同并不是缺陷，由螺紋開始位置的不同而導致的圖像之間的差異也可以被不期望的測定為缺陷。如果對于此測定的閾值設置為容許差異的值，同樣放寬了缺陷的限度，其不期望的減少了缺陷檢測靈敏度。

基于圖像缺陷檢查方法按照慣例被已知。例如，日本未審查的專利申請公開no.2005-265661公開了以下方法。在每像素基礎上，基于提前供給的合法產(chǎn)品的一組圖像計算亮度值的平均值和標準差。在檢查中，對于將要被檢查圖像的每一個像素，計算亮度值的偏離值(從亮度值中減去平均值之后將所述差值除以標準差)，并且偏離值高于預設閾值的像素被確定為異常(異常值)。

然而，如日本未審查的專利申請公開no.2005-265661中所描述的技術不適用于圖像中的多個目標并且因此廣泛改變的多個目標檢查。

本發(fā)明具有使用圖像來提高圖像檢查的準確度的目的。

技術實現(xiàn)要素：

根據(jù)本發(fā)明的一個方面，圖像處理裝置配置來處理圖像。圖像處理裝置包含計算器和比較器。計算器配置來計算對于多個區(qū)域中的每一個的參數(shù)以及計算對于描述多個主體形狀的多個模型中的每一個，對于具有多個區(qū)域的多個模型中的每一個的參數(shù)以及計算指示輸入以用于學習的輸入圖像屬于多個模型中的哪一個的可能性。比較器配置來基于可能性將輸入檢查圖像與最優(yōu)化參數(shù)的多個模型進行比較。

根據(jù)本發(fā)明的一個方面，可以提高圖像檢查的精確度。

附圖說明

圖1為實施例的圖像處理系統(tǒng)100的原理圖。

圖2為說明本實施例的圖像處理裝置130的硬件框圖200。

圖3為說明本實施例的圖像處理裝置130的功能性框圖。

圖4為本實施例的將要執(zhí)行在學習階段的處理流程圖。

圖5為參照本實施例圖4描述的將要執(zhí)行在學習步驟s402的處理流程圖。

圖6為將要執(zhí)行在本實施例的圖像處理方法的檢查階段的處理流程圖。

圖7為使用本實施例的隱藏變量的模型評估處理700的基于圖像解釋性圖表。

圖8為本實施例中集群缺陷評估以執(zhí)行缺陷評估過程的概念性圖。

圖9為說明用于實施例的學習圖像的圖。

圖10a和圖10b為說明由使用通過學習建立的模型的實際目標的基于圖像檢查的結果的圖。

圖11a和圖11b為說明使用傳統(tǒng)方法的學習模型的結果的圖。

附圖用于描述本發(fā)明的示范性實施例并且不應該理解為限制其保護范圍。貫穿于不同附圖中的相同或相似的附圖標記表示相同或相似的元件。

具體實施方式

以下使用的術語僅用于描述特定實施例的目的并且將不限制本發(fā)明。

如在此所使用的，單數(shù)形式的“a”,“an”以及“the”也用于包含復數(shù)形式，除非上下文以別的方式明確指示。

如附圖所示的優(yōu)選實施例所述，為了清楚而使用特定術語。然而，此專利說明書的公開并不受被選擇的特定術語的限制，并且其應該被理解為每個特定元件包含具有相同功能、在類似方式中操作以及達到相似結果的全部技術等效。

本發(fā)明的實施例將參照附圖在以下詳細描述。然而，應該理解實施例并不限制本發(fā)明。圖1為實施例的圖像處理系統(tǒng)100的原理圖。圖1的圖像處理系統(tǒng)100實施為基于圖像檢查系統(tǒng)。圖像處理系統(tǒng)100包含照相機120，圖像處理裝置130以及輸出設備140。照相機120捕獲目標110的圖像。圖像處理裝置130使用捕獲的圖像確定目標110的狀態(tài)。

由圖像處理裝置130產(chǎn)生的確定結果被發(fā)送到輸出設備140。輸出設備140操作諸如鬧鐘的外部設備以給出目標110具有缺陷的通知。實施例中的缺陷意味著圖像中的任何可檢測缺陷。缺陷的實例包含針孔、毛邊以及裂縫。

雖然圖像處理裝置130被示出直接連接到照相機120，在本實施例中，可替代的，照相機120和圖像處理裝置130可經(jīng)過網(wǎng)絡被遠程安排。在此情況下，圖像處理系統(tǒng)100功能相當于遠程檢查系統(tǒng)，其中相機120可經(jīng)過有線或諸如以太網(wǎng)，wifi，lte，3g以及4g的無線(沒有示出)網(wǎng)絡連接到圖像處理裝置130。在特定實施例中，照相機120可與圖像處理裝置130集成或者依附于圖像處理裝置130。

圖2為說明本實施例的圖像處理裝置130的硬件框圖200的圖。圖像處理裝置130可以實施為個人計算機，工作站或者專用圖像處理裝置。圖像處理裝置130包含cpu(中央處理單元)201，ram(隨機存取存儲器)202，rom(只讀存儲器)203以及經(jīng)由系統(tǒng)總線205相互連接的通信設備204。i/o(輸入/輸出)總線207經(jīng)由諸如pci(外部設備互聯(lián)標準)以及pciexpress的總線橋連接到系統(tǒng)總線205。

顯示設備208，諸如hdd(硬盤驅動器)的儲存設備209以及每個經(jīng)由合適協(xié)議連接到i/o總線207的照相機120。在另一實施例中，照相機120可經(jīng)由通信設備204連接。具體的，圖像處理裝置130經(jīng)由諸如vga(視頻圖形陣列)總線，hdmi(高清晰度多媒體接口)總線以及usb(通用串行總線)總線的合適的總線連接到顯示設備208以提供輸出到顯示設備208的視頻。另一輸入設備206，諸如鼠標和鍵盤，連接到圖像處理裝置130以使能外部控制圖像處理裝置130。

包含除pentium到pentiumiv，atom,core2duo,core2quad,corei系列以及xeon，兼容pentium的cpu和powerpc以及mips的cpu之外的由圖像處理裝置130使用的cpu的具體實施例。

將要使用包含macos,windows,chrome,android以及其它合適的操作系統(tǒng)的操作系統(tǒng)(os)的實例。圖像處理裝置130可以存儲用諸如匯編語言,c，c++，visualc++，visualbasic,java,perl,以及ruby描述的應用程序，操作于上述os之上并且執(zhí)行應用程序。

cpu201安裝在圖像處理裝置130上執(zhí)行存儲在ram202或存儲設備209中的不同程序使得圖像處理裝置130中的不同處理被實施在圖像處理裝置130上。在另一實施例中，上述功能可實施在獨立電路(硬件)中。

圖3為說明本實施例的圖像處理裝置130的功能性框圖。照相機120同樣用于說明如圖3中所示實施例中的信息流的清晰性。照相機120對應于本實施例中的圖像捕獲器。圖3的功能塊包含i/o單元131，目標圖像獲取單元132以及學習單元133。i/o單元131根據(jù)學習序列以及檢查序列分配由照相機120獲得的圖像到目標圖像獲取單元132或者學習單元133。目標圖像獲取單元132暫時存儲由i/o單元131發(fā)送的圖像數(shù)據(jù)到，例如，專用于存儲圖像ram202或者圖像ram(沒有示出)直到下行處理完成。

在本實施例中，由目標圖像獲取單元132獲取的圖像可存儲在存儲單元138中使得，當生成檢查結果，圖像可以被輸出為與附加于上述檢查結果輸出的圖像。圖像可與可以由目標110唯一標識的的標識值相關，并且作為檢查日志存儲在存儲單元138中。

學習單元133獲取沒有缺陷以及提前由照相機120捕獲的用于學習的圖像，從而學習為合格產(chǎn)品的目標110的圖像。目標110可為不同形狀的多個主體。可替代的，零件、主體或者其它具有多個形狀的物體可捕獲在單獨目標110的圖像中，并且圖像的部分可被剪裁和處理。

在本實施例中，由捕獲合格產(chǎn)品的目標110的圖像，以及學習作為用于目標110的圖像的模型的圖像而生成圖像。在本實施例中，學習不同形狀的多個主體的圖像以給出k種類型的多個模型(k為自然數(shù))。在本實施例中，功能性單元(即，目標圖像獲取單元132和學習單元133)獲取對應于當關聯(lián)圖像與多個模型時獲取多個圖像的單元的目標110沒有缺陷的圖像。在本實施例中功能性單元(即，學習單元133)提供對應于優(yōu)化器的學習功能。

圖像處理裝置130進一步包含缺陷評估計算器134，集群單元135，缺陷區(qū)域確定器136，以及檢查結果生成器137。缺陷評估計算器134計算指示目標110的圖像屬于由學習單元133獲取的模型中的哪一個的概率以及，使用單獨或從中確定的多個模型中的一個或多個，在每像素基礎上計算缺陷評估。缺陷評估計算器134對應于本實施例中的計算器和比較器。

例如，集群單元135集群通過量級計算的關于像素的缺陷評估以確定具有比預設閾值大的缺陷評估的像素。本實施中對應于檢測器的集群單元135。缺陷區(qū)域確定器136確定具有大于預設閾值的缺陷評估的像素組的每一個作為缺陷，并且傳輸此確定結果到檢查結果生成器137。缺陷區(qū)域確定器136可進一步提供掩藏由于噪音或諸如此類而超過預設在每像素基礎上的閾值的數(shù)據(jù)或者解決此類數(shù)據(jù)的警告的功能。

檢查結果生成器137執(zhí)行依照由缺陷區(qū)域確定器136生成的測定，例如，指示圖像上的缺陷的渲染圖像過程，生成目標110的標識值以及指示缺陷是否被檢測到的信息的列表過程，或者使得圖像處理裝置130解決警告或顯示指示缺陷被找到的圖像的過程。

將要產(chǎn)生在本實施例中的檢查結果可以為任何體系、格式以及形式只要是否目標110為合格產(chǎn)品或者為有缺陷產(chǎn)品可以被標識以及圖像數(shù)據(jù)按需求被檢驗。

當描述如圖3中示出的功能性單元的功能時，一同在下面詳細描述本實施例的圖像處理方法。如圖4中示出的處理對應于本實施例中的學習階段并且為將要由圖3中示出的學習單元133執(zhí)行的處理。安裝在圖像處理裝置130上的cpu201裝載本實施例的程序進入到ram202并且執(zhí)行程序以使得圖像處理裝置130的各自硬件元件操作，由此使得圖像處理裝置130起到功能性單元的作用，來實施將要在后面描述的圖4的處理以及圖5的處理。

本實施例的圖像處理方法從s400開始。在s401，獲得將要學習的圖像。如下執(zhí)行本實施例的統(tǒng)計學過程。從圖像中獲取像素(x,y)的像素值。平均像素值，其每個為從多個圖像中獲取的在像素(x,y)處的像素平均值，并且得到像素處的方差。平均像素值對應于本實施例中的第一參數(shù)。像素方差對應于本實施例的第二參數(shù)。雖然使用在此例中平均值和方差執(zhí)行本發(fā)明的統(tǒng)計學過程，任何描述像素值的概率分布的參數(shù)可被使用并且沒有特別的限制。

當獲取圖像時，模型標識值可被分配至相同目標的圖像使得當執(zhí)行關聯(lián)時執(zhí)行學習。在另一實施例中，并不將每個模型與對應的模型標識值關聯(lián)，作為用于識別模型的概率的每個模型的可靠性可在em(expectation-maximization期望值最大化)算法中的參數(shù)優(yōu)化期間被優(yōu)化，所述算法將會在后面描述。在由模型標識值識別的每個模型的配置中，二維代碼或諸如此類代碼的被編碼到模型標識值中，并且可被嵌入到?jīng)]有成像目標圖像的部分中，使得模型標識值可以與圖像的讀取同時被讀取出。

將要使用的模型數(shù)量可由用戶任意設置并且沒有特定的限制。

此后，使用平均像素值和像素方差作為參數(shù)的使用em算法的學習過程執(zhí)行在s402。本實施例的學習算法中，z-score用作為第一特征。z-score由以下公式(1)給出

在公式(1)中，in(x,y)為第n個將被學習的圖像的像素值；μk(x,y)是第k個模型圖像的在像素(x,y)處的平均像素值；σ²k(x,y)是第k個模型圖像的在像素(x,y)的方差。

在以上描述的公式中，z-score具有給出從在像素(x,y)處的第k個模型圖像中的第n個圖像偏離值的功能；基于概率模型符合標準正太偏離的假設z-score是表示到平均值的距離。在本實施例中，描述z-score用作為第一特征的實例；然而，第一特征不限于z-score，但是能夠為使用像素值的允許概率模型計算的任何特征。

在本實施例中，計算作為em算法的第二特征，輸入圖像in以及對應于第k個模型的整個圖像的聯(lián)合概率enk由以下公式(2)給出。

z-score被代替為具有平均值0和方差1的標準正太分布，獲得每個像素的概率，并且計算在每像素基礎或每區(qū)域基礎上的概率的乘積以計算聯(lián)合概率enk。在公式(2)中，每個x和y為輸入圖像的像素數(shù)量。在本實施例中，enk由通過整個圖像而不是每像素基礎的像素值分布計算。在此實例中，計算用于整個圖像的聯(lián)合概率enk。根據(jù)本實施例，作為輸入圖像屬于哪一個模型的概率可以根據(jù)輸入圖像的全部部分適當?shù)墨@得。

進一步，在本實施的em算法中，使用上述概率enk從以下公式(3)中計算其對應于每個輸入圖像歸類為每個模型的期望值的可靠性γnk，。在公式(3)中，n為輸入圖像的全部數(shù)量；k為模型數(shù)量。

在本實施例中，模型學習過程執(zhí)行在s402。模型學習過程將會在后面詳細描述。完成模型學習之后，描述模型的第一參數(shù)和第二參數(shù)存儲在存儲設備中使得參數(shù)能夠用于目標的檢查，認知，確定以及諸如此類中。

圖5為將要執(zhí)行在s402處的學習過程的詳細流程圖，其為學習步驟，參照本實施的圖4描述圖5。在圖5中，s501和s502對應于e(期望)-步驟，以及s503對應于m(最大化)-步驟。e-步驟和m-步驟組成實施在本實施中的em算法。圖5中的處理從s500開始。在s501，計算z-score，其為由公式(1)給出的第一特征，以及由公式(2)給出的聯(lián)合概率。

在s502，使用計算的z-score以及聯(lián)合概率計算由公式(3)給出的模型可靠性。此后，使用可靠性作為加權在s503處計算加權平均像素值和加權像素方差，并且存儲到存儲設備中。

如上所述的加權平均像素值和加權像素方差由下方公式(4)和公式(5)給出。

在公式(4)和公式(5)中，nk,由公式(6)給出，為可靠性的總和并且為公式(4)和公式(5)的歸一化常數(shù)。

此后，在s504，確定計算在先前疊代中的每個平均像素值和對應于在s503處計算的平均像素值中的一個之間的差值是否等于或小于預設閾值以及計算在先前疊代中的每個像素方差和對應于在s503處計算的像素方差中的一個之間的差值是否等于或小于預設閾值。當差值小于閾值(在s504為是)時，收斂平均像素值以及收斂像素方差被存儲為s505處對應圖像的數(shù)據(jù)使得數(shù)據(jù)可以用于未來的檢查中。

在另一方面，當數(shù)值之間的任何差值超過對應的閾值之一時(在s504為否)，使得處理返回到s501以重復計算z-scores，聯(lián)合概率，以及可靠性γnk。執(zhí)行上述疊代直到數(shù)值之間的每個差值變?yōu)榈扔诨蛐∮趯拈撝抵?。當s504處的確定結果為“是”時，當前平均像素值和當前加權像素方差存儲為s505處的模型數(shù)據(jù)。然后，處理結束于s506。

學習開始處的像素方差的初始值和平均像素值的初始值可分別為隨機數(shù)字和1。如果明晰了輸入圖像歸類為了哪個模型之一，諸如當查看輸入圖像時用戶可以歸類輸入圖像，輸入圖像的值可被用作模型的平均像素值的初始值。

圖6為將要執(zhí)行在本實施例的圖像處理方法的檢查階段的處理流程圖。圖6的處理從s600開始。在s601，目標圖像獲取單元132獲取目標圖像；缺陷評估計算器134接收圖像并且計算來自公式(1)和公式(2)的z-scores和聯(lián)合概率。在s602處，缺陷評估計算器134計算聯(lián)合概率enk以及可靠性γnk來評估模型，其為隱藏變量，目標110屬于此處。在一些情況中，僅對于確定模型k可靠性γnk可為1而對于其它模型其為0。在其它情況中，例如，對于處于混合多個模型的方式中的每兩個模型，可靠性γnk可為，例如，0.5。。因此，目標110所處的模型數(shù)量不限制為一個。

在s603，評估模型之后，使用以下公式(7)計算缺陷評估。

如先前所述，因為znk可為相對于平均值的偏離距離的系數(shù)。因此，znk具有當目標在像素(x,y)處具有缺陷時，sn(x,y)的值為大，然而當像素值接近在像素(x,y)的平均值時，sn(x,y)的值接近為零的特征。因此，在s604，集群單元135集群sn(x,y)的值以確定目標的缺陷。根據(jù)計算的錯誤或諸如此類，缺陷區(qū)域確定器136可從缺陷檢測中消除放置在尺寸等于或小于發(fā)生在目標中的缺陷的最小尺寸的區(qū)域中的像素。在s604確定之后，處理向生成檢查結果以及處理結束的s605進行。

圖7為模型評估的示范圖，其基于本實施例的處理700。參照圖7的描述基于為了描述簡化，模型類型的數(shù)量為二(k＝2)的假設。在此實例中，如圖7中所示給出假設的兩個模型，在其每個中的像素符合正太分布，并且將要觀察的圖像在模型的任何一個中生成。觀察的圖像屬于哪個模型是未知的并且為隱藏變量。當完成學習或者，換句話說，當完成模型評估，得到在圖7左方的各自模型的像素平均圖像和像素方差圖像?；趦蓚€圖像，在測試中檢測到輸入圖像是否具有缺陷。

在本實施例中，當學習步驟結束時，確定優(yōu)化可靠性γnk的平均值和方差并且存儲在圖5的s505處。圖7表示，在(a)，由映射確定在s505的像素平均值和像素方差到像素(x,y)來獲得直觀的模型數(shù)據(jù)。

在本實施例中，隱藏變量的模型被評估，選擇或者考慮到與從使用圖7中(a)處所示的像素值分布的測量圖像中安排于此的加權值以及基于由公式(2)給出的聯(lián)合概率enk以及由公式(3)給出的可靠性γnk。基于這樣做的選擇評估缺陷數(shù)量以使得即使當給出多個圖像時也可有高精確缺陷評估。

圖8為本實施例中集群缺陷評估以執(zhí)行缺陷評估過程的概念性圖。圖8為表示缺陷評估sn(x,y)繪制在對應于對應的像素(x,y)位置處的示意性圖。sn(x,y)的值在沒有被評估為屬于圖像缺陷的像素處為很小值。

相比之下，在評估為屬于缺陷830的像素處，sn(x,y)的值為較大值。因此，對應于缺陷830的像素組的缺陷評估sn(x,y)810比包圍缺陷830的區(qū)域大。例如，缺陷評估可按以下執(zhí)行。為了缺陷評估sn(x,y)預先設置閾值th。超過閾值th的缺陷評估sn(x,y)的區(qū)域被評估為缺陷區(qū)域。不設置閾值th反而將缺陷評估sn(x,y)與，例如，將要展示的圖像的亮度相關聯(lián)以及執(zhí)行缺陷評估sn(x,y)的顏色映射從而因此高亮度顯示缺陷區(qū)域的方案可被使用。

除了上述之外，具有像素的缺陷評估sn(x,y)840的圖像可能由一些導致斑點狀的方式而產(chǎn)生。在特定實施例中，這樣的產(chǎn)生于斑點狀方式的像素并不評估為缺陷。然而，可產(chǎn)生用于驅使用戶以觀察圖像以及確認像素不是圖像缺陷的輸出。

通過實施實例描述以下的本實施例。作為樣本圖像，使用通過處理“可視檢查算法競賽2014，在圖像處理的工業(yè)應用上的技術委員會”(可視檢查算法競賽2014，由在圖像處理的工業(yè)應用上的技術委員會組織，精密工程日本協(xié)會)的任務圖像而產(chǎn)生的圖像。圖9為說明用于本實施實例的學習圖像的圖。如圖9中可見的，學習圖像包含兩個模式圖像(k＝2)。圖9中所示的圖像應用于參照圖4和圖5所描述的處理以評估從圖7中(c)處所示的測量圖像中的各自的模型。

使用生成于此方式的模型執(zhí)行實際目標的基于圖像檢查。圖10a和圖10b說明檢查的結果。圖10a為說明模式可視化為圖像的圖，其中在左方的圖像為表示各自模型的像素平均值的平均圖像，而在右方的圖像為表示為相同模型的像素方差的方差圖像。圖10a表示本實施例成功地清楚地分離了模型。

圖10b說明根據(jù)本實施例生成的缺陷評估映射s。缺陷評估映射s如下生成。根據(jù)本實施例的計算應用于將要被檢查的目標。在圖8中所示的方式中，當分配低亮度(b)至處于sn(x,y)的值為0的每個像素以及將缺陷數(shù)量sn(x,y)與亮度相關聯(lián)時缺陷評估sn(x,y)被映射到像素(x,y)。在圖10b中，左方的圖像為將要被檢查的目標的圖像，而右方的圖像為缺陷評估映射。圖10b表示在目標中顯著的缺陷1010被清楚的標識為同樣在缺陷評估映射s中的缺陷1020。如上所述，其指示為即使當多個形狀學習在混合樣式時本實施例也能夠充足地增加缺陷檢測敏感度。

圖11a和圖11b為說明使用傳統(tǒng)方法表示學習模型的結果的圖(其中學習由單個模型執(zhí)行)(比較實例)。圖11a為說明模型可視化為圖像的圖，其中在左方的圖像為各自模型的平均圖像，而在右方的圖像為相同模型的方差圖像。如圖11a中所示，具有傳統(tǒng)方法的兩個模式學習為被不需要的疊加在另一個之上，并且每個平均圖像和方差圖像呈現(xiàn)出形狀，其中混合兩個模型。

圖11b示出與圖11a中所示的使用傳統(tǒng)方法的學習的狀態(tài)執(zhí)行的檢查結果。圖11b表示根據(jù)本實施例生成的缺陷評估映射s。在傳統(tǒng)方法中，缺陷評估映射s的k值固定為1(k＝1)。根據(jù)本實施例的計算應用于將要被檢查的目標。圖11b為由，如圖8中所示的方式中，當分配低亮度(b)至處于sn(x,y)的值為0的每個像素以及將缺陷數(shù)量sn(x,y)與亮度相關聯(lián)時缺陷評估sn(x,y)被映射到像素(x,y)而生成的目標圖像。缺陷評估映射呈現(xiàn)于圖11b的右方。圖11b表示雖然在目標中顯著的缺陷1110由顏色的陰影可識別為缺陷1120，如圖11b中所示，在其它區(qū)域中缺陷1120并不充分的可識別。

如上所述，其指示為即使當多個形狀被學習為在混合樣式中的圖像時本實施例也可以充足地增加缺陷檢測敏感度。因此，本實施例可以提供圖像處理裝置，圖像處理方法，圖像處理系統(tǒng)以及即使當同時學習多個形狀時每個也可以充足檢測圖像中的異常的計算機可讀記錄介質。

上述實施例是說明性的并且并不限制本發(fā)明。因此，可以根據(jù)上述教導進行多種的額外修改和更改。例如，此處不同的說明性和示范性實施例的至少一個可彼此結合或者在本公開和所附權利要求的保護范圍內彼此替代。進一步，實施例的元件的特征，諸如數(shù)字，位置以及形狀并不限制實施例并且因此可為優(yōu)選設置。其因此將被理解為在所附權利要求的保護范圍內，除在此特定描述之外的本發(fā)明的公開可以被實行。

在此描述的方法步驟，過程或者操作將不會被解釋為必須需求其在討論的或示出的特定順序中執(zhí)行，除非特定的標識為執(zhí)行的順序或通過上下文清楚的標識。同樣將會理解為可使用額外或可替代的步驟。

進一步，如上所描述的任何裝置，設備或單元可以實施為硬件裝置，諸如專用電路或設備，或者實施為硬件/軟件組合，諸如執(zhí)行在軟件程序的處理器。

進一步，如上所述，本發(fā)明的上述和其它方法的任何一個可以體現(xiàn)在存儲在任何存儲介質的計算機程序的形式中。存儲介質的實例包含但不限于軟盤，硬盤，光盤，磁光盤，磁帶，非易失性存儲器，半導體存儲器，只讀存儲器(rom)，等等。

可替代的，本發(fā)明的上述和其它方法的任何一個可以由專用集成電路(asic)，數(shù)字信號處理器(dsp)或者現(xiàn)場可編程門陣列(fpga)實施，可由互相連接傳統(tǒng)元件電路的合適網(wǎng)絡或由此結合的一個或多個傳統(tǒng)通用微處理器或可編程信號處理器準備。

描述實施例的每個功能可由一個或多個處理電路或電路圖實施。處理電路圖包含可編程處理器，作為包含電路圖的處理器。處理電路同樣包含諸如專用集成電路(asic)，數(shù)字信號處理器(dsp)，現(xiàn)場可編程門陣列(fpga)以及安排為執(zhí)行所列舉功能的傳統(tǒng)電路元件。