本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，特別是涉及一種基于多層p樣條和稀疏編碼的醫(yī)學(xué)圖像配準(zhǔn)方法。

背景技術(shù)：

醫(yī)學(xué)圖像配準(zhǔn)是指對(duì)浮動(dòng)圖像尋求某種空間變換，使它與參考圖像上的同一解剖點(diǎn)或者具有診斷意義的關(guān)鍵點(diǎn)達(dá)到空間上的一致。當(dāng)兩幅圖像配準(zhǔn)完成后，可以對(duì)它們進(jìn)行比較和分析。醫(yī)學(xué)圖像配準(zhǔn)作為醫(yī)學(xué)圖像處理中的一個(gè)重要組成部分，對(duì)手術(shù)定位，圖像融合等具有重要意義。

醫(yī)學(xué)圖像配準(zhǔn)方法主要有剛性配準(zhǔn)和非剛性配準(zhǔn)兩大類。剛性配準(zhǔn)僅適用于不存在形變的配準(zhǔn)。當(dāng)浮動(dòng)圖像與參考圖像存在較大形變時(shí)，就需要通過(guò)非線性的變換模型描述復(fù)雜的變換過(guò)程。非剛性配準(zhǔn)方法主要有基于物理模型的變換和基于函數(shù)描述的變換?；谖锢砟Ｐ偷淖儞Q將圖像間的差異看作是由某種物理變形引起的，通常計(jì)算量較大，難以準(zhǔn)確建立模型?；诤瘮?shù)描述的變換來(lái)源于插值和近似理論，它們采用具有少量參數(shù)的基函數(shù)描述復(fù)雜，稠密的非線性幾何變換域。目前常用于非剛性配準(zhǔn)的基函數(shù)有：徑向基函數(shù)、b樣條函數(shù)和小波函數(shù)等?；赽樣條的自由形式變換(free-formdeformation，ffd)是目前最為流行的非剛性圖像變換方法。briand.marx等人在文獻(xiàn)中在b樣條函數(shù)的基礎(chǔ)上附加了正則項(xiàng)，提出了p樣條方法。pradhan等人在文獻(xiàn)中將p樣條方法運(yùn)用到醫(yī)學(xué)圖像配準(zhǔn)領(lǐng)域。汪軍等人在文獻(xiàn)中將p樣條和局部互信息用于非剛性醫(yī)學(xué)圖像配準(zhǔn)。與b樣條變換模型相比，p樣條附加了額外的正則項(xiàng)來(lái)避免形變場(chǎng)奇異點(diǎn)和折疊效應(yīng)，但單層p樣條的配準(zhǔn)精度仍受控制網(wǎng)格稀疏程度的影響。

在圖像配準(zhǔn)中，相似性測(cè)度也是其中一個(gè)重要組成部分，常用的基于灰度的相似性測(cè)度有平方差(ssd)、絕對(duì)差(sad)、相關(guān)系數(shù)(cc)、互信息(mi)等。在醫(yī)學(xué)圖像中，受時(shí)間和成像條件的影響，待配準(zhǔn)的圖像的灰度場(chǎng)可能發(fā)生顯著的變化。例如，腦磁共振圖像中存在緩慢變化的灰度偏移場(chǎng)，然而，現(xiàn)存的相似性測(cè)度對(duì)于含有灰度不均勻性的圖像魯棒性較差。為了解決這個(gè)問(wèn)題，myronenko等人在文獻(xiàn)中提出在殘差復(fù)雜性(rc)的分析上解決灰度級(jí)偏移場(chǎng)，rc的表達(dá)式中不含灰度偏移場(chǎng)，從而自適應(yīng)地約束了灰度偏移場(chǎng)，但沒(méi)有考慮殘差圖像自身特性，因而造成誤配。盧振泰等人在文獻(xiàn)中提出了局部方差和殘差復(fù)雜性的醫(yī)學(xué)圖像配準(zhǔn)方法，它考慮殘差圖像自身的特性，比rc更適用于非均勻醫(yī)學(xué)圖像配準(zhǔn)，但它的計(jì)算仍以兩幅圖像之間的殘差圖像為基礎(chǔ)，缺乏普適性。ghaffari等人在文獻(xiàn)中提出了稀疏誘導(dǎo)的相似性測(cè)度(sism)，其是稀疏的方法，參考了像素之間的空間依賴性，但它的字典是基于dct和小波變換的，利用了確定的字典，雖易快速實(shí)現(xiàn)，但表示能力有局限性。此外，ghaffari等人又在文獻(xiàn)中提出了rankinduced相似性測(cè)度(rism)，它把圖像配準(zhǔn)視為一個(gè)非線性和低秩矩陣分解問(wèn)題，該方法可以產(chǎn)生較準(zhǔn)確的配準(zhǔn)結(jié)果，但適用范圍較小，只適用于單模態(tài)醫(yī)學(xué)圖像配準(zhǔn)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例提供了一種基于多層p樣條和稀疏編碼的醫(yī)學(xué)圖像配準(zhǔn)方法，可以解決現(xiàn)有技術(shù)中存在的問(wèn)題。

一種基于多層p樣條和稀疏編碼的醫(yī)學(xué)圖像配準(zhǔn)方法，包括：

使用步長(zhǎng)為1的滑動(dòng)窗把含有灰度偏移場(chǎng)的參考圖像r和浮動(dòng)圖像f劃分成為大小為的圖像塊，把兩幅圖像的圖像塊分別記為：

ir＝[r1,r2,…,rn],if＝[f1,f2,…,fn](1)

訓(xùn)練集為兩幅圖像中圖像塊的集合：

初始化多層p樣條變換模型參數(shù)和優(yōu)化模塊的參數(shù)；

使用k-svd算法訓(xùn)練圖像塊，記錄訓(xùn)練得到的分析字典ω，尋找每個(gè)圖像塊的稀疏系數(shù)yi，進(jìn)而計(jì)算兩幅圖像中圖像塊的稀疏表示αrn和αfn；

通過(guò)l1sm計(jì)算圖像塊的相似性程度函數(shù)，將相似性程度函數(shù)l1sm作為優(yōu)化模塊的目標(biāo)函數(shù)c(r,f)的第一部分csim(r,f)，另一部分加入相關(guān)的平滑變換csmooth，對(duì)目標(biāo)函數(shù)迭代優(yōu)化，進(jìn)而更新變形場(chǎng)；

使用多層p樣條變換更新浮動(dòng)圖像，并判斷是否達(dá)到迭代次數(shù)，如果沒(méi)有達(dá)到迭代次數(shù)，則重新使用k-svd算法訓(xùn)練圖像塊，直到達(dá)到迭代次數(shù)；

輸出配準(zhǔn)后的浮動(dòng)圖像和控制網(wǎng)格。

優(yōu)選地，多層p樣條變換模型如下：

其中，控制點(diǎn)位置為[.]表示取整數(shù)值運(yùn)算，βl(u)表示三次p樣條第l個(gè)基函數(shù)，總的懲罰p為：其中，p0，p1，p2，p分別代表邊緣基b0，b1，b2，b3的懲罰，λ0，λ1，λ2，λ3為平滑系數(shù)，ik0，ik1，ik2，ik3為單位矩陣。

優(yōu)選地，步驟使用k-svd算法訓(xùn)練圖像塊，記錄訓(xùn)練得到的分析字典ω，尋找每個(gè)圖像塊的稀疏系數(shù)yi，進(jìn)而計(jì)算兩幅圖像中圖像塊的稀疏表示αrn和αfn包括稀疏編碼和字典更新兩個(gè)階段：

在稀疏編碼階段，計(jì)算圖像塊i＝[r1,r2,…,rn,f1,f2,…,fn]在分析字典ω上的稀疏系數(shù)yi：

其中，||y||0表示稀疏系數(shù)向量y中非零元素的個(gè)數(shù)，ε表示允許偏差的精度，上述公式的求解過(guò)程即為稀疏編碼；

在字典更新階段，對(duì)字典中的每個(gè)原子進(jìn)行更新，假定稀疏系數(shù)向量y和分析字典ω都是固定的，待更新字典的第k列為ωk，令稀疏系數(shù)矩陣中y與ωk相乘的第k行為則式(4)可以寫為：

公式(6)為除第k個(gè)原子以外其他原子產(chǎn)生的表示誤差，定義為含有原子ωk成分的圖像塊αi的索引所組成的集合，定義大小為n×wk的矩陣dk，矩陣元素(wk(i),i)為1，其他矩陣元素均為0，定義向量長(zhǎng)度為|wk|，定義矩陣大小為n×|wk|，是去掉不受原子ωk影響的樣本中帶來(lái)的誤差，此時(shí)公式(6)等價(jià)于：

將誤差矩陣進(jìn)行奇異值svd分解，得到其中δ中的奇異值是由大到小排列的，記為矩陣u中的第一列，使用來(lái)更新字典中的ωk，同時(shí)將矩陣v中的第一列與δ(1,1)的乘積來(lái)更新稀疏系數(shù)矩陣中的實(shí)現(xiàn)字典的更新；

通過(guò)交替執(zhí)行稀疏編碼和字典更新兩個(gè)階段，即可得到分析字典ω和兩幅圖像中圖像塊的稀疏表示αrn和αfn。

優(yōu)選地，步驟通過(guò)l1sm計(jì)算圖像塊的相似性程度函數(shù)，將相似性程度函數(shù)l1sm作為優(yōu)化模塊的目標(biāo)函數(shù)c(r,f)的第一部分csim(r,f)，另一部分加入相關(guān)的平滑變換csmooth，對(duì)目標(biāo)函數(shù)迭代優(yōu)化，進(jìn)而更新變形場(chǎng)具體為：

通過(guò)l1sm計(jì)算圖像塊的相似性程度函數(shù)：

l1sm＝||ω(r-f)||1＝||αr-αf||1(8)

將相似性程度函數(shù)l1sm作為優(yōu)化模塊的目標(biāo)函數(shù)c(r,f)的第一部分csim(r,f)，另一部分加入相關(guān)的平滑變換csmooth，使待配準(zhǔn)的兩幅圖像之間保持權(quán)衡，并且變換光滑；

其中，a是區(qū)域的面積，λ是權(quán)重系數(shù)。

優(yōu)選地，使用梯度下降法迭代優(yōu)化目標(biāo)函數(shù)，進(jìn)而更新變形場(chǎng)，l1sm的導(dǎo)數(shù)表達(dá)式如下：

其中，為浮動(dòng)圖像的梯度，θ表示變換參數(shù)，sign(.)為符號(hào)函數(shù)。

本發(fā)明實(shí)施例提供的一種基于多層p樣條和稀疏編碼的醫(yī)學(xué)圖像配準(zhǔn)方法，在p樣條的基礎(chǔ)上讓網(wǎng)格控制節(jié)點(diǎn)由少變多，直至在某個(gè)網(wǎng)格密度下配準(zhǔn)的誤差最小，并使用基于圖像塊稀疏編碼的相似性測(cè)度，不僅考慮了醫(yī)學(xué)圖像中存在灰度不均勻性造成的灰度偏移場(chǎng)，也考慮了像素之間的空間依賴性，同時(shí)使用k-svd算法，相比確定的字典，適用范圍更廣。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例提供的一種基于多層p樣條和稀疏編碼的醫(yī)學(xué)圖像配準(zhǔn)方法的流程圖；

圖2為一組頭顱矢狀面圖像的配準(zhǔn)結(jié)果，a為參考圖像，b為浮動(dòng)圖像，c為多層p樣條+lmi，d為多層p樣條+lmi網(wǎng)格，e為多層p樣條+rc，f為多層p樣條+rc網(wǎng)格，g為多層p樣條+l1sm，h為多層p樣條+l1sm網(wǎng)格；

圖3為一組腦部mr圖像在不同網(wǎng)格密度下的配準(zhǔn)結(jié)果，a為參考圖像，b為浮動(dòng)圖像，c為l1sm(4×4)，d為l1sm(4×4)網(wǎng)格，e為l1sm(8×8)，f為l1sm(8×8)網(wǎng)格。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

參照?qǐng)D1，本發(fā)明實(shí)施例中提供的一種基于多層p樣條和稀疏編碼的醫(yī)學(xué)圖像配準(zhǔn)方法，包括以下步驟：

步驟100，使用步長(zhǎng)為1的滑動(dòng)窗把含有灰度偏移場(chǎng)的參考圖像r和浮動(dòng)圖像f劃分成為大小為的圖像塊，對(duì)于圖像r和f都有個(gè)圖像塊，把兩幅圖像的圖像塊分別記為：

ir＝[r1,r2,…,rn],if＝[f1,f2,…,fn](1)

訓(xùn)練集為兩幅圖像中圖像塊的集合：

步驟110，初始化多層p樣條變換模型參數(shù)和優(yōu)化模塊的參數(shù)，在本實(shí)施例中網(wǎng)格初始大小設(shè)為4×4，參考圖像和浮動(dòng)圖像之間的配準(zhǔn)誤差為10-⁴，梯度下降算法的最大迭代次數(shù)為30次；多層p樣條變換模型如下：

其中，控制點(diǎn)位置為[.]表示取整數(shù)值運(yùn)算，βl(u)表示三次p樣條第l個(gè)基函數(shù)。

總的懲罰p為：

其中，p0，p1，p2，p分別代表邊緣基b0，b1，b2，b3的懲罰，λ0，λ1，λ2，λ3為平滑系數(shù)，ik0，ik1，ik2，ik3為單位矩陣。

步驟120，使用k-svd算法訓(xùn)練圖像塊，記錄訓(xùn)練得到的分析字典ω，尋找每個(gè)圖像塊的稀疏系數(shù)yi，本步驟包括稀疏編碼和字典更新兩個(gè)階段：

在稀疏編碼階段，計(jì)算圖像塊i＝[r1,r2,…,rn,f1,f2,…,fn]在分析字典ω上的稀疏系數(shù)yi：

其中，||y||0表示稀疏系數(shù)向量y中非零元素的個(gè)數(shù)，ε表示允許偏差的精度，上述公式的求解過(guò)程即為稀疏編碼；

在字典更新階段，對(duì)字典中的每個(gè)原子進(jìn)行更新，假定稀疏系數(shù)向量y和分析字典ω都是固定的，待更新字典的第k列為ωk，令稀疏系數(shù)矩陣中y與ωk相乘的第k行為則式(4)可以寫為：

公式(6)為除第k個(gè)原子以外其他原子產(chǎn)生的表示誤差，定義為含有原子ωk成分的圖像塊αi的索引所組成的集合，定義大小為n×wk的矩陣dk，矩陣元素(wk(i),i)為1，其他矩陣元素均為0，定義向量(長(zhǎng)度為|wk|)，定義矩陣(大小為n×|wk|，是去掉不受原子ωk影響的樣本中帶來(lái)的誤差)，此時(shí)公式(6)等價(jià)于：

將誤差矩陣進(jìn)行奇異值(svd)分解，得到(其中δ中的奇異值是由大到小排列的)，記為矩陣u中的第一列，使用來(lái)更新字典中的ωk，同時(shí)將矩陣v中的第一列與δ(1,1)的乘積來(lái)更新稀疏系數(shù)矩陣中的實(shí)現(xiàn)字典的更新。

k-svd算法是一種迭代算法，通過(guò)交替執(zhí)行稀疏編碼和字典更新兩個(gè)階段，即可得到分析字典ω和兩幅圖像中圖像塊的稀疏表示αrn和αfn；

步驟130，通過(guò)l1sm計(jì)算圖像塊的相似性程度函數(shù)：

l1sm＝||ω(r-f)||1＝||αr-αf||1(8)

將相似性程度函數(shù)l1sm作為優(yōu)化模塊的目標(biāo)函數(shù)c(r,f)的第一部分csim(r,f)，另一部分加入相關(guān)的平滑變換csmooth，使待配準(zhǔn)的兩幅圖像之間保持權(quán)衡，并且變換光滑。

其中，a是區(qū)域的面積，λ是權(quán)重系數(shù)。

本實(shí)施例中使用梯度下降法迭代優(yōu)化目標(biāo)函數(shù)，進(jìn)而更新變形場(chǎng)，l1sm的導(dǎo)數(shù)表達(dá)式如下：

其中，為浮動(dòng)圖像的梯度，θ表示變換參數(shù)，sign(.)為符號(hào)函數(shù)。

步驟140，使用多層p樣條變換更新浮動(dòng)圖像，并判斷是否達(dá)到迭代次數(shù)，如果沒(méi)有達(dá)到迭代次數(shù)，則返回步驟120，直到達(dá)到迭代次數(shù)；

步驟150，輸出配準(zhǔn)后的浮動(dòng)圖像和控制網(wǎng)格。

實(shí)例

為驗(yàn)證本發(fā)明方法的有效性，分別從兩方面予以驗(yàn)證：

(1)相似性測(cè)度在配準(zhǔn)中的影響

圖2給出了一組頭顱矢狀面圖像的配準(zhǔn)結(jié)果。2(a)、2(b)分別作為參考圖像和浮動(dòng)圖像，分辨率為354×353。分別使用lmi，rc和本發(fā)明的l1sm三種測(cè)度進(jìn)行對(duì)比實(shí)驗(yàn)，配準(zhǔn)結(jié)果如圖2所示。

由圖2(c)和2(d)可看出，使用lmi測(cè)度后的浮動(dòng)圖像在腦部多處均未配準(zhǔn)，且形變網(wǎng)格在一些地方出現(xiàn)折疊現(xiàn)象；由圖2(e)和2(f)可看出，使用rc測(cè)度只在顱骨內(nèi)板，枕葉處沒(méi)有配準(zhǔn)，形變網(wǎng)格較為光滑；而由圖2(g)和2(h)可看出，使用l1sm在各處均配準(zhǔn)且形變網(wǎng)格光滑，并未出現(xiàn)折疊現(xiàn)象。

為客觀評(píng)價(jià)配準(zhǔn)的效果，本發(fā)明采用均方根誤差(rmse)、配準(zhǔn)時(shí)間(t/s)來(lái)定量評(píng)估配準(zhǔn)的性能。均方根誤差(rmse)的數(shù)學(xué)表達(dá)式如公式16所示：

其中r(i,j)和f(i,j)分別是參考圖像r，浮動(dòng)圖像f在點(diǎn)(i,j)處圖像塊的稀疏表示，m×n是圖像的分辨率。rmse值越小，配準(zhǔn)效果越好。

實(shí)驗(yàn)1中配準(zhǔn)后圖像和參考圖像的rmse值與配準(zhǔn)運(yùn)行時(shí)間如表1所示:

表1相似性測(cè)度在配準(zhǔn)中的影響

表1給出在多層p樣條變換下局部互信息(lmi)、殘差復(fù)雜性(rc)配準(zhǔn)測(cè)度與本發(fā)明的l1sm配準(zhǔn)結(jié)果的定量指標(biāo)。表中數(shù)據(jù)是5次實(shí)驗(yàn)數(shù)據(jù)的平均值。依據(jù)對(duì)圖像的分析和對(duì)評(píng)價(jià)指標(biāo)均方根誤差(rmse)的分析，得出基于稀疏編碼的l1sm相似性測(cè)度相比局部互信息(lmi)和殘差復(fù)雜性(rc)對(duì)含有灰度偏移場(chǎng)的圖像有著更好的配準(zhǔn)表現(xiàn)；rmse分別下降了35.51％和31.74％。從配準(zhǔn)時(shí)間上來(lái)看，基于稀疏編碼的l1sm的效率要略低于lmi和rc的相似性測(cè)度。

實(shí)驗(yàn)2：網(wǎng)格稀疏程度對(duì)配準(zhǔn)的影響

圖3給出一組腦部mr圖像在不同網(wǎng)格密度下的配準(zhǔn)結(jié)果，圖像分辨率為557×583。其中，3(a)作為參考圖像，3(b)作為浮動(dòng)圖像，圖3(c)和3(d)顯示了在4×4網(wǎng)格密度下的配準(zhǔn)結(jié)果，圖3(e)和3(f)顯示了在8×8網(wǎng)格密度下的配準(zhǔn)結(jié)果。

由圖3(d)和3(f)可看出，當(dāng)控制網(wǎng)格稀疏時(shí)，由于控制頂點(diǎn)數(shù)目較少，每一個(gè)控制點(diǎn)影響的區(qū)域較大，導(dǎo)致配準(zhǔn)精度受到影響。采用多層次p樣條變換，控制網(wǎng)格由疏到密，模擬從全局到局部的變形，最終能夠得到精確的配準(zhǔn)結(jié)果。

實(shí)驗(yàn)2中配準(zhǔn)后圖像和參考圖像的rmse值和配準(zhǔn)運(yùn)行時(shí)間如表2所示:

表2網(wǎng)格稀疏程度對(duì)配準(zhǔn)的影響

表2給出在4×4，8×8不同網(wǎng)格密度下配準(zhǔn)結(jié)果的定量指標(biāo)。表中數(shù)據(jù)是5次實(shí)驗(yàn)數(shù)據(jù)的平均值。結(jié)果顯示在8×8網(wǎng)格密度下rmse較小，表明控制點(diǎn)越稠密，配準(zhǔn)后兩幅圖像差異越小，配準(zhǔn)效果越好，因此多層次配準(zhǔn)可以通過(guò)逐層增加控制網(wǎng)格密度來(lái)準(zhǔn)確選擇網(wǎng)格大小，最終提升配準(zhǔn)效果。

依據(jù)上述兩個(gè)實(shí)驗(yàn)的實(shí)驗(yàn)結(jié)果，表明了基于多層p樣條和稀疏編碼的非剛性醫(yī)學(xué)圖像配準(zhǔn)方法降低了配準(zhǔn)誤差，提升了配準(zhǔn)效果。

本領(lǐng)域內(nèi)的技術(shù)人員應(yīng)明白，本發(fā)明的實(shí)施例可提供為方法、系統(tǒng)、或計(jì)算機(jī)程序產(chǎn)品。因此，本發(fā)明可采用完全硬件實(shí)施例、完全軟件實(shí)施例、或結(jié)合軟件和硬件方面的實(shí)施例的形式。而且，本發(fā)明可采用在一個(gè)或多個(gè)其中包含有計(jì)算機(jī)可用程序代碼的計(jì)算機(jī)可用存儲(chǔ)介質(zhì)(包括但不限于磁盤存儲(chǔ)器、cd-rom、光學(xué)存儲(chǔ)器等)上實(shí)施的計(jì)算機(jī)程序產(chǎn)品的形式。

本發(fā)明是參照根據(jù)本發(fā)明實(shí)施例的方法、設(shè)備(系統(tǒng))、和計(jì)算機(jī)程序產(chǎn)品的流程圖和/或方框圖來(lái)描述的。應(yīng)理解可由計(jì)算機(jī)程序指令實(shí)現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合?？商峁┻@些計(jì)算機(jī)程序指令到通用計(jì)算機(jī)、專用計(jì)算機(jī)、嵌入式處理機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個(gè)機(jī)器，使得通過(guò)計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的裝置。

這些計(jì)算機(jī)程序指令也可存儲(chǔ)在能引導(dǎo)計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計(jì)算機(jī)可讀存儲(chǔ)器中，使得存儲(chǔ)在該計(jì)算機(jī)可讀存儲(chǔ)器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能。

這些計(jì)算機(jī)程序指令也可裝載到計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計(jì)算機(jī)實(shí)現(xiàn)的處理，從而在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行的指令提供用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的步驟。

盡管已描述了本發(fā)明的優(yōu)選實(shí)施例，但本領(lǐng)域內(nèi)的技術(shù)人員一旦得知了基本創(chuàng)造性概念，則可對(duì)這些實(shí)施例作出另外的變更和修改。所以，所附權(quán)利要求意欲解釋為包括優(yōu)選實(shí)施例以及落入本發(fā)明范圍的所有變更和修改。

顯然，本領(lǐng)域的技術(shù)人員可以對(duì)本發(fā)明進(jìn)行各種改動(dòng)和變型而不脫離本發(fā)明的精神和范圍。這樣，倘若本發(fā)明的這些修改和變型屬于本發(fā)明權(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本發(fā)明也意圖包含這些改動(dòng)和變型在內(nèi)。