本發(fā)明涉及圖像處理技術領域，尤其涉及一種視網膜圖像的出血區(qū)域分割方法。

背景技術：

糖尿病視網膜病變(簡稱糖網)是一種廣泛存在于糖尿病人中的眼科疾病，它會對患者的視力產生影響，嚴重的甚至會導致患者失明。定期篩查、盡早發(fā)現視網膜病變可以最大程度地減小患者視力損傷。視網膜出血病變是由視網膜內的微動脈瘤破裂而導致的視網膜內出血，其是糖網早期可見的標志之一。因此，對視網膜圖像中的出血點進行準確檢測，對于實現糖網的自動篩查、有效評估和抑制病情的發(fā)展具有重要意義。

但是，由于視網膜出血點的病灶邊緣不清晰，與背景對比度差，與血管的灰度過于相近，形狀不規(guī)則且大小不一，以及視網膜圖像成像質量的不確定性，導致對視網膜出血區(qū)域自動檢測的難度非常大，存在誤檢率高、漏檢率高、運算復雜、處理效率低等問題。

因此，需要一種新的又精確又快速的視網膜圖像出血區(qū)域分割方法。

技術實現要素：

為此，本發(fā)明提供一種視網膜圖像出血區(qū)域分割方法、裝置和計算設備，以解決或至少緩解上面存在的問題。

根據本發(fā)明的一個方面，提供一種視網膜圖像出血區(qū)域分割方法，在計算設備中執(zhí)行，該方法包括：獲取待分割的視網膜圖像，并對該圖像進行對比度增強，得到所述視網膜圖像的增強圖像；對增強圖像進行濾波處理，以提取出所述視網膜圖像的背景圖像；將增強圖像中各像素的rgb顏色值與背景圖像中對應像素的rgb顏色值取差值，得到差值圖像；根據差值圖像中各像素的rgb顏色值得到暗區(qū)域圖像，該暗區(qū)域圖像中標記了視網膜圖像中的暗區(qū)域，所述暗區(qū)域包括血管區(qū)域、出血區(qū)域和暗噪聲區(qū)域；從增強圖像中確定血管區(qū)域，并將該區(qū)域從暗區(qū)域圖像中去除，得到去血管圖像；以及從增強圖像中確定暗噪聲區(qū)域，并將該區(qū)域從去血管圖像中去除，得到視網膜圖像的出血區(qū)域。

可選地，在根據本發(fā)明的視網膜圖像出血區(qū)域分割方法中，對視網膜圖像進行對比度增強的步驟包括：將視網膜圖像中各像素的rgb三通道的顏色值歸一化為0～1之間的數；對于rgb中每一個顏色通道，按照以下公式確定增強圖像中各像素的顏色值：i1(x,y)＝α·i0(x,y)-β·i(x,y；δ)+γ；其中，i1(x,y)表示增強圖像中坐標為(x,y)的像素的顏色值，i0(x,y)表示在視網膜圖像中坐標為(x,y)的像素的顏色值，i(x,y；δ)表示在視網膜圖像中坐標為(x,y)的像素的局部均值，其中，局部均值為經窗口大小和方差均為δ的高斯濾波所得出。

可選地，在根據本發(fā)明的視網膜圖像出血區(qū)域分割方法中，對增強圖像進行濾波處理，以提取出視網膜圖像的背景圖像的步驟包括：生成多個具有不同窗口大小的濾波器；對增強圖像中各像素的rgb三個顏色通道，分別采用多個濾波器對各通道進行濾波處理，得到各通道的多個濾波結果；以及將各通道的多個濾波結果取平均作為該通道的顏色值，從而得到背景圖像。

可選地，在根據本發(fā)明的視網膜圖像出血區(qū)域分割方法中，濾波為維納濾波，其計算公式為：

其中，為維納濾波所提取出的圖像的頻域變換，g(u,v)為維納濾波當前所處理圖像的頻域變換，h(u,v)為退化函數，k為固定常數。

可選地，在根據本發(fā)明的視網膜圖像出血區(qū)域分割方法中，根據差值圖像中各像素的rgb顏色值得到暗區(qū)域圖像的步驟包括：獲取差值圖像中各像素的rgb三通道的顏色值，并根據獲取到的各通道顏色值來確定各通道的顏色閾值；以及通過對比差值圖像中每個像素的rgb各通道顏色值與對應通道的顏色閾值，將該像素的各通道顏色值均標記為0或均標記為1，從而將差值圖像轉化為暗區(qū)域圖像，所述暗區(qū)域圖像為二值圖像。

可選地，在根據本發(fā)明的視網膜圖像出血區(qū)域分割方法中，從增強圖像中確定血管區(qū)域，并將該區(qū)域從所述暗區(qū)域圖像中去除的步驟包括：采用不同方差下的多個窗口大小對所述增強圖像進行多次濾波，分別得到各方差下的多個濾波結果，并將這多個濾波結果取平均，得到該方差下的濾波均值；將各方差下的濾波均值進行合并，并對合并后的圖像進行閾值分割，得到中間圖像，所述中間圖像包括偽血管區(qū)域和血管區(qū)域，其為二值圖像；通過對中間圖像進行連通域分析來確定該圖像中的偽血管區(qū)域；將偽血管區(qū)域從中間圖像中去除，得到血管區(qū)域的分布圖，記為血管分布圖；以及將暗區(qū)域圖像各像素的rgb顏色值與血管分布圖中對應像素的rgb顏色值取差值，從而將血管區(qū)域從暗區(qū)域圖像中去除。

可選地，在根據本發(fā)明的視網膜圖像出血區(qū)域分割方法中，通過對所述中間圖像進行連通域分析來確定該圖像中的偽血管區(qū)域的步驟包括：確定中間圖像中的各連通域；計算各連通域的屬性值，其中屬性值包括該連通域的面積、周長、包含該連通域的最小矩形框，以及與區(qū)域具有相同標準二階中心矩的橢圓的離心率、長軸長度和短軸長度中的至少一種；以及判斷各連通域的屬性值之間是否滿足第一預定條件，若是，則將該連通域標記為偽血管區(qū)域。

可選地，在根據本發(fā)明的視網膜圖像出血區(qū)域分割方法中，第一預定條件包括以下任意一種情況：連通域的面積滿足第一閾值范圍，最小矩形框與連通域的面積之比大于第二閾值，且連通域的長軸長度與短軸長度之比小于第三閾值；或者，連通域的面積滿足第一閾值范圍，最小矩形框與所述連通域的面積之比小于第四閾值、周長之比大于第五閾值；或者連通域的面積小于第六閾值、離心率小于第七閾值、且長軸長度與短軸長度之比小于第八閾值。

可選地，在根據本發(fā)明的視網膜圖像出血區(qū)域分割方法中，從增強圖像中確定暗噪聲區(qū)域的步驟包括：將增強圖像由rgb色彩空間轉到hsv色彩空間；判斷增強圖像中各像素的hsv值是否滿足第二預定條件；若是，則將該像素標記為暗噪聲。

可選地，在根據本發(fā)明的視網膜圖像出血區(qū)域分割方法中，從增強圖像中確定暗噪聲區(qū)域的步驟還包括：計算增強圖像中各像素在g通道的梯度幅值，以及各連通域內梯度幅值的均值，其中連通域適于從暗區(qū)域圖像中確定；以及若某個連通域內梯度幅值的均值小于預定閾值，則將該連通域標記為暗噪聲區(qū)域。

可選地，在根據本發(fā)明的視網膜圖像出血區(qū)域分割方法中，α＝β＝4，γ＝0.5，δ為10～20之間的任意整數；第一閾值范圍為[200，5000]，第二閾值為0.35，第三閾值為2.5，第四閾值為0.25，第五閾值為0.95，第六閾值為600，第七閾值為0.97，第八閾值為2。

根據本發(fā)明的一個方面，提供一種視網膜圖像出血區(qū)域分割裝置，駐留于計算設備中，該裝置包括：圖像預處理單元，適于獲取待分割的視網膜圖像，并對該圖像進行對比度增強，得到所述視網膜圖像的增強圖像，以及對增強圖像進行濾波處理，以提取出視網膜圖像的背景圖像；差值圖像生成單元，適于將增強圖像中各像素的rgb顏色值與背景圖像中對應像素的rgb顏色值取差值，得到差值圖像；暗區(qū)域確定單元，適于根據差值圖像中各像素的rgb顏色值得到暗區(qū)域圖像，所述暗區(qū)域圖像中標記了視網膜圖像中的暗區(qū)域，暗區(qū)域包括血管區(qū)域、出血區(qū)域和暗噪聲區(qū)域；血管去除單元，適于從增強圖像中確定血管區(qū)域，并將該區(qū)域從暗區(qū)域圖像中去除，得到去血管圖像；以及暗噪聲去除單元，適于從增強圖像中確定暗噪聲區(qū)域，并將該區(qū)域從去血管圖像中去除，得到視網膜圖像的出血區(qū)域。

根據本發(fā)明的一個方面，提供一種計算設備，包括：至少一個處理器；和存儲有程序指令的存儲器，所述程序指令包括如上所述的視網膜圖像出血區(qū)域分割裝置；其中，處理器被配置為適于根據所述存儲器中存儲的視網膜圖像出血區(qū)域分割裝置執(zhí)行如上所述的視網膜圖像出血區(qū)域分割方法。

根據本發(fā)明的一個方面，提供一種存儲有程序指令的計算機可讀存儲介質，所述程序指令包括如上所述的視網膜圖像出血區(qū)域分割裝置；當該計算機可讀存儲介質中存儲的視網膜圖像出血區(qū)域分割裝置被計算設備讀取時，所述計算設備可以執(zhí)行如上所述的視網膜圖像出血區(qū)域分割方法。

根據本發(fā)明的技術方案，首先對原始視網膜圖像進行對比度增強，消除原始視網膜圖像存在的光照不均等問題，增強出血區(qū)域與背景圖像之間的對比度，使后續(xù)出血區(qū)域的分割更準確。之后，通過對增強圖像進行維納濾波，提取出了原始視網膜圖像的背景圖像，并通過將增強圖像與背景圖像取差值得到差值圖像。之后，獲取該差值圖像的暗區(qū)域閾值，進而根據該閾值將差值圖像轉化為包含視網膜圖像中暗區(qū)域的暗區(qū)域圖像，該暗區(qū)域包括血管區(qū)域、出血區(qū)域和暗噪聲區(qū)域。

隨后，通過依次對增強圖像進行高斯濾波、閾值分割和連通域分析來確定偽血管區(qū)域，并將該偽血管區(qū)域去除后得到血管區(qū)域的分布圖，即血管分布圖，進而將暗區(qū)域圖像與血管分布圖取差值即可去掉血管區(qū)域，得到去血管圖像。最后，分別采用顏色和梯度方法來確定暗噪聲區(qū)域，并將該暗噪聲區(qū)域從去血管圖像中去除，得到最終的出血區(qū)域。該方法通過對相關干擾區(qū)域的多次逐層處理，使得出血區(qū)域的分割更加準確，避免出血區(qū)域的誤判，而且本發(fā)明也很大程度上降低了后期圖像處理的復雜度，加快了計算速度。

附圖說明

為了實現上述以及相關目的，本文結合下面的描述和附圖來描述某些說明性方面，這些方面指示了可以實踐本文所公開的原理的各種方式，并且所有方面及其等效方面旨在落入所要求保護的主題的范圍內。通過結合附圖閱讀下面的詳細描述，本公開的上述以及其它目的、特征和優(yōu)勢將變得更加明顯。遍及本公開，相同的附圖標記通常指代相同的部件或元素。

圖1a示出了根據本發(fā)明一個實施例的出血區(qū)域分割系統(tǒng)100a的示意圖；

圖1b示出了根據本發(fā)明一個實施例的出血區(qū)域分割系統(tǒng)100b的示意圖；

圖2示出了根據本發(fā)明一個實施例的計算設備200的結構圖；

圖3示出了根據本發(fā)明一個實施例的視網膜圖像出血區(qū)域分割裝置300的結構圖；

圖4示出了根據本發(fā)明一個實施例的視網膜圖像出血區(qū)域分割方法400的流程圖；

圖5a～圖5h示出了根據本發(fā)明的一個視網膜圖像出血區(qū)域分割的實施例的效果圖。

具體實施方式

下面將參照附圖更詳細地描述本公開的示例性實施例。雖然附圖中顯示了本公開的示例性實施例，然而應當理解，可以以各種形式實現本公開而不應被這里闡述的實施例所限制。相反，提供這些實施例是為了能夠更透徹地理解本公開，并且能夠將本公開的范圍完整的傳達給本領域的技術人員。

圖1a示出了根據本發(fā)明一個實施例的出血區(qū)域分割系統(tǒng)100a的示意圖。圖1a所示的系統(tǒng)100a包括視網膜圖像采集設備110和計算設備200。應當指出，圖1a中的系統(tǒng)100a僅是示例性的，在具體的實踐情況中，系統(tǒng)100a中可以包括任意數量的視網膜圖像采集設備110和計算設備200，本發(fā)明對系統(tǒng)100a中所包括的視網膜圖像采集設備110和計算設備200的數目不做限制。

視網膜圖像采集設備110例如可以是任意型號的眼底照相機，其適于采集視網膜圖像；計算設備200可以是諸如pc、筆記本電腦、手機、平板電腦等設備，其適于執(zhí)行圖像處理任務。在系統(tǒng)100a中，視網膜圖像采集設備110與計算設備200在空間上的距離比較近，二者可以以有線或無線的方式完成近距離通信，例如，視網膜圖像采集設備110可以通過usb接口、rj-45接口、bnc接口等與計算設備200建立有線連接，或通過藍牙、wifi、zigbee、ieee802.11x等協(xié)議與計算設備200建立無線連接，本發(fā)明對視網膜圖像采集設備110與計算設備200之間的連接方式不做限制。計算設備200中駐留有視網膜圖像出血區(qū)域分割裝置300，裝置300可以作為一個獨立的軟件安裝于計算設備200中，或者作為一個網頁應用駐留于計算設備200的瀏覽器中，或者僅僅是位于計算設備200的存儲器中的一段代碼，本發(fā)明對裝置300在計算設備200中的存在形式不做限制。當視網膜圖像采集設備110采集到視網膜圖像后，將視網膜圖像發(fā)送至計算設備200。計算設備200接收該視網膜圖像，并由裝置300對接收到的視網膜圖像進行處理，分割出視網膜圖像中的出血區(qū)域。

圖1b示出了根據本發(fā)明一個實施例的出血區(qū)域分割系統(tǒng)100b的示意圖。圖1b所示的系統(tǒng)100b包括視網膜圖像采集設備110、本地客戶端120和計算設備200。應當指出，圖1b中的系統(tǒng)100b僅是示例性的，在具體的實踐情況中，系統(tǒng)100b中可以包括任意數量的視網膜圖像采集設備110、本地客戶端120和計算設備200，本發(fā)明對系統(tǒng)100b中所包括的視網膜圖像采集設備110、本地客戶端120和計算設備200的數目不做限制。

視網膜圖像采集設備110例如可以是任意型號的眼底照相機，其適于采集視網膜圖像；本地客戶端120可以是諸如pc、筆記本電腦、手機、平板電腦等設備，其適于接收視網膜圖像采集設備110所采集到的視網膜圖像，并經由互聯(lián)網將其發(fā)送至計算設備200；計算設備200可以實現為服務器，例如可以是web服務器、應用程序服務器等，其適于提供視網膜圖像出血區(qū)域分割服務。在系統(tǒng)100b中，視網膜圖像采集設備110與本地客戶端120在空間上的距離比較近，二者可以以有線或無線的方式完成近距離通信；本地客戶端120與計算設備200的距離比較遠，二者可以以有線或無線的方式經由互聯(lián)網完成遠距離通信。當視網膜圖像采集設備110采集到視網膜圖像后，將視網膜圖像發(fā)送至本地客戶端120。隨后，本地客戶端120將接收到的視網膜圖像發(fā)送至計算設備200，計算設備200接收該視網膜圖像，并由裝置300對接收到的視網膜圖像進行處理，分割出視網膜圖像中的出血區(qū)域，并將分割結果返回至本地客戶端120。應當指出，雖然系統(tǒng)100b中將視網膜圖像采集設備110和本地客戶端120作為兩個設備分別示出，但是，本領域技術人員可以意識到，在其他的實施例中，視網膜圖像采集設備110和本地客戶端120可以集成為一個設備，其同時具備以上所描述的設備110和本地客戶端120所具備的所有功能。

圖2示出了根據本發(fā)明一個實施例的計算設備200的結構圖。在基本配置202中，計算設備200典型地包括系統(tǒng)存儲器206和一個或者多個中央處理器204。存儲器總線208可以用于在中央處理器204和系統(tǒng)存儲器206之間的通信。中央處理器204是計算設備200的運算核心和控制核心，其主要功能是解釋計算機指令以及處理各種軟件中的數據。

取決于期望的配置，中央處理器204可以是任何類型的處理，包括但不限于：微處理器(μp)、微控制器(μc)、數字信息處理器(dsp)或者它們的任何組合。中央處理器204可以包括諸如一級高速緩存210和二級高速緩存212之類的一個或者多個級別的高速緩存、處理器核心214和寄存器216。示例的處理器核心214可以包括運算邏輯單元(alu)、浮點數單元(fpu)、數字信號處理核心(dsp核心)或者它們的任何組合。示例的存儲器控制器218可以與中央處理器204一起使用，或者在一些實現中，存儲器控制器218可以是中央處理器204的一個內部部分。

取決于期望的配置，系統(tǒng)存儲器206可以是任意類型的存儲器，包括但不限于：易失性存儲器(諸如ram)、非易失性存儲器(諸如rom、閃存等)或者它們的任何組合。系統(tǒng)存儲器206可以包括操作系統(tǒng)220、一個或者多個應用222以及程序數據224。在一些實施方式中，應用222可以布置為在操作系統(tǒng)上利用程序數據224進行操作。應用222在系統(tǒng)存儲器中體現為多段程序指令，例如，應用222可以是可執(zhí)行程序(.exe文件)或網頁中的一段js代碼。中央處理器204可以執(zhí)行這些程序指令從而實現應用222所指示的功能。在本發(fā)明中，應用222中包括視網膜圖像出血區(qū)域分割裝置300。視網膜圖像出血區(qū)域分割裝置300是一個由多行代碼組成的指令集合，其能夠指示中央處理器204執(zhí)行圖像處理的相關操作，從而實現視網膜圖像的出血區(qū)域分割。

計算設備200還可以包括有助于從各種接口設備(例如，輸出設備242、外設接口244和通信設備246)到基本配置102經由總線/接口控制器230的通信的接口總線240。示例的輸出設備242包括圖形處理單元248和音頻處理單元250。它們可以被配置為有助于經由一個或者多個a/v端口252與諸如顯示器或者揚聲器之類的各種外部設備進行通信。示例外設接口244可以包括串行接口控制器254和并行接口控制器256，它們可以被配置為有助于經由一個或者多個i/o端口258和諸如輸入設備(例如，鍵盤、鼠標、筆、語音輸入設備、觸摸輸入設備)或者其他外設(例如打印機、掃描儀等)之類的外部設備進行通信。示例的通信設備246可以包括網絡控制器260，其可以被布置為便于經由一個或者多個通信端口264與一個或者多個其他計算設備262通過網絡通信鏈路的通信。

網絡通信鏈路可以是通信介質的一個示例。通信介質通?？梢泽w現為在諸如載波或者其他傳輸機制之類的調制數據信號中的計算機可讀指令、數據結構、程序模塊，并且可以包括任何信息遞送介質?！罢{制數據信號”可以這樣的信號，它的數據集中的一個或者多個或者它的改變可以在信號中編碼信息的方式進行。作為非限制性的示例，通信介質可以包括諸如有線網絡或者專線網絡之類的有線介質，以及諸如聲音、射頻(rf)、微波、紅外(ir)或者其它無線介質在內的各種無線介質。這里使用的術語計算機可讀存儲介質可以包括存儲介質和通信介質二者。根據一種實施例，計算機可讀存儲介質中存儲有程序指令，程序指令中包括視網膜圖像出血區(qū)域分割裝置300。當計算機可讀存儲介質中存儲的裝置300被計算設備200讀取時，計算設備200的中央處理器204可以執(zhí)行相應的視網膜圖像出血區(qū)域分割方法，以實現視網膜圖像中出血區(qū)域的分割。

圖3示出了根據本發(fā)明一個實施例的視網膜圖像出血區(qū)域分割裝置300的結構圖。如圖3所示，裝置300包括圖像預處理單元320、差值圖像生成單元340、暗區(qū)域確定單元360、血管去除單元380和暗噪聲去除單元390。

圖像預處理單元320適于獲取待分割的視網膜圖像，并對該圖像進行對比度增強，得到所述視網膜圖像的增強圖像，以及對該增強圖像進行濾波處理后得到所述視網膜圖像的背景圖像。

其中，待分割的視網膜圖像即視網膜圖像采集設備110所采集到的原始視網膜圖像，如圖5a所示，其中左側是具有圓形視場角的視網膜圖像，該視網膜圖像為完整的圓形；右側是有不規(guī)則視場角的視網膜圖像，該視網膜圖像在上下半圓各缺失一部分。當然為了方便后續(xù)對圖像像素的對應處理，圖像預處理單元320可以先對該視網膜圖像進行裁剪，并采用圖像內插方法或其他現有方法將裁剪后的圖像尺寸調整為預定尺寸。圖5b是對圖5a中的左右兩張圖進行裁剪及尺寸調整后的圖，后續(xù)在5c-5h中出現的左右兩張圖像分別是基于圖5b中的這兩張圖為基礎進行處理后得到的效果圖，如圖5c是對圖5b進行對比度增強后的增強圖像，圖5d是對圖5c進行濾波后得到的背景圖像。應當理解，實際上也可以沒有裁剪與尺寸調整操作(即省略圖5b)，而直接在圖5a基礎上進行各項處理(如對比度增強)，其并不會影響最終出血區(qū)域的判斷結果。

根據一種實施例，圖像預處理單元320可以根據以下方法對原始視網膜圖像進行對比度增強：將視網膜圖像中各像素的rgb三通道的顏色值歸一化為0～1之間的數；對于rgb中每一個顏色通道，按照以下公式確定增強圖像中各像素的顏色值：

i1(x,y)＝α·i0(x,y)-β·i(x,y；δ)+γ

其中，i1(x,y)表示增強圖像中坐標為(x,y)的像素的顏色值，i0(x,y)表示在視網膜圖像中坐標為(x,y)的像素的顏色值，i(x,y；δ)表示在視網膜圖像中坐標為(x,y)的像素的局部均值，其中，局部均值為經窗口大小和方差均為δ的高斯濾波所得出。根據一個實施例，α＝β＝4，γ＝0.5，δ為10～20之間的任意整數，當然這些數值只是示例性說明，實際操作中可以根據需要設置為其他數值，本發(fā)明對此不作限制。另外，應當理解，增強圖像中坐標為(x,y)的像素顏色值i1(x,y)可能出現小于0或大于1的情況，為了方便處理，可以將小于0的值都置為0，將大于1的值都置為1。

根據另一種實施例，圖像預處理單元320可以根據以下方法對增強圖像進行濾波處理：生成多個具有不同窗口大小的濾波器(如維納濾波的濾波器)；對增強圖像中各像素的rgb三個顏色通道，分別采用這多個濾波器對各通道進行濾波處理，得到各通道的多個濾波結果；以及將各通道的多個濾波結果取平均作為該通道的顏色值，從而得到每個像素點的顏色值，這些像素點即構成所述背景圖像。

提取圖像背景的方法有多種，例如維納濾波、中值濾波等，但考慮到維納濾波的計算速度不受濾波器窗口大小的影響，而中值濾波的濾波器窗口越大，計算速度越慢，效率越低。因此，本發(fā)明中的濾波方法選擇維納濾波，其計算公式如下：

其中，為維納濾波所提取出的背景圖像的頻域變換，g(u,v)為增強圖像的頻域變換，h(u,v)為退化函數，k為固定常數。h(u,v)和k可以根據需要設置為任意值，對于h(u,v)來說，在計算時，需要對u和v進行采樣，以生成一個離散濾波器，濾波器窗口的大小可以根據需要設置為任意值。根據上式得出后，對進行傅里葉反變換，即可得出空間域的背景圖像。

這里，可以選擇50*50,100*100和500*500這三個濾波器窗口大小，并用這三種濾波器窗口分別對增強圖像中各像素的rgb每一個通道進行濾波。這里，對于rgb三通道中的每個通道，都要用三種濾波器分別進行濾波，即均要用上述維納濾波公式進行計算，然后將三個濾波器的濾波結果的平均值作為該通道的顏色值。依此方法得到每個像素點的各通道的值，即可得到最終的背景圖像。

增強圖像和背景圖像生成后，差值圖像生成單元340將增強圖像中各像素的rgb顏色值與背景圖像中對應像素的rgb顏色值取差值，得到差值圖像。具體地，可以將增強圖像中各像素的rgb顏色值減去背景圖像中對應像素的rgb顏色值。

隨后，暗區(qū)域確定單元360根據差值圖像中各像素的rgb顏色值得到暗區(qū)域圖像，這個暗區(qū)域圖像中標記出了原始視網膜圖像中的暗區(qū)域，該暗區(qū)域包括血管區(qū)域、出血區(qū)域和暗噪聲區(qū)域。

具體地，暗區(qū)域確定單元360適于獲取差值圖像中各像素的rgb三通道的顏色值，并根據獲取到的各通道顏色值來確定該通道的顏色閾值；以及通過對比差值圖像中每個像素的各通道顏色值與對應通道的顏色閾值，將該像素的各通道顏色值均標記為0或均標記為1，從而將差值圖像轉化為暗區(qū)域圖像，該暗區(qū)域圖像為二值圖像。

進一步地，可以將所有像素的各通道的顏色平均值作為對應通道的顏色閾值(可以認為是亮區(qū)閾值)，若某個像素點的rgb三個通道的值均大于對應通道的顏色閾值，則將該像素點的rgb值均置為1；否則，將其均置為0，從而得到一副二值圖(即黑白圖)，這時的暗區(qū)域即為該二值圖像中rgb值均置為1的像素的集合。當然，也可以采取另一種賦值方式：將前者的rgb值均置為0，將后者的rgb值均置為1，這時的暗區(qū)域即為二值圖像中rgb值均為0的像素的集合。圖5e示出了根據第一種賦值方式得到的亮區(qū)域圖像，即二值圖像，其中的白色區(qū)域即為暗區(qū)域(rgb值均為1)，其對應于原視網膜圖像中較暗的區(qū)域。

隨后，血管去除單元380從增強圖像中確定血管區(qū)域，并將該區(qū)域從暗區(qū)域圖像中去除，得到去血管圖像。

具體地，血管去除單元380可以根據以下方法從增強圖像中確定血管區(qū)域：采用不同方差下的多個窗口大小對增強圖像進行多次濾波，分別得到各方差下的多個濾波結果，并將這多個濾波結果取平均，得到該方差下的濾波均值。之后，將各方差下的濾波均值進行合并，并對合并后的圖像進行閾值分割，得到一張中間圖像，該中間圖像為二值圖像，包括偽血管區(qū)域和血管區(qū)域。最后，通過對該中間圖像進行連通域分析來確定該圖像中的偽血管區(qū)域，并將該偽血管區(qū)域從中間圖像中去除，得到血管區(qū)域的分布圖，記為血管分布圖。

具體地，血管去除單元380在采用不同方差下的多個窗口大小對增強圖像進行多次濾波的過程中，可以采用采用多個窗口大小的高斯濾波，這主要是考慮到在視網膜圖像中血管的局部方向、曲率變化較小，橫截面的灰度變化近似為高斯曲線。根據一種實施例，此處可采用選取兩個方差δ，每個方差下選取19種窗口大小，如：

1)δ1＝5，并分別選取2*2～20*20這19種窗口大小對增強圖像進行高斯濾波，得到19個濾波結果；

2)δ2＝1.8，并分別選取2*2～20*20這19種窗口大小對增強圖像進行高斯濾波，得到19個濾波結果。

之后，分別求得這兩個方差下的19種濾波結果的平均值，并將求得的兩個濾波均值進行合并，即可得到合并結果所對應后的圖。對合并后的圖像進行閾值分割的算法有多種，例如otsu大津算法、最大熵法、迭代法等等，也可以參考暗區(qū)域圖像的生成方法，即先求得該合并后的圖像中各通道的顏色值及每個通道的顏色閾值，并通過對比每個通道的顏色值與該通道的顏色閾值來將該合并后的圖像轉換為中間圖像，中間圖像為標記了血管區(qū)域和偽血管區(qū)域的二值圖像。

進一步地，血管去除單元380可以根據以下方法來確定中間圖像中的偽血管區(qū)域：先采用現有的任意連通域確定算法來確定該中間圖像中的各連通域，然后計算各連通域的屬性值，其中屬性值包括該連通域的面積、周長、包含該連通域的最小矩形框，以及與區(qū)域具有相同標準二階中心矩的橢圓的離心率、長軸長度和短軸長度中的至少一種。最后，判斷各連通域的屬性值之間是否滿足第一預定條件，若是，則將該連通域標記為偽血管區(qū)域。其中，第一預定條件可以為以下任意一種條件：

1)連通域的面積滿足第一閾值范圍，最小矩形框與連通域的面積之比大于第二閾值，且連通域的長軸長度與短軸長度之比小于第三閾值；

2)連通域的面積滿足第一閾值范圍，最小矩形框與連通域的面積之比小于第四閾值、周長之比大于第五閾值；或者

3)連通域的面積小于第六閾值、離心率小于第七閾值、且長軸長度與短軸長度之比小于第八閾值。

這里，第一閾值范圍可以為[200，5000]，第二閾值可以為0.35，第三閾值可以為2.5，第四閾值可以為0.25，第五閾值可以為0.95，第六閾值可以為600，第七閾值可以為0.97，第八閾值可以為2。當然，可以根據需要將其設置為其他數值，本發(fā)明對這些具體數值不作限定。

確定偽血管區(qū)域后，血管去除單元380將該區(qū)域從中間圖像中去除，以得到血管區(qū)域的分布圖，記為血管分布圖。考慮中間圖像是一幅黑白的二值圖像，且前文在暗區(qū)域圖像的生成過程中將暗區(qū)域的像素的rgb值均置為1，因此這里可以采用將中間圖像中偽血管區(qū)域內的像素的rgb值均置為0的方法來去除偽血管區(qū)域，得到的血管分布圖如圖5f所示，其中的白色區(qū)域即為血管區(qū)域。此外，也可以記錄下偽血管區(qū)域內各像素的坐標值，并在中間圖像中將對應坐標處的像素的rgb值均設置為0。當然，應當理解，如果在前文中的暗區(qū)域圖像生成過程中將暗區(qū)域的像素顏色值均置為0，那么這里就可以將偽血管區(qū)域的像素顏色值均置為1。

確定血管區(qū)域后，血管去除單元380可以將暗區(qū)域圖像各像素的rgb顏色值與血管分布圖中對應像素的rgb顏色值取差值，從而將血管區(qū)域從暗區(qū)域圖像中去除，得到的去血管圖像如圖5g所示。這里，取差值算法可以為將暗區(qū)域圖像各像素的rgb顏色值減去血管分布圖中對應像素的rgb顏色值，當然也可以進行一些權重計算后再取差值，本發(fā)明對取差值過程的具體算法不作限定。

去血管圖像中的白色區(qū)域對應于原視網膜圖像中的出血區(qū)域和暗噪聲區(qū)域，去除暗噪聲區(qū)域即可得到出血區(qū)域。因此，暗噪聲去除單元390從增強圖像中確定暗噪聲區(qū)域，并將該區(qū)域從去血管圖像中去除，從而得到視網膜圖像的出血區(qū)域。

根據一個實施例，暗噪聲去除單元390可以根據顏色的方法來確定暗噪聲區(qū)域。具體地，將增強圖像由rgb色彩空間轉到hsv色彩空間，并判斷各像素的hsv值是否滿足第二預定條件，若是，則將該像素標記為暗噪聲。其中，第二預定條件可以為以下任意一種情況：h值在第一區(qū)間范圍外，或s值在第二區(qū)間范圍外，或者v值在第三區(qū)間范圍外。其中，第一區(qū)間范圍為[0.45，1]，第二區(qū)間范圍為[0.15，0.75]，第三區(qū)間范圍為[0.45，0.75]。這里，當hsv的值都在對應區(qū)間范圍內時，可以認為該像素為出血點。應當指出，此處在判斷hsv值是否滿足第二預定條件時，所采用的hsv值是歸一化后的hsv值，即，首先將hsv值歸一化為0～1之間的數，再判斷歸一化后的hsv值是否滿足第二預定條件。另外，應當理解，這些數值只是示例性說明，實際操作中可以根據需要設置為其他數值，本發(fā)明對此不作限制。

根據顏色方法確定出暗噪聲后，就可以在去血管圖像中將該暗噪聲去除。這里可以參考偽血管區(qū)域的去除方法，同樣采用將暗噪聲的像素顏色值置為0或1的方法來去除該暗噪聲。此外，也可以記錄下被標記為暗噪聲的像素的坐標值，然后在去血管圖像中對該坐標處的像素的rgb值進行設置，此處不再贅述。

根據另一個實施例，暗噪聲去除單元390還可以根據梯度的方法來確定暗噪聲區(qū)域。具體地，可以利用g通道中出血點與背景區(qū)域的顏色對比度較高的特點，計算增強圖像中各像素在g通道的梯度幅值，以及各連通域內梯度幅值的均值，其中連通域可以從暗區(qū)域圖像中確定。若某個連通域內梯度幅值的均值小于預定閾值，則將該連通域標記為暗噪聲區(qū)域；反之則可認為該連通域為出血區(qū)域。其中，預定閾值為將該增強圖像中的所有連通域排除后的所有其他像素的梯度幅值的均值。根據梯度方法確定暗噪聲區(qū)域后，同樣可以參考偽血管區(qū)域的去除方法將標記出的暗噪聲區(qū)域從去血管圖像中去除，此處不再贅述。

在實際操作中，可以選擇任意選擇顏色或梯度的方法來確定暗噪聲區(qū)域。但為了實現更好的暗噪聲去除效果，也可以對這兩種方式確定出的暗噪聲區(qū)域取合集。當采用組合的方法時，以上兩種方法可以以任意順序實施，本發(fā)明對各方法的先后順序不做限制。之后，將這兩種方法標記出的暗噪聲區(qū)域從去血管圖像中去除，從而得到最終的出血區(qū)域。在此處所采用的兩種方法的組合方法中，確定暗噪聲的步驟包括兩步，每一步均在前一步的基礎上確定暗噪聲，前一步中已經判定為暗噪聲的區(qū)域在后一步中不再進行重復判斷，這樣，既能夠準確地確定暗噪聲區(qū)域、避免遺漏，同時，也減少了不必要的計算，從而加快了計算速度。通過這兩種方式的組合處理得到的出血區(qū)域如圖5h中的黑色斑點狀區(qū)域所示。

圖4示出了根據本發(fā)明一個實施例的視網膜圖像出血區(qū)域分割方法400的流程圖。方法400適于在前述圖3所示的視網膜圖像出血區(qū)域分割裝置300中執(zhí)行。如圖4所示，方法400始于步驟s420。

在步驟s420中，獲取待分割的視網膜圖像，并對該圖像進行對比度增強，得到視網膜圖像的增強圖像；并在步驟s440中，對增強圖像進行濾波處理，以提取出視網膜圖像的背景圖像。該兩個步驟的具體過程可以參考前述對圖像預處理單元320的描述，此處不再贅述。

隨后，在步驟s460中，將增強圖像中各像素的rgb顏色值與背景圖像中對應像素的rgb顏色值取差值，得到差值圖像。該步驟的具體過程可以參考前述對差值圖像生成單元340的描述，此處不再贅述。

在步驟s470中，根據差值圖像中各像素的rgb顏色值得到暗區(qū)域圖像，該暗區(qū)域圖像中標記出了視網膜圖像中的暗區(qū)域，其中暗區(qū)域包含血管區(qū)域、出血區(qū)域和暗噪聲區(qū)域。該步驟的具體過程可以參考前述對暗區(qū)域確定單元360的描述，此處不再贅述。

隨后，在步驟s480中，從增強圖像中確定血管區(qū)域，并將該區(qū)域從暗區(qū)域圖像中去除，得到去血管圖像。該步驟的具體過程可以參考前述對血管去除單元380的描述，此處不再贅述。

隨后，在步驟s490中，從增強圖像中確定暗噪聲區(qū)域，并將該區(qū)域從去血管圖像中去除得到視網膜圖像的出血區(qū)域。該步驟的具體過程可以參考前述對暗噪聲去除單元390的描述，此處不再贅述。

以下是本發(fā)明的一個視網膜圖像出血區(qū)域分割的實施例：

1)獲取原始視網膜圖像，如圖5a所示；

2)對原始視網膜圖像進行裁剪及尺寸調整，得到圖5b；

3)對圖5b進行對比度增強，得到增強圖像-圖5c；

4)對圖5c進行維納濾波，提取出背景圖像-圖5d；

5)將增強圖像(圖5c)的rgb像素值減去背景圖像(圖5d)的對應像素的rgb值，得到暗區(qū)域圖像，如圖5e所示；

6)對圖5c進行多次高斯濾波，對多次濾波結果進行合并，并將合并后的圖轉換為由二值表示的中間圖像，對二值圖像進行連通域分析，確定偽血管區(qū)域，進而將該偽血管區(qū)域從中間圖像中去除，得到血管分布圖-圖5f；

7)將暗區(qū)域圖像(圖5e)減去血管分布圖(圖5f)，得到去血管圖像，如圖5g所示；

8)分別根據圖5c的顏色和梯度確定其中的暗噪聲區(qū)域，并將該暗噪聲區(qū)域從圖5g中去除，得到最終的出血區(qū)域如圖5h所示。

根據本發(fā)明的技術方案，通過對視網膜圖像進行對比度增強得到了增強圖像，對增強圖像進行濾波處理得到了背景圖像；基于增強圖像和背景圖像得到了差值圖像；從差值圖像中分離出了包含血管區(qū)域、出血區(qū)域和暗噪聲區(qū)域的暗區(qū)域。之后，從增強圖像中定位了血管區(qū)域和暗噪聲區(qū)域；最后將血管區(qū)域和暗噪聲區(qū)域從暗區(qū)域圖像中去除，得到最終的出血區(qū)域。這種方法能夠快速、全面的定位病變候選區(qū)域和干擾區(qū)域，并在病變候選區(qū)域除去干擾區(qū)域，從而非常精確地對出血區(qū)域進行定位，防止了對結果的誤判。而且，本發(fā)明還提高了傳統(tǒng)的眼底圖像的分析檢測速度，大大降低了數據處理時的人力物力，能夠廣泛適用于大規(guī)模眼底圖像的自動化應用。

另外，本發(fā)明通過對眼底圖像的標準化裁剪可以減少不同眼底圖像之間的差異，而眼底圖像的增強處理可以減少同一張眼底圖像由于光照不均引入的差異，這些都從各項細節(jié)上提高了眼底圖像的處理精度，從而進一步提高了出血區(qū)域判斷結果的準確性。

a8、如a7所述的方法，其中，所述第一預定條件包括以下任意一種情況：所述連通域的面積滿足第一閾值范圍，所述最小矩形框與所述連通域的面積之比大于第二閾值，且所述連通域的長軸長度與短軸長度之比小于第三閾值；所述連通域的面積滿足第一閾值范圍，所述最小矩形框與所述連通域的面積之比小于第四閾值、周長之比大于第五閾值；或者所述連通域的面積小于第六閾值、離心率小于第七閾值、且長軸長度與短軸長度之比小于第八閾值。

a9、如a1所述的方法，其中，從所述增強圖像中確定所述暗噪聲區(qū)域的步驟包括：將所述增強圖像由rgb色彩空間轉到hsv色彩空間；以及判斷各像素的hsv值是否滿足第二預定條件，若是，則將該像素標記為暗噪聲。

a10、如a1或a9所述的方法，其中，從所述增強圖像中確定所述暗噪聲區(qū)域的步驟還包括：計算所述增強圖像中各像素在g通道的梯度幅值，以及各連通域內梯度幅值的均值，所述連通域適于從所述暗區(qū)域圖像中確定；若某個連通域內梯度幅值的均值小于預定閾值，則將該連通域標記為暗噪聲區(qū)域。

a11、如a1-a10中任一項所述的方法，其中，α＝β＝4，γ＝0.5，δ為10～20之間的任意整數；所述第一閾值范圍為[200，5000]，所述第二閾值為0.35，所述第三閾值為2.5，所述第四閾值為0.25，所述第五閾值為0.95，所述第六閾值為600，所述第七閾值為0.97，所述第八閾值為2。

b13、如b12所述的裝置，其中，所述圖像預處理單元適于根據以下方法對所述視網膜圖像進行對比度增強：將所述視網膜圖像中各像素的rgb三通道的顏色值歸一化為0～1之間的數；對于rgb中每一個顏色通道，按照以下公式確定增強圖像中各像素的顏色值：i1(x,y)＝α·i0(x,y)-β·i(x,y；δ)+γ其中，i1(x,y)表示所述增強圖像坐標為(x,y)的像素的顏色值，i0(x,y)表示在所述視網膜圖像中坐標為(x,y)的像素的顏色值，i(x,y；δ)表示在所述視網膜圖像中坐標為(x,y)的像素的局部均值，其中，所述局部均值為經窗口大小和方差均為δ的高斯濾波所得出。

b14、如b12所述的裝置，其中，所述圖像預處理單元適于根據以下方法對所述增強圖像進行濾波處理：生成多個具有不同窗口大小的濾波器；對所述增強圖像中各像素的rgb三個顏色通道，分別采用所述多個濾波器對各通道進行濾波處理，得到各通道的多個濾波結果；以及將各通道的多個濾波結果取平均作為該通道的顏色值，從而得到所述背景圖像。

b15、如b12或b14所述的裝置，其中所述濾波為維納濾波，其公式為：

其中，為維納濾波所提取出的圖像的頻域變換，g(u,v)為維納濾波當前所處理圖像的頻域變換，h(u,v)為退化函數，k為固定常數。

b16、如b12所述的裝置，其中，所述暗區(qū)域確定單元適于根據以下方法得到暗區(qū)域圖像：獲取所述差值圖像中各像素的rgb三通道的顏色值，并根據獲取到的各通道顏色值來確定該通道的顏色閾值；以及通過對比所述差值圖像中每個像素的各通道顏色值與對應通道的顏色閾值，將該像素的各通道顏色值均標記為0或均標記為1，從而所述差值圖像轉化為暗區(qū)域圖像，所述暗區(qū)域圖像為二值圖像。

b17、如b12所述的裝置，其中，所述血管去除單元適于根據以下方法從所述增強圖像中確定所述血管區(qū)域，并將該區(qū)域從所述暗區(qū)域圖像中去除：采用不同方差下的多個窗口大小對所述增強圖像進行多次濾波，分別得到各方差下的多個濾波結果，并將所述多個濾波結果取平均，得到該方差下的濾波均值；將各方差下的濾波均值進行合并，并對合并后的圖像進行閾值分割，得到中間圖像，所述中間圖像包括偽血管區(qū)域和血管區(qū)域，其為二值圖像；通過對所述中間圖像進行連通域分析來確定該圖像中的偽血管區(qū)域；將所述偽血管區(qū)域從所述中間圖像中去除，得到所述血管區(qū)域的分布圖，記為血管分布圖；以及通過將所述暗區(qū)域圖像各像素的rgb顏色值與所述血管分布圖中對應像素的rgb顏色值取差值，來將所述血管區(qū)域從所述暗區(qū)域圖像中去除。

b18、如b17所述的裝置，其中，所述血管去除單元進一步適于根據以下方法確定偽血管區(qū)域：確定所述中間圖像中的各連通域；計算各連通域的屬性值，所述屬性值包括該連通域的面積、周長、包含該連通域的最小矩形框，以及與區(qū)域具有相同標準二階中心矩的橢圓的離心率、長軸長度和短軸長度中的至少一種；以及判斷各連通域的屬性值之間是否滿足第一預定條件，若是，則將該連通域標記為偽血管區(qū)域。

b19、如b18所述的裝置，其中，所述第一預定條件包括以下任意一種情況：所述連通域的面積滿足第一閾值范圍，所述最小矩形框與所述連通域的面積之比大于第二閾值，且所述連通域的長軸長度與短軸長度之比小于第三閾值；所述連通域的面積滿足第一閾值范圍，所述最小矩形框與所述連通域的面積之比小于第四閾值、周長之比大于第五閾值；或者所述連通域的面積小于第六閾值、離心率小于第七閾值、且長軸長度與短軸長度之比小于第八閾值。

b20、如b12所述的裝置，其中，所述暗噪聲去除單元適于根據以下方法從所述增強圖像中確定所述暗噪聲區(qū)域：將所述增強圖像由rgb色彩空間轉到hsv色彩空間；以及判斷各像素的hsv值是否滿足第二預定條件，若是，則將該像素標記為暗噪聲。

b21、如b12或b20所述的裝置，其中，所述暗噪聲去除單元進一步適于根據以下方法從所述增強圖像中確定所述暗噪聲區(qū)域：計算所述增強圖像中各像素在g通道的梯度幅值，以及各連通域內梯度幅值的均值，所述連通域適于從所述暗區(qū)域圖像中確定；若某個連通域內梯度幅值的均值小于預定閾值，則將該連通域標記為暗噪聲區(qū)域。

b22、如b12-b21中任一項所述的裝置，其中，α＝β＝4，γ＝0.5，δ為10～20之間的任意整數；所述第一閾值范圍為[200，5000]，所述第二閾值為0.35，所述第三閾值為2.5，所述第四閾值為0.25，所述第五閾值為0.95，所述第六閾值為600，所述第七閾值為0.97，所述第八閾值為2。

這里描述的各種技術可結合硬件或軟件，或者它們的組合一起實現。從而，本發(fā)明的方法和設備，或者本發(fā)明的方法和設備的某些方面或部分可采取嵌入有形媒介，例如軟盤、cd-rom、硬盤驅動器或者其它任意機器可讀的存儲介質中的程序代碼(即指令)的形式，其中當程序被載入諸如計算機之類的機器，并被所述機器執(zhí)行時，所述機器變成實踐本發(fā)明的設備。

在程序代碼在可編程計算機上執(zhí)行的情況下，計算設備一般包括處理器、處理器可讀的存儲介質(包括易失性和非易失性存儲器和/或存儲元件)，至少一個輸入裝置，和至少一個輸出裝置。其中，存儲器被配置用于存儲程序代碼；處理器被配置用于根據該存儲器中存儲的所述程序代碼中的指令，執(zhí)行本發(fā)明的視網膜圖像出血區(qū)域分割方法。

以示例而非限制的方式，計算機可讀介質包括計算機存儲介質和通信介質。計算機可讀介質包括計算機存儲介質和通信介質。計算機存儲介質存儲諸如計算機可讀指令、數據結構、程序模塊或其它數據等信息。通信介質一般以諸如載波或其它傳輸機制等已調制數據信號來體現計算機可讀指令、數據結構、程序模塊或其它數據，并且包括任何信息傳遞介質。以上的任一種的組合也包括在計算機可讀介質的范圍之內。

在此處所提供的說明書中，算法和顯示不與任何特定計算機、虛擬系統(tǒng)或者其它設備固有相關。各種通用系統(tǒng)也可以與本發(fā)明的示例一起使用。根據上面的描述，構造這類系統(tǒng)所要求的結構是顯而易見的。此外，本發(fā)明也不針對任何特定編程語言。應當明白，可以利用各種編程語言實現在此描述的本發(fā)明的內容，并且上面對特定語言所做的描述是為了披露本發(fā)明的最佳實施方式。

在此處所提供的說明書中，說明了大量具體細節(jié)。然而，能夠理解，本發(fā)明的實施例可以在沒有這些具體細節(jié)的情況下被實踐。在一些實例中，并未詳細示出公知的方法、結構和技術，以便不模糊對本說明書的理解。

類似地，應當理解，為了精簡本公開并幫助理解各個發(fā)明方面中的一個或多個，在上面對本發(fā)明的示例性實施例的描述中，本發(fā)明的各個特征有時被一起分組到單個實施例、圖、或者對其的描述中。然而，并不應將該公開的方法解釋成反映如下意圖：即所要求保護的本發(fā)明要求比在每個權利要求中所明確記載的特征更多特征。更確切地說，如下面的權利要求書所反映的那樣，發(fā)明方面在于少于前面公開的單個實施例的所有特征。因此，遵循具體實施方式的權利要求書由此明確地并入該具體實施方式，其中每個權利要求本身都作為本發(fā)明的單獨實施例。

本領域那些技術人員應當理解在本文所公開的示例中的設備的模塊或單元或組件可以布置在如該實施例中所描述的設備中，或者可替換地可以定位在與該示例中的設備不同的一個或多個設備中。前述示例中的模塊可以組合為一個模塊或者此外可以分成多個子模塊。

本領域那些技術人員可以理解，可以對實施例中的設備中的模塊進行自適應性地改變并且把它們設置在與該實施例不同的一個或多個設備中?？梢园褜嵤├械哪K或單元或組件組合成一個模塊或單元或組件，以及此外可以把它們分成多個子模塊或子單元或子組件。除了這樣的特征和/或過程或者單元中的至少一些是相互排斥之外，可以采用任何組合對本說明書(包括伴隨的權利要求、摘要和附圖)中公開的所有特征以及如此公開的任何方法或者設備的所有過程或單元進行組合。除非另外明確陳述，本說明書(包括伴隨的權利要求、摘要和附圖)中公開的每個特征可以由提供相同、等同或相似目的的替代特征來代替。

此外，本領域的技術人員能夠理解，盡管在此所述的一些實施例包括其它實施例中所包括的某些特征而不是其它特征，但是不同實施例的特征的組合意味著處于本發(fā)明的范圍之內并且形成不同的實施例。例如，在下面的權利要求書中，所要求保護的實施例的任意之一都可以任意的組合方式來使用。

此外，所述實施例中的一些在此被描述成可以由計算機系統(tǒng)的處理器或者由執(zhí)行所述功能的其它裝置實施的方法或方法元素的組合。因此，具有用于實施所述方法或方法元素的必要指令的處理器形成用于實施該方法或方法元素的裝置。此外，裝置實施例的在此所述的元素是如下裝置的例子：該裝置用于實施由為了實施該發(fā)明的目的的元素所執(zhí)行的功能。

如在此所使用的那樣，除非另行規(guī)定，使用序數詞“第一”、“第二”、“第三”等等來描述普通對象僅僅表示涉及類似對象的不同實例，并且并不意圖暗示這樣被描述的對象必須具有時間上、空間上、排序方面或者以任意其它方式的給定順序。

盡管根據有限數量的實施例描述了本發(fā)明，但是受益于上面的描述，本技術領域內的技術人員明白，在由此描述的本發(fā)明的范圍內，可以設想其它實施例。此外，應當注意，本說明書中使用的語言主要是為了可讀性和教導的目的而選擇的，而不是為了解釋或者限定本發(fā)明的主題而選擇的。因此，在不偏離所附權利要求書的范圍和精神的情況下，對于本技術領域的普通技術人員來說許多修改和變更都是顯而易見的。對于本發(fā)明的范圍，對本發(fā)明所做的公開是說明性的而非限制性的，本發(fā)明的范圍由所附權利要求書限定。