基于各向异性梯度模型的图像增强方法及系统.pdf

《基于各向异性梯度模型的图像增强方法及系统.pdf》由会员分享，可在线阅读，更多相关《基于各向异性梯度模型的图像增强方法及系统.pdf（14页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010528029.2 (22)申请日 2020.06.11 (71)申请人 淮阴工学院 地址 223003 江苏省淮安市枚乘东路1号 (72)发明人 陈华松包旭高焱周君 夏晶晶朱永全陶琦李耘 欧毕华相林 (74)专利代理机构 北京高沃律师事务所 11569 代理人 杜阳阳 (51)Int.Cl. G06T 5/00(2006.01) G06T 7/41(2017.01) (54)发明名称 基于各向异性梯度模型的图像增强方法及 系统 (57)摘要 本发明涉及一种基于各向异性。

2、梯度模型的 图像增强方法及系统， 方法包括： 获取待处理图 像； 采用L1L0混合正则化的各向异性梯度层分 解模型将待处理图像进行分解， 得到保真项、 纹 理层正则项和基层正则项； 根据保真项、 纹理层 正则项和基层正则项， 利用分裂布雷格曼迭代原 理确定基层信息和纹理层信息； 分别对基层信息 和纹理层信息进行对比度调节， 得到调节后基层 信息和调节后纹理层信息； 根据调节后基层信息 和调节后纹理层信息确定增强后图像。 通过本发 明的上述方法和系统， 能够在图像层分解时对基 层信息和纹理层信息起到保护作用， 有效地实现 图像对比度增强。 权利要求书2页 说明书9页 附图2页 CN 111754。

3、428 A 2020.10.09 CN 111754428 A 1.一种基于各向异性梯度模型的图像增强方法， 其特征在于， 包括： 获取待处理图像； 采用L1-L0混合正则化的各向异性梯度层分解模型将所述待处理图像进行分解， 得到 保真项、 纹理层正则项和基层正则项； 其中， 所述L1-L0混合正则化的各向异性梯度层分解 模型中包括L1正则化的各向异性梯度基层模型和L0正则化的各向异性梯度纹理层模型； 根据所述保真项、 所述纹理层正则项和所述基层正则项， 利用分裂布雷格曼迭代原理 确定基层信息和纹理层信息； 分别对所述基层信息和所述纹理层信息进行对比度调节， 得到调节后基层信息和调节 后纹理层。

4、信息； 根据所述调节后基层信息和所述调节后纹理层信息确定增强后图像。 2.根据权利要求1所述的基于各向异性梯度模型的图像增强方法， 其特征在于， 所述 L1-L0混合正则化的各向异性梯度层分解模型为： 其中， s为待处理图像， b为待处理图像的基层信息， |L1为L1范数正则项， |L0 为L0范数正则项，为水平方向的梯度算子，为竖直方向的梯度算子， 1, 2, 3, 4均为 图像层分解系数，为保真项，为基层正则项， 为纹理层正则项。 3.根据权利要求1所述的基于各向异性梯度模型的图像增强方法， 其特征在于， 所述分 别对所述基层信息和所述纹理层信息进行对比度调节， 得到调节后基层信息和调节后。

5、纹理 层信息， 具体包括： 根据公式Bnew B确定调节后基层信息； 其中， Bnew为调节后基层信息， 为基层调节 参数， B为基层信息； 根据公式DnewD确定调节后纹理层信息； 其中， Dnew为调节后纹理层信息， 为纹理 层调节参数， D为纹理层信息。 4.根据权利要求1所述的基于各向异性梯度模型的图像增强方法， 其特征在于， 所述根 据所述调节后基层信息和所述调节后纹理层信息确定增强后图像， 具体包括： 根据公式s Bnew+Dnew确定增强后图像； 其中， Bnew为调节后基层信息， Dnew为调节后纹 理层信息， s 为增强后图像。 5.一种基于各向异性梯度模型的图像增强系统， 。

6、其特征在于， 包括： 待处理图像获取模块， 用于获取待处理图像； 图像分解模块， 用于采用L1-L0混合正则化的各向异性梯度层分解模型将所述待处理 图像进行分解， 得到保真项、 纹理层正则项和基层正则项； 其中， 所述L1-L0混合正则化的各 向异性梯度层分解模型中包括L1正则化的各向异性梯度基层模型和L0正则化的各向异性 梯度纹理层模型； 基层信息和纹理层信息确定模块， 用于根据所述保真项、 所述纹理层正则项和所述基 层正则项， 利用分裂布雷格曼迭代原理确定基层信息和纹理层信息； 权利要求书 1/2 页 2 CN 111754428 A 2 对比度调节模块， 用于分别对所述基层信息和所述纹理。

7、层信息进行对比度调节， 得到 调节后基层信息和调节后纹理层信息； 图像增强模块， 用于根据所述调节后基层信息和所述调节后纹理层信息确定增强后图 像。 6.根据权利要求5所述的基于各向异性梯度模型的图像增强系统， 其特征在于， 所述 L1-L0混合正则化的各向异性梯度层分解模型为： 其中， s为待处理图像， b为待处理图像的基层信息， |L1为L1范数正则项， |L0 为L0范数正则项，为水平方向的梯度算子，为竖直方向的梯度算子， 1, 2, 3, 4均为 图像层分解系数，为保真项，为基层正则项， 为纹理层正则项。 7.根据权利要求5所述的基于各向异性梯度模型的图像增强系统， 其特征在于， 所述。

8、对 比度调节模块具体包括： 基层对比度调节单元， 用于根据公式Bnew B确定调节后基层信息； 其中， Bnew为调节 后基层信息， 为基层调节参数， B为基层信息； 纹理层对比度调节单元， 用于根据公式Dnew D确定调节后纹理层信息； 其中， Dnew为 调节后纹理层信息， 为纹理层调节参数， D为纹理层信息。 8.根据权利要求5所述的基于各向异性梯度模型的图像增强系统， 其特征在于， 所述图 像增强模块具体包括： 图像增强单元， 用于根据公式s Bnew+Dnew确定增强后图像； 其中， Bnew为调节后基层信 息， Dnew为调节后纹理层信息， s 为增强后图像。 权利要求书 2/2 。

9、页 3 CN 111754428 A 3 基于各向异性梯度模型的图像增强方法及系统 技术领域 0001 本发明涉及图像增强技术领域， 特别是涉及一种基于各向异性梯度模型的图像增 强方法及系统。 背景技术 0002 目前， 光电成像系统被广泛运用于户外信息感知、 目标探测与跟踪， 智能系统等多 个领域。 在获取图像的过程中， 成像系统不可避免地遇到环境照度低的情况， 使得成像后的 目标图像对比度低， 影响图像的后期分析与使用。 0003 图像对比度增强较好的手段是基于图像的层分解， 即把图像分解成基层和纹理 层， 然后分别处理两者达到图像信息对比度增强的目的。 目前较为流行的层分解对比度增 强方。

10、法是基于总变分模型的方法， 该方法使用L1范数正则化的总变分来表征基层信息， 使 用L0范数正则化的总变分来表征图像的纹理层信息。 虽然总变分模型能有效地增强图像的 对比度， 并使得图像的边缘特征达到一定程度地增强， 但是L1正则化的总变分模型的阶梯 效应会使图像基层中边缘的类矩形结构， 如图像边缘尖锐拐角特征变的圆滑， 使得处理后 图像的基层信息部分失真； 而L0正则化的总变分模型虽然能一定程度地保护图像的纹理层 信息， 但是L0总变分模型是统一控制图像纹理层两个方向不为零的梯度总数， 单个方向上 不为零的图像梯度分布信息无法得知， 即无法对纹理层每个方向的图形信息进行分别保 护， 致使分解。

11、后的图像纹理层信息保护不足。 发明内容 0004 本发明的目的是提供一种基于各向异性梯度模型的图像增强方法及系统， 能够在 图像层分解时对基层信息和纹理层信息起到保护作用， 有效地实现图像对比度增强。 0005 为实现上述目的， 本发明提供了如下方案： 0006 一种基于各向异性梯度模型的图像增强方法， 包括： 0007 获取待处理图像； 0008 采用L1-L0混合正则化的各向异性梯度层分解模型将所述待处理图像进行分解， 得到保真项、 纹理层正则项和基层正则项； 其中， 所述L1-L0混合正则化的各向异性梯度层 分解模型中包括L1正则化的各向异性梯度基层模型和L0正则化的各向异性梯度纹理层模。

12、 型； 0009 根据所述保真项、 所述纹理层正则项和所述基层正则项， 利用分裂布雷格曼迭代 原理确定基层信息和纹理层信息； 0010 分别对所述基层信息和所述纹理层信息进行对比度调节， 得到调节后基层信息和 调节后纹理层信息； 0011 根据所述调节后基层信息和所述调节后纹理层信息确定增强后图像。 0012 可选的， 所述L1-L0混合正则化的各向异性梯度层分解模型为： 说明书 1/9 页 4 CN 111754428 A 4 0013 0014 其中， s为待处理图像， b为待处理图像的基层信息， |L1为L1范数正则项， | |L0为L0范数正则项， 为水平方向的梯度算子，为竖直方向的梯。

13、度算子，1, 2, 3, 4均 为图像层分解系数，为保真项，为基层正则项， 为纹理层正则项。 0015 可选的， 所述分别对所述基层信息和所述纹理层信息进行对比度调节， 得到调节 后基层信息和调节后纹理层信息， 具体包括： 0016 根据公式Bnew B确定调节后基层信息； 其中， Bnew为调节后基层信息， 为基层 调节参数， B为基层信息； 0017 根据公式Dnew D确定调节后纹理层信息； 其中， Dnew为调节后纹理层信息， 为 纹理层调节参数， D为纹理层信息。 0018 可选的， 所述根据所述调节后基层信息和所述调节后纹理层信息确定增强后图 像， 具体包括： 0019 根据公式s。

14、 Bnew+Dnew确定增强后图像； 其中， Bnew为调节后基层信息， Dnew为调节 后纹理层信息， s 为增强后图像。 0020 一种基于各向异性梯度模型的图像增强系统， 包括： 0021 待处理图像获取模块， 用于获取待处理图像； 0022 图像分解模块， 用于采用L1-L0混合正则化的各向异性梯度层分解模型将所述待 处理图像进行分解， 得到保真项、 纹理层正则项和基层正则项； 其中， 所述L1-L0混合正则化 的各向异性梯度层分解模型中包括L1正则化的各向异性梯度基层模型和L0正则化的各向 异性梯度纹理层模型； 0023 基层信息和纹理层信息确定模块， 用于根据所述保真项、 所述纹理。

15、层正则项和所 述基层正则项， 利用分裂布雷格曼迭代原理确定基层信息和纹理层信息； 0024 对比度调节模块， 用于分别对所述基层信息和所述纹理层信息进行对比度调节， 得到调节后基层信息和调节后纹理层信息； 0025 图像增强模块， 用于根据所述调节后基层信息和所述调节后纹理层信息确定增强 后图像。 0026 可选的， 所述L1-L0混合正则化的各向异性梯度层分解模型为： 0027 0028 其中， s为待处理图像， b为待处理图像的基层信息， |L1为L1范数正则项， | |L0为L0范数正则项， 为水平方向的梯度算子，为竖直方向的梯度算子，1, 2, 3, 4均 为图像层分解系数，为保真项，。

16、为基层正则项， 为纹理层正则项。 说明书 2/9 页 5 CN 111754428 A 5 0029 可选的， 所述对比度调节模块具体包括： 0030 基层对比度调节单元， 用于根据公式Bnew B确定调节后基层信息； 其中， Bnew为 调节后基层信息， 为基层调节参数， B为基层信息； 0031 纹理层对比度调节单元， 用于根据公式DnewD确定调节后纹理层信息； 其中， Dnew为调节后纹理层信息， 为纹理层调节参数， D为纹理层信息。 0032 可选的， 所述图像增强模块具体包括： 0033 图像增强单元， 用于根据公式s Bnew+Dnew确定增强后图像； 其中， Bnew为调节后基。

17、 层信息， Dnew为调节后纹理层信息， s 为增强后图像。 0034 根据本发明提供的具体实施例， 本发明公开了以下技术效果： 0035 本发明提供了一种基于各向异性梯度模型的图像增强方法及系统， 采用L1-L0混 合正则化的各向异性梯度层分解模型将待处理图像进行分解， 将L1正则化的各向异性梯度 基层模型和L0正则化的各向异性梯度纹理层模型分别作为图像分解中基层正则项和纹理 层正则项的信息表征项。 L1正则化的各向异性梯度基层模型在增强图像基层边缘的同时， 可以有效地缓解因总变分模型的阶梯效应带来的基层边缘信息失真问题； L0正则化的各向 异性梯度纹理层模型， 则可以从水平和竖直两个方向分。

18、别统计纹理层信息中不为零的梯度 信息， 更好地保护分解后图像纹理特征， 能有效地实现图像对比度增强， 而且使得增强后的 图像基层和纹理层信息得到更好地保护。 附图说明 0036 为了更清楚地说明本发明实施例或现有技术中的技术方案， 下面将对实施例中所 需要使用的附图作简单地介绍， 显而易见地， 下面描述中的附图仅仅是本发明的一些实施 例， 对于本领域普通技术人员来讲， 在不付出创造性劳动性的前提下， 还可以根据这些附图 获得其他的附图。 0037 图1为本发明实施例所提供的一种基于各向异性梯度模型的图像增强方法流程 图； 0038 图2为本发明实施例所提供的隧道图像1对比度增强实验结果图； 0。

19、039 图3为本发明实施例所提供的隧道图像1对比度增强实验结果局部细节图； 0040 图4为本发明实施例所提供的隧道图像2对比度增强实验结果图； 0041 图5为本发明实施例所提供的隧道图像2对比度增强实验结果局部细节图； 0042 图6为本发明实施例所提供的一种基于各向异性梯度模型的图像增强系统的结构 示意图。 具体实施方式 0043 下面将结合本发明实施例中的附图， 对本发明实施例中的技术方案进行清楚、 完 整地描述， 显然， 所描述的实施例仅仅是本发明一部分实施例， 而不是全部的实施例。 基于 本发明中的实施例， 本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例， 都。

20、属于本发明保护的范围。 0044 本发明的目的是提供一种基于各向异性梯度模型的图像增强方法及系统， 能够在 图像层分解时对基层信息和纹理层信息起到保护作用， 有效地实现图像对比度增强。 说明书 3/9 页 6 CN 111754428 A 6 0045 为使本发明的上述目的、 特征和优点能够更加明显易懂， 下面结合附图和具体实 施方式对本发明作进一步详细的说明。 0046 图1为本发明实施例所提供的一种基于各向异性梯度模型的图像增强方法流程 图， 如图1所示， 本发明所述基于各向异性梯度模型的图像增强方法包括： 0047 S101， 获取待处理图像。 本发明实施例中获取的是隧道图像。 0048。

21、 S102， 采用L1-L0混合正则化的各向异性梯度层分解模型将所述待处理图像进行 分解， 得到保真项、 纹理层正则项和基层正则项； 其中， 所述L1-L0混合正则化的各向异性梯 度层分解模型中包括L1正则化的各向异性梯度基层模型和L0正则化的各向异性梯度纹理 层模型。 0049 具体的， 所述L1-L0混合正则化的各向异性梯度层分解模型为： 0050 其中， s为待处理图像， b为待处理图像的基层信息， |L1为L1范数正则项， |L0为L0 范数正则项，为水平方向的梯度算子，为竖直方向的梯度算子， 1, 2, 3, 4均为图像 层分解系数， 且 1, 2, 3, 4均大于零，为L1正则化的。

22、各向异性梯度基 层模型表示图像的基层正则项， 用于保护基层的平滑和边缘信息， 为L0正则化的各向异性梯度纹理层模型表示图像的纹理 层正则项， 用于保护图像纹理层信息，是各向异性梯度层分解模型的保真项， 用于控 制分解后的基层信息接近原目标图像。 0051 S103， 根据所述保真项、 所述纹理层正则项和所述基层正则项， 利用分裂布雷格曼 迭代原理确定基层信息和纹理层信息。 0052 具体的， 需要对S102中L1-L0混合正则化的各向异性梯度层分解模型中的各未知 量进行求解， 求解过程如下： 0053引入辅助变量c1,c2,c3,c4， 并使得 接着利用分裂布雷格曼迭代原理， 将上述模型转变成。

23、如下非约束条件问题： 0054 0055 其中， (1)式是对所有项的和构成的公式进行最小化， d1,d2,d3,d4是模型转换过程 中引入的辅助变量， 为布雷格曼迭代系数。 0056 式(1)是多变量的优化问题， 可以转变成如下单变量优化子问题： 说明书 4/9 页 7 CN 111754428 A 7 0057 关于bk+1子问题： 0058 0059 其中， (2)式是对所有项构成的和公式进行最小化处理， 根据(2)式能求出关于b的 迭代解。 0060 对(1)式直接进行求导， 使导数等于零， 可得如下关于b的线性方程： 0061 0062 根据(2)式和(3)式， 利用傅里叶变换和傅里。

24、叶反变换， 得到如下关于bk+1的迭代公 式： 0063 0064 其中， (4)式中， F()表示傅里叶变换， F-1()表示傅里叶反变换。 0065关于子问题求解： 0066 0067 其中， (5)式是对整体进行最小化处理， 根据(5)式能求解关于c1的迭代解。 0068 0069 其中， (6)式是对整体进行最小化处理， 根据(6)式能求解关于c2的迭代解。 0070利用软阈值迭代原理可得和的迭代公式： 0071 0072 0073关于子问题求解： 0074 说明书 5/9 页 8 CN 111754428 A 8 0075 其中， (9)式是对整体进行最小化处理， 根据(9)式能求解。

25、关于c3的迭代解。 0076 0077 其中， (10)式是对整体进行最小化处理， 根据(10)式能求解关于c4的迭代解。 0078利用硬阈值迭代原理可得和的迭代公式为： 0079 0080 0081子问题的迭代公式为： 0082 0083 0084 0085 0086 根据上述变量的迭代公式， 层分解过程可以归纳如下： 0087Step1： 初始化设置， 基层信息b00， 迭代停止条件误差tol10-5， 初始误差error1； 最大迭代次数itermax500， 迭代次数初 始值iter1。 0088 Step2： 当迭代次数小于最大迭代次数或者误差大于迭代停止条件误差时(while it。

26、ertol)， 0089 0090 0091 说明书 6/9 页 9 CN 111754428 A 9 0092 0093 0094 0095 0096 0097 0098 iteriter+1； 0099 0100 Step 3： 输出基层信息Bbk+1， 和纹理层信息Ds-B。 其中， 基层信息B是由上述迭 代 公 式 经过多次迭代计算的bk+1赋值而得； 纹理层信息D则是由待处理图像s减去基层信息B而得。 0101 上述求解过程中 10.3，20.25，3310-3，4410-3， 0.8。 0102 S104， 分别对所述基层信息和所述纹理层信息进行对比度调节， 得到调节后基层 信息和。

27、调节后纹理层信息。 0103 根据公式Bnew B确定调节后基层信息； 其中， Bnew为调节后基层信息， 为基层 调节参数， B为基层信息， 本发明实施例中 1.2。 0104 根据公式Dnew D确定调节后纹理层信息； 其中， Dnew为调节后纹理层信息， 为 纹理层调节参数， D为纹理层信息， 本发明实施例中 0.7。 0105 S105， 根据所述调节后基层信息和所述调节后纹理层信息确定增强后图像。 0106 根据公式s Bnew+Dnew确定增强后图像； 其中， Bnew为调节后基层信息， Dnew为调节 后纹理层信息， s 为增强后图像。 0107 利用本发明的基于各向异性梯度模型。

28、的图像增强方法对原始隧道图像1和原始隧 道图像2进行增强， 然后采用总变分方法对原始隧道图像1和原始隧道图像2进行增强， 得到 增强后的隧道图像1和增强后的隧道图像2， 实验结果如表1以及如图2-图5所示。 0108 表1图像对比度增强后图像色调质量评价指标(TMQI)和自然逼真度(Natureless) 说明书 7/9 页 10 CN 111754428 A 10 0109 0110 图2中的(a)部分为原始隧道图像1， 图2中的(b)部分为采用总变分方法进行增强 后的隧道图像1， 图2中的(c)部分为采用本发明方法进行增强后的隧道图像1。 图3中的(a) 部分为原始隧道图像1局部细节图， 。

29、图2中的(b)部分为采用总变分方法进行增强后的隧道 图像1局部细节图， 图2中的(c)部分为采用本发明方法进行增强后的隧道图像1局部细节 图。 0111 图4中的(a)部分为原始隧道图像2， 图4中的(b)部分为采用总变分方法进行增强 后的隧道图像2， 图4中的(c)部分为采用本发明方法进行增强后的隧道图像2。 图5中的(a) 部分为原始隧道图像2局部细节图， 图5中的(b)部分为采用总变分方法进行增强后的隧道 图像2局部细节图， 图5中的(c)部分为采用本发明方法进行增强后的隧道图像2局部细节 图。 0112 从表1以及图2-图5可知， 本发明采用的基于各向异性梯度模型的图像增强方法得 到的。

30、增强后图像效果更好， 增强后图像信息较总变分方法更加丰富。 0113 本发明还提供了一种基于各向异性梯度模型的图像增强系统， 如图6所示， 系统包 括： 0114 待处理图像获取模块1， 用于获取待处理图像。 0115 图像分解模块2， 用于采用L1-L0混合正则化的各向异性梯度层分解模型将所述待 处理图像进行分解， 得到保真项、 纹理层正则项和基层正则项； 其中， 所述L1-L0混合正则化 的各向异性梯度层分解模型中包括L1正则化的各向异性梯度基层模型和L0正则化的各向 异性梯度纹理层模型。 0116 基层信息和纹理层信息确定模块3， 用于根据所述保真项、 所述纹理层正则项和所 述基层正则项。

31、， 利用分裂布雷格曼迭代原理确定基层信息和纹理层信息。 0117 对比度调节模块4， 用于分别对所述基层信息和所述纹理层信息进行对比度调节， 得到调节后基层信息和调节后纹理层信息。 0118 图像增强模块5， 用于根据所述调节后基层信息和所述调节后纹理层信息确定增 强后图像。 0119 优选的， 所述L1-L0混合正则化的各向异性梯度层分解模型为： 0120其 中， s为待处理图像， b为待处理图像的基层信息， |L1为L1范数正则项， |L0为L0范 数正则项，为水平方向的梯度算子，为竖直方向的梯度算子， 1, 2, 3, 4均为图像层 说明书 8/9 页 11 CN 111754428 A。

32、 11 分解系数，为保真项，为基层正则项， 为纹理层正则项。 0121 优选的， 所述对比度调节模块4具体包括： 0122 基层对比度调节单元， 用于根据公式Bnew B确定调节后基层信息； 其中， Bnew为 调节后基层信息， 为基层调节参数， B为基层信息。 0123 纹理层对比度调节单元， 用于根据公式DnewD确定调节后纹理层信息； 其中， Dnew为调节后纹理层信息， 为纹理层调节参数， D为纹理层信息。 0124 优选的， 所述图像增强模块5具体包括： 0125 图像增强单元， 用于根据公式s Bnew+Dnew确定增强后图像； 其中， Bnew为调节后基 层信息， Dnew为调节。

33、后纹理层信息， s 为增强后图像。 0126 针对图像对比度增强技术中， 层分解时图像基层和纹理层信息保护不足问题， 本 发明提供了一种基于各向异性梯度模型的图像增强方法及系统， 来实现图像对比度增强层 分解中基层和纹理层分解时信息的保护。 本发明利用L1正则化的各向异性梯度基层模型和 L0正则化的各向异性梯度纹理层模型分别作为图像分解中基层正则项和纹理层正则项的 信息表征项。 L1正则化的各向异性梯度基层模型在增强图像基层边缘的同时， 可以有效地 缓解因总变分模型的阶梯效应带来的基层边缘信息失真问题； L0正则化的各向异性梯度纹 理层模型， 则可以从水平和竖直两个方向分别统计纹理层信息中不为。

34、零的梯度信息， 更好 地保护分解后图像纹理特征。 本发明中的方法不仅能有效地实现图像对比度增强， 而且使 得增强后的图像基层和纹理层信息得到更好地保护， 增强后的图像目标信息较总变分模型 的方法更加丰富。 0127 本说明书中各个实施例采用递进的方式描述， 每个实施例重点说明的都是与其他 实施例的不同之处， 各个实施例之间相同相似部分互相参见即可。 对于实施例公开的系统 而言， 由于其与实施例公开的方法相对应， 所以描述的比较简单， 相关之处参见方法部分说 明即可。 0128 本文中应用了具体个例对本发明的原理及实施方式进行了阐述， 以上实施例的说 明只是用于帮助理解本发明的方法及其核心思想； 同时， 对于本领域的一般技术人员， 依据 本发明的思想， 在具体实施方式及应用范围上均会有改变之处。 综上所述， 本说明书内容不 应理解为对本发明的限制。 说明书 9/9 页 12 CN 111754428 A 12 图1 图2 图3 说明书附图 1/2 页 13 CN 111754428 A 13 图4 图5 图6 说明书附图 2/2 页 14 CN 111754428 A 14 。