本發(fā)明涉及的是一種圖像處理領(lǐng)域的技術(shù)，具體是一種應(yīng)用于缺乏先驗(yàn)信息情況下濃霧天、雨天等極端惡劣天氣下夜視圖像的基于場(chǎng)景識(shí)別的彩色融合方法。

背景技術(shù)：

紅外與微光相機(jī)是兩種典型的夜視圖像傳感器。微光圖像具有豐富的細(xì)節(jié)特征，但容易受到諸如天氣之類的外部環(huán)境因素干擾。紅外相機(jī)成像原理是將熱能轉(zhuǎn)換成圖像顯示，具有更好的熱對(duì)比度，并且?guī)缀醪皇芴鞖夂凸庹盏纫蛩馗蓴_，但是對(duì)于場(chǎng)景的細(xì)節(jié)特征保留較差。為充分利用這兩種圖像的成像特點(diǎn)，很多學(xué)者研究了將紅外與微光圖像融合的方法，并廣泛應(yīng)用于夜視圖像領(lǐng)域。在圖像融合的早期研究中，許多學(xué)者提出了將紅外與微光圖像進(jìn)行灰度融合的算法，然而，僅僅利用灰色信息并不能準(zhǔn)確、有效地支持場(chǎng)景識(shí)別和目標(biāo)檢測(cè)。眾所周知，人類的眼睛只能區(qū)分約100個(gè)灰色等級(jí)，但是卻可以區(qū)分幾千種顏色?；谌搜鄣倪@一特性，研究人員開(kāi)始研究彩色融合技術(shù)。其中較為成熟的是荷蘭人文因素研究所Toet等人提出的偽彩色融合方法，該方法可以將可見(jiàn)光和紅外圖像融合為偽彩色圖像。該算法可以增強(qiáng)圖像的細(xì)節(jié)信息，并保留不同傳感器的獨(dú)有信息。此外，麻省理工學(xué)院林肯實(shí)驗(yàn)室的Waxman等人提出了一種基于生物視覺(jué)模型的融合方法，使得融合后的結(jié)果更符合人類視覺(jué)感知特性。

大多數(shù)偽彩色融合圖像的色彩與自然光圖像存在較大差異，不具有真實(shí)感，而觀察者只能通過(guò)區(qū)分融合圖像的顏色對(duì)比度將圖像分割從而識(shí)別圖像中的不同目。這樣的識(shí)別效果往往比使用單波段圖像時(shí)更差。后來(lái)學(xué)者繼續(xù)研究其他不同的彩色融合方法以獲得具有自然感的融合圖像，其中Toet等人提出了一種基于顏色傳遞的彩色融合算法。該算法通過(guò)利用參考圖像的顏色統(tǒng)計(jì)信息，以獲得具有自然感的彩色融合結(jié)果，該方法給彩色融合領(lǐng)域帶來(lái)了革命性的進(jìn)展。然而利用彩色傳遞的融合方法不能解決顏色恒常性問(wèn)題，因?yàn)殡S著場(chǎng)景的切換，仍然會(huì)出現(xiàn)不自然的融合結(jié)果。因而在2012年，Toet又提出了一種簡(jiǎn)單的顏色重映射方法，即顏色查找表方法，該方法可以將多光譜夜視圖像融合為直觀、穩(wěn)定的具有自然感的彩色圖像。該方法理論上可以將融合的傳感器數(shù)量拓展到更高維度，并且具有較好的實(shí)時(shí)性。然而，顏色查找表方法所需的參考圖像為同一場(chǎng)景的白天自自然光彩色圖像，這意味著它需要更多的先驗(yàn)信息，從而限制了它在夜間的使用功能。因此設(shè)計(jì)一種能夠在各種復(fù)雜環(huán)境且僅需極少先驗(yàn)信息情況下的紅外與微光圖像彩色融合方法仍是一項(xiàng)極具挑戰(zhàn)性和急需解決的課題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明針對(duì)現(xiàn)有技術(shù)或不支持彩色圖像，或無(wú)法根據(jù)實(shí)際環(huán)境需求對(duì)彩色融合效果進(jìn)行更改等缺陷，提出一種基于場(chǎng)景識(shí)別的夜視圖像彩色融合方法，結(jié)合已有的場(chǎng)景圖像庫(kù)，利用場(chǎng)景分類算法將輸入的紅外、微光灰度圖像首先進(jìn)行場(chǎng)景分類，并獲得類別標(biāo)簽，然后利用彩色融合評(píng)價(jià)方法在對(duì)應(yīng)類別的圖像庫(kù)中匹配最佳的參考圖像，最后利用顏色傳遞的方法獲得具有自然感的彩色融合圖像。與顏色查找表方法相比，本發(fā)明只需極少的先驗(yàn)信息，同時(shí)能獲得穩(wěn)定的具有自然感的彩色融合圖像，因而在缺乏先驗(yàn)信息的陌生環(huán)境中，具有更好的彩色融合效果。

本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的：

本發(fā)明涉及一種基于場(chǎng)景識(shí)別的夜視圖像彩色融合方法，通過(guò)聯(lián)合提取待處理場(chǎng)景圖像中的GIST特征，然后利用SVM分類器進(jìn)行場(chǎng)景類別分類，并通過(guò)包含色彩度、梯度相似性和互信息的融合質(zhì)量評(píng)價(jià)方法在對(duì)應(yīng)類別的場(chǎng)景圖像中匹配最佳的參考圖像，最后將待處理場(chǎng)景圖像轉(zhuǎn)移到lαβ顏色空間，并與匹配到的參考圖像進(jìn)行色彩傳遞，最終得到具有自然感的紅外與微光圖像彩色融合結(jié)果。

所述的待處理場(chǎng)景圖像，優(yōu)選為紅外與微光圖像。

所述的GIST特征包含了場(chǎng)景的一些抽象屬性，包括但不限于：自然性(判斷是自然場(chǎng)景還是人工場(chǎng)景)、開(kāi)放度(描述的是場(chǎng)景的開(kāi)放程度，例如海岸、高速公路場(chǎng)景畫面通常延伸到很遠(yuǎn)，具有高開(kāi)放度，城市、室內(nèi)等封閉場(chǎng)景具有低開(kāi)放度)、粗糙度(描述的是場(chǎng)景中不規(guī)則圖形的數(shù)量)。

所述的聯(lián)合提取，對(duì)待處理場(chǎng)景圖像預(yù)先進(jìn)行K-L變換，得到各通道相互獨(dú)立的四維顏色向量；然后通過(guò)NSCT分解，將目標(biāo)網(wǎng)格劃分為二級(jí)網(wǎng)格；最后根據(jù)劃分后的網(wǎng)格對(duì)采用Gabor濾波器通過(guò)尺度和旋轉(zhuǎn)變換擴(kuò)展而成的多尺度多方向Gabor濾波器組對(duì)圖像濾波，以獲取GIST特征。

所述的劃分是指：計(jì)算紅外-微光4x4網(wǎng)格局部能量比，能量比最大值所在網(wǎng)格為目標(biāo)網(wǎng)格，將目標(biāo)網(wǎng)格劃分為二級(jí)網(wǎng)格。

所述的圖像濾波是指：首先將大小為rxc的圖片的R、G、B三通道取均值，轉(zhuǎn)為灰度圖像f(x₀,y₀)，其次將灰度圖劃分為n_b×n_b個(gè)子網(wǎng)格，然后利用m尺度n方向的Gabor濾波器組與每個(gè)子網(wǎng)格卷積并級(jí)聯(lián)，即F(x,y,θ,ω₀)＝f(x,y)*G(x₀,y₀,θ,ω₀)后提取得到每個(gè)子網(wǎng)格的特征。

所述的多尺度多方向Gabor濾波器組，具體為：G_mn(x₀,y₀,θ,ω₀)＝a^-mG_mn(x₀',y₀',θ,ω₀)，其中：a^-m為尺度因子，θ為旋轉(zhuǎn)角度，m為尺度數(shù)，n為方向數(shù)，x'＝a^-m(xcosθ+ysinθ)，y'＝a^-m(-xsinθ+ycosθ)，θ＝nπ/(n+1)，x，y為空間域像素點(diǎn)的位置，ω₀為濾波器的中心頻率，θ為Gabor小波的方向，σ為高斯函數(shù)沿兩個(gè)坐標(biāo)軸的標(biāo)準(zhǔn)方差，exp(jω₀x₀)為交流部分，為直流補(bǔ)償。

所述的多尺度多方向Gabor濾波器組，優(yōu)選使用4尺度8方向的Gabor濾波器組。

所述的融合質(zhì)量評(píng)價(jià)方法是指：利用圖像的色彩度、梯度相似性和互信息等信息，將對(duì)應(yīng)類別圖像庫(kù)中的圖像作為參考圖像，與待處理圖像進(jìn)行彩色融合并計(jì)算彩色融合評(píng)價(jià)指標(biāo)值，指標(biāo)值最大時(shí)為選取的最佳參考圖像。

所述的互信息其中：F和A分別表示融合圖像和源圖像，hF，A為F和A的歸一化聯(lián)合灰度直方圖，hF和hA為歸一化的邊緣梯度直方圖，L是灰度級(jí)數(shù)。

所述的融合質(zhì)量，即其中：α，β和γ為調(diào)節(jié)系數(shù)，Q為互信息質(zhì)量評(píng)價(jià)部分，C為顏色相似度，G為梯度相似性。

本發(fā)明中優(yōu)選參考圖像T與最終融合圖像F的互信息比重應(yīng)大于A、B與F之間的互信息比重。根據(jù)彩色融合評(píng)價(jià)方法在對(duì)應(yīng)類別的場(chǎng)景庫(kù)中匹配最佳的參考圖像，然后利用彩色傳遞的方法將參考圖像的整體彩色感傳遞給融合圖像，最終獲得紅外與微光圖像的彩色融合圖像。

所述的互信息質(zhì)量評(píng)價(jià)部分Q(A,B,F)＝λM(A,F)+(1-λ)M(B,F)，其中：A和B分別表示紅外與微光圖像，F(xiàn)是彩色融合后的圖像，λ是空間頻率系數(shù)。

所述的色彩度，即Hasler顏色矩陣其中：μ和σ分別表示顏色成分空間rg＝R-B和yb＝0.5(R+G)-B的均值和方差，將C歸一化以后即可得到融合圖像與參考圖像之間的顏色相似度

所述的轉(zhuǎn)移，具體是指：將待處理場(chǎng)景圖像的灰度值分別作為RGB空間中的R、G通道值，B通道值可設(shè)置為0，從而獲得了偽彩色融合圖像，并作為輸入圖像，使用映射矩陣將輸入圖像從RGB顏色空間轉(zhuǎn)換到lαβ顏色空間，并作為更新后的輸入圖像；

所述的映射矩陣包括：

和

所述的色彩傳遞是指：計(jì)算lαβ顏色空間下的圖像與參考圖像各通道的均值和方差，利用修正公式對(duì)輸入圖像的統(tǒng)計(jì)量進(jìn)行修正使得輸入圖像具有和參考圖像相似的色彩感。

所述的修正公式是指：其中：l、α、β為lαβ顏色空間的三個(gè)通道值，μ、σ分別表示某一通道的均值與方差，下表s表示的為源圖像，下表t表示的是參考圖像，l'、α'、β'表示的是將源圖像修正以后三通道的值。例如表示的是參考圖像在β通道的均值。

所述的場(chǎng)景類別分類，通過(guò)SVM分類器以一對(duì)多方式拓展成多類判決，即通過(guò)一個(gè)非線性映射p，把樣本空間映射到一個(gè)高維乃至無(wú)窮維的特征空間中(Hilbert空間)，使得在原來(lái)的樣本空間中非線性可分的問(wèn)題轉(zhuǎn)化為在特征空間中的線性可分的問(wèn)題。

所述的SVM分類器的正則項(xiàng)和核參數(shù)通過(guò)交叉驗(yàn)證來(lái)調(diào)整，輸入的訓(xùn)練集可以采用公開(kāi)的場(chǎng)景圖像數(shù)據(jù)庫(kù)，在MATLAB中使用libsvm工具的步驟為：

1)按照LIBSVM軟件包所要求的格式準(zhǔn)備場(chǎng)景圖像數(shù)據(jù)集；

2)對(duì)場(chǎng)景數(shù)據(jù)進(jìn)行簡(jiǎn)單的縮放操作；

3)考慮選用RBF核函數(shù)；

4)采用交叉驗(yàn)證選擇最佳參數(shù)C與g；

5)采用最佳參數(shù)C與g對(duì)整個(gè)場(chǎng)景圖像訓(xùn)練集進(jìn)行訓(xùn)練獲取支持向量機(jī)模型；

6)利用獲取的模型進(jìn)行場(chǎng)景測(cè)試與預(yù)測(cè)。

本發(fā)明涉及一種實(shí)現(xiàn)上述方法的系統(tǒng)，包括：特征聯(lián)合提取模塊、圖像分類模塊、融合質(zhì)量評(píng)價(jià)模塊以及色彩傳遞模塊，其中：特征聯(lián)合提取模塊從來(lái)自異構(gòu)傳感器的源圖像中提取出紅外與微光圖像聯(lián)合特征后輸出傳輸特征信息到圖像分類模塊，圖像分類模塊根據(jù)場(chǎng)景類別后根據(jù)場(chǎng)景類別圖像庫(kù)中對(duì)應(yīng)的類別中匹配出參考圖像，融合質(zhì)量評(píng)價(jià)模塊根據(jù)參考圖像進(jìn)行 偽彩色處理，得到紅外微光偽彩色融合圖像，再通過(guò)融合質(zhì)量評(píng)價(jià)尋找最優(yōu)參考圖像并輸出至彩色傳遞模塊，色彩傳遞模塊根據(jù)紅外微光偽彩色融合圖像以及最優(yōu)參考圖像，利用色彩傳遞的方法完成最終的彩色融合過(guò)程。

技術(shù)效果

與現(xiàn)有技術(shù)相比，本發(fā)明充分利用紅外與微光圖像的互補(bǔ)信息，通過(guò)計(jì)算紅外與微光圖像局部能量比從而確定目標(biāo)網(wǎng)格，通過(guò)將目標(biāo)網(wǎng)格劃分二級(jí)網(wǎng)格達(dá)到增加目標(biāo)區(qū)域權(quán)重的效果，同時(shí)能有效克服網(wǎng)格包含不同場(chǎng)景元素的問(wèn)題。計(jì)算紅外與自然光圖像局部能量比時(shí)使用非下采樣Contourlet變換(NSCT)變換，因此可通過(guò)計(jì)算4x4中每個(gè)網(wǎng)格平均局部能量比，選取最大值所在網(wǎng)格作為目標(biāo)網(wǎng)格，將目標(biāo)網(wǎng)格劃分為4x4個(gè)二級(jí)子網(wǎng)格，從而達(dá)到增加目標(biāo)屬性在特征向量中權(quán)重系數(shù)的目的。

附圖說(shuō)明

圖1為本發(fā)明構(gòu)建的基于場(chǎng)景識(shí)別的夜視圖像彩色融合方法理論框架示意圖；

圖2為本發(fā)明涉及的場(chǎng)景類別圖像在lαβ色彩空間中各通道分布情況示意圖；

圖中：a～f分別為：場(chǎng)景圖像庫(kù)在l通道的均值分布情況，場(chǎng)景圖像庫(kù)在α通道的均值分布情況，場(chǎng)景圖像庫(kù)在β通道的均值分布情況，場(chǎng)景圖像庫(kù)在l通道的方差分布情況，場(chǎng)景圖像庫(kù)在α通道的方差分布情況，場(chǎng)景圖像庫(kù)在β通道的方差分布情況；

圖3為本發(fā)明涉及的紅外與微光圖像全局GIST特征提取方法示意圖；

圖4為本發(fā)明涉及的紅外與微光圖像全局GIST特征提取結(jié)果示意圖；

圖中：a、b為同一場(chǎng)景的微光圖像和紅外圖像，c為將圖像劃分為4×4稀疏子網(wǎng)格后對(duì)每個(gè)網(wǎng)格使用4尺度8方向的Gabor濾波器組進(jìn)行濾波的結(jié)果，d為目標(biāo)網(wǎng)格劃分為4×4二級(jí)網(wǎng)格；

圖5為本發(fā)明紅外與微光圖像彩色融合最佳參考圖像匹配結(jié)果示意圖；

圖6為本發(fā)明紅外與微光圖像彩色融合試驗(yàn)結(jié)果；

圖中：a、b分別為：a為紅外圖像，b為同一場(chǎng)景的微光圖像，c為在lαβ色彩空間中的最佳參考圖像，d為相應(yīng)的彩色融合結(jié)果；

圖7為本發(fā)明效果示意圖。

具體實(shí)施方式

如圖1所示，本實(shí)施例包括以下步驟：

1)利用matlab編程分析場(chǎng)景圖像庫(kù)轉(zhuǎn)換到lαβ色彩空間后各通道分布情況如圖2所示，利用該圖像場(chǎng)景庫(kù)訓(xùn)練SVM分類模型；

2)輸入場(chǎng)景的紅外與微光夜視圖像，利用如圖3所示方法提取該場(chǎng)景的GIST特征，特 征提取結(jié)果為圖4，并輸出至SVM分類模型中，進(jìn)行場(chǎng)景類別的識(shí)別；

3)根據(jù)步驟2)中得到的分類結(jié)果，利用本文構(gòu)建的彩色融合評(píng)價(jià)方法，在對(duì)應(yīng)類別的場(chǎng)景圖像庫(kù)中匹配最佳參考圖像，具有最大QCG值的即為匹配到的最佳參考圖像，匹配結(jié)果如圖5所示；

4)利用步驟3)中匹配到的最佳參考圖像，利用基于彩色傳遞的圖像融合方法，將輸入的紅外與微光夜視圖像融合為具有自然感的彩色圖像，融合結(jié)果為圖6。

如圖2所示，為使用的場(chǎng)景圖像庫(kù)在lαβ色彩空間內(nèi)各通道的分布情況，可以發(fā)現(xiàn)，基本符合正態(tài)分布，本發(fā)明通過(guò)提前計(jì)算參考圖像的統(tǒng)計(jì)參數(shù)，可以降低彩色融合時(shí)的計(jì)算量。通過(guò)matlab編程將場(chǎng)景圖像庫(kù)中的一半圖像作為訓(xùn)練樣本，另一半作為測(cè)試樣本，進(jìn)行SVM分類模型的訓(xùn)練，通過(guò)調(diào)整SVM內(nèi)核參數(shù)，得到效果最佳的SVM場(chǎng)景分類模型。

如圖4所示，為gabor濾波提取GIST特征結(jié)果，不難發(fā)現(xiàn)由于網(wǎng)格比較稀疏，會(huì)出現(xiàn)同一網(wǎng)格內(nèi)包含不同場(chǎng)景元素的情況，考慮到特征提取過(guò)程是對(duì)同一網(wǎng)格內(nèi)所有像素點(diǎn)在相同尺度相同方向的濾波結(jié)果求均值，因此劃分稀疏網(wǎng)格的方法會(huì)給場(chǎng)景識(shí)別帶來(lái)很大的誤差。因此本發(fā)明使用稠密網(wǎng)格的方法，然而簡(jiǎn)單地增加網(wǎng)格數(shù)量隨之而來(lái)的問(wèn)題是，特征維度會(huì)大大增加，例如將圖像劃分為16×16的網(wǎng)格，則一幅灰度圖像的特征維度將達(dá)到16×16×4×8＝8192維，而將自然光圖像與紅外圖像結(jié)合時(shí)特征維度將達(dá)到8192×2＝16384維，其中包含很多冗余信息，給數(shù)據(jù)處理也帶來(lái)很大困難。因此本發(fā)明利用紅外與自然光圖像的互補(bǔ)信息，通過(guò)計(jì)算紅外與自然光圖像局部能量比從而確定目標(biāo)網(wǎng)格，通過(guò)將目標(biāo)網(wǎng)格劃分二級(jí)網(wǎng)格達(dá)到增加目標(biāo)區(qū)域權(quán)重的效果，同時(shí)能有效克服網(wǎng)格包含不同場(chǎng)景元素的問(wèn)題。利用局部能量比公式計(jì)算各網(wǎng)格紅外/自然光局部能量比，找到局部能量比最大的網(wǎng)格，認(rèn)定為目標(biāo)網(wǎng)格，進(jìn)而將目標(biāo)網(wǎng)格劃分為4×4二級(jí)網(wǎng)格，如(d)紅色區(qū)域所示。從(c)中可以看出，第二行的網(wǎng)格中既包含了天空元素也包含了建筑元素，而(d)中通過(guò)局部能量比選出的目標(biāo)網(wǎng)格則僅僅包含了建筑這一元素，從而能夠更好的識(shí)別場(chǎng)景類別。

如圖5所示，為在不同場(chǎng)景類別中尋找最佳參考圖像的過(guò)程：使用所有類別的場(chǎng)景圖像作為參考圖像，將紅外與微光夜視圖像進(jìn)行基于色彩傳遞的彩色融合均可得到相應(yīng)的彩色融合結(jié)果，輸出至本發(fā)明構(gòu)建的彩色融合評(píng)價(jià)方法中，即可得到對(duì)應(yīng)的評(píng)價(jià)指標(biāo)QCG，擁有最大QCG 值的即被判斷為最佳參考圖像，對(duì)于同一場(chǎng)景而言，一旦最佳參考圖像匹配到后，后續(xù)不必再重復(fù)類似工作，即對(duì)于一個(gè)陌生的夜視環(huán)境，例如河道、野外等場(chǎng)景，在缺少先驗(yàn)信息的情況下，本發(fā)明能夠自適應(yīng)的匹配到最佳的參考圖像，從而進(jìn)行基于色彩傳遞的紅外與微光圖像彩色融合。

如圖6所示，為彩色融合試驗(yàn)結(jié)果：該場(chǎng)景識(shí)別得出的結(jié)果是屬于“城市”類別，從“城市”類別圖像庫(kù)中通過(guò)計(jì)算QCG值得到的兩個(gè)顏色空間的最佳參考圖像為圖(c)，相應(yīng)的彩色融合結(jié)果為(d)。

結(jié)合紅外與微光夜視圖像特點(diǎn)分析可知，紅外圖像中人體等典型目標(biāo)對(duì)比度非常明顯，但其他細(xì)節(jié)大量丟失。對(duì)應(yīng)的微光圖像中看不出有目標(biāo)物人的存在，但是保留了較多的背景信息，(d)是使用本發(fā)明得到的彩色融合結(jié)果，從融合結(jié)果中可以看出，樹木、房屋和汽車的的分辨率都有提高，同時(shí)由于融合結(jié)果擁有自然感的色彩，對(duì)于觀察者區(qū)分不同的目標(biāo)物有了很大的幫助，與顏色查找表方法相比，本發(fā)明能夠自適應(yīng)的匹配到最佳的參考圖像，而不需要采集同一場(chǎng)景白天的自然光圖像，因此能夠應(yīng)用的場(chǎng)景和范圍更廣。

本發(fā)明技術(shù)效果進(jìn)一步包括：

1)場(chǎng)景識(shí)別技術(shù)的改進(jìn)，本發(fā)明首次使用提取紅外與微光圖像聯(lián)合GIST特征的方式，實(shí)現(xiàn)了場(chǎng)景識(shí)別正確率的提升，與常用的場(chǎng)景識(shí)別特征實(shí)驗(yàn)結(jié)果對(duì)比為(使用的是國(guó)外學(xué)者提供的MS圖像數(shù)據(jù)庫(kù))：

如圖7所示，為MS圖像庫(kù)下不同方法分類正確率對(duì)比

2)彩色融合質(zhì)量提升：

本發(fā)明使用4個(gè)指標(biāo)對(duì)彩色融合效果進(jìn)行評(píng)估，分別是互信息(MI)、相關(guān)系數(shù)(CC)、光譜扭曲度(IDM)以及邊緣信息保留度(Q_abf)，與TNO法以及顏色查找表法兩次實(shí)驗(yàn)效果對(duì)比結(jié)果如下表：

3)應(yīng)用范圍更廣：在應(yīng)用方面進(jìn)行分析，與顏色查找表方法相比，本發(fā)明能夠自適應(yīng)匹配彩色融合所需的最佳參考圖像，無(wú)需提前獲取該場(chǎng)景的白天自然光圖像，因而當(dāng)觀測(cè)環(huán)境處于非完備信息狀態(tài)下時(shí)(復(fù)雜背景或缺乏觀測(cè)環(huán)境先驗(yàn)信息)，同樣能有很好的彩色融合效果，且能夠適應(yīng)不同場(chǎng)景因此具有更好的實(shí)用性。

上述具體實(shí)施可由本領(lǐng)域技術(shù)人員在不背離本發(fā)明原理和宗旨的前提下以不同的方式對(duì)其進(jìn)行局部調(diào)整，本發(fā)明的保護(hù)范圍以權(quán)利要求書為準(zhǔn)且不由上述具體實(shí)施所限，在其范圍內(nèi)的各個(gè)實(shí)現(xiàn)方案均受本發(fā)明之約束。