用于低照度圖像處理的方法及裝置與流程
本發明涉及計算機視覺領域，具體而言，涉及一種用于低照度圖像處理的方法及裝置。
背景技術：
多媒體、視頻監控等技術發展迅猛，已成為人們交流以及記錄的常用工具。但在夜晚、陰天、會議室等低照度環境下進行拍攝時，所得到的圖片對比度低、信噪比小、視覺效果差，圖像中的細節信息無法清晰體現出來，這使成像系統無法正常工作。因此，研究如何對低照度條件下的圖像進行快速有效處理，如何提高圖片的亮度，降低光照條件對成像系統的影響具有重要的研究意義。
現有的低照度條件下成像方法，大多僅通過對低照度下獲取的單幅圖像進行先去噪再增強的處理，采用該方法在一定程度上無法準確體現出圖像細節，同時對于單幅低照度下獲取的圖像的增強算法而言，由于低照度下圖像信噪比已接近探測極限，同時輸出圖像不僅附加了嚴重的量子噪聲而且圖像的對比度已接近視覺的靈敏限。而利用幀累積的方法，通過增加積分時間，提高低照度下獲取的圖像的信噪比，但在幀累積的過程中，需要對多幀圖像進行每幀圖像的特征點檢測、匹配和校準，這過程需要消耗大量的時間，所以對算法實時性方面的改善很重要。近年來，基于surf算法的圖像特征配對方法在圖像處理等關鍵技術中得到了廣泛的應用。基于特征的匹配首先尋找兩幅圖像中的關鍵特征(如關鍵點、線)，然后對這些關鍵特征做篩選、映射，得到準確的匹配。sift(scaleinvariantfeaturetransform)算法是一種魯棒性好、具有尺度不變性的特征點檢測方法，但算法復雜度高，實時性較差。
因此，需要一種新的用于低照度圖像處理的方法及裝置。
在所述背景技術部分公開的上述信息僅用于加強對本發明的背景的理解，因此它可以包括不構成對本領域普通技術人員已知的現有技術的信息。
技術實現要素：
有鑒于此，本發明提供一種用于低照度圖像處理的方法及裝置，能夠提高了提取特征點的速度，從而提高了低照度下成像的效率。
本發明的其他特性和優點將通過下面的詳細描述變得顯然，或部分地通過本發明的實踐而習得。
根據本發明的一方面，提出一種用于低照度圖像處理的方法，該方法包括：通過改進fast算法獲取第一圖像的特征點；確定特征點的主方向；通過特征點的主方向，獲取特征點描述子；通過聚類算法對所述特征點進行聚類以去除所述特征點中的噪聲點；以及進行特征點匹配，以獲取校準圖像。
在本公開的一種示例性實施例中，通過改進fast算法獲取第一圖像的特征點，包括：獲取當前像素點的灰度與預定范圍內的鄰域點的灰度；獲取當前像素點的灰度與預定范圍內的鄰域點的灰度差值超過預定閾值的鄰域點的數量；通過原始圖像中亮點與暗點的比重與鄰域點的數量，獲取第一特征點；通過剔除函數對第一特征點進行篩選，以獲取特征點。
在本公開的一種示例性實施例中，通過原始圖像中亮點與暗點的比重與鄰域點的數量，獲取第一特征點，包括：判斷鄰域點的數量是否超過預定數值；如果鄰域點的數量超過預定數值，則判斷當前像素點為第一特征點；獲取原始圖像中亮點與暗點的比重；以及通過比重與剔除函數，調整第一特征點以獲取特征點。
在本公開的一種示例性實施例中，通過所述比重與剔除函數，調整第一特征點以獲取特征點，包括：通過比重與剔除函數，調整第一特征點以獲取第二特征點；以及通過最小約束策略，剔除第二特征點中的冗余點，以得到特征點。
在本公開的一種示例性實施例中，剔除函數為：
sb＝{n|hi≥h0+t}，sd＝{n|hi≤h0+t}，sb為較亮點區域，sd為較暗點區域，hi為第i個領域點的灰度值，h0為當前像素點的灰度，n為正整數，t為所述預定閾值。
在本公開的一種示例性實施例中，所述通過聚類算法對所述特征點進行聚類以去除所述特征點中的噪聲點，包括：通過所述聚類算法對所述特征點進行聚類；以及將不滿足預定條件的特征點做為噪聲點進行去除處理。
在本公開的一種示例性實施例中，所述將不滿足預定條件的特征點做為噪聲點進行去除處理，包括：通過去噪判定公式進行所述噪聲點判定；其中所述噪聲判定公式為：
在本公開的一種示例性實施例中，還包括：對原始圖像進行圖像處理，以獲取第一圖像。
在本公開的一種示例性實施例中，還包括：對校準圖像進行后續處理生成輸出圖像。
在本公開的一種示例性實施例中，對校準圖像進行后續處理生成輸出圖像，包括：對校準圖像進行加權累加以獲得第二圖像；以及對第二圖像進行對比度調整，以生成輸出圖像。
在本公開的一種示例性實施例中，對第二圖像進行對比度調整，以生成輸出圖像，包括：根據指定的對比度，對原始rgb色彩分類進行縮放，以生成輸出圖像。
根據本發明的一方面，提出一種用于低照度圖像處理的裝置，該裝置包括：fast模塊，用于通過改進fast算法獲取第一圖像的特征點；方向模塊，用于確定特征點的主方向；特征子模塊，用于通過特征點的主方向，獲取特征點描述子；以及特征匹配模塊，用于進行特征點匹配，以獲取校準圖像。
根據本發明的用于低照度圖像處理的方法及裝置，能夠提高了提取特征點的速度，從而提高了低照度下成像的效率。
應當理解的是，以上的一般描述和后文的細節描述僅是示例性的，并不能限制本發明。
附圖說明
通過參照附圖詳細描述其示例實施例，本發明的上述和其它目標、特征及優點將變得更加顯而易見。下面描述的附圖僅僅是本發明的一些實施例，對于本領域的普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
圖1是根據一示例性實施例示出的一種用于低照度圖像處理的方法的流程圖。
圖2是根據另一示例性實施例示出的一種用于低照度圖像處理的方法中特征點探測的模板圖。
圖3是根據另一示例性實施例示出的一種用于低照度圖像處理的方法的流程圖。
圖4是根據一示例性實施例示出的一種用于低照度圖像處理的方法處理前后對比圖。
圖5是根據另一示例性實施例示出的一種用于低照度圖像處理的方法處理前后對比圖。
圖6是根據一示例性實施例示出的一種用于低照度圖像處理的裝置的框圖。
具體實施例
現在將參考附圖更全面地描述示例實施例。然而，示例實施例能夠以多種形式實施，且不應被理解為限于在此闡述的實施例；相反，提供這些實施例使得本發明將全面和完整，并將示例實施例的構思全面地傳達給本領域的技術人員。在圖中相同的附圖標記表示相同或類似的部分，因而將省略對它們的重復描述。
此外，所描述的特征、結構或特性可以以任何合適的方式結合在一個或更多實施例中。在下面的描述中，提供許多具體細節從而給出對本發明的實施例的充分理解。然而，本領域技術人員將意識到，可以實踐本發明的技術方案而沒有特定細節中的一個或更多，或者可以采用其它的方法、組元、裝置、步驟等。在其它情況下，不詳細示出或描述公知方法、裝置、實現或者操作以避免模糊本發明的各方面。
附圖中所示的方框圖僅僅是功能實體，不一定必須與物理上獨立的實體相對應。即，可以采用軟件形式來實現這些功能實體，或在一個或多個硬件模塊或集成電路中實現這些功能實體，或在不同網絡和/或處理器裝置和/或微控制器裝置中實現這些功能實體。
附圖中所示的流程圖僅是示例性說明，不是必須包括所有的內容和操作/步驟，也不是必須按所描述的順序執行。例如，有的操作/步驟還可以分解，而有的操作/步驟可以合并或部分合并，因此實際執行的順序有可能根據實際情況改變。
應理解，雖然本文中可能使用術語第一、第二、第三等來描述各種組件，但這些組件不應受這些術語限制。這些術語乃用以區分一組件與另一組件。因此，下文論述的第一組件可稱為第二組件而不偏離本公開概念的教示。如本文中所使用，術語“及/或”包括相關聯的列出項目中的任一個及一或多者的所有組合。
本領域技術人員可以理解，附圖只是示例實施例的示意圖，附圖中的模塊或流程并不一定是實施本發明所必須的，因此不能用于限制本發明的保護范圍。
圖1是根據一示例性實施例示出的一種用于低照度圖像處理的方法的流程圖。
如圖1所示，在s102中，通過改進fast算法獲取第一圖像的特征點。
第一圖像可例如為需要進行圖像處理的原始輸入圖像，第一圖像也可例如為，將原始圖像利用現有技術中圖像處理手段進行處理之后生成的圖像，本發明不以此為限。
如上文所述，圖像處理中，在局部特征點檢測快速發展的時候，人們對于特征的認識也越來越深入，近幾年來許多學者提出了許許多多的特征檢測算法及其改進算法。從最早期的moravec，到harris，再到sift、susan、gloh、surf算法，可以說特征提取算法層出不窮。也有各種改進算法可例如：pca-sift、ica-sift、p-asurf、r-asurf、radon-sift。surf(speededuprobustfeatures)算法是繼sift算法后的有一個穩定快速的特征提取算法，它除了具有sift算法的穩定性外，最突出的優點是算法速度快，實時性較強。surf特征也是一種尺度、旋轉不變的特征描述方法。它對圖像的卷積做相似處理，在特征點定位環節引入的積分圖的概念，使求解hessian矩陣的計算量大大降低，運算時間相比sift大大減少。fast算法是surf算法中提取特征點算法的一種。
fast算法的提出者rosten等將fast角點定義為：若某像素與其周圍鄰域內足夠多的像素點相差較大，則該像素可能是角點。fast算法步驟可例如：從圖片中選取一個像素p，首先把它的亮度值設為i_p。設定一個合適的閾值t。考慮以該像素點為中心的一個半徑等于3像素的離散化的bresenham圓，這個圓的邊界上有16個像素，如果在這個大小為16個像素的圓上有n個連續的像素點，它們的像素值要么都比i_p+t大，要么都比i_p-t小，那么它就是一個角點。n的值可以設置為12或者9，實驗證明選擇9可能會有更好的效果。
在本發明實施例中，改進的fast算法可例如為：獲取當前像素點的灰度與預定范圍內的鄰域點的灰度；獲取當前像素點的灰度與預定范圍內的鄰域點的灰度差值超過預定閾值的鄰域點的數量；通過原始圖像中亮點與暗點的比重與鄰域點的數量，獲取第一特征點；通過剔除函數對第一特征點進行篩選，以獲取特征點。通過原始圖像中亮點與暗點的比重與鄰域點的數量，獲取第一特征點，包括：判斷鄰域點的數量是否超過預定閾值；如果鄰域點的數量超過預定閾值，則判斷當前像素點為第一特征點；獲取原始圖像中亮點與暗點的比重；以及通過比重與剔除函數，調整第一特征點以獲取特征點。
在s104中，確定特征點的主方向。
在本實施例中，可例如對每個特征點分配一個主方向，保證其特征向量具有旋轉不變性，以每個特征點為中心，并以6s為半徑的圓形區域內，對圖像進行以4s×4s模板大小的haar小波梯度運算，s為特征點的當前尺度；對haar小波的相應值使用σ＝2s的高斯加權函數進行加權運算，以每個特征點為中心、角度為π/3的扇形滑動窗口，獲取特征點的主方向；對扇形滑動窗口以內的圖像進行haar小波的變換后，haar小波的相應值在dx方向和dy方向進行累加，最終得到一個向量，特征點的主方向為最大的haar小波相應累加值對應的方向，也就是最長向量所對應的方向。
在s106中，通過特征點的主方向，獲取特征點描述子。
以特征點為中心，將坐標軸旋轉到主方向，按主方向選取20σ×20σ的正方形區域，將該正方形區域劃分為4×4個子區域，在每個子區域內計算haar小波在x，y方向的響應dx、dy分別求和并生成了一個∑dx，∑|dx|，∑dy，∑|dy|的四維向量，這樣每個特征點就有64維的描述向量，再進行歸一化，形成最終的特征點描述子。
在s108中，進行特征點匹配，以獲取校準圖像。
在本實施例中，可例如采用基于馬氏距離來度量特征點間的相似性為：
可例如采用如下公式：
其中，a為匹配閾值，ad與bd為兩幅圖像中特征點的馬氏距離，若a接近于1，則說明這兩個特征點相似度越高。在本實施例中，可例如，通過兩個特征點之間馬氏距離的數值，來進行特征點匹配，進而獲得校準圖像。
根據本發明的用于低照度圖像處理的方法，通過改進fast算法獲取第一圖像的特征點并提取surf特征向量的方式，提高了提取特征點的速度，從而提高了低照度下成像的效率。
應清楚地理解，本發明描述了如何形成和使用特定示例，但本發明的原理不限于這些示例的任何細節。相反，基于本發明公開的內容的教導，這些原理能夠應用于許多其它實施例。
在本公開的一種示例性實施例中，通過改進fast算法獲取第一圖像的特征點，包括：獲取當前像素點的灰度與預定范圍內的鄰域點的灰度；獲取當前像素點的灰度與預定范圍內的鄰域點的灰度差值超過預定閾值的鄰域點的數量；判斷鄰域點的數量是否超過預定數值；如果鄰域點的數量超過預定數值，則判斷當前像素點為第一特征點；獲取原始圖像中亮點與暗點的比重；以及通過比重與剔除函數，調整第一特征點以獲取特征點；通過剔除函數對第一特征點進行篩選，以獲取特征點。
在本實施例中，改進的fast獲取特征點，原理是當前像素點與其鄰域點進行比較判別。可例如，采用r＝3的圖像模板(如圖2所示)，即比較o點附近半徑為3的圓環上的16個鄰域點；再根據(1)式進行計算，如果存在n個點與o點的灰度差值超過閾值t，則判定o點為特征點。
當o為待檢測特征點中心像素點時，它的圓環上的點檢測結果有3種情況，即相似點s、較暗點d以及較亮點b。(1)式中：t0為圓環上對應的每種點的個數，hi為圓環上第i個點對應的灰度值，h0為待檢測點對應的灰度值。
可例如，設f1和f2分別為圖像中亮點和暗點在整幅圖像中的比重，
式中：
在提取特征點時可能會檢測到多個相鄰的第一特征點，需計算其局部極值性來去除這些不是局部極值的點，可例如，通過所述比重與剔除函數，調整第一特征點以獲取特征點，包括：通過比重與剔除函數，調整第一特征點以獲取第二特征點；以及通過最小約束策略，剔除第二特征點中的冗余點，以得到特征點。可例如，定義一個函數w來進行非特征點的剔除。
其中，剔除函數為：
sb＝{n|hi≥h0+t}，sd＝{n|hi≤h0+t}，sb為較亮點區域，sd為較暗點區域，hi為第i個領域點的灰度值，h0為當前像素點的灰度，n為正整數，t為預定閾值。經過剔除函數的計算，通過第一特征點獲取到第二特征點。
在本實時例中，最小約束策略可例如為最小距離約束策略。傳統fast特征點數量極大，并極易在局部區域出現聚集現象，在一定程度上造成了圖像局部細節信息的冗余，同時過多的特征點也會增加特征匹配耗時。在本實施例中，采用最小距離約束策略去除冗余的第二特征點。
可例如，設2個第二特征點之間的最小約束距離為dm，具體的取舍方法是：選取一個第二特征點，然后遍歷其他所有第二特征點并進行距離計算。若2個第二特征點之間距離大于dm，則保留。否則，判斷此第二特征點為冗余點并予以剔除。
根據本發明的用于低照度圖像處理的方法，通過剔除函數剔除第一特征點獲得第二特征點，以及通過最小距離策略法去除冗余的第二特征點以獲得特征點的方式，能夠迅速地完成圖像特征點的檢測，并剔除冗余點和噪聲點。使圖像特征點的數量適中且較為均勻地分布在目標區域。
在本公開的一種示例性實施例中，還包括：確定特征點主方向。
可例如，對每個特征點分配一個主方向，保證其特征向量具有旋轉不變性。以每個特征點為中心，并以6s(s為特征點的當前尺度)為半徑的圓形區域內，對圖像進行以4s×4s模板大小的haar小波梯度運算。對haar小波的相應值使用σ＝2s的高斯加權函數進行加權運算。以每個特征點為中心、角度為π/3的扇形滑動窗口，獲取特征點的主方向。對扇形滑動窗口以內的圖像進行haar小波的變換后，haar小波的相應值在dx方向和dy方向進行累加，最終得到一個向量。特征點的主方向為最大的haar小波相應累加值對應的方向，也就是最長向量所對應的方向。
在本公開的一種示例性實施例中，還包括：特征點描述。
以特征點為中心，將坐標軸旋轉到主方向，按主方向選取20σ×20σ的正方形區域，將該正方形區域劃分為4×4個子區域，在每個子區域內計算harr小波在x,y方向的響應dx、dy分別求和并生成了一個∑dx，∑|dx|，∑dy，∑|dy|的四維向量，這樣每個特征點就有64維的描述向量，再進行歸一化，形成最終的特征點描述子；
在本公開的一種示例性實施例中，所述通過聚類算法對所述特征點進行聚類以去除所述特征點中的噪聲點，包括：通過所述聚類算法對所述特征點進行聚類；以及將不滿足預定條件的特征點做為噪聲點進行去除處理。可例如，通過去噪判定公式進行所述噪聲點判定；其中所述噪聲判定公式為：
在本公開的一種示例性實施例中，還包括：特征點匹配。
在本發明實施例中，采用基于馬氏距離來度量特征點間的相似性，可例如采用如下公式：
其中，a為匹配閾值，ad與bd為兩幅圖像中特征點的馬氏距離，若a接近于1，則說明這兩個特征點相似度越高。
在本公開的一種示例性實施例中，還包括：對原始圖像進行圖像處理，以獲取第一圖像。所述圖像處理包括但不限于：白平衡處理，去馬賽克處理，色彩校正處理，格式轉換處理。
在本公開的一種示例性實施例中，還包括：對校準圖像進行后續處理生成輸出圖像。
在本公開的一種示例性實施例中，對校準圖像進行后續處理生成輸出圖像，包括：對校準圖像進行加權累加以獲得第二圖像；以及對第二圖像進行對比度調整，以生成輸出圖像。
可例如，對多幀連拍圖(即校準圖像)進行累加。由于簡單的疊加會導致圖像產生過曝現象，因而采用加權累積方式，每幅圖像權重相等。
一幅有噪聲的圖像g(x,y,t)可認為是由原始圖像f(x,y,t)和噪聲n(x,y,t)疊加而成，即：
g(x,y,t)＝f(x,y,t)+n(x,y,t)(5)
其中，x，y是像素點坐標，t是時間變量，多幀累加就是將不同時刻兩幀圖像或多幀圖像對應像素點相加后求取它們的圖像。m幀圖像進行累加，得到圖像a(x,y,t)，
基于上述原理，求得幀累積圖像a(x,y,t)。
在本公開的一種示例性實施例中，對第二圖像進行對比度調整，以生成輸出圖像，包括：根據指定的對比度，對原始rgb色彩分類進行縮放，以生成輸出圖像。
在成像過程中由于光照不足，使得整幅圖像變暗，或者成像時光照過強，使得整幅圖像偏亮，這些情況就稱為低對比度，即顏色聚集在一起，沒有分散開。對比度調整就是使圖像的顏色更符合需要，以實現一些效果。通常采用對比度增強，把感興趣的顏色范圍拉開，使得該范圍內的像素，亮的越亮，暗的越暗，從而達到對比度增強的目的。實現原理：根據指定的一個對比度，分別與原始r、g、b色彩分量進行一定比例的縮放，從而拉開原色色彩亮度級別的分布，達到對比度增強的作用。主要為了提高圖像的亮度。
根據本發明的用于低照度圖像處理的方法，能夠大大地減少成像時間，能夠提高低照度下獲取圖像的效率和可辨識度，處理的夜拍低照度圖像成像效果好，并滿足實時性需求。
圖3是根據另一示例性實施例示出的一種用于低照度圖像處理的方法的流程圖。
如圖3所示，在s304中，對輸入圖像進行白平衡處理。
在s306中，去馬賽克處理。
在s308中，色彩校正處理。
在s310中，轉換圖像格式為rgb。
在s312中，改進fast法圖像匹配校準。
在s314中，進行多幀圖像累積。
在s316中，調整圖像對比度。
再本實施例中，對原始圖像進行前isp處理；對處理后輸出的多幀圖像進行改進fast法特征點提取及匹配獲得校準圖像；其中用改進的fast檢測特征點的方法可以提高算法的運行速度，減少大量的計算時間，再對多幀連拍圖進行累加；最后對得到的幀累積圖像進行對比度調整，并輸出處理完畢的圖像，本實施例所述方法改進了圖像特征點匹配算法，提高低照度下獲取圖像的效率和可辨識度，使其滿足實時性需求。本發明實時例中提出的方法可例如嵌入fpga實現，開發具有低照度成像功能的相機或攝像機。
圖4、5是根據一示例性實施例示出的一種用于低照度圖像處理的方法處理前后對比圖。
如圖4,5所示，根據本發明的用于低照度圖像處理的方法，在夜拍低照度成像速度快，能夠較快地進行改進的fast特征點檢測并提取surf向量，并能準確地完成圖像匹配，圖像效果好，提高了圖像亮度，較好的達到了所預期的目標。
本領域技術人員可以理解實現上述實施例的全部或部分步驟被實現為由cpu執行的計算機程序。在該計算機程序被cpu執行時，執行本發明提供的上述方法所限定的上述功能。所述的程序可以存儲于一種計算機可讀存儲介質中，該存儲介質可以是只讀存儲器，磁盤或光盤等。
此外，需要注意的是，上述附圖僅是根據本發明示例性實施例的方法所包括的處理的示意性說明，而不是限制目的。易于理解，上述附圖所示的處理并不表明或限制這些處理的時間順序。另外，也易于理解，這些處理可以是例如在多個模塊中同步或異步執行的。
下述為本發明裝置實施例，可以用于執行本發明方法實施例。對于本發明裝置實施例中未披露的細節，請參照本發明方法實施例。
圖6是根據一示例性實施例示出的一種用于低照度圖像處理的裝置的框圖。
其中，fast模塊602用于通過改進fast算法獲取第一圖像的特征點。
方向模塊604用于確定特征點的主方向。
特征子模塊606用于通過特征點的主方向，獲取特征點描述子。
聚類模塊608用于通過聚類算法對所述特征點進行聚類以去除所述特征點中的噪聲點；
特征匹配模塊610用于進行特征點匹配，以獲取校準圖像。
根據本發明的用于低照度圖像處理的裝置，通過改進fast算法獲取第一圖像的特征點，能夠大大地減少成像時間，提高低照度下獲取圖像的效率和可辨識度，處理的夜拍低照度圖像成像效果好，并滿足實時性需求。
本領域技術人員可以理解上述各模塊可以按照實施例的描述分布于裝置中，也可以進行相應變化唯一不同于本實施例的一個或多個裝置中。上述實施例的模塊可以合并為一個模塊，也可以進一步拆分成多個子模塊。
通過以上的實施例的描述，本領域的技術人員易于理解，這里描述的示例實施例可以通過軟件實現，也可以通過軟件結合必要的硬件的方式來實現。因此，根據本發明實施例的技術方案可以以軟件產品的形式體現出來，該軟件產品可以存儲在一個非易失性存儲介質(可以是cd-rom，u盤，移動硬盤等)中或網絡上，包括若干指令以使得一臺計算設備(可以是個人計算機、服務器、移動終端、或者網絡設備等)執行根據本發明實施例的方法。
通過以上的詳細描述，本領域的技術人員易于理解，根據本發明實施例的用于低照度圖像處理的方法及裝置具有以下優點中的一個或多個。
根據一些實施例，本發明的用于低照度圖像處理的方法，通過改進fast算法獲取第一圖像的特征點并提取surf特征向量的方式，提高了提取特征點的速度，提高了低照度下成像的效率，調整了圖像的對比度，提高了圖像亮度。
根據另一些實施例，本發明的用于低照度圖像處理的方法，通過剔除函數剔除第一特征點獲得第二特征點，以及通過最小距離策略法去除冗余的第二特征點以獲得特征點的方式，能夠迅速地完成圖像特征點的檢測，并剔除冗余點和噪聲點。使圖像特征點的數量適中且較為均勻地分布在目標區域。
根據另一些實施例，本發明的用于低照度圖像處理的方法，在夜拍低照度成像速度快，能夠較快地進行改進的fast特征點檢測并提取surf向量，并能準確地完成圖像匹配，圖像效果好，提高了圖像亮度，較好的達到了所預期的目標。
以上具體地示出和描述了本發明的示例性實施例。應可理解的是，本發明不限于這里描述的詳細結構、設置方式或實現方法；相反，本發明意圖涵蓋包含在所附權利要求的精神和范圍內的各種修改和等效設置。
此外，本說明書說明書附圖所示出的結構、比例、大小等，均僅用以配合說明書所公開的內容，以供本領域技術人員了解與閱讀，并非用以限定本公開可實施的限定條件，故不具技術上的實質意義，任何結構的修飾、比例關系的改變或大小的調整，在不影響本公開所能產生的技術效果及所能實現的目的下，均應仍落在本公開所公開的技術內容得能涵蓋的范圍內。同時，本說明書中所引用的如“上”、“第一”、“第二”及“一”等的用語，也僅為便于敘述的明了，而非用以限定本公開可實施的范圍，其相對關系的改變或調整，在無實質變更技術內容下，當也視為本發明可實施的范疇。
- 還沒有人留言評論。精彩留言會獲得點贊！