阅读说明：本技术 一种基于深度学习的傅里叶叠层显微图像重构方法及装置 (Fourier laminated microscopic image reconstruction method and device based on deep learning ) 是由 李秀 刘阳哲 于 2020-05-07 设计创作，主要内容包括：一种基于深度学习的傅里叶叠层显微图像重构方法及装置,其中基于神经网络的迭代优化方式,通过基于物理模型的神经网络PgNN,从低分辨率强度图序列中重构高分辨率幅值和相位分布。本发明使用基于物理模型的神经网络模型,实现从单一样本的数据集中无监督的重构样本高分辨率幅值和相位分布,且能对复杂的光学像差进行矫正。(A Fourier laminated microscopic image reconstruction method and device based on deep learning are disclosed, wherein high-resolution amplitude and phase distribution are reconstructed from a low-resolution intensity map sequence through a neural network PgNN based on a physical model based on an iterative optimization mode of a neural network. The invention uses a neural network model based on a physical model to realize unsupervised reconstruction of high-resolution amplitude and phase distribution of a sample from a data set of a single sample, and can correct complex optical aberration.)

一种基于深度学习的傅里叶叠层显微图像重构方法及装置

技术领域

本发明涉及傅里叶叠层显微成像(Fourier ptychographic Microscopy，FPM)，特别是一学习的傅里叶叠层显微图像重构方法。

背景技术

傅里叶叠层显微成像实验装置如图1所示，仅需在传统的生物显微镜基础上引入可编程LED矩阵作为照明光源。FPM数据采集过程中，依次点亮LED矩阵上不同位置的LED灯，放置在载物台上的样本依次受到不同位置的倾斜平面波照射，出射波经低倍物镜和镜筒透镜被照相机接收，生成一系列随照明角度变化的宽视场、低分辨率强度图。根据傅里叶变换性质，二维的薄物体经倾斜平面波照射后，其傅里叶域频谱信息随入射角度进行平移。因此，在低数值孔径物镜下无法检测的高频信息分量依次平移至显微系统频谱通带以内，从而被照相机记录成像(光学系统的数值孔径是一个无量纲的数，用以衡量该系统能够收集的光的角度范围)。基于这一事实，FPM基于计算成像机制在傅里叶域叠层拼接样本的低分辨率强度图序列，在傅里叶域物镜的相干传递函数的支持域约束以及空域拍摄的光强图片的振幅约束下，恢复高分辨率、宽视场的物体幅值和相位分布，同时具有较深的轴向分辨率。

现有的FPM深度学习方法，一般都是通过使用基于数据驱动的网络模型，尝试从海量数据中学习从输入图片序列到输出高分辨率图片之间的底层映射关系，例如Zhang等人(Zhang J，Xu T，Shen Z，et al.Fourier ptychographic microscopy reconstructionwith multiscale deep residual network[J].Optics express，2019，27(6):8612-8625.)提出的多级残差神经网络模型，其整体流程概括如下：预先使用高倍物镜采集多个生物样本的分辨率图像，并以此为真值使用仿真算法生成FPM训练数据集。重构过程中，首先使用传统FPM算法将单一样本的低分辨率强度图序列合成为幅值和相位分布两张初始高分辨率图片，再将这一初始分布输入多级残差神经网络模型中。通过最小化输出图像以及高分辨率图像间的L1损失来优化神经网络的权重。训练完成后，该网络能从FPM图像序列中重构高分辨率幅值和相位分布。

FPM是一种经济有效的计算成像技术，仅需在生物显微镜上增加LED矩阵即可跨越低成本的低倍物镜的分辨率极限，达到高倍物镜才能达到的分辨率效果。因此，FPM可以轻松应用于实验室等场景中，到目前为止不存在标准的FPM实验装置规范。在这种背景下，使用基于数据驱动的深度学习模型来解决FPM问题存在以下问题：

1)由于FPM图像获取过程需要依次点亮不同位置的LED灯进行照明并采集200张以上的强度图片，因此采集单一样本的FPM图像序列通常需要3min以上的时间，这种低效率制约着大规模FPM样本数据集的获取。实际上到目前为止公开的FPM数据集通常只包含单一样本的图像序列。数据集的稀少使得数据驱动类神经网络模型仅能从有限的数据中进行学习，制约着网络性能，也制约着相关应用的发展。

2)由于FPM成像装置的简易性，不存在标准的FPM实验装置规范。这导致不同实验室采集条件下，包括LED矩阵、物镜参数等实验装置存在普遍差异，从而导致不同实验室采集的FPM样本数据集中，一些关键性物理参数存在较大的偏差。在这种背景下，在某个实验室环境下表现良好的数据驱动类模型在新的数据集上难以取得良好的表现。

3)FPM显微图像序列获取过程中，存在不可避免的光学像差问题，主要由镜头缺陷以及精准对焦带来。具体来说，受限于加工工艺，实际光学系统中非旁轴光线追迹的结果偏离理想高斯光学，难以与近轴光线一同成像在焦平面，经光学表面传输后使成像出现模糊、变形等缺陷；精准对焦一直是限制显微成像质量的关键因素，图像采集时需要在像平面处不断调整获取最好的对焦效果，这一点实际情况中很难做到。在这种情况下，不同样本的FPM图像序列中变幻的光学像差会对重构图像质量造成很大影响，需要尽可能消除光学像差的影响。数据驱动类神经网络通过学习避免一些微小的光学像差影响，但由于网络本身并没有针对光学像差的机制，因此难以应对复杂多变的光学像差场景。

综上所述，目前常用的数据驱动类神经网络模型由于其需要海量数据进行训练，以及难以克服不同实验室采集条件下变换的参数条件和光学像差等问题，难以在FPM问题中得到广泛运用。

发明内容

本发明的主要目的在于克服上述技术缺陷中的至少一种，提供一种基于深度学习的傅里叶叠层显微图像重构方法。

为实现上述目的，本发明采用以下技术方案：

一种基于深度学习的傅里叶叠层显微图像重构方法，包括如下步骤：

S1、采集单一样本的FPM图像序列、入射波矢量序列及实验装置的相关物理参数；

S2、基于神经网络的迭代优化方式，通过基于物理模型的神经网络PgNN，从低分辨率强度图序列中重构高分辨率幅值和相位分布；

其中，重构的过程包括初始化和迭代优化；所述初始化包括：将根据前期采集的FPM图像序列生成初始高分辨率样本分布O⁰，根据实验装置的相关物理参数生成初始相干传递函数分布C⁰；所述迭代优化包括：使用一系列具备相同的神经网络结构的PgNN_i，i＝1…n，将所述初始化生成的初始高分辨率估计O⁰和C⁰输入PgNN₁，经过神经网络的参数优化过程，得到更新后的高分辨率估计O¹和C⁰，重复该操作，经由n轮迭代过程后，可得到网络重构的样本高分辨率估计Oⁿ和相干传递函数估计Cⁿ。

进一步地：

所述初始化中，生成初始样本分布O⁰时，直接将中心灯位置照明下采集的低分辨率强度图超分得到样本高分辨率幅值分布，并设置零相位作为样本高分辨率相位分布；或者将所有图像取均值后再超分作为样本初始幅值分布；生成初始相干传递函数分布C⁰时，C⁰由显微装置的数值孔径和照明光源波长直接确定，表现为相机傅里叶域的像平面上标准的圆形光瞳函数。

基于FPM物理模型的神经网络PgNN_i，其中FPM的光学成像模型如下：

Φ_Im(k)＝0⁽ⁱ⁾(k+k_m)·C⁽ⁱ⁾(k)

式中k_m为数据采集过程中记录的入射波矢量，记录照明光源的位置信息，O⁽ⁱ⁾和C⁽ⁱ⁾分别为输入PgNN_i的待重构样本高分辨率复振幅分布和相干传递函数，k代指傅里叶域坐标；并引入交替投影原理实现网络自监督参数更新过程：

式中I_lm为与k_m一一对应的低分辨率强度图，F代表傅里叶变换；

综合FPM光学成像模型和交替投影原理，PgNN_i的网络结构中，将待重构高分率图像Oⁱ建模成网络隐藏层参数，通过融合模块与入射波矢量k_m结合生成Oⁱ(k+k_m)，再经由点乘模块与相干传递函数Cⁱ进行数乘，生成Φ_lm，Φ_lm经由交替投影处理，使用I_lm更新频谱信息，得到Φ_hm；通过MSE损失函数度量Φ_lm和Φ_hm之间的差异，PgNN_i无监督地对Oⁱ和Cⁱ进行参数更新；经过一个迭代优化过程，提取PgNN_i中代表样本分布和相干传递函数的隐藏层参数，得到更新后的Oⁱ⁺¹和Cⁱ⁺¹。

所述交替投影源于相位恢复算法，第一步，将傅里叶域特定频谱信息投影到空域，第二步，使用采集得到的低分辨率强度图约束该频谱信息的空域幅值，并保持相位不变，最后将更新后的空域复振幅分布转换回傅里叶域，进行频谱信息更新；深度学习模型收敛时，交替投影前后频谱偏差趋于0，从而网络可以无监督地重构样本复振幅分布。

所述PgNN_i引入像差矫正模块对光学像差进行补偿，该像差矫正模块是基于交替更新过程以及物理模型的嵌入式光学像差矫正模块；所述FPM的光学成像模型中，在考虑光学像差的因素下，Cⁱ(k)可代表采集过程中所有光学扰动因素的综合体，通过在FPM重构过程中对Cⁱ(k)变量进行矫正，对采集图像序列中包括离焦像差在内的光学像差进行弥补；通过将相干传递函数直接建模成网络可学习参数，PgNN_i从采集图像序列中学习光学像差变量。

所述交替更新过程改变网络梯度更新的信息流，使得网络在同一时间专注更新样本或者像差；其中，在PgNN₁的迭代优化过程中首先激活样本参数O⁰，得到更新后的O¹，而相干传递函数C⁰保持不变；此时认为更新后的样本参数O¹比C⁰更接近最优解，网络将固定O¹，转向更新C⁰，得到C¹；通过设定轮数的交替更新，使样本和相干传递函数均得到重构。

所述PgNN_i引入Zernike多项式机制进行光学像差的相位补偿，使用Zernike多项式替换相干传递函数C(k)的相位部分，引入Zernike多项式后，PgNN_i中C(k)的表现形式如下：

C(k)＝|C(k)|·exp{i∠C(k)}

∠C(k)＝∑c_l·Z_l(k)

式中Z_l(k)代表不同阶级的Zernike多项式，c_l为对应系数。

所述PgNN_i引入针对FPM幅值和相位分布的全变分损失函数，进行网络结构优化；分别对样本幅值和相位分布引入全变分项，全变分项的形式以及改进后的网络损失函数如下：

TV{o}＝∑(|o_x+1，y-o_x，y|²+|o_x，y-1-o_x，y|²)^1/2

其中TV项以o为例，表述计算方式；网络损失函数在原有的MSE基础上，对交替投影过程后的F^-1{Φ_hm}幅值和相位部分分别计算全变分项，α₁和α₂分别为对应项系数。

一种基于深度学习的傅里叶叠层显微图像重构装置，包括计算机可读存储介质和处理器，所述计算机可读存储介质存储有可执行程序，其特征在于，所述可执行程序被所述处理器执行时，实现所述的基于深度学习的傅里叶叠层显微图像重构方法。

一种计算机可读存储介质，所述计算机可读存储介质存储有可执行程序，所述可执行程序被处理器执行时，实现所述的基于深度学习的傅里叶叠层显微图像重构方法。

本发明具有如下有益效果：

本发明克服数据驱动类模型在FPM问题中数据需求大、难以矫正光学像差等难点，基于神经网络的迭代优化方式，通过基于物理模型的神经网络PgNN，从低分辨率强度图序列中重构高分辨率幅值和相位分布，通过设计一个在不同应用场景中通用的FPM深度学习模型，该模型仅需要单一样本的FPM图像序列作为网络输入，通过将待重构的样本幅值和相位分布建模成网络可学习参数，即可通过迭代优化的方式无监督地解决FPM问题。与此同时，该网络能对光学像差进行补偿，实现在复杂采集场景中的正常工作。

相比现有的其他采用深度学习方法解决傅里叶叠层显微成像问题时，需要海量训练数据以及高分辨率图片进行监督学习，且难以矫正数据采集过程中存在的光学像差的情况，本发明使用基于物理模型的神经网络模型，实现从单一样本的数据集中无监督的重构样本高分辨率幅值和相位分布，且能对复杂的光学像差进行矫正。

附图说明

图1是傅里叶叠层显微成像装置示意图。

图2是本发明一种实施例的傅里叶叠层显微图像重构方法整体框架(左)和PgNN结构(右)；

图3是本发明一种实施例中的PgNN_i的具体网络结构。

具体实施方式

以下对本发明的实施方式作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

本发明实施例提供的基于深度学习的傅里叶叠层显微图像重构方法，具体过程如下：

S1、采集单一样本的FPM图像序列和入射波矢量序列等参数。

依次点亮如图1所示的LED矩阵上不同位置的LED灯，使用照相机采集一系列随照明角度变化的宽视场、低分辨率强度图。为保证FPM重构结果的性能，对单一样本通常需要采集200张以上的图片并记录其对应的LED入射波矢量序列——即LED灯位置信息。此外，数据采集过程中应当记录实验装置的相关物理参数，如数值孔径，入射波波长等。

S2、基于神经网络的迭代优化方式，通过基于物理模型的神经网络PgNN，从低分辨率强度图序列中重构高分辨率幅值和相位分布。

图2示出了本发明一种实施例的傅里叶叠层显微图像重构方法整体框架(左)和PgNN结构(右)。

由于FPM应用场景的特殊性，数据采集效率较低以及采集环境多样性等原因导致数据驱动类深度学习模型实用性降低。在此背景下，本发明将基于神经网络的迭代优化方式，设计专用于FPM场景的PgNN(Physics-guided Neural Network，基于物理模型的神经网络)，从低分辨率强度图序列中重构高分辨率幅值和相位分布。如图2所示，本发明提出的傅里叶叠层显微图像重构算法由两个主要部分组成：初始化模块和迭代优化模块。

初始化模块将根据前期采集的FPM图像序列生成初始高分辨率样本分布O⁰，根据实验装置的相关物理参数生成初始相干传递函数分布C⁰。生成初始样本分布O⁰时，通常直接将中心LED位置照明下采集的低分辨率强度图超分得到样本高分辨率幅值分布，并设置零相位作为样本高分辨率相位分布；也可以将所有图片取均值后再超分作为样本初始幅值分布。生成初始相干传递函数分布C⁰时，C⁰由显微装置的数值孔径和照明光源波长直接决定，表现为相机傅里叶域的像平面上标准的圆形光瞳函数。

迭代优化模块由一系列PgNN_i，i＝1…n构成，且PgNN_i具备相同的神经网络结构。将初始化模块生成的初始高分辨率估计O⁰和C⁰输入PgNN₁，经过神经网络的参数优化过程，得到更新后的高分辨率估计O¹和C⁰。重复该操作，经由n轮迭代过程后，迭代优化模块即可得到网络重构的样本高分辨率估计Oⁿ和相干传递函数估计Cⁿ.值得注意的是，PgNN_i除自身网络结构外，还包含三个功能性模块，即像差矫正模块、相位补偿模块和结构优化模块。

优选的实施例中，为弥补FPM应用场景的特殊性，PgNN_i的网络结构由一系列定制化的隐藏层决定，得到优化的基于物理模型的FPM神经网络模型模块PgNN_i。

优选的实施例中，为弥补采集环境中可能存在的光学像差，PgNN_i将引入像差矫正模块对该误差进行补偿。

优选的实施例中，为提升像差补偿的精确性和网络性能，本发明将引入Zernike多项式机制进行光学像差的相位补偿。

此外，为提升网络性能，优选的实施例中，将损失函数入手进行网络结构优化。

1、基于物理模型的FPM神经网络模型模块

图3示出了优选实施例中基于物理模型的FPM神经网络模型模块PgNN_i的网络结构。基于物理模型的网络结构从特定算法原理出发，通过将数学原理逐级转化成定制化网络隐藏层，模拟整个应用场景，基于迭代优化方式求解图像逆问题。换言之，该类神经网络先天性具备强烈的先验信息，能够从数据集中更快更准的挖掘潜在信息。在这种背景下，本发明搭建基于FPM物理模型的神经网络框架PgNN_i。FPM的光学成像模型如下所示：

Φ_Im(k)＝O⁽ⁱ⁾(k+k_m)·C⁽ⁱ⁾(k)

式中k_m为数据采集过程中记录的入射波矢量——记录LED照明光源的位置信息，Oⁱ和Cⁱ分别为输入PgNN_i的待重构样本高分辨率复振幅分布和相干传递函数，k代指傅里叶域坐标。此外，考虑到本发明将从单一样本的FPM图像序列中无监督的重构Oⁿ和Cⁿ，在上一步公式基础上，进一步引入交替投影原理实现网络自监督参数更新过程：

式中I_lm为与k_m一一对应的低分辨率强度图，F代表傅里叶变换。交替投影源于相位恢复算法，第一步将傅里叶域特定频谱信息投影到空域，第二步使用采集得到的低分辨率强度图约束该频谱信息的空域幅值，并保持相位不变，最后将更新后的空域复振幅分布转换回傅里叶域，进行频谱信息更新。根据相位恢复理论，当目标频谱信息收敛后，交替投影过程前后，子频谱信息保持不变。因此，通过引入该原理，深度学习模型收敛时，交替投影前后频谱偏差趋于0，该网络可以无监督的重构样本复振幅分布。

综合FPM光学成像模型和交替投影原理，PgNN_i的网络结构如图3所示。网络将待重构高分率图像Oⁱ建模成网络隐藏层参数，通过融合模块与入射波矢量k_m结合生成Oⁱ(k+k_m)，再经由点乘模块与相干传递函数Cⁱ进行数乘，生成Φ_lm。Φ_lm经由交替投影模块，使用I_lm更新频谱信息，得到Φ_hm。通过MSE损失函数度量Φ_lm和Φ_hm之间的差异，PgNN_i可以无监督的对Oⁱ和Cⁱ进行参数更新。经过一个迭代优化过程，提取PgNN_i中代表样本分布和相干传递函数的隐藏层参数，即可得到更新后的Oⁱ⁺¹和Cⁱ⁺¹。

值得注意的是，网络整体定义在复数域上，所有隐藏层均包含实数与虚数部分，例如Oⁱ由

和两部分组成。

2、基于交替更新过程以及物理模型的嵌入式光学像差矫正模块

由于透镜工艺限制以及采集环境的差异性，FPM图像序列中或多或少存在固有光学像差。在像差补偿方面，基于物理模型的神经网络模型，如PgNN_i，具备天生优势。在所述的FPM光学成像模型中，Cⁱ(k)这一参数表示显微物镜的相干传递函数。但在考虑光学像差的因素下，其可代表采集过程中所有光学扰动因素的综合体，在FPM重构过程中对该变量进行矫正，可以对采集图像序列中包括离焦像差在内的光学像差进行弥补。

因此，通过将相干传递函数直接建模成网络可学习参数，PgNN_i可以从采集图像序列中学习光学像差变量，从而减弱该误差对重构高分辨率图像Oⁿ的影响，困扰FP深度学习扩展的像差扰动因素可以从成像原理上得到很好解决。

与此同时，考虑到光学像差与样本像素在数量级上存在较大的差异(像差分布区间为[-π，π]，样本像素分布区间为[0，255])，网络训练过程中同时进行参数更新可能会造成样本与像差之间的彼此干扰，在大像差扰动情况中该问题尤为严重。因此，本发明将额外引入交替更新机制改变网络梯度更新的信息流，使得网络在同一时间专注更新样本或者像差。具体来说，如图2所示的迭代优化模块，在PgNN₁的迭代优化过程中首先激活样本参数O⁰，得到更新后的O¹，而相干传递函数C⁰保持不变；此时认为更新后的样本参数O¹比C⁰更接近最优解，网络将固定O¹，转向更新C⁰，得到C¹。通过一定轮数的交替更新，样本和相干传递函数均能得到完美重构。交替更新机制的另一个好处是其能使网络更加专注当前路径的特征，加快网络收敛速度。

3、基于Zernike多项式的光学像差相位补偿机制

在前面定义的嵌入式光学像差补偿机制中，对于光学像差的相位部分，是采用整体参数更新的方式进行拟合。实际上，由于物理模型类网络灵活多变的特点，存在更好的解决方案，Zernike多项式是其中一种。

Zernike多项式是光学领域描述平面波波前畸变的先进理论，由一系列定义在单位圆内部且彼此正交的无穷级数多项式组成，每个多项式严格对应波前畸变的某种特定类型，比如其第0项代表平均光程差，第3项代表离焦，第4项和第5项代表像散，均为常见的光学像差类型。根据研究表示，前10项Zernike多项式已经能完整表示光学系统中常见的像差种类。Zernike多项式分为奇、偶两类，偶数类：

奇数类：

式中n≥m为非负整数，为方位角，0≤ρ≤1为径向距离，多项式的奇、偶性质由随m的奇偶性确定。式中

当n-m为偶数时：

式中

当n-m为奇数时：

通过使用Zernike多项式替换相干传递函数C(k)的相位部分，神经网络可以通过拟合常数量级的参数来取得与原来相位整体重建相同的效果，且精度更高，描述更准确。因此，引入Zernike多项式后，PgNN_i中C(k)的表现形式更新如下：

C(k)＝|C(k)|·exp{i∠C(k)}

∠C(k)＝∑c_l·Z_l(k)

式中Z_l(k)代表不同阶级的Zernike多项式，c_l为对应系数。

4、引入针对FPM幅值和相位分布的全变分损失函数

网络结构方面，物理模型类网络可解释性和可表达能力大幅增强，本发明实施例已经通过引入Zernike多项式对光学像差的相位部分进行补偿。损失函数方面，单纯的重构损失MSE不足以体现神经网络优势所在，根据FPM应用场景特点，本发明实施例引入额外的损失函数进行补偿，全变分项是适合该场景的一类损失函数形式。

全变分项(Total Variation，TV)是通过对图像的垂直梯度与水平梯度求和，得到图像被噪音干扰的程度。通过分别对样本幅值和相位分布引入该正则化项，可以有效抑制由于高频信息缺失导致的幅值与相位的混叠，成像质量得到急速提升。全变分项的形式以及改进后的网络损失函数如下所示：

TV{o}＝∑(|o_x+1，y-o_x，y|²+|o_x，y-1-o_x，y|²)^1/2

其中TV项以o为例，表述计算方式；网络损失函数在原有的MSE基础上，对交替投影过程后的F^-1{Φ_hm}幅值和相位部分分别计算全变分项，α₁和α₂分别为对应项系数。

通过引入全变分项抑制高频噪音，本发明实施例能够取得更好的FPM重构效果。

本发明实施例中，经过数据采集环节、数据初始化环节和上述的迭代优化过程及其改进模块，实现一个基于深度学习框架的傅里叶叠层显微图像重构方法。该方法可以在单一样本的FPM图像序列中无监督的重构样本高分辨率复振幅分布，并以更鲁棒和先进的方式补偿数据中存在的光学像差。

本发明优选实施例中，采用基于物理模型的PgNN_i网络结构设计方案，基于交替更新机制、物理模型和Zernike多项式的嵌入式光学像差补偿方案，以及在FPM重构图像幅值和相位部分同时引入全变分项的设计方案。通过将FPM光学成像模型使用神经网络的方式进行建模，该方法能够从成像原理上补偿光学畸变并重构样本复振幅分布。此外，基于物理模型的网络结构包含强烈的先验信息，无需任何高分辨率参考图片，即可实现在单一样本的FPM数据集中无监督的进行参数更新。为进一步提升该方法的性能，本发明优选引入Zernike多项式和交替更新机制对光学像差进行进一步优化，使得该方法能够在复杂多变的实际场景中得到应用，能够在不同实验室采集条件下正常工作。此外，通过在样本幅值和相位分布上同时引入全变分项，重构图像的视觉分辨率得到极大提升。

本发明的背景部分可以包含关于本发明的问题或环境的背景信息，而不一定是描述现有技术。因此，在背景技术部分中包含的内容并不是申请人对现有技术的承认。

以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，其还可以对这些已描述的实施方式做出若干替代或变型，而这些替代或变型方式都应当视为属于本发明的保护范围。在本说明书的描述中，参考术语“一种实施例”、“一些实施例”、“优选实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。尽管已经详细描述了本发明的实施例及其优点，但应当理解，在不脱离专利申请的保护范围的情况下，可以在本文中进行各种改变、替换和变更。