具体实施方式

本申请实施例通过提供了一种基于综合遥感技术的森林环境遥感监测方法及终端，解决了现有技术中由于只是将算法作为数据处理的工具使用，缺乏系统的机器学习和遥感监测技术结合的技术，导致存在智能化和个体化程度较低的技术问题。达到了通过对历史监测图像基于时间进行位置聚类分析，得到不同时间不同位置的监测重要程度，并提取不同时间不同位置的变化卷积特征，根据卷积特征确定监测频率智能化控制各设备采集对应位置的数据，得到了个体化和智能化程度较高的智能遥感监测的技术效果。

申请概述

近几年来，随着环境问题越来越突出，具有覆盖广、快速、多光谱、信息量大的遥感技术已成为监测环境变化的一项重要技术手段之一。正确处理遥感监测技术中监测得到的大量数据对于解决环境问题提供重要的信息参考基础，而机器学习对于数据有着优异的处理效果，将机器学习应用至遥感技术中是未来遥感监测发展的一大方向。例如利用神经网络处理图像，利用主成分分析简化数据等。目前主要是将各种机器学习的算法应用处理遥感技术的数据。但现有技术中由于只是将算法作为数据处理的工作使用，缺乏系统的机器学习和遥感监测技术结合的技术，导致存在智能化和个体化程度较低的技术问题。

针对上述技术问题，本申请提供的技术方案总体思路如下：

本申请实施例提供了一种基于综合遥感技术的森林环境遥感监测方法，其中，所述方法应用于一环境遥感分析终端，所述终端与第一遥感监测设备通信连接，所述方法包括：获得第一历史监测图像集，其中，所述第一历史监测图像集为第一森林的历史遥感监测图像集合；获得第一位置聚类指令，根据所述第一位置聚类指令对所述第一历史监测图像进行位置聚类，获得第一位置聚类结果；根据所述第一位置聚类结果获得第一位置分类指标；对所述第一位置聚类结果进行基于时间的时间线分类，获得第一时间线分类结果；基于所述时间线分类结果获得第一变化区间指标；根据所述第一位置分类指标和所述第一变化区间指标确定卷积特征集合；通过所述卷积特征集合控制所述第一遥感监测设备对所述第一森林进行遥感监测。

在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。

实施例一

如图1所示，本申请实施例提供了一种基于综合遥感技术的森林环境遥感监测方法，其中，所述方法应用于一环境遥感分析终端，所述终端与第一遥感监测设备通信连接，所述方法包括：

S100：获得第一历史监测图像集，其中，所述第一历史监测图像集为第一森林的历史遥感监测图像集合；

具体而言，所述第一森林是所述第一遥感监测设备需要进行监测覆盖的森林区域，可选的使用摊地面积表征；所述第一历史监测图像集指的是所述第一遥感监测设备监测所述第一森林采集到的历史图像信息集合。通过对所述第一历史监测图像集进行分析，可以通过所述第一森林各位置的随时节的变化规律对所述第一森林的环境变化进行预测，进而进行个体化程度较高的监测，全面的所述第一历史监测图像集为得到准确的数据分析结果提供了数据基础。

S200：获得第一位置聚类指令，根据所述第一位置聚类指令对所述第一历史监测图像进行位置聚类，获得第一位置聚类结果；

S300：根据所述第一位置聚类结果获得第一位置分类指标；

具体而言，所述第一位置聚类指令指的是在检测到所述第一历史监测图像数据集的数据规模和数据全面性达到要求之后，停止调取所述第一历史监测图像数据，进而发出的对得到的所述第一历史监测图像数据集进行处理的信号；进一步的，所述第一位置聚类结果指的是收到所述第一位置聚类指令的信号后，对所述第一历史监测图像数据集依据在所述第一森林中的不同位置进行聚类分析得到聚类结果，聚类分析指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程。因为同一片森林，不同位置的水土环境，树木覆盖程度，栖息生物，主要污染要素等环境信息都是不同的，根据不同的位置对所述第一历史监测图像数据集进行聚类，使用所述第一位置分类指标表征不同位置不同环境信息的重要程度，有利于进一步制定个体化程度更高的监测方案。

S400：对所述第一位置聚类结果进行基于时间的时间线分类，获得第一时间线分类结果；

S500：基于所述时间线分类结果获得第一变化区间指标；

具体而言，所述第一时间线分类结果指的是在所述第一位置聚类结果出来之后，将各个位置的所述第一历史监测图像依据时间要素进行排序得到的分类结果，优选的实现方式是选用不同位置气候环境变化趋势较平缓的时间区间内的所述第一历史监测图像为一类。分别对所有不同位置的所述第一历史监测图像集进行分类，直到所有的所述第一历史监测图像集都分类完成时结束进程。所述第一变化区间指标指的是表征所述第一森林的环境信息在不同位置中不同时间区间内随着时间线变化情况，举不设限制的一例如：某森林某处河床附近，4月-9月由于雨水充沛，植被茂密，水土流失较少；但12月-2月由于天气干燥，河水干涸，再近些年由于水污染，导致植被死亡率较高，使得在此时间段水土流失较严重。后续可根据此类数据进行监测，并针对性的制定处理方案。为提供个体化程度较高的森林环境遥感监测提供了数据基础。

S600：根据所述第一位置分类指标和所述第一变化区间指标确定卷积特征集合；

S700：通过所述卷积特征集合控制所述第一遥感监测设备对所述第一森林进行遥感监测。

具体而言，可以根据所述第一位置分类指标和所述第一变化区间指标，对所述第一森林的环境信息在不同位置中不同时间区间内的所述第一历史监测图像进行卷积特征提取，可选的使用基于卷积神经网络训练的特征提取模型进行特征提取，卷积可以作为在机器学习中的特征提取器，从而使得提取到的特征信息具有集中性和代表性，进而获得所述第一历史监测图像的卷积特征，卷积神经网络是神经网络的一种，对于特征提取尤其是图像特征提取有着优异的识别功能，通过卷积神经网络可以提取到代表性较强的所述第一历史监测图像的特征信息。进一步的，根据所述第一卷积特征信息可以得到所述第一森林的环境信息在不同位置中不同时间区间内的对环境的主要影响信息，继而可以依据不同的时间线分类情况，排布最合适监测频率方案，通过监测频率方案，控制所述第一遥感监测设备对所述第一森林进行针对性较强的监测，达到了智能化和个体化程度较高的智能遥感监测的技术效果。

进一步的，所述方法S300还包括：

S310：构建环境评估模型，其中，所述环境评估模型为通过多组训练数据训练获得的模型，所述多组训练数据中的每组均包括：植物分布信息和标识植物易变系数的标识信息；

S320：将所述第一位置聚类结果中的遥感监测图像集输入所述环境评估模型，获得所述环境评估模型的输出结果，其中，所述输出结果包括所述第一位置分类指标。

具体而言，所述环境评估模型为神经网络模型，所述神经网络模型即机器学习中的神经网络模型，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。其中，它能根据训练数据进行不断的自我训练学习，所述多组数据均包括所述植物分布信息和标识植物易变系数的标识信息。所述环境评估模型不断地自我的修正，当所述环境评估模型的输出信息达到预定的准确率/收敛状态时，则有监督学习过程结束。通过对所述环境评估模型进行数据训练，使得所述环境评估模型处理输入数据更加准确，进而使得输出的所述第一位置分类指标信息也更加准确，达到了准确获得数据信息，提高评估结果智能化的技术效果。

进一步的，所述方法步骤S700还包括：

S710：获得第一位置处的植物图像特征；

S720：通过所述第一时间线分类结果获得所述第一位置处的植物图像特征的时间变化信息，基于所述时间变化信息获得所述第一变化区间指标；

S730：通过公式计算获得卷积特征系数，计算公式如下：

其中，y为卷积特征系数，n为位置样本的数量，a为第一位置分类指标，a₁为第一位置分类指标的样本标准差，b为第一变化区间指标，b₁为第一变化区间指标的样本标准差，当a-a₁+b-b₁为正值时，y为正值，当a-a₁+b-b₁为负值时，则y为负值；

S740：通过所述卷积特征系数对所述第一森林进行遥感监测。

具体而言，通过所述卷积特征控制所述第一森林的遥感监测设备以其中所述第一森林中一个随机位置为准。所述第一位置即为所述第一森林中一个随机位置；所述第一位置处的植物图像特征即为经过卷积特征提取所述第一位置处的所述第一历史监测图像信息得到的结果。进一步的，根据所述第一位置处，得到基于所述时间变化信息的所述第一变化区间指标，例如各种环境影响信息随时间的变化；而依据所述第一位置可以得到其分类指标，例如该位置出的各种环境要素等，可利用上述数据，计算所述卷积特征系数，所述卷积特征系数是和监测频率相关的指标数据，不同位置的卷积特征系数不同，在计算得到卷积特征系数之后，即可确定所述第一森林的遥感监测频率。通过所述卷积特征系数将抽象的所述第一森林的环境信息及相应的环境影响因素和所述第一森林的遥感监测频率联立，使得遥感监测更加智能化。

进一步的，基于所述通过所述卷积特征集合控制所述第一遥感监测设备对所述第一森林进行遥感监测，如图2所示，所述方法还包括步骤S800：

S810：通过所述第一遥感监测设备获得所述第一森林的第一图像；

S820：获得第一图像分割指令，根据所述第一图像分割指令对所述第一图像进行图像分割，获得第一图像分割结果；

S830：获得第一可信度评估指令，根据所述第一可信度评估指令对所述第一图像分割结果进行区域可信度评估，获得所述第一图像的各区域可信度的评估结果；

S840：当所述第一图像的各区域可信度的评估结果均满足预定可信度评估结果时，则标识所述第一图像为可信图像，并依据所述第一图像对所述第一森林进行遥感监控。

具体而言，所述第一森林的第一图像指的是通过所述卷积特征控制所述第一遥感监测设备监测到的所述第一森林的图像信息，在不同位置不同时间内采集到的图像就以所在位置所在时间进行类别归属，优选的每采集完一个位置一个时间区间的图像数据为一个小类完成。进一步的，因为采集的所述第一位置的所述第一图像数据量较大，则需要根据环境信息对其进行区域划分，在进程中体现为对所述第一图像进行分割，所以在每一个小类完成之后，就获得所述第一图像分割指令；所述第一图像分割结果指的是依据所述第一图像分割指令对所述第一图像进行区域划分的结果；因为所述第一图像在传输过程中会有噪声影响，所以需要对所得图像进行评估，所述第一图像的各区域可信度的评估结果指的是依据所述第一可信度评估指令对所述第一图像分割结果的每个区域进行可信度评估得到的结果。更进一步的，将所述第一图像的各区域可信度的评估结果和所述预定可信度评估结果相比较，满足所述预定可信度评估结果的图像信息为可信数据，其中所述预定可信度评估结果可选的根据所述第一历史监测图像定制基准。更进一步，依据对所述第一图像的监测结果调整控制所述第一遥感监测设备。通过将数据量和复杂度较高的所述第一图像数据进行区域划分，降低数据复杂度和冗杂量，增快了数据处理的效率，达到了高效性的技术效果。

进一步的，所述方法步骤S800还包括：

S850：根据所述卷积特征集合获得所述第一图像的第一卷积特征；

S860：通过所述第一卷积特征对所述第一图像进行特征遍历，获得所述第一图像的特征遍历结果；

S870：通过所述特征遍历结果获得所述第一图像对应位置处的遥感监测结果。

具体而言，所述第一图像的第一卷积特征为从所述卷积特征集合中筛选出的特征信息，可选的筛选方式为调用所述第一位置在某时间区间内由所述第一遥感监测设备监测到的结果的所述卷积特征集合作为同一位置同一时间的所述第一图像的所述第一卷积特征；由于所述第一卷积特征有冗杂数据，和所述第一图像并非完全适配。所述第一图像的特征遍历结果指的是基于所述第一卷积特征对所述第一图像进行特征遍历，将冗杂数据去除，留下对所述第一图像影响最主要的环境信息和影响环境的信息数据。遍历之后的所述特征遍历结果和所述第一图像适配，可表征所述第一图像对应位置的环境变化情况，即可作为所述第一图像对应位置处的遥感监测结果。

进一步的，所述方法步骤S740还包括：

S741：通过所述卷积特征系数获得所述卷积特征集合对应位置处的图像采集频率集合；

S742：构建所述卷积特征系数、卷积特征集合和采集频率集合的映射关系；

S743：基于所述映射关系控制所述第一遥感监测设备对所述第一森林进行遥感监测。

具体而言，通过所述卷积特征系数控制所述第一遥感监测设备的实现方式举不设限制的一例：所述卷积特征集合对应位置处的图像采集频率集合指的是基于所述卷积特征集合，将分类后所述卷积特征集合对应的所述第一历史图像数据中各个位置处各个时间区间内的获得频率进行分类汇总，得到不同位置不同时间的所述第一历史图像数据采集频率；可选的依据多组所述卷积特征系数、卷积特征集合和采集频率集合构建三维数组，得到所述卷积特征系数、卷积特征集合和采集频率集合之间的非线性映射关系，可依据所述映射关系得到最佳的监测频率，可选的实现方式训练神经网络模型，每一组训练数据都包括所述卷积特征系数、卷积特征集合和采集频率集合数据信息和标识所述第一遥感监测设备监测频率的标识信息。当每一次所述第一遥感监测设备监测频率达到专家评估的最佳值时，即认为该神经网络模型达到收敛，有监督学习结束。进一步的，依据得到的所述第一遥感监测设备监测频率控制述第一遥感监测设备对所述第一森林进行遥感监测。

进一步的，基于所述获得所述第一图像的各区域可信度的评估结果，如图3所示，步骤S830还包括：

S831：当所述第一图像的各区域可信度的评估结果不能完全满足预定可信度评估结果时，获得图像重复捕捉指令；

S832：通过所述图像重复捕捉指令获得第二图像；

S833：通过所述第二图像对所述第一森林进行遥感监控。

具体而言，当所述第一图像的各区域可信度的评估结果和所述预定可信度评估结果比较，所述第一图像信息不满足所述预定可信度评估结果时，获得所述图像重复捕捉指令，依据所述图像重复捕捉指令获得所述第二图像。进一步的，将所述第二图像做和所述第一图像相同处理，直到所述捕捉图像数据满足所述预定可信度评估结果，则停止捕捉。更进一步的，将符合要求的图像进行和所述第一图像继续进行相同的处理，依据所述第二图像对所述第一森林进行遥感监控。通过可信度的评估和所述图像重复捕捉指令可以保证采集信息的准确性。

综上所述，本申请实施例所提供的一种基于综合遥感技术的森林环境遥感监测方法及终端具有如下技术效果：

1、由于采用了获得第一历史监测图像集，其中，所述第一历史监测图像集为第一森林的历史遥感监测图像集合；获得第一位置聚类指令，根据所述第一位置聚类指令对所述第一历史监测图像进行位置聚类，获得第一位置聚类结果；根据所述第一位置聚类结果获得第一位置分类指标；对所述第一位置聚类结果进行基于时间的时间线分类，获得第一时间线分类结果；基于所述时间线分类结果获得第一变化区间指标；根据所述第一位置分类指标和所述第一变化区间指标确定卷积特征集合；通过所述卷积特征集合控制所述第一遥感监测设备对所述第一森林进行遥感监测的技术方案，达到了通过对历史监测图像基于时间进行位置聚类分析，得到不同时间不同位置的监测重要程度，并提取不同时间不同位置的变化卷积特征，根据卷积特征确定监测频率智能化控制各设备采集对应位置的数据，得到了个体化和智能化程度较高的智能遥感监测的技术效果。

2、通过将数据量和复杂度较高的所述第一图像数据进行区域划分，降低数据复杂度和冗杂量，增快了数据处理的效率，达到了高效性的技术效果。

3、通过所述卷积特征系数将抽象的所述第一森林的环境信息及相应的环境影响因素和所述第一森林的遥感监测频率联立，使得遥感监测更加智能化。

实施例二

基于与前述实施例中一种基于综合遥感技术的森林环境遥感监测方法相同的发明构思，如图4所示，本申请实施例提供了一种基于综合遥感技术的森林环境遥感监测终端，其中，所述终端包括：

第一获得单元11，所述第一获得单元11用于获得第一历史监测图像集，其中，所述第一历史监测图像集为第一森林的历史遥感监测图像集合；

第二获得单元12，所述第二获得单元12用于获得第一位置聚类指令，根据所述第一位置聚类指令对所述第一历史监测图像进行位置聚类，获得第一位置聚类结果；

第三获得单元13，所述第三获得单元13用于根据所述第一位置聚类结果获得第一位置分类指标；

第四获得单元14，所述第四获得单元14用于对所述第一位置聚类结果进行基于时间的时间线分类，获得第一时间线分类结果；

第五获得单元15，所述第五获得单元15用于基于所述时间线分类结果获得第一变化区间指标；

第一确定单元16，所述第一确定单元16用于根据所述第一位置分类指标和所述第一变化区间指标确定卷积特征集合；

第一控制单元17，所述第一控制单元17用于通过所述卷积特征集合控制第一遥感监测设备对所述第一森林进行遥感监测。

进一步的，所述终端还包括：

第一构建单元，所述第一构建单元用于构建环境评估模型，其中，所述环境评估模型为通过多组训练数据训练获得的模型，所述多组训练数据中的每组均包括：植物分布信息和标识植物易变系数的标识信息；

第一输出单元，所述第一输出单元用于将所述第一位置聚类结果中的遥感监测图像集输入所述环境评估模型，获得所述环境评估模型的输出结果，其中，所述输出结果包括所述第一位置分类指标。

进一步的，所述终端还包括：

第六获得单元，所述第六获得单元用于获得第一位置处的植物图像特征；

第七获得单元，所述第七获得单元用于通过所述第一时间线分类结果获得所述第一位置处的植物图像特征的时间变化信息，基于所述时间变化信息获得所述第一变化区间指标；

第一计算单元，所述第一计算单元用于通过公式计算获得卷积特征系数，计算公式如下：

其中，y为卷积特征系数，n为位置样本的数量，a为第一位置分类指标，a₁为第一位置分类指标的样本标准差，b为第一变化区间指标，b₁为第一变化区间指标的样本标准差，当a-a₁+b-b₁为正值时，y为正值，当a-a₁+b-b₁为负值时，则y为负值；

第一监测单元，所述第一监测单元用于通过所述卷积特征系数对所述第一森林进行遥感监测。

进一步的，所述终端还包括：

第八获得单元，所述第八获得单元用于通过所述第一遥感监测设备获得所述第一森林的第一图像；

第九获得单元，所述第九获得单元用于获得第一图像分割指令，根据所述第一图像分割指令对所述第一图像进行图像分割，获得第一图像分割结果；

第十获得单元，所述第十获得单元用于获得第一可信度评估指令，根据所述第一可信度评估指令对所述第一图像分割结果进行区域可信度评估，获得所述第一图像的各区域可信度的评估结果；

第一标识单元，所述第一标识单元用于当所述第一图像的各区域可信度的评估结果均满足预定可信度评估结果时，则标识所述第一图像为可信图像，并依据所述第一图像对所述第一森林进行遥感监控。

进一步的，所述终端还包括：

第十一获得单元，所述第十一获得单元用于根据所述卷积特征集合获得所述第一图像的第一卷积特征；

第十二获得单元，所述第十二获得单元用于通过所述第一卷积特征对所述第一图像进行特征遍历，获得所述第一图像的特征遍历结果；

第十三获得单元，所述第十三获得单元用于通过所述特征遍历结果获得所述第一图像对应位置处的遥感监测结果。

进一步的，所述终端还包括：

第十四获得单元，所述第十四获得单元通过所述卷积特征系数获得所述卷积特征集合对应位置处的图像采集频率集合；

第二构建单元，所述第二构建单元用于构建所述卷积特征系数、卷积特征集合和采集频率集合的映射关系；

第二监测单元，所述第二监测单元用于基于所述映射关系控制所述第一遥感监测设备对所述第一森林进行遥感监测。

进一步的，所述终端还包括：

第十五获得单元，所述第十五获得单元用于当所述第一图像的各区域可信度的评估结果不能完全满足预定可信度评估结果时，获得图像重复捕捉指令；

第十六获得单元，所述第十六获得单元用于通过所述图像重复捕捉指令获得第二图像；

第三监测单元，所述第三监测单元用于通过所述第二图像对所述第一森林进行遥感监控。

示例性电子设备

下面参考图5来描述本申请实施例的电子设备，

基于与前述实施例中一种基于综合遥感技术的森林环境遥感监测方法相同的发明构思，本申请实施例还提供了一种基于综合遥感技术的森林环境遥感监测终端，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使得终端以执行第一方面任一项所述的方法

该电子设备300包括：处理器302、通信接口303、存储器301。可选的，电子设备300还可以包括总线架构304。其中，通信接口303、处理器302以及存储器301可以通过总线架构304相互连接；总线架构304可以是外设部件互连标(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture，简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

处理器302可以是一个CPU，微处理器，ASIC，或一个或多个用于控制本申请方案程序执行的集成电路。

通信接口303，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，RAN),无线局域网(wireless local areanetworks，WLAN)，有线接入网等。

存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory，EEPROM)、只读光盘(compactdiscread-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。

其中，存储器301用于存储执行本申请方案的计算机执行指令，并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令，从而实现本申请上述实施例提供的一种基于综合遥感技术的森林环境遥感监测方法。

可选的，本申请实施例中的计算机执行指令也可以称之为应用程序代码，本申请实施例对此不作具体限定。

本申请实施例提供了一种基于综合遥感技术的森林环境遥感监测方法，其中，所述方法应用于一环境遥感分析终端，所述终端与第一遥感监测设备通信连接，所述方法包括：获得第一历史监测图像集，其中，所述第一历史监测图像集为第一森林的历史遥感监测图像集合；获得第一位置聚类指令，根据所述第一位置聚类指令对所述第一历史监测图像进行位置聚类，获得第一位置聚类结果；根据所述第一位置聚类结果获得第一位置分类指标；对所述第一位置聚类结果进行基于时间的时间线分类，获得第一时间线分类结果；基于所述时间线分类结果获得第一变化区间指标；根据所述第一位置分类指标和所述第一变化区间指标确定卷积特征集合；通过所述卷积特征集合控制所述第一遥感监测设备对所述第一森林进行遥感监测。达到了通过对历史监测图像基于时间进行位置聚类分析，得到不同时间不同位置的监测重要程度，并提取不同时间不同位置的变化卷积特征，根据卷积特征确定监测频率智能化控制各设备采集对应位置的数据，得到了个体化和智能化程度较高的智能遥感监测的技术效果。

本领域普通技术人员可以理解：本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本申请实施例的范围，也不表示先后顺序。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个、种)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。

本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列(FPGA)或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。

本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于终端中。可选地，处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。