基于Freeman分解的积雪识别方法、装置、设备和存储介质

计算;推算;计数设备的制造及其应用技术基于freeman分解的积雪识别方法、装置、设备和存储介质技术领域1.本发明涉及积雪识别技术领域，具体而言，涉及一种基于freeman分解的积雪识别方法、装置、设备和存储介质。背景技术：2.积雪是冰冻圈内分布最为广泛且最为活跃的要素，在水文循环、雪灾预测等具有重要作用。使用光学遥感数据进行积雪研究易受多云多雨的影响。合成孔径雷达(synthetic aperture radar，sar)能够穿透云层，具有全天候、全天时成像的特点，在山区积雪识别及分类应用中具有极大的潜力。3.全极化sar数据可以反映积雪的极化散射特性、区分地物的散射机制，为积雪识别提供了丰富的极化信息，有助于提高积雪识别的精度。从sar图像中提取有效的极化特征对积雪特性研究和分析具有重要意义。4.然而，对于单一极化分解获取的极化特征的信息提取还有很大的提升空间，如何利用较少的散射信息快速获取积雪识别范围仍需进一步探索。5.有鉴于此，申请人在研究了现有的技术后特提出本技术。技术实现要素：6.本发明提供了一种基于freeman分解的积雪识别方法、装置、设备和存储介质，以改善上述技术问题中的至少一个。7.第一方面、8.本发明实施例提供了一种基于freeman分解的积雪识别方法，其包含步骤s1至步骤s5。9.s1、获取目标区域的radarsat-2全极化影像数据。10.s2、根据进行radarsat-2全极化影像数据，进行freeman极化分解，获取radarsat-2全极化影像数据中各个像元的极化特征。其中，极化特征包括二面角散射特征freeman_dbl和体散射特征freeman_vol。11.s3、根据二面角散射特征和体散射特征，构建radarsat-2全极化影像数据的积雪指数fsci_vol_dbl。其中，12.s4、根据积雪指数统计积雪样本直方图，并根据积雪样本直方图获取识别阈值。13.s5、根据识别阈值，判断积雪指数中各个象元的类型，以获取目标区域的积雪空间分布图。其中，类型包括积雪和非积雪。14.第二方面、15.本发明实施例提供了一种基于freeman分解的积雪识别装置，其包含：16.初始数据获取模块，用于获取目标区域的radarsat-2全极化影像数据。17.分解模块，用于根据进行radarsat-2全极化影像数据，进行freeman极化分解，获取radarsat-2全极化影像数据中各个像元的极化特征。其中，极化特征包括二面角散射特征freeman_dbl和体散射特征freeman_vol。18.指数构件模块，用于根据二面角散射特征和体散射特征，构建radarsat-2全极化影像数据的积雪指数fsci_vol_dbl。其中，其中，19.阈值获取模块，用于根据积雪指数统计积雪样本直方图，并根据积雪样本直方图获取识别阈值。20.积雪识别模块，用于根据识别阈值，判断积雪指数中各个象元的类型，以获取目标区域的积雪空间分布图。其中，类型包括积雪和非积雪。21.第三方面、22.本发明实施例提供了一种基于freeman分解的积雪识别设备，其包括处理器、存储器，以及存储在存储器内的计算机程序。计算机程序能够被处理器执行，以实现如第一方面任意一段所说的基于freeman分解的积雪识别方法。23.第四方面、24.本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行如第一方面任意一段所说的基于freeman分解的积雪识别方法。25.通过采用上述技术方案，本发明可以取得以下技术效果：26.根据本发明实施例的积雪识别方法能够快速且准确的根据全极化合成孔径雷达图像识别处积雪区域。27.为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明28.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。29.图1是本发明第一实施例提供的积雪识别方法的流程示意图。30.图2是研究区的radarsat-2全极化数据freeman极化分解后结果。31.图3是图2中区域a无雪期间的freeman三分量剖面图。32.图4是图2中区域a干雪期间的freeman三分量剖面图。33.图5是图2中区域b无雪期间的freeman三分量剖面图。34.图6是图2中区域b干雪期间的freeman三分量剖面图。35.图7是积雪覆盖区散射特征概率分布密度。36.图8是无雪覆盖区散射特征概率分布密度。37.图9是本发明第二实施例提供的积雪识别装置的结构示意图。具体实施方式38.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，都属于本发明保护的范围。39.为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。40.在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。41.应当理解，本文中使用的术语“和/或”仅仅是一种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。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。42.取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。43.实施例中提及的“第一第二”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一第二”区分的对象在适当情况下可以互换，以使这里描述的实施例能够以除了在这里图示或描述的那些内容以外的顺序实施。44.下面结合附图与具体实施方式对本发明作进一步详细描述：45.实施例一：46.请参阅图1至图8，本发明第一实施例提供一种基于freeman分解的积雪识别方法，其可由基于freeman分解的积雪识别设备(以下简称：积雪识别设备)来执行。特别地，由积雪识别设备中的一个或多个处理器来执行，以实现步骤s1至步骤s5。47.s1、获取目标区域的radarsat-2全极化影像数据。48.可以理解的是，所述积雪识别设备可以是便携笔记本计算机、台式机计算机、服务器、智能手机或者平板电脑等具有计算性能的电子设备。49.优选地，步骤s1具体为：50.获取目标区域的radarsat-2全极化影像数据。其中，radarsat-2全极化影像数据包括hh、hv、vv、vh四种极化方式。51.具体的，为了验证本发明实施例的有效性，本发明实施例以新疆天山中段北麓玛纳斯河流域作为研究区，作为研究对象进行验证。52.北麓玛纳斯河流域经纬度范围为43.79°n～44.09°n，85.74°e～86.13°e，地表覆盖物主要为草地，气候属于中温带大陆性干旱气候，总体降水量较少，受水汽来源、地形和高程影响较大。根据自然高度带，研究区可划分为三带，50％以上区域海拔高度在0～1300m，为草原至半灌木过渡带；南部约25％地区海拔在1300～2000m，为地草甸草原带；最南部少部分地区海拔在2000～2700m，为云杉林带。2013年12月12日至2013年12月16日期间，在研究区内开展了为期5天与radarast-2卫星数据同步的地面积雪观测，获取研究区观测点的雪深、海拔、坡度、气温、下垫面等信息，根据实地观测，研究区积雪深度范围介于0～20cm。53.验证采用的数据源为：2013年10月2日、2013年12月13日的2景radarsat-2全极化数据，包括hh、hv、vv、vh四种极化方式，为单视复数数据(single look complex，slc)c波段产品，距离向和方位向分辨率分别为4.733m和4.799m，中心入射角为43.45°。结合实地观测和天气情况，对应积雪状态分别为无雪及干雪(表1)。54.表1radarsat-2数据积雪状态55.获取时间积雪状态参考光学影像及时间2013/10/02无雪landsat-8 oli:2013/10/062013/12/13干雪gf-1 wfv:2013/12/1456.同时，选择2013年10月6日的landsat-8oli数据、2013年12月14日的gf-1wfv数据辅助参考。查询历史天气记录可知(https://lishi.tianqi.com)，2013年12月13～14日间温度均在0℃以下，未有降雨记录，说明干雪期sar数据和光学数据在地表覆盖类型上具有一致性。57.s2、根据进行radarsat-2全极化影像数据，进行freeman极化分解，获取radarsat-2全极化影像数据中各个像元的极化特征。其中，极化特征包括二面角散射特征freeman_dbl和体散射特征freeman_vol。58.在上述实施例的基础上，本发明的一个可选地实施例中，步骤s2包括步骤s21至步骤s23。59.s21、对radarsat-2全极化影像数据进行预处理。其中，预处理包括多视处理、极化滤波，以及通过dem数据进行地理编码。优选地，极化滤波为refined lee滤波。dem数据为用strm4 dem数据。60.具体的，为保证与光学遥感数据空间分辨率(20m)相近，对radarsat-2数据的距离向和方位向分别采用3×3多视处理。其中，多视处理的具体规格由数据分辨率确定。对于全极化radarsat-2数据，相干斑滤波不仅需要考虑4个通道(hh、hv、vh、vv)的滤波，还要考虑各个通道之间的相关性。因此，选用refined lee滤波算法进行斑抑制，滤波窗口设置为5×5。最后，选择影像对应的dem数对影像进行地理编码，本文选用nasa提供的90米分辨率数据strm4 dem对影像区域进行地理编码操作，将影像从斜距几何转换为地图投影坐标。61.s22、对预处理后的radarsat-2全极化影像数据，进行极化矩阵处理，获取极化散射矩阵s，并将极化散射矩阵s转换为极化协方差矩阵c。62.具体的，极化散射矩阵s只能够描述所谓的相干或纯散射体。对于分布式散射体，为减少斑点噪声影响，将极化散射矩阵s转换为极化协方差矩阵c3。63.在散射过程中，对sar目标极化效应进行定量描述的常用方法是运用极化散射矩阵，它包含目标的全部极化信息，定义如下：[0064][0065]式中，s表示单个像素散射特性，shh、svv表示同极化项，shv、svh表示交叉极化项。[0066]极化协方差矩阵同极化散射矩阵一样，包含雷达测量得到的全部目标极化信息。对于互易介质shv＝svh，极化散射矩阵矢量可表示为：[0067][0068]以3×3的视矩阵为例，协方差矩阵c定义如下：[0069][0070]式中，*表示共轭矩阵，t表示矩阵的转置，|·|表示矩阵的模，〈·〉表示随机散射介质在各向同性下的空间统计平均。[0071]s23、根据极化协方差矩阵c，进行freeman极化分解，以获取radarsat-2全极化影像数据中各个像元的极化特征。[0072]具体的，极化分解可以基于散射矩阵、相干矩阵或协方差矩阵实现。全极化sar图像通常使用9个独立参量表示接收到的数据，从而构成协方差矩阵或者相干矩阵，二者是等价的，都是非负定hermitian矩阵。[0073]freeman分解以极化协方差矩阵为分解对象，将地物分为三类散射机制：体散射、面散射和二面角散射。相对于其他分解方法，freeman分解更符合地物的散射机制，对地物散射特征描述得更加充分。[0074]三种散射方式的协方差矩阵分量如下：[0075][0076][0077][0078]式中，c1为面散射对应的协方差矩阵分量，c2为二面角散射对应的协方差矩阵分量，c3为体散射对应协方差矩阵分量；fs、fd、fv代表各分量贡献值；α、β代表各种散射方式下极化散射矩阵分量中水平极化波与垂直极化波的比值。总的极化协方差矩阵表示为：[0079]c＝c1+c2+c3(6)[0080]由上述公式(1)～(6)，可解出未知量的值并得到三种散射分量的功率：[0081]ps＝fs(1+|β|2)(7)[0082]pd＝fd(1+|α|2)(8)[0083]pd＝fv(9)式中，ps、pd、pv分别代表面散射、二面角散射和体散射各分量的散射功率。[0084]s3、根据二面角散射特征和体散射特征，构建radarsat-2全极化影像数据的积雪指数fsci_vol_dbl。其中，[0085]具体的，积雪指数fsci_vol_dbl利用freeman极化分解后的特征分量，构建积雪指数，通过非线性变换，增强了指数低值部分，并抑制了高值部分，使指数数值较一地达到饱和状态，从而降低高覆盖度积雪区敏感度，从而对积雪识别。[0086]因二面角散射与体散射均为负值，计算出fsci_vol_dbl的值为负数，在-1至0之间，避免了数据过大或过小给数据分析造成影响。此外，fsci_vol_dbl还能够消除部分山区积雪识别易受云层覆盖限制的影响。由于freeman极化分解获取的特征分量为体与面的散射，极易受地形因素影响，计算得出fsci_vol_dbl的接近-1，一般表示为地势起伏较大的山地，地形复杂，使得出现小于-1的异常值。fsci_vol_dbl接近0值一般表示为该地区为积雪覆盖。[0087]需要说明的是，如图2所示，由于研究区积雪深度范围介于0～20cm，相对较浅，c波段的电磁波可以在雪表面发生折射，并穿透干雪。当有积雪覆盖时，在干雪条件下(如图2中的b所示)，主要散射为雪-地界面的面散射，雪层体散射比总体面散射少，结合光学遥感数据可知，积雪覆盖区表现为蓝紫色。无雪覆盖区主要出现在高覆盖度草地和林地，主要散射为植被体散射，图像呈绿色。[0088]在两个积雪时期的freeman的分解结果中，参考同时期光学遥感影像，对研究区取剖面图，通过剖面图分析面散射、二面角散射和体散射分量存在的变化规律。为了在一条剖面线可以显示出尽可能多的信息，选择了在干雪期既包含积雪区又包含非积雪区，且过度段明显的研究区a(如图2中的a所示)。同时，选择了一块受人为因素较大的区域b(如图2中的a所示)，该区域为较平旷的耕地。[0089]如图3至图6所示，在积雪过程中，无雪期、积雪期的各散射分量分布特征中呈现的规律可知，两个时期中，二面角散射均为最小，与面散射及体散射存在差异较大；与无雪期相比，在干雪期，体散射与面散射之间的差值增大，且随着剖面线走势呈平行分布；有雪覆盖时，体散射小于面散射，无雪覆盖时，体散射大于面散射；相对无雪期，二面角散射波动较小，趋势较平滑。[0090]同时，以同时期光学遥感作为参考，在freeman极化分解的图像中，选择干雪期积雪覆盖区域与非积雪覆盖区域，分别统计各散射特征的概率分布密度(图7和图8所示)。[0091]如图7所示，在积雪覆盖区，三个散射分量的分布，由小至大分别是二面角散射、体散射和面散射；二面角散射介于-29db～-21db，主要集中在-25db；体散射介于-22db～-14db，主要集中在-19db；面散射介于-20db～-5db，分布特征呈高原形，数值较不集中；可知二面角散射分布较为集中，且与体散射、面散射均存在较高的可分离性；体散射则普遍小于面散射，且由于积雪覆盖较浅，体散射和面散射无法直接分开，有较多区域混合在一起。[0092]如图8所示，两个散射分量的分布，由小至大的分布规律则是二面角散射、面散射和体散射；二面角散射介于-29db～-15db，主要集中在-24db；体散射主要集中在-8db，且普遍比面散射大；面散射分布进一步扩大，分布范围介于-20db～-1db之间。[0093]对比图7和图8，发现积雪区体散射小于非积雪区的体散射，面散射在积雪区与非积雪区均呈高原型；由数值大小坐落范围分析，二面角散射与体散射、面散射均存在较好的分离度，但二面角散射与体散射均分布较为集中。[0094]因此，基于二面角散射与体散射的规律，将二面角散射与体散射构建差值指数(即：积雪指数)：[0095][0096]式中，fsci_vol_dbl表示由体散射freeman_vol和二面角散射freeman_dbl计算的积雪覆盖度结果。[0097]fsci_vol_dbl通过积雪区与非积雪区体散射与面散射的特点，计算出的范围为-1.0到0之间，一般越接近0，亮度值越高，积雪覆盖度越高。[0098]s4、根据积雪指数统计积雪样本直方图，并根据积雪样本直方图获取识别阈值。[0099]在上述实施例的基础上，本发明的一个可选地实施例中，步骤s4包括步骤s41至步骤s43。[0100]s41、获取部分积雪区域对应的积雪指数作为样本，并根据样本统计样本的直方图。[0101]s42、根据直方图，计算样本的标准差和均值。[0102]s43、根据标准差和均值，获取识别阈值。[0103]在本实施例中，由于freeman极化分解后的二面角散射、体散射和面散射除受积雪的影响外，与下垫面、地形等均存在关系，所以阈值并非固定。为确定阈值，需选择一部分积雪区作为样本，统计直方图，根据统计直方图的标准差确定数据的离散程度，在均值附近确定阈值。[0104]具体的，当确定积雪与非积雪间的阈值，通过数值的比较，即可判断积雪与非积雪，快速提取积雪空间分布信息。[0105]由于freeman极化分解后的二面角散射、体散射和面散射，除受有无积雪覆盖影响外，与下垫面、地形等因素均存在关系，阈值具有一定的不确定性。[0106]为较为准确的设定阈值，本发明实施例选择fsci_vol_dbl中一部分积雪覆盖区域作为样本，统计直方图，根据统计直方图的标准差确定数据的离散程度，在均值附近确定阈值。根据直方图，数据呈正态分布，像元均值为-0.161483，标准差为0.044991。由于在积雪像元中含少量非积雪像元，为减小误差，忽略一些较小的值。通过多次实验对比，选定阈值-0.23，即当fsci_vol_dbl值大于-0.23时，该像元为积雪覆盖。在一个可选的实施例中，均值加标准差约等于阈值。[0107]s5、根据识别阈值，判断积雪指数中各个象元的类型，以获取目标区域的积雪空间分布图。其中，类型包括积雪和非积雪。[0108]在一些实施例中，步骤s5包括步骤s51至步骤s52。[0109]s51、根据阈值，判断积雪指数中各个象元的数值是否大于阈值。[0110]s52、将数值比阈值大的象元赋为积雪象元，将数值比阈值小的象元赋为非积雪象元，以获取目标区域的积雪空间分布图。[0111]在本实施例中，通过将比阈值大的像元赋为积雪像元，将比阈值小的像元赋为非积雪像元，获取目标区域的积雪空间分布图。[0112]具体的，本发明实施例合理有效的把freeman全极化分解后的特征进行利用，并选择更能突出积雪差异极化特征构建指数，通过阈值快速对积雪识别。根据本发明实施例的积雪识别方法能够快速且准确的根据全极化合成孔径雷达图像识别处积雪区域。[0113]本发明实施例在无需大量训练样本的前提下，利用少量的积雪区域即可快速划分积雪/非积雪范围，且精度与监督分类结果相当，大大提高了山地积雪识别的效率，在进行大范围山地快速积雪识别时具有一定的参考意义。[0114]实施例二、[0115]如图9所示，本发明实施例提供了一种基于freeman分解的积雪识别装置，其包含：[0116]初始数据获取模块1，用于获取目标区域的radarsat-2全极化影像数据。[0117]分解模块2，用于根据进行radarsat-2全极化影像数据，进行freeman极化分解，获取radarsat-2全极化影像数据中各个像元的极化特征。其中，极化特征包括二面角散射特征freeman_dbl和体散射特征freeman_vol。[0118]指数构件模块3，用于根据二面角散射特征和体散射特征，构建radarsat-2全极化影像数据的积雪指数fsci_vol_dbl。其中，其中，[0119]阈值获取模块4，用于根据积雪指数统计积雪样本直方图，并根据积雪样本直方图获取识别阈值。[0120]积雪识别模块5，用于根据识别阈值，判断积雪指数中各个象元的类型，以获取目标区域的积雪空间分布图。其中，类型包括积雪和非积雪。[0121]在上述实施例的基础上，本发明的一个可选的实施例中，分解模块2模块包括：[0122]预处理单元，用于对radarsat-2全极化影像数据进行预处理。其中，预处理包括多视处理、极化滤波，以及通过dem数据进行地理编码。[0123]矩阵处理单元，用于对预处理后的radarsat-2全极化影像数据，进行极化矩阵处理，获取极化散射矩阵s，并将极化散射矩阵s转换为极化协方差矩阵c。[0124]分解单元，用于根据极化协方差矩阵c，进行freeman极化分解，以获取radarsat-2全极化影像数据中各个像元的极化特征。[0125]在上述实施例的基础上，本发明的一个可选的实施例中，阈值获取模块4包括：[0126]直方图获取单元，用于获取部分积雪区域对应的积雪指数作为样本，并根据样本统计样本的直方图。[0127]统计量计算单元，用于根据直方图，计算样本的标准差和均值。[0128]阈值获取单元，用于根据标准差和均值，获取识别阈值。[0129]在上述实施例的基础上，本发明的一个可选的实施例中，初始数据获取模块1具体用于：获取目标区域的radarsat-2全极化影像数据。其中，radarsat-2全极化影像数据包括hh、hv、vv、vh四种极化方式。[0130]在上述实施例的基础上，本发明的一个可选的实施例中，积雪识别模块5包括：[0131]判断单元，用于根据阈值，判断积雪指数中各个象元的数值是否大于阈值。[0132]识别单元，用于将数值比阈值大的象元赋为积雪象元，将数值比阈值小的象元赋为非积雪象元，以获取目标区域的积雪空间分布图。[0133]实施例三、[0134]本发明实施例提供了一种基于freeman分解的积雪识别设备，其包括处理器、存储器，以及存储在存储器内的计算机程序。计算机程序能够被处理器执行，以实现如实施例一任意一段所说的基于freeman分解的积雪识别方法。[0135]实施例四、[0136]本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行如实施例一任意一段所说的基于freeman分解的积雪识别方法。[0137]在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。[0138]另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。[0139]所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。[0140]以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!