视频压缩方法、装置、电子设备和存储介质与流程

电子通信装置的制造及其应用技术1.本发明涉及视频压缩技术领域，尤其涉及一种视频压缩方法、装置、电子设备和存储介质。背景技术：2.现有的基于深度学习的视频压缩方法是对标准动态范围(standard dynamic range,sdr)视频进行压缩的，而高动态范围(high dynamic range,hdr)视频包含较多的光亮信息，而这部分信息是无法被现有的基于深度学习的视频压缩方法有效处理的。在使用现有的基于深度学习的视频压缩方法来压缩hdr视频时，其压缩效果远不如它在sdr视频压缩任务中的表现，也不如传统压缩算法对于hdr视频的压缩表现。所以，现有的基于深度学习的视频压缩方法是不能够有效压缩hdr视频的。技术实现要素：3.本发明提供一种视频压缩方法、装置、电子设备和存储介质，用以解决现有技术中无法有效压缩hdr视频的缺陷。4.本发明提供一种视频压缩方法，包括：5.获取待压缩视频，并在所述待压缩视频为hdr格式的情况下，将所述待压缩视频的各视频帧图像转换为sdr格式；6.对各sdr格式的视频帧图像进行压缩，并将压缩后各视频帧图像转换为hdr格式；7.基于各hdr格式的视频帧图像，得到hdr压缩视频。8.根据本发明提供的一种视频压缩方法，所述对各sdr格式的视频帧图像进行压缩，包括：9.基于压缩模型，对各sdr格式的视频帧图像进行压缩；10.其中，所述压缩模型基于样本hdr视频帧图像和样本sdr视频帧图像训练得到。11.根据本发明提供的一种视频压缩方法，所述压缩模型基于如下步骤训练得到：12.将所述样本hdr视频帧图像和所述样本sdr视频帧图像分别输入至所述压缩模型的编码层，得到所述编码层输出的样本hdr编码数据和样本sdr编码数据；13.将所述样本hdr编码数据和所述样本sdr编码数据分别输入至所述压缩模型的解码层，得到所述解码层输出的样本hdr解码数据和样本sdr解码数据；14.基于所述样本hdr视频帧图像和所述样本hdr解码数据之间的差异，以及所述样本sdr视频帧图像和所述样本sdr解码数据之间的差异，对所述压缩模型的初始模型进行参数迭代，得到所述压缩模型。15.根据本发明提供的一种视频压缩方法，所述基于所述样本hdr视频帧图像和所述样本hdr解码数据之间的差异，以及所述样本sdr视频帧图像和所述样本sdr解码数据之间的差异，对所述压缩模型的初始模型进行参数迭代，得到所述压缩模型，包括：16.基于所述样本hdr视频帧图像和所述样本hdr解码数据之间的差异，确定hdr损失值；17.基于所述样本sdr视频帧图像和所述样本sdr解码数据之间的差异，确定sdr损失值；18.基于所述hdr损失值，以及所述sdr损失值，对所述初始模型进行参数迭代，得到所述压缩模型。19.根据本发明提供的一种视频压缩方法，所述将所述待压缩视频的各视频帧图像转换为sdr格式，包括：20.对各视频帧图像进行感知统一编码，得到各视频帧图像的感知值；21.对各视频帧图像的感知值进行正向映射，得到各视频帧图像的正向映射值，并基于各视频帧图像的正向映射值确定对应sdr格式的视频帧图像。22.根据本发明提供的一种视频压缩方法，所述将压缩后各视频帧图像转换为hdr格式，包括：23.对压缩后各视频帧图像进行逆向映射，得到各视频帧图像的逆向映射值；24.对各视频帧图像的逆向映射值进行感知统一编码，得到hdr格式的各视频帧图像。25.根据本发明提供的一种视频压缩方法，所述获取待压缩视频，之后还包括：26.在所述待压缩视频为sdr格式的情况下，对所述待压缩视频的各视频帧图像进行压缩，并基于压缩后的各视频帧图像，得到sdr压缩视频。27.本发明还提供一种视频压缩装置，包括：28.获取单元，用于获取待压缩视频，并在所述待压缩视频为hdr格式的情况下，将所述待压缩视频的各视频帧图像转换为sdr格式；29.转换单元，用于对各sdr格式的视频帧图像进行压缩，并将压缩后各视频帧图像转换为hdr格式；30.压缩单元，用于基于各hdr格式的视频帧图像，得到hdr压缩视频。31.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述视频压缩方法。32.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述视频压缩方法。33.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述视频压缩方法。34.本发明提供的视频压缩方法、装置、电子设备和存储介质，在待压缩视频为hdr格式的情况下，将待压缩视频的各视频帧图像转换为sdr格式，从而能够高质量对各sdr格式的视频帧图像进行压缩，并将压缩后各视频帧图像转换为hdr格式，基于各hdr格式的视频帧图像，得到效果较好的hdr压缩视频。附图说明35.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。36.图1是本发明提供的视频压缩方法的流程示意图之一；37.图2是本发明提供的视频压缩方法的流程示意图之二；38.图3是本发明提供的压缩模型训练方法的流程示意图；39.图4是本发明提供的视频压缩装置的结构示意图；40.图5是本发明提供的电子设备的结构示意图。具体实施方式41.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。42.现有的基于深度学习的视频压缩方法是对sdr视频进行压缩的，而hdr视频包含较多的光亮信息，而这部分信息是无法被现有的基于深度学习的视频压缩方法有效处理的。在使用现有的基于深度学习的视频压缩方法来压缩hdr视频时，其压缩效果远不如它在sdr视频压缩任务中的表现，也不如传统压缩算法对于hdr视频的压缩表现。所以，现有的基于深度学习的视频压缩方法是不能够有效压缩hdr视频的。43.此外，也有采用传统压缩算法(high efficiency video coding,hevc)对hdr视频进行视频压缩，但其压缩效果不如采用深度学习对sdr视频进行视频压缩的效果。44.对此，本发明提供一种视频压缩方法。图1是本发明提供的视频压缩方法的流程示意图之一，如图1所示，该方法包括如下步骤：45.步骤110、获取待压缩视频，并在待压缩视频为hdr格式的情况下，将待压缩视频的各视频帧图像转换为sdr格式。46.此处，待压缩视频即需要进行视频压缩的视频，待压缩视频可以是预先拍摄并存储的视频，也可以是实时采集的视频流，本发明实施例对此不作具体限定。47.待压缩视频可以为hdr格式的视频，即hdr视频，也可以为sdr格式的视频，即sdr视频。在待压缩视频为hdr格式时，由于hdr视频中包含较多的光亮信息，从而现有的深度学习的视频压缩方法无法有效对hdr视频进行压缩，也即现有的视频压缩方法对hdr视频压缩后得到的压缩视频质量较差。48.对此，本发明实施例将待压缩视频中具有较多光亮信息的各视频帧图像由hdr格式转换为sdr格式，从而使得得到的各sdr格式的视频帧图像滤除光亮信息，以便后续高质量对各sdr格式的视频帧图像进行压缩。可选地，待压缩视频中的各视频帧图像可以对待压缩视频进行视频抽帧获取，并对各视频帧图像进行色调映射，以将各视频帧图像转换为sdr格式。49.步骤120、对各sdr格式的视频帧图像进行压缩，并将压缩后各视频帧图像转换为hdr格式。50.具体地，在将各视频帧图像转换为sdr格式后，各sdr格式的视频帧图像相较于hdr格式的视频帧图像，滤除了光亮信息，从而可以避免hdr格式的视频帧图像中光亮信息对视频压缩的影响，进而能够高质量对各sdr格式的视频帧图像进行压缩。51.在对各sdr格式的视频帧图像进行压缩后，此时得到的压缩视频帧帧图像的格式为sdr格式。由于最终需要获得hdr视频对应的压缩视频，因此本发明实施例将压缩后的各视频帧图像转换为hdr格式，得到hdr格式的压缩后的各视频帧图像。可选地，可以对压缩后各视频帧图像进行逆色调映射，以将压缩后各视频帧图像转换为sdr格式。52.步骤130、基于各hdr格式的视频帧图像，得到hdr压缩视频。53.具体地，在得到各hdr格式的视频帧图像后，由于各hdr格式的视频帧图像是压缩后的图像，从而可以按照各hdr格式的视频帧图像的顺序进行合并，得到hdr压缩视频。54.如图2所示，对于hdr视频，对其进行视频抽帧，得到多个视频帧图像(如第i-1帧，第i帧，第i+1帧)，并对各视频帧图像进行色调映射处理，将各视频帧图像转换为sdr格式。接着，将sdr格式的各视频帧图像输入至神经网络，由神经网络对sdr格式的各视频帧图像进行编码和解码，得到压缩后的各视频帧图像。然后，对压缩后的各视频帧图像进行逆色调映射，得到hdr压缩视频。55.本发明实施例提供的视频压缩方法，在待压缩视频为hdr格式的情况下，将待压缩视频的各视频帧图像转换为sdr格式，从而能够高质量对各sdr格式的视频帧图像进行压缩，并将压缩后各视频帧图像转换为hdr格式，基于各hdr格式的视频帧图像，得到效果较好的hdr压缩视频。56.基于上述实施例，对各sdr格式的视频帧图像进行压缩，包括：57.基于压缩模型，对各sdr格式的视频帧图像进行压缩；58.其中，压缩模型基于样本hdr视频帧图像和样本sdr视频帧图像训练得到。59.具体地，样本hdr视频帧图像是将样本hdr视频中的各视频帧图像转换为sdr格式后得到的图像；样本sdr视频帧图像是对样本sdr视频进行视频抽帧后得到的图像。60.本发明实施例基于样本hdr视频帧图像和样本sdr是偏振图像训练压缩模型，从而可以使得得到的压缩模型能够同时学习到hdr数据信息和sdr数据信息，进而使得压缩模型具有较好的泛化性能，得到高质量的hdr压缩视频和sdr压缩视频。61.基于上述任一实施例，压缩模型基于如下步骤训练得到：62.将样本hdr视频帧图像和样本sdr视频帧图像分别输入至压缩模型的编码层，得到编码层输出的样本hdr编码数据和样本sdr编码数据；63.将样本hdr编码数据和样本sdr编码数据分别输入至压缩模型的解码层，得到解码层输出的样本hdr解码数据和样本sdr解码数据；64.基于样本hdr视频帧图像和样本hdr解码数据之间的差异，以及样本sdr视频帧图像和样本sdr解码数据之间的差异，对压缩模型的初始模型进行参数迭代，得到压缩模型。65.具体地，压缩模型包括编码层和解码层，编码层用于对输入的视频帧图像进行编码，得到对应的编码数据，解码层用于对编码数据进行解码，得到解码数据，也即压缩后的视频帧图像。66.其中，样本hdr视频帧图像和样本hdr解码数据之间的差异用于表征压缩模型对hdr视频进行压缩时的失真程度，差异越大，表明失真程度越大，得到压缩后的视频帧图像效果越差；差异越小，表明失真程度越小，得到压缩后的视频帧图像效果越好。67.同理，样本sdr视频帧图像和样本sdr解码数据之间的差异用于表征压缩模型对sdr视频进行压缩时的失真程度，差异越大，表明失真程度越大，得到压缩后的视频帧图像效果越差；差异越小，表明失真程度越小，得到压缩后的视频帧图像效果越好。68.对此，本发明实施例基于样本hdr视频帧图像和样本hdr解码数据之间的差异，以及样本sdr视频帧图像和样本sdr解码数据之间的差异，对压缩模型的初始模型进行参数迭代，使得压缩模型不仅能够基于样本hdr视频帧图像和样本hdr解码数据之间的差异学习hdr数据信息，也能够基于样本sdr视频帧图像和样本sdr解码数据之间的差异学习sdr数据信息，从而使得训练完成的压缩模型能够高质量进行视频压缩。69.基于上述任一实施例，基于样本hdr视频帧图像和样本hdr解码数据之间的差异，以及样本sdr视频帧图像和样本sdr解码数据之间的差异，对压缩模型的初始模型进行参数迭代，得到压缩模型，包括：70.基于样本hdr视频帧图像和样本hdr解码数据之间的差异，确定hdr损失值；71.基于样本sdr视频帧图像和样本sdr解码数据之间的差异，确定sdr损失值；72.基于hdr损失值，以及sdr损失值，对初始模型进行参数迭代，得到压缩模型。73.具体地，hdr损失值用于表征压缩模型对hdr视频进行压缩时的失真程度，hdr损失值越大，表明失真程度越大，得到压缩后的视频帧图像效果越差；hdr损失值越小，表明失真程度越小，得到压缩后的视频帧图像效果越好。sdr损失值用于表征压缩模型对sdr视频进行压缩时的失真程度，sdr损失值越大，表明失真程度越大，得到压缩后的视频帧图像效果越差；sdr损失值越小，表明失真程度越小，得到压缩后的视频帧图像效果越好。74.在确定hdr损失值和sdr损失值后，为了避免过拟合，可以对两者进行加权求和，得到模型的损失值，并基于该损失值对初始模型进行参数迭代，得到压缩模型。然而，在对两者损失值进行加权求和时，若hdr损失值所占权重过大，则可能会损害压缩模型对sdr视频的压缩性能。因此，为了进一步提高压缩模型的泛化性能，本发明实施例可以添加不变性正则项，使得压缩模型能够同时对hdr视频和sdr视频均达到较好的压缩性能。因此，压缩模型的损失值可以基于如下公式确定：[0075][0076][0077][0078]其中，lfinal表示压缩模型的损失值，lsd表示sdr损失值，lhdr表示hdr损失值，wdnn表示压缩模型的权重，λ1、λ2和λ3为超参数，表示压缩后的视频帧图像码率，xsdr表示压缩前的sdr视频帧图像，表示压缩后的sdr视频帧图像，w表示泛化算法变量，λ4表示超参数，xhdr表示压缩前的hdr视频帧图像，表示压缩后的hdr视频帧图像，l1表示l1范数。[0079]如图3所示，hdr样本指hdr视频，sdr样本指sdr视频。对于hdr样本，首先进行色调映射后，再将色调映射后得到的图像输入至压缩模型，由压缩模型进行压缩，得到压缩图像，并对压缩后的图像进行逆色调映射，并确定hdr损失值；对于sdr样本，直接由压缩模型进行压缩，得到压缩图像，并确定sdr损失值。对hdr损失值和sdr损失值进行正则化融合，得到压缩模型的损失值，并基于压缩模型的损失值进行参数迭代，得到压缩模型。[0080]基于上述任一实施例，将待压缩视频的各视频帧图像转换为sdr格式，包括：[0081]对各视频帧图像进行感知统一编码，得到各视频帧图像的感知值；[0082]对各视频帧图像的感知值进行正向映射，得到各视频帧图像的正向映射值，并基于各视频帧图像的正向映射值确定对应sdr格式的视频帧图像。[0083]具体地，在确定待压缩视频的各视频帧图像后，对各视频帧图像进行感知统一(perceptually uniform,pu)编码，得到各视频帧图像的感知值。接着，对各视频帧图像的感知值进行正向映射得到各视频帧图像的正向映射值，并基于各视频帧图像的正向映射值确定对应sdr格式的视频帧图像。[0084]其中，各视频帧图像的感知值基于如下公式确定：[0085][0086][0087]其中，p(l)表示各视频帧图像的感知值，s表示绝对灵敏度常数，c1、c2和c3是通过对比敏感度确定的参数，lmin表示最小编码亮度，l表示绝对亮度，t(l)表示检测阈值。[0088]各视频帧图像的正向映射值基于如下公式确定：[0089]v(u)＝(u-ui)si+vi,if ui《u《ui+1[0090]其中，在进行正向映射时，采用一系列节点(ui,vi)和线性函数对映射曲线进行建模，v(u)表示各视频帧图像的正向映射值，u表示各视频帧图像，ui表示第i个节点中对视频帧图像的预测值，si表示第i个线性函数的斜率，vi表示第i个节点中对视频帧图像的正向映射值的预测值。[0091]基于上述任一实施例，将压缩后各视频帧图像转换为hdr格式，包括：[0092]对压缩后各视频帧图像进行逆向映射，得到各视频帧图像的逆向映射值；[0093]对各视频帧图像的逆向映射值进行感知统一编码，得到hdr格式的各视频帧图像。[0094]具体地，各视频帧图像的逆向映射值可以基于如下公式确定：[0095][0096]其中，表示各视频帧图像的逆向映射值，v表示各视频帧图像的正向预测值，vi表示第i个节点中对视频帧图像的正向映射值的预测值。[0097]在得到各视频帧图像的逆向映射值后，可以采用上述确定各视频帧图像的感知值的公式对各视频帧图像的逆向映射值进行感知统一编码，得到hdr格式的各视频帧图像。[0098]基于上述任一实施例，获取待压缩视频，之后还包括：[0099]在待压缩视频为sdr格式的情况下，对待压缩视频的各视频帧图像进行压缩，并基于压缩后的各视频帧图像，得到sdr压缩视频。[0100]具体地，在待压缩视频为sdr格式的情况下，由于sdr视频没有过多的亮度信息，从而可以直接对待压缩视频进行视频抽帧后，对得到的各视频帧图像进行压缩，并基于压缩后的各视频帧图像，得到sdr压缩视频。[0101]可以理解的是，在待压缩视频为sdr格式的情况下，可以采用上述实施例中的压缩模型对各视频帧图像进行压缩，也可以采用现有的基于深度学习的压缩方法对待压缩视频进行压缩，本发明实施例对此不作具体限定。[0102]下面对本发明提供的视频压缩装置进行描述，下文描述的视频压缩装置与上文描述的视频压缩方法可相互对应参照。[0103]基于上述任一实施例，本发明还提供一种视频压缩装置，如图4所示，该装置包括：[0104]获取单元410，用于获取待压缩视频，并在所述待压缩视频为hdr格式的情况下，将所述待压缩视频的各视频帧图像转换为sdr格式；[0105]转换单元420，用于对各sdr格式的视频帧图像进行压缩，并将压缩后各视频帧图像转换为hdr格式；[0106]压缩单元430，用于基于各hdr格式的视频帧图像，得到hdr压缩视频。[0107]基于上述任一实施例，所述转换单元420，用于：[0108]基于压缩模型，对各sdr格式的视频帧图像进行压缩；[0109]其中，所述压缩模型基于样本hdr视频帧图像和样本sdr视频帧图像训练得到。[0110]基于上述任一实施例，所述装置还包括：[0111]编码单元，用于将所述样本hdr视频帧图像和所述样本sdr视频帧图像分别输入至所述压缩模型的编码层，得到所述编码层输出的样本hdr编码数据和样本sdr编码数据；[0112]解码单元，用于将所述样本hdr编码数据和所述样本sdr编码数据分别输入至所述压缩模型的解码层，得到所述解码层输出的样本hdr解码数据和样本sdr解码数据；[0113]训练单元，用于基于所述样本hdr视频帧图像和所述样本hdr解码数据之间的差异，以及所述样本sdr视频帧图像和所述样本sdr解码数据之间的差异，对所述压缩模型的初始模型进行参数迭代，得到所述压缩模型。[0114]基于上述任一实施例，所述训练单元，包括：[0115]第一损失确定单元，用于基于所述样本hdr视频帧图像和所述样本hdr解码数据之间的差异，确定hdr损失值；[0116]第二损失确定单元，用于基于所述样本sdr视频帧图像和所述样本sdr解码数据之间的差异，确定sdr损失值；[0117]迭代单元，用于基于所述hdr损失值，以及所述sdr损失值，对所述初始模型进行参数迭代，得到所述压缩模型。[0118]基于上述任一实施例，所述获取单元410，包括：[0119]第一感知单元，用于对各视频帧图像进行感知统一编码，得到各视频帧图像的感知值；[0120]正向映射单元，用于对各视频帧图像的感知值进行正向映射，得到各视频帧图像的正向映射值，并基于各视频帧图像的正向映射值确定对应sdr格式的视频帧图像。[0121]基于上述任一实施例，所述转换单元420，包括：[0122]逆向映射单元，用于对压缩后各视频帧图像进行逆向映射，得到各视频帧图像的逆向映射值；[0123]第二感知单元，用于对各视频帧图像的逆向映射值进行感知统一编码，得到hdr格式的各视频帧图像。[0124]基于上述任一实施例，所述装置还包括：[0125]sdr压缩单元，用于在获取待压缩视频之后，在所述待压缩视频为sdr格式的情况下，对所述待压缩视频的各视频帧图像进行压缩，并基于压缩后的各视频帧图像，得到sdr压缩视频。[0126]图5是本发明提供的电子设备的结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、存储器(memory)520、通信接口(communications interface)530和通信总线540，其中，处理器510，存储器520，通信接口530通过通信总线540完成相互间的通信。处理器510可以调用存储器520中的逻辑指令，以执行视频压缩方法，该方法包括：获取待压缩视频，并在所述待压缩视频为hdr格式的情况下，将所述待压缩视频的各视频帧图像转换为sdr格式；对各sdr格式的视频帧图像进行压缩，并将压缩后各视频帧图像转换为hdr格式；基于各hdr格式的视频帧图像，得到hdr压缩视频。[0127]此外，上述的存储器520中的逻辑指令可以通过软件功能单元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，服务器，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。[0128]另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的视频压缩方法，该方法包括：获取待压缩视频，并在所述待压缩视频为hdr格式的情况下，将所述待压缩视频的各视频帧图像转换为sdr格式；对各sdr格式的视频帧图像进行压缩，并将压缩后各视频帧图像转换为hdr格式；基于各hdr格式的视频帧图像，得到hdr压缩视频。[0129]又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的视频压缩方法，该方法包括：获取待压缩视频，并在所述待压缩视频为hdr格式的情况下，将所述待压缩视频的各视频帧图像转换为sdr格式；对各sdr格式的视频帧图像进行压缩，并将压缩后各视频帧图像转换为hdr格式；基于各hdr格式的视频帧图像，得到hdr压缩视频。[0130]以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。[0131]通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，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，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。[0132]最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。









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!