图像噪声降低 背景技术 [0001] 相机被用于捕获图像。通常，在有一些图像噪声存在于图像中的意义上，图像是有 噪声的。图像噪声可以是随机的（或伪随机的），使得在相同场景的两幅不同图像的图像噪 声之间几乎没有或没有关联。在本说明书的上下文中，图像噪声是存在于从图像捕获过程 得到的图像中的不想要的信号，并且可以例如由传感器和/或由捕获图像的相机的电路产 生。 [0002] 由于在相同场景的两幅不同图像的图像噪声之间通常几乎没有或没有关联，所以 图像噪声可以通过将相同场景的快速连续地捕获的两幅或更多幅图像的序列进行组合来 被降低。将图像进行组合将减少从图像捕获过程得到的每幅单独的图像中的随机波动的效 应。例如，在每个像素位置处，可以对针对不同图像的像素值求平均值以确定经组合的图像 的像素值。经组合的图像是经降低噪声的图像。 [0003] 由于被组合的图像在不同的时刻被捕获，所以可能在捕获不同图像的时间之间存 在在场景中的对象的一些运动。另外，可能在捕获不同图像的时间之间存在相机的一些移 动。具体地，如果用户在相机捕获图像的序列的同时持有该相机，则很有可能在捕获不同图 像的时间之间将存在一些相机移动。被组合以形成经降低噪声的图像的图像之间的运动可 以导致图像之间的一些几何不对齐(11^8&118111]16111：)，其转而可能将一些模糊引入到经降低 噪声的图像中。存在图像之间的各种类型的"对齐(al ignment)"，例如几何对齐、辐射对齐 和时间对齐。本文中的描述考虑图像的几何对齐，其与处理图像之间的运动是相关的，并且 如本文中使用的术语"对齐"应当被理解为指代"几何对齐"。图像之间的不对齐导致在将图 像进行组合以便降低噪声时出现问题。另外，在图像被捕获的同时相机的移动可能将运动 模糊引入到图像中，其能够降低图像的清晰度。 发明内容 [0004] 提供本发明内容从而以简化的形式介绍下面在具体实施方式中进一步描述的一 系列概念。本发明内容不旨在标识要求保护的主题的关键特征或必要特征，也不旨在用于 限制要求保护的主题的范围。 [0005] 提供了一种使用图像的集合来形成经降低噪声的图像的方法，所述方法包括:对 所述集合的所述图像中的至少一些图像应用相应变换以使所述至少一些图像更接近与来 自所述图像的集合的参考图像的对齐;针对经变换的图像中的每幅经变换的图像，确定所 述经变换的图像与所述参考图像的对齐的相应测量;使用所确定的对齐的测量来确定针对 经变换的图像中的一幅或多幅经变换的图像的权重；以及使用所确定的权重来组合包括经 变换的图像中的所述一幅或多幅经变换的图像的多幅图像，以形成经降低噪声的图像。 [0006] 提供了一种用于使用图像的集合来形成经降低噪声的图像的处理模块，所述处理 模块包括:对齐逻辑，所述对齐逻辑被配置为:对所述集合的所述图像中的至少一些图像应 用相应变换以使所述至少一些图像更接近与来自所述图像的集合的参考图像的对齐;针对 经变换的图像中的每幅经变换的图像，确定所述经变换的图像与所述参考图像的对齐的相 应测量；以及组合逻辑，所述组合逻辑被配置为:使用所确定的对齐的测量来确定针对经变 换的图像中的一幅或多幅经变换的图像的权重；以及使用所确定的权重来组合包括经变换 的图像中的一幅或多幅经变换的图像的多幅图像，以形成经降低噪声的图像。 [0007] 提供了一种用于对第一图像进行变换以使所述第一图像更接近与第二图像的对 齐的方法，所述方法包括:实施多核跟踪技术，以基于所述第二图像的目标区域的集合与所 述第一图像的候选区域的集合之间的相似度来确定所述第一图像的所述候选区域的集合 的位置，其中所述第二图像的所述目标区域分别被定位在所述第二图像的预定点集的位置 上;使用所述候选区域的集合的所确定的位置中的至少一些位置来初始化Lucas Kanade逆 算法;使用所述Lucas Kanade逆算法来确定所述第一图像的、与所述第二图像的所述预定 点集中的至少一些点相对应的点集;基于误差度量来确定要被应用到所述第一图像的变换 的参数，所述误差度量指示所述第一图像的所确定的点集中的至少一些点的变换与所述第 二图像的所述预定点集的对应点之间的误差；以及对所述第一图像应用所述变换以使所述 第一图像更接近与所述第二图像的对齐。 [0008] 提供了一种用于对第一图像进行变换以使所述第一图像更接近与第二图像的对 齐的处理模块，所述处理模块包括对齐逻辑，所述对齐逻辑包括:多核跟踪逻辑，所述多核 跟踪逻辑被配置为实施多核跟踪技术以基于所述第二图像的目标区域的集合与所述第一 图像的候选区域的集合之间的相似度来确定所述第一图像的所述候选区域的集合的位置， 其中所述第二图像的所述目标区域分别被定位在所述第二图像的预定点集的位置上； Lucas Kanade逆逻辑，所述Lucas Kanade逆逻辑被配置为使用Lucas Kanade逆算法来确定 所述第一图像的、与所述第二图像的所述预定点集中的至少一些点相对应的点集，其中由 所述多核跟踪逻辑确定的所述候选区域的集合中的至少一些候选区域的位置被用于初始 化所述Lucas Kanade逆算法；以及变换逻辑，所述变换逻辑被配置为：（i)基于误差度量来 确定要被应用到所述第一图像的变换的参数，所述误差度量指示所述第一图像的所确定的 点集中的至少一些点的变换与所述第二图像的所述预定点集的对应点之间的误差；以及 [11] 对所述第一图像应用所述变换以使所述第一图像更接近与所述第二图像的对齐。 [0009] 还可以提供计算机可读代码，当所述代码运行在计算机上时所述计算机可读代码 适于执行本文中描述的方法中的任何方法的步骤。另外，计算机可读代码可以被提供用于 生成根据本文中描述的示例中的任何示例的处理模块。计算机代码可以被编码在计算机可 读存储介质上。 [0010]如对于技术人员而言将是显而易见的，以上特征可以在适当情况下被组合，并且 可以与本文中描述的示例的方面中的任何方面进行组合。 附图说明 [0011]现在将参考附图来详细描述示例，在附图中： [0012] 图1是用于形成经降低噪声的图像的处理模块的示意图； [0013] 图2是用于形成经降低噪声的图像的方法的流程图； [0014]图3是示出了针对图像的集合的清晰度指示的值的图形； [0015] 图4是用于确定两幅图像之间的点对应关系的方法的流程图； [0016] 图5表示图像内的用于多核跟踪技术的区域集合和该图像内的用于Lucas Kanade 逆算法的对应的区域集合； [0017] 图6是示出了针对图像的集合的不对齐参数的值的图形； [0018] 图7a示出了当在场景中存在运动时图像的集合的平均的示例； [0019] 图7b示出了指示图像的集合中的运动区域的二进制运动掩码； [0020] 图7 c示出了经修改的运动掩码； [0021] 图7d示出了经平滑的运动掩码； [0022]图8示出了参考图像、经降低噪声的图像和经运动校正的降低噪声图像的示例； [0023] 图9是用于形成经降低噪声的图像的处理模块被实施在其中的计算机系统的示意 图；以及 [0024] 图10示出了用于生成体现图形处理系统的集成电路的集成电路制造系统。 [0025] 附图图示了各种示例。技术人员将认识到附图中的图示的元件边界(例如，框、框 的组或者其他形状)表示边界的一个示例。可能的是，在一些示例中，一个元件可以被设计 为多个元件或者多个元件可以被设计为一个元件。在适当情况下，在整个附图中使用共同 的附图标记来指示相似的特征。 具体实施方式 [0026] 在本文中描述的示例中，经降低噪声的图像是使用图像的集合来形成的。该集合 中的图像中的一幅图像可以被选择为参考图像，并且该集合中的其他图像被变换使得它们 更好地与参考图像对齐。之后使用根据图像与参考图像的对齐的权重来将图像中的至少一 些图像进行组合以形成经降低噪声的图像。通过根据图像与参考图像的对齐来对图像进行 加权，减少经组合的图像中的图像之间的不对齐的效应。 [0027] 另外，在本文中描述的示例中，图像的集合中的第一图像与图像的集合中的第二 图像(例如，参考图像)之间的点对应关系可以通过实施多核跟踪(KMT)技术以确定第一图 像的候选区域的集合的位置并且使用所确定的位置来初始化Lucas Kanade逆(LKI)算法来 被确定。LKI算法可以之后被用于确定第一图像的、与第二图像的预定点集中的至少一些点 相对应的点集。这些点对应关系可以之后被用于确定要被应用到第一图像以使第一图像更 接近与第二图像的对齐的变换的参数。注意，MKT技术给出包括描述针对完整图像的对齐的 对齐参数的全局对齐，并且之后该全局对齐被用于确定用于在LKI算法中使用的初始位置， LKI算法之后获得本地对齐以确定点对应关系。如下面更详细地描述的，使用多核跟踪技术 来初始化Lucas Kanade逆算法解决了Lucas Kanade逆算法有时可能遇到的一些问题。例 如，在没有充分准确的初始化的情况下，Lucas Kanade逆算法可能不能收敛于准确的解。对 多核跟踪技术的使用可以提供针对Lucas Kanade逆算法的充分准确的初始化，即使点对应 关系包含位置上的大的移位并且即使存在图像之间的诸如旋转的仿射变换。另外，Lucas Kanade逆算法在图像的平坦区域不能良好地执行，因为该算法使用梯度来收敛于解。多核 跟踪技术包括特征直方图的计算，该特征直方图可以被用于指示区域是否平坦并且因此是 否应当被丢弃使得在实施Lucas Kanade逆算法时不使用该区域。 [0028] 更详细地，在本文中描述的示例中，候选图像(即，除了参考图像以外的图像)使用 MKT参数而被扭曲回参考图像，使得来自候选图像的任何区域应当接近于参考图像的对应 区域。之后LKI算法可以使用在执行MKT时使用的相同区域，因为已经针对它们计算了一些 信息（例如，如下面所描述的，可以针对区域计算强度直方图，其可以被用于确定该区域是 否平坦hMKT技术可以包括缩放功能和旋转功能，所以将完整候选图像扭曲回参考图像可 以具有一些准确性优点，因为本文中描述的LKI算法不包括缩放功能或旋转功能。本文中描 述的LKI算法不包括缩放功能或旋转功能，因为其操作在小区域上，所以允许缩放和旋转将 对小区域引入太多自由度由此导致错误。所以，对MKT技术的使用将缩放和旋转考虑在内， 使得LKI算法不需要考虑旋转和缩放并且方法仍然具有对旋转和缩放的容忍度。注意，由 LKI算法获得的点对应关系提供投影变换，其可以包括缩放和旋转。在本文中描述的示例 中，在MKT步骤上不估计投影变换，因为MKT技术将由于太多自由度而变得不稳定。本文中描 述的MKT技术具有四个自由度(x、y、缩放、角度)并且投影变换具有八个自由度。 [0029] 现在将仅通过示例的方式来描述实施例。 [0030] 图1示出了处理模块100,其被配置为接收图像的集合并且使用图像的集合来形成 经降低噪声的图像。另外，在图1所示的示例中，处理模块100被配置为应用运动校正使得从 处理模块100输出的图像是经运动校正的、经降低噪声的图像。处理模块100包括选择逻辑 102、对齐逻辑104、组合逻辑106和运动校正逻辑108。对齐逻辑104包括点对应关系逻辑 110、变换逻辑112和对齐测量逻辑114。对应关系逻辑110包括多核跟踪逻辑116和Lucas Kanade逆逻辑118。处理模块100和其逻辑块可以以硬件、软件或它们的组合来实施。 [0031]参考图2中示出的流程图来描述处理模块100的操作。在步骤S202中，处理模块100 接收图像的集合。为了给出一些示例，可以从图像传感器、从其他处理模块或从存储器接收 图像，图像传感器、其他处理模块和存储器可以被实施在相同设备（例如，相机、智能电话、 平板等)上作为处理模块100。图像的集合中的图像在它们基本上具有相同场景的意义上是 相似的。例如，图像的集合可以例如利用在突发模式中操作的相机来被快速连续地捕获，使 得在短时间段(例如，3秒）内捕获多幅图像(例如，24幅图像）。本文中给出的数目仅仅通过 示例的方式来给出并且在不同实施方式中可以是不同的。图像的集合可以包括视频序列的 帧。在选择逻辑102处接收图像的集合。 [0032]作为由处理模块100实施的噪声降低方法的非常简要的概述： [0033] -选择逻辑102基于图像的清晰度从图像的集合选择参考图像，并且丢弃模糊图像 (步骤 S2〇4 到 S2〇8); [0034] -对齐逻辑104对图像进行变换使得它们与参考图像更紧密地对齐，并且丢弃高度 不对齐的那些图像(步骤S210到S218); [0035]-组合逻辑106对图像进行组合以形成经降低噪声的图像(步骤S220到S222);以及 [0036]-运动校正逻辑108校正经降低噪声的图像中的、由图像之间的运动产生的伪影 (步骤 S224到 S226)。 [0037]下面更详细地描述这些过程。 [0038]在步骤S204中，选择逻辑102确定针对图像的清晰度指示。注意，捕获图像的相机 可以被实施在手持设备中，并且因此图像中的一些图像可能由于相机的运动而是模糊的。 由相机的运动导致的模糊通常不是期望效应。因此，在步骤S206中，如果针对图像的所确定 的清晰度指示低于清晰度阈值，则丢弃该图像。 [0039]作为示例，清晰度指示可以是针对相应图像的图像拉普拉斯(Laplacian)估计的 绝对值的和。图像拉普拉斯是图像中的高频率的存在的良好指示符，并且模糊图像通常具 有不太高的频率能量。在图像的像素位置(x，y)处的拉普拉斯ΙΧΙΚχ^))是在该像素位置 处的图像的2阶导数并且由以下等式给出： [0041]其中，是在位置(x，y)处的图像像素值，并且L是拉普拉斯算子。 [0042]计算拉普拉斯是计算梯度的幅值的较简单运算。（针对拉普拉斯计算的）二阶导数 对噪声比梯度的幅值更敏感，因此在一些示例中，梯度的幅值可以被用于确定清晰度指示， 但是在本文中详细描述的示例中，由于拉普拉斯的简单性而使用拉普拉斯并且可以做出噪 声对于每幅图像将大致相同的假设。例如，拉普拉斯可以通过利用合适的滤波器对图像进 行滤波来被估计。 [0043]针对图像i的清晰度指示被表示为鹗，并且为在该图像的全部像素位置上的图像 拉普拉斯的绝对值的和，使得： [0045] 图像的清晰度指示是该图像的清晰度(或相反地模糊度)的测量。清晰度阈值可以 使用针对图像的集合的清晰度指示-的集合的均值和标准差<變)来被确定，其中，针 对Ν幅图像的集合，赞。例如，阈值可以被设定在!<臀| -%〇)(其中，作为 示例，^可以处在1.1 <1.4的范围中），其中如果图像的清晰度指示低于该阈值则丢弃 该图像。也就是说，如果下式成立，则在步骤S206中丢弃图像i: [0046] %< Ρ(Ψ) …％辦»。 [0047]作为示例，图3示出了针对十幅图像的集合的清晰度指示的图形（i = 0.. 9)。 在该示例中，清晰度阈值由虚线304示出。图像6和7具有低于清晰度阈值304的清晰度指示 3026和3027。因此，在步骤S206中图像6和7被丢弃，因为它们被确定为太模糊。其他图像的清 晰度指示302高于清晰度阈值304并且因此在步骤S206中不丢弃那些其他图像。注意，在一 些其他示例中，可能不执行步骤S206。也就是说，在一些示例中，图像不会基于它们的清晰 度而被丢弃。这可以帮助简化过程，但是可能导致出现在最终图像中的更多模糊度。 [0048] 在步骤S208中，基于清晰度指示302,选择逻辑102将来自图像的集合的最清晰的 图像选择为参考图像。因此，在图3所示的示例中，图像5被选择为参考图像，因为它的清晰 度指示302 5高于十幅图像的集合中的其他图像的清晰度指示302。将最清晰的图像选择作 为参考图像对下面描述的方法的剩余部分是有益的。例如，与确定向模糊图像对齐相比，确 定向清晰图像对齐是更容易的。在其他示例中，参考图像能够使用不同的准则(例如，不同 准则的组合)来被选择。例如，参考图像能够基于图像的内容来被选择，即来自图像的集合 的、其中最多数目的人正在微笑或者其中最多数目的人使其眼睛睁开和/或正在注视着相 机的图像可以被选择作为参考图像。总体上，"最好的"图像可以被选择作为参考图像，但是 确定哪个图像被认为是最好的准则可以在不同示例中是不同的。 [0049] 尚未被丢弃的图像(例如，在图3所示的示例中的图像0到图像5以及图像8和图像 9)从选择逻辑102被传递到对齐逻辑104。在步骤S210到S214中，对齐逻辑104对图像中的每 幅图像(除了参考图像和被选择逻辑102丢弃的图像以外)确定并应用相应变换以使它们更 接近与参考图像的对齐。在下面描述的示例中，针对图像的变换被表示为单应性矩阵出。 单应性矩阵Hi是以满足以下等式为目的而确定的矩阵： [0050] xi = HiXr， [0051] 其中，Xl是图像的点集并且xr是参考图像Ir的对应点集。所以为了确定变换的参 数（即，单应性矩阵出的分量），首先确定点对应关系，即确定图像的哪些点与参考图像Ir 的点集Xr中的至少一些点相对应。参考图像Ir的点集Xr是预定点集，并且可以例如包括均匀 晶格(uniform lattice)的点。 [0052] 因此，在步骤S210中，点对应关系逻辑110针对要对其应用变换的图像中的每幅图 像确定与参考图像Ir的预定点集相对应的点集 Xl。在本文中描述的示例中，点集Xl是使用 Lucas Kanade逆(LKI)算法来被确定的。另外，LKI算法使用多核跟踪(MKT)技术的结果来被 初始化。 [0053] 在图4的流程图中示出了步骤S210的细节。具体地，步骤S210包括步骤S402、S404 和S406。在步骤S402中，MKT逻辑116实施MKT技术，以基于参考图像Ir的目标区域的集合与 图像^的候选区域的集合之间的相似度来确定图像的候选区域的集合的位置。 [0054]图5表示图像，其被表示为502。参考图像的预定点集的位置在图像502的至少部 分上创建均匀晶格，并且图5示出了这些点（其中的每个点利用附图标记504来表示）。在该 示例中，晶格是点504的5x7晶格但是在其他示例中可以使用预定点的不同布置，例如1 Ox 10 晶格。图5中示出的圆506表示在步骤S402中由MKT逻辑116确定位置所针对的候选区域。图5 中示出的方块508表示由如下面所描述的LKI算法使用的候选区域。 [0055]在MKT技术中，将候选区域506与参考图像Ir的目标区域进行比较。图5中的圆506 仅仅是说明性的，并且区域能够具有任何合适的形状，例如目标区域可以为参考图像的 31 x31像素的块，被定位在来自参考图像Ir的预定点集的点504的位置(例如，以其为中心） 上。 [0056]多核跟踪技术是本领域中已知的，例如如Hager、Dewan和Stewart所著的 "Multiple kernel tracking with SSD''（IEEE Conference on Computer Vision and Pattern Recognition，2004,第790至679页）中所描述的。因此，为简洁起见，本文中不提供 对多核跟踪技术的深度解释。然而，作为更高层次的解释，MKT技术利用例如包含在目标区 域中的像素强度值的核加权直方图q来表示参考图像I r的目标区域中的每个目标区域。直 方图q包括多个直方图组(bin)，即(1=((11，(1 2，一，(^)\其中111是直方图中的组的数目。直方 图的组利用以参考图像Ir中的、与预定点集504中的一个点的位置相对应的位置c为中心的 核函数进行加权。对于图像的候选区域506以相同的方式，核加权直方图p(c'）利用以图 像^中的位置c'为中心的核函数来确定。假设位置c'接近位置c，则c与c'之间的差能够被 表示为 Ac = c'-c。两个直方图q(c)与p(c'）之间的相似度函数可以被用于找到针对"的 值，其提供参考图像I r的目标区域与图像的候选区域506之间的改进的对应关系。该方法 可以被迭代直到Ac的值下降到阈值以下或者直到已经执行了最大数目的迭代。该构思可 以被扩展到多核，使得可以找到变换A C，其提供良好对应关系以用于将参考图像Ir的多个 目标区域跟踪到图像的候选区域506。利用单核跟踪，Ac可以被发现为平移，即A C = (A cx，A Cy);但是利用多核跟踪，AC可以被发现为更复杂的变换，例如仿射变换，其包括旋转 (Θ)功能和/或缩放(λ)功能，即AC=( ACx，ACy，0，A)。因此，总之，MKT逻辑116通过迭代地 改变候选区域的位置来迭代地优化参考图像的目标区域的集合的特征直方图（例如，强度 直方图）与候选区域的集合的对应特征直方图之间的相似度，实施MKT技术。 [0057]如果图像的候选区域506中的一些候选区域对于利用其工作的LKI算法被确定 为太平坦，则它们可以被拒绝。LKI算法依赖于梯度以便收敛于解，所以如果图像区域是平 坦的，则LKI算法不会一直提供良好的结果。MKT技术可以提供用于确定区域是否平坦的简 单方式，使得平坦区域中的点能够被拒绝，使得它不被LKI逻辑118使用。例如，针对区域的 计数器(或"权重"）可以被用作关于区域是否平坦的指示。从左向右读取直方图，如果组不 为零，则它的权重被递增。另外，如果当前组左边的组为零则当前组的权重再被递增1。如果 所有权重的和大于3,则该区域被用于在LKI算法中进行跟踪。否则，该区域被丢弃，因为其 被确定为平坦的。如果权重低于4,则意味着该块具有恒定颜色，使得它具有为平坦区域的 高概率。对此的原因在于如果图像的区域具有恒定颜色（g卩，其是平坦区域），则这导致具有 单个非零组的直方图，因为所有像素具有相同值。平坦区域可以通过噪声和对其值的量化 来改变(在生成直方图时），这可以导致具有针对平坦区域的两个连续的非零组的直方图。 对于被认为不平坦的区域，其直方图应当具有至少两个非连续的非零组(所以区域中的颜 色更加不同于由噪声改变的颜色)或三个连续的非零组。该方法的算法可以被视作如下： [0059]图5示出了如方块(例如，方块508)的、没有被确定为太平坦的区域。由MKT逻辑106 确定的区域中的一些区域不被提供给LKI逻辑118,因为它们太平坦并且因此图5示出了一 些区域(例如，区域50613)不具有意味着它们不被LKI逻辑118使用的相关联的方块。 [0060]在步骤S404中，LKI逻辑118使用由MKT技术确定的候选区域的集合中的至少一些 候选区域的位置来初始化LKI算法。LKI算法是本领域中已知的，例如如Simon Baker和Iain Matthews所著的 "Lucas-Kanade 20 Years On:A Unifying Framework"（International Journal of Computer Vision，2004,第221 至255页）中所描述的。 [00611在步骤S406中，LKI逻辑118使用LKI算法来确定图像Ii中的、与参考图像Ir的预定 点集中的点中的至少一些点相对应的点集。由于LKI算法是本领域中已知的，所以为简洁起 见，在本文中不提供对LKI算法的深度解释。然而，作为更高层次的解释，LKI算法目的在于 使两个图像块之间的均方误差的和最小化:第一块为参考图像I r的目标区域，并且第二块 为图像的候选区域，其被扭曲回到参考图像的坐标上。两个图像块之间的均方误差的和 通过改变扭曲参数P(即，将P改变为P+A p)来被最小化，以找到使均方误差的和最小化的Δ P的值。根据LKI算法，这被迭代地进行直到Δρ的值低于阈值或者直到已经执行了最大数目 的迭代。在已经执行了 LKI算法之后的扭曲参数ρ的最终值被用于确定图像中的、与参考 图像Ir的预定点集中的至少一些点相对应的点集的位置。 [0062] LKI算法有时能够遇到的问题与参考图像Ir中的图像梯度有关。当在一个方向上 的梯度支配在垂直方向上的梯度时（例如，当在X轴上的梯度％/支配在y轴上的梯度$/ 时，或者反之亦然），则LKI算法的结果可以是错误的。然而，如可以在下面提供的LKI算法的 更详细描述中看到的，针对图像Ii的点集中的、没有被确定为太平坦的点中的每个点，LKI 算法包括确定包围该点的图像块的经扭曲的版本，并且确定针对该图像块的海森 (Hessian)矩阵。海森矩阵的元素指示跨图像块的经扭曲的版本的在不同方向上的梯度的 平方值的和。在一个方向上的梯度支配在另一方向上的梯度的问题可以通过将在X和y轴上 的梯度的平方值的和进行比较来解决。如果在一个方向上的针对区域的梯度的平方值的和 比在垂直方向上大至少20倍，则该区域被丢弃。通过以这种方式丢弃区域，LKI逻辑118将不 会输出针对被丢弃的区域的点对应关系。注意，该比较不会显著地增加由点对应关系逻辑 110执行的计算，因为梯度的平方值的和可以从海森矩阵(作为LKI算法的一部分被计算）中 提取。当两个梯度之间的比值很大(例如，2 20)时，海森被称为"病态"的。 [0063]图5利用具有虚线的方块示出了具有病态海森的区域，诸如区域50 852。由点对应关 系逻辑110确定的点对应关系被提供给变换逻辑112。在图5所示的示例中，存在由MKT逻辑 116确定的包围相应35个预定点504的35个区域。那些区域中的七个区域是平坦的（并且不 具有图5中示出的对应方块)并且因此MKT逻辑116丢弃它们。在剩余的28个区域中，LKI逻辑 118确定它们中的五个区域具有病态海森(并且具有在图5中利用虚线示出的方块)并且因 此LKI逻辑118丢弃它们。因此，针对剩余的23个区域（即，在图5中利用实线示出的那些区 域)确定点对应关系并将针对这些区域的点对应关系提供给变换逻辑112。 [0064] 在步骤S212中，变换逻辑112基于指示从点对应关系逻辑110接收到的点集的变换 与参考图像Ir的预定点集的对应点集之间的误差的误差度量来确定要被应用到图像的变 换的参数。 [0065] 例如，针对图像的变换是由矩阵出描述的单应性，其能够被用于将图像的像素 位置与参考图像Ir的对应像素位置更紧密地对齐。作为示例，单应性可以限于2D投影变换。 这提供在对齐估计的灵活性与简单性之间的良好权衡。确定变换的参数的步骤可以包括确 定单应性矩阵出的元素，使得： [0066] xi = HiXr, [0067] 其中Xi是图像I i的、与参考图像的点Xr相对应的点集，如由点对应关系逻辑110所 确定的。 [0068]步骤S212包括通过计算在两个点集Xi和xr上的最小均方误差(MMSE)来优化单应性 矩阵m的元素。这包括通过例如对以下等式进行求解来找到提供针对点集的最小均方误差 的针对矩阵m的元素的值： [0070]对于j = 0到N，其中N是确定对应关系所针对的点的数目。注意，N至少为4使得能够 找到针对Hi的解，并且在以上参考图5描述的示例中，N=23。通常，增大N将增大针对矩阵Hi 确定的值的准确度。为了得到以上的等式，注意针对参考图像Ir的第j个点 [0072]在其他示例中，（除了MMSE以外的）其他误差度量可以被用于找到针对矩阵出的 解。 [0073] 在步骤S214中，变换逻辑112对图像应用变换以使其更接近与参考图像Ir的对 齐。对齐逻辑104针对从选择逻辑102接收到的图像中的除了参考图像以外(无需对参考图 像进行变换)的每幅图像执行步骤S210到S214,使得相应变换被应用于不同图像。 [0074] 步骤S210、S212和S214能够被实施为用于对第一图像(例如，图像Ii)进行变换以 使第一图像更接近与第二图像(例如，参考图像U的对齐的独立方法。这些步骤在本文中 在图2所示的噪声降低方法的部分的上下文中进行描述，但是它们能够被使用在其中其将 有助于对第一图像进行变换使得第一图像更接近与第二图像的对齐的其他场景中。 [0075] 即使图像已经被变换，在图像与参考图像之间也可能仍然存在一些不对齐。当图 像被组合时，图像之间的不对齐可能是有害的。因此，如下面在步骤S216和S218中所描述 的，如果经变换的图像显著地与参考图像不对齐，则经变换的图像可以被对齐逻辑104丢 弃。 [0076] 在步骤S216中，对齐测量逻辑114确定经相应变换的图像与参考图像的对齐的测 量。经变换的图像被表示为I。作为示例，经变换的图像1的对齐的测量是不对齐参数^，其 可以例如被确定为(在图像的全部像素位置(x，y)上的)经变换的图像Wd^y)与参考图像I r (x，y)之间的绝对差的和。即： [0077] τί= Σχγ |ffi(x，y)-Ir(x，y) | 0 [0078] 在步骤S218中，对齐测量逻辑114针对经变换的图像中的每幅经变换的图像确定 对齐的相应测量是否指示经变换的图像Wi与参考图像I r的对齐低于阈值对齐水平。据此，对 齐测量逻辑114选择性地丢弃被确定为不对齐的图像。被丢弃的图像不会从对齐逻辑104被 提供给组合逻辑106。在其中图像的对齐的测量是不对齐参数^的示例中，如果不对齐参 数^高于阈值则丢弃图像。作为示例，阈值可以根据针对不同图像的不对齐参数的均值μ (t)并且根据针对不同图像的不对齐参数的标准差〇(t)，其中τ表示针对不同图像的全部不 对齐参数，即τ={ τΐ，…，τΝ}，其中Ν是确定不对齐参数所针对的不同图像的数目。例如，阈值 可以为μ(τ)+ε2〇(τ)(其中，作为示例，ε 2可以处于1.2 < ε2 < 1.5的范围中）。高度不对齐的图 像可以不利地影响阈值，所以在另一示例中，不使用阈值来丢弃不对齐的图像，而是可以选 择预定数目的最好对齐的图像（即，具有最低不对齐参数^的那些图像）以供使用，并且可 以丢弃其他图像。 [0079] 作为示例，图6示出了针对图像的集合的不对齐参数602的图形。图像6和图像7被 选择逻辑102丢弃，因为它们太模糊并且因此不针对那些图像计算不对齐参数。第5号图像 是参考图像并且因此它的不对齐参数为零。虚线604表示不对齐阈值(例如，设定在μ(τ) + ε2 σ(τ))。在该示例中可以看到针对图像0和图像8的不对齐参数高于不对齐阈值604,而针对 图像1到图像4和图像9的不对齐参数低于不对齐阈值604。 [0080] 在步骤S218中，对齐测量逻辑114丢弃不对齐图像，即其不对齐参数高于不对齐阈 值的图像。这对应于如果图像的对齐的测量低于阈值对齐水平则丢弃这些图像。 [0081] 因此，在以上描述的示例中，在步骤S218中，具有不对齐参数^的图像Ii在τί>μ (τ)+ε2σ(τ)时被丢弃。注意，在一些其他示例中，可能不执行步骤S218。也就是说，在一些示 例中，图像不会基于它们与参考图像的对齐而被丢弃。这可以帮助简化过程，但是可能导致 出现在最终图像中的不对齐伪影。 [0082] 通过对齐测试的图像从对齐逻辑104被传递到组合逻辑106。相反地，被对齐逻辑 104丢弃的图像不会从对齐逻辑104被传递到组合逻辑106。 [0083]组合逻辑106操作为将其从对齐逻辑104接收到的经变换的图像进行组合。为了这 样做，在步骤S220中，组合逻辑106使用由对齐测量逻辑114确定的对齐的测量来确定针对 经变换的图像的权重。之后，在步骤S222中，组合逻辑106使用所确定的权重来将包括从对 齐逻辑104接收到的经变换的图像的多幅图像进行组合以形成经降低噪声的图像。在步骤 S222中被组合的多幅图像可以包括或者可以不包括参考图像。在本文中描述的优选示例 中，在步骤S222中被组合的多幅图像包括参考图像，其是图像中最清晰的。在其他示例中， 例如如果参考图像以不同的方式被选择，例如被选择为时间上的中间图像，则将参考图像 从在步骤S222中被组合的图像的组中略去可以是有益的，例如在参考图像特别模糊的情况 下。选择时间上的中间图像作为参考图像可能有时是合适的选择，因为通常来说和与不同 图像的对齐相比，图像很有可能将更接近与时间上的中间图像的对齐。另外，选择时间上的 中间图像作为参考图像将避免确定图像的清晰度以便选择参考图像所需要的处理。在这些 示例中，其他图像被对齐到参考图像并且之后在步骤S222中经对齐的图像(可能不包括参 考图像)中的一些经对齐的图像被组合以形成经降低噪声的图像。 [0084]作为示例，可以使用具有针对根据图像的不对齐参数^和图像的像素与参考图像 的对应像素之间的像素值的差异而限定的每幅图像的每个像素的权重的双边滤波器来将 图像进行组合。得到的图像是在利用适当权重对每个像素进行加权之后对经变换的图像的 累加。例如，图像可以根据它们与参考图像的对齐来被排序，例如通过使用不对齐参数来对 图像进行排序以形成图像的经排序的集合。索引值i指示在经排序的集合中的图像的位置。 低索引值i被给予经高度对齐的图像（即，具有低不对齐参数^的图像），而较高的索引值i 被给予较不对齐的图像（即，具有较高不对齐参数^的图像）。例如，如果存在N幅图像，则i =1的索引值被给予最好对齐的图像（即，具有最低不对齐参数^的图像），并且则i = N的索 引值被给予最差对齐的图像（即，具有最高不对齐参数^的图像）。例如，经变换的图像1具 有在像素位置（X，y)处的红色像素值、绿色像素值和蓝色像素值，分别被表示为 Wf 、Wfky)和Wf (xff)。类似地，参考图像Ir具有在像素位置(X，y)处的红色像素 值、绿色像素值和蓝色像素值，分别被表示为泛以⑷、泛(¼.和ί 。作为示例，针对在 经变换的图像I的位置(x，y)处的像素的权根据以下等式来确定： [0086]其中是被用于定义不对齐加权的0均值高斯的标准差(其是能够被调整的参数， 并且作为示例可以等于6);并且〇(1@是被用于定义像素差的0均值高斯的标准差(其是也能 够被调整的参数，并且作为示例可以等于20Κ '是归一化因子，其意味着针对每 个像素位置(x，y)，不同图像的权重总和为一。 [0087] 能够认识到，由于权重根据图像与参考图像的对齐，所以得到的经组合的像素值 被加权以支持与参考图像紧密对齐的图像。这减少了可能由于被组合的图像之间的不对齐 而引起的伪影。 [0088] 从组合逻辑106输出经降低噪声的图像(其在本文中被表示为S'）。在一些示例中， 这能够是噪声降低过程的结束并且经降低噪声的图像能够被提供为处理模块1〇〇的输出。 然而，在其他示例中，可以在将经降低噪声的图像从处理模块100输出之前对经降低噪声的 图像应用一些运动校正。运动校正可以是有益的，因为当所捕获的场景具有含有运动的区 域时，所组合的图像S'可以包含由于在捕获经组合的图像中的不同图像的时间之间在场景 中的运动而导致的伪影。 [0089]作为示例，从组合逻辑106输出的经降低噪声的图像可以由运动校正逻辑108接 收，并且在步骤S224中，运动校正逻辑108确定指示针对经降低噪声的图像S'的区域的运动 水平的运动指示。在本文中描述的示例中，这通过首先确定"背景图像"B来完成，"背景图 像" B具有逐像素地确定的、与经变换的图Wi以及可选地参考图像Ir的对应像素值相对应的 像素值。背景图像B可以为图像的经缩小的版本。例如，原始图像可以包括1440x 1080个像素 并且经缩小的背景图像可以包括256x192个像素。这些数仅仅通过示例的方式来给出。缩小 过程是本领域中已知的，以用于将图像在不同分辨率或纵横比等之间进行转换。缩小背景 图像减少了背景图像中的像素的数目并且因此减少了在背景图像上执行的计算量，而不显 著影响运动校正的结果。 [0090] 图7a示出了背景图像702的示例。在捕获不同图像的时间之间在场景中存在一些 运动，因此背景图像702的部分是模糊的。 [0091] 二进制运动掩码可以之后被确定，其针对背景图像的每个像素指示是否存在运 动。例如，在像素位置(x，y)处的运动掩码mask( X，y)的二进制值可以根据以下等式来确定： [0093]其中，81?&，7)、8<;&， 7)和妒(^7)是背景图像在像素位置(^7)处的红色分量、绿 色分量和蓝色分量，λ是阈值参数，其可以例如被设定为8,并且V是OR运算符。所以如果背景 图像的颜色分量中的任何颜色分量与参考图像的对应颜色分量相差超过阈值参数，则mask (1，7)值被设定为1以指示在像素位置(1，7)处存在运动，否则11^81^(1，7)值被设定为0以指 示在像素位置(X，y)处不存在运动。 [0094]图7b示出了针对图7a中示出的背景图像的运动掩码704。在图7b中，如果在像素的 位置处的运动掩码指示在背景图像中存在运动(例如，如果!^4(1，7) = 1)，则像素为白色 的，并且如果在像素的位置处的运动掩码指示在背景图像中不存在运动（例如，如果mask (x，y)=〇)，则像素为黑色的。 [0095] 在图7b中能够看到，二进制运动掩码包括表现为指示运动的大量小区域但是当与 图像702进行比较时能够看下这些小区域通常与场景中的显著运动不相关。因此，二进制运 动掩码可以使用形态学运算的集合来被清洁，例如包括两个腐蚀运算紧接着两个膨胀运 算。 [0096]在图7c中示出了经清洁的运动掩码706。能够认识到，图7c中的白色区域紧密对应 于图像702中的运动区域。 [0097] 运动掩码706被平滑以便平滑掩码的黑色区域与白色区域之间的过渡。为了平滑 掩码706,掩码706可以使用高斯滤波器来被卷积。在图7d中示出了得到的经平滑的掩码 708。经平滑的掩码708不限于二进制值并且可以包括0与1之间的值。 [0098]之后，经平滑的运动掩码708被放大以与原始图像的分辨率(例如，1440x1080个像 素)相匹配。放大的方法是本领域中已知的。在步骤S226,运动校正逻辑108使用经放大的、 经平滑的运动掩码(被表示为MASK(x，y))将参考图像I r(x，y)和经降低噪声的图像Slxd) 进行组合以形成经运动校正的、经降低噪声的图像S〃（x，y)。以这种方式，例如根据以下等 式基于运动掩码MASK(x，y)来将经降低噪声的图像S'的区域与参考图像I r的对应区进行混 合： [0099] S"(x，y) = Ir(x，y)*MASK(x，y)+S，（x，y)*(l_MASK(x，y)) [0100] 另外，在一些示例中，空间双边滤波器可以被应用到从参考图像获取的那些区域。 也就是说，参考图像Ir(x，y)可以在使用其以根据以上给出的等式来确定经运动校正的、经 降低噪声的图像S〃（x，y)之前被空间滤波。 [0101]在步骤S228,从处理模块100输出经运动校正的、经降低噪声的图像S"作为该方法 的结果。图像S"随后可以被用于任何适当的目的，例如其可以被存储在存储器中或者由一 些其他处理模块使用或者被显示在显示器上。 [0102]图8示出了一个示例中的参考图像（Ir)802、经降低噪声的图像(S'）804和经运动 校正的经降低噪声的图像(S"）806。图像804和806的静态区域中的（例如，在图像中的背景 的白墙上的）随机噪声的量少于参考图像802的对应区域中的随机噪声。图像804展示出一 些运动伪影，例如在图像804中垃圾箱和腿似乎模糊在一起。这些运动伪影已经在图像806 中得到校正。 [0103]以上描述的示例中的图像的集合可以包括以突发模式捕获的多幅图像。备选地， 图像的集合可以包括视频序列的多个帧。当对视频起作用时，该方法可以具有几个变型。利 用视频帧的集合，要对其应用降噪的是最近的帧（即，最后一帧），并且先前的η帧被用于对 最后一帧进行降噪。数目η能够根据硬件的需求或能力而变化。在这种情况下，视频序列的 最后一帧可以被用作参考图像，并且因此不必选择参考图像并丢弃模糊图像。另外，对齐步 骤可以使用多个(η个)先前帧来执行并且其是递增地被计算的，使得对帧η-2进行对齐使用 对帧η-1的对齐的输出等等。由于视频序列可以包含突然的场景改变(其可以被称为"切换 (cuts)"），在对图像进行对齐之后检测场景改变可能是重要的。切换检测器可以基于生成 针对每个通道(红、绿和蓝）的8个组的3D直方图从而给出总共512个组来被实施。将当前帧 的直方图（histd^g^))与先前帧的直方图（hist-K^g^))进行比较并且如果所有组的 绝对差的和除以像素的数目（N)大于阈值ε 3则检测到切换，其中作为示例，阈值可以处于 0.02 0.1的范围中。也就是说，当满足以下等式时可以检测到切换： [0105] 在一些示例中，不是使用参考图像Ir(x，y)来确定直方图histi(r，g，b)和histi-i (r，g，b)，而是可以使用先前计算的背景图像(B)来确定直方图，因为这是小（即经缩小的） 图像，例如通过计算经对齐的图像的平均值并且之后进行缩小来被形成。 [0106] 以上描述的处理模块100可以被实施在计算机系统中。计算系统能够被实施在相 机、智能电话、平板或任何其他适当的计算设备中。例如，图9示出了计算机系统，其包括GPU 902、CPU 904和存储器906。计算机系统还包括其他设备908，诸如显示器910、扬声器912、相 机914和键盘916。计算机系统的部件可以经由通信总线918彼此通信。处理模块100可以以 硬件或软件或它们的组合被实施在如图9中示出的GPU 902上。例如，如果处理模块100的逻 辑块（102、104、106和108)以硬件来实施，则它们可以被形成为晶体管和适于执行如本文中 描述的逻辑块的期望功能的其他硬件部件的特定布置。相反，如果处理模块100的逻辑块 (102、104、106和108)以软件来实施，则它们可以包括可以被存储在存储器906中并且可以 被提供给GPU 902以用于在其上运行的计算机指令集。在其他示例中，处理模块100能够被 实施在CPU 904上。在处理模块100处例如从相机914接收图像的集合，并且处理模块100输 出经运动校正的、经降低噪声的图像，例如，其可以之后被显示在显示器910上和/或被存储 在存储器906中。 [0107] -般地，以上描述的任何功能、方法、技术或部件（例如，处理模块100和/或其部 件)可以被实施在使用软件、固件、硬件(例如，固定逻辑电路)或者这些实施方式中的任何 组合的模块中。术语"模块"、"功能"、"部件"、"±夬"、"单元"和"逻辑"在本文中被用于总体上 表示软件、固件、硬件或其任何组合。 [0108] 在软件实施方式的情况下，模块、功能、部件、单元或逻辑表示当在处理器(例如， 一个或多个CPU)上执行时执行指定任务的程序代码。在一个示例中，描述的方法可以由被 配置具有以机器可读形式存储在计算机可读介质上的软件的计算机来执行。计算机可读介 质的一个这样的配置是信号承载介质并且因此被配置为将指令(例如，作为载波)诸如经由 网络发送到计算设备。计算机可读介质还可以被配置为非瞬态计算机可读存储介质并且因 此不是信号承载介质。计算机可读存储介质的示例包括随机存取存储器(RAM)、只读存储器 (R0M)、光盘、闪速存储器、硬盘存储器和可以使用磁性技术、光学技术和其他技术来存储指 令或其他数据并且能够由机器访问的其他存储器设备。 [0109] 软件可以以包括用于将计算机配置为执行描述的方法的构成部分的计算机程序 代码的计算机程序的形式或者以包括适于当程序在计算机上运行时执行本文中描述的方 法中的任何方法的全部步骤的计算机程序代码模块的计算机程序的形式，并且其中计算机 程序可以被体现在计算机可读介质上。程序代码可以被存储在一个或多个计算机可读介质 中。本文中描述的技术的特征是平台无关的，意味着技术可以被实施在具有各种处理器的 各种计算平台上。 [0110] 本领域技术人员还将意识到，功能、技术或方法中的全部或部分可以由专用电路、 专用集成电路、可编程逻辑阵列、现场可编程门阵列等等来实现。例如，模块、功能、部件、单 元、或逻辑(例如，处理模块100的逻辑块)可以包括以电路形式的硬件。这样的电路可以包 括在制造过程中可用的晶体管和/或其他硬件元件。这样的晶体管和/或其他元件可以被用 于形成电路或结构，其实施和/或包含通过示例的方式诸如寄存器、触发器或锁存器的存储 器，诸如布尔运算的逻辑运算符，诸如加法器、乘法器或移位器的数学运算符以及互连件。 这样的元件可以被提供为定制电路或标准单元库、宏、或者在其他级别的抽象上。这样的元 件可以在特定布置中被相互连接。模块、功能、部件、单元、或逻辑(例如，处理模块100的逻 辑块)可以包括为固定功能的电路和能够被编程为执行一个或多个功能的电路;这样的编 程可以从固件或软件更新或控制机制来被提供。在示例中，硬件逻辑具有实施固定功能操 作、状态机或过程的电路。 [0111]还意图包含"描述"或定义实施以上描述的模块、功能、部件、单元或逻辑(例如处 理系统100的逻辑块)的硬件的配置的软件，诸如HDL(硬件描述语言)软件，如被用于设计集 成电路或者用于将可编程芯片配置为实现期望功能。也就是说，可以提供一种计算机可读 存储介质，其具有编码在其上的、以集成电路定义数据集形式的计算机可读程序代码，该集 成电路定义数据集当在集成电路制造系统中被处理时将所述系统配置为制造被配置为执 行本文中描述的方法中的任何方法的图形处理系统或者制造包括本文中描述的任何装置 的图形处理系统。1C定义数据集可以以例如以诸如寄存器传输级(RTL)代码的适当的HDL编 写的计算机代码的形式。在集成电路制造系统处处理集成电路定义数据集从而将所述系统 配置为制造图形处理系统的示例现在将关于图10来进行描述。 [0112]图10示出了包括布局处理系统1004和集成电路生成系统1006的集成电路（1C)制 造系统1002的示例。1C制造系统1002被配置接收1C定义数据集(例如，定义如在本文中的任 何示例中描述的处理模块）、处理1C定义数据集并且根据1C定义数据集来生成1C(例如，其 体现如在本文的任何示例中描述的处理模块）。对1C定义数据集的处理将1C制造系统1002 配置为制造体现如在本文中的任何示例中描述的处理模块的集成电路。更具体地，布局处 理系统1004被配置为接收并处理ID定义数据集以确定电路布局。从1C定义数据集确定电路 布局的方法是本领域中已知的，并且例如可以涉及综合RTL代码，以例如在逻辑部件方面 (例如，NAND、NOR、AND、OR、MUX和FLIP-FLOP部件)确定要被生成的电路的门级表示。电路布 局可以通过确定针对逻辑部件的位置信息从电路的门级表示来被确定。这可以自动地或者 在用户参与的情况下完成以便优化电路布局。当布局处理系统1004已经确定电路布局时， 其可以将电路布局定义输出到1C生成系统1006。如本领域中已知的，1C生成系统1006根据 电路布局定义来生成1C。例如，1C生成系统1006可以实施半导体器件制造工艺以生成1C，其 可以涉及光刻和化学处理步骤的多步骤序列，期间电子电路逐渐地被创建在由半导体材料 制成的晶片上。电路布局定义可以以掩膜的形式，其可以被使用在光刻工艺中以用于根据 电路定义来生成1C。备选地，被提供到1C生成系统1006的电路布局定义可以以计算机可读 代码的形式，1C生成系统1006可以使用该计算机可读代码来形成用于在生成1C中使用的适 当的掩膜。由IC制造系统100 2执行的不同工艺可以全部在一个位置中被实施，例如由一方 来实施。备选地，1C制造系统1002可以是分布式系统，使得过程中的一些过程可以在不同位 置处被执行，并且可以由不同方来执行。例如，以下的阶段中的一些阶段可以在不同位置中 和/或由不同方来执行：（i)综合表示1C定义数据集的RTL代码以形成要被生成的电路的门 级表示，（ii)基于门级表示来生成电路布局，（iii)根据电路布局来形成掩膜，以及（iv)使 用掩膜来制造集成电路。 [0113] 在其他示例中，在集成电路制造系统处对集成电路定义数据集的处理可以将系统 配置为在没有处理1C定义数据集的情况下制造处理模块从而确定电路布局。例如，集成电 路定义数据集可以定义可重新配置的处理器(诸如，FPGA)的配置，并且对该数据集的处理 可以将1C制造系统配置为(例如，通过将配置数据加载到FPGA)生成具有该定义的配置的可 重新配置的处理器。 [0114] 在一些示例中，集成电路定义数据集能够包括运行在由数据集定义的硬件上或与 由数据集定义的硬件组合地运行的软件。在图10示出的示例中，1C生成系统还可以由集成 电路定义数据集配置为在制造集成电路时根据在集成电路定义数据集处定义的程序代码 将固件加载到该集成电路上或者以其他方式向集成电路提供程序代码以用于与集成电路 一起使用。 [0115]术语'处理器'和'计算机'在本文中用于指代具有处理能力使得其能够运行指令 的任何设备或其部分、或者能够执行功能或方法中的全部或部分的专用电路、或者其任何 组合。 [0116]尽管已经以特定于结构特征和/或方法动作的语言描述了本主题，但是将要理解 的是，在所附权利要求中限定的主题不一定限于以上描述的具体特征或动作。相反，以上描 述的具体特征和动作被公开为实施权利要求的示例形式。将要理解，以上描述的益处和优 点可以涉及一个示例或者可以涉及若干示例。 [0117]如将对技术人员显而易见的，可以在不丧失所寻求的效果的情况下扩展或更改本 文中给出的任何范围或值。本文中描述的方法步骤可以以任何适当的顺序或者在适当情况 下同时地被执行。在不丧失所寻求的效果的情况下，以上描述的示例中的任何示例的方面 可以与描述的其他示例中的任何示例的方面进行组合以形成另外的示例。