首页 / 矿灯动态照明控制方法、系统、存储介质及矿灯

矿灯动态照明控制方法、系统、存储介质及矿灯实质审查 发明

技术领域

[0001] 本发明涉及照明设备技术领域,特别涉及一种矿灯动态照明控制方法、系统、存储介质及矿灯。

相关背景技术

[0002] 在矿井等低光照环境下,照明设备是保障矿工安全作业和进行环境监测的重要工具。矿灯作为最常见的照明设备,通常用于提供稳定的光源。然而,传统矿灯照明存在一些不足之处,尤其是在低光照和复杂的光照条件下,无法根据环境的变化灵活调整灯光的亮度,导致照明效果不佳。在低照度情况下,采集到的图像通常会出现光照不均、亮度不足等问题,影响了对矿井内部的有效监控。
[0003] 现有技术中,常见的矿灯控制系统大多依赖于预设的固定亮度模式,无法根据环境变化和图像质量动态调整灯光亮度,导致在低光照环境下难以获得高质量的图像数据,尤其在对矿井内部复杂地形或操作细节的实时监控中,存在明显的局限性。

具体实施方式

[0049] 为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
[0050] 需要说明的是,当元件被称为“固设于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
[0051] 除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0052] 实施例一
[0053] 请参阅图1,所示为本发明第一实施例中的矿灯动态照明控制方法,为了便于说明,仅示出了与本发明实施例相关的部分,本发明实施例提供的矿灯动态照明控制方法包括:
[0054] 步骤S10,采集当前所处环境的当前图像数据,并提取当前图像数据中的实际光照强度分布;
[0055] 其中,在本发明的一个实施例中,首先,需要使用摄像头或其他成像设备采集当前环境的图像。这通常通过调用图像采集硬件的API来实现。常见的方法是通过使用摄像头接口,如OpenCV来实时采集图像。进一步的,提取当前图像数据中的实际光照强度分布。具体的,上述提取当前图像数据中的实际光照强度分布的步骤包括:
[0056] 对当前图像数据进行去噪处理以及将当前图像数据从RGB颜色空间转换到灰度空间;
[0057] 计算灰度空间下的当前图像数据中每个像素点的灰度值,并对每个像素点的灰度值进行统计分析计算出当前图像数据的光照强度分布;
[0058] 将当前图像数据划分为预设数量的子区域,并计算每个子区域内所有像素点的平均灰度值得到每个子区域的光照强度估计;
[0059] 将当前图像数据的光照强度分布以及每个子区域的光照强度估计结果进行合并生成光照强度分布图。
[0060] 具体的,由于图像中的噪声会影响光照强度的精度,因此首先需要对图像进行去噪处理,以消除图像中的噪声,增强光照信息的准确性。其中常见的去噪方法有高斯模糊、中值滤波等。其中高斯滤波通过高斯函数平滑图像减少噪点。中值滤波通过取周围像素的中值来减少图像噪声。而光照强度通常可以通过图像的亮度(灰度值)来估计,此时将图像从RGB颜色空间转换到灰度空间,可以简化光照强度的提取。因此,需要将图像从RGB颜色空间转换为灰度空间,其中灰度图像的每个像素值表示该像素点的亮度。其中转换公式为:
[0061] L=0.299R+0.587G+0.114B
[0062] 其中R、G和B是图像中每个像素的红色、绿色和蓝色通道的值。其中在灰度图像中,每个像素点的灰度值(亮度)表示该像素的光照强度,此时通过统计整个图像中所有像素的灰度值,并生成灰度值的直方图或其他统计分析结果,使得可以理解图像的整体光照强度分布。需要指出的是,其也可以将图像从RGB颜色空间转换为HSV颜色空间,并提取亮度(Value)通道,其中该亮度通道直接反映了图像中的光照强度。进一步的,为了获得局部光照强度估计,可以将图像划分为预设数量的子区域(如网格),每个子区域的大小可以根据实际需求调整。然后在每个子区域内计算其子区域内所有像素点的平均灰度值,作为该子区域的光照强度估计。然后根据每个像素点的灰度值的分布信息(直方图或统计结果)和每个子区域的光照强度估计,将结果进行合并生成最终的光照强度分布图,其中可以将光照强度分布显示为图形或数值表格。其中图形可以包括灰度图或热力图,灰度图是显示图像的光照强度分布,热力图是使用颜色编码显示不同区域的光照强度。因此通过计算灰度值分布的直方图,结合子区域的光照强度估计,可以生成完整的光照强度分布图。也即是说,对图像进行去噪和颜色空间转换以提取亮度信息。通过计算每个像素的灰度值,并生成直方图来分析光照分布。将图像划分为多个子区域,并计算每个子区域的平均灰度值作为局部光照强度估计。通过直方图和子区域估计合并得到光照强度分布图,并可以通过热图等形式进行可视化。
[0063] 步骤S20,将采集到的当前图像数据进行图像分解得到反射分量和光照分量,并对反射分量进行反射增强以及对光照分量进行光照调整;
[0064] 其中,在本发明的一个实施例中,将采集到的当前图像数据进行图像分解,以得到反射分量和光照分量,其通常依赖于图像分解算法,尤其是基于Retinex理论的分解方法。其中Retinex理论提出图像的亮度是由两个主要因素决定的:反射分量(Reflectance Component):表示物体表面的固有反射属性或颜色。光照分量(Illumination Component):
表示环境光照的强度。根据Retinex理论,图像的亮度I(x,y)是反射分量R(x,y)和光照分量L(x,y)的乘积,即:
[0065] I(x,y)=R(x,y)·L(x,y),其中I(x,y)是在坐标(x,y)处的像素强度。R(x,y)是在坐标(x,t)处的反射分量,L(x,y)是在坐标(x,y)处的光照分量。
[0066] 此时上述将采集到的当前图像数据进行图像分解得到反射分量和光照分量的步骤包括:
[0067] 将采集到的当前图像数据转换为灰度图像,并对灰度图像进行对数变换得到对数域图像;
[0068] 将对数变换后的对数域图像进行高斯滤波得到估计的光照分量的对数值,并将估计的光照分量从对数域转换回线性域;
[0069] 根据当前图像数据的灰度值以及估计的光照分量计算得到反射分量。
[0070] 具体的,将彩色图像转换为灰度图像。对于彩色图像,通常使用加权平均法将RGB图像转换为灰度图像。例如:L=0.299R+0.587G+0.114B,其中R、G和B是图像中每个像素的红色、绿色和蓝色通道的值。然后对灰度图像进行对数变换,以便将乘法关系转换为加法关系。这有助于后续的分解处理。使用对数变换公式:log(I(x,y))=log(R(x,y))+log(L(x,y))。然后对对数变换后的图像应用高斯滤波,以估计光照分量。高斯滤波可以平滑图像,并去除局部细节,保留全局光照信息。公式如下:
[0071] log(L(x,y))=G(x,y)*log(I(x,y))
[0072] 其中G(x,y)是高斯核,*表示卷积操作。结果log(L(x,y))是估计的光照分量的对数。然后将估计的光照分量从对数域转换回线性域,具体的使用指数函数将其从对数域还原回线性域:
[0073] L(x,y)=exp(log(L(x,y)))
[0074] 然后使用当前图像数据和估计的光照分量计算反射分量。公式如下:
[0075]
[0076] 其中∈是一个小的常数(例如1×10‑8)以避免除零错误。
[0077] 进一步的,除上述Retinex理论的分解方法将采集到的当前图像数据进行图像分解得到反射分量和光照分量外,还可以采用深度学习方法(如基于Retinex的神经网络)进行图像分解,具体的,首先使用包含真实反射和光照分量的图像数据集训练深度神经网络模块。然后将采集的图像输入经过训练的深度神经网络模型,该深度神经网络模块相应的输出分解得到的反射分量和光照分量。去噪常用的网络结构包括Retinex‑Net网络结构以及Deep Retinex网络结构,其中Retinex‑Net是基于深度卷积神经网络(CNN),通过网络学习从输入图像中提取反射分量和光照分量。Deep Retinex是基于深度学习的Retinex模型,结合多尺度特征提取和生成对抗网络(GAN)进行图像分解。
[0078] 进一步的,对反射分量进行反射增强以及对光照分量进行光照调整,其步骤包括:
[0079] 将反射分量输入经过训练的残差网络中得到反射增强后的反射分量;
[0080] 从光照分量中提取每个像素点的光照亮度值,并根据每个像素点的光照亮度值将当前图像数据分为暗调区域和高光区域;
[0081] 对暗调区域使用非线性变换或直方图均衡化进行亮度增强,以及对高光区域使用亮度缩放或校正进行亮度调整。
[0082] 具体的,可以使用残差网络(Residual Network,ResNet)对反射分量进行反射增强有效提高图像的细节和质量。其中残差网络通过引入残差连接解决了深层网络中的训练问题,使得网络能够学习到更加精细的特征。其中使用残差网络对反射分量进行反射增强的具体实现步骤:一、将反射分量图像进行归一化处理,使其像素值在[0,1]范围内。将数据集分为训练集、验证集和测试集。二、构建一个包含残差块的深度卷积神经网络。残差块通常包括以下部分:卷积层:用于提取图像特征。批归一化(BatchNormalization)用于标准化数据提高网络训练的稳定性。激活函数:通常使用ReLU(Rectified LinearUnit)作为激活函数。残差连接:在残差块中,将输入数据和经过卷积处理后的数据相加,形成残差映射。三、训练网络,包括选择适当的损失函数来衡量网络输出和目标图像之间的差异,选择优化算法来训练网络。其中常用的损失函数包括:均方误差(MSE):用于测量预测图像与目标图像之间的像素差异。而优化算法包括例如Adam自适应学习率优化算法,适合处理大量数据和复杂模型。其中训练过程包括:前向传播、将反射分量图像输入网络,获得预测结果。计算损失、通过损失函数计算预测结果与实际目标之间的差异。反向传播、使用优化算法更新网络权重,减少损失值。迭代训练、重复上述过程,直到网络性能稳定。四、应用网络进行反射增强,将待增强的反射分量输入经过训练的残差网络,此时网络输出增强后的反射分量,该反射通常会显示更丰富的细节和更高的对比度。
[0083] 进一步的,从光照分量L(x,y)中提取每个像素点的亮度值I(x,y)。对于灰度图像,亮度可以直接使用像素值;对于彩色图像,可以通过将RGB值转换为亮度值来获得。此时根据每个像素点的亮度值I(x,y),将图像划分为暗调区域和高光区域。例如可以设置一个阈值T,当亮度值I(x,y)
[0084] 进一步的,在本发明的其他实施例中,对反射分量进行反射增强还可以包括:通过均衡化图像的灰度直方图,增加图像的对比度。这种方法通过扩展图像的灰度范围,使得低对比度区域的细节更加明显。通过自适应直方图均衡化方法在图像的局部区域进行均衡化,从而增强图像的局部对比度。通过计算图像的二阶导数,突出图像的边缘信息,从而使细节更加清晰。应用高通滤波器(如拉普拉斯算子)来增强图像的细节和边缘。而对光照分量进行光照调整包括:对光照分量进行均衡化处理,以减少光照的不均匀性。使用非线性函数(如对数函数或指数函数)对光照分量进行调整,以模拟不同的光照条件或改善当前光照效果。使用深度学习方法(例如光照增强网络)自动学习并调整光照分量。
[0085] 步骤S30,将反射增强后的反射分量和经过光照调整后的光照分量重新合成得到目标图像数据,并提取目标图像数据中的目标光照强度分布;
[0086] 其中,在本发明的一个实施例中,上述将反射增强后的反射分量和经过光照调整后的光照分量重新合成得到目标图像数据的步骤包括:
[0087] 对反射增强后的反射分量和经过光照调整后的光照分量进行归一化处理;
[0088] 将归一化后的反射分量和光照分量进行逐像素相乘生成目标图像数据;
[0089] 对目标图像数据进行对比度调整以及色彩校正。
[0090] 具体的,首先,对反射增强后的反射分量和光照调整后的光照分量进行归一化处理。归一化的目的是将图像的像素值限定在特定范围(通常为0,1),以便在后续计算时能保持数值稳定性。归一化后,将反射分量和光照分量逐像素相乘。这个步骤是按照公式I(x,y)=R(x,y)·L(x,y)来生成最终的目标图像。其中还需确保合成后的图像数据的值在适当的范围内(如0到255),防止由于乘法导致的数值溢出或不足。如果有必要,应用剪裁或归一化处理。如果最初的图像是彩色图像,则需要在合成过程中处理色彩空间问题。确保反射分量和光照分量在合成时使用相同的色彩空间。其中生成的目标图像可能存在对比度不足的情况,因此需要对图像进行对比度调整。可以通过对比度拉伸或使用直方图均衡化进行对比度增强。色彩校正的目的是使得合成的图像具有更自然的色彩,可以通过白平衡算法来调整图像的整体色彩平衡。
[0091] 其中,提取目标图像数据中的目标光照强度分布具体可参照前述所述,在此不做具体限定。
[0092] 步骤S40,根据当前图像数据中的实际光照强度分布以及目标图像数据中的目标光照强度分布动态调整矿灯中各组灯光光源的照明亮度;
[0093] 其中,在本发明的一个实施例中,根据当前图像数据中的实际光照强度分布以及目标图像数据中的目标光照强度分布动态调整矿灯中各组灯光光源的照明亮度的步骤包括:
[0094] 计算实际光照强度分布和目标光照强度分布之间的光照差异;
[0095] 根据光照差异计算每组灯光光源的调整系数;
[0096] 根据计算出的调整系数调节矿灯中各组灯光光源的照明亮度。
[0097] 具体的,对于当前环境下采集到的当前图像数据,通过像素亮度值或通过颜色空间转换(例如将RGB图像转换为灰度图像或亮度通道)获取实际的光照强度分布。目标图像数据是经过反射增强和光照调整后的图像,通过同样的方法提取其光照强度分布。然后逐像素计算计算实际光照强度分布与目标光照强度分布的光照差异。将图像中的光照分布映射到矿灯的灯光区域上。假设矿灯分为多个灯组,每组灯光负责不同的区域(可以是预定义的区域或根据光照分布自适应调整)。对应每组灯光光源所照亮的图像区域,计算该区域的光照差异平均值。根据光照差异为每组灯光计算调整系数,调整系数与光照差异的大小相关。若光照差异较大,则调整系数较大,反之则调整系数较小。然后根据每组灯光的调整系数,调节矿灯中各组灯光光源的亮度。同时通过摄像头或光传感器持续监测当前图像的光照分布,不断调整每组灯光的亮度,保证整个照明区域的亮度均匀和适应环境变化。为避免灯光过度调整,可以将亮度限制在一定的范围内。调整后的亮度可以通过裁剪或平滑函数保持在允许的最大亮度和最小亮度之间。因此从当前图像数据和目标图像数据中提取光照强度分布,逐像素计算光照差异。根据不同灯光光源所覆盖的区域,计算区域内光照差异的平均值,并得到每组灯光的亮度调整系数。根据调整系数动态调节每组灯光的亮度,并进行实时反馈控制以保持环境照明的一致性和稳定性。
[0098] 综上,本发明上述实施例当中的矿灯动态照明控制方法,通过对采集到的图像进行分解和处理,包括光照分量的调整和反射分量的增强,能够有效提升图像亮度和对比度,使得在低光照条件下,矿灯能够提供更清晰的图像,改善了监控效果;通过实时分析当前图像数据中的实际光照强度分布和目标图像数据中的目标光照强度分布,计算灯光亮度的调整系数,动态调整各组灯光的亮度,使得可以根据环境变化灵活调整照明,从而使得光照更加均匀,有效避免了过亮或过暗的情况;通过提升照明效果,改善图像采集质量,可以帮助更清晰地监控矿井内部的工作情况,确保矿工安全,并且通过优化照明减少了矿井作业中由于光照不足导致的操作失误;通过根据当前环境的实际光照强度和目标光照需求,实时调整灯光的亮度,达到自适应调节的目的,使得矿灯可以适应不同的工作场景和光照条件,提供最优的照明效果。解决了现有低光照条件下的照明质量和图像采集质量较差的问题。
[0099] 实施例二
[0100] 请参阅图2,是本发明第二实施例提供的一种矿灯动态照明控制系统的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,所述矿灯动态照明控制系统包括:
[0101] 数据采集模块11,用于采集当前所处环境的当前图像数据,并提取当前图像数据中的实际光照强度分布;
[0102] 图像分解模块12,用于将采集到的当前图像数据进行图像分解得到反射分量和光照分量,并对反射分量进行反射增强以及对光照分量进行光照调整;
[0103] 图像合成模块13,用于将反射增强后的反射分量和经过光照调整后的光照分量重新合成得到目标图像数据,并提取目标图像数据中的目标光照强度分布;
[0104] 照明调整模块14,用于根据当前图像数据中的实际光照强度分布以及目标图像数据中的目标光照强度分布动态调整矿灯中各组灯光光源的照明亮度。
[0105] 进一步的,在本发明的一个实施例中,所述数据采集模块11包括:
[0106] 数据转换单元,用于对当前图像数据进行去噪处理以及将当前图像数据从RGB颜色空间转换到灰度空间;
[0107] 第一数据计算单元,用于计算灰度空间下的当前图像数据中每个像素点的灰度值,并对每个像素点的灰度值进行统计分析计算出当前图像数据的光照强度分布;
[0108] 第二数据计算单元,用于将当前图像数据划分为预设数量的子区域,并计算每个子区域内所有像素点的平均灰度值得到每个子区域的光照强度估计;
[0109] 数据生成单元,用于将当前图像数据的光照强度分布以及每个子区域的光照强度估计结果进行合并生成光照强度分布图。
[0110] 进一步的,在本发明的一个实施例中,所述图像分解模块12包括:
[0111] 数据变换单元,用于将采集到的当前图像数据转换为灰度图像,并对灰度图像进行对数变换得到对数域图像;
[0112] 光照分量确定单元,用于将对数变换后的对数域图像进行高斯滤波得到估计的光照分量的对数值,并将估计的光照分量从对数域转换回线性域;
[0113] 反射分量确定单元,用于根据当前图像数据的灰度值以及估计的光照分量计算得到反射分量。
[0114] 进一步的,在本发明的一个实施例中,所述图像分解模块12包括:
[0115] 反射分量处理单元,用于将反射分量输入经过训练的残差网络中得到反射增强后的反射分量;
[0116] 区域划分单元,用于从光照分量中提取每个像素点的光照亮度值,并根据每个像素点的光照亮度值将当前图像数据分为暗调区域和高光区域;
[0117] 光照分量处理单元,用于对暗调区域使用非线性变换或直方图均衡化进行亮度增强,以及对高光区域使用亮度缩放或校正进行亮度调整。
[0118] 进一步的,在本发明的一个实施例中,所述图像合成模块13包括:
[0119] 数据处理单元,用于对反射增强后的反射分量和经过光照调整后的光照分量进行归一化处理;
[0120] 图像生成单元,用于将归一化后的反射分量和光照分量进行逐像素相乘生成目标图像数据;
[0121] 图像处理单元,用于对目标图像数据进行对比度调整以及色彩校正。
[0122] 进一步的,在本发明的一个实施例中,所述照明调整模块14包括:
[0123] 光照差异计算单元,用于计算实际光照强度分布和目标光照强度分布之间的光照差异;
[0124] 调整系数计算单元,用于根据光照差异计算每组灯光光源的调整系数;
[0125] 照明调整单元,用于根据计算出的调整系数调节矿灯中各组灯光光源的照明亮度。
[0126] 本发明实施例所提供的矿灯动态照明控制系统,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
[0127] 实施例三
[0128] 本发明另一方面还提出一种矿灯,请参阅图3,所示为本发明第三实施例当中的矿灯,包括存储器20、处理器10以及存储在存储器20上并可在处理器上运行的程序30,处理器10执行程序30时实现如上述实施例的矿灯动态照明控制方法。
[0129] 其中,处理器10在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器20中存储的程序代码或处理数据,例如执行访问限制程序等。
[0130] 其中,存储器20至少包括一种类型的可读存储介质,可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器20在一些实施例中可以是矿灯的内部存储单元,例如该矿灯的硬盘。存储器20在另一些实施例中也可以是矿灯的外部存储装置,例如矿灯上配备的智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器20还可以既包括矿灯的内部存储单元也包括外部存储装置。存储器20不仅可以用于存储安装于矿灯的应用软件及各类数据,还可以用于暂时地存储已经输出或者将要输出的数据。
[0131] 需要指出的是,图3示出的结构并不构成对矿灯的限定,在其它实施例当中,该矿灯可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
[0132] 综上,本发明上述实施例当中的矿灯,通过对采集到的图像进行分解和处理,包括光照分量的调整和反射分量的增强,能够有效提升图像亮度和对比度,使得在低光照条件下,矿灯能够提供更清晰的图像,改善了监控效果;通过实时分析当前图像数据中的实际光照强度分布和目标图像数据中的目标光照强度分布,计算灯光亮度的调整系数,动态调整各组灯光的亮度,使得可以根据环境变化灵活调整照明,从而使得光照更加均匀,有效避免了过亮或过暗的情况;通过提升照明效果,改善图像采集质量,可以帮助更清晰地监控矿井内部的工作情况,确保矿工安全,并且通过优化照明减少了矿井作业中由于光照不足导致的操作失误;通过根据当前环境的实际光照强度和目标光照需求,实时调整灯光的亮度,达到自适应调节的目的,使得矿灯可以适应不同的工作场景和光照条件,提供最优的照明效果。解决了现有低光照条件下的照明质量和图像采集质量较差的问题。
[0133] 本发明实施例还提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现如上述实施例所述的矿灯动态照明控制方法。
[0134] 所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元或模块完成,即将存储装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施方式中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。
[0135] 本领域技术人员可以理解,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何存储介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“存储介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0136] 可读存储介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,存储介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在存储器中。
[0137] 应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
[0138] 在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“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一定指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何的一个或多个实施例或示例中以合适的方式结合。
[0139] 以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明的保护范围应以所附权利要求为准。

当前第1页 第1页 第2页 第3页
相关技术
动态照明相关技术
存储介质相关技术
丁柏平发明人的其他相关专利技术