一种图像重建方法、装置、设备及介质
阅读：373发布：2024-01-31
专利汇可以提供一种图像重建方法、装置、设备及介质专利检索，专利查询，专利分析的服务。并且本 发明 实施例 公开了一种图像重建方法、装置、设备及介质，所述方法包括：获取采集到的欠 采样 数据，将所述欠采样数据输入至预先训练好的目标图像重建模型中，其中，所述目标图像重建模型是对原始图像重建模型的数据保真项进行泛化后求解得到的；获取所述目标图像重建模型输出的重建图像。本发明实施例所提供的图像重建方法通过将原始图像重建模型的数据保真项进行泛化后求解得到目标图像重建模型，基于得到的目标图像重建模型以及欠采样数据得到重建图像，提高了神经网络的网络 自由度 ，且保障了图像重建过程中的数据一致性，提高了重建的图像 质量 。，下面是一种图像重建方法、装置、设备及介质专利的具体信息内容。
1.一种图像重建方法，其特征在于，包括：
获取采集到的欠采样数据，将所述欠采样数据输入至预先训练好的目标图像重建模型中，其中，所述目标图像重建模型是对原始图像重建模型的数据保真项进行泛化后求解得到的；
获取所述目标图像重建模型输出的重建图像。
2.根据权利要求1所述的方法，其特征在于，所述目标图像重建模型的构建，包括：
将所述原始图像重建模型中的数据保真项进行泛化，得到泛化后的图像重建模型；
使用迭代软阈值算法对泛化后的图像重建模型进行转化，根据转化后的图像重建模型得到所述目标图像重建模型。
3.根据权利要求2所述的方法，其特征在于，所述转化后的图像重建模型中包括所述数据保真项的一阶偏导，所述根据转化后的图像重建模型得到所述目标图像重建模型，包括：
使用卷积神经网络代替所述转化后的图像重建模型中数据保真项的一阶偏导，得到所述目标图像重建模型。
4.根据权利要求3所述的方法，其特征在于，所述原始图像重建模型为：
所述泛化后的图像重建模型为：minmF(Am,f)+λ||Ψm||1，其中，
m为待重建图像，A为编码矩阵，f为欠采样数据，λ为正则参数，Ψ表示稀疏变换。
5.根据权利要求4所述的方法，其特征在于，使用迭代软阈值算法对泛化后的图像重建模型进行转化，得到转化后的图像重建模型为：
其中，m(n)表示第n次迭代的待重建图像，ρ为步长，F′为所述数据保真项的一阶偏导。
6.根据权利要求5所述的方法，其特征在于，所述使用卷积神经网络代替所述转化后的图像重建模型中数据保真项的一阶偏导，得到所述目标图像重建模型，包括：
将所述数据保真项的一阶偏导F′替换为d(n+1)＝Γ(Am(n)，f)，得到所述目标图像重建模型：
其中，d(n+1)表示所述数据保真项的一阶偏导， 表示前向变换，G表示反向变换，θ为软阈值参数。
7.根据权利要求6所述的方法，其特征在于，还包括：
获取样本欠采样数据以及所述样本欠采样数据对应的样本全采样图像；
基于所述样本欠采样数据以及所述样本欠采样数据对应的样本全采样图像生成训练样本对，使用所述训练样本对对所述目标图像重建模型进行训练，得到训练好的目标图像重建模型。
8.一种图像重建装置，其特征在于，包括：
欠采样数据获取模块，用于获取采集到的欠采样数据，将所述欠采样数据输入至预先训练好的目标图像重建模型中，其中，所述图像重建模型是对原始图像重建模型的数据保真项进行泛化后求解得到的；
重建图像获取模块，用于获取所述目标图像重建模型输出的重建图像。
9.一种计算机设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的图像重建方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的图像重建方法。
一种图像重建方法、装置、设备及介质
技术领域
背景技术
[0002] 磁共振利用静磁场和射频磁场对人体组织成像，它不仅提供了丰富的组织对比度，且对人体无害，因此成为医学临床诊断的一种强有力的工具。但是，成像速度慢一直是制约其快速发展的一大瓶颈，如何在成像质量为临床可接受的前提下，提高扫描速度，从而减少扫描时间尤为重要。
[0003] 在快速成像方面，采用深度学习方法进行磁共振图像重建受到越来越多的关注。深度学习方法利用神经网络，从大量训练数据中学习重建所需的最优参数或者直接学习从欠采数据到全采图像之间的映射关系，从而取得比传统并行成像或者压缩感知方法更好的成像质量和更高的加速倍数。迭代软阈值算法是一种针对L1约束的最优化问题的求解算法，在反问题求解中得到广泛应用。将深度学习与ISTA算法结合的ISTA-net方法采用深度神经网络来学习算法中的参数以及稀疏变换，在图像重建、去噪等问题中能得到比传统方法更好的效果。但是，现有的深度神经网络的模型较固定，可能无法有效的保证图像重建过程中的数据一致性。
发明内容
[0004] 本发明实施例提供了一种图像重建方法、装置、设备及介质，以实现保障图像重建过程中的数据一致性，提高重建的图像质量。
[0005] 第一方面，本发明实施例提供了一种图像重建方法，包括：
[0006] 获取采集到的欠采样数据，将所述欠采样数据输入至预先训练好的目标图像重建模型中，其中，所述目标图像重建模型是对原始图像重建模型的数据保真项进行泛化后求解得到的；
[0007] 获取所述目标图像重建模型输出的重建图像。
[0008] 第二方面，本发明实施例还提供了一种图像重建装置，包括：
[0009] 欠采样数据获取模块，用于获取采集到的欠采样数据，将所述欠采样数据输入至预先训练好的目标图像重建模型中，其中，所述图像重建模型是对原始图像重建模型的数据保真项进行泛化后求解得到的；
[0010] 重建图像获取模块，用于获取所述目标图像重建模型输出的重建图像。
[0011] 第三方面，本发明实施例还提供了一种计算机设备，所述设备包括：
[0012] 一个或多个处理器；
[0013] 存储装置，用于存储一个或多个程序；
[0014] 当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例所提供的图像重建方法。
[0015] 第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的图像重建方法。
[0016] 本发明实施例通过获取待分割视频，确定知识点数据与所述待分割视频中视频帧之间的对应关系；根据所述对应关系对所述待分割视频进行分割，得到至少一个视频片段，通过根据待分割视频中的知识点数据对待分割视频进行分割，简化了视频的分割过程，提高了视频的分割准确度。
[0017] 本发明实施例通过获取采集到的欠采样数据，将所述欠采样数据输入至预先训练好的目标图像重建模型中，其中，所述目标图像重建模型是对原始图像重建模型的数据保真项进行泛化后求解得到的；获取所述目标图像重建模型输出的重建图像。本发明实施例所提供的图像重建方法通过将原始图像重建模型的数据保真项进行泛化后求解得到目标图像重建模型，基于得到的目标图像重建模型以及欠采样数据得到重建图像，提高了神经网络的网络自由度，且保障了图像重建过程中的数据一致性，提高了重建的图像质量。附图说明
[0018] 图1是本发明实施例一所提供的一种图像重建方法的流程图；
[0019] 图2a是本发明实施例二所提供的一种图像重建方法的流程图；
[0020] 图2b是本发明实施例二所提供的一种目标图像重建模型的网络结构示意图；
[0021] 图2c为采用本发明实施例二所提供图像重建方法进行图像重建的重建效果图；
[0022] 图3是本发明实施例三所提供的一种图像重建装置的结构示意图；
[0023] 图4是本发明实施例四所提供的计算机设备的结构示意图。
具体实施方式
[0024] 下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
[0025] 实施例一
[0026] 图1是本发明实施例一所提供的一种图像重建方法的流程图。本实施例可适用于对采集到的欠采样K空间数据进行图像重建时的情形。该方法可以由图像重建装置执行，该图像重建装置可以采用软件和/或硬件的方式实现，例如，该图像重建装置可配置于计算机设备中。如图1所示，所述方法包括：
[0027] S110、获取采集到的欠采样数据，将所述欠采样数据输入至预先训练好的目标图像重建模型中，其中，所述目标图像重建模型是对原始图像重建模型的数据保真项进行泛化后求解得到的。
[0028] 本实施例中，通过机器学习算法将采集的欠采样数据进行学习，得到欠采样数据对应的重建图像。具体的，将欠采样数据输入至训练好的目标图像重建模型中，获得目标图像重建模型输出的重建图像。可选的，目标图像重建模型是基于神经网络构建的。神经网络是基于人工神经网络(Artificial Neural Network，即ANN)构建的模块。人工神经网络由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重。神经网络包含数据输入层，中间隐藏层，数据输出层。在本实施例中，神经网络可以为卷积神经网络(Convoltional Neural Networks,CNN)、生成对抗网络Generative Adversarial Networks，GAN)或者其他形式的神经网络模型。可选的，欠采样数据可以为待成像部位内磁共振设备扫描获得的欠采样的K空间数据。
[0029] 需要说明的是，本发明实施例中的目标图像重建模型是对原始图像重建模型的数据保真项进行泛化后求解得到的，对原始图像重建模型的数据保真项进行泛化后再求解获得目标图像重建模型，解除了原始图像重建模型中数据需要建立在线性无偏估计的前提下的弊端，使得目标图像重建模型的适用性更广，提高了神经网络的网络自由度。
[0030] S120、获取所述目标图像重建模型输出的重建图像。
[0031] 在本实施例中，将欠采样数据输入至训练好的目标图像重建模型后，获取目标图像重建模型输出的重建图像，将获取的重建图像作为欠采样数据对应的图像。
[0032] 本发明实施例通过获取采集到的欠采样数据，将所述欠采样数据输入至预先训练好的目标图像重建模型中，其中，所述目标图像重建模型是对原始图像重建模型的数据保真项进行泛化后求解得到的；获取所述目标图像重建模型输出的重建图像，通过将原始图像重建模型的数据保真项进行泛化后求解得到目标图像重建模型，基于得到的目标图像重建模型以及欠采样数据得到重建图像，提高了神经网络的网络自由度，且保障了图像重建过程中的数据一致性，提高了重建的图像质量。
[0033] 实施例二
[0034] 图2a是本发明实施例二所提供的一种图像重建方法的流程图。本实施例在上述实施例的基础上进行了优化。如图2a所示，所述方法包括：
[0035] S210、将原始图像重建模型中的数据保真项进行泛化，得到泛化后的图像重建模型。
[0036] 在本实施例中，原始图像重建模型为传统的基于深度学习的磁共振图像重建方法所使用的图像重建模型。原始图像重建模型中的数据保真项中限定了编码矩阵、待重建图像以及欠采样K空间数据之间的关系。一般的，原始图像重建模型中的数据保真项是通过采用重建的K空间与采样点之间的2范数来进行表征的，但上述表征的最小二乘约束是建立在线性无偏估计的前提下，因此上述表征方式可能无法有效保障图像重建过程中的数据一致性。为了解决上述缺陷，在本实施例中，在通过迭代软阈值算法对原始图像重建模型进行求解之前，将原始图像重建模型中的数据保真项进行泛化，再对泛化后的原始图像重建模型进行求解，得到目标图像重建模型，使得目标图像重建模型的适用范围更广，提高了神经网络的网络自由度，且保障了图像重建过程中的数据一致性。
[0037] 一个实施例中，所述原始图像重建模型为： 其中，Am-f为原始图像重建模型的数据保真项，m为待重建图像，A为编码矩阵，f为欠采样数据，λ为正则参数，Ψ表示稀疏变换，||Am-f||2表示Am-f的2范数。对上述原始图像重建模型中数据保真项Am-f进行泛化，将其泛化为F(Am,f)，得到泛化后的图像重建模型为：
[0038] S220、使用迭代软阈值算法对泛化后的图像重建模型进行转化，根据转化后的图像重建模型得到所述目标图像重建模型。
[0039] 在本实施例中，得到泛化后的图像重建模型后，使用迭代软阈值(iterative shrinkage-thresholding algorithm，ISTA)算法对泛化后的图像重建模型进行转化，得到转化后的图像重建模型为：
[0040]
[0041] 其中，m(n)表示第n次迭代的待重建图像，ρ为步长，F′为数据保真项F(Am,f)的一阶偏导。
[0042] 在上述方案的基础上，所述使用卷积神经网络代替所述转化后的图像重建模型中数据保真项的一阶偏导，得到所述目标图像重建模型，包括：
[0043] 将所述数据保真项的一阶偏导F′替换为d(n+1)＝Γ(Am(n)，f)，得到所述目标图像重建模型：
[0044]
[0045] 其中，d(n+1)表示所述数据保真项的一阶偏导，表示前向变换，G表示反向变换，θ为软阈值参数。
[0046] S230、获取样本欠采样数据以及所述样本欠采样数据对应的样本全采样图像。
[0047] S240、基于所述样本欠采样数据以及所述样本欠采样数据对应的样本全采样图像生成训练样本对，使用所述训练样本对对所述目标图像重建模型进行训练，得到训练好的目标图像重建模型。
[0048] 可选的，可以对同一待成像部位分别进行欠采样及全采样，将同一成像部位的欠采样数据以及全采样重建出的图像作为样本对，使用获取的样本对对上述构建的目标图像重建模型进行训练，确定目标图像重建模型中前向变换G、反向变换 步长ρ以及软阈值参数θ等参数的值，得到训练好的目标图像重建模型。
[0049] 图2b是本发明实施例二所提供的一种目标图像重建模型的网络结构示意图。如图2b所示，目标图像重建模型的输入为欠采样K空间数据f，经过N次迭代后，得到输出的重建图像m。其中每次数据迭代过程中，采用目标图像重建模型进行计算。一个实施例中，迭代次数为10次，每个卷积神经网络的卷积核大小为3×3，激活函数为线性整流函数(Rectified Linear Unit，Relu)函数，数据保真层d包含2个卷积层，卷积核个数为(32，3)，前向变换G有
2个卷积层，卷积核个数为(32，32)，反向变换 有2个卷积层，卷积核个数为(32，2)。由于磁共振信号为复数信号，因此目标图像重建模型中所有数据分为实部和虚部两个通道进行处理，即输出数据的通道数为2。可选的，损失函数可以为均方误差函数： 其
中，为网络输出，xref为相应的全采图像。
2个卷积层，卷积核个数为(32，32)，反向变换 有2个卷积层，卷积核个数为(32，2)。由于磁共振信号为复数信号，因此目标图像重建模型中所有数据分为实部和虚部两个通道进行处理，即输出数据的通道数为2。可选的，损失函数可以为均方误差函数： 其
中，为网络输出，xref为相应的全采图像。
[0050] S250、获取采集到的欠采样数据，将所述欠采样数据输入至预先训练好的目标图像重建模型中。
[0051] S260、获取所述目标图像重建模型输出的图像。
[0052] 图2c为采用本发明实施例二所提供图像重建方法进行图像重建的重建效果图。图2c是在3T磁共振系统上进行回顾式10倍欠采样实验得到的重建图像。如图2c所示，由左至右分别为参考图像，传统图像重建模型得到的重建图像以及采用本发明实施例所提供的目标图像重建模型得到的重建图像。从图2c中可以看出，本发明实施例所提供的目标图像重建模型得到的重建图像较参考图像以及传统图像重建模型得到的重建图像更清晰，在视觉效果上及指标上均较佳。
[0053] 本发明实施例的技术方案，将原始图像重建模型依据目标图像重建模型的构建构成进行了具体化，通过将原始图像重建模型中的数据保真项进行泛化，得到泛化后的图像重建模型，使用迭代软阈值算法对泛化后的图像重建模型进行转化，根据转化后的图像重建模型得到所述目标图像重建模型，使得构建出的目标图像重建模型适用更加广泛，网络自由度更高。
[0054] 实施例三
[0055] 图3是本发明实施例三所提供的一种图像重建装置的结构示意图。该图像重建装置可以采用软件和/或硬件的方式实现，例如该图像重建装置可以配置于计算机设备中。如图3所示，所述装置包括欠采样数据获取模块310和重建图像获取模块320，其中：
[0056] 欠采样数据获取模块310，用于获取采集到的欠采样数据，将所述欠采样数据输入至预先训练好的目标图像重建模型中，其中，所述图像重建模型是对原始图像重建模型的数据保真项进行泛化后求解得到的；
[0057] 重建图像获取模块320，用于获取所述目标图像重建模型输出的图像。
[0058] 本发明实施例通过欠采样数据获取模块获取采集到的欠采样数据，将所述欠采样数据输入至预先训练好的目标图像重建模型中，其中，所述目标图像重建模型是对原始图像重建模型的数据保真项进行泛化后求解得到的；重建图像获取模块获取所述目标图像重建模型输出的图像，通过将原始图像重建模型的数据保真项进行泛化后求解得到目标图像重建模型，基于得到的目标图像重建模型以及欠采样数据得到重建图像，保障了图像重建过程中的数据一致性，提高了重建的图像质量。
[0059] 在上述方案的基础上，所述装置还包括模型构建模块，用于：
[0060] 将所述原始图像重建模型中的数据保真项进行泛化，得到泛化后的图像重建模型；
[0061] 使用迭代软阈值算法对泛化后的图像重建模型进行转化，根据转化后的图像重建模型得到所述目标图像重建模型。
[0062] 在上述方案的基础上，所述求解结果中包括所述数据保真项的一阶偏导，所述模型构建模块具体用于：
[0063] 使用卷积神经网络代替所述转化后的图像重建模型中数据保真项的一阶偏导，得到所述目标图像重建模型。
[0064] 在上述方案的基础上，所述原始图像重建模型为： 所述泛化后的图像重建模型为：minmF(Am,f)+λ||Ψm||1，其中，m为待重建图像，A为编码矩阵，f为欠采样数据，λ为正则参数，Ψ表示稀疏变换。
[0065] 在上述方案的基础上，使用迭代软阈值算法对泛化后的图像重建模型进行转化，得到转化后的图像重建模型为：
[0066]
[0067] 其中，m(n)表示第n次迭代的待重建图像，ρ为步长，F′为所述数据保真项的一阶偏导。
[0068] 在上述方案的基础上，所述使用卷积神经网络代替所述转化后的图像重建模型中数据保真项的一阶偏导，得到所述目标图像重建模型，包括：
[0069] 将所述数据保真项的一阶偏导F′替换为d(n+1)＝Γ(Am(n)，f)，得到所述目标图像重建模型：
[0070]
[0071] 其中，d(n+1)表示所述数据保真项的一阶偏导，表示前向变换，G表示反向变换，θ为软阈值参数。
[0072] 在上述方案的基础上，所述装置还包括模型训练模块，用于：
[0073] 获取样本欠采样数据以及所述样本欠采样数据对应的样本全采样图像；
[0074] 基于所述样本欠采样数据以及所述样本欠采样数据对应的样本全采样图像生成训练样本对，使用所述训练样本对对所述目标图像重建模型进行训练，得到训练好的目标图像重建模型。
[0075] 本发明实施例所提供的图像重建装置可执行任意实施例所提供的图像重建方法，具备执行方法相应的功能模块和有益效果。
[0076] 实施例四
[0077] 图4是本发明实施例四所提供的计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备412的框图。图4显示的计算机设备412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0078] 如图4所示，计算机设备412以通用计算设备的形式表现。计算机设备412的组件可以包括但不限于：一个或者多个处理器416，系统存储器428，连接不同系统组件(包括系统存储器428和处理器416)的总线418。
[0079] 总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器416或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
[0081] 系统存储器428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)430和/或高速缓存存储器432。计算机设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储装置434可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储器428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
[0082] 具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储器428中，这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
[0083] 计算机设备412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信，还可与一个或者多个使得用户能与该计算机设备412交互的设备通信，和/或与使得该计算机设备412能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，计算机设备
412还可以通过网络适配器420与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器420通过总线418与计算机设备412的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备412使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
412还可以通过网络适配器420与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器420通过总线418与计算机设备412的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备412使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
[0085] 获取采集到的欠采样数据，将所述欠采样数据输入至预先训练好的目标图像重建模型中，其中，所述目标图像重建模型是对原始图像重建模型的数据保真项进行泛化后求解得到的；
[0086] 获取所述目标图像重建模型输出的重建图像。
[0087] 当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的图像重建方法的技术方案。
[0088] 实施例五
[0089] 本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的图像重建方法，该方法包括：
[0090] 获取采集到的欠采样数据，将所述欠采样数据输入至预先训练好的目标图像重建模型中，其中，所述目标图像重建模型是对原始图像重建模型的数据保真项进行泛化后求解得到的；
[0091] 获取所述目标图像重建模型输出的重建图像。
[0092] 当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的图像重建方法中的相关操作。
[0093] 本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0094] 计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0095] 计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
[0096] 可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0097] 注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种移动用户位置预测方法与系统 | 2020-05-08 | 638 |
| 一种基于边缘计算的综合传感网测试平台 | 2020-05-08 | 767 |
| 视频编码中自适应纹理预测方法 | 2020-05-08 | 400 |
| 带宽压缩中的预测方法 | 2020-05-08 | 246 |
| 基于滑动输入来确定输入字符的系统和方法 | 2020-05-08 | 94 |
| 一种用于视频压缩的预测方法 | 2020-05-08 | 126 |
| 一种基于贪婪算法的游戏资源打包方法及系统 | 2020-05-08 | 988 |
| 用于运输管理系统的异常监控报警系统及方法 | 2020-05-11 | 473 |
| 一种适用于CV-QKD系统的偏置点控制方法及装置 | 2020-05-11 | 851 |
| 一种基于hash的审批方法 | 2020-05-11 | 343 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈