CN115348453B - 一种航拍影像的全并行分形编码方法及系统 - Google Patents

Abstract

本发明提供了一种航拍影像的全并行分形编码方法及系统，涉及数据处理技术领域，通过将航拍影像中的图像划分为多个范围块、域块；对所述范围块、域块进行分类，获得范围块分类信息、域块分类信息；根据所述范围块分类信息、域块分类信息，将每一个范围块匹配至对应的域块分类信息中进行搜索；利用预设CUDA并行加速算法对范围块在域块分类信息中对应类进行并行编码。解决了现有技术中搜索匹配过程需要多次遍历，存在编码时间过长的技术问题。达到了降低编码的复杂性，不再是从所有的域块中进行遍历匹配，而是在类别相似或者相近的域类中进行匹配，减少了匹配的次数，提高了匹配速度，从而提高了编码的速度的技术效果。

Description

一种航拍影像的全并行分形编码方法及系统

技术领域

本发明涉及数据处理技术领域，具体涉及一种航拍影像的全并行分形编码方法及系统。

背景技术

航拍影像具有拍摄范围广、视野佳，尤其适用于面积广阔地势险峻的环境下进行远距离景象广角拍摄，随着无人机等航拍手段的发展和普及，对于航拍影像的处理要求也有所提升，为了加快航拍影像的传输速度利用分形编码，编码过程为对图像中相似区域的统计过程，将图像划分为Domain块,简称D块和Range块,简称R块，然后为每个R块寻找与其最佳匹配的D块，而这种最佳匹配表现在灰度分布最为近似的块之间，利用的是图像在空间域的自相似性，无需通过特殊的硬件设备采集或表征。在编码过程中，分形压缩突破了以往熵编码的界限。但分形编码方法也有着较为明显的不足，其匹配过程需要多次遍历，因而导致编码时间过长，图像自相似性过差或块尺寸过大则会导致解码时出现块状效应。

发明内容

为了解决上述问题，本申请通过提供了一种航拍影像的全并行分形编码方法及系统，解决了现有技术中搜索匹配过程需要多次遍历，存在编码时间过长的技术问题。达到了降低编码的复杂性，不再是从所有的域块中进行遍历匹配，而是在类别相似或者相近的域类中进行匹配，减少了匹配的次数，提高了匹配速度，从而提高了编码的速度的技术效果。

鉴于上述问题，本申请提供了一种航拍影像的全并行分形编码方法及系统。

一方面，本申请提供了一种航拍影像的全并行分形编码方法，包括：将航拍影像中的图像划分为多个范围块、域块；对所述范围块、域块进行分类，获得范围块分类信息、域块分类信息；根据所述范围块分类信息、域块分类信息，将每一个范围块匹配至对应的域块分类信息中进行搜索；利用预设CUDA并行加速算法对范围块在域块分类信息中对应类进行并行编码。

优选的，对所述范围块、域块进行分类，获得范围块分类信息、域块分类信息，包括：对所述范围块、域块进行DCT变换，获得结果系数；设定分类判别阈值；根据所述结果系数、所述分类判别阈值进行比较，确定所述范围块、域块的分类信息，得到所述范围块分类信息、域块分类信息。

优选的，对所述范围块、域块进行DCT变换，获得结果系数，包括：设定尺度为L×L的图像块f经DCT变换，获得F(m,n)，其中m,n=0,1，……，L-1；|F(1，0)|表征图像块f的垂直方向能量分布，|F(0，1)|表征图像块 f 的水平方向能量分布；根据所述垂直方向能量分布、所述水平方向能量分布，获得所述结果系数。

优选的，所述根据所述结果系数、所述分类判别阈值进行比较，确定所述范围块、域块的分类信息，得到所述范围块分类信息、域块分类信息，包括：根据所述分类判别阈值确定平滑类判别阈值TS、对角类及次对角类判别阈值TD；当|F(1，0)|＜TS，且，|F(0，1)|＜TS时，分类信息为平滑类；当|F(0，1)|-|F(1，0)|＞TD时，分类信息为水平类；当|F(1，0)|-|F(0，1)|＞TD时，分类信息为垂直类；当F(1，0)×F(0，1)＜0时，分类信息为对角类；当F(1，0)×F(0，1)≥0时，分类信息为次对角类。

优选的，所述预设CUDA并行加速算法为基于GPU的CUDA并行加速算法，其中，所述预设CUDA并行加速算法的框架结构为将初始化数据、声明核函数中数据拷贝至GPU设备中，从GPU设备中读取数据进行并行计算，获得并行计算的反馈结果至GPU设备，GPU设备将并行计算结果拷贝至声明核函数。

优选的，所述利用预设CUDA并行加速算法对范围块在域块分类信息中对应类进行并行编码，包括：将范围块分类数组、域块分类数组、原始图像数据，拷贝到GPU设备中，并定义各分类数组的编码函数；按照范围块的取值特征，确定声明Shared Memory数量、线程个数、Block个数；定义一个读取所有线程在当前Gird中的ID、row，及当前线程在当前的Block的ID；Shared Memory读取范围块数据，使用CUDA堵塞函数进行堵塞，等待每个线程读取完所有数据再进行计算；当完成所有数据读取操作后，对所有数据进行并行计算，获得CPU编码结果，将所述CPU编码结果进行反馈。

优选的，所述Shared Memory读取范围块数据，包括：根据所述范围块分类数组的大小，确定元素个数；获得范围块ID；根据所述范围块ID从所述原始图像数据中读取范围块的值；基于所述元素个数，完成所有范围块的数据读取。

另一方面，本申请提供了一种航拍影像的全并行分形编码系统，所述系统包括：图像划分单元，用于将航拍影像中的图像划分为多个范围块、域块；图像块分类单元，用于对所述范围块、域块进行分类，获得范围块分类信息、域块分类信息；匹配搜索单元，用于根据所述范围块分类信息、域块分类信息，将每一个范围块匹配至对应的域块分类信息中进行搜索；并行编码单元，用于利用预设CUDA并行加速算法对范围块在域块分类信息中对应类进行并行编码。

第三方面，本申请提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面任意所述的方法。

本申请中提供的技术方案，至少具有如下技术效果：

本申请提供了一种航拍影像的全并行分形编码方法及系统，通过将航拍影像中的图像划分为多个范围块、域块；对所述范围块、域块进行分类，获得范围块分类信息、域块分类信息；根据所述范围块分类信息、域块分类信息，将每一个范围块匹配至对应的域块分类信息中进行搜索；利用预设CUDA并行加速算法对范围块在域块分类信息中对应类进行并行编码。对D块和R块进行分类后，匹配过程的全局搜索转变为在同一类别或者相近类别的域类中进行搜索，达到了降低编码复杂性，在匹配过程中缩小了匹配的范围，不再是从所有的域块中进行遍历匹配，而是在类别相似或者相近的域类中进行匹配，减少了匹配的次数，提高了匹配速度，从而提高了编码的速度的技术效果。从而解决了现有技术中搜索匹配过程需要多次遍历，存在编码时间过长的技术问题。

附图说明

图1为本申请实施例的一种航拍影像的全并行分形编码方法的流程示意图；

图2为本申请实施例的一种航拍影像的全并行分形编码方法中进行并行编码的流程示意图；

图3为本申请实施例的一种航拍影像的全并行分形编码方法中预设CUDA并行加速算法的框架结构示意图；

图4为本申请实施例的一种航拍影像的全并行分形编码系统的结构示意图。

具体实施方式

本申请通过提供了一种航拍影像的全并行分形编码方法及系统，用以解决现有技术中搜索匹配过程需要多次遍历，存在编码时间过长的技术问题。

下面结合具体的实施例进行本发明方案的详细介绍。

实施例一

如图1所示，本申请实施例提供了一种航拍影像的全并行分形编码方法，所述方法包括：

S10：将航拍影像中的图像划分为多个范围块、域块；

S20：对所述范围块、域块进行分类，获得范围块分类信息、域块分类信息；

进一步的，对所述范围块、域块进行分类，获得范围块分类信息、域块分类信息，包括：对所述范围块、域块进行DCT变换，获得结果系数；设定分类判别阈值；根据所述结果系数、所述分类判别阈值进行比较，确定所述范围块、域块的分类信息，得到所述范围块分类信息、域块分类信息。

进一步的，对所述范围块、域块进行DCT变换，获得结果系数，包括：设定尺度为L×L 的图像块f经DCT变换，获得F(m,n)，其中m,n=0,1，……L-1；|F(1，0)|表征图像块f的垂直方向能量分布，|F(0，1)|表征图像块 f 的水平方向能量分布；根据所述垂直方向能量分布、所述水平方向能量分布，获得所述结果系数。

进一步的，所述根据所述结果系数、所述分类判别阈值进行比较，确定所述范围块、域块的分类信息，得到所述范围块分类信息、域块分类信息，包括：根据所述分类判别阈值确定平滑类判别阈值TS、对角类及次对角类判别阈值TD；当|F(1，0)|＜TS，且，|F(0，1)|＜TS时，分类信息为平滑类；当|F(0，1)|-|F(1，0)|＞TD时，分类信息为水平类；当|F(1，0)|-|F(0，1)|＞TD时，分类信息为垂直类；当F(1，0)×F(0，1)＜0时，分类信息为对角类；当F(1，0)×F(0，1)≥0时，分类信息为次对角类。

具体的，本申请实施例提出了一种基于分类方案的快速分形编码方法，在编码过程中首先对范围块即R块和域块即D块进行分类，然后将每个范围块限制在相应的域类中进行搜索，通过减少了搜索的范围，可以有效提高编码速度，减少匹配遍历的次数，在对应的域类中进行最佳匹配，完成编码。

由于灰度特征是范围块和域块在进行匹配过程中的主要影响因素，图像的灰度分布决定了图像的边缘特征，根据边缘特征对块进行分类，能够最大程度利用图像自相似性。通过对图像进行DCT变换，图像经过DCT变换产生的系数的能量分布呈现明显的方向性，即结果系数，结果系数是图像边缘的方向性纹理特征的直接表现，通过DCT变换获得图像边缘的能量走向，根据走向对块进行分类，设计对应的分类机制。

举例而言，设尺度为L×L的图像块f经DCT变换的结果为 F(m,n)，其中m,n=0,1，……L-1,则|F(1，0)|表征了图像块f的垂直方向能量分布，|F(0，1)|表征了图像块 f 的水平方向能量分布，可以通过|F(1，0)|和|F(0，1)|的值来判别图像能量分布方向，将图像块分为 S（平滑类）、Hh（水平类）、Hv（垂直类）、Dd（对角类）、Ds（次对角类）5 类，设 TS 为平滑类的判别阈值、TD 为对角类及次对角类的判别阈值。当|F(1，0)|＜TS，且，|F(0，1)|＜TS时，分类信息为平滑类，若不满足则继续分类，判断是否为水平类；当|F(0，1)|-|F(1，0)|＞TD时，分类信息为水平类，若不满足则继续判断是否为垂直类；当|F(1，0)|-|F(0，1)|＞TD时，分类信息为垂直类，若不满足，则继续判断是否为对角类；当F(1，0)×F(0，1)＜0时，分类信息为对角类；当F(1，0)×F(0，1)≥0时，分类信息为次对角类。实现了对块进行分类。

S30：根据所述范围块分类信息、域块分类信息，将每一个范围块匹配至对应的域块分类信息中进行搜索；

具体的，对D块和R块进行分类后，匹配过程的全局搜索转变为在同一类别或者相近类别的域类中进行搜索，降低了编码的复杂性，在匹配过程中缩小了匹配的范围，不再是从所有的域块中进行遍历匹配，而是在类别相似或者相近的域类中进行匹配，减少了匹配的次数，提高了匹配速度，从而提高了编码的速度。

S40：利用预设CUDA并行加速算法对范围块在域块分类信息中对应类进行并行编码。

进一步的，如图3所示，所述预设CUDA并行加速算法为基于GPU的CUDA并行加速算法，其中，所述预设CUDA并行加速算法的框架结构为将初始化数据、声明核函数中数据拷贝至GPU设备中，从GPU设备中读取数据进行并行计算，获得并行计算的反馈结果至GPU设备，GPU设备将并行计算结果拷贝至声明核函数。

进一步的，如图2所示，所述利用预设CUDA并行加速算法对范围块在域块分类信息中对应类进行并行编码，S40包括：S401：将范围块分类数组、域块分类数组、原始图像数据，拷贝到GPU设备中，并定义各分类数组的编码函数；S402：按照范围块的取值特征，确定声明Shared Memory（共享内存）数量、线程个数、Block（线程块）个数；S403：定义一个读取所有线程在当前Gird（网格）中的ID、row（行），及当前线程在当前的Block的ID；S404：SharedMemory读取范围块数据，使用CUDA堵塞函数进行堵塞，等待每个线程读取完所有数据再进行计算；S405：当完成所有数据读取操作后，对所有数据进行并行计算，获得CPU编码结果，将所述CPU编码结果进行反馈。

进一步的，所述Shared Memory读取范围块数据，包括：根据所述范围块分类数组的大小，确定元素个数；获得范围块ID；根据所述范围块ID从所述原始图像数据中读取范围块的值；基于所述元素个数，完成所有范围块的数据读取。

具体的，对范围块、域块进行分类处理后，采用基于GPU的CUDA并行加速算法对码本进行并行编码，码本即R块在D块中的匹配域类，对R块在码本对应类进行并行编码。本申请实施例提供的基于GPU的CUDA并行加速算法，如图3所示，不仅在程序框架上优化程序，也计划在内存上优化程序，提高效率，减少了主机与GPU设备间的数据拷贝，并将更多计算从主机端转移到GPU设备端。

具体计算过程举例如下：

把R块的三类数组、码本三类数组、原始图像数据，编码后保存的顺序编码拷贝到GPU中。并定义三个函数对三个类进行分别对应编码。

通过打印R块三类数据可知道一个R块的两个ID的保存时正好相邻的，所以数组的大小的一半即可取值完R块，但有三个数组且大小不同，所以需要用一个比较函数进行取值最大的数组的大小进行声明核函数的个数，因为每个计算线程需要读取一个R块的值，但由于保存的是R块的ID，所以用一次R块分类后的数组的两个数即可。由此声明Shared Memory大小为2，由于Shared Memory与每个Block所含的Thread个数尽可能相同，所以线程个数定义为2；每个Gird含Block个数由R块分类保存后的数组最多元素的个数决定。

定义一个读取所有线程在当前的Grid中的ID，row，以及当前线程在当前的Block的ID，通过使用条件函数防止计算线程超出计算范围，row与R类数组的大小的一半进行比较即可。

Shared Memory读取R块数据，使用CUDA堵塞函数进行堵塞，等待每个线程读取完所有数据再进行计算，其中每个线程进行R块数据读取的过程是独立执行，进行计算的过程是公共执行的。数组的大小就是元素的个数，按照数组的大小，确定其中R块的数量，将所有R块数据都读取完再进行计算，一个R有两个ID，通过两个ID去原始图像数据中读取该R块的值，将所有的R块都读取完，用所有R块读取值进行计算。

最后的计算过程就是直接将CPU编码部分进行复制。其中，虽然GPU可以加速绝大多数的numpy函数，但是遇到无法加速的函数时，可以使用嵌套循环进行计算即可。综上，本申请实施例具有如下有益效果：

1.通过对范围块、域块进行分类，将每个范围块限制在相应的域类中进行搜索，以找到最佳匹配，由于搜索空间减少，达到了降低编码的复杂性，不再是从所有的域块中进行遍历匹配，而是在类别相似或者相近的域类中进行匹配，减少了匹配的次数，提高了匹配速度，从而提高了编码的速度的技术效果。

2.通过基本GPU的CUDA并行加速算法，减少主机与GPU设备间的数据拷贝，将更多计算从主机端转移到GPU设备端，不仅在程序框架上优化程序，也计划在内存上优化程序，从而提高效率。

实施例二

基于与前述实施例中一种航拍影像的全并行分形编码方法相同的发明构思，本申请实施例提供了一种航拍影像的全并行分形编码系统，如图4所示，所述系统包括：

图像划分单元，用于将航拍影像中的图像划分为多个范围块、域块；

图像块分类单元，用于对所述范围块、域块进行分类，获得范围块分类信息、域块分类信息；

匹配搜索单元，用于根据所述范围块分类信息、域块分类信息，将每一个范围块匹配至对应的域块分类信息中进行搜索；

并行编码单元，用于利用预设CUDA并行加速算法对范围块在域块分类信息中对应类进行并行编码。

进一步的，所述图像块分类单元包括：

DCT变换单元，用于对所述范围块、域块进行DCT变换，获得结果系数；

判别阈值设定单元，用于设定分类判别阈值；

分类处理单元，用于根据所述结果系数、所述分类判别阈值进行比较，确定所述范围块、域块的分类信息，得到所述范围块分类信息、域块分类信息。

进一步的，所述DCT变换单元还用于：

设定尺度为L×L 的图像块f经DCT变换，获得F(m,n)，其中m,n=0,1，……L-1；

|F(1，0)|表征图像块f的垂直方向能量分布，|F(0，1)|表征图像块 f 的水平方向能量分布；

根据所述垂直方向能量分布、所述水平方向能量分布，获得所述结果系数。

进一步的，所述分类处理单元还用于：

根据所述分类判别阈值确定平滑类判别阈值TS、对角类及次对角类判别阈值TD；

当|F(1，0)|＜TS，且，|F(0，1)|＜TS时，分类信息为平滑类；

当|F(0，1)|-|F(1，0)|＞TD时，分类信息为水平类；

当|F(1，0)|-|F(0，1)|＞TD时，分类信息为垂直类；

当F(1，0)×F(0，1)＜0时，分类信息为对角类；

当F(1，0)×F(0，1)≥0时，分类信息为次对角类。

进一步的，所述系统还包括：

预设CUDA并行加速算法框架，所述预设CUDA并行加速算法框架包括：数据初始化处理单元，用于将初始化数据、声明核函数中数据拷贝至GPU设备中；

GPU设备单元，所述GPU设备单元与数据初始化处理单元连接，用于接收所述数据初始化处理单元发送的数据，并将并行计算结果拷贝至数据初始化处理单元中；

并行计算单元，所述并行计算单元与所述GPU设备单元连接，用于从GPU设备中读取数据进行并行计算，获得并行计算的反馈结果至GPU设备单元。

进一步的，所述并行编码单元还用于：

将范围块分类数组、域块分类数组、原始图像数据，拷贝到GPU设备中，并定义各分类数组的编码函数；

按照范围块的取值特征，确定声明Shared Memory数量、线程个数、Block个数；

定义一个读取所有线程在当前Gird中的ID、row，及当前线程在当前的Block的ID；

Shared Memory读取范围块数据，使用CUDA堵塞函数进行堵塞，等待每个线程读取完所有数据再进行计算；

当完成所有数据读取操作后，对所有数据进行并行计算，获得CPU编码结果，将所述CPU编码结果进行反馈。

进一步的，所述并行编码单元还包括：

元素个数确定单元，用于根据所述范围块分类数组的大小，确定元素个数；

ID获得单元，用于获得范围块ID；

数据读取单元，用于根据所述范围块ID从所述原始图像数据中读取范围块的值；

读取执行单元，用于基于所述元素个数，完成所有范围块的数据读取。

本申请实施例提供的一种航拍影像的全并行分形编码系统可实现实施例一的一种航拍影像的全并行分形编码方法的任一过程，请参照实施例一的详细内容，在此不再赘述。

实施例三

本申请实施例提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现实施例一中所述一种航拍影像的全并行分形编码方法任意方法步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本说明书和附图仅仅是本申请的示例性说明，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (7)

1.一种航拍影像的全并行分形编码方法，其特征在于，包括：

将航拍影像中的图像划分为多个范围块和域块；

对所述范围块和域块进行分类，获得范围块分类信息和域块分类信息；

根据所述范围块分类信息和域块分类信息，将每一个范围块匹配至对应的域块分类信息中进行搜索；

利用预设CUDA并行加速算法对范围块在域块分类信息中对应类进行并行编码；其中，所述预设CUDA并行加速算法为基于GPU的CUDA并行加速算法，其中，所述预设CUDA并行加速算法的框架结构为将初始化数据和声明核函数中数据拷贝至GPU设备中，从GPU设备中读取数据进行并行计算，获得并行计算的反馈结果至GPU设备，GPU设备将并行计算结果拷贝至声明核函数；

对所述范围块和域块进行分类，获得范围块分类信息和域块分类信息，包括：

对所述范围块和域块进行DCT变换，获得结果系数；

设定分类判别阈值；

对所述结果系数和所述分类判别阈值进行比较，得到所述范围块分类信息和域块分类信息。

2.如权利要求1所述的方法，其特征在于，对所述范围块和域块进行DCT变换，获得结果系数，包括：

设定尺度为L×L的图像块f，对所述图像块f经DCT变换，获得F(m,n)，其中m,n=0,1，……，L-1；

|F(1，0)|表征图像块f的垂直方向能量分布，|F(0，1)|表征图像块 f 的水平方向能量分布；

根据所述垂直方向能量分布和所述水平方向能量分布，获得所述结果系数。

3.如权利要求2所述的方法，其特征在于，所述根据所述结果系数和所述分类判别阈值进行比较，确定所述范围块和域块的分类信息，得到所述范围块分类信息和域块分类信息，包括：

根据所述分类判别阈值确定平滑类判别阈值TS和对角类及次对角类判别阈值TD；

当|F(1，0)|＜TS，且，|F(0，1)|＜TS时，分类信息为平滑类；

当|F(0，1)|-|F(1，0)|＞TD时，分类信息为水平类；

当|F(1，0)|-|F(0，1)|＞TD时，分类信息为垂直类；

当F(1，0)×F(0，1)＜0时，分类信息为对角类；

当F(1，0)×F(0，1)≥0时，分类信息为次对角类。

4.如权利要求1所述的方法，其特征在于，所述利用预设CUDA并行加速算法对范围块在域块分类信息中对应类进行并行编码，包括：

将范围块分类数组和域块分类数组和原始图像数据，拷贝到GPU设备中，并定义各分类数组的编码函数；

按照范围块的取值特征，确定声明共享内存数量和线程个数和线程块的个数；

读取所有线程在当前网格中的线程ID和行，以及当前线程在当前的线程块的ID；

共享内存读取范围块数据，使用CUDA堵塞函数进行堵塞，等待每个线程读取完所有数据再进行计算；

当完成所有数据读取操作后，对所有数据进行并行计算，获得CPU编码结果，将所述CPU编码结果进行反馈。

5.如权利要求4所述的方法，其特征在于，所述共享内存读取范围块数据，包括：

根据所述范围块分类数组的大小，确定元素个数；

获得范围块ID；

根据所述范围块ID从所述原始图像数据中读取范围块的值；

基于所述元素个数，完成所有范围块的数据读取。

6.一种航拍影像的全并行分形编码系统，其特征在于，所述系统包括：

图像划分单元，用于将航拍影像中的图像划分为多个范围块和域块；

图像块分类单元，用于对所述范围块和域块进行分类，获得范围块分类信息和域块分类信息；

匹配搜索单元，用于根据所述范围块分类信息和域块分类信息，将每一个范围块匹配至对应的域块分类信息中进行搜索；

并行编码单元，用于利用预设CUDA并行加速算法对范围块在域块分类信息中对应类进行并行编码，其中，所述预设CUDA并行加速算法为基于GPU的CUDA并行加速算法，其中，所述预设CUDA并行加速算法的框架结构为将初始化数据和声明核函数中数据拷贝至GPU设备中，从GPU设备中读取数据进行并行计算，获得并行计算的反馈结果至GPU设备，GPU设备将并行计算结果拷贝至声明核函数；

DCT变换单元，用于对所述范围块和域块进行DCT变换，获得结果系数；

判别阈值设定单元，用于设定分类判别阈值；

分类处理单元，用于对所述结果系数和所述分类判别阈值进行比较，确定所述范围块和域块的分类信息，得到所述范围块分类信息和域块分类信息。

7.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-5任意一项所述的方法。

Images