一种图像分割方法和装置

摘要

本发明公开了一种图像分割方法和装置，涉及图像图形处理技术，能够大大简化图像分割的操作，提高图像分割的速度，得到较好的分割效果。本发明实施例提供的图像分割方法包括：获取待分割图像中各像素点在颜色空间LUV中所对应的LUV数据；根据LUV数据对各像素点进行金字塔聚类分割，得到分割结果图像。

权利要求

1.一种图像分割方法，其特征在于，所述方法包括：

获取待分割图像中各像素点在颜色空间LUV中所对应的LUV数据；

根据所述LUV数据对各像素点进行金字塔聚类分割，得到分割结果图像；

其中，根据所述LUV数据对各像素点进行金字塔聚类分割，得到分割结果图像具体包括：根据多分辨分析以及所设置的关联阈值，将LUV数据构成的待分割图像迭代分解为层数为N的多层不同分辨率的金字塔滤波图像，并利用预定的距离阈值在所述各层金字塔滤波图像进行搜索，将满足所述距离阈值的像素点划分在同一个类中；

所述利用预定的距离阈值在所述各层金字塔滤波图像进行搜索具体包括：按照分辨率从低到高的顺序，根据预定的距离阈值分别在每一层的金字塔滤波图像中进行搜索，其中，若当前层的金字塔滤波图像存在上一层金字塔滤波图像时，根据上一层的处理结果以及所述关联阈值选取当前层金字塔滤波图像对应的初始聚类中心，利用该初始聚类中心在当前层金字塔滤波图像中进行搜索；若当前层的金字塔滤波图像不存在上一层金字塔滤波图像时，从各层金字塔滤波图像所对应的特征矢量中选取初始聚类中心；

所述根据预定的距离阈值分别在每一层的金字塔滤波图像中进行搜索具体包括：步骤1：选取初始聚类中心，根据所述距离阈值和初始聚类中心，将像素间距离满足距离阈值的特征矢量划分在一个区域块中；

步骤2：取每一区域块中已经聚类的特征矢量的平均值作为各区域块新的聚类中心；

步骤3：当步骤1中各区域块的聚类中心与步骤2中各区域块的聚类中心不同时，重复执行步骤1和步骤2，直至步骤1中各区域块的聚类中心与步骤2中各区域块的聚类中心相一致。

2.根据权利要求1所述的方法，其特征在于，所述获取待分割图像中各像素点在颜色空间LUV中所对应的LUV数据具体包括：将获取到的待分割图像中各像素点的RGB数据转换为颜色空间XYZ中的XYZ数据；

将所述XYZ数据转换为各像素点在颜色空间LUV中所对应的LUV数据。

3.根据权利要求1所述的方法，其特征在于，所述将LUV数据构成的待分割图像迭代分解为层数为N的多层不同分辨率的金字塔滤波图像具体包括：将LUV数据构成的待分割图像迭代分解为4层不同分辨率的金字塔滤波图像。

4.根据权利要求1所述的方法，其特征在于，所述关联阈值的取值范围为[1,255]，所述距离阈值的取值范围为[1,50]。

5.根据权利要求1所述的方法，其特征在于，所述关联阈值的取值为200，所述距离阈值的取值为30。

6.一种图像分割装置，其特征在于，所述装置包括：

LUV数据获取单元，用于获取待分割图像中各像素点在颜色空间LUV中所对应的LUV数据；

金字塔分割单元，用于根据所述LUV数据对各像素点进行金字塔聚类分割，得到分割结果图像；

其中，所述金字塔分割单元包括：

分层模块，用于根据多分辨分析以及所设置的关联阈值，将LUV数据构成的待分割图像迭代分解为多层不同分辨率的金字塔滤波图像；

搜索模块，用于利用预定的距离阈值在所述各层金字塔滤波图像中进行搜索，将满足所述距离阈值的像素点划分在同一个类中，得到分割结果图像；

其中，所述搜索模块，具体用于按照分辨率从低到高的顺序，根据预定的距离阈值分别在每一层的金字塔滤波图像中进行搜索，其中，若当前层的金字塔滤波图像存在上一层金字塔滤波图像时，根据上一层的处理结果以及所述关联阈值选取当前层金字塔滤波图像对应的初始聚类中心，若当前层的金字塔滤波图像不存在上一层金字塔滤波图像时，从各层金字塔滤波图像所对应的特征矢量中选取初始聚类中心，利用该初始聚类中心在当前层金字塔滤波图像中进行搜索；

所述搜索模块，还具体用于通过如下方式，根据预定的距离阈值分别在每一层的金字塔滤波图像中进行搜索：步骤1：选取初始聚类中心，根据所述距离阈值和初始聚类中心，将像素间距离满足距离阈值的特征矢量划分在一个区域块中；

步骤2：取每一区域块中已经聚类的特征矢量的平均值作为各区域块新的聚类中心；

步骤3：当步骤1中各区域块的聚类中心与步骤2中各区域块的聚类中心不同时，重复执行步骤1和步骤2，直至步骤1中各区域块的聚类中心与步骤2中各区域块的聚类中心相一致。

说明书

一种图像分割方法和装置

技术领域

[0001] 本发明涉及图像图形处理技术，尤其是涉及一种图像分割方法和装置。

背景技术

[0002] 图片的分割在图形图像处理领域中一直是一个基础而重要的问题，很多后续的操作都基于分割的结果，分割效果的好与坏会直接对最终的图像处理结果，甚至整体系统的性能造成影响，如机器人汽车在行驶中如果对道路图像的分割不准确，则直接影响运行性能。而图片的肤色分割则可以从背景中分离出人脸、手等，在人脸识别、表情识别、人手跟踪、人机交互、运动人体目标跟踪、黄色图片过滤中都有重要应用。

[0003] 然而，目前的图片分割方案，所采用的方案通常比较复杂，图像分割的效率较低，分割效果也有待改善。

发明内容

[0004] 本发明实施例提供了一种图像分割方法和装置，能够大大简化图像分割的操作，提高图像分割的速度，且得到的分割效果也较好，满足后期图像处理的要求，如基于本方案分割后的图像，提取轮廓特征或形状特征时都能达到较好的效果。

[0005] 为达到上述目的，本发明实施例的技术方案是这样实现的：

[0006] 本发明实施例提供了一种图像分割方法，该方法包括：

[0007] 获取待分割图像中各像素点在颜色空间LUV中所对应的LUV数据；

[0008] 根据所述LUV数据对各像素点进行金字塔聚类分割，得到分割结果图像。

[0009] 本发明实施例还提供了一种图像分割装置，该装置包括：

[0010] LUV数据获取单元，用于获取待分割图像中各像素点在颜色空间LUV中所对应的LUV数据；

[0011] 金字塔分割单元，用于根据所述LUV数据对各像素点进行金字塔聚类分割，得到分割结果图像；

[0012] 其中，所述金字塔分割单元包括：

[0013] 分层模块，用于根据多分辨分析以及所设置的关联阈值，将LUV数据构成的待分割图像迭代分解为多层不同分辨率的金字塔滤波图像；

[0014] 搜索模块，用于利用预定的距离阈值在所述各层金字塔滤波图像中进行搜索，将满足所述距离阈值的像素点划分在同一个类中，得到分割结果图像。

[0015] 由上述可见，本发明实施例的技术方案，通过在LUV颜色空间进行图像分割，并采用金字塔聚类分割的方式，能够大大简化图像分割的操作，提高图像分割的速度，得到较好的分割效果，满足后期图像处理的要求，如基于本方案分割后的图像，提取轮廓特征或形状特征时都能达到较好的效果。

附图说明

[0016] 为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅仅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。

[0017] 图1为本发明实施例一提供的一种图像分割方法流程示意图；

[0018] 图2为本发明实施例二提供的一种图像分割方法流程示意图；

[0019] 图3为本发明实施例二提供的四层金字塔滤波图像的原理示意图；

[0020] 图4为本发明实施例三提供的一种图像分割装置结构示意图；

[0021] 图5为本方案中实验一的原始图像；

[0022] 图6为采用本发明实施例提供的图像分割方案对实验一中原始图像进行图像分割后得到的分割结果图像；

[0023] 图7为本方案中实验二的原始图像；

[0024] 图8为采用本发明实施例提供的图像分割方案对实验二中原始图像进行图像分割后得到的分割结果图像；

[0025] 图9为本方案中实验三的原始图像；

[0026] 图10为采用本发明实施例提供的图像分割方案对实验三中原始图像进行图像分割后得到的分割结果图像；

[0027] 图11为本方案中实验四的原始图像；

[0028] 图12为采用本发明实施例提供的图像分割方案对实验四中原始图像进行图像分割后得到的分割结果图像；

[0029] 图13为本方案中实验五的原始图像；

[0030] 图14为采用本发明实施例提供的图像分割方案对实验五中原始图像进行图像分割后得到的分割结果图像。

具体实施方式

[0031] 下面将结合本发明的附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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的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。

[0032] 本发明实施例一提供了一种图像分割方法，参见图1，该方法包括：

[0033] 11：获取待分割图像中各像素点在颜色空间LUV中所对应的LUV数据；

[0034] 12：根据上述LUV数据对各像素点进行金字塔聚类分割，得到分割结果图像。

[0035] 进一步的，步骤12可以具体为：根据多分辨分析以及所设置的关联阈值，将LUV数据构成的待分割图像迭代分解为多层不同分辨率的金字塔滤波图像，并利用预定的距离阈值在所述各层金字塔滤波图像进行搜索，将满足所述距离阈值的像素点划分在同一个类中。

[0036] 由上述可见，本发明实施例的技术方案，通过在LUV颜色空间进行图像分割，并采用金字塔聚类分割的方式，能够大大简化图像分割的操作，提高图像分割的速度，得到较好的分割效果，满足后期图像处理的要求，如基于本方案分割后的图像，提取轮廓特征或形状特征时都能达到较好的效果。

[0037] 为了更加清楚地说明本发明实施例的技术方案，首先对本方案所采用的颜色空间LUV进行说明。

[0038] LUV(Luminance，L*是亮度；u*和v*是色度坐标)颜色空间，就是CIE 1976(L*，* *u，v)颜色空间，其于1976年被国际照明委员会(International Commission on Illumination)采用，并由1931 CIE XYZ颜色空间经过简单的变换得到，是建立与视觉统一的颜色空间(就是对视觉可感知的颜色差别进行单位化的编码)的又一次尝试。它被广泛的应用于计算机彩色图像处理领域。由于LUV的目的是建立与视觉统一的颜色空间，所* * *
以其的3个分量并不是都有物理意义。其中L 是亮度，u 和v 是色度坐标。对于一般的图* *
像，u 和v 的取值范围为-100到+100，亮度为0到100。

[0039] 本方案通过选取在LUV空间中进行图像分割，能够提高图像分割的效果。

[0040] 下面对本发明实施例二提供的一种图像分割方法进行具体说明，具体包括如下处理：

[0041] 21：读取图像数据。

[0042] 利用计算机(或图像处理平台)等设备读取需要分割的图像。

[0043] 通过计算机获取的图像数据是使用的是RGB颜色空间，RGB颜色空间是一种常用的颜色空间，主要是面向硬件，如显示器，摄影机等。

[0044] 本方案在获取待分割图像中各像素点在颜色空间LUV中所对应的LUV数据时，需要进行二次转换，先从RGB颜色空间转换成XYZ颜色空间(表示为RGB＝＞XYZ)，再从XYZ颜色空间转换成LUV颜色空间(表示为XYZ＝＞LUV)。

[0045] 22：从RGB空间转换至XYZ空间。

[0046] 由于本方案在RGB颜色空间转换时需要借助XYZ颜色空间，在此简单说明一下XYZ颜色空间。

[0047] 由于“标准色度观察者”用来标定光谱色时出现负刺激值，计算不便，也不易理解，因此1931年CIE在RGB系统基础上，改用三个假想的原色X、Y、Z建立了一个新的色度系统。将它匹配等能光谱的三刺激值，定名为“CIE 1931标准色度观察者光谱三刺激值”，简称为“CIE 1931标准色度观察者”。这一系统叫做“CIE 1931标准色度系统”或称为“2°视场XYZ色度系统”。

[0048] CIE XYZ颜色空间稍加变换就可得到Yxy色彩空间(YUV是Yxy的一种特例)，其中Y取三刺激值中Y的值，表示亮度，x、y反映颜色的色度特性。XYZ三刺激值和相关联的Yxy色空间构成了当前的CIE色空间的基础。XYZ三刺激值的概念是以色视觉的三元理论为根据的，它说明人眼具有接收三原色(红、绿、蓝)的接收器，而所有的颜色均被视作该三原色的混合色。XYZ三刺激值是利用这些标准观察者配色函数计算得来的，是与设备无关的颜色空间。

[0049] 本方案所采用的将图像数据从RGB颜色空间中的数据转换至XYZ颜色空间中的数据的具体公式可以表示如下：

[0050] RGB＝＞XYZ

[0051] var_R＝(R/255) //R from 0 to 255

[0052] var_G＝(G/255) //G from 0 to 255

[0053] var_B＝(B/255) //B from 0 to 255

[0054] if(var_R＞0.04045)var_R＝((var_R+0.055)/1.055)^2.4

[0055] else var_R＝var_R/12.92

[0056] if(var_G＞0.04045)var_G＝((var_G+0.055)/1.055)^2.4

[0057] else var_G＝var_G/12.92

[0058] if(var_B＞0.04045)var_B＝((var_B+0.055)/1.055)^2.4

[0059] else var_B＝var_B/12.92

[0060] var_R＝var_R*100

[0061] var_G＝var_G*100

[0062] var_B＝var_B*100

[0063] X＝var_R*0.4124+var_G*0.3576+var_B*0.1805

[0064] Y＝var_R*0.2126+var_G*0.7152+var_B*0.0722

[0065] Z＝var_R*0.0193+var_G*0.1192+var_B*0.9505

[0066] 23：从XYZ空间转换至LUV空间。

[0067] 本方案在将图像数据从RGB数据转换至LUV数据时，将XYZ数据作为中间的关联数据，本方案在将数据从XYZ颜色空间转换成LUV颜色空间时可以采用如下公式：

[0068] XYZ＝＞LUV

[0069] var_U＝(4*X)/(X+(15*Y)+(3*Z))

[0070] var_V＝(9*Y)/(X+(15*Y)+(3*Z))

[0071] var_Y＝Y/100

[0072] if(var_Y＞0.008856)var_Y＝var_Y^(1/3)

[0073] else

[0074] var_Y＝(7.787*var_Y)+(16/116)

[0075] ref_X＝95.047

[0076] ref_Y＝100.000

[0077] ref_Z＝108.883

[0078] ref_U＝(4*ref_X)/(ref_X+(15*ref_Y)+(3*ref_Z))

[0079] ref_V＝(9*ref_Y)/(ref_X+(15*ref_Y)+(3*ref_Z))

[0080] CIE-L*＝(116*var_Y)-16

[0081] CIE-u*＝13*CIE-L**(var_U-ref_U)

[0082] CIE-v*＝13*CIE-L**(var_V-ref_V)

[0083] 通过上述步骤22至23得到待分割图像中各像素点在颜色空间LUV中所对应的LUV数据。

[0084] 24：基于LUV空间进行金字塔聚类分割。

[0085] 本方案使用了金字塔聚类分割，采用这个方法的原因是根据实验结果获知相对其它的分割算法如均值漂移、分水岭等来说，金字塔聚类分割的图像分割速度更快，分割后的区域总数适中，分割效果更好。

[0086] 本方案的聚类分割处理中，将待分割图像中各像素点的LUV数据作为聚类分割的输入数据，即对各像素点的LUV数据执行聚类分割操作。

[0087] 金字塔聚类分割是把原始图像处理成分辨率不一的多层图像，根据预先设定的关联阈值决定各层间像素的关联性，在本层是根据设定好的距离阈值进行搜索，把像素间距离在阀值内或者接近阀值的像素(颜色)集合到一起，形成区域，通过设定合适的分割层数，采用金字塔聚类算法可以大大加快聚类的速度，

[0088] 在金字塔聚类分割中，经过分层之后，是先从顶层的低分辨率开始快速处理，确定大概区域后再到大分辨率图中处理，最后是原始图像。

[0089] 本方案中的金字塔聚类分割根据多分辨分析以及所设置的关联阈值，将LUV数据构成的待分割图像迭代分解为层数为N的多层不同分辨率的金字塔滤波图像，并利用预定的距离阈值在各层金字塔滤波图像进行搜索，将满足所述距离阈值的像素点划分在同一个类中。

[0090] 例如，若原始的LUV图像表示为g0，对g0分解得到的一阶金字塔滤波图像表示为g1，g0的分辨率和采样率都比g1低，然后再对g1分解得到的二阶金字塔滤波图像表示为g2，不断迭代处理得到g3、g4等，这一系列的图像{g0，g1，…，gn}构成金字塔结构，用公式描述如下：

[0091] gk＝R(gk-1)

[0092] 其中，k表示序号，R(·)表示关系函数。

[0093] 每阶的滤波图像对应于一个节点，则示例性的，对每个节点可以有如下公式：

[0094]

[0095] 其中，上式中的i，j表示节点的编号，(m，n)表示5*5的像素块的位置，w(m，n)表示对应像素块(m，n)的权重，(2i+m，2j+n)表示该节点与高阶中节点的对应关系。

[0096] 本方案按照分辨率从低到高的顺序，根据预定的距离阈值分别在每一层的金字塔滤波图像中进行搜索，其中，若当前层的金字塔滤波图像存在上一层金字塔滤波图像时，根据上一层的处理结果以及所述关联阈值选取当前层金字塔滤波图像对应的初始聚类中心，利用该初始聚类中心在当前层金字塔滤波图像中进行搜索；

[0097] 若当前层的金字塔滤波图像不存在上一层金字塔滤波图像时，从各层金字塔滤波图像所对应的特征矢量中选取初始聚类中心。

[0098] 参见图3，对每一层的金字塔滤波图像对应一层的特征矢量，则对每一层的金字塔聚类处理包括如下流程操作：

[0099] 步骤1：选取初始聚类中心，根据所述距离阈值和初始聚类中心，将像素间距离满足距离阈值的特征矢量划分在一个区域块中；

[0100] 具体地，若当前层的金字塔滤波图像不存在上一层金字塔滤波图像时，例如，当前层为分辨率最低的层(顶层)时，在多层的金字塔滤波图像所对应的多个特征矢量中选取若干个特征矢量作为初始聚类中心；若当前层的金字塔滤波图像存在上一层金字塔滤波图像时(如顶层的下一层滤波图像)，则根据顶层的处理结果以及关联阈值选取当前层金字塔滤波图像对应的初始聚类中心。

[0101] 其中，像素间距离满足距离阈值，是指像素间距离在距离阈值之内或者接近距离阈值，将满足该条件的像素(颜色)集合到一起，形成区域。

[0102] 本方案中上述关联阈值的取值范围可以为[1，255]，上述距离阈值的取值范围可以为[1，50]。

[0103] 优选的，根据多次实验，本方案中的关联阈值取值为200，距离阈值的取值为30。

[0104] 步骤2：取每一区域块中已经聚类的特征矢量的平均值作为各区域块新的聚类中心；

[0105] 每一区域块中已经聚类的像素点对应一个特征矢量，利用区域块中已经聚类的特征矢量的平均值计算得到新的聚类中心。

[0106] 步骤3：当步骤1中各区域块的聚类中心与步骤2中各区域块的聚类中心不同时，重复执行步骤1和步骤2，直至步骤1中各区域块的聚类中心与步骤2中各区域块的聚类中心相一致。

[0107] 当步骤1中各区域块的聚类中心与步骤2中各区域块的聚类中心相一致时，每个区域块中像素点到聚类中心的距离都满足设置的距离阈值。

[0108] 进一步的，金字塔层数的选择需要权衡运算速度和分割效果，级数过小，分割效果较差，层数过高建立金字塔耗费的时间过长，运算速度较慢。在本方案中，迭代分解为4层不同分辨率的金字塔滤波图像，即上述层数N的取值为4，实验证明，4层的金字塔在运算速度和分割效果上都能够达到预期的要求。

[0109] 由上述可见，本发明实施例的技术方案，通过在LUV颜色空间进行图像分割，并采用金字塔聚类分割的方式，能够大大简化图像分割的操作，提高图像分割的速度，得到较好的分割效果，满足后期图像处理的要求，如基于本方案分割后的图像，提取轮廓特征或形状特征时都能达到较好的效果。

[0110] 本发明实施例三还提供了一种图像分割装置，参见图4，该装置包括：

[0111] LUV数据获取单元41，用于获取待分割图像中各像素点在颜色空间LUV中所对应的LUV数据；

[0112] 金字塔分割单元42，用于根据上述LUV数据对各像素点进行金字塔聚类分割，得到分割结果图像；

[0113] 其中，上述金字塔分割单元42包括：

[0114] 分层模块421，用于根据多分辨分析以及所设置的关联阈值，将LUV数据构成的待分割图像迭代分解为多层不同分辨率的金字塔滤波图像；

[0115] 搜索模块422，用于利用预定的距离阈值在各层金字塔滤波图像中进行搜索，将满足距离阈值的像素点划分在同一个类中，得到分割结果图像。

[0116] 进一步的，该搜索模块422，具体用于按照分辨率从低到高的顺序，根据预定的距离阈值分别在每一层的金字塔滤波图像中进行搜索，其中，若当前层的金字塔滤波图像存在上一层金字塔滤波图像时，根据上一层的处理结果以及关联阈值选取当前层金字塔滤波图像对应的初始聚类中心，若当前层的金字塔滤波图像不存在上一层金字塔滤波图像时，从各层金字塔滤波图像所对应的特征矢量中选取初始聚类中心，利用该初始聚类中心在当前层金字塔滤波图像中进行搜索。

[0117] 进一步的，由于金字塔层数的选择需要权衡运算速度和分割效果，级数过小，分割效果较差，层数过高建立金字塔耗费的时间过长，运算速度较慢。在本方案中，上述搜索模块422，将LUV数据构成的待分割图像迭代分解为4层不同分辨率的金字塔滤波图像；实验证明，4层的金字塔在运算速度和分割效果上都能够达到预期的要求。

[0118] 上述搜索模块422所选取的关联阈值的取值范围可以为[1，255]，所选取的距离阈值的取值范围可以为[1，50]。

[0119] 并且，上述搜索模块422，所选取的关联阈值的取值为200，选取的距离阈值的取值为30，实验证明，这种关联阈值和距离阈值的选取方式能够取得较佳的分割效果。

[0120] 本发明装置实施例中各单元和模块的具体工作方式参见本发明的方法实施例。

[0121] 由上述可见，本发明实施例的技术方案，通过在LUV颜色空间进行图像分割，并采用金字塔聚类分割的方式，能够大大简化图像分割的操作，提高图像分割的速度，得到较好的分割效果，满足后期图像处理的要求，如基于本方案分割后的图像，提取轮廓特征或形状特征时都能达到较好的效果。

[0122] 下面结合5组实验数据，进行说明本发明实施例的有益效果。

[0123] 图5为实验一的原始图像(图像中的主要对象为花朵)，图6为采用本发明实施例提供的图像分割方案对该原始图像进行图像分割后得到的分割结果图像。

[0124] 图7为实验二的原始图像(图像中的主要对象为海鸟)，图8为采用本发明实施例提供的图像分割方案对该原始图像进行图像分割后得到的分割结果图像。

[0125] 图9为实验三的原始图像(图像中的主要对象为马)，图10为采用本发明实施例提供的图像分割方案对该原始图像进行图像分割后得到的分割结果图像。

[0126] 图11为实验四的原始图像(图像中的主要对象为房屋)，图12为采用本发明实施例提供的图像分割方案对该原始图像进行图像分割后得到的分割结果图像。

[0127] 图13为实验五的原始图像(图像中的主要对象为房屋)，图14为采用本发明实施例提供的图像分割方案对该原始图像进行图像分割后得到的分割结果图像。

[0128] 从上述实验结果可以看出，所得到的分割结果图像中的一些细微的背景纹理已经被处理了，剩下图像中的主要对象的轮廓，这一点对于后续处理中提取对象的轮廓特征或形状特征很重要，能够提高轮廓特征或形状特征的提取效果。

[0129] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。