本發(fā)明屬于圖像超分辨率重建技術(shù)領(lǐng)域，具體涉及一種基于高斯尺度結(jié)構(gòu)塊分組的稀疏表示圖像重建方法。

背景技術(shù)：

隨著信息時代的迅猛發(fā)展，數(shù)字圖像以其良好的性能被廣泛使用，現(xiàn)已成為人類傳遞信息的最重要載體之一。然而，在圖像的成像、傳輸、轉(zhuǎn)換、存儲、復(fù)制和顯示等過程中，由于成像設(shè)備自身固有的物理局限性和不可預(yù)知的外部環(huán)境等不利因素的影響，所獲取的圖像經(jīng)常是降質(zhì)圖像。

為恢復(fù)降質(zhì)圖像中的有用信息，圖像超分辨率修復(fù)技術(shù)已成為計算機(jī)視覺、計算機(jī)圖形學(xué)等領(lǐng)域的一個研究熱點，而對于高腐化圖像的良好恢復(fù)，以及在特殊領(lǐng)域?qū)D像重建分辨率的極高要求，急需更優(yōu)秀的圖像重建算法技術(shù)，來給生活和工作中數(shù)字化圖像信息的傳播與獲取帶來極大的效益。

目前，現(xiàn)有的圖像重建技術(shù)在峰值信噪比以及圖像相似度上還可以更進(jìn)一步提高與改進(jìn)，以更好的適應(yīng)在各種嚴(yán)重不可抗因素下造成的圖像信息傳輸過程中的缺失的恢復(fù)，與重建圖像分辨率的提高。

技術(shù)實現(xiàn)要素：

為了克服上述現(xiàn)有技術(shù)存在的不足，以及加強(qiáng)現(xiàn)有圖像重建算法的性能，本發(fā)明提出一種基于圖像信號的高斯尺度混合結(jié)構(gòu)塊分組的稀疏表示圖像重建方法，該方法所獲得的重建圖像具有較好的邊緣、紋理等細(xì)節(jié)保持性能和更好的峰值信噪比質(zhì)量。

為了達(dá)到上述目的，本發(fā)明所采用的技術(shù)方案是：基于高斯尺度結(jié)構(gòu)塊分組的稀疏表示圖像重建方法，包括如下步驟：

步驟一，利用從自然圖像中訓(xùn)練出的非局部自相似模型，將非局部相似塊混合進(jìn)用先驗?zāi)Ｐ头椒ㄋ玫姆纸M里，利用搜索方法提取出最優(yōu)塊分組模型；

步驟二，聯(lián)合塊分組模型與非局部擴(kuò)展高斯尺度混合模型，利用交替最小化方法進(jìn)行同步稀疏編碼，求解更新圖像塊；

步驟三，將塊分組模型和高斯尺度混合模型聯(lián)合到編碼框架中，利用選擇的訓(xùn)練字典來計算聯(lián)合模型所求得的圖像重建更新解，并將此更新解值送回到塊分組模型中再次進(jìn)行步驟一和步驟二流程操作，如此反復(fù)迭代，直到最優(yōu)解生成，則輸出重建圖像的最優(yōu)解。

進(jìn)一步地，步驟一中，所述利用搜索方法提取出最優(yōu)塊分組模型具體方法包括：先從自然圖像中訓(xùn)練出確定的非局部自相似模型，再將非局部相似塊混合入用先驗?zāi)Ｐ头椒ㄋ玫囊逊殖傻慕M里，然后，通過在鄰域最大范圍內(nèi)找尋相似塊來進(jìn)行塊分組搜索，在訓(xùn)練圖像中提取塊分組模型，再將此分組塊用來訓(xùn)練非局部自相似模型，利用新的非局部自相似模型，再次將非局部相似塊融入分組塊來進(jìn)行搜索，迭代多次，從而得出最優(yōu)塊分組模型。

進(jìn)一步地，步驟二中，所述聯(lián)合塊分組模型與非局部擴(kuò)展高斯尺度混合模型包括：對于所得到的每個分組塊都對其稀疏編碼，對于遵循拉普拉斯分布的稀疏編碼系數(shù)引入權(quán)向量來對稀疏系數(shù)向量進(jìn)行加權(quán)，利用高斯尺度混合模型把稀疏向量a分解為高斯向量β和隱性標(biāo)量θ乘法器，以此來對稀疏向量進(jìn)行建模，最后，將塊分組模型與高斯尺度混合模型進(jìn)行聯(lián)合，實現(xiàn)塊分組和高斯尺度混合的統(tǒng)一編碼框架。

更進(jìn)一步地，所述方法將原始圖像信號定義為x∈rⁿ，該信號可由字典φ中的某幾個原子的線性組合來表示，即x≈φa，對于給定的一個字典φ∈r^n×m(n<m)，可對每個圖像塊xi進(jìn)行稀疏編碼，即xi≈φai，其中，ai表示圖像塊i的稀疏編碼系數(shù)；同時，還將對編碼向量a引入一個加權(quán)向量w來對稀疏編碼向量進(jìn)行約束，所以，稀疏表示模型可表示為式(1)所示：

其中，φ為字典，a為稀疏編碼系數(shù)向量，λ為正則化參數(shù)，要解決范數(shù)最小化問題，可以近似為利用最大后驗概率(map)理論通過同樣的獨立分布拉普拉斯先驗概率來解稀疏系數(shù)a，即p(ai)＝e^γ/2θi，其中，γ＝-|ai|/θi，θi為ai的標(biāo)準(zhǔn)推導(dǎo)因子，而正則化參數(shù)λi＝2σ²/θi，其中，σ²表示近似變分誤差；

所述方法通過高斯尺度混合模型來對稀疏向量進(jìn)行建模，把稀疏向量a分解為高斯向量β和隱性標(biāo)量θ乘法器，即ai＝θi·βi，其中，θi是由最大后驗概率得到的參數(shù)，采用該模型可以從稀疏系數(shù)統(tǒng)計模型中一般化稀疏先驗概率；收集相似塊，通過先驗聯(lián)合了稀疏系數(shù)的特性，使密度函數(shù)近似，方便求解，所以，可設(shè)高斯尺度混合模型收集到m個相似塊，其結(jié)構(gòu)分組系數(shù)模型表示如式(2)所示：

其中，y表示搜集到的m個相似塊，f表示或范數(shù)，原始矩陣的高斯尺度混合模型為a＝λb，λ是描述選擇圖像塊方差域特性的對角矩陣，矩陣b＝[β1,…,βm]，可由βi來同步更新。

進(jìn)一步地，步驟二中，所述利用交替最小化方法進(jìn)行同步稀疏編碼具體方法包括：為確保求解重建圖像結(jié)果以及更新出的參數(shù)β與θ值準(zhǔn)確有效，可以通過修正更新的θ與β值來求解其各自的最小值，即利用修正的β值求θ值，而對于修正的θ值則用來反求解β值；如此，則為利用交替最小化方法進(jìn)行同步稀疏編碼，從而求解出圖像塊。

更進(jìn)一步地，所述交替最小化方法包括：確保求解以及更新出的β與θ值準(zhǔn)確有效，該方法的關(guān)鍵技術(shù)在于通過修正的θ，β值來求解其各自的最小值，利用修正的β求θ值，而對于修正的θ則用來求解β；這樣最大后驗估計的稀疏系數(shù)和比例變量可以通過交替最小化的方法進(jìn)行有效地計算出來；為了從(2)式中得到最優(yōu)的非凸函數(shù)懲罰因子，可以使用與凸函數(shù)不同的局部最小化原則，懲罰因子可以線性近似，因此非凸目標(biāo)函數(shù)的局部最小值可以通過加權(quán)迭代求解優(yōu)化問題，綜上所述，重構(gòu)圖像求解表示為式(3)所示：

進(jìn)一步地，步驟三中，利用選擇的訓(xùn)練字典來計算聯(lián)合模型所求得的圖像重建更新解具體方法包括：為適應(yīng)局部結(jié)構(gòu)描述，利用主成分分析(pca)方法，來為每組圖像塊族群訓(xùn)練字典，并且利用正交字典來簡化稀疏模型的貝葉斯推理；利用pca與k聚類方法構(gòu)造出一個大的過完備字典，將自然圖像的所有局部結(jié)構(gòu)描述出來，并構(gòu)造出當(dāng)前新的重建圖像。

進(jìn)一步地，步驟三中，再次進(jìn)行步驟一和步驟二流程操作，如此反復(fù)迭代，直到最優(yōu)解生成方法包括：通過執(zhí)行步驟一和步驟二，首次新生成的重建圖像的質(zhì)量并不完美，故將所得更新圖像送入步驟一入口處，再次執(zhí)行步驟一和步驟二操作流程，加強(qiáng)重建質(zhì)量，如此，反復(fù)多次迭代后，最終，生成高質(zhì)量的重建圖像。

進(jìn)一步地，所述方法結(jié)合稀疏非局部正則化編碼和塊分組加權(quán)編碼方法到基于結(jié)構(gòu)稀疏的高斯尺度混合同步稀疏編碼中，將基于非局部相似性的塊分組優(yōu)勢用到加權(quán)同步編碼的前序工作中來，這樣就得到了優(yōu)化的圖像分組塊，再將分組好的圖相塊族群經(jīng)過高斯尺度稀疏編碼圖像塊來進(jìn)一步重建，在結(jié)構(gòu)編碼框架下，利用非局部延長高斯尺度混合模型進(jìn)行稀疏系數(shù)同步編碼，最后，將得到的重建塊進(jìn)行聯(lián)合，得到最終的去噪重建圖像。

與現(xiàn)有技術(shù)相比，本發(fā)明基基于高斯尺度結(jié)構(gòu)塊分組的稀疏表示圖像重建方法，具有以下有益效果：對于去噪差分辨率重建出的圖像結(jié)果，不僅保留了圖像的邊緣細(xì)節(jié)效果，還有效的抑制了不良工件，該方法較同類高效優(yōu)質(zhì)的算法得到了更高的圖像峰值信噪比，以及與原圖較高的相似度質(zhì)量。

附圖說明

圖1是本發(fā)明的高斯混合結(jié)構(gòu)塊分組稀疏表示圖像重建方法結(jié)構(gòu)示意圖。

圖2是本發(fā)明的高斯混合結(jié)構(gòu)塊分組稀疏表示圖像重建方法的算法流程圖。

圖3是本發(fā)明實施例圖像重建簡圖及峰值信噪比數(shù)據(jù)結(jié)果對比圖。

具體實施方式

以下通過實施例形式對本發(fā)明的上述內(nèi)容再作進(jìn)一步的詳細(xì)說明，但不應(yīng)將此理解為本發(fā)明上述主題的范圍僅限于以下的實施例，凡基于本發(fā)明上述內(nèi)容所實現(xiàn)的技術(shù)均屬于本發(fā)明的范圍。

如圖1所示，本發(fā)明的基于高斯尺度結(jié)構(gòu)塊分組的稀疏表示圖像重建方法，包括如下步驟：

步驟一，利用從自然圖像中訓(xùn)練出的非局部自相似模型，將非局部相似塊混合進(jìn)用先驗?zāi)Ｐ头椒ㄋ玫姆纸M里，利用搜索方法提取出最優(yōu)塊分組模型；

步驟二，聯(lián)合塊分組模型與非局部擴(kuò)展高斯尺度混合模型，利用交替最小化方法進(jìn)行同步稀疏編碼，求解更新圖像塊；

步驟三，將塊分組模型和高斯尺度混合模型聯(lián)合到編碼框架中，利用選擇的訓(xùn)練字典來計算聯(lián)合模型所求得的圖像重建更新解，并將此更新解值送回到塊分組模型中再次進(jìn)行步驟一和步驟二流程操作，如此反復(fù)迭代，直到最優(yōu)解生成，則輸出重建圖像的最優(yōu)解。

步驟一中，所述利用搜索方法提取出最優(yōu)塊分組模型具體方法包括：先從自然圖像中訓(xùn)練出確定的非局部自相似模型，再將非局部相似塊混合入用先驗?zāi)Ｐ头椒ㄋ玫囊逊殖傻慕M里，然后，通過在鄰域最大范圍內(nèi)找尋相似塊來進(jìn)行塊分組搜索，在訓(xùn)練圖像中提取塊分組模型，再將此分組塊用來訓(xùn)練非局部自相似模型，利用新的非局部自相似模型，再次將非局部相似塊融入分組塊來進(jìn)行搜索，迭代多次，從而得出最優(yōu)塊分組模型。

步驟二中，所述聯(lián)合塊分組模型與非局部擴(kuò)展高斯尺度混合模型包括：對于所得到的每個分組塊都對其稀疏編碼，對于遵循拉普拉斯分布的稀疏編碼系數(shù)引入權(quán)向量來對稀疏系數(shù)向量進(jìn)行加權(quán)，利用高斯尺度混合模型把稀疏向量a分解為高斯向量β和隱性標(biāo)量θ乘法器，以此來對稀疏向量進(jìn)行建模，最后，將塊分組模型與高斯尺度混合模型進(jìn)行聯(lián)合，實現(xiàn)塊分組和高斯尺度混合的統(tǒng)一編碼框架。

進(jìn)一步地，所述方法將原始圖像信號定義為x∈rⁿ，該信號可由字典φ中的某幾個原子的線性組合來表示，即x≈φa，對于給定的一個字典φ∈r^n×m(n<m)，可對每個圖像塊xi進(jìn)行稀疏編碼，即xi≈φai，其中，ai表示圖像塊i的稀疏編碼系數(shù)；同時，還將對編碼向量a引入一個加權(quán)向量w來對稀疏編碼向量進(jìn)行約束，所以，稀疏表示模型可表示為式(1)所示：

其中，φ為字典，a為稀疏編碼系數(shù)向量，λ為正則化參數(shù)，要解決范數(shù)最小化問題，可以近似為利用最大后驗概率(map)理論通過同樣的獨立分布拉普拉斯先驗概率來解稀疏系數(shù)a，即p(ai)＝e^γ/2θi，其中，γ＝-|ai|/θi，θi為ai的標(biāo)準(zhǔn)推導(dǎo)因子，而正則化參數(shù)λi＝2σ²/θi，其中，σ²表示近似變分誤差；

所述方法通過高斯尺度混合模型來對稀疏向量進(jìn)行建模，把稀疏向量a分解為高斯向量β和隱性標(biāo)量θ乘法器，即ai＝θi·βi，其中，θi是由最大后驗概率得到的參數(shù)，采用該模型可以從稀疏系數(shù)統(tǒng)計模型中一般化稀疏先驗概率；收集相似塊，通過先驗聯(lián)合了稀疏系數(shù)的特性，使密度函數(shù)近似，方便求解，所以，可設(shè)高斯尺度混合模型收集到m個相似塊，其結(jié)構(gòu)分組系數(shù)模型表示如式(2)所示：

其中，y表示搜集到的m個相似塊，f表示或范數(shù)，原始矩陣的高斯尺度混合模型為a＝λb，λ是描述選擇圖像塊方差域特性的對角矩陣，矩陣b＝[β1,…,βm]，可由βi來同步更新。

步驟二中，所述利用交替最小化方法進(jìn)行同步稀疏編碼具體方法包括：為確保求解重建圖像結(jié)果以及更新出的參數(shù)β與θ值準(zhǔn)確有效，可以通過修正更新的θ與β值來求解其各自的最小值，即利用修正的β值求θ值，而對于修正的θ值則用來反求解β值；如此，則為利用交替最小化方法進(jìn)行同步稀疏編碼，從而求解出圖像塊。

進(jìn)一步地，所述交替最小化方法包括：確保求解以及更新出的β與θ值準(zhǔn)確有效，該方法的關(guān)鍵技術(shù)在于通過修正的θ，β值來求解其各自的最小值，利用修正的β求θ值，而對于修正的θ則用來求解β；這樣最大后驗估計的稀疏系數(shù)和比例變量可以通過交替最小化的方法進(jìn)行有效地計算出來；為了從(2)式中得到最優(yōu)的非凸函數(shù)懲罰因子，可以使用與凸函數(shù)不同的局部最小化原則，懲罰因子可以線性近似，因此非凸目標(biāo)函數(shù)的局部最小值可以通過加權(quán)迭代求解優(yōu)化問題，綜上所述，重構(gòu)圖像求解表示為式(3)所示：

步驟三中，利用選擇的訓(xùn)練字典來計算聯(lián)合模型所求得的圖像重建更新解具體方法包括：為適應(yīng)局部結(jié)構(gòu)描述，利用主成分分析(pca)方法，來為每組圖像塊族群訓(xùn)練字典，并且利用正交字典來簡化稀疏模型的貝葉斯推理；利用pca與k聚類方法構(gòu)造出一個大的過完備字典，將自然圖像的所有局部結(jié)構(gòu)描述出來，并構(gòu)造出當(dāng)前新的重建圖像。

步驟三中，再次進(jìn)行步驟一和步驟二流程操作，如此反復(fù)迭代，直到最優(yōu)解生成方法包括：通過執(zhí)行步驟一和步驟二，首次新生成的重建圖像的質(zhì)量并不完美，故將所得更新圖像送入步驟一入口處，再次執(zhí)行步驟一和步驟二操作流程，加強(qiáng)重建質(zhì)量，如此，反復(fù)多次迭代后，最終，生成高質(zhì)量的重建圖像。

所述方法結(jié)合稀疏非局部正則化編碼和塊分組加權(quán)編碼方法到基于結(jié)構(gòu)稀疏的高斯尺度混合同步稀疏編碼中，將基于非局部相似性的塊分組優(yōu)勢用到加權(quán)同步編碼的前序工作中來，這樣就得到了優(yōu)化的圖像分組塊，再將分組好的圖相塊族群經(jīng)過高斯尺度稀疏編碼圖像塊來進(jìn)一步重建，在結(jié)構(gòu)編碼框架下，利用非局部延長高斯尺度混合模型進(jìn)行稀疏系數(shù)同步編碼，最后，將得到的重建塊進(jìn)行聯(lián)合，得到最終的去噪重建圖像。

下面簡要介紹稀疏向量的分解的兩個參數(shù)：高斯向量和隱性標(biāo)量乘法器在方法中的聯(lián)合估計中的相互推導(dǎo)數(shù)學(xué)基礎(chǔ)。

考慮將β和θ進(jìn)行聯(lián)合估計，是為了得到更好的適應(yīng)θi，利用系數(shù)稀疏ai進(jìn)行高斯標(biāo)準(zhǔn)推導(dǎo)得出θi。假設(shè)θi是獨立同分布的，并且與βi相互獨立，滿足高斯尺度混合模型的先驗概率a就可以表示成其中，由于該分布與常見概率分布所屬同一類的概率分布，所以，高斯尺度混合模型可以包含許多拉普拉斯、通用高斯等分布，這樣一來，就可以同理給出一個適當(dāng)?shù)膒(θi)。

對于大多數(shù)選取的p(θi)并沒有一個可供分析的式子p(ai)，所以，使得通過最大后驗概率估計來計算出ai就變得相對困難，但是，對于這一局限可以通過聯(lián)合估計θi與ai來共同克服該技術(shù)難題。例如，對于觀測到的圖像x＝φa+v，其中，v表示參入的高斯噪聲，它是一個滿足期望為零，方差為的正態(tài)分布，這樣，就可以通過最大后驗概率估計數(shù)學(xué)模型來表示它。

(a,θ)＝argmaxlogp(x|a,θ)p(a,θ)

＝argmaxlogp(x|a)+logp(a|θ)+logp(θ)

其中，p(x|a)是一個通過方差為的高斯函數(shù)所有的特性產(chǎn)生的一個可能項，如此，先驗概率項p(a|θ)就可以也用數(shù)學(xué)模型表示出來。

其中，假設(shè)期望平均值μi為0，就可以利用偏均值μi來求解ai的值。使用高斯尺度混合模型可以更好地在統(tǒng)計模型中應(yīng)用稀疏概念，以解決稀疏編碼向量在規(guī)范的稀疏先驗概率估計p(θi)中的求解。在前人研究的基礎(chǔ)上，我們知道杰弗里先驗概率當(dāng)中有這通常是模型當(dāng)中的最好選擇。因此，就可以將優(yōu)化工作表示為：

其中，使p(θ)＝∑p(θi)，由于，杰弗里先驗概率不適用于θi趨近于零時的情況，所以，可以考慮將logθi換成的情況，這當(dāng)中的是一個保證數(shù)值穩(wěn)定的一個很小的正數(shù)，并且為了記述簡潔，可以改寫為以上的數(shù)學(xué)模型就可以替換進(jìn)稀疏編碼模型中。

由于高斯尺度混合模型a＝λ·b，λ是描述選擇圖像塊方差域特性的對角矩陣，所以，依據(jù)稀疏編碼模型，可以將(a,μ)域轉(zhuǎn)化為(β,γ)域。

以上是對利用高斯尺度混合模型進(jìn)行參數(shù)相互修正的數(shù)學(xué)理論可行性分析。

本發(fā)明利用稀疏非局部正則化編碼方法和塊分組加權(quán)編碼，通過在鄰域最大范圍低找尋相似塊來進(jìn)行塊分組，然后，在結(jié)構(gòu)編碼框架下，利用非局部延長高斯尺度混合模型進(jìn)行稀疏系數(shù)同步編碼，最后，重組圖像塊得到重構(gòu)圖像。

如圖2所示，下面列舉具體實施例，對本發(fā)明的詳細(xì)算法流程作如下詳細(xì)描述。

1.輸入：整體圖像字典φ，噪聲腐化圖像y，高斯混合成分。

2.初始化：將噪聲腐化圖像先設(shè)定為初始估計出的重建圖像，即將得到的噪聲腐化圖像設(shè)定為初始腐化圖像，即y0＝y(tǒng)。

3.設(shè)置實驗中參入的噪聲等級量，設(shè)置圖像塊搜尋窗尺寸為30，計算初始圖像塊的pca字典。

4.外循環(huán)開始：設(shè)置迭代次數(shù)為k＝1:n。

5.估計噪聲標(biāo)準(zhǔn)差，計算迭代正則化項

6.對捕獲的圖像，用基于先驗?zāi)Ｐ偷膲K分組方法，在訓(xùn)練階段就從干凈的自然圖像中提取出大量的圖像塊組。

7.對于每一個相似塊可以在所在組中找到相似塊，并聚集分組相似塊到局部塊中，對于每個局部塊，在塊分組族群中以其為中心的窗口內(nèi)搜索相似塊。

8.內(nèi)循環(huán)開始：針對每個圖像塊分組

9.計算每個分組塊的均值，所得族群的均值就非常接近于原始圖像塊。

10.對于自然圖像分組塊，它包含有充分的非局部相似性信息，可以利用高斯模型學(xué)習(xí)算法的分組塊來訓(xùn)練分塊組的非局部自相似先驗值，來為每個族群選擇最合適的高斯成分。

11.對所得的族群塊進(jìn)行加權(quán)編碼，在分塊組中來獲得重建圖像塊。

12.結(jié)束內(nèi)循環(huán)。

13.利用高斯尺度混合模型聯(lián)合同步稀疏編碼，利用最大后驗概率估計和交替最小化的方法，多次迭代更新θ和β，并互相修正各自的值。

14.利用θ和β參數(shù)和式(3)來重建圖像塊。

15.利用初始pca字典為圖像塊更新pca字典，為每個相似塊的集群設(shè)計一種局部字典。然后應(yīng)用pca對每個聚類群進(jìn)行基于pca基的字典學(xué)習(xí)，并使用這個字典來給當(dāng)前的聚類群中的塊進(jìn)行編碼。

16.通過k均值聚類方法聚集這些塊到k聚類，由于這些塊在聚類中互相相似，對每個聚類學(xué)習(xí)一個基于pca的字典，并用這個緊湊的pca字典在聚類中來編碼這些塊。

17.由這些k-pca子字典構(gòu)造一個大的過完備字典，最終自然圖像的所有局部結(jié)構(gòu)就可以描述出來，并構(gòu)造出當(dāng)前重建圖像

18.結(jié)束外循環(huán)。

19.輸出：重建出完整去噪圖像

高斯尺度混合結(jié)構(gòu)塊分組稀疏表示圖像重建方法可以獲得更好的圖像重建結(jié)果，實驗仿真對比現(xiàn)有優(yōu)秀的pgpd方法和ncsr方法。如圖3所示，所得數(shù)據(jù)結(jié)果表明，本方法的去噪效果較同類方法有顯著的提高，并且具有較好的邊緣和紋理細(xì)節(jié)保持性能，獲得了更好圖像恢復(fù)質(zhì)量。

以上所述僅是本發(fā)明的優(yōu)選實施方式，具體實施方式中牽涉到的芯片型號僅僅用來對上述的具體實施方式進(jìn)行詳細(xì)說明，不能作為限制本發(fā)明保護(hù)范圍的依據(jù)。應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明技術(shù)原理的前提下，還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也應(yīng)視為本發(fā)明的保護(hù)范圍。