开云优惠体育网页版入口

专利名称：图像融合方法、系统、计算机可读介质以及计算机系统

专利类型：发明专利

专利申请号：CN202011191140.3

专利申请（专利权）人：北方夜视技术股份有限公司
权利人地址：云南省昆明市经济技术开发区红外路5号

专利发明（设计）人：杨锋,顾燕,吕扬,赵维骏,朱波,郭一亮,焦国力,董隽媛,谷长建,周新

专利摘要：本发明公开了一种图像融合方法、系统、计算机可读介质以及计算机系统，根据可见光图像生成可见光图像反射层；并对红外图像进行处理，最后采用伽马校正的融合方法将可见光图像反射层与红外图像处理猴的红外图像进行融合。本发明使用基于高斯场的反射层和亮度层分解目标函数以及基于粗糙：牧炼炔，可同时保留可见光图像中亮区域和暗区域丰富的细节纹理，有效减少暗区域细节丢失和亮区域细节过曝的情况。利用伽马校正策略对红外图像与可见光反射层进行融合，使融合图像在保留可见光图像中丰富细节纹理的同时，获得红外图像中目标与背景之间高对比度。

主权利要求：
1.一种图像融合方法，其特征在于，包括以下步骤：
计算可见光图像中每个像素值的对数，得到可见光对数图像；
根据可见光对数图像生成可见光图像的亮度层；
根据反射系数向量和可见光图像的亮度层设定反射模型，采用拟牛顿法对反射层和亮度层分解目标函数进行优化，得到最优反射系数向量；将最优反射系数向量输入设定的反射模型得到最优反射模型；
利用得到的最优反射模型获得可见光图像反射层；以及
采用伽马校正的融合方法将可见光图像反射层与红外图像进行融合；
其中，所述反射层和亮度层分解目标函数为：
N
式中，C 表示反射系数向量， 表示可见光对数图像中第j个像素的值，j表示可见光图像中像素的标号，M表示可见光图像中像素的总数，σ为范围系数， 表示可见光图像的亮度层中第i个像素的值，i表示可见光图像的亮度层中像素的标号，i＝j；
其中， 表示可见光图像的亮度层中第i个像素的(Np+N)×1维多项式向量，N为反射模型的阶数，Np＝N(N+3)/2。
2.根据权利要求1所述的图像融合方法，其特征在于：所述可见光图像的亮度层的生成方法为：先对可见光图像进行高斯：辉诰咚鼓：目杉馔枷裰，将横坐标和纵坐标都为奇数的像素点的值设置为0。
3.根据权利要求1所述的图像融合方法，其特征在于：所述可见光图像的亮度层的生成方法为：先对可见光图像进行高斯：辉诰咚鼓：目杉馔枷裰，将横坐标和纵坐标都为偶数的像素点的值设置为0。
4.一种图像融合系统，其特征在于：包括可见光图像处理模块、红外图像处理模块和融合模块；
可见光图像处理模块用于根据可见光图像生成可见光图像反射层；
红外图像处理模块用于对红外图像进行处理；
融合模块采用伽马校正的融合方法将可见光图像处理模块生成的可见光图像反射层与红外图像处理模块处理后的红外图像进行融合；
其中，可见光图像处理模块根据接收到的可见光图像计算可见光图像中每个像素值的对数，得到可见光对数图像；再根据可见光对数图像生成可见光图像的亮度层；然后，根据反射系数向量和可见光图像的亮度层设定反射模型，采用拟牛顿法对反射层和亮度层分解目标函数进行优化，得到最优反射系数向量；将最优反射系数向量输入设定的反射模型得到最优反射模型；最后利用得到的最优反射模型获得可见光图像反射层；
其中，所述反射层和亮度层分解目标函数为：
N
式中，C 表示反射系数向量， 表示可见光对数图像中第j个像素的值，j表示可见光图像中像素的标号，M表示可见光图像中像素的总数，σ为范围系数， 表示可见光图像的亮度层中第i个像素的值，i表示可见光图像的亮度层中像素的标号，i＝j；
其中， 表示可见光图像的亮度层中第i个像素的(Np+N)×1维多项式向量，N为反射模型的阶数，Np＝N(N+3)/2。
5.根据权利要求4所述的图像融合系统，其特征在于：可见光图像的亮度层的生成方法为：先对可见光图像进行高斯：辉诰咚鼓：目杉馔枷裰，将横坐标和纵坐标都为奇数的像素点的值设置为0。
6.根据权利要求4所述的图像融合系统，其特征在于：可见光图像的亮度层的生成方法为：先对可见光图像进行高斯：辉诰咚鼓：目杉馔枷裰，将横坐标和纵坐标都为偶数的像素点的值设置为0。
7.一种存储软件的计算机可读介质，其特征在于，所述软件包括能通过一个或多个计算机执行的指令，所述指令通过这样的执行使得所述一个或多个计算机执行操作，所述操作包括如权利要求1?3中任意一项所述的图像融合方法的流程。
8.一种计算机系统，其特征在于，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括如权利要求1?3中任意一项所述的图像融合方法的流程。 说明书 : 图像融合方法、系统、计算机可读介质以及计算机系统技术领域[0001] 本发明属于图像处理技术领域，具体涉及一种图像融合方法、系统、计算机可读介质以及计算机系统。背景技术[0002] 热红外图像可以反映场景中的热辐射信息，所以目标与背景之间对比度高，差异显著，但缺乏细节；可见光图像包含场景中清晰的细节，但易受环境变化的影响。因此，热红外图像与可见光成像特征具有良好的互补性。而热红外图像与可见光图像融合技术可以充分利用该特性，提高图像中目标探测和环境感知能力。[0003] 为了提高图像融合质量，研究人员提出了许多方法。Meng等人利用非下采样轮廓波变换与显著性检测实现了突出红外目标区域的图像融合(F.Meng,M.Song,B.Guo,R.Shi,andD.Shan,“Imagefusionbasedonobjectregiondetectionandnon?subsampledcontourlettransform,”Comput.Electr.Eng.,vol.62,pp.375?383,Sep.2016)。Liu等人利用稀疏表达将源图像分解为基层与细节层，对于不同层采取不同的融合策略(Y.Liu,X.Chen,R.K.Ward,andZ.JaneWang,“Imagefusionwithconvolutionalsparserepresentation,”IEEESignalProcess.Lett.,vol.23,no.12,pp.1882?1886,Dec.2016)。Ma等人提出了一种基于梯度变换和全变分最小化的融合方法，可以同时保留红外图像的灰度分布和可见光图像的梯度变化(J.Ma,C.Chen,C.Li,andJ.Huang“,Infraredandvisibleimagefusionviagradienttransferandtotalvariationminimization,”Inf.Fusion,vol.31,pp.100?109,Sep.2016)。Fu等人利用鲁棒主成分分析和非下采样轮廓波变换获得可见光与红外图像的稀疏矩阵，以此提取图像特征进行融合(Z.Fu,X.Wang,J.Xu,N.Zhou,andY.Zhao,“InfraredandvisibleimagesfusionbasedonRPCAandNSCT,”Infr.Phys.Technol.,vol.77,pp.114?123,Jul.2016)。[0004] 目前大部分热红外图像与可见光图像融合方法思路是将从源图像中提取的细节信息进行融合，以保证融合图像中包含丰富的纹理。但是，人们更关心红外图像中显著的目标而非本来就不够清晰的细节信息。因此，对于图像融合来说，红外图像中目标与背景之间的高对比度更具价值。如果在融合中只考虑图像纹理，则红外图像所反映的高对比度热辐射信息就有可能会丢失。同时，由于可见光图像的质量易受环境照度的影响。在图像的明亮区域中，由于光照充足，物体细节可以很好地被保留在融合图像中，但是暗区域中的细节纹理常常具备对比度低、边缘：驮肷叩热钡。这些都会导致融合图像中目标和细节的清晰度变低，使融合质量变差。[0005] 传统Retinex模型对数形式为 其中 是对数反射层，是对数原图像，是对数亮度层。由于原图像中暗区域的灰度值和对比度原本就很低，而亮度层常常是由原图像的高斯：傻，因此亮度层中暗区域也同样是低灰度和低对比度的状态，导致原图像和亮度层之间在暗区域的差异就很小。而原图像亮区域由于光照充足，纹理之间的对比度高，经高斯：蠡崾沽炼炔阌朐枷癫衔灾牟钜。因此传统Retinex模型更倾向于提取出亮区域的细节，对于暗区域的细节不敏感。发明内容[0006] 本发明针对现有技术中存在的问题，提出了一种有效减少暗区域细节丢失和亮区域细节过曝的图像融合方法。[0007] 为实现上述目的，本发明提供一种图像融合方法，包括以下步骤：[0008] 计算可见光图像中每个像素值的对数，得到可见光对数图像；[0009] 根据可见光对数图像生成可见光图像的亮度层；[0010] 根据反射系数向量和可见光图像的亮度层设定反射模型，采用拟牛顿法对反射层和亮度层分解目标函数进行优化，得到最优反射系数向量；将最优反射系数向量输入设定的反射模型得到最优反射模型；[0011] 利用得到的最优反射模型获得可见光图像反射层；以及[0012] 采用伽马校正的融合方法将可见光图像反射层与红外图像进行融合。[0013] 进一步，所述可见光图像的亮度层的生成方法为：先对可见光图像进行高斯：辉诰咚鼓：目杉馔枷裰，将横坐标和纵坐标都为奇数的像素点的值设置为0；或者在经高斯：目杉馔枷裰，将横坐标和纵坐标都为偶数的像素点的值设置为0。[0014] 采用上述方式的亮度层生成，可以对可见光图像中亮暗区域进行软阈值分割，并使用不同的成像模型进行细节提取。由此得到的可见光反射层可以同时保留图像中亮区域和暗区域丰富的细节纹理，有效减少暗区域细节丢失和亮区域细节过曝的情况。[0015] 其中，所述反射层和亮度层分解目标函数为：[0016]N[0017] 其中，C 表示反射系数向量， 表示可见光对数图像中第j个像素的值，j表示可见光图像中像素的标号，M表示可见光图像中像素的总数，σ为范围系数， 表示可见光图像的亮度层中第i个像素的值，i表示可见光图像的亮度层中像素的标号。[0018] 本发明还提供了一种图像融合系统，包括可见光图像处理模块、红外图像处理模块和融合模块；[0019] 可见光图像处理模块用于根据可见光图像生成可见光图像反射层；[0020] 红外图像处理模块用于对红外图像进行处理；[0021] 融合模块采用伽马校正的融合方法将可见光图像反射层与红外图像进行融合；[0022] 其中，可见光图像处理模块根据接收到的可见光图像计算可见光图像中每个像素值的对数，得到可见光对数图像；再根据可见光对数图像生成可见光图像的亮度层；然后，根据反射系数向量和可见光图像的亮度层设定反射模型，采用拟牛顿法对反射层和亮度层分解目标函数进行优化，得到最优反射系数向量；将最优反射系数向量输入设定的反射模型得到最优反射模型；最后利用得到的最优反射模型获得可见光图像反射层。[0023] 本发明还提供了一种存储软件的计算机可读介质，所述软件包括能通过一个或多个计算机执行的指令，所述指令通过这样的执行使得所述一个或多个计算机执行操作，所述操作包括如前述图像融合方法的流程。[0024] 本发明还提供了一种计算机系统，包括：一个或多个处理器；存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括如前述图像融合方法的流程。[0025] 由以上本发明的技术方案，在实现过程中基于反射层和亮度层分解目标函数，利用由粗糙：傻目杉馔枷窳炼炔阒胁晃0的像素点，可以使反射模型逼近可见光与高斯：炼炔阒畹墓媛赡Ｊ，即Retinex成像模型 的规律模式；再利用值为0的像素点，结合高斯场准则的特点，使反射模型倾向于反映可见光图像中暗区域的灰度分布规律。因此，利用反射层和亮度层分解目标函数和由粗糙：傻目杉馔枷窳炼炔，可以对可见光图像中亮暗区域进行软阈值分割，并使用不同的成像模型进行细节提取。因此，所得的可见光反射层可以同时保留图像中亮区域和暗区域丰富的细节纹理，有效减少暗区域细节丢失和亮区域细节过曝的情况。[0026] 与现有技术相比，本发明具有如下显著优点：[0027] 本发明使用基于高斯场的反射层和亮度层分解目标函数以及基于粗糙：牧炼炔，可以同时保留可见光图像中亮区域和暗区域丰富的细节纹理，有效减少暗区域细节丢失和亮区域细节过曝的情况。利用伽马校正策略对红外图像与可见光反射层进行融合，使融合图像在保留可见光图像中丰富细节纹理的同时，获得红外图像中目标与背景之间高对比度。附图说明[0028] 图1为本发明提供的图像融合方法的流程图；[0029] 图2为本发明中基于粗糙：目杉馔枷窳炼炔悖黄渲衎图为a图中方框处的局部放大图；[0030] 图3为本发明中反射层和亮度层分解目标函数所使用的高斯场准则的函数曲线；[0031] 图4为本发明方法获取的可见光图像反射层；[0032] 图5为本发明提供的方法与现有技术的方法对红外与可见光图像融合后的效果对比图。具体实施方式[0033] 下面将结合本发明实例中的附图，对本发明实施例中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做出创造性劳动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。[0034] 如图1所示，本实施例公开的图像融合方法包括如下步骤：[0035] 步骤一：输入的可见光图像，计算可见光图像中每个像素值的对数，得到可见光对数图像[0036] 本实施中，首先对可见光图像进行灰度线性拉伸，使灰度值范围缩放至[0,1]，然后计算每一个像素值所对应的自然对数，构成可见光对数图像[0037] 步骤二：利用粗糙：椒，从可见光对数图像 中生成可见光图像的亮度层。[0038] 本实施例中，粗糙：椒ü舶讲：[0039] 步骤201：对可见光图像进行高斯：籟0040] 步骤202：在经高斯：目杉馔枷裰，将横坐标和纵坐标都为奇数或偶数的像素点的值设置为0；如图2所示，得到可见光图像的亮度层。[0041] 步骤三：利用拟牛顿法对反射层和亮度层分解目标函数进行优化，估计出最优反射模型。[0042] 本实施例中，具体的方法包括以下步骤：[0043] 步骤301：定义反射模型为：[0044][0045] 其中， 表示可见光图像的亮度层中第i个像素的值，xi和yi分别表示可见光图像的亮度层第i个像素的横坐标和纵坐标，αnk和βn表示反射系数，N为反射模型的阶数，n＝1,2,3...N；k＝0,1...n。本实施例中优选地设定N＝4。[0046] 步骤302：步骤301定义的反射模型对应的矩阵形式如下：[0047][0048] 其中， 表示1×Np维的向量，包含了式(1)中所有的αnk；Np＝N(N+3)/2。 表示1×N维的向量，其中包含了式(1)中所有的βn。[0049] 因此，CN表示1×(Np+N)维的反射系数向量。 是包含了所有 的1×Np维向量， 是包含了所有 的1×N维向量，所以 表示可见光图像的亮度层中第i个像素的T(Np+N)×1维多项式向量。[·]表示矩阵转置。[0050] 步骤303：定义反射层和亮度层分解目标函数为如下形式：[0051][0052] 其中， 表示可见光对数图像中第j个像素的值，其中i＝j，M表示可见光图像中像素点总数，σ为范围系数，设定σ＝0.6。[0053] 步骤304：反射层和亮度层分解目标函数的一阶导数为如下形式：[0054][0055] 步骤305：基于公式(3)和公式(4)，利用拟牛顿方法对目标函数进行优化，求解最N′优的反射系数向量C 。[0056] 步骤306：将求解最优的反射系数向量CN′代入公式(2)中，得到最优的反射模型[0057] 如图3所示，公式(3)所使用的高斯场准则的函数曲线，即1?exp{?x2/(2σ2)}。可以看出，越大的x对于高斯场准则最小化的贡献越小。[0058] 基于公式(3)，利用由粗糙：傻目杉馔枷窳炼炔阒胁晃0的像素点，可以使反射模型逼近可见光与高斯：炼炔阒畹墓媛赡Ｊ，即Retinex成像模型的规律模式；利用值为0的像素点，结合高斯场准则的特点，可以使反射模型倾向于反映可见光图像中暗区域的灰度分布规律。[0059] 因此，利用公式(3)和由粗糙：傻目杉馔枷窳炼炔，可以对可见光图像中亮暗区域进行软阈值分割，并使用不同的成像模型进行细节提取。因此，所得的可见光反射层可以同时保留图像中亮区域和暗区域丰富的细节纹理，有效减少暗区域细节丢失和亮区域细节过曝的情况。[0060] 步骤四：利用最优反射模型计算出可见光图像反射层。[0061] 本实施例中，可见光图像反射层计算公式如下：[0062][0063] 其中，RC表示可见光图像反射层， 表示利用拟牛顿方法对公式(3)进行优化所解出的最优反射模型，表示可见光对数图像； 是包含了所有 的1×Np维向量， 是包含了所有 的1×N维向量，所以 表示可见光对数图像中第i个像素的(Np+N)×1维多项式向量。[0064] 本实施例提供的方法中没有对图像进行形变，所以像素的坐标不变，所以可见光图像的亮度层、反射层、原图像和可见光对数图像的坐标都是一致。[0065] 如图4所示，本实施例提供的方法估计出的可见光图像反射层效果，其中第一行为可见光原图，第二行为对应的可见光图像反射层。可以看出，在可见光图像反射层中可以保留丰富的细节纹理，有些在原图中都难以辨认的细节，如图4中箭头所指区域，也可以准确地保留在反射层中，并得到一定程度的增强。[0066] 步骤五：利用基于伽马校正的融合策略，实现可见光图像反射层与红外图像的融合。[0067] 根据本发明的一种具体实施方式，基于伽马校正的融合策略形式如下：[0068] F＝Lir◇(RC+t)(6)[0069] 其中，F为最终融合图像，Lir表示灰度范围经线性拉伸至[0,1]的红外图像，t定义C C C为与R 大小一致的阈值矩阵。阈值矩阵t中每一个元素都是tl＝1?otsu(R)，其中otsu(R)表示利用OTSU法(大津算法)计算出的可见光图像反射层的阈值，l表示阈值矩阵t中元素的标号，◇为对位幂运算符。利用公式(6)，实现最终的红外图像与可见光图像融合。[0070] 下面，我们将本发明的融合结果与三种目前效果公认较好融合方法TSIFVS、GTM、GTOM之间的定性对比。[0071] 如图5所示，与其他方法相比，本发明融合结果中包含了更多的细节纹理，例如车身上的迷彩；同时也具有更好的对比度，突出了热目标，例如发热的前轮胎。[0072] 本实施例中还公开了一种图像融合系统，包括可见光图像处理模块、红外图像处理模块和融合模块。[0073] 可见光图像处理模块用于根据可见光图像生成可见光图像反射层并将生成的可见光图像反射层输入到融合模块；其具体方法为：[0074] 步骤一：计算对接收到的可见光图像中每个像素值的对数，得到可见光对数图像[0075] 本实施中，首先对可见光图像进行灰度线性拉伸，使灰度值范围缩放至[0,1]，然后计算每一个像素值所对应的自然对数，构成可见光对数图像[0076] 步骤二：利用粗糙：椒，从可见光对数图像 中生成可见光图像的亮度层。[0077] 本实施例中，粗糙：椒ü舶讲：[0078] 步骤201：对可见光图像进行高斯：籟0079] 步骤202：在经高斯：目杉馔枷裰，将横坐标和纵坐标都为奇数或偶数的像素点的值设置为0。[0080] 步骤三：利用拟牛顿法对反射层和亮度层分解目标函数进行优化，估计出最优反射模型。[0081] 本实施例中，具体的方法包括以下步骤：[0082] 步骤301：定义反射模型为：[0083][0084] 其中， 表示可见光图像的亮度层中第i个像素的值，xi和yi分别表示可见光图像的亮度层第i个像素的横坐标和纵坐标，αnk和βn表示反射系数，N为反射模型的阶数，n＝1,2,3...N；k＝0,1...n。本实施例中设定N＝4。[0085] 步骤302：步骤301定义的反射模型对应的矩阵形式如下：[0086][0087] 其中， 表示1×Np维的向量，包含了式(1)中所有的αnk；Np＝N(N+3)/2。 表示1×N维的向量，其中包含了式(1)中所有的Nβn。因此，C表示1×(Np+N)维的反射系数向量。 是包含了所有 的1×Np维向量，是包含了所有 的1×N维向量，所以 表示可见光图像的亮度层中第i个像素的(Np+N)×T1维多项式向量。[·]表示矩阵转置。[0088] 步骤303：定义反射层和亮度层分解目标函数为如下形式：[0089][0090] 其中， 表示可见光对数图像中第j个像素的值，其中i＝j，M表示可见光图像中像素点总数，σ为范围系数，设定σ＝0.6。[0091] 步骤304：反射层和亮度层分解目标函数的一阶导数为如下形式：[0092][0093] 步骤305：基于公式(3)和公式(4)，利用拟牛顿方法对目标函数进行优化，求解最N′优的反射系数向量C 。[0094] 步骤306：将求解最优的反射系数向量CN′代入公式(2)中，得到最优的反射模型[0095] 步骤四：利用最优反射模型计算出可见光图像反射层。[0096] 本实施例中，可见光图像反射层计算公式如下：[0097][0098] 其中，RC表示可见光图像反射层， 表示利用拟牛顿方法对公式(3)进行优化所解出的最优反射模型，表示可见光对数图像； 是包含了所有 的1×Np维向量， 是包含了所有 的1×N维向量，所以 表示可见光对数图像中第i个像素的(Np+N)×1维多项式向量。本实施例提供的方法中没有对图像进行形变，所以像素的坐标不变，所以可见光图像的亮度层、反射层、原图像和可见光对数图像的坐标都是一致。[0099] 红外图像处理模块用于对红外图像进行处理；主要对接收到的红外图像进行灰度范围经线性拉伸至[0,1]的处理。[0100] 融合模块采用伽马校正的融合方法将可见光图像反射层与红外图像进行融合：根C据F＝Lir◇(R+t)实现最终的红外图像与可见光图像融合，其中F为最终融合图像，Lir表示C灰度范围经线性拉伸至[0,1]的红外图像，t定义为与R大小一致的阈值矩阵。阈值矩阵t中C C每一个元素都是tl＝1?otsu(R)，其中otsu(R)表示利用OTSU法(大津算法)计算出的可见光图像反射层的阈值，l表示阈值矩阵t中元素的标号。[0101] 本发明还提供了一种存储软件的计算机可读介质，所述软件包括能通过一个或多个计算机执行的指令，所述指令通过这样的执行使得所述一个或多个计算机执行操作，所述操作包括如前述图像融合方法的流程。[0102] 本发明还提供了一种计算机系统，包括：一个或多个处理器；存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括如前述图像融合方法的流程。[0103] 应当理解，本发明的前述图像融合方法的示例可以在任何包含具有数据存储和数据处理的计算机系统中，前述的计算机系统可以是至少一个包括处理器和存储器的电子处理系统或者电子设备，例如PC电脑，不论是个人用PC电脑、商用PC电脑，或者图形处理用PC电脑、服务器级PC电脑。这些PC电脑通过具有数据接口和/或网络接口，实现有线和/或无线的数据传输，尤其是图像数据。[0104] 在另一些实施例，该计算机系统还可以是服务器，尤其是云服务器，具有数据存储、处理以及网络通讯功能。[0105] 作为示例的计算机系统通常包括由系统总线连接的至少一个处理器、存储器和网络接口。网络接口用于与其他设备/系统进行通信。[0106] 处理器用于提供系统的计算和控制。[0107] 存储器包括非易失性存储器和缓存。[0108] 非易失性存储器通常具有海量存储能力，可以存储操作系统以及计算机程序，这些计算机程序可以包括可被操作的指令，这些指令在通过一个或多个处理器执行时使得一个或多个处理器能够执行本发明前述实施例的图像融合的过程。[0109] 在需要或者合理的实现方式中，前述计算机系统，不论是PC设备或者服务器，还可以包括比图示中更多或者更少的部件，或者组合，或者采用不同的硬件、软件等不同部件或者不同的部署方式。[0110] 虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

专利地区：云南

专利申请日期：2020-10-30

专利公开日期：2024-11-29

专利公告号：CN112435204B