本申请涉及图像处理技术领域，具体涉及一种聚类方法、聚类装置和计算机可读存储介质。
背景技术：
目前可以通过智能处理技术来判断两张图像是否属于同一聚类目标（比如：人、车或其他动物），比如：通过人脸识别技术来判断哪两个人脸图像属于同一个人，使用聚类技术来判断哪些人脸属于同一人。但是现有的图像聚类技术存在的主要问题在于：面对大量不同场景、不同属性的图片时，不可避免地出现一个聚类档案中存在多个聚类目标或者一个聚类目标存在于多个聚类档案中，即出现聚类不准确的问题。
技术实现要素：
本申请提供一种聚类方法、聚类装置和计算机可读存储介质，能够提升图像聚类的准确率。
为解决上述技术问题，本申请采用的技术方案是：提供一种聚类方法，该方法包括：获取多个第一图像档案，第一图像档案包括多张待聚类图像，每张待聚类图像具有属性组合；计算第一图像档案中待聚类图像之间的相似度，记作类内相似度，并基于类内相似度构造类内相似度分布；计算所有第一图像档案中属性组合相同的待聚类图像之间的相似度，记作类间相似度，并基于类间相似度构造类间相似度分布；基于类内相似度分布与类间相似度分布，对满足预设合并条件的属性组合对应的待聚类图像进行合并处理，得到至少一个第二图像档案；对所有第二图像档案进行聚类处理，得到聚类结果。
为解决上述技术问题，本申请采用的另一技术方案是：提供一种聚类装置，该聚类装置包括互相连接的存储器和处理器，其中，存储器用于存储计算机程序，计算机程序在被处理器执行时，用于实现上述技术方案中的聚类方法。
为解决上述技术问题，本申请采用的另一技术方案是：提供一种计算机可读存储介质，该计算机可读存储介质用于存储计算机程序，计算机程序在被处理器执行时，用于实现上述技术方案中的聚类方法。
通过上述方案，本申请的有益效果是：先获取多个第一图像档案，该第一图像档案中的待聚类图像具有属性组合；再对第一图像档案中的待聚类图像进行处理，以构造不同属性组合的类内相似度分布与类间相似度分布，然后基于类内相似度分布与类间相似度分布，合并满足预设合并条件的属性组合所对应的待聚类图像，生成至少一个第二图像档案；然后对第二图像档案进行聚类处理，得到聚类结果，从而实现离线的图像聚类；由于考虑了图像的属性组合的差异，能够平滑不同属性组合引起的相似度分布的差异，有效缓解因为属性组合不同引起的召回率或准确率较差的问题，有助于提升聚类的准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，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。其中：
图1是本申请提供的聚类方法一实施例的流程示意图；
图2是本申请提供的聚类方法另一实施例的流程示意图；
图3是图2所示的实施例中步骤210的流程示意图；
图4是本申请提供的聚类装置一实施例的结构示意图；
图5是本申请提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
目前可以通过人脸聚类技术对大量的人脸进行聚类，把属于同一个人的人脸照片归为一类，即“一人一档”，这是理想的情况；但实际上在聚类过程中会出现很多“一人多档”（即一个人可能会存在多个档案）或者“一档多人”（即一个档案内可能会有多个不同人的人脸照片）的情况。
出现上述问题的主要原因在于：不同人的档案内的图片相似度分布差异巨大，例如，在实际的数据中，相比于成年人的档案，老人、小孩或戴口罩的女性等类别的档案的错误率更高；对于这些数据，应当提高其聚为一档的难度，这样能减少误报。虽然有些方案提出采用动态阈值的方式来改进准确率、召回率，但是未考虑人脸属性信息以及不同属性下人脸相似度的分布差异；在实际的聚类中，在同一阈值下，小孩子、戴口罩的女性的误报率要远高于成年男性；通常来说，设定92分的阈值能很好的划分男性的人脸，但由于不同的小孩以及戴口罩的女性之间，很容易出现高相似度的情况，对于小孩和戴口罩的女性来说，阈值可能需要设定为95分，甚至更高。但是若将阈值设置得很高，则会损失大量能召回的成年男性图片，这样又会造成明显的“一人多档”问题。
另一个原因在于：由于角度、人脸质量或像素大小等原因，小概率下会出现两个不同的人的人脸图片相似度过高，进而使得一个档案内出现了两个人的人脸图片。并且由于这个低质量图片的影响，越来越多的低质量图片对应的人的人脸图片会聚合进该档案，原本的单个噪声图片（即不是该档案的人的人脸图像）会扩大成多个噪声图片。本申请为了方便描述，将一个档案内存在的单个噪声图片称为单点噪声；如果一个档案内存在多个噪声图片，则称为团噪声。
下面对本申请所使用的属性组合的概念进行说明，属性组合为待聚类图像的属性的组合，例如，以待聚类图像为人脸图像为例，属性组合包括人种、年龄、性别、是否佩戴口罩或是否佩戴眼镜，进一步地，如果按照人脸的年龄属性进行划分，可分为老年、中年、青年以及小孩，根据人脸的性别属性进行划分，可分为男与女，再加上是否带口罩，这样能得到16种组合属性，如果再通过其他的人脸属性进行细分的话能得到更多的属性组合。
本申请为解决不同属性组合之间的相似度分布差异问题，先基于已标注的第一图像档案，构造不同属性组合的类内相似度分布与类间相似度分布，之后对不同属性组合的相似度分（包括类内相似度分布与类间相似度分布）布进行合并，然后进行聚类；通过结合不同属性组合的相似度分布，能有效地解决一个档案中存在多个聚类目标的问题，并在一定程度上缓解同一个聚类目标具有多个档案的问题。
请参阅图1，图1是本申请提供的聚类方法一实施例的流程示意图，该方法包括：
步骤11：获取多个第一图像档案。
先获取多个第一图像档案，该第一图像档案包括多张待聚类图像，每张待聚类图像具有属性组合，对于不同类型的待聚类图像，属性组合可能不同；例如，假设待聚类图像为人脸图像，属性组合包括人种、年龄、性别、是否佩戴口罩或是否佩戴眼镜；假设待聚类图像为车牌图像，则属性组合可以为车牌形状、车牌颜色或车牌号码。具体地，第一图像档案可由人工标注来建立，由程序开发者对每张待聚类图像进行辨识，以将属于同一类的待聚类图像划分到同一组中，最终得到多个第一图像档案。可以理解地，还可以采用其他方式来获取第一图像档案，比如：从图像数据库中直接获取，或者将其他聚类模型的分类结果作为第一图像档案。
进一步地，每个第一图像档案也具有属性组合，可统计第一图像档案内不同的属性组合对应的待聚类图像的数量；将数量最多的属性组合作为第一图像档案的属性组合。例如，以待聚类图像为人脸图像为例，对于已标注为同一人的第一图像档案，可统计该档案中每张人脸图像的属性组合，将属性组合出现次数最多的认为是该档案的属性组合。
步骤12：计算第一图像档案中待聚类图像之间的相似度，记作类内相似度，并基于类内相似度构造类内相似度分布。
在获取到第一图像档案之后，可对每个第一图像档案中的待聚类图像进行处理，比如：采用特征提取方法提取待聚类图像的特征，计算任意两个待聚类图像的特征之间的相似度，记作类内（即档案内部）相似度，然后利用所有类内相似度来构造类内相似度分布。
步骤13：计算所有第一图像档案中属性组合相同的待聚类图像之间的相似度，记作类间相似度，并基于类间相似度构造类间相似度分布。
在获取到每个第一图像档案的属性组合后，按照属性组合对所有第一图像组合进行合并处理，即将属性组合相同的至少两个第一图像档案合并，合并后的图像档案可记作属性图像档案，然后对该属性图像档案中的待聚类图像进行处理，比如：提取待聚类图像的特征，计算属性图像档案中任意两个待聚类图像的特征之间的相似度，记作类间（即档案之间）相似度，然后利用所有类间相似度来构造类间相似度分布。
通过上述的处理，最终的结果是每个属性组合都对应一个相似度分布；假设有k（k≥1）个属性组合d1、d2、d3、……、dk，则对应有k个类内相似度分布f1、f2、f3、……、fk，f1、f2、f3、……、fk分别表示的是不同属性组合下的类内相似度；同样地，可以计算同一属性组合下不同档案之间的相似度，得到k个类间相似度分布
在一具体的实施例中，为了构建类内相似度分布与类间相似度分布，可以将预设相似度区间划分为预设数量个的区间，该预设相似度区间可以为[0，1]或[0%，100%]）；分别统计落在每个区间的类内相似度与类间相似度的个数，记作第一数量与第二数量；将第一数量与类内相似度的总数量相除，得到与类内相似度对应的概率值，基于所有类内相似度以及相应的概率值，构造类内相似度分布；将第二数量与类间相似度的总数量相除，得到与类间相似度对应的概率值，基于所有类间相似度以及相应的概率值，构造类间相似度分布。
例如，假设第一图像档案中包括m1张图像，计算第一图像档案中任意两张待聚类图像之间的相似度，得到m2个类内相似度，预设相似度区间为[0，1]，将该预设相似度区间划分为10个区间：0-0.1、0.1-0.2、……、0.9-1，计算m2个类内相似度落在每个区间的概率，比如，假设落在区间（0.9，1]的概率为0.9，落在区间（0.8，0.9]的概率为0.2，从而得到类内相似度和概率之间的对应关系。
步骤14：基于类内相似度分布与类间相似度分布，对满足预设合并条件的属性组合对应的待聚类图像进行合并处理，得到至少一个第二图像档案。
预设合并条件为预先设置的两个属性组合是否能够合并的条件，在获取到类内相似度分布与类间相似度分布之后，可基于类内相似度分布与类间相似度分布，将相似度分布类似/相同的属性组合对应的待聚类图像合并到一起，得到至少一个第二图像档案，由此可见，第二图像档案的数量小于第一图像档案的数量。
可以理解地，如果任意两个属性组合所对应的相似度分布均不满足预设合并条件，则无需进行合并处理，直接执行步骤15。
步骤15：对所有第二图像档案进行聚类处理，得到聚类结果。
采用聚类方法对至少一个第二图像档案进行聚类处理，便可得到相应的聚类结果，完成聚类；具体地，可采用一种聚类方法进行一次聚类，或者采用多种聚类方法进行聚类，比如：先使用一种聚类方法（比如：层次聚类法或密度聚类法）进行聚类，得到的聚类类别作为第二次进行聚类时的初始聚类类别，再采用另一种聚类方法（比如：k均值聚类法）进行二次聚类。
可以理解地，当待聚类图像为人脸图像时，本实施例所提供的聚类方法能够应用于人脸识别技术领域。
本实施例提供了一种基于待聚类图像的属性组合的相似度分布的聚类方法，先构造不同属性组合的相似度分布（即构造属性组合与相似度分布的映射关系），然后合并相似度分布类似/相同的属性组合对应的待聚类图像，生成至少一个第二图像档案，然后对所有第二图像档案进行聚类处理，得到聚类结果，实现离线的图像聚类；由于考虑了图像的属性组合，能够平滑不同属性组合造成的相似度分布的差异，有效缓解因为属性组合不同引起的召回率或准确率较差的问题，有助于改善聚类的准确率与召回率。
请参阅图2，图2是本申请提供的聚类方法另一实施例的流程示意图，该方法包括：
步骤201：获取多个第一图像档案。
步骤202：计算第一图像档案中待聚类图像之间的相似度，记作类内相似度，并基于类内相似度构造类内相似度分布。
步骤203：计算所有第一图像档案中属性组合相同的待聚类图像之间的相似度，记作类间相似度，并基于类间相似度构造类间相似度分布。
步骤201-步骤203与上述实施例中步骤11-步骤13相同，在此不再赘述。
步骤204：从所有属性组合中选取两个属性组合作为第一属性组合与第二属性组合，并获取第一属性组合的类内相似度与类间相似度，获取第二属性组合的类内相似度与类间相似度。
每个属性组合都有相应的类内相似度分布和类间相似度分布，不同属性组合可能有相近的相似度分布，为了确定属性组合对应的相似度分布是否相近，可以比较任意两个属性组合的相似度分布的相似度；进一步地，可以按照随机选取的顺序选取第一属性组合与第二属性组合，或者为每种属性组合创建一个顺序标识，按照顺序标识来依次选取第一属性组合与第二属性组合。
步骤205：计算第一属性组合的类内相似度与第二属性组合的类内相似度之间的相似度，得到第一分布相似度，并计算第一属性组合的类间相似度与第二属性组合的类间相似度之间的相似度，得到第二分布相似度。
在获取到第一属性组合的相似度分布与第二属性组合的相似度分布后，可分别比较类内相似度分布的相似度与类间相似度分布的相似度，即计算第一属性组合的类内相似度与第二属性组合的类内相似度之间的相似度；计算第一属性组合的类间相似度与第二属性组合的类间相似度之间的相似度。
步骤206：判断第一分布相似度与第二分布相似度是否满足预设合并条件。
在计算出第一分布相似度与第二分布相似度后，可采用分布的相似度的度量方法，来判定这两个分布相似度是否满足预设合并条件，比如：kl（kullback-leibler）散度、f-散度或wasserstein距离。
在一具体的实施例中，采用kl散度来度量两个分布的差异，即第一分布相似度包括第一类内散度与第二类内散度，第二分布相似度包括第一类间散度与第二类间散度；先计算第一属性组合的类内相似度与第二属性组合的类内相似度的kl散度，得到第一类内散度；计算第二属性组合的类内相似度与第一属性组合的类内相似度的kl散度，得到第二类内散度；计算第一属性组合的类间相似度与第二属性组合的类间相似度的kl散度，得到第一类间散度；计算第二属性组合的类间相似度与第一属性组合的类间相似度的kl散度，得到第二类间散度；然后判断第一类内散度是否小于第一预设值、第二类内散度是否小于第一预设值、第一类间散度是否小于第二预设值以及第二类间散度是否小于第二预设值，即通过如下公式来判断两个相似度分布是否合并：
其中，fi为第一属性组合，fj为第二属性组合，1≤i,j≤k，k为所有第一图像档案对应的属性组合的总数量，且i≠j；thresholdkl为第一预设值，
重复执行上述步骤，直至遍历完所有属性组合。
步骤207：若满足预设合并条件，则对第一属性组合对应的待聚类图像与第二属性组合对应的待聚类图像进行合并，得到第二图像档案。
如果第一属性组合的相似度分布与第二属性组合的相似度分布满足预设合并条件，则将fj和fi合并为同一分布，将
在根据属性组合的相似度合并之后，可先进行第一次聚类，并判断档案中是否存在团噪声；然后进行第二次聚类，过滤团噪声；再进行异常噪声检测，过滤单点噪声，具体如步骤208-步骤212所示。
步骤208：将第二图像档案作为当前待聚类档案。
步骤209：采用第一预设聚类算法对当前待聚类档案进行聚类处理，得到多个第三图像档案。
在第一次聚类时可采用第一预设聚类算法，第一预设聚类算法可以为密度聚类算法，该密度聚类算法包括：基于高密度连接区域密度聚类算法（gensity-basedspatialclueteringofapplicationwithnoise，dbscan）、基于密度的增量算法（incrementalgriddensity-basedclueteringalgorithm，igdca）、对象排序识别聚类结构算法（orderpointstoidentifytheclueteringstructure，optics）、或基于最大不相含核心点集的聚类算法（thelargestsetofnov-coredcorepoints，lsnccp）等，本实例采用dbscan密度聚类算法生成第一次的聚类档案。
步骤210：基于第三图像档案的类内相似度分布与第三图像档案的类间相似度分布，确定是否满足预设聚类终止条件。
如果第三图像档案的类内相似度分布与第三图像档案的类间相似度分布满足预设聚类终止条件，则表明聚类结束，可进行单点噪声的滤除处理，即执行步骤212。
在一具体的实施例中，如图3所示，采用以下步骤来确定是否满足预设聚类终止条件：
步骤31：获取第三图像档案的属性组合，记作当前属性组合。
对于每一个第三图像档案，统计第三图像档案内每种属性组合对应的待聚类图像的数量，假设该档案内待聚类图像的数量为n，存在k个属性组合d1、d2、d3、……、dk，每个属性组合对应的图像数量分别为n1、n2、n3、……、nk，假设ni为n1、n2、n3、……、nk里的最大值，那么di则为这个档案的属性组合。
步骤32：获取当前属性组合的类内相似度分布与类间相似度分布。
找到当前属性组合的类内相似度分布fi与类间相似度分布
步骤33：利用当前属性组合的类内相似度分布与当前属性组合的类间相似度分布，计算类内概率与类间概率。
类内相似度分布基于属性组合的类内相似度与对应的概率构造，将当前属性组合对应的所有类内相似度对应的概率值相乘，得到类内概率；类间相似度分布基于属性组合的类间相似度与对应的概率构造，将当前属性组合对应的所有类间相似度对应的概率值相乘，得到类间概率。
进一步地，对于任意一个相似度p来说，这个相似度在相似度分布中的概率可以分别用
步骤34：判断类内概率与类间概率是否满足预设聚类终止条件。
判断类内概率是否大于/等于第一预设概率阈值，且类间概率是否小于/等于第二预设概率阈值，第一预设概率阈值与第二预设概率阈值为预先设定的概率阈值；若类内概率小于第一预设概率阈值或类间概率大于第二预设概率阈值，则确定当前待聚类档案内存在团噪声，对于有团噪声的档案，需要进行第二次的聚类。
在一具体的实施例中，第二预设聚类算法为k均值聚类算法，在第三图像档案中存在团噪声时，采用k均值聚类算法对第三图像档案进行聚类处理；在第三图像档案中不存在团噪声时，由于依旧有存在单点噪声的可能性，可先判断第三图像档案中是否存在单点噪声；若第三图像档案中存在单点噪声，则对单点噪声进行滤除。可以理解地，还可不进行单点噪声的检测操作，直接进行单点噪声的滤除处理，即执行步骤212。
步骤211：若不满足预设聚类终止条件，则采用第二预设聚类算法对第三图像档案进行聚类，得到多个第四图像档案，将第四图像档案作为当前待聚类档案。
如果不满足预设聚类终止条件，则表明第三图像档案存在团噪声的可能性较大，考虑到该档案是经过一次密度聚类的结果，团噪声的数量不会很多，此时可采用第二预设聚类算法对第三图像档案进行聚类，得到多个第四图像档案，将第四图像档案作为当前待聚类档案，并采用第一预设聚类算法对当前待聚类档案进行聚类处理，即返回执行步骤209。以人脸图像为例，经过一次密度聚类之后，档案内可能有“一档多人”的情况，考虑到误报的概率，一个档案内不同人的数量一般超过三个人。
考虑到上述情况，采用k均值聚类算法进行第二次过滤；进一步地，考虑到团噪声的数量，将k均值的参数k设置为2（即第四图像档案的数量为2），保证在经过k均值聚类后形成两个更加纯净的档案，下面以人脸图像的档案a为例进行说明。
档案a经过k均值聚类之后形成了档案a1、a2，档案a内待聚类图像为同一人概率为pa，档案a内待聚类图像为不同人的概率为
假设档案a1内待聚类图像为同一人与不同人的概率分别为pa1与
若档案a1的类内概率和类间概率满足预设聚类终止条件，则进入步骤212；若不满足预设聚类终止条件，则再次进入步骤209进行迭代。类似地，档案a2也做同样的操作，这样能保证在进入步骤212时，所有的档案都是相对纯净的，存在团噪声的可能性已经很小。
步骤212：进行单点噪声的滤除处理。
当进入单点噪声的滤除步骤时，所有的档案都是高概率档案，但是依旧有存在单点噪声的可能性。对人脸图像来说，单点噪声可能是由于人脸的角度、人脸遮挡、图像像素或者图像质量等多个问题引发。对于单点噪声，本实施例采用以下两种方案对单点噪声进行过滤：
1）计算第三图像档案的类内相似度分布，记作第一类内相似度分布；计算第三图像档案中每张待聚类图像与第三图像档案中其他图像之间的相似度，并基于相似度计算出类内相似度分布，记作第二类内相似度分布；计算第一类内相似度分布与第二类内相似度分布之间的相似度，记作分布相似度；将所有分布相似度中的最大值对应的待聚类图像作为单点噪声，并将单点噪声从第三图像档案中删除。
由于单点噪声本质是档案内的离群点，因此单点噪声与档案内其他点的相似度呈现不同的分布。假设这个档案的类内相似度分布为f，档案内存在n个待聚类图像，每个待聚类图像都与其他待聚类图像计算相似度，能得到（n−1）个相似度，这（n−1）个相似度便组成一个类内相似度分布。重复相似的操作，每个待聚类图像都能得到一个类内相似度分布，最终得到类内相似度分布f1、f2、f3、……、fn。
对于每个类内相似度分布来说，计算其与档案的总体类内相似度分布f的差异，比如：采用kl来度量类内相似度分布差异，将类内相似度分布差异最大的待聚类图像作为单点噪声过滤。
2）采用异常值检测（又称为离群点检测）算法对第三图像档案进行滤除处理，以滤除第三图像档案中的单点噪声。
异常点检测是找到行为很不同于预期对象的一个检测过程，这些对象被称为异常点或者离群点。异常值检测算法在实际生活中有着具体的应用，比如信用卡欺诈、工业损耗检测或图像检测等。对于图像聚类里的单点噪声，可以采用异常值检测算法来进行检测，比如：采用孤立森林算法或者随机森林砍伐（randomcutforest，rcf）算法对单点噪声进行过滤。
可以理解地，对于检测出来的单点噪声，可以新建一个档案，将其放入该档案中，以便后续使用。
本实施例采用相似度的概率来推断档案的类内概率和类间概率，进而判断一个档案内存在噪声的可能性。对于团噪声，采用dbsacan密度聚类与k均值聚类相结合的方式，利用dbscan的高召回和k均值迭代聚类，能够保证对团噪声的过滤，尽可能地滤除档案中的团噪声。经过第一次过滤后，引入相似度分布差异和异常点检测算法来检测单点噪声，进而得到更纯净的档案，有效地缓解一个档案中存在多个聚类目标的问题。
综上所述，本申请为解决不同属性组合之间的相似度分布差异的问题，先基于已标注档案构造不同属性组合的类内相似度分布与类间相似度分布，之后通过kl散度对不同属性组合的相似度分布进行分类。做聚类时，先采用密度聚类算法完成第一次聚类，之后通过统计档案内所有图像的属性组合来判断这个档案的总体属性组合，通过属性组合对应的相似度分布和档案内的相似度，能够得到这个档案内所有人脸图像是同一人的概率和所有人脸图像都不是同一人的概率，对于概率值不满足预设聚类终止条件的档案进行档案内部的k均值聚类，通过这种方法能有效过滤掉团噪声。最后，以每个档案为单位，采用单点噪声的相似度分布差异或异常检测算法来过滤档案内的单点噪声。通过结合不同属性组合的相似度分布以及使用两层噪声过滤，能有效地解决“一档多人”的问题，且一定程度上缓解“一人多档”的问题。
请参阅图4，图4是本申请提供的聚类装置一实施例的结构示意图，聚类装置40包括互相连接的存储器41和处理器42，存储器41用于存储计算机程序，计算机程序在被处理器42执行时，用于实现上述实施例中的聚类方法。
请参阅图5，图5是本申请提供的计算机可读存储介质一实施例的结构示意图，计算机可读存储介质50用于存储计算机程序51，计算机程序51在被处理器执行时，用于实现上述实施例中的聚类方法。
计算机可读存储介质50可以是服务端、u盘、移动硬盘、只读存储器（rom，read-onlymemory）、随机存取存储器（ram，randomaccessmemory）、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请所提供的几个实施方式中，应该理解到，所揭露的方法以及设备，可以通过其它的方式实现。例如，以上所描述的设备实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本申请各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述仅为本申请的实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
