【国科大课程】AI院 数字图像处理-杨戈、彭思龙

这篇具有很好参考价值的文章主要介绍了【国科大课程】AI院 数字图像处理-杨戈、彭思龙。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

2022年秋季《数字图像处理》课程复习整理

课程大纲

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

一、视觉与图像

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

1. 图像格式

PBM(bitmap) PGM(graymap)PPM(pixelmap)

TIFF(无损图像格式)、bmp、jepg、gif、png等

2. 图像获取

像素位深度:

如果8位三通道彩色图像,则变换范围就是
2 8 ∗ 2 8 ∗ 2 8 − 1 2^8*2^8*2^8-1 2828281

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

3. 采样与量化

简单成像模型:

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

采样:空间坐标离散化

量化:采样点的灰度值离散化

空间采样由物理像素决定,灰度采样由模拟-数字决定。

4. 像素间的基本关系

二维平面:4邻域、8邻域

三维空间:27邻域(对应8邻域)

5. 像素集基本运算

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

线性算子:满足齐次性、可加性(回忆矩阵课中)

6. 彩色图像

CMYK比RGB更适合打印

Hue:色调,Saturation:饱和度,Intensity:强度,Lightness:亮度,Value:亮度

二、图像变换与滤波

1. 点扩散函数

psf函数(point spread function)

OTF函数(optical transfer function)就是psf的傅立叶变换,在频域的函数。

一个复杂图像的像I(x,y)可以看作是真实对象O(x,y)和psf函数的卷积。

在频域的乘积就是空间域的卷积

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

其中h(x, y)是degradation退化过程, yeta(x,y)是噪声。一个图像g就是这么构成的。

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

2. 空间滤波

卷积要翻转滤波核,并且相关不具有交换律和结合律

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

图像导数的计算:

前向差分、后项差分、中心差分
f ′ ( x ) = f ( x + h ) − f ( x − h ) 2 h + O ( h 2 ) f'(x) = \frac{f(x+h)-f(x-h)}{2h}+O(h^2) f(x)=2hf(x+h)f(xh)+O(h2)
图像求导会放大噪声:

设定前一项为图像,后一项为噪声

那么分量AS>AN,但频率WS<WN
A S s i n ( W s t ) + A N s i n ( W N t ) A_Ssin(W_st)+A_Nsin(W_Nt) ASsin(Wst)+ANsin(WNt)
这样每次求导,前一项都会求出来一个WS,后一项都会求出来一个WN

长远来看,噪声的比例会被方大,因为WS<WN

2.1 高斯滤波器

对于均值滤波器,在频域内是非单调的,这种特性是我们不希望看到的。
国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

因此,考虑高斯滤波器,拥有低通和可分式两个特性。如果方差越大,则会损失越多的高频信息。

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

高斯滤波器的窗口大小 = ceiling(3 * sigma) * 2 + 1

原因(3sigma原则)在3sigma范围内就已经包含足够的信息了。

两边两个3sigma再加中间的元素。

2.2 高通滤波器

  1. 梯度锐化(比如梯度超过一定值用梯度替代,其他保持原像素)
  2. Laplacian增强算子(就是加大原先laplacian的中心系数)

3. 一维傅立叶变换 & 采样定理

傅立叶级数:其中e的j theta次方是欧拉公式

其中n代表要展开为n项,T是f(t)的周期

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

傅立叶变换:

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

采样

采样的过程被看作是原函数与脉冲函数的乘积。

经过推导采样后的傅立叶变换是原函数傅立叶变换的无限、周期副本序列,间隔为deltaT。

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

采样定理:

而1/deltaT是采样频率,采样频率要高于最大频率的两倍(即三角形的底边),才能防止产生混叠现象。才能成功恢复原始信号。这样的频率叫做奈奎斯特率

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

利用奈奎斯特率采样率恢复原始信号:

直接用H(u)乘采样后信号就可以得到一个周期的原始信号。
国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

有限持续时间函数不可能是带限的(回忆测不准原理

带限的是说在频域上无高频。

4. 二维傅立叶变换 & 采样定理

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

二维傅立叶变换具有可分性:(要会推导)

可以先对行做傅立叶变换,再对列做

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

逆向傅立叶变换步骤:

  1. 取共轭
  2. 做二维离散傅立叶变换
  3. 除MN,取共轭

要让周期移动到M/2的位置,让其中心出现在高频区域
f ( x ) e j 2 π ( μ 0 x / M ) = F ( μ − μ 0 ) f(x)e^{j2\pi(\mu_0x/M)} = F(\mu - \mu_0) f(x)ej2π(μ0x/M)=F(μμ0)
取mu_0是M/2,指数项就是(-1)^x

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

二维F的采样定理就是要在两个方向都大于奈奎斯特率,否则也会出现混叠现象。

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

二维傅立叶变换的特性:

对称性、平移不变性、二维卷积定理等。。

FFT: 只需要知道计算复杂度即可,MlogM

5. 图像频率域滤波

步骤:

  1. 给定图像 f 进行傅立叶变换F
  2. 构建频率域滤波器H,乘F。得到结果G
  3. G逆变换回空间域

5.1 低通

理想低通滤波器,在空间域直接截断,在频域会产生振铃现象

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

高斯低通滤波器虽然解决了ringing,但坡度过于平滑,模糊效果强烈。

巴特沃斯滤波器:

当n较大时,逼近于理想低通;当n较小时,逼近于高斯低通

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

相对的,在空域上BLPF就也会有ringing,低阶不明显。

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

5.2 其他滤波器

选择性滤波器:带阻、带通(都有理想、高斯和巴特沃斯情况)

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

6. 线性系统补充

线性算子:满足可加性和齐次性的operator

特性1: fixed parameter(g(x+x_0) = H[f(x+x_0)])

特性2: causal

特性3: stable (有界)

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

利用卷积公式和傅立叶变换,就可以推导空域卷积等于频域乘积了。

7. 图像滤波算子

Laplacian算子:就是求导数用的(1,-2,1)的纵横(斜角)的叠加

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

Roberts 只有2*2,检测斜方向梯度

Sobel、Prewitt、Scharr都是可以用来求边缘的

8. 正交变换

一维、二维傅立叶变换是一种正交变换

8.1 一维傅立叶变换

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

A矩阵的每一行都是一个变换核:

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

这里说明,A的第一列是r0,因为A是正交矩阵,第一行是s0。

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

8.2 二维傅立叶变换

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

基图像:

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

其他的:

  1. Hartley变换(与傅立叶变换相似,替换掉了复指数函数)

  2. 离散余弦、离散正弦变换

  3. Walsh-Hadamard变换,Slant变换,Haar变换

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

9. 距离变换

就是得到每个像素距离边界的最短距离。

欧氏距离、街区距离、棋盘距离

Hausdorff距离:两个边界,到彼此最小距离的最大值,然后再取max

距离变换局限性:对noise很敏感(可用形态学先去除噪声)

三、图像的统计描述

3.1 特征值、奇异值分解

奇异值分解:与特征值分解不同,是对于
A T A A^TA ATA
的特征值所作出的分解。

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

可以看作多个low-rank矩阵的加权和,权重就是对应的奇异值。

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

应用:最优逼近、图像压缩、denoising

3.2 图像的空间、统计描述

1.空间描述:邻域等

区域R的边界是指其R与R补集相邻的点集合。

2.统计描述:

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

co-occurrence matrix:记录了出现图像变化的固定特征。

3.3 随机过程

概念:

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

马尔可夫链:

只和上一阶段的状态有关,与再之前的状态无关。

3.4 随机场

通过来描述像素间关系。

MAP,后验就是已经有了当前像素的特征向量f,去估计其标签w。

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

MRF:概念

当前像素的类别只依赖于其邻域

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

其中,likelihood假设服从高斯分布。

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

关于先验p(w),利用团势能来构建

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

四、图像增强

1. 线性灰度变换

就是成比例,对应即可

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

2. 非线性灰度变换

对数变换
g ( i , j ) = a + l n [ f ( i . j ) + 1 ] b ⋅ l n c g(i,j)=a+\frac{ln[f(i.j)+1]}{b·lnc} g(i,j)=a+blncln[f(i.j)+1]
指数变换
g ( i , j ) = b c [ f ( i , j ) − a ] − 1 g(i,j)=b^{c[f(i,j)-a]}-1 g(i,j)=bc[f(i,j)a]1

3. 直方图

3.1 直方图均衡化

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

3.2 直方图规定化

变成规定形状,突出某些灰度级(是要先做直方图均衡化)

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

4. 彩色图像增强

伪彩色和假彩色增强区别:伪彩色是针对灰度图像处理,而假彩色是针对彩色图像处理的。

4.1 伪彩色

  1. 密度分割法:变换出的彩色数目有限

  2. 灰度-彩色变换合成法:三个通道按照比例合成不同颜色

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

  1. 频率域伪彩色增强

4.2 假彩色

目的:突出感兴趣目标、呈现匹配的颜色

主要是多通道的线性变换

4.3 真彩色

RGB变为HIS,再增强某个分量,再变回RGB

5. 代数运算

相加:多个带noise图像相加,得到清晰图像

相减:去除背景、观察运动图像

相乘:mask

六、形态学处理

结构元:用来探测图像的小图像

1. 膨胀 & 腐蚀

膨胀

  1. 【映射后】结构元和原图像做与(相当于直接做卷积),如果有重叠则为1。
  2. 位移得到的所有图像取并。

腐蚀

  1. 结构元和原图像做与(相当于映射后卷积),如果完全重叠为1。
  2. 【映射后】位移得到的所有图像取交。

(A腐蚀B)补 = (A补)膨胀(B反射)

2. 开、闭运算

开就是先腐蚀再膨胀(能够让突出的部分变平滑)

闭就是先膨胀再腐蚀(能够让断裂的部分变连续)

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

3. hit & miss

击中击不中就是要找到恰好是当前结构的。

因此要正着腐蚀一次,反着腐蚀一次,求交集(都腐蚀到才算是找到了)。

4.应用

4.1 边界提取

原图减去腐蚀(腐蚀掉的部分就是边界)

4.2 区域填充

在要填充部分的内部找一个seed,然后每次膨胀一次与A补求交。循环多次后再与A并

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

4.3 连通分量提取

和区域填充类似,只不过每一次是与原图像求的交集。就可以遍历得到连通分量。

4.4 凸包

每一轮分别用所有结构元进行hit&miss,直到不再变化。然后将每个结构元得到的结果求并。

4.5 细化 & 粗化

遍历所有结构元,在原图减去击中的部分。重复遍历所有结构元,直到图像不再变化。

粗化:每次并上击中的部分。直到不再变化

4.6 骨架提取

  1. 形态学提取

    前两列相减得到第三列,对每一次的结果求并。

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

  1. 基于距离变换

    1. 提取图像边界(腐蚀一次取掉的部分)
    2. 对边界二值图求距离变换
    3. 距离变换的局部极大值
    4. 与原图像求交集得到骨架

    其中局部极大值的部分最好是用可以与四周取等的结果来做(不要严格大于)。

    具体的距离变换过程:就是用这样第一个模版,从左上向右下遍历一次。另一个模版右下到左上遍历一次。

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

4.7 裁剪

目的就是去掉二值图中小的毛刺。

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

5. 灰度图形态学

膨胀:用求最大值来代替求和

腐蚀:用求最小值来代替求和

开运算:就相当于用球在灰度线上滚(去峰值)

闭运算:就相当于用球在灰度线下滚(填坑)

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

图像平滑:先开再闭

图像梯度:膨胀减腐蚀

高帽:原图减开运算,增强阴影细节(留下了峰值)

七、图像分割 & 边缘检测

1. 图像分割

把图像分成各具有同一特性的区域。

基于不连续性(边缘)、相似性(化为相似区域:阈值、区域生长等)

1.1 基于不连续性

1.1.1 奇异性检测

二维:孤立点、线、边缘

小波变换可以检测点、线、边缘的奇异性,可以解析并精确了解局部不连续性。可以检测奇异性、和其阶次

点检测:

​ 利用中心值增强的拉普拉斯模版滤波,响应值超过阈值的话,就相当于匹配上了。

线检测:

​ 利用中间正,两侧负的模版,来检测线条。(平坦区域响应值是0)

边缘检测:

​ 梯形是器械成像结果。

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

一阶导数:

  1. Roberts:2*2,适合处理边缘陡峭、噪声低的图像。
  2. Sobel和Prewitt:二者权值不一样,但都有噪声抑制能力。但出现宽边界

Canny算法步骤:

  1. 高斯滤波器平滑
  2. 计算梯度大小和方向
  3. NMS细化边缘
  4. 双阈值处理(大于hthr的一定是边缘,小于lthr的一定不是边缘,在他们之间的值如果和hthr边缘连接则算作边缘)

二阶导数(过0点就是边界):

  1. Laplacian算子(对noise敏感)
  2. LOG算子(先高斯,再Laplacian)【可能sharp边缘被扔掉】
  3. DOG(差分高斯函数简化LOG)
1.1.2 边缘连接、边界检测

需要将边缘连接完整(因为边缘必须连续且封闭

  1. 可以利用梯度的垂直方向找寻边界,即局部处理。
  2. 可以用Hough变换进行全局处理

Hough变换:

相交直线越多,则xy直线更是我们的解。用极坐标就可以解决垂直问题(盲点)

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

1.2 像素性质(阈值处理)

方法分类:阈值T仅取决于灰度值,则全局阈值;取决于灰度值和局部性质,则局部阈值;取决于坐标xy,则自适应。

  1. 基本全局阈值:划分后,将两类的灰度平均值取平均,再重新划分。(解决不了不均匀亮度)

  2. 基本自适应(分片)

  3. 最佳阈值

国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

​ E1是背景像素被分为前景的错误率,E2是前景像素被分为背景的错误率
国科大图像处理杨戈,Daily Learning,人工智能,计算机视觉,图像处理

另外:如果此处两个概率密度函数都是高斯分布,则结果会怎样?(计算)

若两个sigma相同,则得到单一阈值;再此基础上,若先验P1=P2,则阈值为均值平均

  1. 边界区域选阈值

    改善直方图形状,不考虑内部像素

    优点:可以让两个波峰更加对称、高度接近(不受区域内外的像素个数影响)文章来源地址https://www.toymoban.com/news/detail-761069.html

1.3 搜索区域(基于区域)

  1. 区域生长(种子像素,和并周围相似的像素)
  2. 四叉树分解(划分原图像为4块,如果不满足一致性,则继续分裂成4块。满足了的块就停止。最后所有块都满足一致性。)
  3. 平均灰度方法
  4. PDE方法(连续微分算子代替离散滤波、提取的边缘闭合)
  5. 活动轮廓模型(转化为曲线的能量最小化问题,其中第一项积分代表弧长,第二项代表振荡,第三项是负梯度相关。也就是要让曲线:短+光滑+过梯度大的点)

到了这里,关于【国科大课程】AI院 数字图像处理-杨戈、彭思龙的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 数字图像处理第六章——彩色图像处理

    目录 引言 一、彩色基础 二、彩色模型 2.1 RGB彩色模型 2.2 CMY和CMYK彩色模型  2.3 HSI彩色模型 三、伪彩色图像处理 3.1 灰度分层 3.2 灰度到彩色的变换 四、彩色变换 ​编辑色调与色彩校正 五、平滑与锐化 5.1 平滑 5.2 锐化         在图像处理中,彩色的运用受两个主要因素

    2024年02月09日
    浏览(57)
  • 数字图像处理(番外)图像增强

    图像增强的方法是通过一定手段对原图像附加一些信息或变换数据,有选择地突出图像中感兴趣的特征或者抑制(掩盖)图像中某些不需要的特征,使图像与视觉响应特性相匹配。 图像对比度计算方式如下: C = ∑ δ δ ( i , j ) P δ ( i , j ) C=displaystylesum_{{delta}}delta(i,j)P_delta(

    2024年02月14日
    浏览(48)
  • 数字图像处理--六、图像压缩

    目录 1.基本概念 1.1 图像压缩概念及其分类 1.2 数据冗余 1.3 图像信息的度量 1.4 图像保真度准则 (Fidelity Criteria) 1.5 图像压缩模型 2.图像压缩方法 2.1Huffman编码 消除编码冗余 2.2算术编码 (Arithmetic Coding) 消除编码冗余 2.3LZW编码 (Lempel-Ziv-Welch coding) 2.4位平面编码 2.5预测编码 预测

    2024年02月12日
    浏览(41)
  • 数字信号与图像处理实验三:图像处理基础与图像变换

    ​ 通过本实验加深对数字图像的理解,熟悉MATLAB中的有关函数;应用DCT对图像进行变换;熟悉图像常见的统计指标,实现图像几何变换的基本方法。 ​ 选择两幅图像,读入图像并显示,同时使用Matlab计算图像的大小,灰度平均值、协方差矩阵、灰度标准差和相关系数。 DC

    2024年02月04日
    浏览(57)
  • 基于matlab的数字图像处理之彩色图像处理

    一、实验目的 (1)了解如何利用RGB分量生成简单的图像。 (2)熟练掌握RGB彩色模型转换到HIS彩色模型的过程。 (3)熟练掌握RGB图像的彩色分割。 (4)熟练掌握彩色图像如何在向量空间中进行边缘检测。 二、实验仪器(软件平台)     计算机、MATLAB软件 三、实验原理

    2024年02月06日
    浏览(44)
  • 数字图像处理 - 图像处理结合机器学习的应用示例

            在本文中,特别关注树叶分类机器学习技术的实现。我们的目标是演示如何利用机器学习算法来分析一系列叶子照片,从而实现准确分类并提供对植物领域有价值的算法。         图像处理中机器学习的本质         机器学习使计算机能够学习模式并根据

    2024年02月13日
    浏览(43)
  • 彩色图像处理之彩色图像直方图处理的python实现——数字图像处理

    彩色图像的直方图处理是一种重要的图像处理技术,用于改善图像的视觉效果,增强图像的对比度,或为后续的图像处理任务(如图像分割、特征提取)做准备。彩色图像通常由红色(R)、绿色(G)、蓝色(B)三个颜色通道组成,因此彩色图像的直方图处理相比单色图像更

    2024年01月23日
    浏览(66)
  • 数字图像处理:实验三 图像增强

    图像增强是数字图像处理过程中常采用的一种方法。为了改善视觉效果或便于人和机器对图像的理解和分析,根据图像的特点或存在的问题采取的改善方法或加强特征的措施称为图像增强。图像增强处理是改变图像视觉效果的手段,增强后的图像便于对它的后续处理。图像增

    2024年02月04日
    浏览(46)
  • 数字图像处理实验四--图像变换

    (图像变换) 实验内容: 对图像lena、cameraman和face进行傅里叶变换,观察图像能量在频谱图中的分布情况。 利用Matlab生成下列图像,并对其进行旋转30度、90度和120度,然后对他们分别进行傅里叶变换。 对图像lena、cameraman和face用DCT变换进行图像压缩,舍掉的变换系数分别小

    2024年04月14日
    浏览(64)
  • 数字图像处理:实验六 图像分割

    数据分割是由图像处理到图像分析的关键步骤,是图像识别和计算机视觉至关重要的预处理,图像分割后提取的目标可用于图像识别、特征提取,图像搜索等领域。图像分割的基本策略主要是基于图像灰度值的两个特性,即灰度的不连续性和灰度的相似性,因此图像分割方法

    2024年02月06日
    浏览(48)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包