★ FEATURED ARTICLE 简介这份PDF文献面向图像处理、机器学习与数据建模方向的学习者与研究人员聚焦红外与可见光图像在复杂环境下的景象匹配难题。文中提出将Krawtchouk不变矩、主成分分析法与三层BP神经网络有机结合先抽取满足平移、旋转、尺度不变性的不变矩构造特征向量再用PCA消除分量冗余与相关性最后以有效特征为输入、匹配位置为输出训练智能化景象匹配识别器可应用于军事侦察、航空航天与自动驾驶等对精度要求较高的场景。资源包共1个PDF文件约866KB内容为完整的期刊论文含摘要、引言、算法设计、实验对比与结论等章节便于系统研读算法原理与实现思路。目前已有118人学习适合希望深入理解传统特征提取与神经网络模式识别融合方案、并借鉴其鲁棒性验证方法的读者参考。1. 景象匹配遇上BP神经网络为什么传统方法在复杂场景下总翻车做无人机视觉导航或者遥感图像定位的同行大概率都经历过这样的场景参考图和实时图之间明明只差了一个小角度旋转灰度也略有差异但传统归一化互相关算法给出的匹配点直接偏出去几十个像素后端的位姿解算跟着全盘崩溃。景象匹配算法要解决的核心问题就是在参考图和实时图之间找到最可靠的对应关系输出亚像素级的匹配坐标。而BP神经网络被引入这个领域本质上是用它的非线性拟合能力去替代手工设计的相似性度量函数让匹配过程对旋转、尺度、光照变化不再那么敏感。这篇文章面向的是已经了解基础图像匹配流程、想用BP神经网络把匹配精度再往上推一截的工程师我会从特征怎么选、网络怎么搭、训练集怎么造一路讲到实际部署时那些让人头疼的坑。2. BP神经网络做景象匹配的底层逻辑与特征工程2.1 为什么是BP神经网络而不是模板匹配传统景象匹配算法大致分两类基于灰度的模板匹配和基于特征的匹配。灰度模板匹配直接拿像素值算相关速度快但极其脆弱光照一变、视角一转相关峰就塌了。特征匹配靠SIFT、SURF这类算子提取关键点鲁棒性好一些但描述子维度高、匹配阶段容易产生误匹配而且对纹理稀疏区域几乎无能为力。BP神经网络切入的角度不一样。它不直接比较像素也不依赖手工设计的描述子而是学习一个映射关系输入是一对图像块的某种特征表示输出是它们之间的匹配程度或者坐标偏移量。这个映射关系通过反向传播不断调整权重最终逼近一个对干扰因素不敏感的函数。常见做法是先用一组低层特征比如归一化灰度、梯度方向直方图、局部二值模式组成输入向量让网络自己去学哪些特征组合对匹配最有用。这里有个选型上的关键判断如果你的场景是实时图相对参考图只有平移传统相位相关法可能就够了上神经网络属于杀鸡用牛刀。但如果存在旋转、尺度缩放、局部遮挡或者非线性灰度畸变BP神经网络的非线性拟合优势才真正体现出来。我一般会先跑一遍基准算法看匹配误差的分布如果误差随旋转角度或光照强度呈明显的非线性增长那就是BP神经网络该上场的时候了。2.2 输入特征怎么选从像素到梯度到LBP特征选择直接决定网络的上限。全用原始像素不是不行但输入维度爆炸训练样本需求量大收敛慢。实践中比较稳的做法是构造一个混合特征向量每个维度都有明确的物理含义。我常用的组合是这样的对每个候选匹配点周围的图像块提取三类特征。第一类是归一化灰度统计量包括均值和标准差用来表征局部亮度水平。第二类是梯度方向直方图把图像块分成若干胞元每个胞元统计8个方向的梯度幅值累加做归一化后拼接。第三类是局部二值模式直方图捕捉纹理的微观结构。这三类特征拼接起来维度控制在100到200之间既能保留足够的信息量又不至于让网络参数过多。import numpy as np import cv2 def extract_feature_patch(img, x, y, patch_size32, cell_size8): 提取图像块混合特征归一化灰度统计 HOG LBP直方图 img: 输入灰度图 x, y: 候选点中心坐标 patch_size: 图像块边长 cell_size: HOG胞元大小 half patch_size // 2 # 边界保护防止越界 x0, y0 max(0, x - half), max(0, y - half) x1, y1 min(img.shape[1], x half), min(img.shape[0], y half) patch img[y0:y1, x0:x1].astype(np.float32) # 统一尺寸边界不足时用边缘反射填充 patch cv2.resize(patch, (patch_size, patch_size)) # 特征1归一化灰度均值和标准差 mean_val np.mean(patch) / 255.0 std_val np.std(patch) / 255.0 # 特征2简化HOG逐胞元统计梯度方向直方图 gx cv2.Sobel(patch, cv2.CV_32F, 1, 0, ksize3) gy cv2.Sobel(patch, cv2.CV_32F, 0, 1, ksize3) mag np.sqrt(gx**2 gy**2) ang np.arctan2(gy, gx) * 180 / np.pi ang[ang 0] 180 n_cells patch_size // cell_size hog_feat [] for i in range(n_cells): for j in range(n_cells): cell_mag mag[i*cell_size:(i1)*cell_size, j*cell_size:(j1)*cell_size].ravel() cell_ang ang[i*cell_size:(i1)*cell_size, j*cell_size:(j1)*cell_size].ravel() hist, _ np.histogram(cell_ang, bins8, range(0, 180), weightscell_mag) hist hist / (np.sum(hist) 1e-6) # 归一化防光照干扰 hog_feat.extend(hist) # 特征3LBP直方图 radius, n_points 1, 8 lbp np.zeros_like(patch, dtypenp.uint8) for i in range(radius, patch_size - radius): for j in range(radius, patch_size - radius): center patch[i, j] code 0 for k in range(n_points): theta 2 * np.pi * k / n_points dx int(round(radius * np.cos(theta))) dy int(round(radius * np.sin(theta))) code | (patch[i dy, j dx] center) k lbp[i, j] code lbp_hist, _ np.histogram(lbp[radius:-radius, radius:-radius], bins256, range(0, 256)) lbp_hist lbp_hist / (np.sum(lbp_hist) 1e-6) # 拼接2维统计 HOG LBP feature np.concatenate([[mean_val, std_val], np.array(hog_feat), lbp_hist]) return feature.astype(np.float32)这段代码的逻辑很直白先把图像块裁出来并统一尺寸然后分别算灰度统计、HOG和LBP最后拼成一个长向量。参数方面patch_size决定了感受野大小太小会丢失结构信息太大会引入背景干扰32×32是我在多数遥感场景下的经验值。cell_size控制HOG的空间粒度8像素对应一个胞元在图像分辨率是0.5米/像素时比较合适。LBP的radius和n_points影响纹理描述的精细程度半径1、8个采样点是经典配置计算量也可控。注意LBP那段双重循环在Python里跑会很慢实际工程中我会用skimage.feature.local_binary_pattern替代或者用numba加速。这里保留原始实现是为了让逻辑看得更清楚。2.3 网络结构设计几层、多少神经元、什么激活函数BP神经网络的结构没有万能公式但景象匹配这个任务有一些经验性的约束。输入层节点数等于特征向量维度这个由上一步决定。输出层看你怎么定义任务如果做匹配/不匹配的二分类输出层1个节点用sigmoid如果直接回归坐标偏移量输出层2个节点分别对应x和y方向的偏移用线性激活。隐层设计是玄学最集中的地方。我的经验是景象匹配的特征维度通常在100到200之间隐层设1到2层就够了。第一隐层节点数取输入维度的0.5到0.8倍第二隐层再减半。比如输入160维第一隐层取96第二隐层取48。激活函数方面隐层用ReLU比sigmoid收敛快得多而且能缓解梯度消失。输出层如果做回归千万别加激活函数直接线性输出否则坐标偏移量会被压缩到激活函数的饱和区精度直接崩掉。import torch import torch.nn as nn class SceneMatchingBPNet(nn.Module): def __init__(self, input_dim, hidden196, hidden248): super().__init__() self.net nn.Sequential( nn.Linear(input_dim, hidden1), nn.ReLU(), nn.Dropout(0.2), # 防止过拟合训练时随机丢弃 nn.Linear(hidden1, hidden2), nn.ReLU(), nn.Linear(hidden2, 2) # 输出x,y偏移量线性激活 ) def forward(self, x): return self.net(x) # 使用示例 input_dim 2 8 * 16 256 # 统计2维 HOG(4x4胞元x8方向) LBP256维 model SceneMatchingBPNet(input_dim) print(f输入维度: {input_dim}, 参数量: {sum(p.numel() for p in model.parameters())})这里用PyTorch搭了一个两层隐层的BP网络。Dropout(0.2)是防过拟合的常规操作训练时随机丢弃20%的神经元推理时关闭。参数量大概在几万级别对于几千到几万张训练样本来说是合理的。如果样本量只有几百得把隐层节点数砍半或者加L2正则化。提示输出层用线性激活是回归任务的基本要求。我见过有人在输出层加sigmoid然后抱怨坐标偏移量永远在0附近这就是典型的翻车现场。3. 训练数据构造与标签生成没有好数据就没有好网络3.1 正负样本怎么采滑动窗口与难例挖掘BP神经网络做景象匹配训练数据的质量比网络结构重要得多。正样本的构造方式是在参考图上取一个基准点然后在实时图上找到对应的真实位置以真实位置为中心取图像块提取特征作为正样本。负样本则是偏离真实位置超过一定阈值的图像块。这里的关键参数是正负样本的判定半径半径太小正样本之间区分度不够半径太大负样本混入正样本区域网络学不到精细的判别边界。我一般设两个阈值正样本半径取2到3个像素负样本半径取10个像素以上中间区域丢弃不用。这样做的原因是匹配任务真正难的是区分“接近正确”和“明显错误”的样本中间地带的样本标签模糊强行训练反而引入噪声。难例挖掘是提升效果的关键一步。第一轮训练完之后拿模型在验证集上跑一遍把那些被误判的负样本模型认为匹配但实际不匹配的挑出来加权后加入下一轮训练。这个过程迭代两三次匹配准确率通常能涨3到5个百分点。def generate_training_pairs(ref_img, real_img, true_x, true_y, pos_radius3, neg_radius10, patch_size32, samples_per_image500): 生成正负样本对 ref_img: 参考图 real_img: 实时图与参考图存在未知变换 true_x, true_y: 实时图中真实匹配点坐标 pos_radius: 正样本允许的坐标偏差 neg_radius: 负样本最小坐标偏差 features, labels [], [] h, w real_img.shape half patch_size // 2 # 正样本在真实位置附近随机抖动 for _ in range(samples_per_image // 2): dx np.random.randint(-pos_radius, pos_radius 1) dy np.random.randint(-pos_radius, pos_radius 1) x np.clip(true_x dx, half, w - half - 1) y np.clip(true_y dy, half, h - half - 1) feat extract_feature_patch(real_img, x, y, patch_size) features.append(feat) # 标签是相对于真实位置的偏移量 labels.append([x - true_x, y - true_y]) # 负样本在远离真实位置的地方采样 count 0 while count samples_per_image // 2: x np.random.randint(half, w - half - 1) y np.random.randint(half, h - half - 1) if np.sqrt((x - true_x)**2 (y - true_y)**2) neg_radius: continue # 太靠近真实位置丢弃 feat extract_feature_patch(real_img, x, y, patch_size) features.append(feat) # 负样本标签设为一个大的固定偏移或者用分类标签 labels.append([x - true_x, y - true_y]) count 1 return np.array(features), np.array(labels)这段代码的核心逻辑是正样本在真实位置附近抖动标签是实际偏移量负样本在远离真实位置的地方随机采标签也是实际偏移量。这样网络学到的就是一个从特征到偏移量的回归映射。参数方面pos_radius控制正样本的紧凑程度neg_radius控制负样本的纯净度samples_per_image决定每张图的采样密度。实际用的时候正负样本比例控制在1:1到1:2之间比较稳。3.2 数据增强旋转、缩放、光照畸变的模拟景象匹配模型最怕的就是训练集和测试集的成像条件不一致。数据增强的目的就是让网络在训练阶段就见过各种干扰推理时才能稳。我常用的增强手段包括随机旋转-15度到15度、随机缩放0.9到1.1倍、随机亮度调整±20%、随机对比度调整±15%、以及高斯噪声注入。这里有个坑旋转和缩放之后真实匹配点的坐标也会跟着变标签必须同步更新。很多人做增强的时候只变了图像没变标签网络直接学废。正确的做法是记录变换矩阵把原始坐标通过矩阵映射到增强后的坐标系。import cv2 import numpy as np def augment_with_label(img, label_x, label_y, angle_range15, scale_range0.1, brightness_range0.2): 对图像做随机增强同时更新标签坐标 返回增强后的图像和新的标签坐标 h, w img.shape[:2] center (w / 2, h / 2) # 随机旋转和缩放 angle np.random.uniform(-angle_range, angle_range) scale 1.0 np.random.uniform(-scale_range, scale_range) M cv2.getRotationMatrix2D(center, angle, scale) augmented cv2.warpAffine(img, M, (w, h), flagscv2.INTER_LINEAR, borderModecv2.BORDER_REFLECT) # 标签坐标同步变换 new_x M[0, 0] * label_x M[0, 1] * label_y M[0, 2] new_y M[1, 0] * label_x M[1, 1] * label_y M[1, 2] # 随机亮度调整 brightness_factor 1.0 np.random.uniform(-brightness_range, brightness_range) augmented np.clip(augmented.astype(np.float32) * brightness_factor, 0, 255).astype(np.uint8) return augmented, new_x, new_y这段增强代码把旋转、缩放、亮度调整串在一起每次调用返回一张新图和对应的新标签。angle_range设15度是因为多数景象匹配场景的旋转不会太夸张设太大反而引入不真实的样本。scale_range设0.1对应±10%的尺度变化覆盖了常见的飞行高度波动。亮度调整范围±20%能模拟不同光照条件。注意增强后的坐标可能落到图像边界外训练前要检查并丢弃越界样本否则网络会学到错误的映射。3.3 损失函数选择MSE还是Smooth L1回归任务常用的损失函数是均方误差和Smooth L1。MSE对异常值敏感一个偏差很大的样本会把梯度拉爆Smooth L1在误差小于1时用平方大于1时用线性对异常值更鲁棒。景象匹配的标签里难免有一些噪声样本比如人工标注误差所以我更倾向用Smooth L1。import torch.nn as nn # Smooth L1损失beta控制平方和线性的切换点 criterion nn.SmoothL1Loss(beta1.0) # 训练循环片段 optimizer torch.optim.Adam(model.parameters(), lr1e-3, weight_decay1e-5) scheduler torch.optim.lr_scheduler.StepLR(optimizer, step_size20, gamma0.5) for epoch in range(100): model.train() for batch_feat, batch_label in train_loader: optimizer.zero_grad() pred model(batch_feat) loss criterion(pred, batch_label) loss.backward() optimizer.step() scheduler.step()beta1.0表示误差绝对值小于1时用平方损失大于1时用线性损失。学习率初始设1e-3每20个epoch衰减一半。weight_decay1e-5是L2正则化防止权重过大。这套配置在几千样本量级下比较稳如果样本量更大学习率可以适当调高。4. 从训练到推理模型部署与匹配点搜索策略4.1 推理阶段怎么用网络找匹配点训练好的网络只是一个“打分器”它告诉你某个图像块和参考点的匹配程度但不会直接告诉你匹配点在哪。推理阶段需要配合搜索策略。最直接的做法是滑动窗口在实时图上逐像素或隔几个像素取图像块提取特征送入网络得到预测的偏移量然后找偏移量最小的那个位置作为匹配点。但逐像素滑窗太慢一张1024×1024的图要跑上百万次前向传播。实际工程中我会用两级策略第一级用传统方法比如相位相关或低分辨率模板匹配快速定位一个粗略区域第二级在这个区域内做精细搜索。这样计算量能降两个数量级。def coarse_to_fine_matching(model, ref_feat, real_img, coarse_step8, fine_step1, search_radius64, patch_size32): 两级搜索先粗后精 model: 训练好的BP网络 ref_feat: 参考点特征向量 real_img: 实时图 coarse_step: 粗搜索步长 fine_step: 精搜索步长 search_radius: 精细搜索半径 h, w real_img.shape half patch_size // 2 # 第一级粗搜索大步长遍历全图 best_score float(inf) best_x, best_y 0, 0 for y in range(half, h - half, coarse_step): for x in range(half, w - half, coarse_step): feat extract_feature_patch(real_img, x, y, patch_size) # 拼接参考特征和候选特征或者用差值作为输入 input_vec np.concatenate([ref_feat, feat]) with torch.no_grad(): pred model(torch.from_numpy(input_vec).unsqueeze(0)) score torch.norm(pred).item() if score best_score: best_score score best_x, best_y x, y # 第二级在粗定位结果附近精细搜索 final_x, final_y best_x, best_y for y in range(max(half, best_y - search_radius), min(h - half, best_y search_radius), fine_step): for x in range(max(half, best_x - search_radius), min(w - half, best_x search_radius), fine_step): feat extract_feature_patch(real_img, x, y, patch_size) input_vec np.concatenate([ref_feat, feat]) with torch.no_grad(): pred model(torch.from_numpy(input_vec).unsqueeze(0)) score torch.norm(pred).item() if score best_score: best_score score final_x, final_y x, y return final_x, final_y, best_score这段代码实现了一个从粗到精的搜索流程。粗搜索步长设8精细搜索步长设1搜索半径设64。ref_feat是参考点的特征向量和候选点的特征拼接后送入网络。注意这里网络的输入维度是参考特征加候选特征的两倍训练时也要用同样的拼接方式否则维度对不上。提示粗搜索阶段可以用GPU批量推理把所有候选块的特征拼成一个矩阵一次性送进网络比逐块循环快几十倍。上面写成循环是为了逻辑清晰。4.2 匹配点验证怎么判断结果可不可信网络输出的偏移量小不代表匹配一定正确。在纹理重复区域比如大片农田、规则建筑群多个位置的偏移量可能都很小这时候需要额外的验证机制。我常用的做法是计算匹配点周围的局部特征相似度如果网络输出的偏移量和特征相似度的一致性差就标记为低置信度触发重匹配或者人工干预。另一个验证手段是双向一致性检查从参考图到实时图找一遍匹配点再从实时图到参考图找一遍如果两次结果不一致说明匹配不可靠。这个逻辑在传统特征匹配里很常见搬到神经网络匹配里同样适用。def bidirectional_check(model, ref_img, real_img, ref_x, ref_y, real_x, real_y, patch_size32, threshold3.0): 双向一致性检查 正向参考图-实时图反向实时图-参考图 如果两次匹配位置偏差超过阈值判定为不可靠 # 正向匹配已经由调用方完成这里做反向匹配 ref_feat extract_feature_patch(ref_img, ref_x, ref_y, patch_size) real_feat extract_feature_patch(real_img, real_x, real_y, patch_size) # 反向以实时图特征为参考在参考图里找最佳匹配 h, w ref_img.shape half patch_size // 2 best_score float(inf) back_x, back_y ref_x, ref_y for y in range(max(half, ref_y - 20), min(h - half, ref_y 20)): for x in range(max(half, ref_x - 20), min(w - half, ref_x 20)): feat extract_feature_patch(ref_img, x, y, patch_size) input_vec np.concatenate([real_feat, feat]) with torch.no_grad(): pred model(torch.from_numpy(input_vec).unsqueeze(0)) score torch.norm(pred).item() if score best_score: best_score score back_x, back_y x, y # 检查正向和反向的偏差 error np.sqrt((back_x - ref_x)**2 (back_y - ref_y)**2) is_reliable error threshold return is_reliable, errorthreshold设3个像素意思是反向匹配结果和原始参考点偏差超过3像素就认为不可靠。这个阈值要根据实际图像分辨率和匹配精度要求调整高分辨率图像可以适当放宽。4.3 推理速度优化从Python循环到TensorRTPython循环做滑窗推理在生产环境里是不可接受的。我一般会做三层优化第一层把特征提取用C重写或者用numba加速第二层把网络推理用ONNX导出后走TensorRT或OpenVINO第三层粗搜索阶段用图像金字塔降采样在低分辨率图上快速筛掉大部分候选区域。实测下来一张1024×1024的图纯Python循环要几秒经过上述优化后能压到50毫秒以内满足多数实时场景的需求。如果还嫌慢可以考虑把特征提取和网络推理都放到GPU上用CUDA核函数做滑窗但开发成本会高不少。5. 避坑与排查景象匹配BP网络训练中的血泪经验5.1 损失降不下去但验证集精度还行现象训练损失震荡不降但验证集上的匹配误差看起来还能接受。原因通常是训练集和验证集的分布不一致或者损失函数对异常值太敏感。解决方法是检查训练样本里有没有标签错误的样本把MSE换成Smooth L1同时降低学习率。我遇到过好几次都是因为正样本半径设得太小导致标签噪声大网络在拟合噪声。5.2 匹配点总是偏向图像中心现象不管真实匹配点在哪网络输出的坐标总是往图像中心偏。原因是训练时负样本采样不均匀中心区域的负样本密度远高于边缘区域网络学到了“中心先验”。解决办法是负样本采样时做空间均匀化或者对边缘区域的样本加权。这个坑很隐蔽因为损失曲线看起来很正常但实际匹配结果就是不对。5.3 旋转超过10度就完全失效现象训练时增强的旋转范围是±15度但测试时旋转12度就匹配失败。原因是特征提取对旋转不够鲁棒HOG和LBP在旋转后变化较大。解决办法是增大旋转增强范围到±30度同时在特征里加入主方向归一化把图像块先旋转到主方向再提取特征。这个改动会让特征提取慢一些但旋转鲁棒性提升明显。5.4 GPU上跑得好CPU上精度掉一截现象模型在GPU上推理正常导出到CPU部署后匹配误差变大。原因是浮点精度差异GPU用float32CPU推理时某些框架默认用float16或者做了量化。解决办法是导出ONNX时锁定float32推理时不要开自动混合精度。如果必须量化用校准集重新标定别直接拿训练集当校准集。5.5 训练样本几千张过拟合严重现象训练损失降到很低验证损失开始上升。原因是样本量不够网络参数量相对过大。解决办法有三个一是把隐层节点数砍半二是加Dropout和L2正则化三是用数据增强把有效样本量扩到几倍。我一般会先砍节点数再考虑增强因为增强会引入额外的计算开销。6. 进阶技巧用注意力机制和迁移学习把匹配精度再推一截BP神经网络做景象匹配做到后面会发现纯全连接层的表达能力有上限。这时候可以引入两个进阶手段注意力机制和迁移学习。注意力机制的做法是在特征提取阶段加一个通道注意力模块让网络自己学习哪些特征维度对当前匹配任务更重要。具体实现上可以用一个小的全连接网络生成每个特征通道的权重然后对特征做加权。这个改动增加的参数量很少但在纹理复杂场景下能提升2到3个百分点的匹配准确率。class ChannelAttention(nn.Module): def __init__(self, feat_dim, reduction8): super().__init__() self.fc nn.Sequential( nn.Linear(feat_dim, feat_dim // reduction), nn.ReLU(), nn.Linear(feat_dim // reduction, feat_dim), nn.Sigmoid() ) def forward(self, x): # x: (batch, feat_dim) weight self.fc(x) return x * weight # 通道加权 class SceneMatchingWithAttention(nn.Module): def __init__(self, input_dim, hidden196, hidden248): super().__init__() self.attention ChannelAttention(input_dim) self.net nn.Sequential( nn.Linear(input_dim, hidden1), nn.ReLU(), nn.Dropout(0.2), nn.Linear(hidden1, hidden2), nn.ReLU(), nn.Linear(hidden2, 2) ) def forward(self, x): x self.attention(x) return self.net(x)迁移学习的思路是先在大量通用图像匹配数据上预训练一个BP网络然后拿少量目标场景的数据做微调。预训练数据可以用公开的遥感图像匹配数据集或者用合成数据生成。微调时只更新最后两层前面的层冻结。这样做的好处是目标场景只需要几百张标注样本就能达到不错的精度省去了大量标注成本。策略样本需求训练时间匹配精度提升从头训练5000长基准注意力机制5000略长2~3%迁移学习微调500~1000短3~5%注意力迁移500~1000中等5~8%实际用的时候如果目标场景的标注数据充足直接上注意力机制如果标注数据少优先用迁移学习。两者结合效果最好但要注意微调时学习率要调小否则预训练学到的特征会被破坏。最后说一个我自己的习惯每次训练完模型我都会拿一批“刁钻”样本单独测一遍——包括大角度旋转、强光照变化、局部遮挡、纹理重复区域。这些样本不参与训练只用来暴露模型的边界。很多时候验证集指标很好看一上刁钻样本就原形毕露。这个习惯帮我省了好几次线上翻车的后悔药。希望帮到你。本文还有配套的精品资源点击获取
阅读完成 · 觉得有帮助？
