（数字图像处理MATLAB+Python）第十一章图像描述与分析-第一节、二节：图像描述概述和特征点

文章目录

  • 一：图像描述概述
    • （1）图像描述
    • （2）描述子
  • 二：特征点
    • （1）Moravec角点检测
      • A：原理
      • B：程序
    • （2）Harris角点检测
      • A：原理
      • B：程序
    • （3）SUSAN角点检测
      • A：原理
      • B：程序

一：图像描述概述

（1）图像描述

图像描述：将分割后区域的区域、边界的属性和相互关系用更为简单明确的文字、数值、符号或图来描述或说明。保留原图像或图像区域重要信息，减少数据量。它旨在通过自然语言来准确地描述图像中出现的对象、场景和其他相关信息。图像描述一般由计算机视觉和自然语言处理领域共同完成。图像描述的主要目标是使计算机能够理解和表达对图像的理解，将视觉信息转化为可读性强的文本描述。这项技术对于提高图像的可搜索性和可索引性非常有用，也可以帮助视觉障碍者理解图像内容

在这里插入图片描述

图像描述技术的应用非常广泛。例如，在社交媒体平台上，可以通过图像描述实现自动标签生成，提高图像搜索的效果。此外，还可以应用于辅助无障碍技术、智能推荐系统等领域，为用户提供更好的体验和服务

（2）描述子

描述子：是计算机视觉领域中用于表示图像或图像中的特征的一种数值化描述方法。它提取图像中的关键信息，并将其转化为可以进行比较和匹配的向量或特征向量。描述子在图像处理和计算机视觉任务中起着重要作用，如图像检索、目标识别、图像匹配等。通过使用描述子，可以将复杂的图像数据转换成紧凑且可度量的向量形式，从而方便进行图像之间的相似性计算和比较。常见的描述子包括

  • SIFT
  • SURF
  • ORB

描述子应具有以下特点

  • 唯一性
  • 几何变换不变性
  • 完整性
  • 敏感性
  • 抽象性

描述子的生成通常涉及到特征提取算法，这些算法会在图像中寻找图像的局部特征，并将其转换为具有良好鲁棒性和区分性的描述子。这些描述子通常具有以下特点：对尺度、旋转和光照变化具有一定的不变性；在不同图像中相同物体的描述子能够相互匹配；不同物体的描述子能够有较大的差异性描述子在计算机视觉领域中被广泛应用，它们为图像处理和分析提供了有效的工具，可以实现图像特征的提取、匹配和识别等任务

二：特征点

特征点：也称为关键点（Key Points）或兴趣点（Interest Points），是图像中具有显著性、独特性和稳定性的位置或区域。它们在图像中代表了一些突出的结构、边缘或纹理信息。如线条交叉点、边界封闭区域的重心，或者曲面的高点等；也可以没有实际的直观视觉意义，但在某种角度、某个尺度上含有丰富的易于匹配的信息。特征点具有以下特点

  • 显著性：特征点应该在图像中相对其他区域更加明显和突出，能够吸引注意力。
  • 独特性：特征点应该具有较高的不变性，能够在不同的图像中准确地找到对应的特征点。
  • 稳定性：特征点应该对于尺度、旋转、仿射变换等图像变化具有一定程度的稳定性

特征点在影像匹配、图像拼接、运动估计以及形状描述等诸多方面都具有重要作用。特征点通常由特征检测算法自动提取，这些算法可以根据图像的局部特征属性来确定特征点的位置和尺度。常见的特征点检测算法包括Harris角点检测、SIFT（Scale-Invariant Feature Transform）、SURF（Speeded-Up Robust Features）等

角点是特征点中最主要的一类，由景物曲率较大地方的两条或多条边缘的交点所形成，比如线段的末端、轮廓的拐角等

（1）Moravec角点检测

A：原理

Moravec角点检测：是一种经典的图像特征检测算法，用于检测图像中的角点。Moravec角点检测算法基于角点的一个重要特性：在角点处，图像在各个方向上的微小平移都会引起较大的灰度变化。算法通过滑动窗口在图像中的每个像素位置上进行操作，计算不同方向上窗口内的灰度差异来确定是否存在角点，具体步骤如下

  • 对于图像中的每个像素位置，定义一个小的窗口
  • 分别在水平、垂直和对角线方向上对窗口进行平移，并计算平移后窗口与原窗口之间的灰度差异
  • 对于每个平移方向，计算灰度差异的总和或平均值，作为该窗口位置上的角点响应值
  • 针对所有像素位置，根据角点响应值进行阈值处理或非极大值抑制，筛选出最显著的角点

Moravec角点检测算法的优点是简单、快速，适用于实时应用和计算资源受限的场景。然而，它对于尺度变化、噪声和旋转等因素比较敏感，并且可能会产生大量的冗余角点。因此，后续的改进算法如Harris角点检测算法等被提出，以提高角点检测的稳定性和鲁棒性。另外

  • 当固定窗口在平坦区域时，灰度比较均匀，4个方向的灰度变化值都很小
  • 在边缘处，沿边缘方向的灰度变化值很小，沿垂直边缘方向的灰度变化值比较大
  • 当窗口在角点或独立点上的时候，沿各个方向的灰度变化值都比较大
  • 因此，若某窗口内各个方向变化的最小值大于某个阈值，说明各方向的变化都比较大，则该窗口所在即为角点所在

B：程序

如下

在这里插入图片描述

matlab实现：

clear,clc,close all;
% image=im2double(rgb2gray(imread('bricks.jpg')));
% image= im2double(rgb2gray(imread('bricksrotate.jpg')));image= im2double(rgb2gray(imread('testrotate.bmp')));
figure,imshow(image),title('ԭͼ');
[N,M]=size(image);
radius=3;
CRF=zeros(N,M);
for i=radius+1:M-radiusfor j=radius+1:N-radiusv=zeros(4,1);for m=-radius:radius-1v(1)=v(1)+(image(j,i+m)-image(j,i+m+1))^2;v(2)=v(2)+(image(j+m,i)-image(j+m+1,i))^2;v(3)=v(3)+(image(j+m,i+m)-image(j+m+1,i+m+1))^2;v(4)=v(4)+(image(j+m,i-m)-image(j+m+1,i-m-1))^2;endCRF(j,i)=min(v(:));end
end
thresh=0.08;
for i=radius+1:M-radiusfor j=radius+1:N-radius   temp=CRF(j-radius:j+radius,i-radius:i+radius);if CRF(j,i)>thresh && CRF(j,i)==max(temp(:))for m=-radius:radiusimage(j+m,i+m)=0;image(j-m,i+m)=0; endend        end
end
figure,imshow(image),title('Moravec½¹µã¼ì²â');
imwrite(image,'Moravetestrotate.jpg');

python实现：

import numpy as np
import cv2
import matplotlib.pyplot as plt# Load and convert the image to grayscale
image = cv2.imread('testrotate.bmp')
image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
image = image.astype(np.float32)# Display the original image
plt.imshow(image, cmap='gray')
plt.title('Original Image')
plt.show()N, M = image.shape
radius = 3
CRF = np.zeros((N, M))# Calculate the Corner Response Function (CRF)
for i in range(radius, M-radius):for j in range(radius, N-radius):v = np.zeros(4)for m in range(-radius, radius):v[0] += (image[j, i+m] - image[j, i+m+1]) ** 2v[1] += (image[j+m, i] - image[j+m+1, i]) ** 2v[2] += (image[j+m, i+m] - image[j+m+1, i+m+1]) ** 2v[3] += (image[j+m, i-m] - image[j+m+1, i-m-1]) ** 2CRF[j, i] = np.min(v)thresh = 0.08# Suppress non-maximum corners
for i in range(radius, M-radius):for j in range(radius, N-radius):temp = CRF[j-radius:j+radius, i-radius:i+radius]if CRF[j, i] > thresh and CRF[j, i] == np.max(temp):for m in range(-radius, radius+1):image[j+m, i+m] = 0image[j-m, i+m] = 0# Display the resulting image with suppressed corners
plt.imshow(image, cmap='gray')
plt.title('Moravec Corner Detection')
plt.show()# Save the resulting image
cv2.imwrite('Moravetestrotate.jpg', image)

（2）Harris角点检测

A：原理

Harris角点检测：是一种常用的图像特征检测算法，用于寻找图像中的角点。Harris角点检测算法基于以下假设：在角点处，图像在所有方向上进行微小平移时，灰度值会发生较大的变化。该算法通过计算图像局部区域的灰度值梯度来判断是否存在角点，并根据灰度值梯度的变化情况计算角点响应函数。具体步骤如下

  • 对图像进行灰度处理（若原图不是灰度图）
  • 计算每个像素位置上的梯度值，通常使用Sobel算子或其他梯度算子
  • 根据梯度值计算自相关矩阵M，包括梯度的协方差矩阵
  • 根据自相关矩阵M的特征值，计算角点响应函数R
  • 根据设定的阈值，选取响应函数大于阈值的像素点作为角点
  • 对于相邻的角点，进行非极大值抑制，保留具有最大响应的角点

Harris角点检测算法的优点是对于尺度变化、旋转和仿射变换等具有一定的不变性，并且能够检测到各种类型的角点。它在图像配准、目标跟踪、图像拼接等计算机视觉任务中得到广泛应用

B：程序

如下

在这里插入图片描述

matlab实现：

clear,clc,close all;
image= im2double(rgb2gray(imread('bricks.jpg')));
% image= im2double(rgb2gray(imread('bricksrotate.jpg')));
% image= im2double(rgb2gray(imread('testrotate.bmp')));
figure,imshow(image),title('原图');
[h,w]=size(image);
Hx = [-2 -1 0 1 2]; % x方向梯度算子(用于Harris角点提取算法) 
fx = filter2(Hx,image); % x方向滤波 
Hy = [-2;-1;0;1;2]; % y方向梯度算子(用于Harris角点提取算法) 
fy = filter2(Hy,image); % y方向滤波 
fx2 = fx.^2; 
fy2 = fy.^2; 
fxy = fx.*fy; 
sigma=2;
Hg= fspecial('gaussian',[7 7],sigma);
fx2 = filter2(Hg,fx2); 
fy2 = filter2(Hg,fy2); 
fxy = filter2(Hg,fxy); 
result = zeros(h,w); 
R = zeros(h,w); 
k=0.06;
for i = 1:w for j = 1:h M = [fx2(j,i) fxy(j,i);fxy(j,i) fy2(j,i)];detM = det(M); %求行列式traceM = trace(M); %求迹R(j,i) = detM-k*traceM^2;        end
end
radius=3;
num=0;
for i = radius+1:w-radiusfor j = radius+1:h-radiustemp=R(j-radius:j+radius,i-radius:i+radius);if  R(j,i)==max(temp(:))result(j,i)=1;num=num+1;end       end
end
Rsort=zeros(num,1); 
[posy, posx] = find(result == 1); 
for i=1:numRsort(i)=R(posy(i),posx(i)); 
end
[Rsort,index]=sort(Rsort,'descend'); 
corner=24; 
for i=1:cornery=posy(index(i)); x=posx(index(i)); for m=-radius:radiusimage(y+m,x+m)=0;image(y-m,x+m)=0; end
end
figure,imshow(image),title('Harris角点检测');
% imwrite(image,'Harristestrotate.jpg');

python实现：

import cv2
import numpy as np
import matplotlib.pyplot as plt# Load and convert the image to grayscale
image = cv2.imread('bricks.jpg')
image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
image = image.astype(np.float32) / 255.0# Display the original image
plt.imshow(image, cmap='gray')
plt.title('原图')
plt.show()h, w = image.shape
Hx = np.array([-2, -1, 0, 1, 2])  # x方向梯度算子(用于Harris角点提取算法)
fx = cv2.filter2D(image, -1, Hx)  # x方向滤波
Hy = np.array([[-2], [-1], [0], [1], [2]])  # y方向梯度算子(用于Harris角点提取算法)
fy = cv2.filter2D(image, -1, Hy)  # y方向滤波
fx2 = fx ** 2
fy2 = fy ** 2
fxy = fx * fy
sigma = 2
Hg = cv2.getGaussianKernel(7, sigma)
fx2 = cv2.filter2D(fx2, -1, Hg)
fy2 = cv2.filter2D(fy2, -1, Hg)
fxy = cv2.filter2D(fxy, -1, Hg)
result = np.zeros((h, w))
R = np.zeros((h, w))
k = 0.06for i in range(w):for j in range(h):M = np.array([[fx2[j, i], fxy[j, i]], [fxy[j, i], fy2[j, i]]])detM = np.linalg.det(M)  # 求行列式traceM = np.trace(M)  # 求迹R[j, i] = detM - k * traceM ** 2radius = 3
num = 0
for i in range(radius + 1, w - radius):for j in range(radius + 1, h - radius):temp = R[j - radius : j + radius, i - radius : i + radius]if R[j, i] == np.max(temp):result[j, i] = 1num += 1Rsort = np.zeros(num)
pos = np.where(result == 1)
for i in range(num):Rsort[i] = R[pos[0][i], pos[1][i]]index = np.argsort(Rsort)[::-1]
corner = 24for i in range(corner):y = pos[0][index[i]]x = pos[1][index[i]]for m in range(-radius, radius + 1):image[y + m, x + m] = 0image[y - m, x + m] = 0# Display the resulting image with detected corners
plt.imshow(image, cmap='gray')
plt.title('Harris角点检测')
plt.show()# Save the resulting image
cv2.imwrite('Harristestrotate.jpg', image * 255.0)

（3）SUSAN角点检测

A：原理

SUSAN角点检测：是一种常用的图像特征检测算法，用于寻找图像中的角点。SUSAN角点检测算法基于以下假设：在角点处，相邻像素的灰度值与中心像素的灰度值之间会存在明显的差异。该算法通过计算像素周围邻域内的灰度差异来判断是否存在角点，并根据邻域内像素的差异程度计算角点响应函数。具体步骤如下

  • 对图像进行**灰度处理（**若原图不是灰度图）
  • 选择一个合适的邻域大小（通常为37个像素点），以及一个阈值T，用于判断像素点是否为角点
  • 遍历图像上的每个像素点
  • 对于每个像素点，计算其周围邻域内像素与中心像素的灰度差异
  • 计算灰度差异小于阈值T的像素数目
  • 如果该数目小于某个预先设定的阈值K，则将该像素标记为角点

SUSAN角点检测算法的优点是对噪声和光照变化具有一定的鲁棒性，并且能够检测到各种类型的角点。它在图像配准、目标跟踪、特征提取等计算机视觉任务中得到广泛应用

B：程序

如下

在这里插入图片描述

matlab实现：

clear,clc,close all;
% image=im2double(rgb2gray(imread('bricks.jpg')));
% image= im2double(rgb2gray(imread('bricksrotate.jpg')));
% image= im2double(rgb2gray(imread('test.bmp')));
image= im2double(rgb2gray(imread('testrotate.bmp')));
figure,imshow(image),title('ԭͼ');
[N,M]=size(image);
templet=[0 0 1 1 1 0 0;0 1 1 1 1 1 0;1 1 1 1 1 1 1;1 1 1 1 1 1 1;1 1 1 1 1 1 1;0 1 1 1 1 1 0;0 0 1 1 1 0 0];
g=floor(sum(templet(:))/2-1);
R=zeros(N,M);
thresh=(max(image(:))-min(image(:)))/10;
radius=3;
for i=radius+1:M-radiusfor j=radius+1:N-radiuscount=0;usan=zeros(2*radius+1,2*radius+1);for m=-radius:radiusfor n=-radius:radiusif templet(radius+1+n,radius+1+m)==1 && abs(image(j,i)-image(j+n,i+m))<threshcount=count+1;usan(radius+1+n,radius+1+m)=1;end                end            end        if count<g && count>5centerx=0;centery=0;totalgray=0;for m=-radius:radiusfor n=-radius:radiusif usan(radius+1+n,radius+1+m)==1 centerx=centerx+(i+m)*image(j+n,i+m);centery=centery+(j+n)*image(j+n,i+m);totalgray=totalgray+image(j+n,i+m);end                   end                end  centerx=centerx/totalgray;centery=centery/totalgray;dis=sqrt((i-centerx)^2+(j-centery)^2);if dis>radius*sqrt(2)/3R(j,i)=g-count;endendend
end
for i=radius+1:M-radiusfor j=radius+1:N-radius    temp=R(j-radius:j+radius,i-radius:i+radius);if R(j,i)~=0 && R(j,i)==max(temp(:))for m=-radius:radiusimage(j+m,i+m)=0;image(j-m,i+m)=0;endend        end
end
figure,imshow(image),title('SUSAN½Çµã¼ì²â');
imwrite(image,'Susantestrotate.jpg');

python实现：

import cv2
import numpy as np
import matplotlib.pyplot as plt# Load and convert the image to grayscale
image = cv2.imread('testrotate.bmp')
image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
image = image.astype(np.float32) / 255.0# Display the original image
plt.imshow(image, cmap='gray')
plt.title('原图')
plt.show()N, M = image.shape
templet = np.array([[0, 0, 1, 1, 1, 0, 0],[0, 1, 1, 1, 1, 1, 0],[1, 1, 1, 1, 1, 1, 1],[1, 1, 1, 1, 1, 1, 1],[1, 1, 1, 1, 1, 1, 1],[0, 1, 1, 1, 1, 1, 0],[0, 0, 1, 1, 1, 0, 0]])
g = int(np.sum(templet) / 2 - 1)
R = np.zeros((N, M))
thresh = (np.max(image) - np.min(image)) / 10
radius = 3for i in range(radius + 1, M - radius):for j in range(radius + 1, N - radius):count = 0usan = np.zeros((2 * radius + 1, 2 * radius + 1))for m in range(-radius, radius):for n in range(-radius, radius):if templet[radius + 1 + n, radius + 1 + m] == 1 and abs(image[j, i] - image[j + n, i + m]) < thresh:count += 1usan[radius + 1 + n, radius + 1 + m] = 1if count < g and count > 5:centerx = 0centery = 0totalgray = 0for m in range(-radius, radius):for n in range(-radius, radius):if usan[radius + 1 + n, radius + 1 + m] == 1:centerx += (i + m) * image[j + n, i + m]centery += (j + n) * image[j + n, i + m]totalgray += image[j + n, i + m]centerx /= totalgraycentery /= totalgraydis = np.sqrt((i - centerx) ** 2 + (j - centery) ** 2)if dis > radius * np.sqrt(2) / 3:R[j, i] = g - countfor i in range(radius + 1, M - radius):for j in range(radius + 1, N - radius):temp = R[j - radius : j + radius, i - radius : i + radius]if R[j, i] != 0 and R[j, i] == np.max(temp):for m in range(-radius, radius):image[j + m, i + m] = 0image[j - m, i + m] = 0# Display the resulting image with detected corners
plt.imshow(image, cmap='gray')
plt.title('SUSAN角点检测')
plt.show()# Save the resulting image
cv2.imwrite('Susantestrotate.jpg', image * 255.0)

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：http://www.hqwc.cn/news/95354.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

vector容器

vector容器

1 vector基本概念 功能&#xff1a; vector数据结构和数组非常相似&#xff0c;也称为单端数组 vector与普通数组区别&#xff1a; 不同之处在于数组是静态空间&#xff0c;而vector可以动态扩展 动态扩展&#xff1a; 并不是在原空间之后续接新空间&#xff0c;而是找更…
阅读更多...
基于YOLOV8模型的农作机器和行人目标检测系统（PyTorch+Pyside6+YOLOv8模型）

基于YOLOV8模型的农作机器和行人目标检测系统（PyTorch+Pyside6+YOLOv8模型）

摘要&#xff1a;基于YOLOV8模型的农作机器和行人目标检测系统可用于日常生活中检测与定位农作机和行人目标&#xff0c;利用深度学习算法可实现图片、视频、摄像头等方式的目标检测&#xff0c;另外本系统还支持图片、视频等格式的结果可视化与结果导出。本系统采用YOLOv8目标…
阅读更多...
【半监督医学图像分割】2022-MedIA-UWI

【半监督医学图像分割】2022-MedIA-UWI

【半监督医学图像分割】2022-MedIA-UWI 论文题目&#xff1a;Semi-supervise d me dical image segmentation via a triple d-uncertainty guided mean teacher model with contrastive learning 中文题目&#xff1a;基于对比学习的三维不确定性指导平均教师模型的半监督图像分…
阅读更多...
使用candump+grep查看CAN报文

使用candump+grep查看CAN报文

在Linux系统中观察看CAN报文&#xff0c;我们一般使用candump&#xff0c;但是有时候会发现总线上CAN报文太多&#xff0c;例如开启了好几个PDO&#xff0c;这就导致想看的报文被夹杂到报文的海洋里&#xff0c;然后再去找&#xff0c;非常麻烦。 candump也提供了只观察某个报…
阅读更多...
取证工具prodiscover的基本操作

取证工具prodiscover的基本操作

前言提醒 取证工具ProDiscover在网上讲解操作的文章实在太少&#xff0c;一是prodiscover是用于磁盘取证的工具&#xff0c;本身比较小众比不上其他的编程软件能用到的地方多&#xff0c;二是这个工具是用来恢复提取磁盘中被删除的文件&#xff0c;是比较隐晦的软件。 需要注…
阅读更多...
iTOP-RK3588开发板Android12 设置系统默认不休眠

iTOP-RK3588开发板Android12 设置系统默认不休眠

修改文件&#xff1a; device/rockchip/rk3588/overlay/frameworks/base/packages/SettingsProvider/res/values/defaults. xml 文件&#xff0c;如下图所示&#xff1a; - <integer name"def_screen_off_timeout">60000</integer> <integer name&q…
阅读更多...
【MySQL】用户管理

【MySQL】用户管理

之前我们一直都使用root身份来对mysql进行操作&#xff0c;但这样存在安全隐患。这时&#xff0c;就需要使用MySQL的用户管理 目录 一、用户 1.1 用户信息 1.2 添加用户 1.3 删除用户 1.4 修改用户密码 二、用户权限 2.1 赋予授权 2.2 回收权限 一、用户 1.1 用户信息…
阅读更多...
【C++历险记】面向对象|菱形继承及菱形虚拟继承

【C++历险记】面向对象|菱形继承及菱形虚拟继承

个人主页&#xff1a;兜里有颗棉花糖&#x1f4aa; 欢迎 点赞&#x1f44d; 收藏✨ 留言✉ 加关注&#x1f493;本文由 兜里有颗棉花糖 原创 收录于专栏【C之路】&#x1f48c; 本专栏旨在记录C的学习路线&#xff0c;望对大家有所帮助&#x1f647;‍ 希望我们一起努力、成长&…
阅读更多...
归并排序的详解！

归并排序的详解！

本文旨在讲解归并排序的实现&#xff08;递归及非递归&#xff09;搬好小板凳&#xff0c;干货来了&#xff01; 前序&#xff1a; 在介绍归并排序之前&#xff0c;需要给大家介绍的是什么是归并&#xff0c;归并操作&#xff0c;也叫归并算法&#xff0c;指的是将两个顺序序列…
阅读更多...
Lnmp架构

Lnmp架构

关闭防火墙 安装依赖包 yum -y install pcre-devel zlib-devel gcc gcc-c make 创建运行用户、组 编译安装Nginx 让系统识别nginx的操作命令 添加Nginx系统服务 vim /lib/systemd/system/nginx.service 编译安装mysql 安装Mysql环境依赖包 创建运行用户 编译安装 cd /opt …
阅读更多...
香橙派Orangepi Zero2 刷机步骤

香橙派Orangepi Zero2 刷机步骤

目录 1.香橙派Orangepi Zero2简介 2.刷机 2.1物料准备 2.2 格式化SD卡 2.3 烧录镜像到SD卡 2.4 安装SD卡到Orangepi 2.5 连接Pi电源 2.6 MobaXterm 串口登陆Orangepi 2.6.1 连线示意图 2.6.2 MobaXterm 使用 2.6.3修改登陆密码 2.6.4 网络配置 2.7 SSH登陆开发版…
阅读更多...
微信小程序请求接口返回的二维码(图片)，本地工具和真机测试都能显示，上线之后不显示问题

微信小程序请求接口返回的二维码(图片)，本地工具和真机测试都能显示，上线之后不显示问题

请求后端接口返回的图片&#xff1a; 页面展示&#xff1a; 代码实现&#xff1a; :show-menu-by-longpress"true" 是长按保存图片 base64Code 是转为base64的地址 <image class"code" :src"base64Code" alt"" :show-menu-by-long…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023