草稿.docx

草稿.docx

《草稿.docx》由会员分享，可在线阅读，更多相关《草稿.docx（14页珍藏版）》请在冰豆网上搜索。

草稿

目录

论文摘要…………………………………………………………………………1

论文关键字………………………………………………………………………1

一、绪论…………………………………………………………………………1

1.1论文研究的背景与意义………………………………………………1

　1.2数字图像评价研究现状及关键技术……………………………………2

二、基本原理…………………………………………………………………2

2.1直方图均衡化……………………………………………………………2

2.2小波变换…………………………………………………………………3

三、数字图像评价的原理……………………………………………………4

四、数字图像处理技术的基本原理…………………………………………6

4.1数字图像处理系统基本组成……………………………………………6

4.2图像变换…………………………………………………………………6

4.2.1：

傅立叶变换……………………………………………………………6

4.2.2、其他常见变换概述…………………………………………………8

4.3数字图像处理研究的内容……………………………………………….9

4.3.1、图像恢复………………………………………………………………9

4.3.2、图像增强……………………………………………………………11

4.3.3、图像分割……………………………………………………………12

4.3.4、图像压缩……………………………………………………………12

论文结束语……………………………………………………………………13

参考文献………………………………………………………………………14

数字图像处理的探索

摘要

数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。

目的提高图像的视感质量,如进行图像的亮度、彩色变换,增强、抑制某些成分,对图像进行几何变换等,以改善图像的质量，提取图像中所包含的某些特征或特殊信息,这些被提取的特征或信息往往为计算机分析图像提供便利，图像数据的变换、编码和压缩,以便于图像的存储和传输。

【关键词】：

图像增强小波变换图像处理直方图均衡

一、绪论

1.1论文研究的背景与意义

随着多媒体技术和网络技术的快速发展，数字图像处理已经广泛应用到了人类社会生活的各个方面，如：

遥感，工业检测，医学，气象，通信，侦查，智能机器人等。

作为数字图像处理重要环节的图像评价技术的研究也受到广泛关注，在图像处理各项技术，如图像采集，图像压缩，图像增强与复原，以及图像去模糊等算法中，图像质量评价都起到了非常重要的作用。

总的来说，图像质量评价的主要应用有以下几方面：

运用于图像或视频系统，使其能够获得最佳图像；作为图像系统的一项基准指标，用以评价图像或视频质量；作为反馈量，优化算法中的各项参量，改善系统性能等。

由此可见，数字图像评价的研究具有重要意义。

数字图像评价是图像处理的重要技术，随着研究的不断深入，视频监控成为了现在数字图像处理很重要的一个研究方向，而且在实际的应用当中非常有实用价值。

如在由于车辆的牌照在交通道口经常会受到对面车灯强光等或外部光源的照射，使得摄像机拍摄出来的车牌照片反光，人眼根本无法识别的情况下，通过进行处理而不断改善图像质量，提取有效信息，从而分辨汽车牌照；又如通过数字图像评价系统的研究，改善摄像机对于一些由于逆光、弱光、暗光、偏色或综合因素影响的监控质量等等。

另外，数字图像评价在数字在影像压缩方面，解决影像测量中分辨率与数据量之间矛盾也有重要应用。

随着图像压缩技术的迅速发展，压缩算法的一个重要指标就是有损压缩造成图像退化的程度，因而可以大大促进图像评价的发展与完善。

1.2数字图像评价研究现状及关键技术

人类视觉特性主要有：

幅度非线性特性，视觉敏感度带通和多通道，掩盖效应。

幅度非线性特性是指视觉系统分辨细节的能力与亮度的关系取决于相对亮度的变化，而不是整幅图像的基底亮度。

视觉敏感度带通表示人眼视觉系统（HVS）的对比敏感度是是时间频率的函数，且具有带通滤波器特性，对高低频端敏感度下降。

掩盖效应是指由于另一个激励的存在导致一个激励不能或不容易被检测到的现象，而当它单独存在时，是很容易识别的。

掩盖效应导致视觉系统的探测阈值改变，可能会增大或减小。

图像增强技术是一类基本的图像处理技术，是指有选择地突出图像中感兴趣的特征或者抑制图像中某些不需要的特征，其目的是使处理后的图像更适合于人的视觉特性或机器的识别系统，包括图像的轮廓线或者纹理加强、图像去噪、对比度增强等。

因此图像增强处理是图像分析和图像理解的前提和基础。

在图像的获取过程中，特别是对于多媒体监控系统采集的图像，由于监控场景光线照射复杂、拍摄背景也比较复杂等环境因素的影响。

加之摄像设备、传感器等因素引入的噪声，使监控图像在一定程度上存在对比度差、灰度分布范围窄、图像分辨率下降。

因此，为得到一幅清晰的图像必须进行增强处理。

传统的图像增强算法通常是基于整幅图像的统计量，这样在计算整幅图像的变换时，图像中的低频信息、高频信息以及含有的噪声，同时进行了变换，因而在增强图像的同时增强了噪声，导致信息熵下降，给监控图像的分析和后期处理带来了困难。

针对此问题，提出一种新算法。

二、基本原理

2.1直方图均衡化

图像对比度增强的方法可以分成两类:

一类是直接对比度增强方法;另一类是间接对比度增强方法。

直方图拉伸和直方图均衡化是两种最常见的间接对比度增强方法。

直方图拉伸是通过对比度拉伸对直方图进行调整，从而“扩大”前景和背景灰度的差别，以达到增强对比度的目的，这种方法可以利用线性或非线性的方法来实现;直方图均衡化则通过使用累积函数对灰度值进行“调整”以实现对比度的增强。

直方图均衡化的英文名称是HistogramEqualization.

直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法。

这种方法通常用来增加许多图像的局部对比度，尤其是当图像的有用数据的对比度相当接近的时候。

通过这种方法，亮度可以更好地在直方图上分布。

这样就可以用于增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展常用的亮度来实现这种功能。

其处理过程如下：

（1）计算原图像的灰度级直方图。

（2）求得原图像各灰度级的累积概率分布函数，并构造灰度转换函数。

（3）根据灰度转换函数将原图像所有像素灰度值映射到输出图像。

这种方法对于背景和前景都太亮或者太暗的图像非常有用，这种方法尤其是可以带来X光图像中更好的骨骼结构显示以及曝光过度或者曝光不足照片中更好的细节。

这种方法的一个主要优势是它是一个相当直观的技术并且是可逆操作，一般来说，图像中区域之间的边界占有较少像素，却包含着重要的结构信息，直方图均衡化算法对于低频灰阶的合并将导致图像细节的丢失。

这种方法的一个缺点是它对处理的数据不加选择，它可能会增加背景杂讯的对比度并且降低有用信号的对比度；变换后图像的灰度级减少，某些细节消失；某些图像，如直方图有高峰，经处理后对比度不自然的过分增强。

另一方面图像往往含有各种类型的噪声，直方图均衡算法在拉伸高频灰阶的动态范围时也会相应放大噪声。

2.2小波变换

小波分析是当前应用数学和工程学科中一个迅速发展的新领域，经过长期地探索研究，重要的数学形式化体系已经建立，理论基础更加扎实。

与Fourier变换相比，小波变换是空间（时间）和频率的局部变换，因而能有效地从信号中提取信息。

通过伸缩和平移等运算功能可对函数或信号进行多尺度的细化分析，解决了Fourier变换不能解决的许多困难问题。

小波变换联系了应用数学、物理学、计算机科学、信号与信息处理、图像处理、地震勘探等多个学科。

小波分析是一个新的数学分支，它是泛函分析、Fourier分析、样调分析、数值分析的完美结晶。

小波变换是近年来得到广泛应用的一种数学工具，是一种多分辨率分析方法。

其在时域频域都具有表征信号局部特征的能力，利用它可以聚焦到分析对象的任意细节。

小波变换把图像分解成逼近图像和细节图像之和，它们分别代表了图像的不同结构，对图像进行小波分解后，可分为LL，LH，HL和HH子频带，其中LL反映的是水平和竖直方向的低频信息；LH反映的是水平方向的低频信息和垂直方向的高频信息；HL反映的是水平方向的高频信息和垂直方向的低频信息；HH反映的是水平和竖直方向的高频信息。

低频部分反映的是平滑区，而边缘、细节、噪声一般存在于高频部分。

因此，小波变换能在不同的尺度上，采用不同的方法来增强不同频率范围内图像的细节分量，再把处理后的系数进行小波重建，这样就能够在突出图像细节特征的同时，有效抑制图像噪声的影响，使图像轮廓更加突出。

此外，小波变换的完善重构能力，保证了信号在分解过程中没有任何信息损失，也不会产生任何冗余信息。

我们可以仅在低频部分采用直方图均衡化方法，既增强图像，也避免了细节的模糊和噪声的扩大。

三、数字图像评价的原理

图像质量最基本的含义是人们对于一幅图像视觉感受的主观评价。

所以，基于人类特征的主观评价方法是最为准确可靠的。

但是，主观评价方法不能用具体的数学模型来实现，往往要动用大量的人力物力，费时费力，在很多情况下无法采用。

此外，而主观的评价测试，其实验的条件较为困难，观察者的知识水平会影响评分的结果，且又受到个人情绪等一些无法预测与控制的因素的影响。

主观评价主要有两种度量尺度，即绝对尺度和相对尺度，所谓绝对尺度就是对给定影像给出绝对的质量评分结果，而相对尺度就是确定某影像在一批相比较的影像中的相对质量尺度。

主观评价方法主要依靠人眼主观视觉效果来判断，常用的方法有均值意见评分法（MOS）和国际标准CCIR500。

在MOS标准下，为所有的评价者提供相同的图像观察条件，评价者根据自己的感受进行评分，最终根据多个评价结果得到该图像最终的MOS值NMOS。

为了使主观评价的分数具有无偏性，常采用某种数据处理方法对得到的结果进行简单处理。

比如主观评分的无偏差均值意见评分（DMOS）法是让评价者对同一场景的一组图像（该组图像中含有一张标准图像）进行评判，得到每张图像的NMOS，并以标准图像的NMOS作为标准，用其他图像的NMOS与标准图像的NMOS进行相减，同时将得到的所有差值归一化到0~100之间，最终得到图像的DMOS值NDMOS。

标准图像的NDMOS为0，其他图像与标准图像偏差越大，其NDMOS越大，图像质量也越差。

有的主观评价方法在进行比较性评价时采取冒泡排序将需评价的一组图片

按质量感觉好坏排序为一个线性表，然后进行相应评分。

也有人提出了一种做法：

为了消除被观察者因为知识背景不同的主观差异，将观察者分为两类:

一类为普通观察者，只是用普通人视觉感受来评分;另一类为专家观察者，这些人通常有图象处理、质量评估、图象压缩方面的知识和工作经历，能够以更深入的压缩算法的角度来评价图象质量的优劣。

让专家和非专家观察者分别对同一组图像进行评分，然后根据一定的规则加权平均，最后得出总的评价结果。

这种方法具有一定的说服力，但是由于很多研究人员致力于客观评价方法的研究，至今尚未有一个明确而具体可靠的加权标准。

四、数字图像处理技术的基本原理

4.1数字图像处理系统基本组成

图象数字化设备一般有：

扫描仪、数码相机、摄象机与图象采集卡等；图象处理计算机包括PC、工作站等；图象输出设备主要为打印机等设备。

    随着微电子与计算机技术的高速发展，图象数字化设备如CCD摄象机、扫描仪、数码相机、图象采集卡的成本大大降低，普通的微机已经可以胜任部分图象处理任务，使得图象处理的应用越来越广泛。

图象处理的重要应用领域包括：

遥感、视觉监视、保安、工业检测与测量、宇宙探险、军事侦察、高精度制导、医疗诊断、通讯、影视业、娱乐、公众服务等。

在不久的将来，图象及视频处理的应用将与目前语音处理的应用一样变得日益普及和重要

数字图像处理系统一般包括，图像获取传感器，图像数字化单元，图像存储器

图像处理器，数字图像显示、打印、绘图设备等。

4.2图像变换

4.2.1：

傅立叶变换

傅立叶变换是数字信号处理领域一种很重要的算法。

要知道傅立叶变换算法的意义，首先要了解傅立叶原理的意义。

傅立叶原理表明：

任何连续测量的时序或信号，都可以表示为不同频率的正弦波信号的无限叠加。

而根据该原理创立的傅立叶变换算法利用直接测量到的原始信号，以累加方式来计算该信号中不同正弦波信号的频率、振幅和相位。

和傅立叶变换算法对应的是反傅立叶变换算法。

该反变换从本质上说也是一种累加处理，这样就可以将单独改变的正弦波信号转换成一个信号。

因此，可以说，傅立叶变换将原来难以处理的时域信号转换成了易于分析的频域信号（信号的频谱），可以利用一些工具对这些频域信号进行处理、加工。

最后还可以利用傅立叶反变换将这些频域信号转换成时域信号。

从现代数学的眼光来看，傅里叶变换是一种特殊的积分变换。

它能将满足一定条件的某个函数表示成正弦基函数的线性组合或者积分。

在不同的研究领域，傅里叶变换具有多种不同的变体形式，如连续傅里叶变换和离散傅里叶变换。

在数学领域，尽管最初傅立叶分析是作为热过程的解析分析的工具，但是其思想方法仍然具有典型的还原论和分析主义的特征。

"任意"的函数通过一定的分解，都能够表示为正弦函数的线性组合的形式，而正弦函数在物理上是被充分研究而相对简单的函数类：

1. 傅立叶变换是线性算子,若赋予适当的范数,它还是酉算子。

2. 傅立叶变换的逆变换容易求出,而且形式与正变换非常类似。

3. 正弦基函数是微分运算的本征函数,从而使得线性微分方程的求解可以转化为常系数的代数方程的求解.在线性时不变杂的卷积运算为简单的乘积运算,从而提供了计算卷积的一种简单手段。

4. 离散形式的傅立叶的物理系统内,频率是个不变的性质,从而系统对于复杂激励的响应可以通过组合其对不同频率正弦信号的响应来获取。

5. 著名的卷积定理指出:

傅立叶变换可以化复变换可以利用数字计算机快速的算出（其算法称为快速傅立叶变换算法（FFT））。

正是由于上述的良好性质,傅里叶变换在物理学、数论、组合数学、信号处理、概率、统计、密码学、声学、光学等领域都有着广泛的应用。

图像的频率是表征图像中灰度变化剧烈程度的指标，是灰度在平面空间上的梯度。

如：

大面积的沙漠在图像中是一片灰度变化缓慢的区域，对应的频率值很低；而对于地表属性变换剧烈的边缘区域在图像中是一片灰度变化剧烈的区域，对应的频率值较高。

傅立叶变换在实际中有非常明显的物理意义，设f是一个能量有限的模拟信号，则其傅立叶变换就表示f的谱。

从纯粹的数学意义上看，傅立叶变换是将一个函数转换为一系列周期函数来处理的。

从物理效果看，傅立叶变换是将图像从空间域转换到频率域，其逆变换是将图像从频率域转换到空间域。

换句话说，傅立叶变换的物理意义是将图像的灰度分布函数变换为图像的频率分布函数，傅立叶逆变换是将图像的频率分布函数变换为灰度分布函数。

傅立叶变换以前，图像（未压缩的位图）是由对在连续空间（现实空间）上的采样得到一系列点的集合，我们习惯用一个二维矩阵表示空间上各点，则图像可由z=f（x,y）来表示。

由于空间是三维的，图像是二维的，因此空间中物体在另一个维度上的关系就由梯度来表示，这样我们可以通过观察图像得知物体在三维空间中的对应关系。

为什么要提梯度？

因为实际上对图像进行二维傅立叶变换得到频谱图，就是图像梯度的分布图，当然频谱图上的各点与图像上各点并不存在一一对应的关系，即使在不移频的情况下也是没有。

傅立叶频谱图上我们看到的明暗不一的亮点，实际上图像上某一点与邻域点差异的强弱，即梯度的大小，也即该点的频率的大小（可以这么理解，图像中的低频部分指低梯度的点，高频部分相反）。

一般来讲，梯度大则该点的亮度强，否则该点亮度弱。

这样通过观察傅立叶变换后的频谱图，也叫功率图，我们首先就可以看出，图像的能量分布，如果频谱图中暗的点数更多，那么实际图像是比较柔和的（因为各点与邻域差异都不大，梯度相对较小），反之，如果频谱图中亮的点数多，那么实际图像一定是尖锐的，边界分明且边界两边像素差异较大的。

对频谱移频到原点以后，可以看出图像的频率分布是以原点为圆心，对称分布的。

将频谱移频到圆心除了可以清晰地看出图像频率分布以外，还有一个好处，它可以分离出有周期性规律的干扰信号，比如正弦干扰，一副带有正弦干扰，移频到原点的频谱图上可以看出除了中心以外还存在以某一点为中心，对称分布的亮点集合，这个集合就是干扰噪音产生的，这时可以很直观的通过在该位置放置带阻滤波器消除干扰。

4.2.2、其他常见变换概述

①、小波变换

采用基于小波变换的图像增强技术可以通过对低频分解系数进行增强处理，对高频分解系数进行衰减处理达到图像增强的作用。

小波阈值去噪方法是小波去噪领域使用较多的方法，因为其理论相对比较成熟，而且去噪效果也比较好。

它是集图像去噪和增强为一体的优秀处理方法，被广泛的应用于图像处理中，大量实践也证明该算法优于其他增强技术。

②、斜变换

斜矢量是一个在其范围内呈现均匀阶梯下降的波形。

对于灰度逐渐改变的图像，用斜矢量表示是合适的。

斜变换已成功地应用于图像数据压缩中。

③、哈尔函数

哈尔函数系是完备的归一化正交函数系。

一个连续的哈尔函数能一致收敛。

哈尔函数在图像数据压缩、数字滤波等方面都获得良好应用。

④、离散余弦变换

视频编码和图像编码的对象主要是自然视频信号、图像信号或其预测残差（包括帧内和帧间）信号。

自然图像信号或视频信号在空间域上存在着很强的相关性，要提高编码效率就必须首先对空间域信号进行一定的处理，将其相关性消除或减弱后再进行编码。

视频信号和图像信号经过预测得到的残差信号在空间域上的相关性己部分减弱，但是统计数据表明，在某些情况下残差数据之间仍有其较强的相关性。

所以类似于图像信号和视频信号，残差信号也需要进行一定的处理。

这种去除相关性的处理过程就是变换编码过程。

变换编码的基本思路是将在空间域中描述的视频信号、图像信号或残差信号变换到另一个正交向量空间（变换域）中。

如果该正交向量空间的基向量与图像本身的特征向量很接近，那么经过正交变换后，系数间的相关性基本消除，能量主要集中在直流和少数低频的变换系数上。

因此，对频率域变换系数编码的效率远远高于直接对空间域像素编码，从而达到图像压缩的目的。

所以，离散余弦变换在图像的压缩中非常有用，是JPEG算法的基础。

4.3数字图像处理研究的内容

4.3.1、图像恢复

在图像的获取、传输以及保存过程中，由于各种因素，如大气的湍流效应、摄像设备中光学系统的衍射、传感器特性的非线性、光学系统的像差、成像设备与物体之间的相对运动、感光胶卷的非线性及胶片颗粒噪声以及电视摄像扫描的非线性等所引起的几何失真，都难免会造成图像的畸变和失真。

通常，称由于这些因素引起的质量下降为图像退化。

图像退化的典型表现是图像出现模糊、失真，出现附加噪声等。

由于图像的退化，在图像接受端显示的图像已不再是传输的原始图像，图像效果明显变差。

为此，必须对退化的图像进行处理，才能恢复出真实的原始图像，这一过程就称为图像复原。

图像复原技术是图像处理领域中一类非常重要的处理技术，与图像增强等其他基本图像处理技术类似，也是以获取视觉质量某种程度的改善为目的，所不同的是图像复原过程实际上是一个估计过程，需要根据某些特定的图像退化模型，对退化图像进行复原。

简言之，图像复原的处理过程就是对退化图像品质的提升，并通过图像品质的提升来达到图像在视觉上的改善。

由于引起图像退化的因素众多，且性质各不相同，目前没有统一的复原方法，众多研究人员根据不同的应用物理环境，采用了不同的退化模型、处理技巧和估计准则，从而得到了不同的复原方法。

4.3.2、图像增强

图像增强是指按特定的需要突出一幅图像中的某些信息，同时削弱或去除某些不需要的信息的处理方法，也是提高图像质量的过程。

图像增强的目的是使图像的某些特性方面更加鲜明、突出，使处理后的图像更适合人眼视觉特性或机器分析，以便于实现对图像的更高级的处理和分析。

图像增强的过程往往也是一个矛盾的过程：

图像增强希望既去除噪声又增强边缘。

但是，增强边缘的同时会同时增强噪声，而滤去噪声又会使边缘在一定程度上模糊，因此，在图像增强的时候，往往是将这两部分进行折中，找到一个好的代价函数达到需要的增强目的。

传统的图像增强算法在确定转换函数时常是基于整个图像的统计量，

常用的图像增强方法有：

（1）直方图均衡化有些图像在低值灰度区间上频率较大，使得图像中较暗区域中的细节看不清楚。

这时可以通过直方图均衡化将图像的灰度范围分开，并且让灰度频率较小的灰度级变大，通过调整图像灰度值的动态范围，自动地增加整个图像的对比度，使图像具有较大的反差，细节清晰。

（2）对比度增强法有些图像的对比度比较低，从而使整个图像模糊不清。

这时可以按一定的规则修改原来图像的每一个象素的灰度，从而改变图像灰度的动态范围。

（3）平滑噪声有些图像是通过扫描仪扫描输入、或传输通道传输过来的。

图像中往往包含有各种各样的噪声。

这些噪声一般是随机产生的，因此具有分布和大小不规则性的特点。

这些噪声的存在直接影响着后续的处理过程，使图像失真。

图像平滑就是针对图像噪声的操作，其主要作用是为了消除噪声，图像平滑的常用方法是采用均值滤波或中值滤波，均值滤波是一种线性空间滤波，它用一个有奇数点的掩模在图像上滑动，将掩模中心对应像素点的灰度值用掩模内所有像素点灰度的平均值代替，如果规定了在取均值过程中掩模内各像素点所占的权重，即各像素点所乘系数，这时就称为加权均值滤波；中值滤波是一种非线性空间滤波，其与均值滤波的区别是掩模中心对应像素点的灰度值用掩模内所有像素点灰度值的中间值代替。

（4）锐化平滑噪声时经常会使图像的边缘变的模糊，针对平均和积分运算使图像模糊，可对其进行反运算采取微分算子使用模板和统计差值的方法，使图像增强锐化。

图像边缘与高频分量相对应，高通滤波器可以让高频分量畅通无阻，而对低频分量则充分限制，通过高通滤波器去除低频分量，也可以达到图像锐化的目的。

4.3.3、图像分割

图像分割是将图像划分成若干个互不相交的小区域的过程，所谓小区域是某种意义下具有共同属性的像素的连通集合。

无论是图像处理、分析、理解与识别，其基础工作一般都建立在图像分割的基础上。

将图像中有意义的特征或者应用所需要的特征信息提取出来。

图像分割的最终结果是将图像分解成一些具有某种特征的单元，称为图像的基元。

相对于整幅图像来说，这种图像基元更容易被快速处理。

分割出来的各区域对某种性质例如灰度，纹理而言具有相似性，区域内部是连通的的且没有过多小孔，区域边界是明确的，相邻区域对分割所依据的性质有明显的差异。

图像分割使计算机图像处理的一个基本问题，是进行许多后续图像分析任务的先行步骤。

图像识别、图像的可视化和基于目标的图像压缩都高度依赖于图像分割的结果。

因此，图像分割一直得到人们的高度重视，提出了很多分割方法。

然而，图像分割问题仍然是图像处理中的一个瓶颈，这是因为，我们只能用图像信息中某些局部特征去分割区域，因此各种分割方法必然带有局限性。

4.3.4、图像压缩

数字图像是用点阵表示并且是用图像文件的形式存放的。

通常，图像文件都是大型文件，而在实际应用中，常常需要传递和交换图像文件，因此，需要设法把大型图像文件进行压缩，以减少存储、传输和处理的时间，节省存储资源和网络资源。

图像压缩是指以较少的比特有损或无损地表示原来的像素矩阵的技术,也称图像编码.。

图像数据之所以能被压缩，就是因为数据中存在着冗余。

图像数据的冗余主要表现为：

图像中相邻像素间的相关性引起的空间冗余；图像序列中不同帧之间存在相关性引起的时间冗余；不同彩色平面或频谱带的相关性引起的频谱冗余。

数据压缩的目的就是通过去除这些数据冗余来减少表示数据所需的比特数。

由于图像数据量的庞大,在存