基于内容的图像检索算法与系统答辩ppt
系统功能特点
提示窗
代码逻辑性 强，修正所 性能稳定 Tips显示模块 有已知运行 检索参数显示模块 bug
时间显示模块
稳定性 逻辑关联模块
Tips提示 用户界面模块
图 像 显示区 检 显示检索库 索 参数显示 路径、检索 系 图像数量和 统 检索时间等 的 总 体 核心区 结 构
绘图模块
操作区
图像显示模块
基于内容的图像检索算法与系统
The algorithm and system of Content-based image retrieval 指导老师： 答辩人：
目录
研究背景
background
算法原理
The principle of algorithm
程序开发
Application development
格拉斯哥大学
颜色
文本描述
ACM ICMR 2014会议主要探 讨文本、图像、视频、音频等 多媒体信息检索方面的研究
感知
纹理
人机交互
以图搜图
形状
1
算法原理
特征提取算法
颜色直方图能存储通过图像颜色特征的统计结果， 在此基础上衍生出累加直方图法、颜色矩法等方法。
H1
H2
形状特征将图像二值化后计算其 H3 H4 H5 H6 Hu不变矩， H7 H8
后期规划
Future Programme
研究背景
图像检索方法的发展
图像检索技术研究源于20世纪70年代，但是主要是采用基于文本的图像检索 技术（简称TBIR），该技术回避了图像可视化元素的分析，只通过文字的索引来 美国加州大学 中国科学院 与加州水资源部合作，开发系 确定图片。 主要应用于医学影像、数 统用于检索水资源部大量的水 字考古、药植物和遥感等 基于内容的图像检索（CBIR）能自动提取图像的视觉特征，且提供人机交互 资源方面的图片。 界面，实现以图搜图的功能。
25
20
相交后新图 15 10 5 0 H1 H2
H3 目标图像
检索图像 检索图像 目标图像 H4 相交后新图 H5 H6 H级版2.0
1、形状算法改为修正方案 2、支持自动修正模式 3、增加直方图相交算法
系统开发历程
3
2015年3月初步版本1.0
1、图像显示 2、颜色方案图像检索 3、结果显示
结果显示模块 人机交互
图像检索 系统设置模块
图像设置模块 检索库扫描模块
用户可人为规 定检索的一切 参数已达到检 索目的
可选用多种 特征算法且 支持自适应 综合检索
算法完备
图像检索模块
支持显示所 有结果顺序 结果准确 和每个图像 特征提取模块 的相似度
建立索引模块 相似度计算模块 结果处理模块
结果区
4
2015年6月最终版
1、增加纹理检索算法方案 2、支持结果详细参数显示 3、实现库参数、检索时间参数 和提示窗口等功能模块的显示 4、支持显示全部结果排序 5、优化了算法与性能
1
2
2015年4月提高版1.1
1、增加功能检索库设置 2、加入形状特征算法 3、支持手动综合检索
4
程序开发
在用户将鼠 标放在算法 上是自动显 示说明
结果同样存储在矩阵模板中。
S1 S2 S3 S4 S5 S6 S7 S8
纹理方法先构造图像灰度共生矩阵，提取各 种特征后通过直方图相交法进行比对。
V1 V2 V3 V4 V5 V6 V7 V8
2
算法原理
相似度检测算法
相似度检测算法主要使用欧氏距离、最值法和直方图相交法来量化图像与 目标的相似程度。
5
后期规划
检索性能的评估 检索结果具有良好的人眼视觉效果，能够准确的将 最相似的图像检索出来并放在最前排进行显示，满 足用户的检索需求。
准 确 性
高 效 性 检索性能高效，能快速的完成对海量图形图像的处 理与检测，以最短的时间完成检索。 对树叶进行检索性能测试后得出结论：效果最好 为自动修正后的累加颜色直方图算法，性能最差为颜 色矩相关算法，其它算法总体性能差距不超过15%， 图像检索效果较为均衡，系统稳定性良好。
6
谢谢！
Thanks！ 指导老师：张连连 答辩人：王旭
信息检索原理及检索系统结构28页PPT
•
30、风俗可以造就法律，也可以废除 法律。 ——塞·约翰逊
46、我们若已接受最坏的，就再没有什么损失。——卡耐基 47、书到用时方恨少、事非经过不知难。——陆游 48、书籍把我们引入最美好的社会，使我们认识各个时代的伟大智者。——史美尔斯 49、熟读唐诗三百首，不会作诗也会吟。——孙洙 50、谁和我一样用功，谁就会和我一样成功。——莫扎特
信息检索原理及检索系统结构
•
26、我们像鹰一样，生来就是自由的 ，但是 为了生 存，我 们不得 不为自 己编织 一个笼 子，然 后把自 己关在 里面。 ——博 莱索
•
27、法律如果不讲道理，即使延续时 间再长 ，也还 是没有 制约力 的。— —爱·科 克
•
28、好法律是由坏风俗创造出来的。 ——马 克罗维 乌斯
基于内容的图像检索研究
3、面向对象的特征提取面向对象的特征提取方法可以更好地捕捉图像中的语 义信息，提高检索准确率。这种技术通过分析图像中的物体和场景等信息，提 取出更加高级的特征表达，例如物体的类别、数量和位置等。这些信息可以通 过机器学习算法进行学习和预测，从而实现更加精准的图像检索。
4、目标识别和图像分类目标识别和图像分类技术也可以用于基于内容的图像 检索中。通过识别图像中的物体和类别信息，可以更加精准地找到用户需要的 图像。例如，在工业检测中，可以通过目标识别技术检测出产品中的缺陷和异 物，从而实现对于产品的精准检测和分类。
展开细节：
1、图像特征提取基于内容的图像检索方法的第一步是提取图像的特征。常见 的图像特征包括颜色、纹理和形状等。这些特征可以通过手工定义或使用自动 算法进行提取。例如，常用的颜色直方图可以表
达图像的颜色分布情况，纹理特征可以通过灰度共生矩阵等方法提取，形状特 征可以通过边缘检测等方法得到。近年来，深度学习在图像特征提取方面展现 出了强大的能力。通过训练深度神经网络，可以自动地学习图像中的特征表达，
总之，基于内容的图像检索技术是当前研究的热点和难点。通过深度学习和大 数据分析技术的结合，我们可以更好地理解和利用图像的内容，提高图像检索 的准确性和效率。随着技术的不断发展，我们有理由相信，未来的图像检索技 术将会更加智能、
高效、精准，为我们提供更好的视觉信息检索体验。
参考内容三
基本内容
引言：随着互联网和数字技术的快速发展，人们日常生活中产生的图像数据量 不断增长。如何有效地管理和检索这些图像成为了一个重要的问题。基于内容 的图像检索（CBIR）方法是一种通过分析图像的内容特征进行检索的技术，
基于内容的图像检索方法主要包括以下步骤： 1、特征提取：对每一张图像从颜色、纹理、形状等视觉特征进行提取。
图片分析课件ppt
小波变换
将图像分解成不同频率的 子图像，便于分析图像的 局部特征。
图像压缩编码
通过编码技术减少图像数 据的冗余，实现图像的压 缩存储和传输。
03
图片识别算法
基Байду номын сангаас内容的图片识别
总结词
基于内容的图片识别是一种通过分析图像的视觉特征来进行识别的方法。
详细描述
该算法通过提取图像的颜色、纹理、形状等特征，与已知的图像库进行比对，以实现图像的分 类和识别。基于内容的图片识别广泛应用于图像检索、相似图片推荐等领域。
通过将图像划分为不同的区域，实现图像分割。
特征提取
颜色特征提取
通过提取图像中的颜色信 息，用于分类、识别等任 务。
形状特征提取
通过提取图像中的形状信 息，用于分类、识别等任 务。
纹理特征提取
通过提取图像中的纹理信 息，用于分类、识别等任 务。
图像变换与编码
01
02
03
傅里叶变换
将图像从空间域变换到频 率域，便于分析图像的频 谱特征。
基于深度学习的图片识别
总结词
基于深度学习的图片识别是一种利用深度神经网络进行图像识别的技术。
详细描述
深度学习模型如卷积神经网络（CNN）能够自动提取图像中的特征，并进行分 类或识别。基于深度学习的图片识别在人脸识别、物体检测、语义分割等领域 取得了显著成果。
基于机器学习的图片识别
总结词
基于机器学习的图片识别是一种利用统计学和机器学习算法进行图像识别的技术 。
02 色彩增强
通过改变像素的颜色，增强图像的色彩表现力， 使图像更加生动。
03 去噪处理
通过滤波、中值滤波等技术去除图像中的噪声， 提高图像的清晰度。
多媒体内容分析与检索技术-课件PPT
课程内容及安排
➢ 第一部分：数字媒体导论 ➢ 第二部分：数字媒体基础
➢ 数字彩色图像基础 ➢ 图像/视频处理基础
➢ 第三部分：数字媒体关键技术
➢ 多媒体压缩编码技术 ➢ 多媒体分析与检索技术 ➢ 多媒体通信技术 ➢ 数字版权管理技术
2
➢ 语义索引：元数据、概念、事件
➢ 提供多媒体的结果显示
➢ 直观地展示多媒体和文字信息 ➢ 直观地展示深层信息
跨文档综合（多媒体和文字信息）
➢ 方便浏览大量文档
10
如何检索？
11
检索方法1：基于文本(QBT)
➢ 关键问题：如何获得关键字标注？
➢ 方法1：手工标注
工作量巨大---不可行！ 即使对同一幅图像，不同的人有不同的描述
➢ Query-by-Example (QBE)
➢ 什么是“内容”（Content）？
➢ 图像和视频的视觉特性 ➢ 如何描述？(数学模型) ➢ 如何匹配？(相似度计算方法) ➢ 如何索引？(快速找到相似文档) ➢ 如何提交查询？
20
基于内容的图像/视频检索
➢ “内容”的数学模型
➢ 文本文档：向量模型 ➢ 多媒体文档：特征
7 0 4 x4 8 0 p ixels T ru e co lo r R G B h ttp :/ / w w w .a l e x & a n a .jp g
C o n te n t S tru ctu re
S t ill r e g io n S R 1 : C r e a tio n in f o r m a tio n T e x t a n n o ta tio n
U sa g e u n f o r m a t io n : R ig h ts
基于内容的图像检索技术研究
基于内容的图像检索技术研究内容图像检索技术，又称为基于内容的图像检索（Content-Based Image Retrieval, CBIR），是一种通过分析图像的内容特征来实现图像检索的方法。
它与传统的基于文本的图像检索方法相比，可以直接利用图像的视觉特征，无需依赖人工标注的文本信息。
内容图像检索技术在多领域都有广泛的应用，如图像库管理、医学图像分析、视频监控等。
1. 图像特征提取：内容图像检索的第一步是提取图像的特征。
图像特征可以分为低层次特征和高层次特征。
低层次特征包括颜色、纹理、形状等，可以通过图像处理和计算机视觉的算法提取。
高层次特征则是对图像语义的抽象，如物体、场景等。
这些特征的提取旨在将图像转化为数字化的向量表示，便于后续的相似度计算和检索。
2. 相似度计算：在内容图像检索中，关键的一步是计算图像之间的相似度。
相似度可以基于图像的特征向量进行计算，常用的方法有欧氏距离、余弦相似度等。
一般来说，相似度计算会考虑多个特征之间的加权组合，以综合反映图像的相似程度。
通过相似度计算，可以建立图像库中图像之间的相似性关系，为后续的检索提供基础。
3. 检索方法：基于内容的图像检索可以采用不同的检索方法，如基于特征的检索和基于查询的检索。
基于特征的检索是指通过提取图像的特征向量，然后与图像库中的特征向量进行相似度匹配，找到相似的图像。
而基于查询的检索是指用户通过输入图像或图像的描述信息作为查询条件，系统通过计算查询图像与图像库中图像的相似度，返回检索结果。
4. 索引结构：为了提高图像检索的效率，常常需要构建索引结构来加速检索过程。
索引结构可以基于图像的特征向量进行构建，如kd树、R树等。
通过索引结构的建立，可以减少相似度计算的次数，提高检索性能。
5. 评估和优化：对于内容图像检索技术的研究，评估和优化是不可或缺的环节。
评估可以通过比较检索结果与人工标注结果之间的差异来衡量检索系统的性能。
优化则需要根据评估结果，对图像特征提取、相似度计算、索引结构等方面进行调整和改进，以提高检索的准确性和效率。
基于内容的视频检索PPT课件
• 关键帧的选取的条件: 1.必须能够反映镜头中的主要事件，因而描述应尽可能准确完全. 2.为便于管理，数据量应尽量小，且计算不宜太复杂。
33
第33页/共73页
关键帧提取的基本方法
• 特定帧法 • 帧平均法和直方图平均法 • 基于光流的运动分析
• 首先通过Horn-Schunck法计算光流，对每个像素光流分量的模求和，作 为第k帧的运动量M(k)，即
其中 Ox(i,j,k)是k帧内(i ,j)像素光流 的X分量，Oy(i,j,k)是k帧内像素(i,j) 光流的Y分量。
39
第39页/共73页
• 然后寻找M (k)的局部最小值: • 从k=0开始，扫描曲线M (k) ，找到两个局
时间轴上帧表现为一格或一个标记。 • 视频可以看做是一个连续静态图像的序列，其中的每一幅静态图像称为一帧。
9
第9页/共73页
• 镜头（Shot）：代表一个场景中在时间上和空间上连续的动作，是摄像机的一次操作所记录下来的一段连 续的帧序列，只能拍摄相邻地点连续发生的事情。
• 任何一段视频数据流都是由许多镜头组成的，镜头是视频数据的基本组成单元
• 建立数学模型过程较复杂，适用于专业领域
31
第31页/共73页
• 模板匹配法、直方图法、基于边缘的方法都是利用帧间差自下而上来进行镜头边界的检测，它对于突变检 测可以取得较好的效果，但是对于渐变检测则有一定的困难，因为它在很大程度上忽略了渐变切换中帧之 间结构上的相关性
32
第32页/共73页
5.2关键帧提取技术
基本访问单元
14
第14页/共73页
图像检索系统
摘要基于文本的图像检索技术存在两个缺点。
首先，标注每个图像是比较困难的；再次主观性和图像注释的不精确性在检索过程中可能引起适应性问题。
基于内容的图像检索技术克服了传统的图像检索技术的缺点。
基于内容的图像检索技术分为特征提取和查询两个部分。
本文主要介绍基于颜色特征的图像检索技术颜色特征是图像的基本特征也是最为直观的特征之一。
着重探讨了颜色空间的选取颜色特征的提取和表达颜色的相似度以及现有的图像的检索系统和存在的问题。
在这里颜色空间的选取有RGB颜色模式HSV颜色模型。
颜色提取的基本思想是用颜色直方图来统计每种颜色出现的概率。
目前相关的系统有QBIC系统、Photo book系统、CORE系统等等。
关键词：基于内容的图像检索技术；特征提取；特征表达；颜色直方图；AbstractTraditional text-based image retrieval techniques have two shortcomings: First, it has been difficulties to note each image. Second, the subjectivity and no precision of image anno-tation may lead to the adaptation in the retrieval process. CBIR overcome the shortcomings of the traditional text-based image retrieval .Content-based image retrieval can divide into two parts, that is feature extraction and query. In this paper, based Color Image Retrieval is mainly introduced. Color features are the basic characteristics of the image as well as are one of the most intuitive features. Here we focused on the selection of color space, color feature extrac-tion and expression, color similarity, and the existing image retrieval systems and problems. There are many color models to express color such as the RGB color model, the HSV color model. The basic idea to extract color is to use color histogram to calculate the probability statistics of each color .Currently there are some related systems QBIC system related system, Photo book system, CORE system and so on.Keywords: Content-based image retrieval; Feather extraction; Feather presentation; color histogram;目录1 绪论 (1)1.1 图像检索技术的发展 (1)1.2 图像检索技术的特点和应用 (1)1.3 图像检索系统的关键技术 (2)1.4 基于内容图像检索的典型系统 (3)1.4.1 QBIC系统 (3)1.4.2 Virage系统 (3)1.4.3 Photobook系统 (3)1.4.4 VisualSEEK和WebSEEK系统 (3)1.4.5 Netra系统 (4)2 颜色空间 (5)2.1 RGB 颜色空间 (5)2.2HSI颜色空间 (7)3 颜色特征的表达 (9)3.1 颜色直方图 (9)3.2 全局直方图 (10)3.3 累积直方图 (11)3.4 局部累加直方图 (11)4 颜色特征的相似性度量 (12)4.1 距离度量方法 (12)4.2 直方图的交集的方法 (12)4.3 欧氏距离法 (12)4.4 模糊理论 (13)5 系统的设计与实现 (15)5.1 系统的设计 (15)5.1.1 系统名称 (15)5.1.2 系统的开发环境 (15)5.1.3 系统的结构 (15)5.1.4 系统的实现算法描述 (17)5.1.5 系统中的图像库和索引表的建立 (17)5.1.6 容差值的设定 (18)5.2 系统的实现 (18)5.2.1 颜色空间的代码实现 (18)5.2.2 直方图显示的代码实现 (21)5.2.3 欧式距离的代码实现 (24)6 实例分析 (25)6.1 图像检索过程 (25)6.2 图像的直方图的分析 (26)6.3 数据记录 (27)6.4 目前研究中存在的主要问题及对未来的展望 (29)结束语 (30)致谢 (31)参考文献 (32)1 绪论1.1 图像检索技术的发展早期的图像检索是通过人工的标注来实现的，随着计算机技术和通信网技术的发展，特别是因特网的快速发展，图像数据的容量越来越大了，这种“以关键字找图”的方法越来越不适应检索技术的发展了[1]。
基于内容的检索完整版
的管理制度和人才激励机制。 近年来公司发展迅速，经营业绩突出，获得国家 部、省、市及开发区多项奖励及荣誉。
23
现有条件－全面实施信息化管理
企业管理
通过内部信息系统，实现从管理、经营、销售、支持、服务到研 发、测试等全面的信息化，确保各项工作的有序进行。
公司现有员工105人，90%具有大学本科以上学历。其中博士2人，硕士9人， 技术人员65人。主要技术骨干在数据加密、计算机软件、网络安全、数据库， 图像处理，图像编码，图像采集等方面具有很强的技术实力，同时拥有丰富的 行业知识。
在国内外重要刊物发表论文十多篇
26
现有条件－现有成熟产品
海天医院信息管理软HIS 海天医院实验室信息管理软件LIS 海天放射信息管理系统软件RIS 海天医学图像存档与通讯系统软件PACS 海天电子病历系统软件 海天医疗设备收费控制系统 海天医疗教学管理平台软件 ······
27
现有条件－知识产权
2007年底公司已拥有著作权10余件 海天基于内容的医学图像检索系统已取得著作权
潜在竞争
由于市场需求量大，预计未来可能出现同行竞争，但由于本项目是一 个庞大而复杂的系统工程、具有行业背景、技术含量高等特点，在一 定时期内不会形成竞争威胁。
供求关系及定价地位
海天软件提供全方位的医学图像管理平台产品，是专业的医疗软件平 台提供商；本公司产品成熟，在行业内各级用户中已成功应用500余套。 在医疗软件市场上国内名列前列 在全国有许多大中型医院稳定的客户群
12
项目内容——系 统 功 能 实现疾病的辅助诊断
针对身体部位特征检索: 系统对身体不同部位的特 征进行分类，具体分析各部位的特征。如脑部CT图 像侧重于轮廓+纹理的检索，而对胸部图像则加大纹 理的权重。 根据病因检索: 分析根据不同的病理，采用最符合 该病例特征的检索方法 。
数字图像处理课程答辩终ppt课件
在日常生活中，随处都可以看到浪费 粮食的 现象。 也许你 并未意 识到自 己在浪 费，也 许你认 为浪费 这一点 点算不 了什么
Sigma平滑滤波
mix=squareiance[0]; for(k=1,h=0;k<9;k++) { if(squareiance[k]<mix) {mix=squareiance[k];h=k;} } /*求方差最小的模块，并求出其序号*/
在日常生活中，随处都可以看到浪费 粮食的 现象。 也许你 并未意 识到自 己在浪 费，也 许你认 为浪费 这一点 点算不 了什么
for(i=0,sum=0;i<5;i++) {sum=sum+f[i];} aver_value=sum/5;/*求前五个较小的数的均值*/
在日常生活中，随处都可以看到浪费 粮食的 现象。 也许你 并未意 识到自 己在浪 费，也 许你认 为浪费 这一点 点算不 了什么
K近邻均值滤波
K近邻均值滤波的效果(与均值滤波比较)
低通空域滤波
sum=0; for(i=-1;i<=1;i++) /*读取3*3模块里的灰度值，若为正中心的像素则*1/5，
否则 *1/10*/ { for(j=-1;j<=1;j++) { if((i==0)&(j==0))
{IPI_GetPixelValue (SourceImage2, x+i, y+j, &gray_level); sum=sum+gray_level/5;}
基于内容的图像检索（CBIR）——以图搜图
基于内容的图像检索（CBIR）——以图搜图@⽬录在CBIR中，图像通过其视觉内容(例如颜⾊，纹理，形状)来索引。
⼀、实现原理⾸先从图像数据库中提取特征并存储它。
然后我们计算与查询图像相关的特征。
最后，我们检索具有最近特征的图像⼆、基于内容的图像检索的特征提取三、代码实现import numpy as npfrom keras.models import Modelfrom keras.datasets import mnistimport cv2from keras.models import load_modelfrom sklearn.metrics import label_ranking_average_precision_scoreimport timeprint('Loading mnist dataset')t0 = time.time()(x_train, y_train), (x_test, y_test) = mnist.load_data()x_train = x_train.astype('float32') / 255.x_test = x_test.astype('float32') / 255.x_train = np.reshape(x_train, (len(x_train), 28, 28, 1)) # adapt this if using `channels_first` image data formatx_test = np.reshape(x_test, (len(x_test), 28, 28, 1)) # adapt this if using `channels_first` image data formatnoise_factor = 0.5x_train_noisy = x_train + noise_factor * np.random.normal(loc=0.0, scale=1.0, size=x_train.shape)x_test_noisy = x_test + noise_factor * np.random.normal(loc=0.0, scale=1.0, size=x_test.shape)x_train_noisy = np.clip(x_train_noisy, 0., 1.)x_test_noisy = np.clip(x_test_noisy, 0., 1.)t1 = time.time()print('mnist dataset loaded in: ', t1-t0)print('Loading model :')t0 = time.time()autoencoder = load_model('autoencoder.h5')encoder = Model(inputs=autoencoder.input, outputs=autoencoder.get_layer('encoder').output)t1 = time.time()print('Model loaded in: ', t1-t0)def retrieve_closest_images(test_element, test_label, n_samples=10):learned_codes = encoder.predict(x_train) # 提取数据库图像的特征向量# 转换成⼀维向量learned_codes = learned_codes.reshape(learned_codes.shape[0],learned_codes.shape[1] * learned_codes.shape[2] * learned_codes.shape[3])learned_codes.shape[1] * learned_codes.shape[2] * learned_codes.shape[3])test_code = encoder.predict(np.array([test_element]))test_code = test_code.reshape(test_code.shape[1] * test_code.shape[2] * test_code.shape[3])distances = []# 计算输⼊图像和数据库所有图像的距离for code in learned_codes:distance = np.linalg.norm(code - test_code)distances.append(distance)# 排序取出距离最⼩的图像nb_elements = learned_codes.shape[0]distances = np.array(distances)learned_code_index = np.arange(nb_elements)labels = np.copy(y_train).astype('float32')labels[labels != test_label] = -1labels[labels == test_label] = 1labels[labels == -1] = 0distance_with_labels = np.stack((distances, labels, learned_code_index), axis=-1)sorted_distance_with_labels = distance_with_labels[distance_with_labels[:, 0].argsort()]sorted_distances = 28 - sorted_distance_with_labels[:, 0]sorted_labels = sorted_distance_with_labels[:, 1]sorted_indexes = sorted_distance_with_labels[:, 2]kept_indexes = sorted_indexes[:n_samples]score = label_ranking_average_precision_score(np.array([sorted_labels[:n_samples]]), np.array([sorted_distances[:n_samples]])) print("Average precision ranking score for tested element is {}".format(score))original_image = x_test[0]cv2.imshow('original_image', original_image)retrieved_images = x_train[int(kept_indexes[0]), :]for i in range(1, n_samples):retrieved_images = np.hstack((retrieved_images, x_train[int(kept_indexes[i]), :]))cv2.imshow('Results', retrieved_images)cv2.waitKey(0)cv2.imwrite('test_results/original_image.jpg', 255 * cv2.resize(original_image, (0,0), fx=3, fy=3))cv2.imwrite('test_results/retrieved_results.jpg', 255 * cv2.resize(retrieved_images, (0,0), fx=2, fy=2))# To retrieve closest imageretrieve_closest_images(x_test[0], y_test[0])打赏如果对您有帮助，就打赏⼀下吧O(∩_∩)O。