MATLAB图像处理超级学习手册(txt+pdf+epub+mobi电子书下载)

作者：MATLAB技术联盟 张岩编著

出版社：信息技术第一出版分社

格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT

MATLAB图像处理超级学习手册试读：

在图像形成、传输或变换的过程中，由于受到一些客观因素的影响，会使图像产生失真，如图像对比度降低和图像模糊等。因此，需要利用图像增强技术改善这种情况。图像增强是图像处理中的基本技术之一，它是把原来不清晰的图像变得清晰，或者抑制图像的某些特征而使另一些特征得到增强。其主要目的是使处理后的图像质量得到改善，增加图像的信噪比，或者增强图像的视觉效果。

学习目标：

1.掌握灰度变换增强的基本原理、实现步骤。

2.了解噪声的分类相关的概念。

3.掌握空间域滤波、频域增强的基本原理、实现步骤。

4.理解色彩增强实现步骤。

5.理解小波变换在图像增强的实现方法。7.1 灰度变换增强

灰度变换增强是把对比度弱的图像变成对比度强的图像。由于受各种拍摄条件的限制，图像的对比度有时比较差，图像的直方图分布有时也不够均衡，主要的元素集中在几个像素值附近，通过直方图均衡化，可使得图像中各个像素值尽可能均匀地分布或者服从一定形式的分布，从而提高图像的对比度。7.1.1 图像直方图的含义

直方图是多种空间域处理技术的基础。直方图操作能有效地增强图像，直方图固有的信息在其他图像处理应用中也是非常有用的，如图像压缩与分割。直方图在软件中易于计算，也适用于商用硬件设备，因此，它们成为了实时图像处理的一个流行工具。

灰度级为[0, L−1]范围的数字图像的直方图是离散函数h(r)=n，kk这里r是第k 级灰度，n是图像中灰度级为r的像素个数。kkk

经常以图像中像素的总数（用n表示）来除它的每一个值得到归一化的直方图。因此，一个归一化的直方图由P(r)=n/n给出。kk

简单地说，P(r)给出了灰度级为r发生的概率估计值。一个归一kk化的直方图其所有部分之和应等于1。

在MATLAB中，imhist函数可以显示一幅图像的直方图。其常见调用方法如下：

imhist(I)

其中I是图像矩阵，该函数返回一幅图像，显示I的直方图。【例7-1】首先读取一幅图像，然后显示这幅图像的直方图。

I=imread('eight.tif');　%读取图像

subplot(121),

imshow(I);　　%显示原图像

title('原始图像');

subplot(122),

imhist(I);　　%显示其直方图

title('直方图');

运行结果如图7-1所示。图7-1 图像和其直方图7.1.2 图像直方图的均衡化

直方图均衡化又称直方图平坦化，实质上是对图像进行非线性拉伸，重新分配图像象元值，使一定灰度范围内象元值的数量大致相等。这样，原来直方图中间的峰顶部分对比度得到增强，而两侧的谷底部分对比度降低，输出图像的直方图是一个较平的分段直方图。如果输出数据分段值较小，则会产生粗略分类的视觉效果。

设变量 r 代表图像中像素灰度级。对灰度级进行归一化处理，则 0≤r≤1，其中 r= 0表示黑，r= 1 表示白。对于一幅给定的图像来说，每个像素值在[ 0,1]范围间的灰度级是随机的。用概率密度函数p(r)来r表示图像灰度级的分布。k

为了有利于数字图像处理，引入离散形式。在离散形式下，用rk代表离散灰度级，用P(r ) 代表 p(r)，并且下式成立rrkkk

其中，0≤r ≤1, k=0, 1, 2, …, n-1。式中，n 为图像中出现r 这种灰度的像素数，n是图像中的像素总数，而就是概率论中的频数。图像进行直方图均衡化的函数表达式为：

式中，k为灰度级数。相应的反变换为：

在MATLAB中，histeq函数用于直方图均衡化，该函数的调用方法如下：

J=histeq(I)

其中，I是输入的原图像，J是直方图均衡化后的图像。【例7-2】利用histeq函数进行直方图均衡化。

I=imread('onion.png');　%读取图像

figure;

subplot(2,2,1);

imshow(I);

title('原始图像');

I=rgb2gray(I);

subplot(2,2,2);

imhist(I);

title('原始图像直方图');

I1=histeq(I);　　%图像均衡化

subplot(2,2,3);

imshow(I1);

title('图像均衡化');

subplot(2,2,4);

imhist(I1);

title('直方图均衡化');

运行结果如图7-2所示。图7-2 直方图均衡化7.1.3 灰度的调整

灰度变换可使图像动态范围增大，对比度得到扩展，使图像清晰、特征明显，是图像增强的重要手段之一。它主要利用点运算来修正像素灰度，由输入像素点的灰度值来确定相应输出点的灰度值，是一种基于图像变换的操作。

灰度变换不改变图像内的空间关系，除了灰度级的改变是根据某种特定的灰度变换函数进行之外，灰度变换可以看作是“从像素到像素”的复制操作。

在图像处理中，空域是指由像素组成的空间。空域增强方法是直接对图像中的像素进行处理，从根本上说是以图像的灰度映射变换为基础的，所用的映射变换类型取决于增强的目的。空域增强方法可表示为：

其中，f (x, y)是输入图像，g(x, y)是处理后的图像，T是对 f 的一种操作，其定义在(x, y)的邻域。另外，T能对输入图像集进行操作。

T操作最简单的形式是针对单个像素，这时也就是在1×1领域中。在这种情况下，g仅仅依赖于 f 在点(x, y)的值，T操作成为灰度级变换函数，形式为：

s=T(r)

这里，令r和s是所定义的变量，分别是 f (x, y)和g(x, y)在任意点(x, y)的灰度级。

更大的邻域会有更多的灵活性。一般的方法是，利用点(x, y)事先定义的邻域里的一个函数来决定g在(x, y)的值，其公式化的一个主要方法是以利用所谓的模板（也指滤波器、核、掩模或窗口）为基础的。从根本上说，模板是一个3×3二维阵列，模板的系数值决定了处理的性质，如图像尖锐化等。以这种方法为基础的增强技术通常是指模板处理或滤波。

1.线性变换

假定原图像 f (x, y)的灰度范围为[a,b] ，变换后的图像g(x, y)的灰度范围线性的扩展至[c,d] ，则对于图像中的任一点的灰度值 f (x, y) ，一变换后为g(x, y) ，其数学表达式如下：

若图像中大部分像素的灰度级分布在区间[a, b]内，max f 为原图的最大灰度级，只有很小一部分的灰度级超过了此区间，则为了改善增强效果，可以令：

在曝光不足或过度的情况下，图像的灰度可能会局限在一个很小的范围内，这时得到的图像可能是一个模糊不清、似乎没有灰度层次的图像。采用线性变换对图像中每一个像素灰度作线性拉伸，将有效改善图像视觉效果。【例7-3】用MATLAB程序实现线性灰度变换的图像增强。

I=imread('fabric.png');

subplot(2,2,1),imshow(I);

title('原始图像');

axis([50,250,50,200]);

axis on;　　　%显示坐标系

I1=rgb2gray(I);

subplot(2,2,2),imshow(I1);

title('灰度图像');

axis([50,250,50,200]);

axis on;

J=imadjust(I1,[0.1 0.5],[]);　%局部拉伸，把[0.1 0.5]内的灰度拉伸为[0 1]

subplot(2,2,3),imshow(J);

title('线性变换图像[0.1 0.5]');

axis([50,250,50,200]);

grid on;

axis on;

K=imadjust(I1,[0.3 0.7],[]);　%局部拉伸，把[0.3 0.7]内的灰度拉伸为[0 1]

subplot(2,2,4),imshow(K);

title('线性变换图像[0.3 0.7]');axis([50,250,50,200]);

grid on;　　　%显示网格线

axis on;　　　%显示坐标系

运行结果如图7-3所示：图7-3 线性灰度变换的图像增强

2.非线性变换

非线性变换就是利用非线性变换函数对图像进行灰度变换，主要有指数变换、对数变换等。

输出图像的像素点的灰度值与对应的输入图像的像素灰度值之间满足指数关系的称为指数变换，其一般公式为：

其中，b 为底数。为了增加变换的动态范围，在上述一般公式中可以加入一些调制参数，以改变变换曲线的初始位置和曲线的变化速率。这时的变换公式为：

式中，a，b，c 都是可以选择的参数，当 f(x,y)=a 时，g(x,y)=0，此时指数曲线交于 X轴。由此可见，参数a决定了指数变换曲线的初始位置，参数c决定了变换曲线的陡度，即曲线的变化速率。指数变换用于扩展高灰度区，一般适用于过亮的图像。

对数变换，是指输出图像的像素点的灰度值与对应的输入图像的像素灰度值之间为对数关系，其一般公式为：

其中lg表示以 10 为底，也可以选用自然对数ln。为了增加变换的动态范围，在上述一般公式中可以加入一些调制参数，这时的变换公式为：

式中，a ，b ，c 都是可以选择的参数，f(x,y)+1 是为了避免对 0 求对数，确保ln[f(x,y)+1].0。当f(x,y)=0时，ln[f(x,y)+1]=0，则y=a，则a为Y轴上的截距，确定了变换曲线的初始位置的变换关系，b、c两个参数确定变换曲线的变化速率。对数变换用于扩展低灰度区，一般适用于过暗的图像。【例7-4】对数非线性灰度变换。

I=imread('football.jpg');

I1=rgb2gray(I);

subplot(1,2,1),imshow(I1);

title('灰度图像');

axis([50,250,50,200]);

grid on;　　%显示网格线

axis on;　　%显示坐标系

J=double(I1);

J=40*(log(J+1));

H=uint8(J);

subplot(1,2,2),

imshow(H);

title('对数变换图像');

axis([50,250,50,200]);

grid on;

axis on;

运行结果如图7-4所示。图7-4 非现线性灰度变换的图像增强【例7-5】对图像进行非线性处理，并显示函数的曲线图。

a=imread('pout.tif');　　%读取原始图像

subplot(1,3,1),

imshow(a);　　　%显示原始图像

title('原始图像');

%显示函数的曲线图

x=1:255;

y=x+x.*(255-x)/255;

subplot(1,3,2),

plot(x,y);　　　%绘制的曲线图

title('函数的曲线图');

b1=double(a)+0.006*double(a) .*(255-double(a));

subplot(1,3,3),

imshow(uint8(b1));　　%显示非线性处理图像

title('非线性处理效果');

运行结果如图7-5所示。图7-5 非线性处理效果图

3.灰度调整函数

在MATLAB的图像处理工具箱中，提供有调整灰度的函数imadust，使用这个函数可以规定输出图像的像素范围，它的常用的调用方法如下：

J=imadust(I)

J=imadjust(I,[low_in;high_in],[low_out; high_out])

J=imadjust(I,[low_in;high_in],[low_out; high_out],gamma)

其中，I是输入的图像，J是返回的调整后的图像，该函数把在[low_in;high_in]的像素值调整到[low_out; high_out])，而低于low_in 的像素值映射为low_out，高于high_in 的像素值映射为high_out，Gamma则描述了输入图像和输出图像之间映射曲线的形状。【例7-6】通过调整灰度来增加图像的对比度。

clear

I=imread('rice.png');　%读取图像

subplot(2,2,1);

imshow(I);

title('原图像');

subplot(2,2,2);

imhist(I);

title('原图像直方图');

subplot(2,2,3);

J=imadjust(I,[],[0.4 0.6]);　%调整图像的灰度到指定范围

imshow(J);

title('调整灰度后的图像');

subplot(2,2,4);

imhist(J);

title('调整灰度后的直方图');

运行结果如图7-6所示，通过对比可以看到对比度得到了增强。图7-6 原图像及其直方图和调整灰度后的图像及其直方图【例 7-7】下面的例子为灰度线性变换，利用 imadjust 函数对图像局部灰度范围进行扩展。

I=imread('tape.png');

subplot(2,2,1),

imshow(I);

title('原始图像');

axis([50,250,50,200]);

axis on;　　　%显示坐标系

I1=rgb2gray(I);　　%图像 I必须为彩色图像

subplot(2,2,2),

imshow(I1);

title('灰度图像');

axis([50,250,50,200]);

axis on;　　　%显示坐标系

J=imadjust(I1,[0.1 0.5],[]);　%局部拉伸，把[0.1 0.5]内的灰度拉伸为[0 1]

subplot(2,2,3),

imshow(J);

title('线性变换图像[0.1 0.5]');

axis([50,250,50,200]);

grid on;　　　%显示网格线

axis on;　　　%显示坐标系

K=imadjust(I1,[0.3 0.7],[]);　%局部拉伸，把[0.3 0.7]内的灰度拉伸为[0 1]

subplot(2,2,4),

imshow(K);

title('线性变换图像[0.3 0.7]');

axis([50,250,50,200]);

grid on;

axis on;

运行结果如图7-7所示。图7-7 灰度线性变换

4.Gamma校正

Gamma校正也是数字图像处理中常用的图像增强技术。Imadjust函数中的gamma因子即这里所说的Gamma校正参数。Gamma因子的取值决定了输入图像到输出图像的灰度映射方式，即决定了是增强低灰度还是增强高灰度。当Gamma等于1时，为线性变换。【例7-8】利用Gamma校正来处理图像。

for i=0:255;

f=power((i+0.5)/256,1/2.2);

LUT(i+1)=uint8(f*256-0.5);

end

img=imread('peppers.png');　%读入图像

img0=rgb2ycbcr(img);

R=img(:,:,1);

G=img(:,:,2);

B=img(:,:,3);

Y=img0(:,:,1);

Yu=img0(:,:,1);

[x y]=size(Y);

for row=1:x

for width=1:y

for i=0:255

if (Y(row,width)==i)

Y(row,width)=LUT(i+1);

break;

end

end

end

end

img0(:,:,1)=Y;

img1=ycbcr2rgb(img0);

R1=img1(:,:,1);

G1=img1(:,:,2);

B1=img1(:,:,3);

subplot(1,2,1);

imshow(img);　　%显示图像

title('原图');

subplot(1,2,2);

imshow(img1);

title('Gamma校正后的图像')

运行结果如图7-8所示。图7-8 Gamma校正7.1.4 直方图规定化

直方图均衡化的优点是能自动增强整个图像的对比度，但它的具体增强效果不易控制，处理的结果总是得到全局的均衡化的直方图。实际工作中，有时需要变换直方图，使之成为某个特定的形状，从而有选择地增强某个灰度值范围内的对比度，这时可采用比较灵活的直方图规定化方法。

直方图规定化是用于产生处理后有特殊直方图的图像的方法。

令P(V)和P(Z)分别为原始图像和期望图像的灰度概率密度函rz数。对原始图像和期望图像均作直方图均衡化处理，应有：

由于都是作直方图均衡化处理，所以处理后的原图像的灰度概率密度函数P(S )与理想图像的灰度概率密度函数P(V)是相等的。SV

因此，可以用变换后的原始图像灰度级S代替上式中的V，即−1Z=G[T(r)]。利用此式可以从原始图像得到希望的图像灰度级。对离散图像，有：

综上所述，数字图像的直方图规定化就是将直方图均衡化后的结果映射到期望的理想直方图上，使图像按人的意愿去变换。数字图像的直方图规定的算法如下。（1）将原始图像作直方图均衡化处理，求出原图像中每一个灰度级r所对应的变换函数S。ii（2）对给定直方图作类似计算，得到理想图像中每一个灰度级Zi所对应的变换函数V。i（3）找出V≈S的点对，并映射到Z。iii（4）求出P(Z)。ii【例7-9】利用直方图规定化对图像进行增强。

I=imread('cell.tif');　%读取图像

subplot(2,2,1),

imshow(I);

title('原始图像')

hgram=50:2:250;　%规定化函数

J=histeq(I,hgram);

subplot(2,2,2),

imshow(J);

title('图像的规定化')

subplot(2,2,3),

imhist(I,64);

title('原始图像直方图')

subplot(2,2,4),

imhist(J,64);

title('规定化后直方图')

运行结果如图7-9所示。图7-9 图像的规定化7.2 空域滤波增强

空域滤波增强是指使用空域模板进行的图像处理。模板本身被称为空域滤波器。空域滤波器包括线性滤波器和非线性滤波器。

按空域滤波处理效果来分类，可以分为平滑滤波器和锐化滤波器。平滑的目的在于消除混杂在图像中的干扰因素，改善图像质量，强化图像表现特征。锐化的目的在于增强图像边缘，对图像进行识别和处理，在图像中加入噪声。7.2.1 按干扰源分类

图像噪声按照其干扰源不同可以分为外部噪声和内部噪声。

1.外部噪声

外部噪声指系统外部干扰以电磁波或经电源串进系统内部而引起的噪声。如由天体放电现象等引起的噪声。

2.内部噪声

一般又可分为以下4种。（1）由光和电的基本性质所引起的噪声。如电流是由电子或空穴粒子的集合，定向运动所形成的，因这些粒子运动的随机性会形成散粒噪声；导体中自由电子的无规则热运动会形成热噪声；根据光的粒子性，图像是由光量子所传输，而光量子密度随时间和空间变化会形成光量子噪声；等等。（2）电器的机械运动产生的噪声。如各种接头因抖动引起电流变化所产生的噪声；磁头、磁带等因抖动或一起抖动而产生的噪声等。（3）器材材料本身引起的噪声。如正片和负片的表面颗粒性和磁带磁盘表面缺陷所产生的噪声。随着材料科学的发展，这些噪声有望不断减少，但在目前来讲，还是不可避免的。（4）系统内部设备电路所引起的噪声。如电源引入的交流噪声、偏转系统和箝位电路所引起的噪声等。7.2.2 按噪声与信号的关系分类

这里我们可以将噪声分为加性噪声模型和乘性噪声模型两大类。设f (x, y)为信号，n(x, y)为噪声，影响信号后的输出为g(x, y)。

1.加性噪声

表示加性噪声的公式如下：

加性嗓声和图像信号强度是不相关的，如运算放大器，又如图像在传输过程中引进“信道噪声”电视摄像机扫描图像的噪声的，这类带有噪声的图像g(x, y)可看成理想无噪声图像f (x, y)与噪声n(x, y)之和。形成的波形是噪声和信号的叠加，其特点是n(x, y)和信号无关。如一般的电子线性放大器，不论输入信号大小，其输出总是与噪声相叠加。

2.乘性噪声

表示乘性噪声的公式如下：

乘性嗓声和图像信号是相关的，往往随图像信号的变化而变化，如飞点扫描图像中的噪声、电视扫描光栅、胶片颗粒噪声等，因载送每一个像素信息的载体的变化而产生的噪声受信息本身调制。

在某些情况下，如信号变化很小、噪声也不大时，为了分析处理方便，常常将乘性噪声近似认为是加性噪声，而且总是假定信号和噪声是互相独立的。7.2.3 按概率密度函数分类

按概率密度函数分类是比较重要的，主要是因为引入数学模型有助于运用数学手段去除噪声。按概率密度函数分类的噪声主要如下。（1）白噪声（White Noise）。具有常量的功率谱。白噪声的一个特例是高斯噪声（Gaussian Noise）。在空间域和频域中，由于高斯噪声在数学上的易处理性，这种噪声（也称为正态噪声）模型经常被用在实践中。事实上，这种易处理性非常方便，从而使高斯模型经常适用于临街情况。它的直方图曲线服从一维高斯型分布：（2）椒盐噪声（Pepper Noise）。椒盐噪声是由图像传感器、传输信道、解码处理等产生的黑白相间的亮暗点噪声，往往由图像切割引起。椒盐噪声是指两种噪声，一种是盐噪声（salt noise），另一种是胡椒噪声（pepper noise）。盐=白色，椒=黑色。前者是高灰度噪声，后者属于低灰度噪声。一般两种噪声同时出现，呈现在图像上就是黑白杂点。该噪声在图像中较为明显，对图像分割、边缘检测、特征提取等后续处理具有严重的破坏性。（3）冲击噪声（Impulsive Noise）。冲击噪声指一幅图像被个别噪声像素破坏，而且这些噪声像素的亮度与其领域的亮度明显不同。冲击噪声呈突发状，常由外界因素引起，其噪声幅度可能相当大，无法靠提高信噪比来避免，是传输中的主要差错。（4）量化噪声（Quatization Noise）。量化噪声是指在量化级别不同时出现的噪声。例如，将图像的亮度级别减少一半的时候会出现伪轮廓。7.2.4 imnoise 函数

为了模拟不同方法的去噪音效果，在MATLAB图像处理工具箱中可使用imnoise函数对一幅图像加入不同类型的噪声。它常用的调用方法如下：

J=imnoise(I, type)

J=imnoise(I,type,parameters)

其中，I是指要加入噪声的图像，type是指不同类型的噪声（列于表7-1中），parameters是指不同类型噪声的参数，J是返回的含有噪声的图像。表7-1 imnoice函数中type参数的取值及意义【例7-10】对图像加高斯噪声，然后进行线性组合。

a=imread('coins.png');

a1=imnoise(a,'gaussian',0,0.006);　　%对原始图像加高斯噪声,共得到4幅图像

a2=imnoise(a,'gaussian',0,0.006);

a3=imnoise(a,'gaussian',0,0.006);

a4=imnoise(a,'gaussian',0,0.006);

k=imlincomb(0.25,a1,0.25,a2,0.25,a3,0.25,a4);　%线性组合

subplot(131);

imshow(a);

title('原始图像')

subplot(132);

imshow(a1);

title('高斯噪声图像')

subplot(133);

imshow(k,[]);

title('线性组合')

运行结果如图7-10所示。图7-10 对图像加高斯噪声并进行线性组合【例7-11】对原始图像添加高斯噪声、椒盐噪声和乘法噪声，并显现出不同的结果。

I=imread('autumn.tif');

subplot(2,2,1),

imshow(I);

title('原始图像')

J1=imnoise(I,'gaussian',0,0.02);　%叠加均值为0，方差为0.02的高斯噪声

subplot(2,2,2),

imshow(J1);

title('高斯噪声图像')

J2=imnoise(I,'salt& pepper',0.04);　%叠加密度为0.04的椒盐噪声

subplot(2,2,3),

imshow(J2);

title('椒盐噪声图像')

J3=imnoise(I, 'speckle',0.04);　%叠加密度为0.04的乘法噪声

subplot(2,2,4),

imshow(J2);

title('乘法噪声图像')

运行结果如图7-11所示。图7-11 原图和分别添加高斯噪声、椒盐噪声和乘法噪声后的图像7.2.5 平滑滤波器

平滑滤波能减弱或消除图像中的高频率分量，但不影响低频率分量。因为高频分量对应图像中的区域边缘等灰度值具有较大、较快变化的部分，平滑滤波将这些分量滤去可减少局部灰度起伏，使图像变得比较平滑。实际中，它还可用于消除噪声或在较大的目标前去除太小的细节或将目标内的小间断连接起来。

平滑滤波器的概念很简单，它是用滤波掩模确定的邻域内像素的平均值去代替图像中每个像素点的值。这种处理减少了图像灰度的尖锐化，我们经常用这些极端类型的模糊处理来去除图像中的一些小物体。

在MATLAB中，fspecial函数用于产生预定义的滤波算子，该函数的调用格式如下。（1）h=fspecial(type,para)：参数type指定算子类型；para指定相应的参数；type='average'指定滤波器；para默认为3。（2）B=filter2(h,A)：表示filter2用算子h对图像A作滤波得到B。A为输入图像；h为滤波算子；B为输出图像。【例7-12】利用平滑滤波对图像进行处理。

I=imread('pears.png');

subplot(231)

imshow(I)

title('原始图像')

I=rgb2gray(I);

I1=imnoise(I,'salt & pepper',0.02);

subplot(232)

imshow(I1)

title('添加椒盐噪声的图像')

k1=filter2(fspecial('average',3),I1)/255;　%进行3*3模板平滑滤波

k2=filter2(fspecial('average',5),I1)/255;　%进行5*5模板平滑滤波

k4=filter2(fspecial('average',9),I1)/255;　%进行9*9模板平滑滤波

k3=filter2(fspecial('average',7),I1)/255;　%进行7*7模板平滑滤波

subplot(233),

imshow(k1);

title('3*3模板平滑滤波');

subplot(234),

imshow(k2);

title('5*5模板平滑滤波');

subplot(235),

imshow(k3);

title('7*7模板平滑滤波');

subplot(236),

imshow(k4);

title('9*9模板平滑滤波');

运行结果如图7-12所示。图7-12 图像的平滑滤波7.2.6 中值滤波器

中值滤波器的原理类似于均值滤波器，均值滤波器输出的像素为相应像素邻域内的平均值，而中值滤波器输出的像素值为相应像素邻域内的中值。

与均值滤波器相比，中值滤波器对异常值不敏感，因此中值滤波器可以在不减小图像对比度的情况下减小异常值的影响。

试读结束[说明：试读内容隐藏了图片]

下载完整电子书