當(dāng)前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

【图像处理】——图像的二值化操作及阈值化操作（固定阈值法（全局阈值法——大津法OTSU和三角法TRIANGLE）和自适应阈值法（局部阈值法——均值和高斯法））

發(fā)布時間：2023/12/10 编程问答 31 豆豆

生活随笔收集整理的這篇文章主要介紹了【图像处理】——图像的二值化操作及阈值化操作（固定阈值法（全局阈值法——大津法OTSU和三角法TRIANGLE）和自适应阈值法（局部阈值法——均值和高斯法））小編覺得挺不錯的,現(xiàn)在分享給大家,幫大家做個參考.

一、二值化的概念（實際上就是一個閾值化操作）

1、概念：

2、實現(xiàn)方法

3、常用方法

二、閾值類型

1、常見閾值類型（主要有五種類型）

（1）公式描述

（2）圖表描述

2、兩種特殊的閾值算法（OSTU和TRIANGLE）——主要是為了得到合理化的閾值

（1）大津法OSTU閾值類型——適用于雙峰直方圖

前背景方差的計算公式：

問題1：參數(shù)該怎么求解（主要依靠灰度直方圖進(jìn)行求解）？

（2）三角法TRIANGLE閾值類型——適用于單峰直方圖

相關(guān)理論知識

步驟(根據(jù)以下可以進(jìn)行編程)

（3）大津法和三角法的比較

三、固定閾值法（threshold）——全局閾值法

1、threshold（）函數(shù)

2、threshold（）參數(shù)

3、常用閾值類型下的二值化（含代碼和結(jié)果）

（1）代碼

（2）結(jié)果對比

4、OTSU法和TRIANGLE法（代碼+結(jié)果）

（1）代碼

（2）結(jié)果

四、自適應(yīng)閾值法（adaptiveThreshold）——局部閾值法

1、adaptiveThreshold（）函數(shù)及其參數(shù)講解

（1）adaptiveThreshold（）函數(shù)

（2）adaptiveThreshold（）參數(shù)

問題2：參數(shù)blocksize和C對二值化圖像的影響

（3）注意點(diǎn)——閾值類型是指定的、塊大小長寬只能為奇數(shù)

2、自適應(yīng)閾值算法

（1）平均值法（ADAPTIVE_THRESH_MEAN_C）

（2）高斯法（ADAPTIVE_THRESH_GAUSSIAN_C）

（3）代碼

（4）結(jié)果

五、固定閾值和自適應(yīng)閾值法比較

六、自定義閾值法

一、二值化的概念（實際上就是一個閾值化操作）

1、概念：

二值化就是將圖像的灰度值轉(zhuǎn)換為只有0和255，即非黑即白，黑色（0）作為背景（暗域），白色（255）作為前景即目標(biāo)區(qū)域（亮域）。

2、實現(xiàn)方法

一般是通過設(shè)定一個閾值，大于閾值的像素全設(shè)置為0或者255，小于閾值的像素全設(shè)置為了一個灰度，這樣就完成了對圖像的二值化處理。

3、常用方法

常用的方法大致可以分為兩類：固定閾值法和自適應(yīng)閾值法

固定閾值法：表示根據(jù)閾值類型設(shè)置好一個閾值，然后進(jìn)行二值化

自適應(yīng)閾值法：表示根據(jù)每一個像素點(diǎn)的鄰域模塊的像素進(jìn)行均值或者加權(quán)進(jìn)行設(shè)置閾值，然后進(jìn)行二值化

二、閾值類型

1、常見閾值類型（主要有五種類型）

（1）公式描述

（2）圖表描述

2、兩種特殊的閾值算法（OSTU和TRIANGLE）——主要是為了得到合理化的閾值

?????? 這兩種閾值算法比較特殊，閾值的選擇上比較合理化，這兩種閾值都是基于圖像灰度直方圖來進(jìn)行設(shè)置的。先獲得灰度直方圖，直方圖的繪制可以參考：《【圖像處理】——圖像灰度直方圖的繪制（直接調(diào)用函數(shù)和自定義函數(shù)）》

????? 這兩種算法的使用一般與上述五種算法進(jìn)行搭配使用，閾值的取值按照這兩種算法進(jìn)行取值，而二值化的規(guī)則則按照常用的來進(jìn)行。

（1）大津法OSTU閾值類型——適用于雙峰直方圖

OTSU算法也稱最大類間差法，有時也稱之為大津算法，由大津于1979年提出，被認(rèn)為是圖像分割中閾值選取的最佳算法，計算簡單，不受圖像亮度和對比度的影響，因此在數(shù)字圖像處理上得到了廣泛的應(yīng)用。

它是按圖像的灰度特性,將圖像分成背景和前景兩部分。因方差是灰度分布均勻性的一種度量,背景和前景之間的類間方差越大,說明構(gòu)成圖像的兩部分的差別越大，利于后續(xù)的圖像分割，當(dāng)部分前景錯分為背景或部分背景錯分為前景都會導(dǎo)致兩部分差別變小。因此,使類間方差最大的分割意味著錯分概率最小。

前背景方差的計算公式：

參考：https://blog.csdn.net/guduruyu/article/details/68059450

問題1：參數(shù)該怎么求解（主要依靠灰度直方圖進(jìn)行求解）？

答：上述方差公式也可以寫成：

參考：https://blog.csdn.net/u013066730/article/details/92787627

參數(shù)的求解（根據(jù)以下的公式就可以進(jìn)行編程）：

公式證明推導(dǎo)可參考：https://www.cnblogs.com/guopengfei/p/4759569.html

T：前景與背景的分割閾值，這是待確定參數(shù)，一般采用遍歷法進(jìn)行求解，通常是從中間段灰度級別進(jìn)行取值，向兩邊展開取值

w0：前景（大于閾值，亮域）點(diǎn)數(shù)占圖像比例，在假設(shè)的閾值下，所有大于閾值的像素點(diǎn)個數(shù)除以圖像像素點(diǎn)總數(shù)

u0：平均灰度，大于閾值的像素點(diǎn)的灰度值總和除以大于閾值的像素點(diǎn)數(shù)目

w1：背景（小于閾值，暗域）點(diǎn)數(shù)占圖像比例，在假設(shè)的閾值下，所有小于閾值的像素點(diǎn)個數(shù)除以圖像像素點(diǎn)總數(shù)，也可以這樣通過w1=1-w0計算

u1：平均灰度，小于閾值的像素點(diǎn)的灰度值總和除以小于閾值的像素點(diǎn)數(shù)目

u：圖像的總平均灰度，所有像素點(diǎn)的灰度值總和除以圖像像素點(diǎn)總數(shù)，也可以通過u = w0*u0 + w1*u1進(jìn)行計算

g：前景和背景圖象的方差

w0+w1=1?
?

在opencv中已經(jīng)幫我們封裝好了這個算法：cv.THRESH_OTSU

（2）三角法TRIANGLE閾值類型——適用于單峰直方圖

步驟(根據(jù)以下可以進(jìn)行編程)

1. 圖像轉(zhuǎn)灰度
2. 計算圖像灰度直方圖
3. 尋找直方圖中兩側(cè)邊界（通過sort函數(shù)對直方圖數(shù)據(jù)進(jìn)行排序即可求得）
4. 尋找直方圖最大值（通過max函數(shù)可以求得出現(xiàn)的最高頻率，再通過該值進(jìn)行索引的獲取）
5. 檢測是否最大波峰在亮的一側(cè)，否則翻轉(zhuǎn)（翻轉(zhuǎn)可以使用flip函數(shù)）
6. 求解到直線的最大值（關(guān)鍵）

設(shè)灰度級別為L，頻率為α，當(dāng)頻率αmax最大的時候設(shè)L=L_αmax，當(dāng)Lmin時，α=α_Lmin

（1）求解直線方程：根據(jù)點(diǎn)（Lmin,α_Lmin）和點(diǎn)（L_αmax,αmax）可以確定直線l的方程，斜率以及截距可得

（2）求解各點(diǎn)到直線的距離：各點(diǎn)（L，α）到直線l的距離，根據(jù)點(diǎn)到直線的距離公式可以求得，用一個列表去存放所有的距離d，然后利用max函數(shù)即可求得dmax
7. 計算閾值得到閾值T=dmax，如果翻轉(zhuǎn)則T=255-dmax

在opencv中已經(jīng)幫我們封裝好了這個算法：cv.THRESH_TRIANGLE

（3）大津法和三角法的比較

相同點(diǎn)：不用自己指定thresh值，系統(tǒng)會進(jìn)行計算并且作為返回值返回。

不同點(diǎn)：

THRESH_OTSU最適用于雙波峰。
THRESH_TRIANGLE最適用于單個波峰，最開始用于醫(yī)學(xué)分割細(xì)胞等。

三、固定閾值法（threshold）——全局閾值法

固定閾值法就是給定一個閾值進(jìn)行二值化，比較特殊的就是utsu和triangle法，通過一定的計算得到的閾值

1、threshold（）函數(shù)

thresold(src,thresh,maxvalue,type) #返回ret（閾值）和dst（二值化化的圖像矩陣）

對于大津法和三角法，第二個參數(shù)thresh就沒有意義了，因為會自動計算閾值并且優(yōu)先被設(shè)置為閾值

cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)#大律法,全局自適應(yīng)閾值,第二個參數(shù)值0可改為任意數(shù)字但不起作用。 cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_TRIANGLE) #TRIANGLE法,全局自適應(yīng)閾值,第二個參數(shù)值0可改為任意數(shù)字但不起作用，適用于單個波峰。

?以上是和固定閾值類型進(jìn)行結(jié)合使用的，也可以單獨(dú)使用大津法和三角法

2、threshold（）參數(shù)

src參數(shù)：表示輸入圖像（多通道，8位或32位浮點(diǎn)）。thresh參數(shù)：表示閾值。maxval參數(shù)：表示與THRESH_BINARY和THRESH_BINARY_INV閾值類型一起使用設(shè)置的最大值。type參數(shù)：表示閾值類型。ret參數(shù)：表示返回的閾值。若是全局固定閾值算法，則返回thresh參數(shù)值。若是全局自適應(yīng)閾值算法，則返回自適應(yīng)計算得出的合適閾值。dst參數(shù)：表示輸出與src相同大小和類型以及相同通道數(shù)的圖像。

3、常用閾值類型下的二值化（含代碼和結(jié)果）

（1）代碼

import cv2 from image_gray.image_gray_methods import gray_mean_rgb#固定閾值#cv2.THRESH_BINARY def threshold_binary(thresh,imagepath):#需要給定的參數(shù)為閾值和圖片地址gray = gray_mean_rgb(imagepath) #把輸入圖像灰度化#直接閾值化是對輸入的單通道矩陣逐像素進(jìn)行閾值分割。ret, binary = cv2.threshold(gray, thresh, 255, cv2.THRESH_BINARY )#返回閾值以及二值化后的圖像矩陣result = {"threshold":ret,"binary":binary}return resultdef threshold_binary_inv(thresh,imagepath):#需要給定的參數(shù)為閾值和圖片地址gray = gray_mean_rgb(imagepath) #把輸入圖像灰度化#直接閾值化是對輸入的單通道矩陣逐像素進(jìn)行閾值分割。ret, binary = cv2.threshold(gray, thresh, 255, cv2.THRESH_BINARY_INV )#返回閾值以及二值化后的圖像矩陣return {"threshold":ret,"binary":binary}def threshold_trunc(thresh,imagepath):#需要給定的參數(shù)為閾值和圖片地址gray = gray_mean_rgb(imagepath) #把輸入圖像灰度化#直接閾值化是對輸入的單通道矩陣逐像素進(jìn)行閾值分割。ret, binary = cv2.threshold(gray, thresh, 255, cv2.THRESH_TRUNC )#返回閾值以及二值化后的圖像矩陣return {"threshold":ret,"binary":binary}def threshold_tozero(thresh,imagepath):#需要給定的參數(shù)為閾值和圖片地址gray = gray_mean_rgb(imagepath) #把輸入圖像灰度化#直接閾值化是對輸入的單通道矩陣逐像素進(jìn)行閾值分割。ret, binary = cv2.threshold(gray, thresh, 255, cv2.THRESH_TOZERO )#返回閾值以及二值化后的圖像矩陣return {"threshold":ret,"binary":binary}def threshold_tozero_inv(thresh,imagepath):#需要給定的參數(shù)為閾值和圖片地址gray = gray_mean_rgb(imagepath) #把輸入圖像灰度化#直接閾值化是對輸入的單通道矩陣逐像素進(jìn)行閾值分割。ret, binary = cv2.threshold(gray, thresh, 255, cv2.THRESH_TOZERO_INV )#返回閾值以及二值化后的圖像矩陣return {"threshold":ret,"binary":binary}if __name__ == '__main__':imagepath = 'colorful_lena.jpg'#給定圖片thresh = 120#給定閾值result = threshold_tozero_inv(120,imagepath)#接受得到的字典，含閾值和二值化圖像矩陣信息thresh_value = result["threshold"]binary = result["binary"]#取值cv2.namedWindow("binary0", cv2.WINDOW_NORMAL)#cv2.WINDOW_NORMAL，使得窗口可以進(jìn)行縮放cv2.imshow("binary0", binary)cv2.waitKey(0)cv2.destroyAllWindows()

上述代碼可以合并為：

import cv2 from image_gray.image_gray_methods import gray_mean_rgb#全局固定閾值#需要給定的參數(shù)為閾值、閾值類型標(biāo)簽號和圖片地址 #thresh:閾值 #flags：閾值類型標(biāo)簽號，0——cv2.THRESH_BINARY，1——cv2.THRESH_BINARY_INV，2——cv2.THRESH_TRUNC, # 3——cv2.THRESH_TOZERO,4——cv2.THRESH_TOZERO_INV def threshold_methods(thresh,flags,imagepath):thresh_type = [cv2.THRESH_BINARY,cv2.THRESH_BINARY_INV,cv2.THRESH_TRUNC,cv2.THRESH_TOZERO,cv2.THRESH_TOZERO_INV]gray = gray_mean_rgb(imagepath) #把輸入圖像灰度化#直接閾值化是對輸入的單通道矩陣逐像素進(jìn)行閾值分割。ret, binary = cv2.threshold(gray, thresh, 255, thresh_type[flags] )#返回閾值以及二值化后的圖像矩陣result = {"threshold":ret,"binary":binary}return resultif __name__ == '__main__':thresh = 100imagepath = "colorful_lena.jpg"for i in range(5):flags = ibinary = threshold_methods(thresh,flags,imagepath)["binary"]cv2.namedWindow('thresh_type_0{}'.format(flags))cv2.imshow('thresh_type_0{}'.format(flags),binary)cv2.imwrite('thresh_type_0{}.jpg'.format(flags),binary)cv2.waitKey(0)cv2.destroyAllWindows()

（2）結(jié)果對比

以下圖像均是在閾值為100的前提下進(jìn)行的

?不同的圖片可以根據(jù)圖片自身的特點(diǎn)進(jìn)行選取

4、OTSU法和TRIANGLE法（代碼+結(jié)果）

（1）代碼

import cv2 from image_gray.image_gray_methods import gray_mean_rgb#全局固定閾值#需要給定的參數(shù)為閾值算法標(biāo)簽號和圖片地址 #flags：閾值類型標(biāo)簽號，0——cv2.THRESH_OTSU，1——cv2.THRESH_TRIANGLE def threshold_methods(flags,imagepath):thresh_type = [cv2.THRESH_OTSU,cv2.THRESH_TRIANGLE]gray = gray_mean_rgb(imagepath) #把輸入圖像灰度化#直接閾值化是對輸入的單通道矩陣逐像素進(jìn)行閾值分割。ret, binary = cv2.threshold(gray, 0, 255, thresh_type[flags] )#返回自適應(yīng)計算的閾值以及二值化后的圖像矩陣result = {"threshold":ret,"binary":binary}return resultif __name__ == '__main__':imagepath = "colorful_lena.jpg"for i in range(2):flags = ibinary = threshold_methods(flags,imagepath)["binary"]cv2.namedWindow('ostu_triangle_0{}'.format(flags))cv2.imshow('ostu_triangle_0{}'.format(flags),binary)cv2.imwrite('ostu_triangle_0{}.jpg'.format(flags),binary)cv2.waitKey(0)cv2.destroyAllWindows()

（2）結(jié)果

可見三角法二值化的結(jié)果好一些，細(xì)節(jié)都保留了

四、自適應(yīng)閾值法（adaptiveThreshold）——局部閾值法

自適應(yīng)閾值法也叫做局部閾值法，對每一個像素點(diǎn)的閾值都是不一樣的，計算量比較大，基本的思路就是以目標(biāo)像素點(diǎn)為中心選擇一個塊，然后對塊區(qū)域里面的像素點(diǎn)進(jìn)行高斯或者均值計算，將得到的平均值或者高斯值作為目標(biāo)像素點(diǎn)的閾值，以此來對目標(biāo)像素格進(jìn)行二值化。對圖像每一個像素格進(jìn)行如此操作就完成了對整個圖像的二值化處理。

1、adaptiveThreshold（）函數(shù)及其參數(shù)講解

（1）adaptiveThreshold（）函數(shù)

adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C) #返回二值化后的圖像矩陣-> dst

（2）adaptiveThreshold（）參數(shù)

src參數(shù)：表示輸入圖像（8位單通道圖像）。maxValue參數(shù)：表示使用 THRESH_BINARY 和 THRESH_BINARY_INV 的最大值.adaptiveMethod參數(shù)：表示自適應(yīng)閾值算法，平均（ADAPTIVE_THRESH_MEAN_C）或高斯（ADAPTIVE_THRESH_GAUSSIAN_C）。thresholdType參數(shù)：表示閾值類型，必須為THRESH_BINARY或THRESH_BINARY_INV的閾值類型。blockSize參數(shù)：表示塊大小（奇數(shù)且大于1，比如3，5，7........ ）。C參數(shù)：常數(shù)，表示從平均值或加權(quán)平均值中減去的數(shù)。通常情況下，這是正值，但也可能為零或負(fù)值。

問題2：參數(shù)blocksize和C對二值化圖像的影響

答：這里參數(shù)注意有blocksize和C。

一般情況下blocksize過大會導(dǎo)致圖像細(xì)節(jié)的丟失，過小雖然保存了圖像細(xì)節(jié)，但是也使得運(yùn)行的時間大幅增加，因此需要進(jìn)行權(quán)衡。

一般情況參數(shù)C是大于0的，C越大說明最后的閾值就會越小，這樣導(dǎo)致的結(jié)果就是圖像的大部分像素會被轉(zhuǎn)換為亮域，即更多的像素點(diǎn)的灰度值大于閾值，被轉(zhuǎn)化為255亮域。C越小時則恰恰相反

（3）注意點(diǎn)——閾值類型是指定的、塊大小長寬只能為奇數(shù)

閾值類型固定為：THRESH_BINARY 和 THRESH_BINARY_INV

塊大小一定為奇數(shù)：必須保證目標(biāo)像素點(diǎn)在塊的中心

2、自適應(yīng)閾值算法

2021年01月30日補(bǔ)充：

自適應(yīng)閾值可以忽略光照的影響而得到目標(biāo)物，但是這個只是適用于目標(biāo)較為均勻地分布在圖像上才可，比如在整個圖像上只有一個小目標(biāo)，利用這種方法會導(dǎo)致在其他沒目標(biāo)的地方也會產(chǎn)生閾值劃分（即二值），這樣就會導(dǎo)致二值化后會有更多的干擾因素，當(dāng)然如果效果好的話，可以通過形態(tài)學(xué)進(jìn)行處理得到，但是大部分情況是糟糕的。

如檢測缺陷：左邊圖像是自適應(yīng)閾值，右邊是全局二值化，效果顯然右邊好。

準(zhǔn)確來說，自適應(yīng)閾值法主要是用來尋找輪廓

############################################################################################################################################

在使用平均和高斯兩種算法情況下，通過計算每個像素周圍blockSize?x blockSize大小像素塊的加權(quán)均值并減去常量C即可得到自適應(yīng)閾值

（1）平均值法（ADAPTIVE_THRESH_MEAN_C）

平均值法就是對目標(biāo)像素點(diǎn)的周圍取一定size（為奇數(shù)）的塊區(qū)域，將該區(qū)域的像素點(diǎn)灰度值的平均值再減去參數(shù)C的值得到的值作為閾值

（2）高斯法（ADAPTIVE_THRESH_GAUSSIAN_C）

使用高斯的方法，則每個像素周圍像素的權(quán)值則根據(jù)其到中心點(diǎn)的距離通過高斯方程得到，然后閾值就會等于各像素點(diǎn)權(quán)值乘以灰度值的積的累加再減去C，權(quán)值的和為1

（3）代碼

import cv2 from image_gray.image_gray_methods import gray_mean_rgb#全局固定閾值#需要給定的參數(shù)為閾值算法標(biāo)簽號、自適應(yīng)閾值算法標(biāo)簽號、塊的尺寸、參數(shù)C和圖片地址 #flags：閾值類型標(biāo)簽號，0——cv2.THRESH_BINARY，1——cv2.THRESH_BINARY_INV #tags:自適應(yīng)閾值算法標(biāo)簽號，0——cv2.ADAPTIVE_THRESH_MEAN_C，1——cv2.ADAPTIVE_THRESH_GAUSSIAN_C #blocksize:塊的尺寸，為奇數(shù) def threshold_local_methods(tags,flags,blocksize,C,imagepath):thresh_type = [cv2.THRESH_BINARY,cv2.THRESH_BINARY_INV]thresh_methods = [cv2.ADAPTIVE_THRESH_MEAN_C,cv2.ADAPTIVE_THRESH_GAUSSIAN_C]gray = gray_mean_rgb(imagepath) #把輸入圖像灰度化binary = cv2.adaptiveThreshold(gray, 255, thresh_methods[tags],thresh_type[flags],blocksize,C )#返回二值化后的圖像矩陣return binaryif __name__ == '__main__':imagepath = "colorful_lena.jpg" #以下是進(jìn)行循環(huán)使用閾值類型和自適應(yīng)閾值算法搭配，共四種for i in range(2):for j in range(2):tags = iflags = jbinary = threshold_local_methods(tags,flags,blocksize=5,C=1,imagepath=imagepath)cv2.namedWindow('mean_gauss{}{}'.format(tags,flags))cv2.imshow('mean_gauss{}{}'.format(tags,flags),binary)cv2.imwrite('mean_gauss{}{}.jpg'.format(tags,flags),binary)cv2.waitKey(0)cv2.destroyAllWindows()

（4）結(jié)果

參數(shù)為：C=1,blocksize=5

五、固定閾值和自適應(yīng)閾值法比較

固定閾值的二值化效果一般比較差，尤其是在處理亮度差別很大的圖像，它是對整個圖像進(jìn)行閾值操作，圖像比較平滑，細(xì)節(jié)較少

自適應(yīng)閾值法則是圍繞目標(biāo)像素點(diǎn)的一小塊區(qū)域進(jìn)行閾值化操作，效果會更好，圖像的細(xì)紋都保留了下來，即圖像細(xì)節(jié)得到了保存。

因此在以后二值化時選用自適應(yīng)閾值法是優(yōu)選

六、自定義閾值法

直接上代碼不再贅述

這里是將全局平均值作為閾值進(jìn)行二值化

import cv2 import numpy as np #用戶自己計算閾值 def custom_threshold(imagepath):img = cv2.imread(imagepath)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #把輸入圖像灰度化h, w =gray.shape[:2]#獲得灰度化后圖像矩陣的高以及寬m = np.reshape(gray, [1,w*h])#將灰度化的矩陣reshape成一維的便于計算累和mean = m.sum()/(w*h)#求整個矩陣的元素的總和的平均值ret, binary = cv2.threshold(gray, mean, 255, cv2.THRESH_BINARY)result = {"threshold":ret,"binary":binary}return resultif __name__ == '__main__':imagepath = "colorful_lena.jpg"binary = custom_threshold(imagepath)["binary"]cv2.namedWindow("binary2", cv2.WINDOW_NORMAL)cv2.imshow("binary2", binary)cv2.waitKey(0)cv2.destroyAllWindows()

總結(jié)

以上是生活随笔為你收集整理的【图像处理】——图像的二值化操作及阈值化操作（固定阈值法（全局阈值法——大津法OTSU和三角法TRIANGLE）和自适应阈值法（局部阈值法——均值和高斯法））的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。

上一篇：【机器学习】逻辑回归(LogisticR
下一篇： React Native 开发环境搭建