CN110276787B - 基于标志物图像检测的导线舞动监测方法 - Google Patents

Abstract

本发明公开了一种基于标志物图像检测的导线舞动监测方法，其步骤是将结构规则、轮廓明显、易于识别的标志物安装在输电导线的间隔棒上；然后在电力铁塔上或塔基上架设摄像机，对标志物进行拍摄，通过图像处理算法识别标志物，并计算其中心坐标，从而得到标志物的运动轨迹，达到实时监测导线舞动的效果。

Description

基于标志物图像检测的导线舞动监测方法

技术领域

本发明属于输电线路状态监测技术领域，具体地说是一种基于标志物图像识别的导线舞动监测方法。

背景技术

输电线路导线舞动是指覆冰不均匀的架空导线在大风作用下产生的低频、大幅度自激振动现象。导线舞动是长期以来影响电网输电线路安全的重要因素，它会造成输电线路跳闸、铁塔横担部分螺栓脱落以及铁塔横担、跳线、绝缘子、金具受损等危害，使得电网运行面临严峻考验。

现有的舞动监测方法主要是在导线上安装传感器，实时检测导线的舞动情况，但此类方法会给导线带来额外的负担和安全隐患，且传感器设备的供电也难以解决；基于图像识别的舞动检测方法主要是直接检测导线的边缘，提取图像中的导线，计算舞动幅度，但此类方法在复杂环境下，比如夜间、雾天、雨雪天气中，难以提取出导线边缘，图像识别通常会失效，导致无法检测出导线舞动结果。

发明内容

本发明为解决上述现有技术存在的不足之处，提出一种基于标志物图像检测的导线舞动监测方法，以期能通过在导线间隔棒上安装标志物并进行识别标其中心坐标，从而得到标志物的运动轨迹，以达到实时监测导线舞动的目的，并提高导线舞动识别率和检测精度。

为了达到上述目的，本发明所采用的技术方案为：

本发明一种基于标志物图像检测的导线舞动监测方法的特点在于，包括以下步骤：

步骤1、将标志物安装在输电线路导线的间隔棒上；所述标志物为黑色或黑白相间的几何图案；

步骤2、在电力铁塔上或塔基上架设摄像机用于对标志物进行拍摄，从而获取标志物视频数据；

步骤3、对所述标志物视频数据进行图像处理，识别所述标志物，并计算标志物的中心坐标；

步骤3.1、利用式(1)对所述标志物视频数据中任意一帧图像T的像素点T(x,y)所对应的R、G、B三通道的值{H^c(x,y)|c＝r,g,b}进行去雾处理，得到去雾后的像素点T(x,y)所对应的R、G、B三通道的值{J^c(x,y)|c＝r,g,b}：

式(1)中，A是全球大气光成分，c为变量，且c∈{r,g,b}，L(x,y)是像素点T(x,y)处的环境光子参数，并有：

L(x,y)＝min{[min(ρ×m_av,0.9)×M_ave(T)],M(T)} (2)

式(2)中，ρ为调节因子；M(T)为图像T的所有像素点分别所对应的R、G、B三通道的值{H^c(x,y)|c＝r,g,b}中最小值的集合，(x,y)∈T；M_ave(T)为最小值集合M(T)进行均值滤波后的值；m_av为对最小值集合M(T)进行归一化后再取均值后的值；

步骤3.2、根据步骤3.1对所述图像T的中的所有像素点进行去雾处理，从而得到去雾后的图像；将所述去雾后的图像从RGB色度图转化成GRAY灰度图，并对GRAY灰度图进行中值滤波和二值化处理，从而得到处理后的图像T₁；

步骤3.3、修复图像缺损；

步骤3.3.1、区域增强操作：

定义一个带参考点的正方形或圆形作为模板E，与图像T₁进行卷积计算，得到模板E在图像T₁中的覆盖区域，从所述覆盖区域中选取最大像素点值，并将最大像素点值赋值给参考点在图像T₁上所对应的像素值，从而得到区域增强操作后的图像T₂；

步骤3.3.2、区域裁剪操作：

将所述模板E与所述区域增强操作后的图像T₂进行卷积计算，得到模板E在图像T₂中的覆盖区域，选取所述模板E在所述图像T₂中的覆盖区域中最小像素点值，并将最小像素点值赋值给参考点在图像T₂所对应的像素值，从而得到缺损修复后的图像T₃；

步骤3.4、提取轮廓形成连通域；

对所述缺损修复后的图像T₃进行轮廓点检测，得到k个连通域构成的连通域集合D＝{D₁,D₂,…,D_i,…,D_k}，其中，D_i表示第i个连通域；i∈[1,k]，k表示连通域的总数；

步骤3.5、基于周长和面积参数对连通域进行筛选；

步骤3.5.1、计算k个连通域的周长{L_i|i＝1,2,…,k}和面积{S_i|i＝1,2,…,k}；将k个连通域的周长{L_i|i＝1,2,…,k}中的最小值记为L_min和最大值记为L_max，将k个连通域的面积{S_i|i＝1,2,…,k}中的最小值记为S_min和最大值记为S_max；

初始化i＝1，令第一轮连通域剔除数量m₁＝0；

步骤3.5.2、判断L_i≥L_min且L_i≤L_max且S_i≥S_min且S_i≤S_max是否成立，若成立，则直接执行步骤3.5.3；否则，将第i个连通域D_i从连通域集合D中除去，再将m₁+1赋给m₁后，执行步骤3.5.3；

步骤3.5.3、将i+1赋值给i后，判断i＞k是否成立，若成立，则表示得到更新后的连通域集合

并执行步骤3.6；其中，D′_j表示更新后的连通域集合D′中第j个连通域，j∈[1,k-m₁]，否则，返回步骤3.5.2；

步骤3.6、利用几何学特征识别标志物；

步骤3.6.1、初始化j＝1，令第二轮连通域剔除数量m₂＝0；

步骤3.6.2、绘制更新后的连通域集合D′中第j个连通域D′_j的最小外接矩形，利用第j个连通域D′_j及其最小外接矩形的几何学特征来识别标志物；

定义：矩形填充率是连通域的面积与其最小外接矩形面积之比；从而利用式(3)计算更新后的连通域集合D′中第j个连通域D′_j的矩形填充率R_j：

式(3)中，S_area(j)是第j个连通域D′_j的面积，S_rectangle(j)是第j个连通域D′_j的最小外接矩形的面积；

定义：矩形长宽比是第j个连通域D′_j的最小外接矩形的长宽之比，从而利用式(4)计算更新后的连通域集合D′中第j个连通域D′_j的矩形长宽比r_j：

式(4)中，W_rectangle(j)表示第j个连通域D′_j的最小外接矩形的宽，L_rectangle(j)表示第j个连通域D′_j的最小外接矩形的长；

步骤3.6.3、设定区间[R′-Δh,R′+Δh]和[r′-Δl,r′+Δl]，其中Δh、Δl均为所设定的阈值，若

或

则将第j个连通域D′_j从更新后的连通域集合D′中除去，再将m₂+1赋给m₂后，执行步骤3.6.4；否则，直接执行步骤3.6.4；

步骤3.6.4、将j+1赋值给j后，判断j＞k-m₁是否成立，若成立，则表示更新后的连通域集合D′中的(k-m₁-m₂)个连通域为标志物，并执行步骤3.7；否则，返回步骤3.6.2；

步骤3.7、计算标志物的中心；

以图像T的最左上角像素点为原点，与所述原点相邻的两条边分别作为x轴和y轴，从而建立图像坐标系；

将(k-m₁-m₂)个连通域的最小外接矩形的中心作为标志物的中心，从而得到(k-m₁-m₂)个中心坐标(x₁,y₁),(x₂,y₂),…,(x_p,y_p),…,

其中，(x_p,y_p)表示第p个标志物的中心坐标；p∈[1,k-m₁-m₂]；

利用式(5)求出所有标志物的中心坐标的平均值作为图像T的标志物中心坐标，记为

步骤4、计算导线的舞动幅度；

令导线静止状态下标志物的中心坐标为(x_ini,y_ini)并作为监测的基准，利用式(6)计算图像T中标志物的位移，并作为导线舞动的幅度len：

式(6)中，α为空间映射系数，并有：

式(7)中，d_target为标志物的实际宽度，n_pixel为标志物的宽度在图像T中所占的像素点个数。

与已有技术相比，本发明的有益效果为：

1、本发明在导线间隔棒上安装结构规则、轮廓明显、易于识别的标志物(例如圆形、三角形、同心圆、同心三角等)，通过图像识别方法精确检测标志物的位移，从而得到导线舞动信息，提高了导线舞动监测的自动化和智能化；

2、本发明针对标志物图像的缺损，提出了区域增强和裁剪算法Field-E&C，以修复标志物图像的特征信息，从而提高了识别率；

3、本发明针对图像中的有雾的情况，提出了环境光子弱化滤波的去雾算法EPWFDA，提高了图像画面的质量，并提高了对标志物的识别率，从而保障了导线舞动检测的准确性；

4、本发明采用红外夜视摄像机，可以保证在夜晚或微光环境下对导线舞动的检测效果；

5、与传统的传感器测量方式相比，本发明具有非接触式检测，安装设备少，操作安全，检测精度高的特点。

附图说明

图1为本发明圆形标志物图；

图2为本发明三角形标志物图；

图3为本发明同心圆标志物图；

图4为本发明同心三角标志物图；

图5为本发明方法的流程图。

具体实施方式

本实施例中，如图5所示，一种基于标志物图像检测的导线舞动监测方法包括以下步骤：

步骤1、将标志物安装在输电线路导线的间隔棒上，建议安装在距离导线弧垂点最近的间隔棒上；标志物为黑色或黑白相间的几何图案，多采用结构规则、轮廓明显、易于识别的形态物体，例如如图1所示的圆形、如图2所示的三角形、如图3所示的同心圆、如图4所示的同心三角等；

步骤2、在电力铁塔上或塔基上架设摄像机用于对标志物进行拍摄，从而获取标志物视频数据；

步骤3、对标志物视频数据进行图像处理，识别标志物，并计算标志物的中心坐标；

步骤3.1、针对图像中可能存在雾气或雾霾导致画面质量不高的问题，提出一种环境光子弱化滤波的去雾算法(Environment Photon Weaken Filtering Based DefoggingAlgorithm,EPWFDA)，对图像进行去雾处理，提高画面质量；

对图像采用如式(1)所示的雾图形成模型：

H^c(x,y)＝J^c(x,y)t(x,y)+A(1-t(x,y)) (1)

式(1)中，H^c(x,y)为标志物视频数据中任意一帧图像T的像素点T(x,y)所对应的R、G、B三通道的值{H^c(x,y)|c＝r,g,b}，J(x)为去雾后的像素点T(x,y)所对应的R、G、B三通道的值{J^c(x,y)|c＝r,g,b}，A是全球大气光成分，它是一个可以事先确定的经验值，t(x,y)是大气光在图像T的像素点T(x,y)处的透射率，令L(x,y)＝A(1-t(x,y))，它是环境光子参数，当画面上雾气越严重时，透射率t(x,y)越小，L(x,y)值越大；去雾后的图像可用式(2)表示为：

利用式(2)对标志物视频数据中任意一帧图像T的像素点T(x,y)所对应的R、G、B三通道的值{H^c(x,y)|c＝r,g,b}进行去雾处理，得到去雾后的像素点T(x,y)所对应的R、G、B三通道的值{J^c(x,y)|c＝r,g,b}；

式(2)中，A是全球大气光成分，c为变量，且c∈{r,g,b}，L(x,y)是像素点T(x,y)处的环境光子参数，并有：

L(x,y)＝min{[min(ρ×m_av,0.9)×M_ave(T)],M(T)} (3)

式(3)中，ρ为调节因子；M(T)为图像T的所有像素点分别所对应的R、G、B三通道值{H^c(x,y)|c＝r,g,b}中最小值的集合，(x,y)∈T；M_ave(T)为对所有像素点对应的最小值集合M(T)进行均值滤波后的值；m_av为对最小值集合M(T)进行归一化后再取均值后的值；

可见，L(x,y)的取值是M(x,y)滤波后的值进一步取小的结果。由式(3)可见，本发明采用环境光子弱化滤波的方法计算得到L(x,y)，不仅能保证去雾的效果，而且能避免该值过大导致图像去雾后画面偏暗的问题；

步骤3.2、根据步骤3.1对图像T的中的所有像素点进行去雾处理，从而得到去雾后的图像；将去雾后的图像从RGB色度图转化成GRAY灰度图，并对GRAY灰度图进行中值滤波和二值化处理，从而得到处理后的图像；其中，中值滤波消除噪声干扰具体步骤为：

步骤3.2.1、将一个3*3的模板，将模板中心像素点与图像T的任意一个像素重合；

步骤3.2.2、将模板上对应的灰度值从小到大排成一列；

步骤3.2.3、将这些灰度值的中间值赋给模板中心位置对应图像T的像素；

步骤3.2.4、模板依次移向图像T每个像素点，重复步骤3.2.1至步骤3.2.3；

对灰度图进行二值化处理的如式(4)所示：

式(4)中，src(x,y)为灰度图的像素点(x,y)的灰度值，取值为0至255；M为二值化的阈值，可通过实验确定合适的取值；dst(x,y)为二值化后像素点(x,y)的灰度值，取值为0或255。由于标志物采用“黑白”的颜色结构，因此标志物在二值化后轮廓分明，形态清晰，而图像中大部分深色背景变为黑色，凸显了标志物的形态；

步骤3.3、修复图像缺损；

针对二值化后图像中标志物可能出现缺损、断裂的情况，提出一种区域增强和裁剪算法(Field Enhance and Cut,Field-E&C)来修复标志物的形态，具体步骤如下：

步骤3.3.1、区域增强操作：

定义一个带参考点的正方形或圆形作为模板E，与图像T₁进行卷积计算，依次得到模板E在图像T₁中的覆盖区域，从所述覆盖区域中选取最大像素点值，并将最大像素点值赋值给参考点在图像T₁上所对应的像素值；得到区域增强操作后的图像T₂；这样可以使图像中的高亮区域向外增长，达到区域增强、修复缺损和断裂的效果；

步骤3.3.2、区域裁剪操作：

将模板E与区域增强操作后的图像T₂进行卷积计算，得到模板E在图像T₂中的覆盖区域，选取模板E在图像T₂中的覆盖区域中最小像素点值，并将最小像素点值赋值给参考点在图像T₂所对应的像素值，从而得到缺损修复后的图像T₃；这样可以使得图像中的高亮区域向内减小，达到区域裁剪、消除图像异常边缘的效果；

经过区域增强与裁剪算法处理后，既可以将图像中的断裂处修复，又可以保留图像中其他区域的画面质量不受影响。

步骤3.4、提取轮廓形成连通域；

对步骤3.3中缺损修复后的图像T₃进行轮廓点检测，得到k个连通域构成的连通域集合D＝{D₁,D₂,…,D_i,…,D_k}，其中，D_i表示第i个连通域；i∈[1,k]，k表示连通域的总数；

步骤3.5、基于周长和面积参数对连通域进行筛选；

步骤3.5.1、计算k个连通域的周长{L_i|i＝1,2,…,k}和面积{S_i|i＝1,2,…,k}；将k个连通域的周长{L_i|i＝1,2,…,k}中的最小值记为L_min和最大值记为L_max，将k个连通域的面积{S_i|i＝1,2,…,k}中的最小值记为S_min和最大值记为S_max；

初始化i＝1，令第一轮连通域剔除数量m₁＝0；

步骤3.5.2、判断L_i≥L_min且L_i≤L_max且S_i≥S_min且S_i≤S_max是否成立，若成立，则直接执行步骤3.5.3；否则，将第i个连通域D_i从连通域集合D中除去，再将m₁+1赋给m₁后，执行步骤3.5.3；

步骤3.5.3、将i+1赋值给i后，判断i＞k是否成立，若成立，则表示得到更新后的连通域集合

并执行步骤3.6；其中，D′_j表示更新后的连通域集合D′中第j个连通域，j∈[1,k-m₁]，否则，返回步骤3.5.2；

步骤3.6、利用几何学特征识别标志物；

步骤3.6.1、初始化j＝1，令第二轮连通域剔除数量m₂＝0；

步骤3.6.2、绘制更新后的连通域集合D′中第j个连通域D′_j的最小外接矩形，利用第j个连通域D′_j及其最小外接矩形的几何学特征来识别标志物；

定义：矩形填充率是连通域的面积与其最小外接矩形面积之比；从而利用式(3)计算更新后的连通域集合D′中第j个连通域D′_j的矩形填充率R_j：

式(3)中，S_area(j)是第j个连通域D′_j的面积，S_rectangle(j)是第j个连通域D′_j的最小外接矩形的面积；

定义：矩形长宽比是第j个连通域D′_j的最小外接矩形的长宽之比，从而利用式(4)计算更新后的连通域集合D′中第j个连通域D′_j的矩形长宽比r_j：

式(4)中，W_rectangle(j)表示第j个连通域D′_j的最小外接矩形的宽，L_rectangle(j)表示第j个连通域D′_j的最小外接矩形的长；

步骤3.6.3、设定区间[R′-Δh,R′+Δh]和[r′-Δl,r′+Δl]，其中Δh、Δl均为所设定的阈值，若

或

则将第j个连通域D′_j从更新后的连通域集合D′中除去，再将m₂+1赋给m₂后，执行步骤3.6.4；否则，直接执行步骤3.6.4；

步骤3.6.4、将j+1赋值给j后，判断j＞k-m₁是否成立，若成立，则表示更新后的连通域集合D′中的(k-m₁-m₂)个连通域为标志物，并执行步骤3.7；否则，返回步骤3.6.2；

步骤3.7、计算标志物的中心；

以图像T的最左上角像素点为原点，与所述原点相邻的两条边分别作为x轴和y轴，从而建立图像坐标系；

将(k-m₁-m₂)个连通域的最小外接矩形的中心作为标志物的中心，从而得到(k-m₁-m₂)个中心坐标(x₁,y₁),(x₂,y₂),…,(x_p,y_p),…,

其中，(x_p,y_p)表示第p个标志物的中心坐标；p∈[1,k-m₁-m₂]；

利用式(5)求出所有标志物的中心坐标的平均值作为图像T的标志物中心坐标，记为

步骤4、计算导线的舞动幅度；

令导线静止状态下标志物的中心坐标为(x_ini,y_ini)并作为监测的基准，利用式(6)计算图像T中标志物的位移，并作为导线舞动的幅度len：

式(6)中，α为空间映射系数，并有：

式(7)中，d_target为标志物的实际宽度，n_pixel为标志物的宽度在图像T中所占的像素点个数。

Claims (1)

1.一种基于标志物图像检测的导线舞动监测方法，其特征在于，包括以下步骤：

步骤1、将标志物安装在输电线路导线的间隔棒上；所述标志物为黑色或黑白相间的几何图案；

步骤2、在电力铁塔上或塔基上架设摄像机用于对标志物进行拍摄，从而获取标志物视频数据；

步骤3、对所述标志物视频数据进行图像处理，识别所述标志物，并计算标志物的中心坐标；

步骤3.1、利用式(1)对所述标志物视频数据中任意一帧图像T的像素点T(x,y)所对应的R、G、B三通道的值{H^c(x,y)|c＝r,g,b}进行去雾处理，得到去雾后的像素点T(x,y)所对应的R、G、B三通道的值{J^c(x,y)|c＝r,g,b}：

式(1)中，A是全球大气光成分，c为变量，且c∈{r,g,b}，L(x,y)是像素点T(x,y)处的环境光子参数，并有：

L(x,y)＝min{[min(ρ×m_av,0.9)×M_ave(T)],M(T)} (2)

式(2)中，ρ为调节因子；M(T)为图像T的所有像素点分别所对应的R、G、B三通道的值{H^c(x,y)|c＝r,g,b}中最小值的集合，(x,y)∈T；M_ave(T)为最小值集合M(T)进行均值滤波后的值；m_av为对最小值集合M(T)进行归一化后再取均值后的值；

步骤3.2、根据步骤3.1对所述图像T的中的所有像素点进行去雾处理，从而得到去雾后的图像；将所述去雾后的图像从RGB色度图转化成GRAY灰度图，并对GRAY灰度图进行中值滤波和二值化处理，从而得到处理后的图像T₁；

步骤3.3、修复图像缺损；

步骤3.3.1、区域增强操作：

定义一个带参考点的正方形或圆形作为模板E，与图像T₁进行卷积计算，得到模板E在图像T₁中的覆盖区域，从所述覆盖区域中选取最大像素点值，并将最大像素点值赋值给参考点在图像T₁上所对应的像素值，从而得到区域增强操作后的图像T₂；

步骤3.3.2、区域裁剪操作：

将所述模板E与所述区域增强操作后的图像T₂进行卷积计算，得到模板E在图像T₂中的覆盖区域，选取所述模板E在所述图像T₂中的覆盖区域中最小像素点值，并将最小像素点值赋值给参考点在图像T₂所对应的像素值，从而得到缺损修复后的图像T₃；

步骤3.4、提取轮廓形成连通域；

对所述缺损修复后的图像T₃进行轮廓点检测，得到k个连通域构成的连通域集合D＝{D₁,D₂,…,D_i,…,D_k}，其中，D_i表示第i个连通域；i∈[1,k]，k表示连通域的总数；

步骤3.5、基于周长和面积参数对连通域进行筛选；

步骤3.5.1、计算k个连通域的周长{L_i|i＝1,2,…,k}和面积{S_i|i＝1,2,…,k}；将k个连通域的周长{L_i|i＝1,2,…,k}中的最小值记为L_min和最大值记为L_max，将k个连通域的面积{S_i|i＝1,2,…,k}中的最小值记为S_min和最大值记为S_max；

初始化i＝1，令第一轮连通域剔除数量m₁＝0；

步骤3.5.2、判断L_i≥L_min且L_i≤L_max且S_i≥S_min且S_i≤S_max是否成立，若成立，则直接执行步骤3.5.3；否则，将第i个连通域D_i从连通域集合D中除去，再将m₁+1赋给m₁后，执行步骤3.5.3；

步骤3.5.3、将i+1赋值给i后，判断i＞k是否成立，若成立，则表示得到更新后的连通域集合D′＝{D′₁,D′₂,…,D′_j,…,D′_k-m1}并执行步骤3.6；其中，D′_j表示更新后的连通域集合D′中第j个连通域，j∈[1,k-m₁]，否则，返回步骤3.5.2；

步骤3.6、利用几何学特征识别标志物；

步骤3.6.1、初始化j＝1，令第二轮连通域剔除数量m₂＝0；

步骤3.6.2、绘制更新后的连通域集合D′中第j个连通域D′_j的最小外接矩形，利用第j个连通域D′_j及其最小外接矩形的几何学特征来识别标志物；

定义：矩形填充率是连通域的面积与其最小外接矩形面积之比；从而利用式(3)计算更新后的连通域集合D′中第j个连通域D′_j的矩形填充率R_j：

式(3)中，S_area(j)是第j个连通域D′_j的面积，S_rectangle(j)是第j个连通域D′_j的最小外接矩形的面积；

定义：矩形长宽比是第j个连通域D′_j的最小外接矩形的长宽之比，从而利用式(4)计算更新后的连通域集合D′中第j个连通域D′_j的矩形长宽比r_j：

式(4)中，W_rectangle(j)表示第j个连通域D′_j的最小外接矩形的宽，L_rectangle(j)表示第j个连通域D′_j的最小外接矩形的长；

步骤3.6.3、设定区间[R′-Δh,R′+Δh]和[r′-Δl,r′+Δl]，其中Δh、Δl均为所设定的阈值，若

或

则将第j个连通域D′_j从更新后的连通域集合D′中除去，再将m₂+1赋给m₂后，执行步骤3.6.4；否则，直接执行步骤3.6.4；

步骤3.6.4、将j+1赋值给j后，判断j＞k-m₁是否成立，若成立，则表示更新后的连通域集合D′中的(k-m₁-m₂)个连通域为标志物，并执行步骤3.7；否则，返回步骤3.6.2；

步骤3.7、计算标志物的中心；

以图像T的最左上角像素点为原点，与所述原点相邻的两条边分别作为x轴和y轴，从而建立图像坐标系；

将(k-m₁-m₂)个连通域的最小外接矩形的中心作为标志物的中心，从而得到(k-m₁-m₂)个中心坐标

其中，(x_p,y_p)表示第p个标志物的中心坐标；p∈[1,k-m₁-m₂]；

利用式(5)求出所有标志物的中心坐标的平均值作为图像T的标志物中心坐标，记为

步骤4、计算导线的舞动幅度；

令导线静止状态下标志物的中心坐标为(x_ini,y_ini)并作为监测的基准，利用式(6)计算图像T中标志物的位移，并作为导线舞动的幅度len：

式(6)中，α为空间映射系数，并有：

式(7)中，d_target为标志物的实际宽度，n_pixel为标志物的宽度在图像T中所占的像素点个数。

Images