CN112819736A - 一种基于多曝光的工件字符图像局部细节增强融合方法 - Google Patents

Abstract

本发明涉及一种基于多曝光的工件字符图像局部细节增强融合方法，其包括以下步骤：(1)构建源图像权重项；(2)细化初始权重图；(3)进行拉普拉斯重构融合；(4)提取曝光图像细节特征；(5)进行局部细节增强融合。本发明能较好地解决工件字符图像曝光过度或曝光不足、局部对比度偏低、色彩失真严重、局部细节信息大量不可见等不乐观情形问题，融合得到高质量的局部细节增强融合图像以帮助从工件字符图像中有效地识别提取信息。

Description

一种基于多曝光的工件字符图像局部细节增强融合方法

【技术领域】

本发明涉及一种图像融合方法，具体涉及一种基于多曝光的工件字符图像局部细节增强融合方法，属于数字图像处理技术领域。

【背景技术】

随着科学技术的持续发展，智能设备在生活和生产中的使用越来越普及。图像凭借包含丰富信息量且生动直观的优势，逐渐成为记录和传递信息的重要载体。光学字符识别(OCR)，是一种将手写或印刷的文本的图像通过机械或电子方式转换机器编码的文本，作为一种数据录入形式，在实际应用中十分广泛，常用的场景有证件识别、发票识别、名片识别、车牌识别等；在生产中常用于液化石油气钢瓶编码识别、机器的铭牌识别、轴承和轴承座编码识别等。

然而，在现实的生活和生产自然场景中，并不是所有采集到的图像都能有效地表达和显示信息。在工业生产场景中，常见的字符主要有压印字符、浮雕字符、喷码字符等凹凸不平的工件表面字符，这些字符处于复杂的背景下，如工件表面存在光照不均、与字符颜色基本一致、划痕、侵蚀等问题。生产环境不良的光照条件和工件本身复杂的表面，对在所采集到的图像中识别提取信息有很大的影响。光照强度不足或过亮都会影响采集到的图像的视觉效果，具体表现为曝光过度或曝光不足、局部对比度偏低、色彩失真严重、局部细节信息大量不可见等不乐观情形。

为了更好地利用这些质量严重下降的图像，从中识别获取有效的信息，人们就不得不去研究图像增强技术。图像增强技术就是有目的性的重现图像中的重要信息，对于图像中包含的有效信息进行增强，与此同时对影响有效信息的噪声进行去除。图像增强技术可以让处理后的图像更加的符合人们的主观视觉感受，而且增强技术作为图像处理学科中的一门预处理技术，它可以让计算机视觉等设备便于分析处理。

图像融合技术是一种常用的图像增强技术，图像融合技术一般可分为像素级、特征级和决策级。决策级方法直接融合图像的相关描述。特征级方法基于图像的多种特征(区域或边缘)进行融合，在纠错标定和降噪方面具有强大的鲁棒性。而像素级方法通过直接操作图像的像素值，能有效地保留图像的信息特征，获得高质量的融合结果，因此得到了广泛的应用。

因此，为解决上述技术问题，确有必要提供一种创新的基于多曝光的工件字符图像局部细节增强融合方法，以克服现有技术中的所述缺陷。

【发明内容】

为解决从生产自然场景的工件字符图像中准确识别提取有效信息的技术问题，本发明提供一种基于多曝光的工件字符图像局部细节增强融合方法，其采用像素级融合方法，通过直接操作图像的像素值，有效地保留图像的信息特征，对一组多曝光的工件字符图像序列进行融合成为一幅高质量的图像以增强图像局部细节的方法。

为实现上述目的，本发明采取的技术方案为：一种基于多曝光的工件字符图像局部细节增强融合方法，其特征在于：包括如下工艺步骤：

1)，构建源图像权重项：通过结合像素级对比度、亮度和饱和度三个质量指标来计算每一幅源图像的权重项，提取图像局部细节，构建源图像序列的初始权重图；

2)，细化初始权重图：采用具有实时边缘保持特性的递归滤波来有效地过滤噪声得到细化的权重图，并对细化的权重图进行归一化操作，以保证每个像素所在位置的总和为1；

3)，进行拉普拉斯重构融合：采用拉普拉斯金字塔和高斯金字塔将多曝光源图像序列和递归滤波细化后的权重图进行分解；然后在每一层进行输入图像的拉普拉斯和细化权重图的高斯金字塔混合，最后对融合后的拉普拉斯金字塔图像反变换进行多分辨率重构融合；

4)，提取曝光图像细节特征：采用引导滤波对每一幅曝光图像进行细节特征提取，将每一幅曝光图像的细节特征进行融合，进一步增强图像的局部细节；

5)，进行局部细节增强融合：将拉普拉斯金字塔多分辨率重构融合得到的图像和引导滤波提取细节特征融合得到的图像两者进行融合，得到最终的局部细节增强融合结果图。

本发明的基于多曝光的工件字符图像局部细节增强融合方法进一步为：所示步骤1)具体构建方法如下：令I_i，i＝1，2，...，N表示彩色源图像，将彩色源图像转换为灰度源图像

转换公式如下：

其中

分别表示红(R)、绿(G)、蓝(B)通道；

1-1)，构建局部对比度权重项:针对图像过度曝光区域的字符边缘纹理细节不明显，算法引入非标准化的稠密SIFT描述符DSIFT来衡量每一幅曝光源图像对应像素点的活动水平，采用“加权平均”的权重分配策略来计算局部对比度的权重项

计算公式如下：

其中,C_i(x，y)为局部对比度权重项指标，

为曝光图像序列的灰度图，DSIFT(.)表示用于计算未归一化稠密SIFT源图像映射的运算符，通过计算每个2*2的单元格中八个方向的直方图来生成描述符，||.||₁表示向量的L1范数；

1-2),构建亮度权重项：针对工件字符图像过度曝光的区域亮度非常明显，而曝光不足的区域比较暗淡的情况，通常采用亮度的灰度值高低来描述字符区域的过曝光或者欠曝光现象，计算公式如下：

其中，B_i(x，y)表示曝光字符图像序列的亮度权重项，T表示设定的阈值，取值为10-30；

1-3),构建饱和度权重项：通过计算曝光序列图像的饱和度来保证合成工件字符图像的视觉感受，公式如下：

其中，S_i(x，y)表示曝光图像序列的饱和度权重项，

分别表示第i张图像在R、G、B三通道的分量，μ表示对应R、G、B三通道在像素(x，y)处的平均值；

1-4),对每一幅曝光源图像，采用局部对比度，亮度，饱和度三个权重项的联合乘积来计算初始权重图W_i(x，y)，计算公式如下：

本发明的基于多曝光的工件字符图像局部细节增强融合方法进一步为：所述步骤2)具体为：采用具有实时边缘保持特性的递归滤波来有效地过滤噪，得到精确平滑的权值图W_i ^r(x，y)，并对对平滑细化过后的权重图进行归一化操作，以保证每个像素所在位置的总和为1，计算公式如下：

W_i ^r(x，y)＝RF(W_i(x，y)，I_i(x，y))

其中，RF(.，.)表示递归滤波器操作，

表示曝光文本字符图像序列的归一化的细化权重图，N表示采集的源曝光字符图像序列的数量，ε取值为10^-12。

本发明的基于多曝光的工件字符图像局部细节增强融合方法进一步为：所述步骤3)具体为：采用基于拉普拉斯的图像金字塔重构方法对多张曝光图像进行融合，即采用高斯金字塔对源图像进行多尺度分解，对图像进行高斯滤波和下采样操作得到第一层高斯金字塔图像G₁，重复上述操作，依次可以构造出第k层高斯金字塔G_k，公式如下：

其中，pyrDown(.)表示图像的下采样操作，即删除图像所有的偶数行偶数列或者奇数行奇数列，g_5×5表示5×5的高斯内核，

表示卷积操作；

然后，利用相邻层级的高斯金字塔图像进行差值计算得到对应层级的拉普拉斯金字塔图像，先将第k层的高斯金字塔图像G_k进行一次图像上采样和高斯滤波，再将第k-1层的高斯金字塔G_k-1减去上一步操作之后的第k层高斯金字塔图像G_k，得到第l-1层拉普拉斯金字塔图像L_l-1，计算公式如下：

其中，pyrUp(.)表示图像的上采样操作，即图像新增的偶数行、偶数列或者奇数行、奇数列用0填充；

最后，利用生成的l-1层拉普拉斯金字塔对源图像进行重构还原，其包含了图像下采样操作过程中丢失的细节信息和不同尺度分解层的特征信息，并将其与高斯金字塔顶层图像G_k由上到下依次进行图像上采样融合，得到拉普拉斯图像金字塔重构融合结果图

取k＝5，计算公式如下：

其中，

表示最底层拉普拉斯重构图，即令最顶层的高斯金字塔图像作为拉普拉斯重构的第一层图像；

对采集的多幅不同曝光文本字符图像序列进行基于多尺度图像金字塔的多曝光图像融合，通过步骤2计算出各幅源图像的归一化权重图

构造出对应归一化权重图的高斯金字塔，再利用得到的权重高斯金字塔作为加权平均系数，与构造出的各幅字符图像的多层拉普拉斯金字塔进行融合，将每一幅字符图像中同一层级对应的联合乘积求和，得到其中一层的融合拉普拉斯系数，根据同层级的加权求和，得到融合拉普拉斯金字塔，公式如下：

其中，F(x，y)表示拉普拉斯重构的融合结果图，l表示图像金字塔多尺度分解的层数，N表示采集的曝光文本字符图像数量；

然后，根据上式的拉普拉斯重构方法，对融合的拉普拉斯金字塔进行图像重构，得到重构融合结果图F(x，y)。

本发明的基于多曝光的工件字符图像局部细节增强融合方法进一步为：所述步骤4)具体为：采用引导滤波(GF)对每一幅曝光图像灰度图进行细节特征提取，然后根据曝光工件字符图像序列的亮度权重项对每幅图像提取出的字符细节进行细节融合，计算公式如下：

其中D_i(x，y)表示细节特征图，

表示细节特征融合图，GF(.)表示引导滤波操作，N表示采集的曝光文本字符图像数量。

本发明的基于多曝光的工件字符图像局部细节增强融合方法还可为：所述步骤5)具体为：将步骤4得到的细节特征融合图

与步骤3得到的重构融合结果图F(x，y)进行融合得到最终细节增强的曝光融合结果图，计算公式如下：

其中，

表示细节增强的曝光融合结果图，X表示常量值，取1。

与现有技术相比，本发明具有如下有益效果：本发明的基于多曝光的工件字符图像局部细节增强融合方法能很好地解决工件字符图像曝光过度或曝光不足、局部对比度偏低、色彩失真严重、局部细节信息大量不可见等不乐观情形问题，融合得到高质量的局部细节增强融合图像以帮助从工件字符图像中有效地识别提取信息。

【附图说明】

图1是本发明的基于多曝光的工件字符图像局部细节增强融合方法的流程图。

【具体实施方式】

请参阅说明书附图1所示，本发明为一种基于多曝光的工件字符图像局部细节增强融合方法，其包括如下工艺步骤：

1)，构建源图像权重项：本算法通过结合像素级对比度、亮度和饱和度三个质量指标来计算每一幅源图像的权重项，提取图像局部细节，构建源图像序列的初始权重图。

通过构建源图像局部对比度、亮度和饱和度的三个权重项，提取图像局部细节，以解决源图像因曝光不足，曝光过度的情况导致局部细节不明显的问题。具体的说，令I_i，i＝1，2，...，N表示彩色源图像，将彩色源图像转换为灰度源图像

转换公式如下：

其中

分别表示红(R)、绿(G)、蓝(B)通道。

1-1)，构建局部对比度权重项：针对图像过度曝光区域的字符边缘纹理细节不明显，算法引入非标准化的稠密SIFT描述符DSIFT来衡量每一幅曝光源图像对应像素点的活动水平，采用“加权平均”的权重分配策略来计算局部对比度的权重项

计算公式如下：

其中,C_i(x，y)为局部对比度权重项指标，

为曝光图像序列的灰度图，DSIFT(.)表示用于计算未归一化稠密SIFT源图像映射的运算符，通过计算每个2*2的单元格中八个方向的直方图来生成描述符，||.||₁表示向量的L1范数。

1-2)，构建亮度权重项：针对工件字符图像过度曝光的区域亮度非常明显，而曝光不足的区域比较暗淡的情况，通常采用亮度的灰度值高低来描述字符区域的过曝光或者欠曝光现象，计算公式如下：

其中，B_i(x，y)表示曝光字符图像序列的亮度权重项，T表示设定的阈值，不少相关研究建议取值为10-30，以消除曝光不均的影响，本算法在实验中实际取值为25。

1-3)，构建饱和度权重项：为了更好的还原多曝光融合图像的色彩信息，通过计算曝光序列图像的饱和度来保证合成工件字符图像的视觉感受，公式如下：

其中，S_i(x，y)表示曝光图像序列的饱和度权重项，

分别表示第i张图像在R、G、B三通道的分量，μ表示对应R、G、B三通道在像素(x，y)处的平均值。

最后，对每一幅曝光源图像，采用局部对比度，亮度，饱和度三个权重项的联合乘积来计算初始权重图W_i(x，y)，计算公式如下：

2)，细化初始权重图：初始权重图通常会在图像处理过程中引入硬噪声和不连续等问题，采用具有实时边缘保持特性的递归滤波来有效地过滤噪声得到细化的权重图，并对细化的权重图进行归一化操作，以保证每个像素所在位置的总和为1。

由于初始权重图通常会在图像处理过程中引入硬噪声及不连续等问题，采用具有实时边缘保持特性的递归滤波来有效地过滤噪声，得到精确平滑的权值图W_i ^r(x，y)，并对对平滑细化过后的权重图进行归一化操作，以保证每个像素所在位置的总和为1，计算公式如下：

W_i ^r(x，y)＝RF(W_i(x，y)，I_i(x，y))

其中，RF(.，.)表示递归滤波器操作，

表示曝光文本字符图像序列的归一化的细化权重图，N表示采集的源曝光字符图像序列的数量，ε表示一个非常小的正数，取值为10^-12。

3)，进行拉普拉斯重构融合：采用拉普拉斯金字塔和高斯金字塔将多曝光源图像序列和递归滤波细化后的权重图进行分解。然后在每一层进行输入图像的拉普拉斯和细化权重图的高斯金字塔混合，最后对融合后的拉普拉斯金字塔图像反变换进行多分辨率重构融合。

为了解决图像融合的接缝问题，采用基于拉普拉斯的图像金字塔重构方法对多张曝光图像进行融合。采用高斯金字塔对源图像进行多尺度分解，对图像进行高斯滤波和下采样操作得到第一层高斯金字塔图像G₁，重复上述操作，依次可以构造出第k层高斯金字塔G_k，公式如下：

其中，pyrDown(.)表示图像的下采样操作，即删除图像所有的偶数行偶数列或者奇数行奇数列，g_5×5表示5×5的高斯内核，

表示卷积操作。

然后，利用相邻层级的高斯金字塔图像进行差值计算得到对应层级的拉普拉斯金字塔图像，先将第k层的高斯金字塔图像G_k进行一次图像上采样和高斯滤波，再将第k-1层的高斯金字塔G_k-1减去上一步操作之后的第k层高斯金字塔图像G_k，得到第l-1层拉普拉斯金字塔图像L_l-1，计算公式如下：

其中，pyrUp(.)表示图像的上采样操作，即图像新增的偶数行、偶数列或者奇数行、奇数列用0填充。

最后利用生成的l-1层拉普拉斯金字塔对源图像进行重构还原，其包含了图像下采样操作过程中丢失的细节信息和不同尺度分解层的特征信息，并将其与高斯金字塔顶层图像G_k由上到下依次进行图像上采样融合，得到拉普拉斯图像金字塔重构融合结果图

在本方法中，取k＝5，计算公式如下：

其中，

表示最底层拉普拉斯重构图，即令最顶层的高斯金字塔图像作为拉普拉斯重构的第一层图像。

本方法对采集的多幅不同曝光文本字符图像序列进行基于多尺度图像金字塔的多曝光图像融合，通过步骤2计算出各幅源图像的归一化权重图

构造出对应归一化权重图的高斯金字塔，再利用得到的权重高斯金字塔作为加权平均系数，与构造出的各幅字符图像的多层拉普拉斯金字塔进行融合，将每一幅字符图像中同一层级对应的联合乘积求和，得到其中一层的融合拉普拉斯系数，根据同层级的加权求和，得到融合拉普拉斯金字塔，公式如下：

其中，F(x，y)表示拉普拉斯重构的融合结果图，l表示图像金字塔多尺度分解的层数，

N表示采集的曝光文本字符图像数量。

然后，根据上式的拉普拉斯重构方法，对融合的拉普拉斯金字塔进行图像重构，得到重构融合结果图F(x，y)。

4)，提取曝光图像细节特征：采用引导滤波对每一幅曝光图像进行细节特征提取，将每一幅曝光图像的细节特征进行融合，进一步增强图像的局部细节。

具体的说，采用引导滤波(GF)对每一幅曝光图像灰度图进行细节特征提取，然后根据曝光工件字符图像序列的亮度权重项对每幅图像提取出的字符细节进行细节融合，计算公式如下：

其中D_i(x，y)表示细节特征图，

表示细节特征融合图，GF(.)表示引导滤波操作，N表示采集的曝光文本字符图像数量。

5)，进行局部细节增强融合：将拉普拉斯金字塔多分辨率重构融合得到的图像和引导滤波提取细节特征融合得到的图像两者进行融合，得到最终的局部细节增强融合结果图。

具体的说，将步骤4得到的细节特征融合图

与步骤3得到的重构融合结果图F(x，y)进行融合得到最终细节增强的曝光融合结果图，计算公式如下：

其中，

表示细节增强的曝光融合结果图，X表示常量值，取1。

以上的具体实施方式仅为本创作的较佳实施例，并不用以限制本创作，凡在本创作的精神及原则之内所做的任何修改、等同替换、改进等，均应包含在本创作的保护范围之内。

Claims (6)

1.一种基于多曝光的工件字符图像局部细节增强融合方法，其特征在于：包括如下工艺步骤：

1)，构建源图像权重项：通过结合像素级对比度、亮度和饱和度三个质量指标来计算每一幅源图像的权重项，提取图像局部细节，构建源图像序列的初始权重图；

2)，细化初始权重图：采用具有实时边缘保持特性的递归滤波来有效地过滤噪声得到细化的权重图，并对细化的权重图进行归一化操作，以保证每个像素所在位置的总和为1；

3)，进行拉普拉斯重构融合：采用拉普拉斯金字塔和高斯金字塔将多曝光源图像序列和递归滤波细化后的权重图进行分解；然后在每一层进行输入图像的拉普拉斯和细化权重图的高斯金字塔混合，最后对融合后的拉普拉斯金字塔图像反变换进行多分辨率重构融合；

4)，提取曝光图像细节特征：采用引导滤波对每一幅曝光图像进行细节特征提取，将每一幅曝光图像的细节特征进行融合，进一步增强图像的局部细节；

5)，进行局部细节增强融合：将拉普拉斯金字塔多分辨率重构融合得到的图像和引导滤波提取细节特征融合得到的图像两者进行融合，得到最终的局部细节增强融合结果图。

2.如权利要求1所述的基于多曝光的工件字符图像局部细节增强融合方法，其特征在于：所示步骤1)具体构建方法如下：令I_i，i＝1，2，...，N表示彩色源图像，将彩色源图像转换为灰度源图像

转换公式如下：

其中

分别表示红(R)、绿(G)、蓝(B)通道；

1-1)，构建局部对比度权重项:针对图像过度曝光区域的字符边缘纹理细节不明显，算法引入非标准化的稠密SIFT描述符DSIFT来衡量每一幅曝光源图像对应像素点的活动水平，采用“加权平均”的权重分配策略来计算局部对比度的权重项

计算公式如下：

其中,C_i(x，y)为局部对比度权重项指标，

为曝光图像序列的灰度图，DSIFT(.)表示用于计算未归一化稠密SIFT源图像映射的运算符，通过计算每个2*2的单元格中八个方向的直方图来生成描述符，||.||₁表示向量的L1范数；

1-2),构建亮度权重项：针对工件字符图像过度曝光的区域亮度非常明显，而曝光不足的区域比较暗淡的情况，通常采用亮度的灰度值高低来描述字符区域的过曝光或者欠曝光现象，计算公式如下：

其中，B_i(x，y)表示曝光字符图像序列的亮度权重项，T表示设定的阈值，取值为10-30；

1-3),构建饱和度权重项：通过计算曝光序列图像的饱和度来保证合成工件字符图像的视觉感受，公式如下：

其中，S_i(x，y)表示曝光图像序列的饱和度权重项，

分别表示第i张图像在R、G、B三通道的分量，μ表示对应R、G、B三通道在像素(x，y)处的平均值；

1-4),对每一幅曝光源图像，采用局部对比度，亮度，饱和度三个权重项的联合乘积来计算初始权重图W_i(x，y)，计算公式如下：

3.如权利要求1所述的基于多曝光的工件字符图像局部细节增强融合方法，其特征在于：所述步骤2)具体为：采用具有实时边缘保持特性的递归滤波来有效地过滤噪，得到精确平滑的权值图W_i ^r(x，y)，并对对平滑细化过后的权重图进行归一化操作，以保证每个像素所在位置的总和为1，计算公式如下：

W_i ^r(x，y)＝RF(W_i(x，y)，I_i(x，y))

其中，RF(.，.)表示递归滤波器操作，

表示曝光文本字符图像序列的归一化的细化权重图，N表示采集的源曝光字符图像序列的数量，ε取值为10^-12。

4.如权利要求1所述的基于多曝光的工件字符图像局部细节增强融合方法，其特征在于：所述步骤3)具体为：采用基于拉普拉斯的图像金字塔重构方法对多张曝光图像进行融合，即采用高斯金字塔对源图像进行多尺度分解，对图像进行高斯滤波和下采样操作得到第一层高斯金字塔图像G₁，重复上述操作，依次可以构造出第k层高斯金字塔G_k，公式如下：

其中，pyrDown(.)表示图像的下采样操作，即删除图像所有的偶数行偶数列或者奇数行奇数列，g_5×5表示5×5的高斯内核，

表示卷积操作；

然后，利用相邻层级的高斯金字塔图像进行差值计算得到对应层级的拉普拉斯金字塔图像，先将第k层的高斯金字塔图像G_k进行一次图像上采样和高斯滤波，再将第k-1层的高斯金字塔G_k-1减去上一步操作之后的第k层高斯金字塔图像G_k，得到第l-1层拉普拉斯金字塔图像L_l-1，计算公式如下：

其中，pyrUp(.)表示图像的上采样操作，即图像新增的偶数行、偶数列或者奇数行、奇数列用0填充；

最后，利用生成的l-1层拉普拉斯金字塔对源图像进行重构还原，其包含了图像下采样操作过程中丢失的细节信息和不同尺度分解层的特征信息，并将其与高斯金字塔顶层图像G_k由上到下依次进行图像上采样融合，得到拉普拉斯图像金字塔重构融合结果图

取k＝5，计算公式如下：

其中，

表示最底层拉普拉斯重构图，即令最顶层的高斯金字塔图像作为拉普拉斯重构的第一层图像；

对采集的多幅不同曝光文本字符图像序列进行基于多尺度图像金字塔的多曝光图像融合，通过步骤2计算出各幅源图像的归一化权重图

构造出对应归一化权重图的高斯金字塔，再利用得到的权重高斯金字塔作为加权平均系数，与构造出的各幅字符图像的多层拉普拉斯金字塔进行融合，将每一幅字符图像中同一层级对应的联合乘积求和，得到其中一层的融合拉普拉斯系数，根据同层级的加权求和，得到融合拉普拉斯金字塔，公式如下：

其中，F(x，y)表示拉普拉斯重构的融合结果图，l表示图像金字塔多尺度分解的层数，N表示采集的曝光文本字符图像数量；

然后，根据上式的拉普拉斯重构方法，对融合的拉普拉斯金字塔进行图像重构，得到重构融合结果图F(x，y)。

5.如权利要求1所述的基于多曝光的工件字符图像局部细节增强融合方法，其特征在于：所述步骤4)具体为：采用引导滤波(GF)对每一幅曝光图像灰度图进行细节特征提取，然后根据曝光工件字符图像序列的亮度权重项对每幅图像提取出的字符细节进行细节融合，计算公式如下：

其中D_i(x，y)表示细节特征图，

表示细节特征融合图，GF(.)表示引导滤波操作，N表示采集的曝光文本字符图像数量。

6.如权利要求1所述的基于多曝光的工件字符图像局部细节增强融合方法，其特征在于：所述步骤5)具体为：将步骤4得到的细节特征融合图

与步骤3得到的重构融合结果图F(x，y)进行融合得到最终细节增强的曝光融合结果图，计算公式如下：

其中，

表示细节增强的曝光融合结果图，X表示常量值，取1。

Images