CN115908408B - 基于多邻域预测模型的磁芯缺陷检测方法 - Google Patents

Abstract

本发明公开了一种基于多邻域预测模型的磁芯缺陷检测方法，包括：对待学习无缺陷样本图片中的每个像素点设置特征表示区；确定每个像素点的感受野区域，并将该像素点作为感受野区域的中心像素点；对每个中心像素点，在其感受野范围内，找出k个与中心像素点相关度最高的邻域像素点，作为最相关邻域像素点；建立每个中心像素点与其最相关邻域像素点之间的多邻域映射关系，得到多邻域预测模型；调用多邻域预测模型数据对待测图片进行缺陷检测，得到待测图片缺陷检测结果的二值图像；对得到的缺陷检测结果的二值图像进行去噪优化，得到最终缺陷检测图像。本发明只需要对一幅正样本图片进行学习，具有样本需求量少，训练时间快，检测精度高的优点。

Description

基于多邻域预测模型的磁芯缺陷检测方法

技术领域

本发明涉及机器视觉领域，尤其涉及一种基于多邻域预测模型的磁芯缺陷检测方法。

背景技术

在产品生产过程中，由于工艺和环境的复杂性，许多类型的产品不可避免地存在如凹坑、划痕、异物以及掉角等表面缺陷，这些缺陷虽然面积较小，但严重影响了产品质量和性能，甚至会降低产品的使用寿命。因此，产品表面缺陷检测是工业生产的重要环节之一。

传统的通过人工肉眼检测的方式识别产品外观缺陷，并人工剔除有缺陷产品，易受工人主观因素影响，并且检测花费时间长效率低，已经无法满足人们对检测效率及准确度的要求。

近年来，随着机器视觉，人工智能的发展，许多产品的缺陷检测由传统的人工目测转变为使用自动化机器视觉缺陷检测，其中许多基于深度学习的磁芯缺陷检测方法表现优异，然而在实际的生产中，缺陷种类多，实际缺陷样本少，无法满足深度学习需要大量带标签样本数据的需求，不足以利用深度学习的方法进行训练。

发明内容

针对现有技术的不足，本发明提出一种基于多邻域预测模型的磁芯缺陷检测方法，具体技术方案如下：

一种基于多邻域预测模型的磁芯缺陷检测方法，包括以下步骤：

S1：对待学习无缺陷样本图片中的每个像素点设置特征表示区，每个像素点的特征表示区均为以该像素点为中心，包含n个像素点的区域，n为正整数；

S2：确定每个像素点的感受野区域，并将该像素点作为所述感受野区域的中心像素点，所述感受野区域包含m个像素点，m为正整数，且m＞n；

S3：对每个所述中心像素点，在其感受野范围内，找出k个与所述中心像素点相关度最高的邻域像素点，作为最相关邻域像素点，所述k小于m；

S4：建立每个所述中心像素点与其k个所述最相关邻域像素点之间的多邻域映射关系，得到多邻域预测模型；

所述S4通过以下子步骤实现：依次遍历所述待学习无缺陷样本图片的每一个中心像素点，计算该中心像素点和每一个与其对应的k个最相关领域像素点之间的像素差，并将所述像素差进行拟合，得到其高斯分布的均值和方差；将所述中心像素点的坐标、所述中心像素点对应的k个最相关领域像素点的坐标、高斯分布的均值和标准差分别保存；当检测完所有中心像素点后，保存所有中心像素点的坐标、该中心像素点对应的k个最相关领域像素点的坐标、高斯分布的均值和标准差，得到多领域预测模型；

S5：调用所述多邻域预测模型数据对待测图片进行缺陷检测，得到所述待测图片缺陷检测结果的二值图像；

S6：对S5得到的缺陷检测结果的二值图像进行去噪优化，得到最终缺陷检测图像。

进一步地，所述步骤S3具体通过以下步骤实现：

对于某一所述中心像素点p，其特征表示区为U _p ，遍历该中心像素点p的感受野范围内的所有m个像素点，将除p点外的所有像素点令为邻域像素点q _a ，a=1,2,…,m-1，每个所述邻域像素点q _a 的特征表示区为

，每个

内包含n个像素点，U _p 和

的具体表达式如下：

式中，p ₁ 、p ₂ 、p ₃ 、...、p _n 分别表示U _p 中的某一个像素点，q _a1 、q _a2 、q _a3 、...、q _an 分别表示

中的某一个像素点；

采用皮尔逊相关系数判定相关度，计算所述U _p 和

之间的相关性，表达式如下：

式中，

代表U _p 的期望值，

代表

的期望值，

代表U _p 的标准差，

代表

的标准差，

代表U _p 、

之间的协方差，

代表U _p 、

之间的皮尔逊相关系数；

计算m-1个所述皮尔逊相关系数中较大的k个值，得到与所述中心像素点p最相关的前k个所述邻域像素点q _i ，i=1,2,3,…,k。

进一步地，所述步骤S4具体通过以下子步骤实现：

（4.1）依次遍历所述待学习无缺陷样本图片的每一个中心像素点p，其坐标为（x,y），根据所述步骤S3求出每个所述中心像素点p对应的k个所述最相关邻域像素点q _i ，通过以下公式分别求出k对p、q _i 像素对之间的像素差Δ(p,q _i )：

（4.2）对每一个所述中心像素点p，拟合出其与k个所述最相关邻域像素点q _i 的像素差值的高斯分布为：

式中，

表示均值为μ _i 、方差为

的高斯分布；

（4.3）将所述中心像素点p的位置（x,y）、对应的k个所述最相关邻域像素点q _i 的位置（x _i ,y _i ）、两个统计参数μ _i 、σ _i 作为模型参数保存；当检测完所有中心像素点后，保存所有中心像素点的坐标、该中心像素点对应的k个最相关领域像素点的坐标、高斯分布的均值和标准差，得到多领域预测模型。

进一步地，所述步骤S5具体通过以下操作实现：

输入待测图片，设置误差范围参数C，阈值T，计数器初始值count=0；依次遍历所述待测图片中的每个像素点，依次作为所述中心像素点p，根据p的位置在所述步骤S4得到的多邻域预测模型中，找到所述对应的k个最相关邻域像素点q _i 的位置、高斯分布的均值μ _i 、标准差σ _i ；然后依次求出所述待测图片中这k个p、q _i 像素对的像素差，并判断该中心像素点p是否在对应的高斯分布之外，即判断是否有如下公式成立：

若上式（11）成立，则count=count+1，i=i+1，循环计算式（11）；若不成立，则count保持不变，i=i+1，循环计算式（11）；直到i＞k，结束循环；

若循环结束后有

成立，则该中心像素点p判定为缺陷像素，将其像素值置1；若不成立，则该中心像素点p判定为非缺陷像素，将其像素值置0；最终得到整幅所述待测图片缺陷检测结果的二值图像。

进一步地，所述步骤S6具体通过以下子步骤实现：

（6.1）定义一个结构元素B，对所述步骤S5得到的缺陷检测结果的二值图像A进行腐蚀和膨胀操作，消除分散孤立的白色噪点和黑色空洞：

A⊙B={z|(B)z⊆A} （12）

A⊕B={z|(B)z⋂A≠∅} （13）

式中，A⊙B代表使用结构元素B对二值图像A进行腐蚀处理，A⊕B代表使用结构元素B对二值图像A进行膨胀处理；

（6.2）遍历所述二值图像中具有相同像素值并且位置相邻的像素组成的连通域，通过观察真实缺陷区域的面积分布特点，设定是否为噪声的判断阈值T₁，判定包含像素个数S小于阈值T₁的连通域为小面积噪声，将其内包含的像素值置0；反之，则判定所述连通域为真实缺陷，其内包含的像素值保留，具体表达式如下：

式中，p _S 为连通域中的像素值。

本发明的有益效果是：

（1）本发明仅需要一张无缺陷图片进行训练建模，解决了深度学习中大量缺陷样本获取困难、样本标注费时费力的问题，提高了缺陷检测效率，降低了检测成本。

（2）本发明采用像素级的缺陷检测，保证了较高的缺陷检测精度。

附图说明

图1是本发明基于多邻域预测模型的磁芯缺陷检测方法的流程图。

图2是本发明步骤S5的流程图。

图3是本发明实施例1中待学习和待检测的图片，其中（a）为无缺陷的待学习图片，（b）为有掉皮缺陷的磁芯图片，（c）为有粘底缺陷的磁芯图片，（d）为有杂质缺陷的磁芯图片。

图4是本发明实施例1中对无缺陷的待学习图片中的其中一个像素点设置特征表示区和感受野的示意图。

图5是本发明实施例1中对图3中对应图片的缺陷检测结果，其中（a）为无缺陷磁芯图片的缺陷检测结果，（b）为有掉皮缺陷的磁芯图片的缺陷检测结果，（c）为有粘底缺陷的磁芯图片的缺陷检测结果，（d）为有杂质缺陷的磁芯图片的缺陷检测结果。

图6是本发明实施例2中对布匹、太阳能电池板、皮革的缺陷检测结果，其中（a1）为布匹缺陷检测的待学习图片，（a2）为布匹缺陷检测的待测图片，（a3）为布匹缺陷检测的检测结果；（b1）为太阳能电池板缺陷检测的待学习图片，（b2）为太阳能电池板缺陷检测的待测图片，（b3）为太阳能电池板缺陷检测的检测结果；（c1）为皮革缺陷检测的待学习图片，（c2）为皮革缺陷检测的待测图片，（c3）为皮革缺陷检测的检测结果。

具体实施方式

下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明为一种基于多邻域预测模型的磁芯缺陷检测方法，具体包括以下步骤：

S1：对待学习无缺陷样本图片中的每个像素点p设置特征表示区U _p 。特征表示区U _p 为以某一个像素点p为中心像素点，包含n个像素点的微小区域，n为正整数，表达式为：

S2：确定每个像素点p的感受野区域。将该像素点p作为该感受野区域的中心像素点，感受野为以中心像素点p为中心，包含m个像素点且包含诸多相似特征的较大区域，其中m为正整数，且m>n。

S3：对每个中心像素点p，在其感受野范围内，找出k个与其相关度最高的邻域像素点q。

对于某一中心像素点p，其特征表示区为U _p ，遍历该像素点p的感受野范围内的所有m个像素点，将除p点外的所有像素点记为邻域像素点q _a ，a=1,2,…,m-1，每个邻域像素点q _a 的特征表示区为

，将其作为候选邻域，其中包含n个像素点，表达式为：

式中，p ₁ 、p ₂ 、p ₃ 、...、p _n 分别表示U _p 中的某一个像素点，q _a1 、q _a2 、q _a3 、...、q _an 分别表示

中的某一个像素点。

本发明采用皮尔逊相关系数判定相关度，皮尔逊相关系数是以两变量与各自平均值的离差为基础，通过两个离差相乘来反映两变量之间相关程度，皮尔逊相关系数越大，两变量的相关程度越高；皮尔逊相关系数越小，两变量的相关程度越低。皮尔逊相关系数ω(X,Y)的表达式如下：

式中，X为变量一，Y为变量二，Cov(X,Y)为X与Y协方差，Var[X]为X的方差，Var[Y]为Y的方差。

现将U _p 看作式（3）中的X，m-1个候选邻域

分别看作式（3）中的Y，通过以下公式求得皮尔逊相关系数来度量U _p 和

之间的相关性：

式中，

代表U _p 的期望值，

代表

的期望值，

代表U _p 的标准差，

代表

的标准差，

代表U _p 、

之间的协方差，

代表U _p 、

之间的皮尔逊相关系数；

计算m-1个皮尔逊相关系数中较大的k个值，得到与中心像素点p最相关的前k个邻域像素点q _i ，i=1,2,3,…,k：将计算得到的m-1个皮尔逊相关系数按降序排列，再通过如下表达式即可得到与所述中心像素点p最相关的前k个所述邻域像素点：

式中，U_q为降序排列的皮尔逊相关系数最大的k个值对应的U_qi的集合，

S4：建立每个中心像素点p与其k个最相关邻域像素点qi之间的多邻域映射关系，得到多邻域预测模型。

具体通过以下子步骤实现：

（4.1）依次遍历待学习无缺陷样本图片的每一个中心像素点p，其坐标为（x,y），根据步骤S3求出每个中心像素点p对应的k个最相关邻域像素点q _i ，通过以下公式分别求出k对p、q _i 像素对之间的像素差Δ(p,q _i )：

（4.2）对每一个中心像素点p，拟合出其与k个最相关邻域像素点q _i 的像素差值高斯分布：

式中，N(μ _i ,σ _i )表示均值为μ _i 、方差为σ _i ² 的高斯分布；

（4.3）将中心像素点p的位置（x,y）、对应的k个最相关邻域像素点q _i 的位置（x _i , y _i ）、两个统计参数μ _i 、σ _i 作为模型参数存入存储表格中的一行。当待学习无缺陷样本图片的每一个中心像素点p对应的数据都存入存储表格后，即完成多邻域预测模型的构建。

S5：调用多邻域预测模型对待测图片进行缺陷检测，得到待测图片缺陷检测结果的二值图像。

如图2所示，输入待测图片，设置误差范围参数C，阈值T，计数器初始值count=0，依次遍历待测图片中的每个像素点，依次作为中心像素点p，根据p的位置在步骤S4得到的多邻域预测模型中，找到对应的k个最相关邻域像素点q _i 的位置、高斯分布的均值μ _i 、方差

σ_i ²；然后依次求出待测图片中这k个p、q _i 像素对的像素差，并判断该中心像素点p是否在对应的高斯分布之外，即判断是否有如下公式成立：

若上式（13）成立，则count=count+1，i=i+1，循环计算式（13）；若不成立，则count保持不变，i=i+1，循环计算式（13）；直到i＞k，结束循环。

若循环结束后有

成立，则该中心像素点p判定为缺陷像素；若不成立，则该中心像素点p判定为非缺陷像素。对于缺陷像素，将其像素值置1；对于非缺陷像素，将其像素值置0。最终得到整幅待测图片缺陷检测结果的二值图像。

S6：对检测结果进行去噪优化，得到最终缺陷检测图像。

去噪优化的目的是消除步骤S5得到的缺陷检测结果的二值图像中存在的噪声，这些噪声是分散在二值图像各处的、由于非缺陷像素被误检为缺陷像素，而产生的白色噪点，以及少量缺陷像素被误检为非缺陷像素，使得检测出的缺陷区域出现的黑色空洞，根据这些噪声区别于真实缺陷的分散稀疏的特点，采用去除小连通域以及图像形态学操作中的腐蚀膨胀操作，将它们全部去除，具体操作如下：

（6.1）定义一个结构元素B，然后根据以下公式对步骤S5得到的缺陷检测结果的二值图像A进行腐蚀和膨胀操作，消除分散孤立的白色噪点和黑色空洞：

A⊙B={z|(B)z⊆A} （14）

A⊕B={z|(B)z⋂A≠∅} （15）

式中，A⊙B代表使用结构元素B对二值图像A进行腐蚀处理，A⊕B代表使用结构元素B对二值图像A进行膨胀处理。

（6.2）在（6.1）的基础上遍历二值图像中具有相同像素值并且位置相邻的像素组成的连通域，通过观察真实缺陷区域的面积分布特点，设定阈值T₁，判定包含像素个数S小于阈值T₁的连通域为小面积噪声，将其内包含的像素值置0；包含像素个数S大于阈值T₁的连通域为真实缺陷，其内包含的像素值保留，具体表达式如下：

式中，S为连通域所包含的像素个数，T₁为判断是否为噪声的设定阈值，p_s为连通域中的像素值。

下面通过几个具体实施例验证本发明基于多邻域预测模型的磁芯缺陷检测方法的检测效果。

实施例1

基于多邻域预测模型的磁芯缺陷检测方法的具体步骤如下：

S1：采用如图3中的（a）所示的磁芯图片作为待学习无缺陷样本，该图片的大小为296×296，对图片上的每个像素点p，其特征表示区U _p 设置为以该像素点p为中心的包含9个像素点的矩形区域。

S2：对图片上的每个像素点p，其感受野为以该像素点p为中心的101×101的范围区域。以某一像素点p为例，得到其感受野和特征表示区U _p 之间的关系如图4所示。

S3：对每个中心像素点p，选取其感受野范围内的10个相关度最高的邻域像素点q _i ，i=1,2,3,…,10，得到该中心像素点p的最相关邻域。为了避免所求得的最相关邻域过于聚集在某一区域，本实例设置各邻域之间的距离为10，此时每一个中心像素点p在其感受野范围内的候选邻域个数为100，在这100个候选邻域中找到10个相关度最高的候选领域，这10个相关度最高的候选领域的中心像素点即为最相关邻域像素点。

S4：建立每个中心像素点p与其10个最相关邻域像素点q _i 之间的多邻域映射关系，并将所有中心像素点p的坐标、该中心像素点p对应的10个最相关领域像素点的坐标、高斯分布的均值和标准差保存，得到多邻域预测模型。

S5：输入如图3中的（b）、（c）、（d）所示的待测图片，设置误差范围参数C=2，阈值T=0.5，调用多邻域预测模型数据对待测图片进行缺陷检测，得到待测图片缺陷检测结果的二值图像。

S6：对步骤S5得到的二值图像进行去噪优化，腐蚀膨胀处理中，所用结构元素B为3×3的十字形矩形；去除小连通域的处理过程中，分析真实缺陷的分布特点，设置阈值T₁=30，得到最终的缺陷检测结果如图5所示。

实施例2

为进一步验证本发明对图案纹理比较规则、相对简单的产品表面图片的缺陷检测具有通用性、有效性，本实施例分别在布匹、太阳能电池板、皮革这几个数据集上，使用与实施例1相同的缺陷检测方法进行了测试，测试结果如图6所示。结果表明，除对磁芯进行缺陷检测外，本发明同样适用于产品表面图案纹理比较规则、相对简单的领域，能有效检测出产品表面缺陷。

综上所述，本发明通过检测产品表面图片非缺陷像素对之间、非缺陷与缺陷像素对之间的差异，分析学习无缺陷样本中每个像素点与其邻域的像素点的差异特征，并建立稳定的多邻域映射关系，得到多邻域预测模型；在检测时，只需要判断目标像素点及其邻域是否符合这种多领域映射关系，就可以实现样本的缺陷检测与识别。本发明可以快速有效地检测出产品表面缺陷，且对于表面图案纹理比较规则、相对简单的产品具有较高的适用性。

本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。

Claims (5)

1.一种基于多邻域预测模型的磁芯缺陷检测方法，其特征在于，包括以下步骤：

S1：对待学习无缺陷样本图片中的每个像素点设置特征表示区，每个像素点的特征表示区均为以该像素点为中心，包含n个像素点的区域，n为正整数；

S2：确定每个像素点的感受野区域，并将该像素点作为所述感受野区域的中心像素点，所述感受野区域包含m个像素点，m为正整数，且m＞n；

S3：对于某一所述中心像素点p，其特征表示区为U_p，遍历该中心像素点p的感受野范围内的所有m个像素点，将除p点外的所有像素点令为邻域像素点q_a，a＝1，2，...，m-1，每个所述邻域像素点q_a的特征表示区为

每个

内包含n个像素点；计算所述U_p和

之间的相关度，从而找出k个与所述中心像素点相关度最高的邻域像素点，作为最相关邻域像素点，所述k小于m；

S4：建立每个所述中心像素点与其k个所述最相关邻域像素点之间的多邻域映射关系，得到多邻域预测模型；

所述S4通过以下子步骤实现：依次遍历所述待学习无缺陷样本图片的每一个中心像素点，计算该中心像素点和每一个与其对应的k个最相关领域像素点之间的像素差，并将所述像素差进行拟合，得到其高斯分布的均值和方差；将所述中心像素点的坐标、所述中心像素点对应的k个最相关领域像素点的坐标、高斯分布的均值和标准差分别保存；当检测完所有中心像素点后，保存所有中心像素点的坐标、该中心像素点对应的k个最相关领域像素点的坐标、高斯分布的均值和标准差，得到多领域预测模型；

S5：调用所述多邻域预测模型数据对待测图片进行缺陷检测，得到所述待测图片缺陷检测结果的二值图像；

S6：对S5得到的缺陷检测结果的二值图像进行去噪优化，得到最终缺陷检测图像。

2.根据权利要求1所述的基于多邻域预测模型的磁芯缺陷检测方法，其特征在于，所述步骤S3具体通过以下步骤实现：

U_p和

的具体表达式如下：

U_p＝{p₁，p₂，p₃，…，p_n} (1)

式中，p₁、p₂、p₃、...、p_n分别表示U_p中的某一个像素点，q_a1、q_a2、q_a3、...、q_an分别表示

中的某一个像素点；

采用皮尔逊相关系数判定相关度，计算所述U_p和

之间的相关度，表达式如下：

式中，

代表U_p的期望值，

代表

的期望值，

代表U_p的标准差，

代表

的标准差，

代表U_p、

之间的协方差，

代表U_p、

之间的皮尔逊相关系数；

计算m-1个所述皮尔逊相关系数中较大的k个值，得到与所述中心像素点p最相关的前k个所述邻域像素点q_i，i＝1，2，3，...，k。

3.根据权利要求2所述的基于多邻域预测模型的磁芯缺陷检测方法，其特征在于，所述步骤S4具体通过以下子步骤实现：

(4.1)依次遍历所述待学习无缺陷样本图片的每一个中心像素点p，其坐标为(x，y)，根据所述步骤S3求出每个所述中心像素点p对应的k个所述最相关邻域像素点q_i，通过以下公式分别求出k对p、q_i像素对之间的像素差Δ(p，q_i)：

(4.2)对每一个所述中心像素点p，拟合出其与k个所述最相关邻域像素点q_i的像素差值的高斯分布为：

Δ(p，q_i)～N(μ_i，σ_i) (10)

式中，N(μ_i，σ_i)表示均值为μ_i、方差为σ_i ²的高斯分布；

(4.3)将所述中心像素点p的位置(x，y)、对应的k个所述最相关邻域像素点q_i的位置(x_i，y_i)、两个统计参数μ_i、σ_i作为模型参数保存；当检测完所有中心像素点后，保存所有中心像素点的坐标、该中心像素点对应的k个最相关领域像素点的坐标、高斯分布的均值和标准差，得到多领域预测模型。

4.根据权利要求3所述的基于多邻域预测模型的磁芯缺陷检测方法，其特征在于，所述步骤S5具体通过以下操作实现：

输入待测图片，设置误差范围参数C，阈值T，计数器初始值count＝0；依次遍历所述待测图片中的每个像素点，依次作为所述中心像素点p，根据p的位置在所述步骤S4得到的多邻域预测模型中，找到所述对应的k个最相关邻域像素点q_i的位置、高斯分布的均值μ_i、标准差σ_i；然后依次求出所述待测图片中这k个p、q_i像素对的像素差，并判断该中心像素点p是否在对应的高斯分布之外，即判断是否有如下公式成立：

|Δ(p，q_i)-μ_i|＞(C*σ_i)_{i＝1，2，…，k} (11)

若上式(11)成立，则count＝count+1，i＝i+1，循环计算式(11)；若不成立，则count保持不变，i＝i+1，循环计算式(11)；直到i＞k，结束循环；

若循环结束后有

成立，则该中心像素点p判定为缺陷像素，将其像素值置1；若不成立，则该中心像素点p判定为非缺陷像素，将其像素值置0；最终得到整幅所述待测图片缺陷检测结果的二值图像。

5.根据权利要求4所述的基于多邻域预测模型的磁芯缺陷检测方法，其特征在于，所述步骤S6具体通过以下子步骤实现：

(6.1)定义一个结构元素B，对所述步骤S5得到的缺陷检测结果的二值图像A进行腐蚀和膨胀操作，消除分散孤立的白色噪点和黑色空洞：

式中，A⊙B代表使用结构元素B对二值图像A进行腐蚀处理，

代表使用结构元素B对二值图像A进行膨胀处理；

(6.2)遍历所述二值图像中具有相同像素值并且位置相邻的像素组成的连通域，通过观察真实缺陷区域的面积分布特点，设定是否为噪声的判断阈值T₁，判定包含像素个数S小于阈值T₁的连通域为小面积噪声，将其内包含的像素值置0；反之，则判定所述连通域为真实缺陷，其内包含的像素值保留，具体表达式如下：

式中，p_S为连通域中的像素值。

Images