視網(wǎng)膜圖像分類方法及裝置與流程
本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種視網(wǎng)膜圖像分類方法及裝置。
背景技術(shù)：
醫(yī)學(xué)的發(fā)展與人類的健康密切相關(guān)，因此數(shù)字圖像處理技術(shù)從一開始就引起了生物醫(yī)學(xué)界的濃厚興趣。早在七十年代末就有文獻(xiàn)統(tǒng)計(jì)指出圖像處理的一個(gè)十分廣泛的應(yīng)用場合是醫(yī)學(xué)圖像處理。醫(yī)學(xué)上不論在基礎(chǔ)學(xué)科還是臨床應(yīng)用，都是圖像處理種類極多的領(lǐng)域。但是由于醫(yī)學(xué)圖像的處理技術(shù)難度大，使得很多處理很難達(dá)到臨床實(shí)用化程度。近年來，隨著數(shù)字圖像處理設(shè)備成木的降低，用數(shù)字圖像處理技術(shù)改善各類醫(yī)學(xué)圖像質(zhì)量已達(dá)到實(shí)用階段。
視網(wǎng)膜病變是致盲的主要原因之一。此外，高血壓、腦血管硬化、冠狀動(dòng)脈硬化等心腦血管疾病是目前我國老年人死亡和致殘的主要原因，此類疾病損傷的組織水平首先是在微循環(huán)和微血管層次的變化。眼底視網(wǎng)膜微血管是人體唯一可以非創(chuàng)傷性直接觀察的較深層的微血管，它的改變程度與高血壓等疾病的病程、嚴(yán)重程度及愈后情況密切相關(guān)。通過對(duì)視網(wǎng)膜血管系統(tǒng)的檢查可以發(fā)現(xiàn)高血壓，糖尿病，動(dòng)脈硬化等疾病。
現(xiàn)有技術(shù)中大多通過檢查和評(píng)估視網(wǎng)膜數(shù)字彩色照片，以對(duì)視網(wǎng)膜病變的情況進(jìn)行判斷，非常費(fèi)時(shí)費(fèi)力。因此，現(xiàn)有的亟待解決的技術(shù)問題之一為：如何提供一種高效率、高準(zhǔn)確度的視網(wǎng)膜圖像分類方法。
技術(shù)實(shí)現(xiàn)要素：
為了解決上述技術(shù)問題，本申請一方面提供了一種視網(wǎng)膜圖像分類方法，包括：
獲取樣本視網(wǎng)膜圖像；
提取所述樣本視網(wǎng)膜圖像的感興趣區(qū)域，并提取所述感興趣區(qū)域中的視盤區(qū)域和血管區(qū)域；
提取所述感興趣區(qū)域中的所述視盤區(qū)域以及所述血管區(qū)域之外的區(qū)域的圖像特征，以根據(jù)所述圖像特征訓(xùn)練圖像分類器；
獲取待分類的目標(biāo)視網(wǎng)膜圖像；
提取所述目標(biāo)視網(wǎng)膜圖像的目標(biāo)感興趣區(qū)域，并提取所述目標(biāo)感興趣區(qū)域中的視盤區(qū)域和血管區(qū)域；
提取所述目標(biāo)感興趣區(qū)域中的所述視盤區(qū)域以及所述血管區(qū)域之外的區(qū)域的圖像特征，以根據(jù)所述圖像分類器對(duì)所述目標(biāo)視網(wǎng)膜圖像進(jìn)行分類。
可選地，所述提取所述樣本視網(wǎng)膜圖像的感興趣區(qū)域，包括：
獲取所述樣本視網(wǎng)膜圖像對(duì)應(yīng)的二值化圖像，并對(duì)所述二值化圖像極性膨脹和腐蝕處理，以得到所述感興趣區(qū)域。
可選地，所述提取所述感興趣區(qū)域中的所述視盤區(qū)域以及所述血管區(qū)域之外的區(qū)域的圖像特征，以根據(jù)所述圖像特征訓(xùn)練圖像分類器，包括：
從所述感興趣區(qū)域中的所述視盤區(qū)域以及所述血管區(qū)域之外的區(qū)域中，隨機(jī)提取多個(gè)圖像小塊；
根據(jù)神經(jīng)網(wǎng)絡(luò)算法提取所述多個(gè)圖像小塊的圖像特征，并根據(jù)所述圖像特征確定最終圖像特征，以根據(jù)所述最終圖像特征訓(xùn)練圖像分類器。
可選地，所述提取所述感興趣區(qū)域中的視盤區(qū)域，包括：
對(duì)所述感興趣區(qū)域作高斯金字塔分解，并在分解得到的最后一級(jí)圖像中，以灰度最大的點(diǎn)為視盤中心、以預(yù)設(shè)長度為半徑確定目標(biāo)圓型區(qū)域，以將所述圓形區(qū)域作為所述視盤區(qū)域。
可選地，所述樣本視網(wǎng)膜圖像為RGB三通道圖像；
相應(yīng)地，所述提取所述感興趣區(qū)域中的血管區(qū)域，包括：
首先選取所述三通道圖像中的綠色通道圖像Ig，對(duì)所述綠色通道圖像Ig進(jìn)行開運(yùn)算得到圖像；
對(duì)所述圖像進(jìn)行差值運(yùn)算以及中值濾波得到Igo圖像；
對(duì)所述Igo圖像進(jìn)行開運(yùn)算并與所述Igo圖像進(jìn)行差運(yùn)算得到圖像；
對(duì)所述圖像采用Ostu分割法進(jìn)行分割，得到所述血管區(qū)域。
可選地，所述圖像分類器包括softmax分類器。
另一方面，本發(fā)明還提供了一種視網(wǎng)膜圖像分類裝置，包括：
樣本圖像獲取單元，用于獲取樣本視網(wǎng)膜圖像；
圖像區(qū)域提取單元，用于提取所述樣本視網(wǎng)膜圖像的感興趣區(qū)域，并提取所述感興趣區(qū)域中的視盤區(qū)域和血管區(qū)域；
分類器訓(xùn)練單元，用于提取所述感興趣區(qū)域中的所述視盤區(qū)域以及所述血管區(qū)域之外的區(qū)域的圖像特征，以根據(jù)所述圖像特征訓(xùn)練圖像分類器；
目標(biāo)圖像獲取單元，用于獲取待分類的目標(biāo)視網(wǎng)膜圖像；
目標(biāo)區(qū)域獲取單元，用于提取所述目標(biāo)視網(wǎng)膜圖像的目標(biāo)感興趣區(qū)域，并提取所述目標(biāo)感興趣區(qū)域中的視盤區(qū)域和血管區(qū)域；
目標(biāo)圖像分類單元，用于提取所述目標(biāo)感興趣區(qū)域中的所述視盤區(qū)域以及所述血管區(qū)域之外的區(qū)域的圖像特征，以根據(jù)所述圖像分類器對(duì)所述目標(biāo)視網(wǎng)膜圖像進(jìn)行分類。
可選地，所述圖像區(qū)域提取單元具體用于獲取所述樣本視網(wǎng)膜圖像對(duì)應(yīng)的二值化圖像，并對(duì)所述二值化圖像極性膨脹和腐蝕處理，以得到所述感興趣區(qū)域。
可選地，所述分類器訓(xùn)練單元具體用于：
從所述感興趣區(qū)域中的所述視盤區(qū)域以及所述血管區(qū)域之外的區(qū)域中，隨機(jī)提取多個(gè)圖像小塊；
根據(jù)神經(jīng)網(wǎng)絡(luò)算法提取所述多個(gè)圖像小塊的圖像特征，并根據(jù)所述圖像特征確定最終圖像特征，以根據(jù)所述最終圖像特征訓(xùn)練圖像分類器。
可選地，所述圖像區(qū)域提取單元具體用于對(duì)所述感興趣區(qū)域作高斯金字塔分解，并在分解得到的最后一級(jí)圖像中，以灰度最大的點(diǎn)為視盤中心、以預(yù)設(shè)長度為半徑確定目標(biāo)圓型區(qū)域，以將所述圓形區(qū)域作為所述視盤區(qū)域。
本發(fā)明的視網(wǎng)膜圖像分類方法及裝置，通過提取樣本視網(wǎng)膜圖像的感興趣區(qū)域，并提取所述感興趣區(qū)域中的視盤區(qū)域和血管區(qū)域，再提取所述感興趣區(qū)域中的所述視盤區(qū)域以及所述血管區(qū)域之外的區(qū)域的圖像特征，以根據(jù)所述圖像特征訓(xùn)練圖像分類器，進(jìn)而提取目標(biāo)視網(wǎng)膜圖像的目標(biāo)感興趣區(qū)域，并提取所述目標(biāo)感興趣區(qū)域中的視盤區(qū)域和血管區(qū)域，并提取所述目標(biāo)感興趣區(qū)域中的所述視盤區(qū)域以及所述血管區(qū)域之外的區(qū)域的圖像特征，以根據(jù)所述圖像分類器對(duì)所述目標(biāo)視網(wǎng)膜圖像進(jìn)行分類，可以提高視網(wǎng)膜圖像分類的效率和準(zhǔn)確度，簡單易行，適用范圍廣。
附圖說明
為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
圖1為本發(fā)明一個(gè)實(shí)施例的視網(wǎng)膜圖像分類方法的流程示意圖；
圖2為本發(fā)明一個(gè)實(shí)施例的樣本視網(wǎng)膜圖像；
圖3為本發(fā)明一個(gè)實(shí)施例的感興趣區(qū)域示意圖；
圖4為本發(fā)明一個(gè)實(shí)施例的視盤區(qū)域和血管區(qū)域示意圖；
圖5為本發(fā)明一個(gè)實(shí)施例的視網(wǎng)膜圖像分類裝置的結(jié)構(gòu)示意圖。
具體實(shí)施方式
為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
圖1為本發(fā)明一個(gè)實(shí)施例的視網(wǎng)膜圖像分類方法的流程示意圖；如圖1所示，該方法包括：
S1：獲取樣本視網(wǎng)膜圖像；
舉例來說，首先選取一定數(shù)量(例如N幅)的已知分類的圖像作為訓(xùn)練圖像{(x(1),c(1)),...,(x(N),c(N))}，其中c＝1,2,3,4,5表示類別，每類圖像數(shù)目大致相等。
S2：提取所述樣本視網(wǎng)膜圖像的感興趣區(qū)域，并提取所述感興趣區(qū)域中的視盤區(qū)域和血管區(qū)域；
作為本實(shí)施例的優(yōu)選，本步驟中所述提取所述樣本視網(wǎng)膜圖像的感興趣區(qū)域，可以包括：
獲取所述樣本視網(wǎng)膜圖像對(duì)應(yīng)的二值化圖像，并對(duì)所述二值化圖像極性膨脹和腐蝕處理，以得到所述感興趣區(qū)域。
進(jìn)一步地，作為本實(shí)施例的優(yōu)選，本步驟中所述提取所述感興趣區(qū)域中的視盤區(qū)域，包括：
對(duì)所述感興趣區(qū)域作高斯金字塔分解，并在分解得到的最后一級(jí)圖像中，以灰度最大的點(diǎn)為視盤中心、以預(yù)設(shè)長度為半徑確定目標(biāo)圓型區(qū)域，以將所述圓形區(qū)域作為所述視盤區(qū)域。
舉例來說，對(duì)每個(gè)圖像提取感興趣區(qū)。將彩色數(shù)字圖像轉(zhuǎn)換為灰度圖像，灰度值G采用以公式(1)運(yùn)算：
G＝0.2989*R+0.5870*G+0.1140*B (1)
在此基礎(chǔ)上，將灰度值的最小值映射到0，最大值映射到255，其它值線性拉伸，然后統(tǒng)計(jì)直方圖；獲得該圖像各個(gè)灰度值對(duì)應(yīng)的像素個(gè)數(shù)；再尋找像素c1～c2間，像素?cái)?shù)目最少對(duì)應(yīng)的灰度值，將大于該灰度值的像素值置為1，小于該像素的值置為0，再對(duì)該二值化圖像分別進(jìn)行膨脹和腐蝕運(yùn)算，得到感興趣區(qū)域(參見圖3)；其中，c1優(yōu)選為5到10之間的值，c2優(yōu)選為40到80之間的值；
對(duì)所述圖像進(jìn)行視盤提取；具體地，對(duì)所述圖像進(jìn)行高斯金字塔分解，并在分解得到的最后一級(jí)圖像中取灰度最大的點(diǎn)為視盤中心(即以此為圓心)作半徑為r的圓，該圓形區(qū)域即為視盤區(qū)域(參見圖4)。
S3：提取所述感興趣區(qū)域中的所述視盤區(qū)域以及所述血管區(qū)域之外的區(qū)域的圖像特征，以根據(jù)所述圖像特征訓(xùn)練圖像分類器(如softmax分類器)；
進(jìn)一步地，作為本實(shí)施例的優(yōu)選，所述樣本視網(wǎng)膜圖像為RGB三通道圖像；
相應(yīng)地，本步驟中所述提取所述感興趣區(qū)域中的血管區(qū)域，可以包括：
首先選取所述三通道圖像中的綠色通道圖像Ig，對(duì)所述綠色通道圖像Ig進(jìn)行開運(yùn)算得到圖像；
對(duì)所述圖像進(jìn)行差值運(yùn)算以及中值濾波得到Igo圖像；
對(duì)所述Igo圖像進(jìn)行開運(yùn)算并與所述Igo圖像進(jìn)行差運(yùn)算得到圖像；
對(duì)所述圖像采用Ostu分割法進(jìn)行分割，得到所述血管區(qū)域。
進(jìn)一步地，作為本實(shí)施例的優(yōu)選，步驟S3中所述提取所述感興趣區(qū)域中的所述視盤區(qū)域以及所述血管區(qū)域之外的區(qū)域的圖像特征，以根據(jù)所述圖像特征訓(xùn)練圖像分類器，還可以包括：
從所述感興趣區(qū)域中的所述視盤區(qū)域以及所述血管區(qū)域之外的區(qū)域中，隨機(jī)提取多個(gè)圖像小塊；
根據(jù)神經(jīng)網(wǎng)絡(luò)算法提取所述多個(gè)圖像小塊的圖像特征，并根據(jù)所述圖像特征確定最終圖像特征，以根據(jù)所述最終圖像特征訓(xùn)練圖像分類器。
S4：獲取待分類的目標(biāo)視網(wǎng)膜圖像；
S5：提取所述目標(biāo)視網(wǎng)膜圖像的目標(biāo)感興趣區(qū)域，并提取所述目標(biāo)感興趣區(qū)域中的視盤區(qū)域和血管區(qū)域；
S6：提取所述目標(biāo)感興趣區(qū)域中的所述視盤區(qū)域以及所述血管區(qū)域之外的區(qū)域的圖像特征，以根據(jù)所述圖像分類器對(duì)所述目標(biāo)視網(wǎng)膜圖像進(jìn)行分類。
下面以一具體的實(shí)施例來說明本發(fā)明，但不限定本發(fā)明的保護(hù)范圍。
本實(shí)施例的視網(wǎng)膜圖像分類方法包括以下步驟：
A1：獲取樣本視網(wǎng)膜圖像，其中，所述圖像為彩色數(shù)字圖像(參見圖2)，以R，G，B三個(gè)通道存儲(chǔ)，總共分為五類。首先選取一定數(shù)量(N)的已知分類的圖像作為訓(xùn)練圖像{(x(1),c(1)),...,(x(N),c(N))}，c＝1,2,3,4,5表示類別，且每類圖像數(shù)目大致相等；
A2：對(duì)每個(gè)圖像提取感興趣區(qū)。將彩色數(shù)字圖像轉(zhuǎn)換為灰度圖像，灰度值G采用下面公式(1)運(yùn)算：
G＝0.2989*R+0.5870*G+0.1140*B (1)
將灰度值的最小值映射到0，最大值映射到255，其它值線性拉伸，然后統(tǒng)計(jì)直方圖。獲得該圖像各個(gè)灰度值對(duì)應(yīng)的像素個(gè)數(shù)。尋找像素c1～c2間，像素?cái)?shù)目最少對(duì)應(yīng)的灰度值，將大于該灰度值的像素值置為1，小于該像素的值置為0，再對(duì)該二值圖分別作膨脹和腐蝕運(yùn)算，得到感興趣區(qū)域(參見圖3)，c1可以取為5～10之間的值，c2可以取為40～80之間的值。
A3：對(duì)每幅圖像提取視盤；
具體地，對(duì)所述圖像進(jìn)行高斯金字塔分解，在分解得到的最后一級(jí)圖像中取灰度最大的點(diǎn)為視盤中心(以此為圓心)，作半徑為r的圓，該圓形區(qū)域即為視盤區(qū)域(參見圖4中的圓形區(qū)域)。
A4：對(duì)每幅圖像進(jìn)行血管提??；
具體地，首先選取綠色通道圖像Ig，對(duì)其進(jìn)行開運(yùn)算得到做差值運(yùn)算得到并做中值濾波得到Igo；對(duì)Igo做開運(yùn)算并與Igo做差運(yùn)算得到對(duì)其采用Ostu分割法進(jìn)行分割得到分割結(jié)果(參見圖4)。
A5：剪裁圖像背景區(qū)域，并將其縮放成較小的圖像sx×sy×3，例如128x128x3。
A6：獲取圖像小塊；具體地，對(duì)于每個(gè)縮小的圖像，在感興趣區(qū)內(nèi)避開視盤和血管區(qū)域，隨機(jī)提取n個(gè)圖像小塊，其大小為px×py×3，n大于100。
A7：對(duì)所有的訓(xùn)練分類器的樣本圖像進(jìn)行步驟A2～A6的處理，得到大量的小圖像塊；
A8：從步驟A7中獲得的小圖像塊中學(xué)習(xí)特征；
具體地，采用3層神經(jīng)網(wǎng)絡(luò)，第一層和第三層單元數(shù)目為每個(gè)圖像小塊的像素總和(Np＝px×py×3)，第二層中單元數(shù)目為Y，小于1000，故第一層各個(gè)單元的數(shù)據(jù)為圖像小塊的像素值xi，然后經(jīng)過權(quán)值以及偏移量作為第二層的輸入，得到相應(yīng)的輸出其中，f為sigmoid函數(shù)；將該值作為第三層的輸入，同樣經(jīng)過加權(quán)和偏移計(jì)算得到輸出故總的訓(xùn)練參數(shù)為2Np×Y+Y+Np，訓(xùn)練時(shí)令輸出值近似等于輸入值，即代價(jià)函數(shù)為：對(duì)其優(yōu)化得到對(duì)應(yīng)的參數(shù)值；
A9：特征提?。痪唧w地，步驟A8得到的W1，該特征大小為px×py×3×Y。對(duì)于步驟A5得到的圖像，對(duì)其每個(gè)小塊px×py和上述特征做卷積，得到圖像大小為(sx-px)×(sy-py)+1，卷積特征大小為(sx-px+1)×(sy-py+1)×Y；將該特征劃分到若干個(gè)大小為m×n的不重疊的區(qū)域，取該區(qū)域的均值為最終特征，其大小為Θ＝floor[(sx-px+1)/m]×floor[(sy-py+1)/n]×Y；
A10：采用步驟A9得到的最終特征，訓(xùn)練softmax分類器，對(duì)應(yīng)的代價(jià)函數(shù)為：
訓(xùn)練參數(shù)個(gè)數(shù)c×Θ，λ為一常數(shù)；其中1{值為真的表達(dá)式}＝1，1{值為假的表達(dá)式}＝0；優(yōu)化該代價(jià)函數(shù)使其達(dá)到最小值，得到分類器的各個(gè)參數(shù)
A11：對(duì)于一個(gè)需要判斷類別的圖像I，按步驟A2到A8進(jìn)行處理，得到對(duì)應(yīng)的特征y，長度為Θ，計(jì)算θopty，其最大值對(duì)應(yīng)的類別即為分類結(jié)果。
圖5為本發(fā)明一個(gè)實(shí)施例的視網(wǎng)膜圖像分類裝置的結(jié)構(gòu)示意圖；如圖5所示，該裝置包括：
樣本圖像獲取單元10，用于獲取樣本視網(wǎng)膜圖像；
圖像區(qū)域提取單元20，用于提取所述樣本視網(wǎng)膜圖像的感興趣區(qū)域，并提取所述感興趣區(qū)域中的視盤區(qū)域和血管區(qū)域；
分類器訓(xùn)練單元30，用于提取所述感興趣區(qū)域中的所述視盤區(qū)域以及所述血管區(qū)域之外的區(qū)域的圖像特征，以根據(jù)所述圖像特征訓(xùn)練圖像分類器；
目標(biāo)圖像獲取單元40，用于獲取待分類的目標(biāo)視網(wǎng)膜圖像；
目標(biāo)區(qū)域獲取單元50，用于提取所述目標(biāo)視網(wǎng)膜圖像的目標(biāo)感興趣區(qū)域，并提取所述目標(biāo)感興趣區(qū)域中的視盤區(qū)域和血管區(qū)域；
目標(biāo)圖像分類單元60，用于提取所述目標(biāo)感興趣區(qū)域中的所述視盤區(qū)域以及所述血管區(qū)域之外的區(qū)域的圖像特征，以根據(jù)所述圖像分類器對(duì)所述目標(biāo)視網(wǎng)膜圖像進(jìn)行分類。
本實(shí)施例所述的裝置可以用于執(zhí)行上述方法實(shí)施例，其原理和技術(shù)效果類似，此處不再贅述。
作為本實(shí)施例的優(yōu)選，所述圖像區(qū)域提取單元20可以具體用于獲取所述樣本視網(wǎng)膜圖像對(duì)應(yīng)的二值化圖像，并對(duì)所述二值化圖像極性膨脹和腐蝕處理，以得到所述感興趣區(qū)域。
作為本實(shí)施例的優(yōu)選，所述分類器訓(xùn)練單元30可以具體用于：
從所述感興趣區(qū)域中的所述視盤區(qū)域以及所述血管區(qū)域之外的區(qū)域中，隨機(jī)提取多個(gè)圖像小塊；
根據(jù)神經(jīng)網(wǎng)絡(luò)算法提取所述多個(gè)圖像小塊的圖像特征，并根據(jù)所述圖像特征確定最終圖像特征，以根據(jù)所述最終圖像特征訓(xùn)練圖像分類器。
作為本實(shí)施例的優(yōu)選，所述圖像區(qū)域提取單元20還可以具體用于對(duì)所述感興趣區(qū)域作高斯金字塔分解，并在分解得到的最后一級(jí)圖像中，以灰度最大的點(diǎn)為視盤中心、以預(yù)設(shè)長度為半徑確定目標(biāo)圓型區(qū)域，以將所述圓形區(qū)域作為所述視盤區(qū)域。
本實(shí)施例所述的裝置可以用于執(zhí)行上述方法實(shí)施例，其原理和技術(shù)效果類似，此處不再贅述。
需要說明的是，對(duì)于裝置實(shí)施例而言，由于其與方法實(shí)施例基本相似，所以描述的比較簡單，相關(guān)之處參見方法實(shí)施例的部分說明即可。
以上實(shí)施例僅用于說明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和范圍。
- 還沒有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊！