百度360必应搜狗淘宝本站头条
mqtt服务器xftp6vscode使用技巧mybatiscollectionkeyerror
当前位置：网站首页 > 热门文章 > 正文

基于OpenCV的图像分割处理

bigegpt 2024-08-06 11:49 7 浏览

作者：姚童，Datawhale优秀学习者，华北电力大学

图像阈值化分割是一种传统的最常用的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。它特别适用于目标和背景占据不同灰度级范围的图像。它不仅可以极大的压缩数据量，而且也大大简化了分析和处理步骤，因此在很多情况下，是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。

阈值处理是指剔除图像内像素值高于阈值或者低于阈值得像素点。例如，设定阈值为127，将图像内所有像素值大于127的像素点的值设为255;将图像内所有像素值小于127的像素点的值设为0。

图像阈值化的目的是要按照灰度级，对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域不具有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。

学习目标

  • 了解阈值分割基本概念
  • 理解最大类间方差法（大津法）、自适应阈值分割的原理
  • 掌握OpenCV框架下上述阈值分割算法API的使用

算法理论介绍

阈值处理

threshold函数

OpenCV使用threshold函数实现阈值化处理。

double cv::threshold ( InputArray src,                      OutputArray dst,                      double thresh,                      double maxval,                      int type )

参数：

  • src — 原图像，8或32位浮点类型的Mat。
  • dst — 输出图像，与原始图像具有相同大小和类型。
  • thresh — 要设定的阈值
  • maxval — 当type为THRESH_BINARY或者THRESH_BINARY_INV时，设定的最大值
  • type — 阈值分割的类型
    • THRESH_BINARY；二值化阈值处理：灰度值大于阈值的点，将其灰度值设定为最大值，灰度值小于或等于阈值的点，将其灰度值设定为0
    • THRESH_BINARY_INV；反二值化阈值处理：灰度值大于阈值的点，将其灰度值设定为0，灰度值小于或等于阈值的点，将其灰度值设定为最大值
    • THRESH_TRUNC；截断阈值化处理：灰度值大于阈值的点，将其灰度值设定为阈值，灰度值小于或等于阈值的点，其灰度值保持不变
    • THRESH_TOZERO；低阈值零处理：灰度值大于阈值的点，其灰度值保持不变，灰度值小于或等于阈值的点，将其灰度值设定为0
    • THRESH_TOZERO_INV；高阈值零处理：灰度值大于阈值的点，将其灰度值设定为0，灰度值小于或等于阈值的点，其灰度值保持不变

如下表：

OTSU（大津法）

使用threshold进行阈值处理时，需要自定义一个阈值，并以此阈值作为图像阈值处理的依据 。通常情况下对于色彩均衡的图像，直接将阈值设为127即可，但有时图像灰度级的分布是不均衡的，如果此时还将阈值设为127，那么阈值处理的结果就是失败的。所以需要找出图像的最佳的分割阈值。OTSU就是获得最佳阈值的方法。

OTSU（大津法）是一种确定图像二值化分割阈值的算法，由日本学者大津于1979年提出。从大津法的原理上来讲，该方法又称作最大类间方差法，因为按照大津法求得的阈值进行图像二值化分割后，前景与背景图像的类间方差最大。

它被认为是图像分割中阈值选取的最佳算法，计算简单，不受图像亮度和对比度的影响，因此在数字图像处理上得到了广泛的应用。它是按图像的灰度特性，将图像分成背景和前景两部分。因方差是灰度分布均匀性的一种度量,背景和前景之间的类间方差越大,说明构成图像的两部分的差别越大,当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。

OTSU 是求图像全局阈值的最佳方法，适用于大部分需要求图像全局阈值的场合。

缺点：对图像噪声敏感；只能针对单一目标分割；当图像中的目标与背景的面积相差很大时，表现为直方图没有明显的双峰，或者两个峰的大小相差很大，分割效果不佳，或者目标与背景的灰度有较大的重叠时也不能准确的将目标与背景分开。导致这种现象出现的原因是该方法忽略了图像的空间信息，同时该方法将图像的灰度分布作为分割图像的依据，因而对噪声也相当敏感。所以，在实际应用中，总是将其与其他方法结合起来使用。

图像直方图

效果：

图像直方图：

效果：


OTSU求阈值过程：

假设图像的像素个数为M×N。假设存在阈值T将图像所有像素分为两类C1(像素值小于T)和C2(像素值大于T)。假设图片背景较暗，则C1类为背景，C2类为前景。像素被分为C1和C2类的概率分别为p1、p2。图像中属于C1类的像素个数记作N1，其平均灰度；属于C2类的的像素个数记作N2，其平均灰度为。图像的总平均灰度记为，类间方差记为。

因此有如下关系式：

把带入类间方差公式，化简，可以得到：

L为灰度级数，为灰度级为的像素点数

小于或等于灰度级K的累加均值为：

所以，

类间方差公式可以化为：

求得使最大的灰度级K，就是OTSU的阈值。OTSU方法会遍历所有灰度级，找到最佳阈值。

自适应阈值处理

前面介绍了OTSU算法，但这算法还属于全局阈值法，即整张图片只有一个阈值。所以对于某些光照不均的图像，这种方法无法得到清晰有效的阈值分割结果图像，如下图：

显然，这样的阈值处理结果不是我们想要的，所以需要使用变化的阈值对图像进行分割，这种技术称为自适应阈值处理方式。它的思想不是计算全局图像的阈值，而是根据图像不同区域亮度分布，计算其局部阈值，所以对于图像不同区域，能够自适应计算不同的阈值，因此被称为自适应阈值法。

确定局部阈值的方法：计算每个像素点周围临近区域的加权平均值获得阈值，并使用该阈值对该像素点进行处理。

adaptiveThreshold函数

OpenCV提供了adaptiveThreshold函数实现自适应阈值处理。

void adaptiveThreshold(InputArray src, OutputArray dst,                      double maxValue,                      int adaptiveMethod,                      int thresholdType,                      int blockSize, double C)

参数：

  • src — 原图像，8或32位浮点类型的Mat。必须为单通道灰度图像。
  • dst — 输出图像，与原始图像具有相同大小和类型。
  • maxValue — 像素最大值
  • adaptiveMethod — 自适应方法，只有两种：THRESH_BINARY 和THRESH_BINARY_INV。
  • thresholdType — 阈值计算方式，有两种：
    • ADAPTIVE_THRESH_MEAN_C：计算方法是计算出领域内的像素平均值再减去C的值
    • ADAPTIVE_THRESH_GAUSSIAN_C：计算方法是计算出领域内像素的高斯均值再减去C的值
  • blockSize — 表示一个像素在计算阈值时使用的邻域尺寸，通常为3、5、7。
  • C — 常数，用均值或高斯计算阈值后，再减去C就是最终阈值。

基于OpenCV的实现

c++实现

1. 阈值处理

#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;
int main()
{
//载入图像
Mat img = imread("D:\\yt\\picture\\threshold\\s.jpg");
if (img.empty())
{
cout << "Error: Could not load image" << endl;
return 0;
}
Mat gray;
cvtColor(img, gray, COLOR_BGR2GRAY);//先转为灰度图
Mat dst1,dst2,dst3,dst4,dst5;
threshold(gray, dst1, 127, 255, THRESH_BINARY);//二值化阈值处理
threshold(gray, dst2, 127, 255, THRESH_BINARY_INV);//反二值化阈值处理
threshold(gray, dst3, 127, 255, THRESH_TRUNC);//截断阈值化处理
threshold(gray, dst4, 127, 255, THRESH_TOZERO_INV);//超阈值零处理
threshold(gray, dst5, 127, 255, THRESH_TOZERO);//低阈值零处理
//显示图像
imshow("gray_image", gray);
imshow("THRESH_BINARY", dst1);
imshow("THRESH_BINARY_INV", dst2);
imshow("THRESH_TRUNC", dst3);
imshow("THRESH_TOZERO_INV", dst4);
imshow("THRESH_TOZERO", dst5);
waitKey(0);
return 0;
}


效果

二值化阈值处理：

反二值化阈值处理：

截断阈值化处理：

超阈值零处理：

低阈值零处理：

2. OTSU处理

在OpenCV中，设定参数type为“THRESH_OTSU”即可实现OTSU方式的阈值分割。且设定阈值thresh为0。

#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;
int main()
{
//载入图像
Mat img = imread("D:\\yt\\picture\\threshold\\s.jpg");
if (img.empty())
{
cout << "Error: Could not load image" << endl;
return 0;
}
Mat gray;
cvtColor(img, gray, COLOR_BGR2GRAY);//先转为灰度图
Mat dst;
threshold(gray, dst, 0, 255, THRESH_OTSU);//OTSU

//显示图像
imshow("gray_image", gray);
imshow("THRESH_OTSU", dst);
waitKey(0);
return 0;
}

效果

3. 自适应阈值处理


 #include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;
int main()
{
//载入图像
Mat img = imread("D:\\yt\\picture\\threshold\\1.jpg");
if (img.empty())
{
cout << "Error: Could not load image" << endl;
return 0;
}
Mat gray;
cvtColor(img, gray, COLOR_BGR2GRAY);//先转为灰度图
Mat dst;
adaptiveThreshold(gray, dst, 255, ADAPTIVE_THRESH_MEAN_C, THRESH_BINARY, 7, 10);
//创建窗口，WINDOW_NORMAL使窗口可以自由调节大小
namedWindow("gray_image",WINDOW_NORMAL);
namedWindow("adaptiveThreshold", WINDOW_NORMAL);
//显示图像
imshow("gray_image", gray);
imshow("adaptiveThreshold", dst);

waitKey(0);
return 0;
}

效果

进阶实现(根据原理自己实现)

实现示例（c++)

1. OTSU处理


#include <iostream>
#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>

int Otsu(cv::Mat& src, cv::Mat& dst, int thresh){
const int Grayscale = 256;
int graynum[Grayscale] = { 0 };
int r = src.rows;
int c = src.cols;
for (int i = 0; i < r; ++i){
const uchar* ptr = src.ptr<uchar>(i);
for (int j = 0; j < c; ++j){        //直方图统计
graynum[ptr[j]]++;
}
}

   double P[Grayscale] = { 0 };  
double PK[Grayscale] = { 0 };
double MK[Grayscale] = { 0 };
double srcpixnum = r*c, sumtmpPK = 0, sumtmpMK = 0;
for (int i = 0; i < Grayscale; ++i){
P[i] = graynum[i] / srcpixnum;   //每个灰度级出现的概率
PK[i] = sumtmpPK + P[i];         //概率累计和
sumtmpPK = PK[i];
MK[i] = sumtmpMK + i*P[i];       //灰度级的累加均值                                                                                                                                                                                                                                                                                                                                                                                                        
sumtmpMK = MK[i];
}

//计算类间方差
double Var=0;
for (int k = 0; k < Grayscale; ++k){
if ((MK[Grayscale-1] * PK[k] - MK[k])*(MK[Grayscale-1] * PK[k] - MK[k]) / (PK[k] * (1 - PK[k])) > Var){
Var = (MK[Grayscale-1] * PK[k] - MK[k])*(MK[Grayscale-1] * PK[k] - MK[k]) / (PK[k] * (1 - PK[k]));
thresh = k;
}
}

//阈值处理
src.copyTo(dst);
for (int i = 0; i < r; ++i){
    uchar* ptr = dst.ptr<uchar>(i);
for (int j = 0; j < c; ++j){
if (ptr[j]> thresh)
ptr[j] = 255;
else
ptr[j] = 0;
}
}
return thresh;
}


int main(){
cv::Mat src = cv::imread("D:\\yt\\picture\\threshold\\1.jpg");
if (src.empty()){
return -1;
}
if (src.channels() > 1)
cv::cvtColor(src, src, CV_RGB2GRAY);

cv::Mat dst;
int thresh=0;
double t2 = (double)cv::getTickCount();
thresh=Otsu(src , dst, thresh); //Otsu

cv::namedWindow("src", CV_WINDOW_NORMAL);
cv::imshow("src", src);
cv::namedWindow("dst", CV_WINDOW_NORMAL);
cv::imshow("dst", dst);
cv::waitKey(0);
}

2. 自适应阈值处理


#include <iostream>
#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>

enum adaptiveMethod{meanFilter,gaaussianFilter,medianFilter};

void AdaptiveThreshold(cv::Mat& src, cv::Mat& dst, double Maxval, int Subsize, double c, adaptiveMethod method = meanFilter){

if (src.channels() > 1)
cv::cvtColor(src, src, CV_RGB2GRAY);

cv::Mat smooth;
switch (method)
{
case  meanFilter:
cv::blur(src, smooth, cv::Size(Subsize, Subsize));  //均值滤波
break;
case gaaussianFilter:
cv::GaussianBlur(src, smooth, cv::Size(Subsize, Subsize),0,0); //高斯滤波
break;
case medianFilter:
cv::medianBlur(src, smooth, Subsize);   //中值滤波
break;
default:
break;
}

smooth = smooth - c;

//阈值处理
src.copyTo(dst);
for (int r = 0; r < src.rows;++r){
const uchar* srcptr = src.ptr<uchar>(r);
const uchar* smoothptr = smooth.ptr<uchar>(r);
uchar* dstptr = dst.ptr<uchar>(r);
for (int c = 0; c < src.cols; ++c){
if (srcptr[c]>smoothptr[c]){
dstptr[c] = Maxval;
}
else
dstptr[c] = 0;
}
}

}

int main(){
cv::Mat src = cv::imread("D:\\yt\\picture\\threshold\\1.jpg");
if (src.empty()){
return -1;
}
if (src.channels() > 1)
cv::cvtColor(src, src, CV_RGB2GRAY);

cv::Mat dst;
AdaptiveThreshold(src, dst, 255, 21, 10, meanFilter);

cv::namedWindow("src", CV_WINDOW_NORMAL);
cv::imshow("src", src);
cv::namedWindow("dst", CV_WINDOW_NORMAL);
cv::imshow("dst", dst);
cv::waitKey(0);
}

python实现

与c++不同，python中函数cv2.threshold的返回值有两个

retval,dst = cv2.threshold(src,thresh,maxval,type)
  • retval — 返回的阈值
  • dst — 阈值处理的输出图像

1. 二值化阈值处理


import cv2
if __name__ == "__main__":
   img = cv2.imread('D:/yt/picture/threshold/lena.bmp')
   t,dst1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
   
   # 显示图像
   cv2.imshow("origin image", img)
   cv2.imshow("THRESH_BINARY", dst1)

   # 保存图像
   cv2.imwrite("D:/yt/picture/threshold/THRESH_BINARY.bmp", dst1)
   
   cv2.waitKey(0)
   cv2.destroyAllWindows()

效果

2. 反二值化阈值处理


import cv2
if __name__ == "__main__":
   img = cv2.imread('D:/yt/picture/threshold/lena.bmp')
   t,dst1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)
   
   # 显示图像
   cv2.imshow("origin image", img)
   cv2.imshow("THRESH_BINARY_INV", dst1)
   
   # 保存图像
   cv2.imwrite("D:/yt/picture/threshold/THRESH_BINARY_INV.bmp", dst1)
   cv2.waitKey(0)
   cv2.destroyAllWindows()

效果

3. 截断阈值化处理


import cv2
if __name__ == "__main__":
   img = cv2.imread('D:/yt/picture/threshold/lena.bmp')
   t,dst1 = cv2.threshold(img,127,255,cv2.THRESH_TRUNC)

   # 显示图像
   cv2.imshow("origin image", img)
   cv2.imshow("THRESH_TRUNC", dst1)

   # 保存图像
   cv2.imwrite("D:/yt/picture/threshold/THRESH_TRUNC.bmp", dst1)
   cv2.waitKey(0)
   cv2.destroyAllWindows()

效果

4. 超阈值零处理


import cv2
if __name__ == "__main__":
   img = cv2.imread('D:/yt/picture/threshold/lena.bmp')
   t,dst1 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV)

   # 显示图像
   cv2.imshow("origin image", img)
   cv2.imshow("THRESH_TOZERO_INV", dst1)

   # 保存图像
   cv2.imwrite("D:/yt/picture/threshold/THRESH_TOZERO_INV.bmp", dst1)
   cv2.waitKey(0)
   cv2.destroyAllWindows()

效果

5. 低阈值零处理


import cv2
if __name__ == "__main__":
   img = cv2.imread('D:/yt/picture/threshold/lena.bmp')
   t,dst1 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO)

   # 显示图像
   cv2.imshow("origin image", img)
   cv2.imshow("THRESH_TOZERO", dst1)

   # 保存图像
   cv2.imwrite("D:/yt/picture/threshold/THRESH_TOZERO.bmp", dst1)
   cv2.waitKey(0)
   cv2.destroyAllWindows()

效果

6. OTSU处理

在OpenCV中，给参数type多传递一个参数“THRESH_OTSU”即可实现OTSU方式的阈值分割。且设定阈值thresh为0。


import cv2
import numpy as np
if __name__ == "__main__":
   img = cv2.imread('D:/yt/picture/threshold/tiffany.bmp')
   
   img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#原图像不是灰度图，必须先转换为灰度图
   #普通二值化阈值处理
   t1, dst1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
   #采用OTSU的处理
   t2, dst2 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)

   # 创建窗口
   cv2.namedWindow("origin image",cv2.WINDOW_NORMAL)#cv2.WINDOW_NORMAL使窗口大小可调整
   cv2.namedWindow("THRESH_TOZERO",cv2.WINDOW_NORMAL)
   cv2.namedWindow("THRESH_OTSU",cv2.WINDOW_NORMAL)
   # 显示图像
   cv2.imshow("origin image", img)
   cv2.imshow("THRESH_TOZERO", dst1)
   cv2.imshow("THRESH_OTSU",dst2)

   cv2.waitKey(0)
   cv2.destroyAllWindows()

效果：

7. 自适应阈值处理


import cv2
import numpy as np
if __name__ == "__main__":
   img = cv2.imread('D:/yt/picture/threshold/computer.jpg')
   img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#原图像不是灰度图，必须先转换为灰度图
   #普通二值化阈值处理
   t1, dst1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
   #自适应阈值处理，采用均值计算阈值
   dst2 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,5,3)
   #自适应阈值处理，采用高斯均值计算阈值
   dst3 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,5,3)

   # 创建窗口
   cv2.namedWindow("origin image",cv2.WINDOW_NORMAL)#cv2.WINDOW_NORMAL使窗口大小可调整
   cv2.namedWindow("THRESH_BINARY",cv2.WINDOW_NORMAL)
   cv2.namedWindow("MEAN_C",cv2.WINDOW_NORMAL)
   cv2.namedWindow("GAUSSIAN_C", cv2.WINDOW_NORMAL)
   # 显示图像
   cv2.imshow("origin image", img)
   cv2.imshow("THRESH_BINARY", dst1)
   cv2.imshow("MEAN_C",dst2)
   cv2.imshow("GAUSSIAN_C", dst3)

   cv2.waitKey(0)
   cv2.destroyAllWindows()

效果

相关推荐

最全的MySQL总结，助你向阿里“开炮”(面试题+笔记+思维图)

前言作为一名编程人员，对MySQL一定不会陌生，尤其是互联网行业，对MySQL的使用是比较多的。对于求职者来说，MySQL又是面试中一定会问到的重点，很多人拥有大厂梦，却因为MySQL败下阵来。实际上...

Redis数据库从入门到精通（redis数据库设计）

目录一、常见的非关系型数据库NOSQL分类二、了解Redis三、Redis的单节点安装教程四、Redis的常用命令1、Help帮助命令2、SET命令3、过期命令4、查找键命令5、操作键命令6、GET命...

netcore 急速接入第三方登录，不看后悔

新年新气象，趁着新年的喜庆，肝了十来天，终于发了第一版，希望大家喜欢。如果有不喜欢看文字的童鞋，可以直接看下面的地址体验一下：https://oauthlogin.net/前言此次带来得这个小项目是...

精选 30 个 C++ 面试题(含解析)（c++面试题和答案汇总）

大家好，我是柠檬哥，专注编程知识分享。欢迎关注@程序员柠檬橙，编程路上不迷路，私信发送以下关键字获取编程资源：发送1024打包下载10个G编程资源学习资料发送001获取阿里大神LeetCode...

Oracle 12c系列(一)|多租户容器数据库

作者杨禹航出品沃趣技术Oracle12.1发布至今已有多年，但国内Oracle12C的用户并不多，随着12.2在去年的发布，选择安装Oracle12c的客户量明显增加，在接下来的几年中，Or...

flutter系列之:UI layout简介（flutter-ui-nice）

简介对于一个前端框架来说，除了各个组件之外，最重要的就是将这些组件进行连接的布局了。布局的英文名叫做layout，就是用来描述如何将组件进行摆放的一个约束。在flutter中，基本上所有的对象都是wi...

Flutter 分页功能表格控件（flutter 列表）

老孟导读：前2天有读者问到是否有带分页功能的表格控件，今天分页功能的表格控件详细解析来来。PaginatedDataTablePaginatedDataTable是一个带分页功能的DataTable，...

Flutter | 使用BottomNavigationBar快速构建底部导航

平时我们在使用app时经常会看到底部导航栏,而在flutter中它的实现也较为简单.需要用到的组件:BottomNavigationBar导航栏的主体BottomNavigationBarI...

Android中的数据库和本地存储在Flutter中是怎样实现的

如何使用SharedPreferences？在Android中，你可以使用SharedPreferencesAPI来存储少量的键值对。在Flutter中，使用Shared_Pref...

Flet，一个Flutter应用的实用Python库!

▼Flet：用Python轻松构建跨平台应用！在纷繁复杂的Python框架中，Flet宛如一缕清风，为开发者带来极致的跨平台应用开发体验。它用最简单的Python代码，帮你实现移动端、桌面端...

flutter系列之:做一个图像滤镜（flutter photo）

简介很多时候，我们需要一些特效功能，比如给图片做个滤镜什么的，如果是h5页面，那么我们可以很容易的通过css滤镜来实现这个功能。那么如果在flutter中，如果要实现这样的滤镜功能应该怎么处理呢？一起...

flutter软件开发笔记20-flutter web开发

flutterweb开发优势比较多，采用统一的语言，就能开发不同类型的软件，在web开发中，特别是后台式软件中，相比传统的html5开发，更高效，有点像c++编程的方式，把web设计出来了。一...

Flutter实战-请求封装(五)之设置抓包Proxy

用了两年的flutter，有了一些心得，不虚头巴脑，只求实战有用，以供学习或使用flutter的小伙伴参考，学习尚浅，如有不正确的地方还望各路大神指正，以免误人子弟，在此拜谢~（原创不易，转发请标注来...

为什么不在 Flutter 中使用全局变量来管理状态

我相信没有人用全局变量来管理Flutter应用程序的状态。毫无疑问，我们的Flutter应用程序需要状态管理包或Flutter的基本小部件（例如InheritedWidget或St...

Flutter 攻略(Dart基本数据类型，变量 整理 2)

代码运行从main方法开始voidmain(){print("hellodart");}变量与常量var声明变量未初始化变量为nullvarc;//未初始化print(c)...

一周热门
最近发表
标签列表