面向縣域遙感尺度的農作物種植面積信息提取方法及裝置與流程
本發明定量遙感影像信息提取領域，具體涉及一種面向縣域遙感尺度的農作物種植面積信息提取方法及裝置。
背景技術：
糧食安全是人類21世紀面臨的主要挑戰。全球人口到2050年將突破90億，如何確保90億人口的糧食供給，農業在未來40年面臨著前所未有的壓力。
縣域作為國家統計局農作物統計最基準的統計單元，精準的掌握糧食作物的數量，尤其是其空間位置分布信息，是關系到國家糧食安全，可為農業生產、產量估算、糧食價格預測和國家糧食生產布局及規劃提供科學重要依據。
縣域遙感尺度的農作物種植面積信息提取，目前多基于高空間分辨率衛星影像(GF、SPOT、QuickBird、WorldView等)進行提取，常用分類算法包括監督分類(最大似然法、神經網絡、支持向量機、決策樹)、面向對象分類等，多數情況基于單一時相對地物類別進行識別分析。對比分析兩大類分類算法，基于像元的監督分類算法，分類結果容易產生“椒鹽”效應；而基于地塊尺度的面向對象分類在很大程度上可以消除“椒鹽”效應，但受單一影像的光譜信息不豐富的影響，很難同時將不同作物類型區分開。因此，如何快速、準確的識別出縣域遙感尺度的農作物種植面積信息成為遙感分類技術的難點。
技術實現要素：
技術問題是如何提高縣域遙感尺度農作物種植面積提取的精度。
有鑒于此，本發明實施例提供一種面向縣域遙感尺度的農作物種植面積信息提取方法及裝置用于解決技術問題。
問題的解決方案
本發明提供了一種面向縣域遙感尺度的農作物種植面積信息提取方法，包括步驟：
準備經正射校正處理后的正射影像圖；
根據地物紋理、形狀特征，設定分割尺度參數，選擇最佳的分割尺度進行尺度分割，使得分割后地塊為同一地物屬性；
選擇具有典型代表的地塊作為樣本對象；
建立隸屬度函數，至少包括植被指數特征函數、紋理特征函數、形狀特征函數；
規則分類預覽；
農作物種植面積信息提取；
保存分類結果。
進一步的，所述正射影像圖包括第一影像時相圖、第二影像時相圖和第三影像時相圖；
所述農作物種植面積信息提取方法循環針對第一影像時相圖、第二影像時相圖和第三影像時相圖進行農作物種植面積信息提取，具體包括如下步驟：
第一次輸入第一影像時相圖，基于面向對象分類算法，進行耕地信息提取，與非耕地信息區分開來；
第二次輸入第二影像時相圖，結合耕地信息提取結果，基于面向對象分類算法，基于光譜特征、紋理特征及形狀特征，進行旱地信息提取，耕地層分為水稻田和旱地；
第三次輸入第三影像時相圖，結合旱地信息提取結果，基于第三影像時相圖不同作物的光譜特征及植被指數差異，將旱地信息至少細化為第一旱地作物和第二旱地作物。即以面向對象分類算法、從基于光譜特征、紋理特征及形狀特征、不同作物的光譜特征及植被指數差異等方面對遙感影像數據進行處理，更快速而準確的識別出縣域遙感尺度的農作物種植面積信息。
進一步的，合并所有的提取結果，獲得精確的農作物和地物類型信息，分類結果為，農作物包括水稻、玉米和大豆，地物類型包括水體、建筑、裸地、林地及道路。
進一步的，所述選擇最佳的分割尺度進行尺度分割的步驟包括過程：
分割尺度參數設置：
將一幅M×N陣列的數字圖像劃分為若干個互不相交疊區域；
運用多尺度分割算法以生成高度同質性(或異質性最小)的影像分割區域，從而適于最佳分離和表示地物目標；
分割設置的主要參數至少包括最大尺度數、分割的尺度間隔、最大尺度、顏色、平滑度、無效值設置；
對分割效果進行檢查，若效果未能達到預設的標準，則重復尺寸分割的步驟。多尺度分割是對影像對象提取的一個專利技術；多尺度影像分割采用異質性最小的區域合并算法；
對分割效果進行檢查,可以減少后續步驟中誤差的偏差擴大化,具體的，若此處存在誤差,那么在經過建立隸屬度函數等步驟處理后，誤差將擴大化，繼而導致信息提取結果存在較大偏差。
進一步的，所述建立隸屬度函數的步驟包括過程：
提供亮度因子、均值因子、方差因子；
提供面積特征因子、邊界指數特征因子、邊界長度特征因子、緊致度特征因子、長特征因子、寬特征因子、長寬比特征因子和形狀指數特征因子；
提供相鄰關系因子、鄰接關系因子、父子關系因子；
提供紋理因子；支持輔助數據；
自定義編輯公式形成特征因子。用于面向對象分類的對象特征包括：光譜特征、形狀特征、紋理特征。執行完多尺度分割生成影像對象同質圖后，特征列表和對象特征值列表即被激活。特征列表是一個非常強大的工具，用來發現區分不同影像對象類的特征；
所述規則分類預覽的步驟中包括過程：檢驗分類效果，若效果未能達到預設的標準，則返回建立隸屬度函數的步驟。其中，檢查分割結果中，對分割后的影像進行檢查，是為了保證影像分割生成的多邊形對象內部的同質性和相鄰多邊形對象的異質性適宜程度。其中，規則分類預覽的效果檢驗可以使用目視檢驗，也可以使用其他方法；而進行分類效果檢驗，過關才能繼續下一步驟，可以提高信息提取的精度。
進一步的，所述保存分類結果中，結果類型包括矢量和柵格兩種格式。
本發明還提供了一種使用了本發明任一公開的農作物種植面積信息提取方法的面向縣域遙感尺度的農作物種植面積信息提取裝置，包括：
正射模塊，用于準備正射校正處理后的正射影像圖；
尺度分割模塊，用于根據地物紋理、形狀特征，設定分割尺度參數，選擇最佳的分割尺度進行尺度分割，使得分割后地塊為同一地物屬性；
樣本選取模塊，用于選擇具有典型代表的地塊作為樣本對象；
隸屬度函數建立模塊，用于建立隸屬度函數，至少包括植被指數特征函數、紋理特征函數、形狀特征函數；
分類預覽模塊，用于規則分類預覽；
信息提取模塊，用于農作物種植面積信息提取；
存儲模塊，用于保存分類結果。
本發明的有益效果：
采用上述技術方案，本發明/發明至少可取得下述技術效果：
本發明由于根據地物紋理、形狀特征等進行了尺度分割，故而能夠確保同一地塊高度同質性(或異質性最小)，并且依據隸屬度函數進行了分類，提高了地物識別精度；如此，本發明即具備了面向對象分類算法在處理高分影像中的優勢，并同時因為正射影像具備多時相而具備了多時相影像豐富的光譜信息優勢，極大的提高了縣域遙感尺度農作物種植面積信息提取精度。
附圖說明
為了更清楚地說明本發明實施例中的技術方案，下面將對本發明實施例描述中所需要使用的附圖作簡單的介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據本發明實施例的內容和這些附圖獲得其他的附圖。
圖1是面向縣域遙感尺度的農作物種植面積信息提取方法的流程圖；
圖2是多時相地物分類流程圖；圖3是與鄰域反差圖；
圖4是邊界指數圖；
圖5是邊界長度圖；
圖6是形狀指數圖；
圖7是圖像灰度共生矩陣圖；
圖8是面向縣域遙感尺度的農作物種植面積信息提取裝置的示意圖。
貫穿附圖，應該注意的是，相似的標號用于描繪相同或相似的元件、特征和結構。
具體實施方式
提供以下參照附圖的描述來幫助全面理解由權利要求及其等同物限定的本公開的各種實施例。以下描述包括幫助理解的各種具體細節，但是這些細節將被視為僅是示例性的。因此，本領域普通技術人員將認識到，在不脫離本公開的范圍和精神的情況下，可對本文所述的各種實施例進行各種改變和修改。另外，為了清晰和簡潔，公知功能和構造的描述可被省略。
以下描述和權利要求書中所使用的術語和詞匯不限于文獻含義，而是僅由發明人用來使本公開能夠被清晰和一致地理解。因此，對于本領域技術人員而言應該明顯的是，提供以下對本公開的各種實施例的描述僅是為了示例性目的，而非限制由所附權利要求及其等同物限定的本公開的目的。
應該理解，除非上下文明確另外指示，否則單數形式也包括復數指代。因此，例如，對“組件表面”的引用包括對一個或更多個這樣的表面的引用。
圖1是本實施例一種面向縣域遙感尺度的農作物種植面積信息提取方法的流程圖。參考圖1，一種面向縣域遙感尺度的農作物種植面積信息提取方法的示意圖：該方法，包括步驟：
S1：準備經正射校正處理后的正射影像圖；
S2：根據地物紋理、形狀特征，設定分割尺度參數，選擇最佳的分割尺度進行尺度分割，使得分割后地塊為同一地物屬性；
S3：選擇具有典型代表的地塊作為樣本對象；
S4：建立隸屬度函數，至少包括植被指數特征函數、紋理特征函數、形狀特征函數；
S5：規則分類預覽；
S6：農作物種植面積信息提取；
S7：保存分類結果。
采用上述技術方案，本發明/發明至少可取得下述技術效果：
本發明由于根據地物紋理、形狀特征等進行了尺度分割，故而能夠確保同一地塊高度同質性(或異質性最小)，并且依據隸屬度函數進行了分類，提高了地物識別精度；如此，本發明即具備了面向對象分類算法在處理高分影像中的優勢，并同時因為正射影像具備多時相而具備了多時相影像豐富的光譜信息優勢，極大的提高了縣域遙感尺度農作物種植面積信息提取精度。
其中，正射影像圖可以分為第一影像時相圖、第二影像時相圖和第三影像時相圖。
圖2是多時相地物分類流程圖，參考圖2可知，本實施例優選的，正射影像圖包括第一影像時相圖、第二影像時相圖和第三影像時相圖；
農作物種植面積信息提取方法循環針對第一影像時相圖、第二影像時相圖和第三影像時相圖進行農作物種植面積信息提取，具體包括如下步驟：
第一次輸入第一影像時相圖，基于面向對象分類算法，進行耕地信息提取，與非耕地信息區分開來；
第二次輸入第二影像時相圖，結合耕地信息提取結果，基于面向對象分類算法，基于光譜特征、紋理特征及形狀特征，進行旱地信息提取，耕地層分為水稻田和旱地；
第三次輸入第三影像時相圖，結合旱地信息提取結果，基于第三影像時相圖不同作物的光譜特征及植被指數差異，將旱地信息至少細化為第一旱地作物和第二旱地作物。即，重復步驟S1-S7，以面向對象分類算法、從基于光譜特征、紋理特征及形狀特征、不同作物的光譜特征及植被指數差異等方面對遙感影像數據進行處理，更快速而準確的識別出縣域遙感尺度的農作物種植面積信息。
本實施例優選的，合并所有的提取結果，獲得精確的農作物和地物類型信息，分類結果為，農作物包括水稻、玉米和大豆，地物類型包括水體、建筑、裸地、林地及道路。。獲得精確的農作物和地物類型信息。其中，時相1即第一影像時相圖，依次類推；其中，旱地作物1即第一旱地作物，依次類推。
本實施例優選的，選擇最佳的分割尺度進行尺度分割的步驟包括過程：
分割尺度參數設置：
將一幅M×N陣列的數字圖像劃分為若干個互不相交疊區域；
運用多尺度分割算法以生成高度同質性(或異質性最小)的影像分割區域，從而適于最佳分離和表示地物目標；
分割設置的主要參數至少包括最大尺度數、分割的尺度間隔、最大尺度、顏色、平滑度、無效值設置；
對分割效果進行檢查，若效果未能達到預設的標準，則重復尺寸分割的步驟。影像分割區域即影像對象，多尺度分割是對影像對象提取的一個專利技術；多尺度影像分割采用異質性最小的區域合并算法。對分割效果進行檢查,可以減少后續步驟中誤差的偏差擴大化,具體的，若此處存在誤差,那么在經過建立隸屬度函數等步驟處理后，誤差將擴大化，繼而導致信息提取結果存在較大偏差。
多尺度分割是對影像對象提取的一個專利技術。它可以以不同尺度、高質量的提取影像對象(粗和細的級別)。這種技術適合具有紋理信息的影像，例如SAR、高分辨率衛星影像或者航空數據。它適合于根據特定的任務從影像數據中提取有意義的原始數據對象。多尺度分割是從一個像素的對象開始進行一個自下而上的區域合并技術，小的影像對象可以合并到稍大的對象中去。
多尺度影像分割采用異質性最小的區域合并算法，影像分割中像元的合并開始于影像中任意一個像元，先將單個像元合并為較小的影像對象，再將較小的影像對象合并成較大的多邊形對象，分割過程中多邊形對象不斷增長的異質性最小。他是一個從下到上、逐級合并的過程。
區域合并方法的基本思想是將具有相似性質的集合起來構成區域多邊形，先對每個需要分割的區域找一個種子像元作為生長的起點，然后將種子像元周圍鄰域中與種子像元有相同或相似性質的像元合并到種子像元所在的區域中，將這些新的像元當作新的種子像元繼續進行上面的過程，直到沒有滿足條件的像元，這樣一個區域就生成了。為了保證影像分割生成的多邊形對象內部的同質性和相鄰多邊形對象的異質性適宜程度，在區域合并的分割過程中需要考慮兩個標準：設置類似像元合并的準則與確定停止像元合并的條件，這兩個條件在分割過程中控制像元的歸屬，因此標準設置的合理與否直接影響分割后影響對象的有效性。
區域合并算法的目的是實現分割后影像對象的權重異質性最小化，僅僅考慮光譜異質性最小會導致分割后影像對象的多邊形邊界比較破碎，因此，常常把光譜異質性標準和空間異質性標準配合使用。在分割前需要確定影響異質性和緊密度異質性。只有保證光譜異質性，光滑度異質性、緊密度異質性最小，才能使整幅影像所有對象的平均異質性最小。
任何一個影像對象的異質性f是由四個變量計算而得到的：wcolor(光譜信息因子)wshape(形狀信息因子)hcolor(光譜異質性)hshape(形狀異質性)，且wcolor+wshape＝1。下之中w是光譜信息因子，取值范圍為：0-1。
f＝w·hcolor+(1-w)hshape(0.1)；
光譜異質性hcolor不僅與組成對象的像元數目有關，還取決于各個波段的標準差(公式0.2)
其中為像元內部像元值的標準差，根據組成對象的像元值得到，n為像元數目。
形狀包括兩個子因子：平滑度hsmooth和緊密度hcompct(公式0.3)。
hshape＝wcmpct·hcmpct+(1-wcmpct)·hsmooth(0.3)；
hmooth和hcmpct取決于組成對象的像元數n，多邊形的邊長l與同面積的最小邊長b(公式0.4)。
多尺度影像分割步驟為：
(1)設置分割參數，包括各波段的權重，即單個波段在分割過程中的重要性；一個尺度閾值來決定像元合并停止的條件；根據影像紋理特征及所提取專題信息要求確定光譜因子與形狀因子的權重；在形狀因子中，根據大多數地物類別的結構屬性確定緊密度因子和光滑度因子的權重。
(2)以影像中任意一個像元為中心開始分割，第一次分割時單個像元被看作一個最小的多邊形對象參與異質性值的計算；第一次分割完成后，以生成的多邊形對象為基礎進行第二次分割，同樣計算異質性值，判斷f與預訂的閾值之間的差異，若f小于閾值s，則繼續進行多次的分割，相反則停止影像的分割工作，形成一個固定尺度值的影像對象層。
多尺度分割后影像的基本單元已經不再是單個像元，而是由同質像元組成的多邊形對象，每個多邊形對象不僅包含光譜信息，而且還包含形狀信息、紋理信息、鄰域信息，對于光譜信息類似的地類而言，通過多邊形對象其他屬性的差異就可以輕松地提取出來。多尺度分割不僅生成了有意義的影像對象，并且還將原分辨率的影像對象信息擴展到不同尺度上，實現影像信息的多尺度描述。類比于人的視覺松弛過程，隨著尺度逐步增大，對影像進行逐步綜合的過程。
本實施例優選的，建立隸屬度函數的步驟包括過程：
提供亮度因子、均值因子、方差因子；
提供面積特征因子、邊界指數特征因子、邊界長度特征因子、緊致度特征因子、長特征因子、寬特征因子、長寬比特征因子和形狀指數特征因子；
提供相鄰關系因子、鄰接關系因子、父子關系因子；
提供紋理因子；支持輔助數據；
自定義編輯公式形成特征因子；
所述規則分類預覽的步驟中包括過程：檢驗分類效果，若效果未能達到預設的標準，則返回建立隸屬度函數的步驟。用于面向對象分類的對象特征包括：光譜特征、形狀特征、紋理特征。執行完多尺度分割生成影像對象同質圖后，特征列表和對象特征值列表即被激活。特征列表是一個非常強大的工具，用來發現區分不同影像對象類的特征；而進行分類效果檢驗，過關才能繼續下一步驟，可以提高信息提取的精度。
下面對特征列表里的各項特征進行一個簡單的介紹：
(1)均值
1)亮度
計算在選擇通道內，對象像素亮度值的均值。
2)最大層間差異
計算對象在任意兩個通道的均值差，并得到最大差值，以最大差值除以亮度值即為最大層間差異。
3)Layer 0，1，2，……，k；
通道0，1，……，k的對象均值。
(2)標準差
通道0，1，……，k的對象標準差。
(3)像素
1)比值
通道的比率反映了通道對總亮度值的貢獻度。需根據通道值創建新的“比值”。
2)最小像素值
需根據通道值創建新的“最小像素值”。
3)最大像素值
需根據通道值創建新的“最大像素值”。
4)與鄰域反差
以距離d向外擴展當前對象的最小外接矩形邊界，計算擴展范圍內剔除對象內點后點的均值。需根據通道值創建新的“與鄰域反差”。與鄰域反差圖如圖3所示。
5)與鄰域標準差
以距離d向外擴展當前對象的最小外接矩形邊界，計算擴展范圍內剔除對象內點后點的標準方差。需根據通道值創建新的“與鄰域標準差”。
(4)與當前層關系
1)與當前層均值差
影像對象與當前層均值的差值。需根據通道值創建新的“與當前層均值差”。
2)與當前層比值
當前層均值與影像對象的比值。需根據通道值創建新的“與當前層比值”。
形狀特征：
(1)常用
1)面積
對于沒有地理參考的圖像，為對象內像元數目；有地理參考的圖像，為對象覆蓋的真實面積。
2)邊界指數
即為邊界長度與最小外接矩形周長比其中，bv為影像對象的邊界長，lv為影像對象的長，wv為影像對象的寬。邊界指數圖如圖4所示。
3)邊界長度
一個影像對象的邊界長度定義為其與其它相鄰影像的共有邊界長或者整幅影像的邊界長。在沒有地理參考的影像中，一個像素的邊界長定義為1。邊界長度圖如圖5所示。
4)緊致度
影像對象的緊致度為對象的長與寬之積與像素總數量的比值。
5)密度
6)長
定義為像素總數量與最小外接矩形的長寬比之積的平方根。
7)長/寬
通過最小外界矩形近似求得。
8)形狀指數
形狀指數定義為影像邊界長與4倍的影像區域平方根的比值形狀指數圖如圖6所示。
9)寬
紋理特征最重要的分析方法即基于灰度共生矩陣(Gray Level Co-occurrence Matrix,GLCM)。GLCM描述了圖像中，在θ方向上距離為d的一對分別具有灰度i和j的像素出現的概率。假定待研究的紋理區域是矩形的，其在水平方向有Nx個分辨率，在垂直方向有Ny個分辨率，圖像的灰度級為N。，Lx＝{0，1，2，…，Nx-1}，Ly＝{0，1，2，…，Ny-1}分別為水平和垂直空間域。灰度為i和j的一對像素點位置方向為θ，距離為d的概率記為pi，j(d，θ)，具體計算公式為：
一幅圖像的灰度共生矩陣反映了圖像灰度在方向、相鄰間隔和幅度變化方面的綜合信息。GLCM所表達的圖像中像素對之間的關系，圖像灰度共生矩陣圖如圖7所示。
面向對象分類軟件主要采取GLCM的七種特征來進行紋理特征的分類，即：GLCM同質性、GLCM對比度、GLCM相異性、GLCM熵、GLCM角度(二階矩)、GLCM均值、GLCM方差。
(1)GLCM同質性：
同質性是對圖像紋理局部變化大小的度量。f1值越大說明圖像紋理的不同區域間缺少變化，局部非常均勻。
(2)GLCM對比度：
紋理中反差大的像素點多，則對比度越大。對于粗紋理，Pi,j較集中于主對角線附近，對比度的值較小。
(3)GLCM相異性：
相異性描述了灰度共生矩陣中行或列元素間的相異程度，是灰度線性關系的度量。
(4)GLCM熵：
代表了圖像的信息量，表示紋理的復雜程度，是圖像內容隨機性的度量。無紋理熵為零，有紋理熵最大。
(5)GLCM角度(二階矩)：
角二階矩是圖像灰度均勻性的度量，當Pi,j值分布集中于主對角線附近，說明局部鄰域的圖像灰度分布是均勻的，圖像呈現較粗的紋理，該值相應較大。
(6)GLCM均值：
(7)GLCM標準差：
方差反映了紋理的周期。值越大，表明紋理的周期越大。標準差為方差的平方根。
本實施例優選的，保存分類結果中，結果類型包括矢量和柵格兩種格式。
本實施例優選的，根據地物紋理、形狀等特征，設定分割尺度參數，選擇最佳的分割尺度進行尺度分割，使得分割后地塊為同一地物屬性的步驟之后還包括步驟：
對分割效果進行檢查，若效果未能達到預設的標準，則重復尺寸分割的步驟，即重復步驟S2直至分割效果達標；
所述規則分類預覽的步驟中包括過程：檢驗分類效果，若效果未能達到預設的標準，則返回建立隸屬度函數的步驟，即重讀步驟S4和S5直至分類效果達標。其中，檢查分割結果中，對分割后的影像進行檢查，是為了保證影像分割生成的多邊形對象內部的同質性和相鄰多邊形對象的異質性適宜程度。其中，規則分類預覽的效果檢驗可以使用目視檢驗，也可以使用其他方法。
實施例二：
圖8是本發明一種使用了本發明任一公開的農作物種植面積信息提取方法的面向縣域遙感尺度的農作物種植面積信息提取裝置的示意圖，該裝置包括：
正射模塊10，用于準備正射校正處理后的正射影像圖；
尺度分割模塊20，用于根據地物紋理、形狀特征，設定分割尺度參數，選擇最佳的分割尺度進行尺度分割，使得分割后地塊為同一地物屬性；
樣本選取模塊30，用于選擇具有典型代表的地塊作為樣本對象；
隸屬度函數建立模塊40，用于建立隸屬度函數，至少包括植被指數特征函數、紋理特征函數、形狀特征函數；
分類預覽模塊50，用于規則分類預覽；
信息提取模塊60，用于農作物種植面積信息提取；
存儲模塊70，用于保存分類結果。
本發明的有益效果：
采用上述技術方案，本發明/發明至少可取得下述技術效果：
本發明由于根據地物紋理、形狀特征等進行了尺度分割，故而能夠確保同一地塊高度同質性(或異質性最小)，并且依據隸屬度函數進行了分類，提高了地物識別精度；如此，本發明即具備了面向對象分類算法在處理高分影像中的優勢，并同時因為正射影像具備多時相而具備了多時相影像豐富的光譜信息優勢，極大的提高了縣域遙感尺度農作物種植面積信息提取精度。
應該注意的是，如上所述的本公開的各種實施例通常在一定程度上涉及輸入數據的處理和輸出數據的生成。此輸入數據處理和輸出數據生成可在硬件或者與硬件結合的軟件中實現。例如，可在移動裝置或者相似或相關的電路中采用特定電子組件以用于實現與如上所述本公開的各種實施例關聯的功能。另選地，依據所存儲的指令來操作的一個或更多個處理器可實現與如上所述本公開的各種實施例關聯的功能。如果是這樣，則這些指令可被存儲在一個或更多個非暫時性處理器可讀介質上，這是在本公開的范圍內。處理器可讀介質的示例包括只讀存儲器(ROM)、隨機存取存儲器(RAM)、CD-ROM、磁帶、軟盤和光學數據存儲裝置。另外，用于實現本公開的功能計算機程序、指令和指令段可由本公開所屬領域的程序員容易地解釋。
盡管已參照本公開的各種實施例示出并描述了本公開，但是本領域技術人員將理解，在不脫離由所附權利要求及其等同物限定的本公開的精神和范圍的情況下，可對其進行形式和細節上的各種改變。
- 還沒有人留言評論。精彩留言會獲得點贊！