一种智能化的红外小目标检测方法
一种智能化的红外小目标检测方法
【技术领域】
[0001] 本发明涉及小目标检测方法，适用于远距离红外复杂背景下弱小目标的检测。
【背景技术】
[0002] 在基于红外探测的军事应用领域，当探测系统与目标之间的距离较远时，一方面 红外探测器接受到的目标红外辐射强度很弱，另一方面探测器内的噪声和背景杂波干扰又 往往较强，因而是一个低信噪比的弱小目标检测问题。此外，战场的复杂背景也会对运动目 标的识别产生极大的干扰。除了军事领域的应用之外，在卫星大气红外云图分析、空间遥 感、红外医疗图像病理分析、飞机拍摄地面红外图像地质分析、森林防火、城市红外污染分 析和大视场目标搜救等领域中，有效的红外小目标检测技术可以在较好的时机帮助人们迅 速地提取感兴趣的目标区域，从而为人们的生产和生活提供必要地指导。如何在复杂背景 环境中准确识别信号弱小的目标是远距离红外成像探测研宄领域中较为困难却又极具实 际意义的课题。
[0003]
【发明内容】
[0004] 为了解决上述技术问题，提供一种基于自适应结构元素灰度形态学背景抑制和BP 神经网络识别的红外小目标智能化检测方法。
[0005] 为实现上述技术目的，所采用的技术方案是：一种智能化的小目标检测方法，包括 以下步骤： 51. 综合通过侦查手段获得的目标实际物理大小和红外实时成像应用中的导航信息， 按照红外图像探测器成像投影模型，初步确定目标区域大小，将红外原图像划分成若干子 图像； 52. 计算每一子图像区域的灰度均值和方差，并计算均值与方差之比，如果比值大于 整帧图像的全局值则该子区域为候选目标区域，并标记该区域。对所有候选目标区域统计 目标的八连通区域，计算各自的矩形包围盒，以矩形的最大边长作为灰度形态学结构元素 大小； 53. 背景抑制：基于步骤S2确定的结构元素大小，利用灰度形态学开运算，实现红外复 杂背景的估计，得到背景估计图像，将原图像与背景估计图像做差影，实现红外复杂背景抑 制并突出待检测小目标； 54. 红外小目标特征提取：对经过灰度形态学变换背景抑制的红外图像计算像素的灰 度、水平梯度、垂直梯度、对角梯度、邻域均值和方差六个量作为红外小目标特征； 55. BP神经网络红外小目标检测：以红外小目标特征作为输入，像素类别为输出，构造 三层BP神经网络，经过大样本训练后，形成背景抑制后的图像像素特征与目标或背景的非 线性输入输出关系，实际应用时，将背景抑制后的图像像素特征输入BP神经网络，得到目 标或背景的检测结果，进而实现红外复杂背景下的小目标在线智能化检测。
[0006] 本发明基于自适应结构元素形态学背景抑制和BP神经网络实现红外复杂背景下 的弱小目标的智能化检测。本发明的背景抑制效果明显，目标和背景像点的区分度高，能够 有效地解决复杂背景条件下的红外弱小目标检测问题。
【附图说明】
[0007] 图1红外空中小目标原图像； 图2红外空中复杂背景抑制； 图3BP神经网络训练曲线； 图4红外空中小目标的BP神经网络检测结果； 图5海面背景目标检测结果； 图6地面背景目标检测结果。
【具体实施方式】
[0008] 本发明的基本思路：红外弱小目标图像由目标、背景和成像器件的电子噪声构成。 图像中的目标即使在整帧图像中强度不是最强，但在其邻域中与局部背景的差异也较明 显，一般要高于局部背景的辐射强度。红外图像中的目标区域通常为亮区域，在选用比目 标区域尺寸大的结构元素情况下，灰度形态学开运算可使亮的目标区域被看作噪声而被滤 除，可以估计出可能目标区域外的图像背景。原图像与估计出的图像背景做差即可得到包 含候选目标且抑制大量背景的增强图像。经过背景抑制后，目标像素和背景像素的特征差 异非常明显，可考虑构造特征向量，通过模式分类器来实现输入特征向量的模式划分。本发 明采用BP神经网络作为小目标特征向量的模式分类器。
[0009] 本发明的具体过程： 基于自适应结构元素灰度形态学的红外复杂背景估计：综合通过侦查手段获得的目标 实际物理大小和红外实时成像应用中的导航信息，按照红外图像探测器成像投影模型，初 步确定目标区域大小，将红外图像划分成若干子图像。计算每一子图像区域内的灰度均值 /4和方差A，并计算均值与方差之比。如果比值大于整帧图像的全局值，则该子区域为候 选目标区域，并标记该区域，即
yg、〇g代表全局均值和方差。
[0010] 在候选目标区域中统计目标的八连通区域，计算其矩形包围盒，以矩形的最大边 长作为灰度形态学开运算的结构元素大小。基于确定的结构元素大小，利用灰度形态学开 运算，实现红外复杂背景的估计。整个过程可描述如下：
其中，/代表红外原图像，〇3(/)是结构元素6对图像/的开运算，<3为灰度形态学腐 蚀运算，?代表灰度形态学膨胀运算。
[0011] 红外复杂背景抑制及小目标预提取： 将红外原图像与估计的红外背景图像做差影，实现红外复杂背景抑制以及小目标信号 的预提取，该过程可描述如下：
其中，/代表红外原图像，4为红外背景估计图像，是红外复杂背景抑制的结果图像。
[0012] 基于BP神经网络的红外小目标检测： 在本发明的设计中，BP神经网络采用单隐层的三层前向网络，主要包括输入层、隐层和 输出层。假定待检测图像为f(x，y)，考虑到背景抑制后待检测目标在图像中呈现为亮点区 域的特点，本发明归纳了以像素点为中心的6个特征作为神经网络的输入，即网络输入层 节点个数为6 :灰度值A1、水平梯度A2、垂直梯度A3、对角梯度A4、邻域均值A5、邻域方差 A6。所有梯度均为1阶，邻域大小取3*3。其中梯度信息表达如下：
网络输出神经元个数为1，表示当前像素属于目标1或背景0。取识别误差为〇. 5,输出 在0. 5~1之间认为是目标点，0~0. 5之间则是背景点。
[0013] 隐层节点个数一般满足：
t和r分别是输入、输出层神经元个数，本发明分别取6和1。CT一般为1~10之间的常 数，本发明取6,隐层为8个节点。
[0014] 隐层和输出层的激励函数选择logsig函数：
对红外空中100帧图像按照自适应结构元素灰度形态学变换进行背景抑制，原始图像 序列其中6帧如图1所示。考虑到小目标的实际大小范围和红外实时成像应用中的导航信 息，按照红外图像探测器成像投影模型，，将原图像按照7*7邻域进行划分，当邻域均值和 方差比值大于全局值时，认为其为候选目标区域。对所有候选区域计算最大矩形包围盒边 长作为结构元素的尺寸。如果设置的初始图像划分尺寸如7*7找不到候选目标区域，则减 少划分尺寸继续在图像中遍历。初始图像的划分尺寸设置上限和下限(本测试尺寸3*3)，如 在划分尺寸下限仍没有找到候选目标区域，则以该下限值作为结构元素尺寸。通过灰度形 态学变换，可以保留所有尺寸大于结构元素的背景信息。图1的背景抑制结果如图2所示。
[0015] 通过局部信噪比增益（LocalSignal-to-NoiseRatioGain)和背景抑制系数 (BackgroundSuppressionFactor)两个指标定量衡量背景抑制效果：
其中；
代表目标信号的幅度，《为区域均值，
代表输入、输出图 像的标准差。衡量算法对目标信号的保留程度，代表算法对背景的抑制程度。区 域大小取50*50。
[0016] 本发明背景抑制方法与两种空域高通滤波器的局部信噪比增益、背景抑制系数比 较见表1和表2。高通滤波器表达式如（11)式。
[0017] 表1局部信噪比增益
表2背景抑制比
从经过自适应结构元素灰度形态学变换进行背景抑制的空中红外视频100帧中选择 20帧典型图像，涵盖目标位于云背景外和云背景中两类情况。每帧图像取包括目标和背景 的样本点50个，一共1000个样本对BP神经网络进行训练。其余80帧作为测试图像。部 分样本如表3所不。
[0018] 表3部分训练样本
BP算法的一个主要缺陷为网络训练过程中可能陷入局部最优而不能达到全局最优。鉴 于这种情况，本发明采用动态学习率。如当前总误差与上次总误差小于某阈值时，增大学习 率，跳出局部最优，反之则减小学习率。网络的初始权值在0. 1~〇. 4范围内随机取得，初始 学习率取0. 5。网络训练次数为2000次，训练目标误差阈值为KT3。
[0019] 图3表示BP神经网络随机计算过程中的误差收敛曲线。图中所示训练达到378 次时，达到训练目标误差要求。表4表示15个样本的测试结果。由表4可看出，测试结果 达到预期，目标和背景像素点得到正确区分。
[0020] 表4测试数据检测结果
对其余80帧红外空中图像进行测试，全部实现成功检测。其中三帧的处理结果如图4 所示。图中以检测到的目标像素的几何中心生成波门框。
[0021] 为进一步验证本发明，另选用海面和地面背景两组图像序列进行测试，每个序列 包含图像100帧，本发明全部实现成功检测。两个图像序列各取其中三帧的检测结果如图 5和图6所示。
[0022] 针对远距离复杂背景下的红外弱小目标检测问题，本发明提出了一种结合自适应 结构元素的灰度形态学变换和BP神经网络的智能化检测方法。该发明基于灰度形态学开 运算进行红外复杂背景估计，其中结构元素的大小通过统计候选目标区域来确定。随后，利 用原图像与背景估计图像的差影实现红外复杂背景抑制和小目标预检测。在此基础上，通 过统计目标像素和背景像素的统计特征，对BP神经网络进行离线训练，形成图像像素特征 与目标或背景的非线性输入输出关系，最终实现红外复杂背景下的小目标在线检测。实验 结果表明，发明方法在复杂背景抑制方面具有明显的优势，能够实现复杂背景下的红外弱 小目标智能化检测。
【主权项】
1. 一种智能化的小目标检测方法，其特征在于：包括以下步骤： 51、 综合通过侦查手段获得的目标实际物理大小和红外实时成像应用中的导航信息， 按照红外图像探测器成像投影模型，初步确定目标区域大小，将红外原图像划分成若干子 图像； 52、 计算每一子图像区域的灰度均值和方差，并计算均值与方差之比，如果比值大于整 帧图像的全局值则该子区域为候选目标区域，并标记该区域；对所有候选目标区域统计目 标的八连通区域，计算各自的矩形包围盒，以矩形的最大边长作为灰度形态学结构元素大 小； 53、 背景抑制：基于步骤S2确定的结构元素大小，利用灰度形态学开运算，实现红外复 杂背景的估计，得到背景估计图像，将原图像与背景估计图像做差影，实现红外复杂背景抑 制并突出待检测小目标； 54、 红外小目标特征提取：对经过灰度形态学变换背景抑制的红外图像计算像素的灰 度、水平梯度、垂直梯度、对角梯度、邻域均值和方差六个量作为红外小目标特征； 55、BP神经网络红外小目标检测：以红外小目标特征作为输入，像素类别为输出，构造 三层BP神经网络，经过大样本训练后，形成背景抑制后的图像像素特征与目标或背景的非 线性输入输出关系，实际应用时，将背景抑制后的图像像素特征输入BP神经网络，得到目 标或背景的检测结果，进而实现红外复杂背景下的小目标在线智能化检测。
【专利摘要】一种智能化的红外小目标检测方法，首先基于统计特征将红外图像划分成子图像，确定候选目标区域。然后基于候选目标区域大小，确定结构元素尺寸，利用灰度形态学开运算，实现红外复杂背景的估计。将红外原图像与背景估计图像做差影，实现红外复杂背景抑制并突出待检测小目标。对经过背景抑制的六个量并作为红外小目标特征。以红外小目标特征为输入，像素类别为输出，构造三层BP神经网络。经过大样本训练后，形成图像像素特征与目标或背景的非线性输入输出关系，建立BP神经网络检测模型。实际红外图像经过背景抑制后，提取像素特征向量，送入经过训练的BP神经网络，实现红外复杂背景下的小目标在线智能化检测。
【IPC分类】G06T7/00
【公开号】CN104899866
【申请号】CN201510222607
【发明人】刘刚, 李冠峰, 李云龙, 张丹, 郑林涛, 刘森, 赵旭辉
【申请人】河南三联网络技术有限公司
【公开日】2015年9月9日
【申请日】2015年5月5日
【技术领域】
[0001] 本发明涉及小目标检测方法，适用于远距离红外复杂背景下弱小目标的检测。
【背景技术】
[0002] 在基于红外探测的军事应用领域，当探测系统与目标之间的距离较远时，一方面 红外探测器接受到的目标红外辐射强度很弱，另一方面探测器内的噪声和背景杂波干扰又 往往较强，因而是一个低信噪比的弱小目标检测问题。此外，战场的复杂背景也会对运动目 标的识别产生极大的干扰。除了军事领域的应用之外，在卫星大气红外云图分析、空间遥 感、红外医疗图像病理分析、飞机拍摄地面红外图像地质分析、森林防火、城市红外污染分 析和大视场目标搜救等领域中，有效的红外小目标检测技术可以在较好的时机帮助人们迅 速地提取感兴趣的目标区域，从而为人们的生产和生活提供必要地指导。如何在复杂背景 环境中准确识别信号弱小的目标是远距离红外成像探测研宄领域中较为困难却又极具实 际意义的课题。
[0003]
【发明内容】
[0004] 为了解决上述技术问题，提供一种基于自适应结构元素灰度形态学背景抑制和BP 神经网络识别的红外小目标智能化检测方法。
[0005] 为实现上述技术目的，所采用的技术方案是：一种智能化的小目标检测方法，包括 以下步骤： 51. 综合通过侦查手段获得的目标实际物理大小和红外实时成像应用中的导航信息， 按照红外图像探测器成像投影模型，初步确定目标区域大小，将红外原图像划分成若干子 图像； 52. 计算每一子图像区域的灰度均值和方差，并计算均值与方差之比，如果比值大于 整帧图像的全局值则该子区域为候选目标区域，并标记该区域。对所有候选目标区域统计 目标的八连通区域，计算各自的矩形包围盒，以矩形的最大边长作为灰度形态学结构元素 大小； 53. 背景抑制：基于步骤S2确定的结构元素大小，利用灰度形态学开运算，实现红外复 杂背景的估计，得到背景估计图像，将原图像与背景估计图像做差影，实现红外复杂背景抑 制并突出待检测小目标； 54. 红外小目标特征提取：对经过灰度形态学变换背景抑制的红外图像计算像素的灰 度、水平梯度、垂直梯度、对角梯度、邻域均值和方差六个量作为红外小目标特征； 55. BP神经网络红外小目标检测：以红外小目标特征作为输入，像素类别为输出，构造 三层BP神经网络，经过大样本训练后，形成背景抑制后的图像像素特征与目标或背景的非 线性输入输出关系，实际应用时，将背景抑制后的图像像素特征输入BP神经网络，得到目 标或背景的检测结果，进而实现红外复杂背景下的小目标在线智能化检测。
[0006] 本发明基于自适应结构元素形态学背景抑制和BP神经网络实现红外复杂背景下 的弱小目标的智能化检测。本发明的背景抑制效果明显，目标和背景像点的区分度高，能够 有效地解决复杂背景条件下的红外弱小目标检测问题。
【附图说明】
[0007] 图1红外空中小目标原图像； 图2红外空中复杂背景抑制； 图3BP神经网络训练曲线； 图4红外空中小目标的BP神经网络检测结果； 图5海面背景目标检测结果； 图6地面背景目标检测结果。
【具体实施方式】
[0008] 本发明的基本思路：红外弱小目标图像由目标、背景和成像器件的电子噪声构成。 图像中的目标即使在整帧图像中强度不是最强，但在其邻域中与局部背景的差异也较明 显，一般要高于局部背景的辐射强度。红外图像中的目标区域通常为亮区域，在选用比目 标区域尺寸大的结构元素情况下，灰度形态学开运算可使亮的目标区域被看作噪声而被滤 除，可以估计出可能目标区域外的图像背景。原图像与估计出的图像背景做差即可得到包 含候选目标且抑制大量背景的增强图像。经过背景抑制后，目标像素和背景像素的特征差 异非常明显，可考虑构造特征向量，通过模式分类器来实现输入特征向量的模式划分。本发 明采用BP神经网络作为小目标特征向量的模式分类器。
[0009] 本发明的具体过程： 基于自适应结构元素灰度形态学的红外复杂背景估计：综合通过侦查手段获得的目标 实际物理大小和红外实时成像应用中的导航信息，按照红外图像探测器成像投影模型，初 步确定目标区域大小，将红外图像划分成若干子图像。计算每一子图像区域内的灰度均值 /4和方差A，并计算均值与方差之比。如果比值大于整帧图像的全局值，则该子区域为候 选目标区域，并标记该区域，即
yg、〇g代表全局均值和方差。
[0010] 在候选目标区域中统计目标的八连通区域，计算其矩形包围盒，以矩形的最大边 长作为灰度形态学开运算的结构元素大小。基于确定的结构元素大小，利用灰度形态学开 运算，实现红外复杂背景的估计。整个过程可描述如下：
其中，/代表红外原图像，〇3(/)是结构元素6对图像/的开运算，<3为灰度形态学腐 蚀运算，?代表灰度形态学膨胀运算。
[0011] 红外复杂背景抑制及小目标预提取： 将红外原图像与估计的红外背景图像做差影，实现红外复杂背景抑制以及小目标信号 的预提取，该过程可描述如下：
其中，/代表红外原图像，4为红外背景估计图像，是红外复杂背景抑制的结果图像。
[0012] 基于BP神经网络的红外小目标检测： 在本发明的设计中，BP神经网络采用单隐层的三层前向网络，主要包括输入层、隐层和 输出层。假定待检测图像为f(x，y)，考虑到背景抑制后待检测目标在图像中呈现为亮点区 域的特点，本发明归纳了以像素点为中心的6个特征作为神经网络的输入，即网络输入层 节点个数为6 :灰度值A1、水平梯度A2、垂直梯度A3、对角梯度A4、邻域均值A5、邻域方差 A6。所有梯度均为1阶，邻域大小取3*3。其中梯度信息表达如下：
网络输出神经元个数为1，表示当前像素属于目标1或背景0。取识别误差为〇. 5,输出 在0. 5~1之间认为是目标点，0~0. 5之间则是背景点。
[0013] 隐层节点个数一般满足：
t和r分别是输入、输出层神经元个数，本发明分别取6和1。CT一般为1~10之间的常 数，本发明取6,隐层为8个节点。
[0014] 隐层和输出层的激励函数选择logsig函数：
对红外空中100帧图像按照自适应结构元素灰度形态学变换进行背景抑制，原始图像 序列其中6帧如图1所示。考虑到小目标的实际大小范围和红外实时成像应用中的导航信 息，按照红外图像探测器成像投影模型，，将原图像按照7*7邻域进行划分，当邻域均值和 方差比值大于全局值时，认为其为候选目标区域。对所有候选区域计算最大矩形包围盒边 长作为结构元素的尺寸。如果设置的初始图像划分尺寸如7*7找不到候选目标区域，则减 少划分尺寸继续在图像中遍历。初始图像的划分尺寸设置上限和下限(本测试尺寸3*3)，如 在划分尺寸下限仍没有找到候选目标区域，则以该下限值作为结构元素尺寸。通过灰度形 态学变换，可以保留所有尺寸大于结构元素的背景信息。图1的背景抑制结果如图2所示。
[0015] 通过局部信噪比增益（LocalSignal-to-NoiseRatioGain)和背景抑制系数 (BackgroundSuppressionFactor)两个指标定量衡量背景抑制效果：
其中；
代表目标信号的幅度，《为区域均值，
代表输入、输出图 像的标准差。衡量算法对目标信号的保留程度，代表算法对背景的抑制程度。区 域大小取50*50。
[0016] 本发明背景抑制方法与两种空域高通滤波器的局部信噪比增益、背景抑制系数比 较见表1和表2。高通滤波器表达式如（11)式。
[0017] 表1局部信噪比增益
表2背景抑制比
从经过自适应结构元素灰度形态学变换进行背景抑制的空中红外视频100帧中选择 20帧典型图像，涵盖目标位于云背景外和云背景中两类情况。每帧图像取包括目标和背景 的样本点50个，一共1000个样本对BP神经网络进行训练。其余80帧作为测试图像。部 分样本如表3所不。
[0018] 表3部分训练样本
BP算法的一个主要缺陷为网络训练过程中可能陷入局部最优而不能达到全局最优。鉴 于这种情况，本发明采用动态学习率。如当前总误差与上次总误差小于某阈值时，增大学习 率，跳出局部最优，反之则减小学习率。网络的初始权值在0. 1~〇. 4范围内随机取得，初始 学习率取0. 5。网络训练次数为2000次，训练目标误差阈值为KT3。
[0019] 图3表示BP神经网络随机计算过程中的误差收敛曲线。图中所示训练达到378 次时，达到训练目标误差要求。表4表示15个样本的测试结果。由表4可看出，测试结果 达到预期，目标和背景像素点得到正确区分。
[0020] 表4测试数据检测结果
对其余80帧红外空中图像进行测试，全部实现成功检测。其中三帧的处理结果如图4 所示。图中以检测到的目标像素的几何中心生成波门框。
[0021] 为进一步验证本发明，另选用海面和地面背景两组图像序列进行测试，每个序列 包含图像100帧，本发明全部实现成功检测。两个图像序列各取其中三帧的检测结果如图 5和图6所示。
[0022] 针对远距离复杂背景下的红外弱小目标检测问题，本发明提出了一种结合自适应 结构元素的灰度形态学变换和BP神经网络的智能化检测方法。该发明基于灰度形态学开 运算进行红外复杂背景估计，其中结构元素的大小通过统计候选目标区域来确定。随后，利 用原图像与背景估计图像的差影实现红外复杂背景抑制和小目标预检测。在此基础上，通 过统计目标像素和背景像素的统计特征，对BP神经网络进行离线训练，形成图像像素特征 与目标或背景的非线性输入输出关系，最终实现红外复杂背景下的小目标在线检测。实验 结果表明，发明方法在复杂背景抑制方面具有明显的优势，能够实现复杂背景下的红外弱 小目标智能化检测。
【主权项】
1. 一种智能化的小目标检测方法，其特征在于：包括以下步骤： 51、 综合通过侦查手段获得的目标实际物理大小和红外实时成像应用中的导航信息， 按照红外图像探测器成像投影模型，初步确定目标区域大小，将红外原图像划分成若干子 图像； 52、 计算每一子图像区域的灰度均值和方差，并计算均值与方差之比，如果比值大于整 帧图像的全局值则该子区域为候选目标区域，并标记该区域；对所有候选目标区域统计目 标的八连通区域，计算各自的矩形包围盒，以矩形的最大边长作为灰度形态学结构元素大 小； 53、 背景抑制：基于步骤S2确定的结构元素大小，利用灰度形态学开运算，实现红外复 杂背景的估计，得到背景估计图像，将原图像与背景估计图像做差影，实现红外复杂背景抑 制并突出待检测小目标； 54、 红外小目标特征提取：对经过灰度形态学变换背景抑制的红外图像计算像素的灰 度、水平梯度、垂直梯度、对角梯度、邻域均值和方差六个量作为红外小目标特征； 55、BP神经网络红外小目标检测：以红外小目标特征作为输入，像素类别为输出，构造 三层BP神经网络，经过大样本训练后，形成背景抑制后的图像像素特征与目标或背景的非 线性输入输出关系，实际应用时，将背景抑制后的图像像素特征输入BP神经网络，得到目 标或背景的检测结果，进而实现红外复杂背景下的小目标在线智能化检测。
【专利摘要】一种智能化的红外小目标检测方法，首先基于统计特征将红外图像划分成子图像，确定候选目标区域。然后基于候选目标区域大小，确定结构元素尺寸，利用灰度形态学开运算，实现红外复杂背景的估计。将红外原图像与背景估计图像做差影，实现红外复杂背景抑制并突出待检测小目标。对经过背景抑制的六个量并作为红外小目标特征。以红外小目标特征为输入，像素类别为输出，构造三层BP神经网络。经过大样本训练后，形成图像像素特征与目标或背景的非线性输入输出关系，建立BP神经网络检测模型。实际红外图像经过背景抑制后，提取像素特征向量，送入经过训练的BP神经网络，实现红外复杂背景下的小目标在线智能化检测。
【IPC分类】G06T7/00
【公开号】CN104899866
【申请号】CN201510222607
【发明人】刘刚, 李冠峰, 李云龙, 张丹, 郑林涛, 刘森, 赵旭辉
【申请人】河南三联网络技术有限公司
【公开日】2015年9月9日
【申请日】2015年5月5日
最新回复(0)