开启辅助访问
 找回密码
 立即注册

图像算法原理与实践——基础知识之 色彩表示模型

手极网 回答数4 浏览数1492
一、人眼视觉系统和图像形成



眼睛中图像的形成

在实际物理条件下,图像都是由图像照射源和在各个场景下各物体对照射光源形成的反射部分构成。这些光源本身是由光线频谱来表达,不同的频谱显示出不同的颜色效果。当用数学方法描述图像信息时,通常着重考虑它的点的性质。例如一副图像可以被看作是空间各个坐标点的结合。它的最普通的数学表达式为: I = f (x, y, z, \lambda, t)\\ 其中  x,y,z 表示三维空间坐标\\ \lambda  代表波长\\ t 代表时刻点  
当当研究的是静止图像时,则与时间t 无关,当研究的是单色图像时,显然与波长λ无关,对于平面图像则与坐标z 无关。因此,对于静止的平面的、单色的图像来说其数学表达式可简化为
I = f (x, y) 。人们所感受到的图像一般都是由物体反射的光组成的。函数 f(x,y) 可由两个分量来表示:
1) 入射到观察场景的光源总量;
2)场景中物体反射光的总量;
这两个分量分别称为入射分量和反射分量,如果用 i(x,y) 表示入射分量,用 r(x,y) 表示反射分量,两个函数合并形成 f(x,y) ,即: I = f (x, y) = i(x, y) * r(x, y)
其中入射分量 0 < i(x,y) < \infty ,反射分量 0 <r(x,y) < 1.0 由反射物体具体的反射率确定。
1、采样。
将在空间上连续的图像转换成离散的取样点(即像素)集的操作。由于图像是二维分布的信息,所以取样是在 x 轴和 y 轴两个方向上进行。它决定了图像的空间分辨率。

对一幅图像采样时,若每行(即横向)像素为N个,每列(即纵向)像素为M个,则图像大小为M×N个像素,从而f(x,y)构成一台M×N实数矩阵

2、量化。
将各个像素所含的明暗信息离散化后,用数字来表示称为图像的量化,一般的量化值用整数来表示。充分考虑到人眼的识别能力之后,目前非特殊用途的图像均为 8bit 量化,即用 0~255 描述“黑~白”灰度级。

二、图像像素坐标系

当一张图片在显示设备上展目前用户面前的时候,显示设备是如何进行工作的呢?显示设备展现内容的时候,是使用一台个显示点组合来展现最终的显示内容,每个显示点可以显示一台颜色,我们把这些一台个显示颜色点的点称之为“像素”,每个像素点可以显示一台颜色,这样几个百万个像素点就构成了一台完整的显示屏幕。在现实环境下,不同的显示设备中每个像素点显示的颜色范围也不一样,最简单的LED显示屏,只能显示黑色或者白色一种颜色,中端一些的显示屏可以由黑色到白色不同深度的灰度图(类似八九十年代的黑白电视机机显示方式),后来又出现采用索引方式的彩色图像显示(但是这一类彩色图像不能显示所有彩色空间的颜色值,所以通常称之为伪彩),直到后来能够完整显示 红、绿、蓝三原色构成的所有色域空间的显示设备,这种设备称之为真彩。随着硬件设备性能的提升和价格的降低,目前我们接触到的大部分显示设备全部都是真彩显示。
   根据硬件设备的显示原理,在计算机中为了保存图像内容,也采用保存像素点颜色值的方式。一张图像又一台个独立的像素点沟通,每个像素点显示的颜色值使用不同数量的字节数据保存下来,从而完整的保存一张图像内容数据。
    在计算机中,根据不同的应用场景,图像像素的的颜色值有不同的表示方式。对于灰度图像来说,通常每个像素点只需要一台字节来表示该像素点显示的 黑-白-灰 颜色深度;而对于真彩图像来说,每个像素至少需要三个字节来表示其颜色值,如果要考虑图像重叠显示的透明度等,还需要额外字节来表示。在图像表示中,我们通常使用 X-Y轴的二维屏幕坐标系来表示像素位置,与数学几何坐标系不同的是:屏幕坐标系中Y轴的正方向朝下。以320*240 像素大小的图像为例,其像素坐标如下图表示:坐标原点位于左上角,从左往右是X轴的正方向,从上往下是Y轴的正方向。

像素点位置坐标

通常图像数据在整个内存中是连续布局的,在已知图像缓冲区起始地址的情况下,我们可以计算到任意像素位置的颜色值。
   假设图像缓冲区起始地址为 image_data_,每个像素使用 pixel_bytes_个字节来表示颜色值,那么对于 (width_* height)大小的图像中,任意像素点 (x, y) 的颜色值数据地址就为: image\_data\_ + (y*width\_*pixel\_bytes\_) + (x*pixel\_bytes\_)    。这里pixel_bytes_ 大小根据不同的色彩格式有不同。对于8位灰度图像是1;对于RGB 24位真彩图像是3。(说明:实际计算时可能需要考虑像素行4字节对齐,公式会稍有调整)
三、灰度图像表示方式

  在灰度图像中,每个像素使用1个字节来表示颜色值,由于计算机中1个字节可以表示的无符号数值范围是[0, 255],故灰度图像中每个像素可以表示256个灰度值。 其中 像素值=0,表示纯黑色;像素值=255表示纯白色;中间的像素值则是由纯黑到纯白色的线性插值。

绘图图像颜色值 (归一化)

对于灰度图像在内存中的数据布局,按照每个像素1个字节来线性存放,以320*240 像素图像为例,其内存布局如下:

320*240灰度图像的内存布局

在实际内存保存时,我们直接根据图像宽高来创建对应的字节数即可。
// 内存占用字节数 = 图像宽度 * 图像高度 * 每个像素占用字节
int nPxlBytes = 1;
int nBufSize = nImgWidth * nImgHeight * nPxlBytes;
uint8_t  *pGrayBuffer = (uint8_t*)malloc(nBufSize);

// 对于(x,y) 像素点的访问
uint8_t  *pPixelData = pGrayBuffer + (nImgWidth * y * nPxlBytes) + (x * nPxlBytes);
pPixelData[0] = 128;  // 将 (x,y)像素点的灰度值设置为128,中等灰度
颜色值的归一化表示
在进行图像算法处理的时候,为了计算省事,我们通常会将图像像素的颜色值归一化到0.0~1.0这个浮点值范围内,这样可以进行更加省事的数值计算。对于灰度图像来说,灰度字节0x00表示0.0这个浮点灰度值,而0xFF(255)则表示1.0灰度值,这样就可以把灰度值以连续值方式进行。两者之间的转换关键很简单:
整数值 = (int)(浮点值*255);      例如: 0.73 颜色值保存到字节中就是 0xBA(186)
浮点值 = (float)(整数值 / 255.0);

四、彩色图像RGB表示方式

彩色图像的表示方式稍微复杂一些,每个彩色颜色都可以使用红、绿、蓝三种基本光学三原色来构成。对此每个像素也使用3个字节来表示颜色值,分别表示 Red、Green、Blue三原色的各个分量的值,由这三原色来构成所有的真彩色效果。对于R、G、B这三个分量我们又通常称之为三个独立的色彩通道。 这里每个颜色通道值范围是在[0, 255]之间,故RGB通道的3个字节总计可以表示 256*256*256=16777216种颜色。

光学三原色

在RGB色彩坐标系中, RGB(0, 0, 0) 值表示纯黑色, RGB(255, 255, 255) 值表示纯白色,其他不同的RGB色值组合构成各种不同的颜色。我们可以根据这三原色建立一台三维坐标系,三个坐标轴分别表示 Red、Green、Blue三个通道的值,每个真彩颜色值属于这个三维立方体空间中的任意一点。 从RGB色彩坐标系中可以看到,纯黑色就处于坐标原点,而纯白色处于原点的对角点,在纯黑色和纯白色之间的对角线上的颜色值也是灰度值,即:RGB彩色坐标系完全可以描述灰度图。在RGB色彩格式中,只要三个分量的颜色值一样,则就表示了灰度图,例如: RGB(80, 80, 80) 就表示了灰度值。其他空间的离散点直接表示对应的色彩。

归一化浮点数表示RGB色彩空间

RGB三原色色系坐标空间

彩色图像在内存中的数据布局稍微复杂一些,每个像素需要3个字节分别表示Red、Green、Blue三个分量值,在内存中各个分量是依次顺序存放的。以320*240像素大小的彩色图像为例,其内存布局如下:

在实际内存操作时,我们可以使用如下代码进行操作
// 内存占用字节数 = 图像宽度 * 图像高度 * 每个像素占用字节
int nPxlBytes = 3;   // 每个像素占用3个字节
int nBufSize = nImgWidth * nImgHeight * nPxlBytes;
uint8_t  *pRgbBuffer = (uint8_t*)malloc(nBufSize);

// 对于(x,y) 像素点的颜色值访问
uint8_t  *pPixelData = pRgbBuffer + (nImgWidth * y * nPxlBytes) + (x * nPxlBytes);
pPixelData[0] = 128;  // 将 (x,y)像素点的颜色值设置为 RGB(128, 255, 64)
pPixelData[1] = 255;
pPixelData[2] = 64;
1、色彩通道排布
    需要注意的是在不同的设备上,考虑到图像数据不同的优先处理顺序,因此有些设备上有时会有其他的色彩通道排布方式。例如:BGR格式,在这种格式中将Red和Blue通道的字节顺序调换了一下,其内存布局也对应的如下,具体哪种排布方式看具体应用场景和存储方式。

BGR通道排列方式的内存

2、图像alpha通道的保存
    在实际应用场景中,通常会有多张图像重叠显示的情况,最简单的一种显示方式是上层的图像直接遮挡住下层图像显示,这种显示方式称之为遮罩。不过更多的显示方式是带一定透明度的显示,即:上层图像带有一定的透明度,可以通过上层图像的或是可以隐约看到下层的图像。(如下图的效果)

在这种显示方式下,重叠区域需要将两张图片做混合处理,基本混合算法公式:    dest = srcUp * alpha + srcDn *(1.0-alpha)  这里alpha就是上层图像的透明度。在实际进行运算操作时,每个像素的三个色彩通道分别独立的按照上面这个公式进行计算,则可以计算出最终显示出来的像素颜色。

透明度混合计算公式

      这里表示透明度的alpha我们通常直接称之为"Alpha通道"(与R、G、B色彩通道保持一致叫法),从计算公式可以看出,当alpha通道值越大,上层图像显示越明显,下层图像越看不清。我们可以所有的像素点计算都使用一台alpha值计算透明度,也可以每个像素使用不同的透明度,这样可以做到上层图像仅显示部分的效果。为此,考虑到数据的更加通用性,很多处理软件在保存图像数据时,每个像素都额外增加一台字节,来保存像素的alpha通道,这样正常的一张图像,每个像素点需要4字节来保存 RGBA数据,这就是我们通常所说的 RGBA或者BGRA 像素格式。

RGBA像素格式的内存布局

3、归一化值的表示
    同灰度图像一样,在进行图像算法计算的时候,我们通常会将RGBA各个通道的颜色值分别归一化到0.0~1.0这个浮点值范围内,这样可以进行更加省事的数值计算。例如:RGBA(255, 50, 78, 128)  这个颜色值归一化后表示值是 (1.0, 0.196,  0.306, 0.5)

五、图像HSI色彩格式表示

     在图像处理算法中比较常用的HSI色彩格式。HSI格式在图像格式的存储中很少使用,但是在图像处理算法过程中确具有十分重要的地位。前面的RGB模型也好,或者YUV模型也好,可以很好的处理图像数据的存储格式,但是却不能对于色彩有很好的解释能力。例如:用户想对当前图像的某种颜色调得更加浓郁一些;或者将红色的图像调节得变得偏粉红色一些,针对这样一些的应用场景,上述的色彩格式都  无能为力了,因此,在图像处理算法中推出了很重要的适合人类视觉表示的HSI色彩格式。
    在HSI色彩系统中,每个像素点的颜色使用:色调(Hue)、饱和度(Saturation) 和 亮度 (Intensity) 三个属性来描述。
色调(Hue): 表示颜色的相位角,是彩色最重要的属性,决定颜色的类别。色调可以用一台标准圆的角度来表示,红色是0度,绿色是120度、蓝色是240度,相互之间分别相隔120度。简单来说表示是蓝色或是红色色或者绿色。
饱和度(Saturation):表示颜色的深浅程度,饱和度越高,颜色越深。采用圆形的半径来表示,越靠近圆形中心则半径越短,表示饱和度低;越靠近圆形的边缘则半径越大,表示饱和度高。

亮度(Intensity):表示色彩的明亮程度,人眼对亮度很敏感。简单来说就是颜色比较亮或者比较暗。

HSI 和R GB的色彩坐标系也是相互对应的,两者之间有专门的换算方式,不同的换算算法也有不同的换算公式。

RGB转HSI公式

HSI转RGB公式

这里转换公式要注意一下,在这两个转换公式中 RGB值是归一化的值,在[0.0, 1.0]范围内,色调H可以用得到的值除以360归一化,其他饱和度和亮度两个分量也归一化在[0.0, 1.0]范围内。
// RGB ==> HSI转换
void ConvertRgbToHsi(
  double_t R,
  double_t G,
  double_t B,
  double_t& hue,
  double_t& saturation,
  double_t& illumine    )
{
  double_t mx, mi, th;

  if (R > G && R > B)
  {
    mx = R;
    mi = MIN(G, B);
  }
  else
  {
    if (G > B) {
      mx = G;
      mi = MIN(R, B);
    } else {
     mx = B;
     mi = MIN(R, G);
    }
  }

  illumine = (R + G + B) / 3.0;
  if (illumine < 0)  
    illumine = 0;
  else if (illumine > 1.0)
    illumine = 1.0;

  if (illumine == 0 || mx == mi)
  {
    saturation = 0;
    hue = 0;
  }
  else
  {
    saturation = 1 - mi / illumine;
    th = (R - G) * (R - G) + (R - B) * (G - B);
    th = sqrt(th) + 1e-5;
    th = acos(((R - G + R - B)*0.5) / th);
    if (G >= B)
      hue = th;
    else
      hue = 2.0 * X_PI - th;
  }

  hue = hue / X_2PI;
}

// HSI ==> RGB转换
void ConvertHsiToRgb(
  double_t hue,
  double_t saturation,
  double_t illumine,
  double_t& R,
  double_t& G,
  double_t& B      )
{
  double_t preh = hue * X_2PI;  // H
  double_t pres = saturation;    // S
  double_t prei = illumine;       // I
  double_t t1, t2, t3;

  t1 = (1.0 - pres) / 3.0;
  if (preh >= 0 && preh < (X_2PI / 3))
  {
    B = t1;
    t2 = pres * cos(preh);
    t3 = cos(X_PI / 3 - preh);
    R = (1 + t2 / t3) / 3;
    R = 3 * prei * R;
    B = 3 * prei * B;
    G = 3 * prei - (R + B);

  } else if (preh >= (X_2PI / 3) && preh < (X_PI * 4 / 3)) {
    R = t1;
    t2 = pres * cos(preh - X_2PI / 3);
    t3 = cos(X_PI - preh);
    G = (1 + t2 / t3) / 3;
    R = 3 * prei * R;
    G = 3 * G * prei;
    B = 3 * prei - (R + G);

  } else if (preh >= (X_PI * 4 / 3) && preh <= X_2PI) {
    G = t1;
    t2 = pres * cos(preh - 4 * X_PI / 3);
    t3 = cos(X_PI * 5 / 3 - preh);
    B = (1 + t2 / t3) / 3;
    G = 3 * G * prei;
    B = 3 * prei * B;
    R = 3 * prei - (G + B);
  }
}

//
// 调节明度-色调-饱和度
//
int32_t XImage::AdjustHsi(XImage& out_img)
{
  out_img.Release( );
  int32_t res = out_img.Allocate(pxl_format_, width_, height_);
  if (res != XOK)
  {
    XOS_ERROR(TAG_IMGENG, "<XImage.Convert> fAIl to allocate image, fmt=%d, w=%d, h=%d",
      pxl_format_, width_, height_ );
    return res;
  }

  uint8_t* src_line = image_data_;
  uint8_t* dst_line = out_img.image_data_;
  int32_t x, y;

  for (y = 0; y < height_; y++)
  {
    uint8_t* src_data = src_line;
    uint8_t* dst_data = dst_line;

    for (x = 0; x < width_; x++)
    {

      double_t R, G, B;
      double_t hue, saturation, illumine;

      // Convert RGB --> HSI
      B = (double_t)(src_data[0]) / 255.0;
      G = (double_t)(src_data[1]) / 255.0;
      R = (double_t)(src_data[2]) / 255.0;
      ConvertRgbToHsi(R, G, B, hue, saturation, illumine);

      // 这里可以分别对 hue-saturation-illumine 进行调节
   

      // Convert HSI --> RGB
      ConvertHsiToRgb(hue, saturation, illumine, R, G, B);
      B *= 255.0;
      G *= 255.0;
      R *= 255.0;
      if (B < 0)  B = 0;
      if (B > 255.0)  B = 255.0;
      if (G < 0)  G = 0;
      if (G > 255.0)  G = 255.0;
      if (R < 0)  R = 0;
      if (R > 255.0)  R = 255.0;
      dst_data[0] = (uint8_t)(B);
      dst_data[1] = (uint8_t)(G);
      dst_data[2] = (uint8_t)(R);

      src_data += pixel_bytes_;
      dst_data += pixel_bytes_;
    }

    src_line += line_bytes_;
    dst_line += line_bytes_;
  }

  return XOK;
}
HSI色彩模型在图像基础调节具有很重要的作用,在常见的美图软件中经常会有一台基础调节项,调节图像的 亮度、色调、饱和度、对比度、高低光等 其中前面三种就可以直接在HSI色彩模型中调节相应的分量即可。

六、图像YUV色彩格式表示

      根据人眼的生理特性,人眼对于亮度的敏感度远大于对于颜色细节的敏感度,因此在现代彩色电视机系统中,通常不会直接采用RGB的表示方式,而是采用YUV或者YCrCb等表示方式。

    在现代三管彩色摄像机或彩色CCD(点耦合器件)摄像机,它把摄得的彩色图像 信号,经分色、分别放大校正得到RGB,再经过矩阵变换电路得到亮度信号Y 和 两个色差信号 U(蓝基色分量与亮度的差值信号)和 V(红基色分量与亮度的差值信号), 最后发送端将亮度和色差三个信号分别进行编码,用同一信道发送出去。这就是我们常用的YUV色彩空间。而采用YUV颜色空间的好处有:一是解决了彩色电视机机和黑白电视机机的兼容问题(因为黑白电视机机只需要提取信号中的Y信号即可显示出来);二是可以减少数据码率,节省传输带宽。通常情况数字化后的 Y:U:V = 8:4:4或者Y:U:V = 8:2:2,即亮度信号Y需要8比特表示,UV需要4个或者2个比特表示,我们知道,RGB颜色空间下,需要24比特来表示一台颜色,而利用YUV则仅需要16比特或者12比特,达到压缩的目的。
    根据实际硬件设备处理后的YUV数据值范围,Y~ [0,1]   U,V~[-0.5,0.5] ,这样的浮点值不利于数据存储,因此在实际处理和保存时,会对YUV数据值进行量化处理,将其值范围扩大到:Y~[16,235]   U ~[16-240]   V~[16-240] ,这样YUV的数据值都限制在[0, 255]范围内,各个分量可以只使用一台字节就可以来表示和存储。(注: YCbCr中的Cb和Cr分量就相当于UV两个分量)

BT601 量化后的UV 的坐标图(横坐标为u,纵坐标为v,左下角为原点)

YUV色彩格式 与 RGB色彩格式 表示的颜色内容本质是一致的,他们之间存在固定的转换公式。不过有一点要注意:不同制式的YUV格式与RGB转换公式稍有差距。
以BT601制式为例,YUV与RGB转换公式如下

RGB转YUV(RGB归一化的值,YUV未量化的值)

YUV转RGB(RGB归一化的值,YUV未量化的值)

考虑到YUV在实际保存时都是量化后的处理单个字节数据,因此YUV量化值 与 RGB字节值之间的转换公式如下 (该公式在实际开发中更加通用)

RGB转YUV, RGB范围[0, 255], YUV是量化后的值

YUV转RGB, YUV是量化后的值,RGB范围[0, 255]

采用C语言代码描述
// 内存占用字节数 = 图像宽度 * 图像高度 * 每个像素占用字节
int nPxlBytes = 3;   // 每个像素占用3个字节
int nBufSize = nImgWidth * nImgHeight * nPxlBytes;
uint8_t  *pRgbBuffer = (uint8_t*)malloc(nBufSize);

// 对于(x,y) 像素点的颜色值访问
uint8_t  *pPixelData = pRgbBuffer + (nImgWidth * y * nPxlBytes) + (x * nPxlBytes);
int16_t R = pPixelData[0];
int16_t G = pPixelData[0];
int16_t B = pPixelData[0];

// 将像素的RGB转换为YUV数据
int16_t Y = (int16_t)(0.2568f*R - 0.1479f*G + 0.4375f*B + 16);
int16_t U = (int16_t)(-0.1479f*R - 0.2896f*G - 0.4375f*B + 128);
int16_t V = (int16_t)(0.4375f*R - 0.3666f*G - 0.0709*B + 128);

// 值域限制处理
Y = (Y < 16) ? 16 : Y;
Y = (Y > 235) ? 235 : Y;
U = (U < 16) ? 16 : U;
U = (U > 240) ? 240 : U;
V = (V < 16) ? 16 : V;
V = (V > 240) ? 240 : V;1、YUV数据的采样格式
在实际应用场景中,不同的应用场景对于YUV数据有不同的存储格式,YUV格式有两大类:planar和packed。planar模式中,先连续存储所有像素点的Y,紧接着存储所有像素点的U,随后是所有像素点的V;而packed模式,每个像素点的Y,U,V是连续交叉存储的。
对于每个像素点的YUV数据,也有不同的采样方式,不同的采样方式占用不同的存储空间

YUV 4:4:4采样:   每一台Y对应一组UV分量。每1个像素对应1个Y、1个U、1个V。这样每个像素占用3个字节。
YUV 4:2:2采样:每两个Y共用一组UV分量。 每4个像素对应4个Y、公用2个U、公用2个V。这样每个像素平均占用2个字节。
YUV 4:2:0采样:每四个Y共用一组UV分量。每4个像素对应4个Y、公用1个U、公用1个V。这样每个像素平均占用1.5个字节。
2、YUV数据的内存排列格式
     常见的排列格式有YUV420P、YUV420SP、I420、NV12、NV21等,不同系统平台上有多种不同的排列格式。
YUV420P,Y,U,V三个分量都是平面格式,分为I420和YV12。I420格式和YV12格式的不同处在U平面和V平面的位置不同。在I420格式中,U平面紧跟在Y平面之后,然后才是V平面(即:YUV);但YV12则是相反(即:YVU)。
YUV420SP, Y分量平面格式,UV打包格式, 即NV12。 NV12与NV21类似,U 和 V 交错排列,不同在于UV顺序。
I420: YYYYYYYY UU VV    =>YUV420P
YV12: YYYYYYYY VV UU    =>YUV420P
NV12: YYYYYYYY UVUV     =>YUV420SP
NV21: YYYYYYYY VUVU     =>YUV420SP
3、YUV格式应用场景
    YUV数据表示格式应用最多的场景是JPG图片和视频文件中。在JPG文件中,图像的像素格式通常是以YUV420P方式来存储,然后经过编码压缩算法进行压缩后保存。而在主流的.mp4等视频文件中,几乎所有的视频帧像素 数据也都是以YUV像素格式来进行处理的,所以掌握YUV数据格式或是比较重要的。

总结

本章主要讲解了在不同的应用场景中,几种常见的色彩模型表示方式,主要针对 灰度图、RGB色彩模型、YUV色彩模型 和 HSI色彩模型进行详细的讲解,希望大家能够掌握模型中主要的原理和内存布局,以及不同色彩模型之间的转换。

前一章节: 图像算法原理与实践——绪论
下一章节: 图像算法原理与实践——基础知识之 图像数据操作
文章系列目录
sfep
我想问一下既然图像由一个个像素点组成,这意味着是离散的吧那为何我看到屏幕字体是连续的,而不是离散的,和刷新率有关系吗,还是与人的视觉系统有关
用PixPix生成超酷炫电视壁纸
回复 赞 踩
使用道具 举报
叮叮铛
你用放大镜看下屏幕,就会发现屏幕也是一个一个像素点组成的,也就是离散的。
回复 赞 踩
使用道具 举报
a3760014
你说的都对 这两个都有关系 分辨率的定义你看看或许你就也搞懂了
回复 赞 踩
使用道具 举报
torry
因为图像像素点的离散状态不断的更新,但是更新速度快慢不同,你看到的连贯的东西是因为它低于人眼的识别速度也就是24ms 所以使连贯的
回复 赞 踩
使用道具 举报
快速回复
您需要登录后才可以回帖 登录 | 立即注册

当贝投影