【笔记】opencv图像轮廓获得平均灰度值在原图上画轮廓观察灰度图的分解

缺乏、安全感 2022-11-02 11:56 38阅读 0赞

调整大小：

image = cv2.resize(image,dst=None,fx=0.5,fy = 0.5,dsize=None)
    img = cv2.resize(img,dst=None,fx=0.5,fy = 0.5,dsize=None)

# 画轮廓 #

## 获得平均灰度值的办法: ##

\*\*

template = cv2.imread('pl2.jpg')
    #获得灰度图
    template_gray = cv2.cvtColor(template, cv2.COLOR_BGR2GRAY)
    h, w = template_gray.shape[:2] # template_gray 为灰度图
    m = np.reshape(template_gray, [1, w*h])
    mean = m.sum()/(w*h) # 图像平均灰度值

发现使用template\_gray.shape\[2\]会报错，认为原因应该是灰度图是二维的，shape只有图像的尺寸，而无第三个通道数。

### reshape函数： ###

numpy.arange(n).reshape(a, b) 依次生成n个自然数，并且以a行b列的数组形式显示  
mat (or array).reshape(c, -1) 必须是矩阵格式或者数组格式，才能使用 .reshape(c, -1) 函数， 表示将此矩阵或者数组重组，以 c行d列的形式表示  
arr.shape \# (a,b)  
arr.reshape(m,-1) \#改变维度为m行、d列 （-1表示列数自动计算，d= a*b /m ）  
arr.reshape(-1,m) \#改变维度为d行、m列 （-1表示行数自动计算，d= a*b /m ）  
\-1的作用就在此: 自动计算d：d=数组或者矩阵里面所有的元素个数/c, d必须是整数，不然报错）mat (or array).reshape(c, -1) **必须是矩阵格式或者数组格式，才能使用 .reshape(c, -1) 函数， 表示将此矩阵或者数组重组，以 c行d列的形式表示**  
arr.shape \# (a,b)  
arr.reshape(m,-1) \#改变维度为m行、d列 （-1表示列数自动计算，d= a*b /m ）  
arr.reshape(-1,m) \#改变维度为d行、m列 （-1表示行数自动计算，d= a*b /m ）  
\-1的作用就在此: 自动计算d：d=数组或者矩阵里面所有的元素个数/c, d必须是整数，不然报错）

上面的代码中reshape的第一个参数为1，可见它将矩阵转化为一行，输出m得到：  
\[\[67 68 70 … 86 84 82\]\]  
输出平均灰度mean:  
166.6545988023952

### 函数cv2.threshold() ###

这个函数有四个参数，第一个原图像，第二个进行分类的阈值，第三个是高于（低于）阈值时赋予的新值，第四个是一个方法选择参数，常用的有：  
• cv2.THRESH\_BINARY（黑白二值）示阈值的二值化操作，大于阈值使用maxval表示，小于阈值使用0表示  
• cv2.THRESH\_BINARY\_INV（黑白二值反转）表示阈值的二值化翻转操作，大于阈值的使用0表示，小于阈值的使用最大值表示  
• cv2.THRESH\_TRUNC （得到的图像为多像素值） 表示进行截断操作，大于阈值的使用阈值表示，小于阈值的不变  
• cv2.THRESH\_TOZERO 表示进行化零操作，大于阈值的不变，小于阈值的使用0表示  
• cv2.THRESH\_TOZERO\_INV 表示进行化零操作的翻转，大于阈值的使用0表示，小于阈值的不变

将上面的参数0换成cv2.THRESH\_TRUNC之后：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70]  
换成cv2.THRESH\_BINARY\_INV：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 1]  
可见对于最后轮廓的提取并没有什么影响。  
将第三个参数由原来的255换成100：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 2]  
255为白色，100为上面的灰色，如果换成0图片变成一片黑:  
即

template_thresh = cv2.threshold(template_gray, mean, 0,0)[1]
    cv2.imshow('template_thresh', template_thresh)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 3]  
且可以看到轮廓也没有被提取出来，可见第三个参数对于结果也很重要。

## 下面提取轮廓: ##

# 对模板图片进行二值化
    cv2.imshow("a",template_gray)
    template_thresh = cv2.threshold(template_gray, mean, 255,0)[1]
    cv2.imshow('template_thresh', template_thresh)
    
    # 轮廓检测 cv2.RETR_EXTERNAL--检测外侧轮廓
    contours, hierarchy = cv2.findContours(template_thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    # print(contours)
    # 轮廓绘制
    res = cv2.drawContours(template.copy(), contours, -1, (0, 0, 255), 1) 
    cv2.imshow('res', res)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

## cv2.findContours ##

注意cv2.findContours的返回值现在只有两个，多写会报错。  
counters是返回的轮廓  
　findContours( InputArray image, int mode,int method, Point offset = Point());　　  
　第一个参数：  
　image 8位单通道，所有非0值被处理为1，0值不变，也就是说灰度图会被自动处理为二值图，一般都是先处理为二值图之后再作为参数使用  
　第二个参数：  
　RETR\_LIST 从解释的角度来看，这中应是最简单的。它只是提取所有的轮廓，而不去创建任何父子关系。  
RETR\_EXTERNAL 如果你选择这种模式的话，只会返回最外边的的轮廓，所有的子轮廓都会被忽略掉。  
RETR\_CCOMP 在这种模式下会返回所有的轮廓并将轮廓分为两级组织结构。  
RETR\_TREE 这种模式下会返回所有轮廓，并且创建一个完整的组织结构列表。它甚至会告诉你谁是爷爷，爸爸，儿子，孙子等  
注意:后一个轮廓跟父子轮廓无关  
第三个参数:  
cv2.CHAIN\_APPROX\_NONE，，表示边界所有点都会被储存；而如果设为cv2.CHAIN\_APPROX\_SIMPLE 会压缩轮廓，将轮廓上冗余点去掉，比如说四边形就会只储存四个角点。  
之前上面代码的运行结果:  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 4]  
将第三个参数cv2.CHAIN\_APPROX\_SIMPLE改为cv2.CHAIN\_APPROX\_NONE之后结果：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 5]  
表示没有看出什么差别。  
返回的第一个参数:返回的轮廓（opencv4中取消了返回的原始图像)  
第二个参数：图像的拓扑信息（轮廓层次）

该返回值返回的是一组轮廓信息，每个轮廓都是由若干个点所构成的。例如，contours\[i\]是第i个轮廓（下标从0开始）,contours\[i\]\[j\]是第i个轮廓内的第j个点。  
返回值contours的type属性是list类型，list的每个元素都是图像的一个轮廓，用Numpy中的ndarray结构表示。  
使用如下语句，可以获取轮廓内第0个轮廓中具体点的位置属性： print（contours\[0\]）\#打印第0个轮廓中的像素点

## cv2.drawContours() ##

cv2.drawContours()被用来绘制轮廓。第一个参数是一张图片，可以是原图或者其他。第二个参数是轮廓，也可以说是cv2.findContours()找出来的点集，一个列表。第三个参数是对轮廓（第二个参数）的索引，当需要绘制独立轮廓时很有用，若要全部绘制可设为-1。接下来的参数是轮廓的颜色和厚度。  
（0，0，255）表示的是红色，如果换成(0, 230, 255)，可以看见颜色变成了淡黄  
平均灰度值的获得非常重要，即这句话:  
template\_thresh = cv2.threshold(template\_gray, mean, 255,0)\[1\]  
mean是平均灰度值。如果数值不对，无法提取轮廓，现在换成另一个数字150尝试一下:(计算出来的数值是166)  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 6]  
可以看到旁边出现了一些其他的轮廓，即并没有正确框住轮廓。可见这个值对于结果非常重要。  
完整代码:

template = cv2.imread('pl2.jpg')
    template_gray = cv2.cvtColor(template, cv2.COLOR_BGR2GRAY)
    h, w = template_gray.shape[:2] # gray 为灰度图
    print(h)
    print(w)
    
    m = np.reshape(template_gray, [1, w*h])
    mean = m.sum()/(w*h) # 图像平均灰度值
    print(mean)
    # 对模板图片进行二值化
    cv2.imshow("a",template_gray)
    template_thresh = cv2.threshold(template_gray, mean, 255,1)[1]
    cv2.imshow('template_thresh', template_thresh)
    
    # 轮廓检测 cv2.RETR_EXTERNAL--检测外侧轮廓
    contours, hierarchy = cv2.findContours(template_thresh, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
    # print(contours)
    # 轮廓绘制
    res = cv2.drawContours(template.copy(), contours, -1, (80, 45, 255), 1) #注意这里！！！
    
    cv2.imshow('res', res)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

实例二：

img = cv2.imread("p7.jpg")
    
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    ret,newi = cv2.threshold(gray,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
    hire,counters = cv2.findContours(newi,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
    res = cv2.drawContours(img,hire,-1,(0,0,255),2)
    cv2.imshow("i",res)
    
    
    cv2.waitKey()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 7]  
框矩形:  
threshold函数的阈值设置非常重要，这里设置的是210

img = cv2.imread("pl2.jpg")
    
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    ret,newi = cv2.threshold(gray,210,255,cv2.THRESH_BINARY)
    
    hire,counters = cv2.findContours(newi,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
    x,y,w,h = cv2.boundingRect(hire[0])
    box = np.array([[x,y],[x+w,y],[x+w,y+h],[x,y+h]])
    res = cv2.drawContours(img,[box],-1,(0,0,255),2)
    cv2.imshow("i",img)
    cv2.imshow("it",res)
    cv2.waitKey()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 8]  
另一种框矩形法：（不能用平均灰度，否则无法框出矩形）

## 最小矩形框 ##

img = cv2.imread("pl2.jpg")
    
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    h, w = gray.shape[:2] # template_gray 为灰度图
    m = np.reshape(gray, [1, w*h])
    mean = m.sum()/(w*h) # 图像平均灰度值
    t,newi = cv2.threshold(gray,185,255,cv2.THRESH_BINARY)
    
    cv2.imshow("io",newi)
    hire,counters = cv2.findContours(newi,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
    rect = cv2.minAreaRect(hire[0])
    print(rect)
    points = cv2.boxPoints(rect)
    points = np.int0(points) #取整
    image = cv2.drawContours(img,[points],0,(0,0,255),2)
    cv2.imshow("i",img)
    cv2.imshow("it",image)

![在这里插入图片描述][20210228024647991.png]  
（选图很重要，不然根本出不来）  
由于原图中本来就有红色的边框，故改阈值：  
t,newi = cv2.threshold(gray,0,255,cv2.THRESH\_BINARY)  
现在进行凸包操作：

rect = cv2.convexHull(hire[1])
    print(rect)
    cv2.polylines(img,[rect],True,(0,255,255),2)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 9]  
此时能完全刚好框住。如果不设置为0的话会发现没有全部框住：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 10]

## 遍历所有轮廓 ##

由于图有问题，画的轮廓也有问题  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 11]

img = cv2.imread("erode.png")
    t,newi = cv2.threshold(gray,245,255,cv2.THRESH_BINARY)
    hire,counters = cv2.findContours(newi,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
    n = len(hire)
    countt=[]
    print(len(hire))
    for i in range(n):
        #print('cc'+str(i),cv2.contourArea(hire[i]))
        temp = np.zeros(img.shape,np.uint8)
        countt.append(temp)
        countt[i] = cv2.drawContours(countt[i],hire,i,(0,255,255),2)
        cv2.imshow(str(i),countt[i])

换了一张图测试，效果好多了：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 12]

# 灰度图分解 #

效果：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 13]  
其中7最接近原始图像。第七位二进制值在八位二进制值中权值最高，与原图相关度最高  
代码:

a = cv2.imread("p7.jpg",0)
    
    h,w = a.shape
    newpic =np.zeros((h,w,8),dtype=np.uint8)
    for i in range(8):
        newpic[:,:,i] = 2**i
    h = np.zeros((h,w,8),dtype=np.uint8)
    for i in range(8):
        h[:,:,i] = np.bitwise_and(a,newpic[:,:,i])
        mask = h[:,:,i]>0
        h[mask] = 255
        cv2.imshow(str(i),h[:,:,i])
    
    cv2.waitKey(0)
    cv2.destroyAllWindows()

newpic =np.zeros((h,w,8),dtype=np.uint8)：用于提取各个位平面的提取矩阵，8表示有8个通道，八个通道分别用来提取灰度图像的八个位位平面，newpic\[:,:,0\]用来提取灰度图像的第0个位平面  
mask = h\[:,:,i\]>0将h中大于0的值处理为逻辑真，h\[mask\]=255,将h中对应mask中逻辑值为真的位置上的值替换为255

## 只框超过一定大小的轮廓： ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 14]

img = cv2.imread("shu.png")
    
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    h, w = gray.shape[:2] # template_gray 为灰度图
    ret,binaryimg = cv2.threshold(gray,100,255,cv2.THRESH_BINARY)
    countimg = []
    contours,hierarchy = cv2.findContours(binaryimg,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
    n = len(contours)
    for i in range(n):
        temp = np.zeros(img.shape, np.uint8)
        countimg.append(temp)
        if cv2.contourArea(contours[i]) > 20000:
    
            countimg[i] = cv2.drawContours(img.copy(),contours,i,(0,0,255),3)
            cv2.resize(countimg[i],dst=None,fx = 0.5,fy=0.5,dsize=None)
            cv2.imshow("conter"+str(i),countimg[i])

## 指定hsv范围框白色物体 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 15]

试了好多次hsv的值终于框出来了，取值也太难了吧。中途因为取值问题压根无法获得边缘。

\[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-6aMVJq1E-1614539904373)(C:\\Users\\14172\\AppData\\Roaming\\Typora\\typora-user-images\\image-20210301024314126.png)\]

img = cv2.imread("shu.png")
    
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
    h, w = gray.shape[:2] # template_gray 为灰度图
    ret,binaryimg = cv2.threshold(gray,100,255,cv2.THRESH_BINARY_INV)
    countimg = []
    lowhsv = np.array([0,0,100])
    highhsv = np.array([180,40,255])
    mask = cv2.inRange(hsv,lowerb=lowhsv,upperb=highhsv)
    median = cv2.medianBlur(mask,5)
    cannypic = cv2.Canny(median,30,255)
    cv2.imshow("f",cannypic)
    #contours,hierarchy = cv2.findContours(binaryimg,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
    contours,hierarchy = cv2.findContours(cannypic,cv2.RETR_CCOMP,cv2.CHAIN_APPROX_SIMPLE)
    n = len(contours)
    print(n)
    for i in range(n):
        temp = np.zeros(img.shape, np.uint8)
        countimg.append(temp)
        if cv2.contourArea(contours[i]) > 10000:
    
         countimg[i] = cv2.drawContours(img.copy(),contours,i,(0,0,255),3)
         countimg[i] = cv2.resize(countimg[i],dst=None,fx = 0.5,fy=0.5,dsize=None)
         cv2.imshow("conter"+str(i),countimg[i])

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70]: /images/20221024/e0517c3fce264597a4700f07185b7ce8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 1]: /images/20221024/fa0c3ade4d1b44a3a3cd4edf921681aa.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 2]: /images/20221024/9c89b5d97e5740969348ab8aadcf24dd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 3]: /images/20221024/8fb541d7f80047a2874e63adb6b78fa2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 4]: /images/20221024/053f2f147ddf4a7aa74caf0dddac4070.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 5]: /images/20221024/d44c64c6c705414b81ab2f3bdaefab3c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 6]: /images/20221024/13f5b9099a7940e295cbc77af15b21d6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 7]: /images/20221024/8560ee7b423544219e93b76b5378c444.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 8]: /images/20221024/97f55d67841d4fd58f3de9f220eddf00.png
[20210228024647991.png]: /images/20221024/a6f7f53b528d464d87939e39b2dce4d3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 9]: /images/20221024/c654082ada534366955a4ee1c9fe69c2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 10]: /images/20221024/c6e1887c0b814b518ab5257b4edd3343.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 11]: /images/20221024/48f414599dc443359fb022cadb15ddf4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 12]: /images/20221024/43f9e932cbd6450a8d5019996cab7514.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 13]: /images/20221024/a2bb9b8568cd4a8d9ca543527b5ab7b2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 14]: /images/20221024/e9000cffb77c4a678a038effe71e2280.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzU4NTc0_size_16_color_FFFFFF_t_70 15]: /images/20221024/162500b1a4c64196b30c4929c711aeeb.png