欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022110890432
申请人: 宁波大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种风格迁移图像质量评价方法,其特征在于包括以下步骤:

步骤1:构建三个深度神经网络:第1个深度神经网络是内容保持质量预测网络,其提取内容图像和结果图像各自的特征,然后对内容图像的特征和结果图像的特征进行特征融合,再根据融合特征获得用于衡量内容图像与结果图像之间的结构内容相似性的内容保持质量分数和用于平衡内容保持度在整体视觉中的重要性的内容保持权重向量;第2个深度神经网络是风格相似质量预测网络,其提取风格图像和结果图像各自的特征,然后对风格图像的特征和结果图像的特征进行特征融合,再根据融合特征获得用于衡量风格图像与结果图像之间的风格样式相似性的风格相似质量分数和用于平衡风格相似度在整体视觉中的重要性的风格相似权重向量;第3个深度神经网络是整体视觉质量预测网络,其操纵内容保持权重向量生成内容保持自适应权重值,并操作风格相似权重向量生成风格相似自适应权重值,然后根据内容保持自适应权重值和风格相似自适应权重值将内容保持质量分数和风格相似质量分数融合成结果图像的整体视觉质量分数;

步骤2:选取不同的N1对风格图像和内容图像;然后利用N2种风格迁移算法对每对风格图像和内容图像进行处理,生成N2幅不同的结果图像;再将每对风格图像和内容图像与对应的一幅结果图像组成一个图像组,每对风格图像和内容图像对应有N2个图像组,N1对风格图像和内容图像对应有共N1×N2个图像组;接着采用图像裁剪技术对每个图像组中的风格图像、内容图像和结果图像进行取子块处理,每幅图像中随机取25个子块且每个子块的尺寸为224×224,任一个图像组中的风格图像、内容图像和结果图像中的子块的位置一一对应;之后采用具有一定发生概率的图像翻转技术对每个图像组中的风格图像、内容图像和结果图像各自中的每个子块进行处理,将风格图像中的每个子块经图像翻转技术操作后得到的结果作为一幅224×224风格图像,将内容图像中的每个子块经图像翻转技术操作后得到的结果作为一幅224×224内容图像,将结果图像中的每个子块经图像翻转技术操作后得到的结果作为一幅224×224结果图像;最后将N1×N2×25对224×224风格图像、224×224内容图像、224×224结果图像构成训练数据集,并使训练数据集中的每幅224×224风格图像被赋予其所在的原始的风格图像相同的主观分数、每幅224×224内容图像被赋予其所在的原始的内容图像相同的主观分数、每幅224×224结果图像被赋予其所在的原始的结果图像相同的主观分数;其中,N1≥1,N2≥1;

步骤3:将训练数据集中的每对224×224风格图像、224×224内容图像、224×224结果图像中的224×224内容图像和224×224结果图像分别作为第一RGB图像,输入到内容保持质量预测网络中进行训练;其中,在一轮网络训练结束前计算内容保持质量预测网络的损失函数值,记为LossCP, 然后采用反向传播算法通过Adam优化器,逐层计算LossCP对于每层网络层中的每个神经元权重的偏导数,并使用梯度‑5

下降算法对每层网络层中的每个神经元权重进行更新,对预训练过的网络层设置2×10 的‑4

学习率,对没有预训练过的网络层设置2×10 的学习率;

将训练数据集中的每对224×224风格图像、224×224内容图像、224×224结果图像中的224×224风格图像和224×224结果图像分别作为第二RGB图像,输入到风格相似质量预测网络中进行训练;其中,在一轮网络训练结束前计算风格相似质量预测网络的损失函数值,记为LossSR, 然后采用反向传播算法通过Adam优化器,逐层计算LossSR对于每层网络层中的每个神经元权重的偏导数,并使用梯度下降算法‑5

对每层网络层中的每个神经元权重进行更新,对预训练过的网络层设置2×10 的学习率,‑4

对没有预训练过的网络层设置2×10 的学习率;

上述,1≤n≤N1×N2×25,符号“|| ||1”表示求取元素的L1范数, 表示训练数据集中的第n对224×224风格图像、224×224内容图像、224×224结果图像中的224×224内容图像的标签值即主观分数, 表示训练数据集中的第n对224×224风格图像、224×224内容图像、224×224结果图像中的224×224内容图像和224×224结果图像输入到内容保持质量预测网络中后输出的内容保持质量分数, 表示训练数据集中的第n对224×224风格图像、

224×224内容图像、224×224结果图像中的224×224风格图像的标签值即主观分数,表示训练数据集中的第n对224×224风格图像、224×224内容图像、224×224结果图像中的

224×224风格图像和224×224结果图像输入到风格相似质量预测网络中后输出的风格相似质量分数;

步骤4:重复执行步骤3,总共运行15轮网络训练,其中,每过5轮网络训练就将设置的学习率增大10倍;在15轮网络训练结束后训练得到内容保持质量预测网络训练模型和风格相似质量预测网络训练模型,并保存内容保持质量预测网络训练模型和风格相似质量预测网络训练模型;

步骤5:将训练数据集中的每对224×224风格图像、224×224内容图像、224×224结果图像中的224×224内容图像和224×224结果图像分别作为第一RGB图像,输入到内容保持质量预测网络训练模型中,内容保持质量预测网络训练模型输出对应的内容保持质量分数和内容保持权重向量;将训练数据集中的每对224×224风格图像、224×224内容图像、224×224结果图像中的224×224风格图像和224×224结果图像分别作为第二RGB图像,输入到风格相似质量预测网络训练模型中,风格相似质量预测网络训练模型输出对应的风格相似质量分数和风格相似权重向量;

步骤6:将训练数据集中的每对224×224风格图像、224×224内容图像、224×224结果图像中的224×224风格图像作为第三RGB图像,然后将第三RGB图像及内容保持质量预测网络训练模型输出的对应的内容保持质量分数和内容保持权重向量和风格相似质量预测网络训练模型输出的对应的风格相似质量分数和风格相似权重向量输入到整体视觉质量预测网络中进行训练;其中,在一轮网络训练结束前计算整体视觉质量预测网络的损失函数值,记为LossOV, 然后采用反向传播算法通过Adam优化器,微调步骤4中保存的内容保持质量预测网络训练模型和风格相似质量预测网络训练模型中的参数,逐层计算LossOV对于每层网络层中的每个神经元权重的偏导数,并使用梯‑5度下降算法对每层网络层中的每个神经元权重进行更新,对预训练过的网络层设置2×10‑4

的学习率,对没有预训练过的网络层设置2×10 的学习率;

上述, 表示训练数据集中的第n对224×224风格图像、224×224内容图像、224×224结果图像中的224×224结果图像的标签值即主观分数, 表示训练数据集中的第n对224×224风格图像、224×224内容图像、224×224结果图像中的224×224风格图像及内容保持质量预测网络训练模型输出的第n对对应的内容保持质量分数和内容保持权重向量和风格相似质量预测网络训练模型输出的第n对对应的风格相似质量分数和风格相似权重向量输入到整体视觉质量预测网络中后输出的整体视觉质量分数;

步骤7:重复执行步骤6,总共运行15轮网络训练,其中,每过5轮网络训练就将设置的学习率增大10倍;在15轮网络训练结束后训练得到整体视觉质量预测网络训练模型;

步骤8:选取任意一对风格图像、内容图像和结果图像作为待测试的评价图像;然后将内容图像和结果图像输入到未微调过参数的内容保持质量预测网络训练模型中,内容保持质量预测网络训练模型输出结果图像的内容保持质量分数;将风格图像和结果图像输入到未微调过参数的风格相似质量预测网络训练模型中,风格相似质量预测网络训练模型输出结果图像的风格相似质量分数;将内容图像和结果图像输入到微调过参数的内容保持质量预测网络训练模型中,将风格图像和结果图像输入到微调过参数的风格相似质量预测网络训练模型中,将风格图像输入到整体视觉质量预测网络训练模型中,整体视觉质量预测网络训练模型输出结果图像的整体视觉质量分数;其中,待测试的评价图像的尺寸为224×

224。

2.根据权利要求1所述的一种风格迁移图像质量评价方法,其特征在于所述的步骤1中,内容保持质量预测网络包含第一特征提取模块、第一特征融合模块、第一特征回归模块;其中,第一特征提取模块主要由第1个ResNet50网络、第1个卷积层至第8个卷积层、第1个ReLU层至第4个ReLU层、第1个最大池化层、第1个上采样层、第1个SoftMax层组成;第1个ResNet50网络的输入端接收一幅大小为H×W的第一RGB图像的R、G、B三个通道,第一RGB图像为内容图像或结果图像,第1个ResNet50网络的第一层的输出端输出第一RGB图像的第一特征图,并记为FC1,第1个ResNet50网络的第二层的输出端输出第一RGB图像的第二特征图,并记为FC2,第1个ResNet50网络的第三层的输出端输出第一RGB图像的第三特征图,并记为FC3;第1个卷积层的输入端接收FC1,FC1依次通过第1个卷积层、第1个ReLU层和第1个最大池化层的处理,将第1个最大池化层的输出端输出的特征图记为FC4;第2个卷积层的输入端接收FC2,FC2依次通过第2个卷积层和第2个ReLU层的处理,将第2个ReLU层的输出端输出的特征图记为FC5;第3个卷积层的输入端接收FC3,FC3依次通过第3个卷积层、第3个ReLU层和第1个上采样层的处理,将第1个上采样层的输出端输出的特征图记为FC6;对FC4、FC5和FC6在通道维度上进行连接操作,第4个卷积层的输入端接收连接操作得到的结果,连接操作得到的结果依次通过第4个卷积层和第4个ReLU层的处理,将第4个ReLU层的输出端输出的特征图记为FC7;第7个卷积层的输入端接收FC7,将第7个卷积层的输出端输出的特征图记为FC8;对FC7进行Whiten操作,第5个卷积层的输入端和第6个卷积层的输入端分别接收Whiten操作得到的结果,将第5个卷积层的输出端输出的特征图记为FC9,将第6个卷积层的输出端输出的特征图记为FC10;对FC9和FC10进行元素相乘操作,第1个SoftMax层的输入端接收FC9和FC10元素相乘操作得到的结果,将第1个SoftMax层的输出端输出的特征图记为FC11;

对FC8和FC11进行元素相乘操作,再对FC8和FC11元素相乘操作得到的结果和FC7进行元素相加操作,将元素相加操作得到的结果记为FC12;第8个卷积层的输入端接收FC12,当第一RGB图像为内容图像时将第8个卷积层的输出端输出的特征图记为 当第一RGB图像为结果图像时将第8个卷积层的输出端输出的特征图记为 其中,第1个卷积层至第8个卷积层均为2D卷积层,第1个卷积层的输入尺寸为 输出尺寸为 卷积核大小为1×1、滑动步长为1、自动填充为0,第2个卷积层的输入尺寸为 输出尺寸为 卷积核大小为1×1、滑动步长为1、自动填充为0,第3个卷积层的输入尺寸为输出尺寸为 卷积核大小为1×1、滑动步长为1、自动填充为0,第4个卷积层的输入尺寸为 输出尺寸为 卷积核大小为1×1、滑动步长

为1、自动填充为0,第5个卷积层的输入尺寸为 输出尺寸为 卷积核

大小为1×1、滑动步长为1、自动填充为0,第6个卷积层的输入尺寸为 输出尺寸为 卷积核大小为1×1、滑动步长为1、自动填充为0,第7个卷积层的输入尺寸为输出尺寸为 卷积核大小为1×1、滑动步长为1、自动填充为0,第8个卷积层的输入尺寸为 输出尺寸为 卷积核大小为1×1、滑动步长

为1、自动填充为0,第1个最大池化层的输入尺寸为 输出尺寸为 卷

积核大小为2×2、滑动步长为2、自动填充为0,第1个上采样层的输入尺寸为 输出尺寸为 scale_factor=2,第1个SoftMax层的输入尺寸为 输出尺寸为 Dim=‑1,第1个ResNet50网络的输入尺寸为H×W×3,第1个ResNet50网络的第一层的输出尺寸为 第二层的输出尺寸为 第三层的输出尺寸为

第一特征融合模块为先对 与 进行元素相减操作,再对 与 元素相减

CP

操作得到的结果和 在通道维度上进行连接操作,将连接操作得到的结果记为F ;

第一特征回归模块主要由第9个卷积层至第12个卷积层、第5个ReLU层至第8个ReLU层、第2个最大池化层、第3个最大池化层、第1个全连接层至第3个全连接层组成;第9个卷积层CP CP的输入端和第11个卷积层的输入端分别接收F ,F 一路依次通过第9个卷积层、第5个ReLU层、第10个卷积层、第6个ReLU层、第2个最大池化层的处理,将第2个最大池化层的输出端输CP出的特征图记为 F 另一路依次通过第11个卷积层、第7个ReLU层、第12个卷积层、第8个ReLU层、第3个最大池化层的处理,将第3个最大池化层的输出端输出的特征图记为CP对 进行特征平铺操作,将得到的特征向量记为V1 ;对 进行特征平铺操作,将得到的CP CP

特征向量记为 第1个全连接层的输入端接收V1 ,V1 依次通过第1个全连接层和第2个全连接层的处理,将第2个全连接层的输出端输出的一个数值作为内容保持质量分数,记为CPQ ;第3个全连接层的输入端接收 将第3个全连接层的输出端输出的一个向量作为内CP

容保持权重向量,记为ω ;其中,第9个卷积层至第12个卷积层均为2D卷积层,第9个卷积层的输入尺寸为 输出尺寸为 卷积核大小为1×1、滑动步长为1、自动填充为0,第10个卷积层的输入尺寸为 输出尺寸为 卷积核大小为1

×1、滑动步长为1、自动填充为0,第11个卷积层的输入尺寸为 输出尺寸为卷积核大小为1×1、滑动步长为1、自动填充为0,第12个卷积层的输入尺寸为输出尺寸为 卷积核大小为1×1、滑动步长为1、自动填充为0,第2个最大池化层的输入尺寸为 输出尺寸为 卷积核大小为7×7、滑动步

长为7、自动填充为0,第3个最大池化层的输入尺寸为 输出尺寸为

卷积核大小为7×7、滑动步长为7、自动填充为0,第1个全连接层的输入神经元数量为1024、输出神经元数量为512,第2个全连接层的输入神经元数量为512、输出神经元数量为1,第3个全连接层的输入神经元数量为1024、输出神经元数量为256。

3.根据权利要求2所述的一种风格迁移图像质量评价方法,其特征在于所述的步骤1中,风格相似质量预测网络包含第二特征提取模块、第二特征融合模块、第二特征回归模块;其中,第二特征提取模块主要由第2个ResNet50网络、第13个卷积层至第16个卷积层、第2个SoftMax层组成;第2个ResNet50网络的输入端接收一幅大小为H×W的第二RGB图像的R、G、B三个通道,第二RGB图像为结果图像或风格图像,第2个ResNet50网络的第四层的输出端输出第二RGB图像的特征图,并记为FS1;第15个卷积层的输入端、第13个卷积层的输入端、第

14个卷积层的输入端分别接收FS1,将第15个卷积层的输出端输出的特征图记为FS2,将第13个卷积层的输出端输出的特征图记为FS3,将第14个卷积层的输出端输出的特征图记为FS4;

对FS3和FS4进行通道级元素相乘操作,第2个SoftMax层的输入端接收FS3和FS4通道级元素相乘操作得到的结果,将第2个SoftMax层的输出端输出的特征图记为FS5;对FS2和FS5进行元素相乘操作,再对FS2和FS5元素相乘操作得到的结果和FS1进行元素相加操作,将元素相加操作得到的结果记为FS6;第16个卷积层的输入端接收FS6,当第二RGB图像为结果图像时将第16个卷积层的输出端输出的特征图记为 当第二RGB图像为风格图像时将第16个卷积层的输出端输出的特征图记为 其中,第13个卷积层至第16个卷积层均为2D卷积层,第13个卷积层至第16个卷积层的输入尺寸均为 输出尺寸均为卷积核大小均为1×1、滑动步长均为1、自动填充均为0,第2个SoftMax层的输入尺寸为 输出尺寸为 Dim=‑1,第2个ResNet50网络的输入尺寸为H×W×3,第2个ResNet50网络的第四层的输出尺寸为

第二特征融合模块为先对 与 进行元素相减操作,再对 与 元素相减操

SR

作得到的结果和 在通道维度上进行连接操作,将连接操作得到的结果记为F ;

第二特征回归模块主要由第17个卷积层至第21个卷积层、第9个ReLU层至第13个ReLU层、第4个最大池化层、第5个最大池化层、第4个全连接层至第6个全连接层组成;第17个卷SR SR积层的输入端和第20个卷积层的输入端分别接收F ,F 一路依次通过第17个卷积层、第9个ReLU层、第18个卷积层、第10个ReLU层、第19个卷积层、第11个ReLU层、第4个最大池化层SR的处理,将第4个最大池化层的输出端输出的特征图记为 F 另一路依次通过第20个卷积层、第12个ReLU层、第21个卷积层、第13个ReLU层、第5个最大池化层的处理,将第5个最大SR池化层的输出端输出的特征图记为F1 ;对 进行特征平铺操作,将得到的特征向量记为SR SR

对F1 进行特征平铺操作,将得到的特征向量记为V1 ;第4个全连接层的输入端接收SR SR

将第4个全连接层的输出端输出的一个向量作为风格相似权重向量,记为ω ;V1 依次通过第5个全连接层和第6个全连接层的处理,将第6个全连接层的输出端输出的一个数值SR作为风格相似质量分数,记为Q ;其中,第17个卷积层至第21个卷积层均为2D卷积层,第17个卷积层的输入尺寸为 输出尺寸为 卷积核大小为1×1、滑动步长为1、自动填充为0,第18个卷积层的输入尺寸为 输出尺寸为

卷积核大小为1×1、滑动步长为1、自动填充为0,第19个卷积层的输入尺寸为输出尺寸为 卷积核大小为1×1、滑动步长为1、自动填充为0,第

20个卷积层的输入尺寸为 输出尺寸为 卷积核大小为1×1、滑

动步长为1、自动填充为0,第21个卷积层的输入尺寸为 输出尺寸为

卷积核大小为1×1、滑动步长为1、自动填充为0,第4个最大池化层的输入尺寸为 输出尺寸为 卷积核大小为2×2、滑动步长为2、自动填充为0,第5个最大池化层的输入尺寸为 输出尺寸为 卷积核大小为14

×14、滑动步长为14、自动填充为0,第4个全连接层的输入神经元数量为980、输出神经元数量为256,第5个全连接层的输入神经元数量为512、输出神经元数量为512,第6个全连接层的输入神经元数量为512、输出神经元数量为1。

4.根据权利要求3所述的一种风格迁移图像质量评价方法,其特征在于所述的步骤1中,整体视觉质量预测网络包含自适应权重估计模块和分数计算模块;其中,自适应权重估计模块主要由第3个ResNet50网络、第7个全连接层至第17个全连接层、第1个自适应平均池化层至第6个自适应平均池化层、第22个卷积层至第25个卷积层、第14个RelU层至第18个RelU层组成;第3个ResNet50网络的输入端接收一幅大小为H×W的第三RGB图像的R、G、B三个通道,第三RGB图像为风格图像,将第3个ResNet50网络的第二层的输出端输出的特征图记为FO;计算FO的格拉姆矩阵,记为Gram,Gram的尺寸为256×256;第22个卷积层的输入端、第1个自适应平均池化层的输入端、第23个卷积层的输入端、第2个自适应平均池化层的输入端、第24个卷积层的输入端、第3个自适应平均池化层的输入端、第25个卷积层的输入端、第4个自适应平均池化层的输入端、第5个自适应平均池化层的输入端、第6个自适应平均池化层的输入端分别接收Gram,将第22个卷积层的输出端输出的特征图记为A1,将第1个自适应平均池化层的输出端输出的特征图记为B1,将第23个卷积层的输出端输出的特征图记为A2,将第2个自适应平均池化层的输出端输出的特征图记为B2,将第24个卷积层的输出端输出的特征图记为A3,将第3个自适应平均池化层的输出端输出的特征图记为B3,将第25个卷积层的输出端输出的特征图记为A4,将第4个自适应平均池化层的输出端输出的特征图记为B4,将第5个自适应平均池化层的输出端输出的特征图记为B5,将第6个自适应平均池化层的输出端输出的特征图记为B6;将A1重新记为 的尺寸为128×

256;第12个全连接层的输入端接收B1,将第12个全连接层的输出端输出的向量记为 利用特征尺寸重塑技术将A2重塑成尺寸为64×128的新特征,并记为 第13个全连接层的输入端接收B2,将第13个全连接层的输出端输出的向量记为 利用特征尺寸重塑技术将A3重塑成尺寸为32×64的新特征,并记为 第14个全连接层的输入端接收B3,将第14个全连接层的输出端输出的向量记为 利用特征尺寸重塑技术将A4重塑成尺寸为16×32的新特征,并记为 第15个全连接层的输入端接收B4,将第15个全连接层的输出端输出的向量记为 第16个全连接层的输入端接收B5,将第16个全连接层的输出端输出的向量记为第17个全连接层的输入端接收B6,将第17个全连接层的输出端输出的数值记为 将 的特征值作为第7个全连接层的权重参数,将 的节点值作为第7个全连接层的偏置参数;将的特征值作为第8个全连接层的权重参数,将 的节点值作为第8个全连接层的偏置参数;将 的特征值作为第9个全连接层的权重参数,将 的节点值作为第9个全连接层的偏置参数;将 的特征值作为第10个全连接层的权重参数,将 的节点值作为第10个全连接层的偏置参数;将 的节点值作为第11个全连接层的权重参数,将 的节点值作为第11个CP SR CP SR全连接层的偏置参数;第7个全连接层的输入端接收ω 或ω ,ω 或ω 依次通过第7个全连接层、第14个RelU层、第8个全连接层、第15个RelU层、第9个全连接层、第16个RelU层、第

10个全连接层、第17个RelU层、第11个全连接层、第18个RelU层的处理,当第7个全连接层的CP

输入端接收ω 时第18个RelU层的输出端输出内容保持自适应权重值,记为 当第7个SR

全连接层的输入端接收ω 时第18个RelU层的输出端输出风格相似自适应权重值,记为其中,第3个ResNet50网络的输入尺寸为H×W×3,第3个ResNet50网络的第二层的输出尺寸为 第22个卷积层至第25个卷积层均为1D卷积层,第22个卷积层的输入尺寸为256×256、输出尺寸为128×256、卷积核大小为1×1、滑动步长为1、自动填充为0,第23个卷积层的输入尺寸为256×256、输出尺寸为32×256、卷积核大小为1×1、滑动步长为1、自动填充为0,第24个卷积层的输入尺寸为256×256、输出尺寸为8×256、卷积核大小为1×

1、滑动步长为1、自动填充为0,第25个卷积层的输入尺寸为256×256、输出尺寸为2×256、卷积核大小为1×1、滑动步长为1、自动填充为0,第7个全连接层的输入神经元数量为256、输出神经元数量为128,第8个全连接层的输入神经元数量为128、输出神经元数量为64,第9个全连接层的输入神经元数量为64、输出神经元数量为32,第10个全连接层的输入神经元数量为32、输出神经元数量为16,第11个全连接层的输入神经元数量为16、输出神经元数量为1,第12个全连接层的输入神经元数量为256、输出神经元数量为128,第13个全连接层的输入神经元数量为256、输出神经元数量为64,第14个全连接层的输入神经元数量为256、输出神经元数量为32,第15个全连接层的输入神经元数量为256、输出神经元数量为16,第16个全连接层的输入神经元数量为256、输出神经元数量为16,第17个全连接层的输入神经元数量为256、输出神经元数量为1,第1个自适应平均池化层至第6个自适应平均池化层均为

1D自适应平均池化层,第1个自适应平均池化层至第6个自适应平均池化层的输入尺寸均为

256×256、输出尺寸均为1×256, 各自中的每个坐标点的数值作为一个

特征值, 各自中的每个数值作为一个节点值;

CP SR OV

分数计算模块根据Q 、 和Q 、 计算结果图像的整体视觉质量分数,记为Q ,

5.根据权利要求4所述的一种风格迁移图像质量评价方法,其特征在于所述的FO的格拉姆矩阵Gram的获取过程为:将尺寸为 的FO重新聚合成尺寸为T T

的二维特征图,记为FO′;然后计算Gram=(FO′)(FO′) ;其中,(FO′) 表示FO′的转置。