Python的OpenCV库技术点案例示例：图像修复和恢复-灵析社区

JOHO

系列短博文目录

Python的OpenCV库技术点案例示例系列

短博文目录

前言

OpenCV是一个开源的计算机视觉库，提供了丰富的图像处理和计算机视觉算法。在OpenCV中，图像修复与恢复是其中一个重要的功能模块，用于修复受损或缺失的图像区，以恢复图像的完整性和可视化效果。

图像修复与恢复的主目标是通过利用图像中的已有信息，填补缺失或损坏的区域，使得修复后的图像看起来更加完整和自然。

一、常用的图像修复与恢复技术

  1. 插值方法：插值是一种常用的图像修复方法，根据周围已知的像素值，通过数学插值算法推断缺失的像素值。常见的插值方法包括最近邻插值、双线性插值和双三次插值等。
  2. 基于纹理合成的方法：该方法通过分析图像中的纹理特征，并将已有的纹理信息应用于缺失区域，从而进行修复。常用的纹理合成方法包括基于块匹配的纹理合成、基于图像统计特征的纹理合成等。
  3. 基于边缘保持的方法：该方法通过保持图像边缘的连续性和一致性，来进行图像修复。常用的边缘保持方法包括基于Poisson方程的图像修复、基于结构张量的图像修复等。
  4. 基于图像修复模型的方法：该方法通过建立图像的修复模型，利用已有的像素信息和先验知识来进行图像修复。常见的图像修复模型包括基于全变分（Total Variation）的图像修复模型、基于稀疏表示的图像修复模型等。
  5. 基于深度学习的方法：近年来，深度学习在图像修复与恢复领域取得了显著的成果。通过使用卷积神经网络（CNN）等深度学习模型，可以学习和预测缺失区域的像素值，从而进行图像修复。常见的深度学习方法包括基于生成对抗网络（GAN）的图像修复、基于自编码器的图像修复等。
  6. 基于结构化边缘的方法：该方法通过分析图像中的结构化边缘信息，将已有的边缘特征应用于缺失区域，以实现图像修复。常见的结构化边缘方法包括基于边缘保持平滑的图像修复、基于边缘连接的图像修复等。
  7. 基于多帧图像的方法：当图像受到运动模糊或抖动等影响时，可以利用多帧图像的信息进行修复。通过对多个相关图像进行对齐和融合，可以恢复出更清晰和稳定的图像。常见的多帧图像修复方法包括基于图像对齐的图像修复、基于运动估计的图像修复等。
  8. 基于超分辨率的方法：当图像分辨率较低或存在模糊时，可以通过超分辨率技术进行图像修复和恢复。通过建立图像的高频和低频成分模型，可以从低分辨率图像中恢复出更高分辨率的细节信息。常见的超分辨率方法包括基于插值的图像修复、基于深度学习的超分辨率图像修复等。除了上述方法外，OpenCV还提供了一些特定的函数和工具，用于实现图像修复与恢复。例如，cv2.inpaint()函数可以根据给定的掩码信息，对图像进行修复；cv2.fillPoly()函数可以用于填充多边形区域等。这些方法和技术提供了多种选择，可以根据具体的图像修复需求和情况选择合适的方法。在使用OpenCV进行图像修复时，可以结合这些方法和函数，灵活地应用于实际场景中，以达到更好的修复效果和质量。总之，OpenCV的图像修复与恢复功能为我们提供了丰富的工具和算法，帮助我们处理受损或缺失的图像，使其恢复到更好的视觉效果和可视化质量。

二、插值方法示例代码

当需要使用插值方法进行图像修复时，可以使用OpenCV中的函数cv2.resize()来实现。以下是一个示例代码，展示如何使用最近邻插值方法对图像进行放大：

import cv2

# 读取原始图像
image = cv2.imread('original_image.jpg')

# 设置放大倍数
scale_percent = 2  # 放大两倍

# 计算放大后的图像尺寸
width = int(image.shape[1] * scale_percent)
height = int(image.shape[0] * scale_percent)
dim = (width, height)

# 使用最近邻插值方法进行放大
resized_image = cv2.resize(image, dim, interpolation=cv2.INTER_NEAREST)

# 显示原始图像和放大后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Resized Image', resized_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述代码中，首先读取原始图像，然后通过设置一个放大倍数来计算放大后的图像尺寸。接下来，使用cv2.resize()函数，将原始图像按照指定的尺寸进行放大，同时指定插值方法为cv2.INTER_NEAREST，即最近邻插值方法。最后，通过cv2.imshow()函数显示原始图像和放大后的图像，并使用cv2.waitKey()等函数来控制图像显示的时间。

需要注意的是，上述示例代码中的插值方法是最近邻插值方法，如果需要使用其他插值方法，只需将cv2.INTER_NEAREST替换为相应的插值方法名称即可，如cv2.INTER_LINEAR表示双线性插值，cv2.INTER_CUBIC表示双三次插值等。

三、基于纹理合成的方法示例代码

基于纹理合成的方法可以用于图像修复，以下是一个示例代码，展示如何使用OpenCV中的函数cv2.inpaint()进行纹理合成修复：

import cv2

# 读取原始图像和掩码图像
image = cv2.imread('original_image.jpg')
mask = cv2.imread('mask_image.jpg', 0)  # 灰度图像作为掩码，缺失区域为255，非缺失区域为0

# 使用纹理合成修复图像
inpaint_image = cv2.inpaint(image, mask, 3, cv2.INPAINT_TELEA)  # 第三个参数为修复半径，第四个参数为修复方法

# 显示原始图像、掩码图像和修复后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Mask Image', mask)
cv2.imshow('Inpainted Image', inpaint_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述代码中，首先通过cv2.imread()函数读取原始图像和掩码图像，其中掩码图像是一个灰度图像，其中缺失区域的像素值为255，非缺失区域的像素值为0。

接下来，使用cv2.inpaint()函数进行纹理合成修复。该函数的第一个参数是原始图像，第二个参数是掩码图像，第三个参数是修复半径，用于指定合成纹理的局部范围，第四个参数是修复方法，可以选择cv2.INPAINT_TELEA或cv2.INPAINT_NS两种方法。

最后，通过cv2.imshow()函数显示原始图像、掩码图像和修复后的图像，并使用cv2.waitKey()等函数来控制图像显示的时间。

请注意，上述示例代码中的掩码图像需要根据具体的缺失区域进行准备，确保缺失区域的像素值为255，非缺失区域的像素值为0。同时，纹理合成修复方法的选择也可以根据具体需求进行调整。

四、基于边缘保持的方法示例代码

基于边缘保持的方法可以用于图像修复，以下是一个示例代码，展示如何使用OpenCV中的函数cv2.inpaint()进行基于边缘保持的图像修复：

import cv2

# 读取原始图像和掩码图像
image = cv2.imread('original_image.jpg')
mask = cv2.imread('mask_image.jpg', 0)  # 灰度图像作为掩码，缺失区域为255，非缺失区域为0

# 使用边缘保持的方法进行图像修复
edges = cv2.Canny(image, 100, 200)  # 提取原始图像的边缘信息
inpaint_image = cv2.inpaint(image, mask, 3, cv2.INPAINT_TELEA)  # 第三个参数为修复半径，第四个参数为修复方法
inpaint_image = cv2.bitwise_and(inpaint_image, inpaint_image, mask=edges)  # 保持边缘的连续性和一致性

# 显示原始图像、掩码图像和修复后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Mask Image', mask)
cv2.imshow('Inpainted Image', inpaint_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述代码中，首先通过cv2.imread()函数读取原始图像和掩码图像，其中掩码图像是一个灰度图像，其中缺失区域的像素值为255，非缺失区域的像素值为0。

接下来，使用cv2.Canny()函数提取原始图像的边缘信息。该函数的第二个和第三个参数分别是边缘阈值的最小值和最大值。

然后，使用cv2.inpaint()函数进行基于边缘保持的图像修复。该函数的第一个参数是原始图像，第二个参数是掩码图像，第三个参数是修复半径，用于指定合成纹理的局部范围，第四个参数是修复方法，可以选择cv2.INPAINT_TELEA或cv2.INPAINT_NS两种方法。

最后，通过cv2.bitwise_and()函数将修复后的图像与边缘图像进行按位与操作，以保持边缘的连续性和一致性。

请注意，上述示例代码中的掩码图像需要根据具体的缺失区域进行准备，确保缺失区域的像素值为255，非缺失区域的像素值为0。同时，边缘提取方法的选择和参数设置也可以根据具体需求进行调整。

五、基于图像修复模型的方法示例代码

基于图像修复模型的方法可以使用各种深度学习模型进行图像修复，以下是一个示例代码，展示如何使用OpenCV和PyTorch实现基于图像修复模型的方法：

import cv2
import torch
import torch.nn as nn
import torchvision.transforms as transforms

# 定义图像修复模型
class ImageRestorationModel(nn.Module):
    def __init__(self):
        super(ImageRestorationModel, self).__init__()
        # 定义模型结构，可以使用自定义的卷积神经网络或预训练的模型

    def forward(self, x):
        # 模型前向传播过程

# 加载预训练的图像修复模型
model = ImageRestorationModel()
model.load_state_dict(torch.load('image_restoration_model.pth'))
model.eval()

# 读取原始图像和掩码图像
image = cv2.imread('original_image.jpg')
mask = cv2.imread('mask_image.jpg', 0)  # 灰度图像作为掩码，缺失区域为255，非缺失区域为0

# 图像预处理
transform = transforms.Compose([
    transforms.ToTensor(),
    # 其他预处理操作，如归一化等
])
input_image = transform(image).unsqueeze(0)

# 使用图像修复模型进行图像修复
with torch.no_grad():
    inpaint_image = model(input_image)

# 将修复后的图像转换为OpenCV格式
inpaint_image = inpaint_image.squeeze(0).permute(1, 2, 0).numpy()
inpaint_image = cv2.cvtColor(inpaint_image, cv2.COLOR_RGB2BGR)

# 显示原始图像、掩码图像和修复后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Mask Image', mask)
cv2.imshow('Inpainted Image', inpaint_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述代码中，首先定义了一个图像修复模型ImageRestorationModel，可以根据需要自定义卷积神经网络或使用预训练的模型。

然后，加载预训练的图像修复模型，并设置为评估模式。接下来，读取原始图像和掩码图像，并进行图像预处理操作，将图像转换为模型输入所需的格式。

使用加载的图像修复模型对输入图像进行修复。通过调用模型的forward方法，实现图像修复的前向传播过程，并得到修复后的图像。

最后，将修复后的图像转换为OpenCV格式，并使用cv2.imshow()函数显示原始图像、掩码图像和修复后的图像。

需要注意的是，示例代码中的图像修复模型仅作为示例，实际使用时需要根据具体需求和数据集自行定义和训练模型。

六、基于深度学习的方法示例代码

基于深度学习的方法可以使用各种深度学习模型进行图像修复，以下是一个示例代码，展示如何使用OpenCV和PyTorch实现基于深度学习的图像修复方法：

import cv2
import torch
import torch.nn as nn
import torchvision.transforms as transforms

# 定义图像修复模型
class ImageRestorationModel(nn.Module):
    def __init__(self):
        super(ImageRestorationModel, self).__init__()
        # 定义模型结构，可以使用自定义的卷积神经网络或预训练的模型

    def forward(self, x):
        # 模型前向传播过程

# 加载预训练的图像修复模型
model = ImageRestorationModel()
model.load_state_dict(torch.load('image_restoration_model.pth'))
model.eval()

# 读取原始图像
image = cv2.imread('original_image.jpg')

# 图像预处理
transform = transforms.Compose([
    transforms.ToTensor(),
    # 其他预处理操作，如归一化等
])
input_image = transform(image).unsqueeze(0)

# 使用图像修复模型进行图像修复
with torch.no_grad():
    inpaint_image = model(input_image)

# 将修复后的图像转换为OpenCV格式
inpaint_image = inpaint_image.squeeze(0).permute(1, 2, 0).numpy()
inpaint_image = cv2.cvtColor(inpaint_image, cv2.COLOR_RGB2BGR)

# 显示原始图像和修复后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Inpainted Image', inpaint_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述代码中，首先定义了一个图像修复模型ImageRestorationModel，可以根据需要自定义卷积神经网络或使用预训练的模型。

然后，加载预训练的图像修复模型，并设置为评估模式。接下来，读取原始图像，并进行图像预处理操作，将图像转换为模型输入所需的格式。

使用加载的图像修复模型对输入图像进行修复。通过调用模型的forward方法，实现图像修复的前向传播过程，并得到修复后的图像。

最后，将修复后的图像转换为OpenCV格式，并使用cv2.imshow()函数显示原始图像和修复后的图像。

需要注意的是，示例代码中的图像修复模型仅作为示例，实际使用时需要根据具体需求和数据集自行定义和训练模型。

七、基于结构化边缘的方法示例代码

基于结构化边缘的方法可以用于图像修复，以下是一个示例代码，展示如何使用OpenCV和scikit-image库实现基于结构化边缘的图像修复方法：

import cv2
from skimage.feature import structure_tensor, structure_tensor_eigvals
from scipy.ndimage import gaussian_filter

# 读取原始图像和掩码图像
image = cv2.imread('original_image.jpg')
mask = cv2.imread('mask_image.jpg', 0)  # 灰度图像作为掩码，缺失区域为255，非缺失区域为0

# 使用结构化边缘检测提取图像边缘信息
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
Axx, Axy, Ayy = structure_tensor(gray_image, sigma=1)
lambda1, lambda2 = structure_tensor_eigvals(Axx, Axy, Ayy)
edge_strength = lambda1 + lambda2
edges = edge_strength * (1 - mask / 255.0)

# 使用高斯滤波平滑边缘图像
smoothed_edges = gaussian_filter(edges, sigma=2)

# 使用平滑后的边缘图像进行图像修复
restored_image = image.copy()
restored_image[mask != 0] = image[mask != 0] * (1 - smoothed_edges[mask != 0, np.newaxis])

# 显示原始图像、掩码图像和修复后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Mask Image', mask)
cv2.imshow('Restored Image', restored_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述代码中，首先使用cv2.imread()函数读取原始图像和掩码图像，其中掩码图像是一个灰度图像，其中缺失区域的像素值为255，非缺失区域的像素值为0。

接下来，使用skimage.feature.structure_tensor()函数计算图像的结构化张量，并使用skimage.feature.structure_tensor_eigvals()函数计算结构化张量的特征值，得到边缘强度图像。

然后，使用scipy.ndimage.gaussian_filter()函数对边缘图像进行高斯滤波，以平滑边缘信息。

最后，根据平滑后的边缘图像，通过对原始图像的缺失区域进行加权修复，得到修复后的图像。

请注意，示例代码中使用了scikit-image库和scipy库来进行结构化边缘检测和边缘平滑操作。在使用前，请确保已经安装了这些库。

八、基于多帧图像的方法示例代码

基于多帧图像的方法可以用于图像修复，以下是一个示例代码，展示如何使用OpenCV和NumPy实现基于多帧图像的图像修复方法：

import cv2
import numpy as np

# 读取原始图像和多个参考图像
image = cv2.imread('original_image.jpg')
ref_image1 = cv2.imread('reference_image1.jpg')
ref_image2 = cv2.imread('reference_image2.jpg')
ref_image3 = cv2.imread('reference_image3.jpg')

# 将图像转换为灰度图像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
gray_ref1 = cv2.cvtColor(ref_image1, cv2.COLOR_BGR2GRAY)
gray_ref2 = cv2.cvtColor(ref_image2, cv2.COLOR_BGR2GRAY)
gray_ref3 = cv2.cvtColor(ref_image3, cv2.COLOR_BGR2GRAY)

# 使用多帧图像进行图像修复
restored_image = cv2.inpaint(image, (gray_image == 0).astype(np.uint8), 3, cv2.INPAINT_TELEA)

# 显示原始图像、参考图像和修复后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Reference Image 1', ref_image1)
cv2.imshow('Reference Image 2', ref_image2)
cv2.imshow('Reference Image 3', ref_image3)
cv2.imshow('Restored Image', restored_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述代码中，首先使用cv2.imread()函数读取原始图像和多个参考图像。

然后，将图像转换为灰度图像，以便进行图像修复操作。

接下来，使用cv2.inpaint()函数对原始图像进行修复。该函数的第一个参数是原始图像，第二个参数是掩码图像，其中缺失区域为非零值，非缺失区域为零值，第三个参数是修复半径，用于指定修复范围，第四个参数是修复方法，可以选择cv2.INPAINT_TELEA或cv2.INPAINT_NS两种方法。

最后，使用cv2.imshow()函数显示原始图像、参考图像和修复后的图像。

请注意，示例代码中的参考图像可以根据实际情况使用多个帧来进行修复，以提供更多的信息进行图像修复。

九、基于超分辨率的方法示例代码

基于超分辨率的方法可以用于图像修复，以下是一个示例代码，展示如何使用OpenCV和PyTorch实现基于超分辨率的图像修复方法：

import cv2
import torch
import torch.nn as nn
import torchvision.transforms as transforms

# 定义超分辨率模型
class SuperResolutionModel(nn.Module):
    def __init__(self):
        super(SuperResolutionModel, self).__init__()
        # 定义模型结构，可以使用自定义的卷积神经网络或预训练的模型

    def forward(self, x):
        # 模型前向传播过程

# 加载预训练的超分辨率模型
model = SuperResolutionModel()
model.load_state_dict(torch.load('super_resolution_model.pth'))
model.eval()

# 读取原始图像
image = cv2.imread('original_image.jpg')

# 图像预处理
transform = transforms.Compose([
    transforms.ToTensor(),
    # 其他预处理操作，如归一化等
])
input_image = transform(image).unsqueeze(0)

# 使用超分辨率模型进行图像修复
with torch.no_grad():
    restored_image = model(input_image)

# 将修复后的图像转换为OpenCV格式
restored_image = restored_image.squeeze(0).permute(1, 2, 0).numpy()
restored_image = cv2.cvtColor(restored_image, cv2.COLOR_RGB2BGR)

# 显示原始图像和修复后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Restored Image', restored_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述代码中，首先定义了一个超分辨率模型SuperResolutionModel，可以根据需要自定义卷积神经网络或使用预训练的模型。

然后，加载预训练的超分辨率模型，并设置为评估模式。接下来，读取原始图像，并进行图像预处理操作，将图像转换为模型输入所需的格式。

使用加载的超分辨率模型对输入图像进行修复。通过调用模型的forward方法，实现图像修复的前向传播过程，并得到修复后的图像。

最后，将修复后的图像转换为OpenCV格式，并使用cv2.imshow()函数显示原始图像和修复后的图像。

需要注意的是，示例代码中的超分辨率模型仅作为示例，实际使用时需要根据具体需求和数据集自行定义和训练模型。

十、cv2.inpaint()函数修复图像示例代码

以下是一个使用cv2.inpaint()函数修复图像的示例代码：

import cv2
import numpy as np

# 读取原始图像和掩码图 
image = cv2.imread('original_image.jpg')
mask = cv2.imread('mask_image.jpg', 0)  # 灰度图像作为掩码，缺失区域为255，非缺失区域为0

# 使用cv2.inpaint()函数进行图像修复
restored_image = cv2.inpaint(image, mask, 3, cv2.INPAINT_TELEA)

# 显示原始图像、掩码图像和修复后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Mask Image', mask)
cv2.imshow('Restored Image', restored_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述代码中，首先使用cv2.imread()函数读取原始图像和掩码图像，其中掩码图像是一个灰度图像，其中缺失区域的像素值为255，非缺失区域的像素值为0。

接下来，使用cv2.inpaint()函数对原始图像进行修复。该函数的第一个参数是原始图像，第二个参数是掩码图像，其中缺失区域为非零值，非缺失区域为零值，第三个参数是修复半径，用于指定修复范围，第四个参数是修复方法，可以选择cv2.INPAINT_TELEA或cv2.INPAINT_NS两种方法。

最后，使用cv2.imshow()函数显示原始图像、掩码图像和修复后的图像。

十一、cv2.fillPoly()函数填充多边形区域修复图像示例代码

以下是一个使用cv2.fillPoly()]函数填充多边形区域修复图像的示例代码：

import cv2
import numpy as np

# 读取原始图像
image = cv2.imread('original_image.jpg')

# 创建掩码图像
mask = np.zeros(image.shape[:2], dtype=np.uint8)

# 定义多边形顶点坐标
points = np.array([[100, 100], [200, 100], [200, 200], [100, 200]])

# 在掩码图像上填充多边形区域
cv2.fillPoly(mask, [points], 255)

# 使用掩码图像进行图像修复
restored_image = cv2.inpaint(image, mask, 3, cv2.INPAINT_TELEA)

# 显示原始图像、掩码图像和修复后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Mask Image', mask)
cv2.imshow('Restored Image', restored_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述代码中，首先使用cv2.imread()函数读取原始图像。

接下来，创建一个与原始图像大小相同的掩码图像，初始化为全零。

然后，定义一个多边形的顶点坐标，以表示需要修复的区域。

使用cv2.fillPoly()函数在掩码图像上填充多边形区域，将该区域内的像素值设为255。

最后，使用cv2.inpaint()函数根据掩码图像进行图像修复。该函数的第一个参数是原始图像，第二个参数是掩码图像，其中需要修复的区域为非零值，非修复区域为零值，第三个参数是修复半径，用于指定修复范围，第四个参数是修复方法，可以选择cv2.INPAINT_TELEA或cv2.INPAINT_NS两种方法。

最终，使用cv2.imshow()函数显示原始图像、掩码图像和修复后的图像。

十二、归纳总结

当涉及到图像修复和恢复时，OpenCV是一个功能强大的库，提供了许多用于处理图像的函数和工具。以下是一些与OpenCV图像修复和恢复相关的重要知识点的归纳总结：

  1. 图像修复方法：

-cv2.inpaint()函数：使用掩码图像或矩形区域来修复图像中的缺失区域。可以选择不同的修复算法，如TELEA和NS。

-cv2.fillPoly()函数：使用多边形区域填充图像中的缺失区域，通常与cv2.inpaint()函数一起使用。

2.  图像修复的输入参数：

-原始图像：需要进行修复的原始图像。

-掩码图像：指定需要修复的区域，缺失区域为非零值，非缺失区域为零值。

-修复半径：用于指定修复范围的半径大小。

-修复方法：选择修复算法，如cv2.INPAINT_TELEA或cv2.INPAINT_NS。

3.  图像恢复的输出结果：

-修复后的图像：修复完成后的图像，缺失区域得到恢复。

4.  预处理操作：

-灰度转换：将彩色图像转换为灰度图像，以便进行一些处理操作。

-图像转换：在进行修复或恢复之前，可能需要将图像从一种颜色空间转换为另一种颜色空间。

5.  其他图像处理函数：

-图像平滑：使用滤波器对图像进行平滑处理，如cv2.GaussianBlur()或cv2.medianBlur()。

-边缘检测：使用边缘检测算法检测图像中的边缘，如cv2.Canny()或cv2.Sobel()。

6.  图像显示和交互：

-cv2.imshow()函数：用于显示图像。

-cv2.waitKey()函数：等待键盘输入，以便在显示图像时保持窗口打开。

-cv2.destroyAllWindows()函数：关闭所有图像窗口。

这些知识点可以帮助您理解和使用OpenCV进行图像修复和恢复操作。请根据具体需求选择适当的方法和参数，并结合其他图像处理技术来实现更高质量的图像修复和恢复效果。


阅读量：509

点赞量：0

收藏量:0