基于JPEG的DC系数预测的重建修复图像方法、装置、终端设备及存储介质

摘要

本发明中提供基于JPEG的DC系数预测的重建修复图像方法、装置、终端设备及存储介质，包括步骤：采用目标值最小预测算法对像素值和AC系数进行最小变量处理，得到关于DC系数的第一预测数组；对所述第一预测数组进行凸优化处理，得到最优DC系数预测值；对所述最优DC系数预测值和所述AC系数采用离散余弦逆变换算法进行图像恢复处理，得到恢复图像组；对所述恢复图像组应用自适应分配资源神经网络学习算法，得到修复图像组。解决了现有技术中DC系数预测和图像重建因计算复杂度太高，占据了大量计算资源，而无法在有限的边缘设备上实现的问题。

说明书

技术领域

本发明涉及图像处理技术领域，具体是涉及基于JPEG的DC系数预测的重建修复图像方法、装置、终端设备及存储介质。

背景技术

随着互联网和智能设备的发展，多媒体数据呈爆炸式增长，占据了大部分的网络传输带宽。为了进一步降低网络带宽占用量，对于通信和计算资源有限的物联网(IoT)场景，将数据压缩成为当前数据传输不可或缺的一部分。在图像压缩阶段丢弃DC系数，而在解压缩阶段从所有其余DCT系数预测重建出所有丢失的DC系数，可以减少将近40％的传输数据，因此，数据传输完成后压缩图像重建过程中的DC系数预测和增强重建图像质量成为非常具有研究意义的课题。

目前，现有技术中的DC系数预测和图像重建通常采用每个当前图像的像素值分别对预测图像的DC系数进行预测，得出DC系数后，利用 DC系数和AC系数得到重建图像，最后比较选用效果最好的重建图像，上述DC系数重建的预测方法因其计算复杂度太高而无法部署在资源有限的边缘设备，而无法在有限的边缘设备上实现，给实际应用带来了极大的不便。

因此，现有技术还有待于改进和发展。

发明内容

鉴于现有技术的不足，本发明目的在于提供基于JPEG的DC系数预测和重建图像质量增强方法及装置，旨在解决现有技术中DC系数预测和图像重建因计算复杂度太高，占据了大量计算资源，而无法在有限的边缘设备上实现的问题。

本发明解决技术问题所采用的技术方案如下：基于JPEG的DC系数预测的重建修复图像方法，包括步骤：

采用目标值最小预测算法对像素值和AC系数进行最小变量处理，得到关于DC系数的第一预测数组；

对所述第一预测数组进行凸优化处理，得到最优DC系数预测值；

对所述最优DC系数预测值和所述AC系数采用离散余弦逆变换算法进行图像恢复处理，得到恢复图像组；

对所述恢复图像组应用自适应分配资源神经网络学习算法，得到修复图像组。

进一步，所述采用目标值最小预测算法对像素值和AC系数进行最小变量处理，得到关于DC系数的第一预测数组的步骤具体包括：

选取重建图像组中的其中一帧图像作为参考帧重建图像，将所述参考帧重建图像的下一帧重建图像作为相邻帧重建图像；

获取所述参考帧重建图像每个像素点的像素值和所述相邻帧重建图像每个像素点的AC系数。

进一步，所述采用目标值最小预测算法对像素值和AC系数进行最小变量处理，得到关于DC系数的第一预测数组的步骤具体还包括：

对所述参考帧重建图像和所述相邻帧重建图像像素点的所有行进行行间像素值比较，得到比较求和目标数值，对所述比较求和目标数值应用目标最小值算法处理，得到关于所述相邻帧重建图像DC系数的第一预测数组。

进一步，所述采用目标值最小预测算法对像素值和AC系数进行最小变量处理，得到关于DC系数的第一预测数组的步骤具体还包括：

分别对所述参考帧重建图像和所述相邻帧重建图像的每一行进行行间像素点比较，得到比较目标数值，并分别对所述比较目标数值应用目标最小值算法处理，得到所有行的关于所述相邻帧重建图像DC系数的第二预测数组；

对所有所述第二预测数组应用排序取平均处理，得到所述相邻帧重建图像DC系数的所述第一预测数组。

进一步，所述对所有所述第二预测数组应用排序取平均处理，得到所述相邻帧重建图像DC系数的所述第一预测数组的步骤具体还包括：

对所有所述第二预测数组按照大小排序，获取中间数值组；

对所述中间数值组进行均值处理，得到所述第一预测数组。

进一步，所述对所述第一预测数组进行凸优化处理，得到最优DC系数预测值的步骤具体包括：

对所述第一预测数组进行凸优化处理，得到所述相邻帧重建图像的所述最优DC系数预测值。

进一步，所述对所述恢复图像组应用自适应分配资源神经网络学习算法，得到修复图像组的步骤具体包括：

获取所述恢复图像组，将所述恢复图像组分为训练集图像和测试集图像；

获取所述训练集图像，将所述训练集图像应用训练模型，得到矫正好的训练模型；

其中，所述训练模型为第一损失训练算法、图像质量评价算法和对所有输出的约束；

固定所述矫正好的训练模型，获取测试集图像，将所述测试集图像应用矫正好的训练模型和测试模型，得到测试集的所述修复图像组；

其中，所述测试模型为第二损失训练算法、约束图像重建质量、约束分类的有效性、约束自适应分配资源神经网络学习算法的计算资源消耗。

基于JPEG的DC系数预测的重建修复图像方法的装置，所述装置包括如下组成部分：

目标值最小预测模块，用于采用目标值最小预测算法对像素值和AC 系数进行最小变量处理，得到关于DC系数的第一预测数组；

凸优化模块，用于对所述第一预测数组进行凸优化处理，得到最优DC 系数预测值；

离散余弦逆变换模块，用于对所述最优DC系数预测值和所述AC系数采用离散余弦逆变换算法进行图像恢复处理，得到恢复图像组；

图像恢复模块，用于对所述恢复图像组应用自适应分配资源神经网络学习算法，得到修复图像组。

一种终端设备，所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的基于JPEG的DC系数预测的重建修复图像程序，所述处理器执行所述基于JPEG的DC系数预测的重建修复图像程序时，实现如上所述的基于JPEG的DC系数预测的重建修复图像方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质上存储有基于 JPEG的DC系数预测的重建修复图像程序，所述基于JPEG的DC系数预测的重建修复图像程序被处理器执行时，实现如上所述的基于JPEG的DC 系数预测的重建修复图像方法的步骤。

有益效果：压缩图像时丢弃DC系数能够减少占据的数据传输资源，但在逆变换过程中，DC系数预测计算复杂度太高，以及DC系数重建后的图像BARCNN模型修复占据了大量计算资源，而无法在有限的边缘设备上实现，本发明采用重建图像组，获取相邻的重建图像的像素值和AC系数，采用目标值最小预测算法对像素值和AC系数进行最小变量处理，得到关于 DC系数的第一预测数组；然后进行凸优化处理，得到最优DC系数预测值，加速了JPEG解码对DC系数的估计，大大提升了DC系数重建的性能，降低了DC系数重建算法的时间复杂度；然后根据所有的DC系数和AC系数，得到恢复图像组，并应用自适应分配资源神经网络学习算法，得到修复图像组，对重建图像做进一步增强，整体上加速了整个压缩图像质量增强算法，方便在有限的物联网等边缘设备上部署。

附图说明

图1是本发明的整体流程图；

图2是本发明的提升DC系数预测算法图；

图3是本发明的ClassUNet的网络结构图。

具体实施方式

以下结合实施例和说明书附图，对本发明中的技术方案进行清楚、完整地描述。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

经研究发现，图像压缩阶段丢弃DC系数，而在解压缩阶段从所有其余DCT系数预测重建出所有丢失的DC系数，可以减少将近40％的传输数据，因此，数据传输完成后压缩图像重建过程中的DC系数预测和增强重建图像质量成为非常具有研究意义的课题。目前，现有技术中的DC 系数预测和图像重建通常采用每个当前图像的像素值分别对预测图像的DC系数进行预测，得出DC系数后，利用DC系数和AC系数得到重建图像，最后比较选用效果最好的重建图像，上述DC系数重建的预测方法因其计算复杂度太高而无法部署在资源有限的边缘设备，而无法在有限的边缘设备上实现，给实际应用带来了极大的不便。

为解决上述技术问题，本发明提供了基于JPEG的DC系数预测的重建修复图像方法、装置、终端设备及存储介质，解决了现有技术中DC系数预测和图像重建因计算复杂度太高，占据了大量计算资源，而无法在有限的边缘设备上实现的问题。具体实施时，采用目标值最小预测算法对像素值和AC系数进行最小变量处理，得到关于DC系数的第一预测数组；对所述第一预测数组进行凸优化处理，得到最优DC系数预测值；对所述最优 DC系数预测值和所述AC系数采用离散余弦逆变换算法进行图像恢复处理，得到恢复图像组；对所述恢复图像组应用自适应分配资源神经网络学习算法，得到修复图像组。本发明采用重建图像组，对相邻的重建图像的像素值和AC系数采用目标值最小预测算法进行最小变量处理，得到关于DC系数的第一预测数组，并对所述第一预测数组进行凸优化处理，得到最优DC 系数预测值；加速了JPEG解码对DC系数的估计，大大提升了DC系数重建的性能，降低了DC系数重建算法的时间复杂度，然后采用离散余弦逆变换算法进行图像恢复处理，得到恢复图像组，最后对所述恢复图像组应用自适应分配资源神经网络学习算法，得到修复图像组，对重建图像做进一步增强，整体上加速了整个压缩图像质量增强算法，方便在有限的物联网等边缘设备上部署。

举例说明，将总图像分割成多个图像，将重建的多个图像定义为重建图像组，获取重建图像组中的两帧图像，一帧图像作为参考帧重建图像，另一帧图像为相邻帧重新图像，根据图像的AC系数和DC系数，能够得到图像的像素值。已知参考帧重建图像的像素值，以及已知相邻帧重建图像的AC系数，预测相邻帧重建图像的DC系数。通过对上述值采用目标值最小预测算法进行最小变量处理，得到关于DC系数的第一预测数组，然后对所述第一预测数组进行凸优化处理，以降低DC系数预测的复杂性，得到最优DC系数预测值，对所述最优DC系数预测值和所述AC系数采用离散余弦逆变换算法进行图像恢复处理，得到恢复图像组，对所述恢复图像组应用自适应分配资源神经网络学习算法，得到修复图像组，方便在有限的物联网等边缘设备上部署。

本实施例的基于JPEG的DC系数预测和重建图像质量增强方法可应用于终端设备中，所述终端设备可为具有图像压缩功能的终端产品，比如计算机、手机等。在本实施例中，如图1所示，所述基于JPEG的DC系数预测的重建修复图像方法具体包括如下步骤：

S100、采用目标值最小预测算法对像素值和AC系数进行最小变量处理，得到关于DC系数的第一预测数组。

利用已知参考帧重建图像的像素值，和已知相邻帧重新图像的AC系数，并利用重建图像像素点之间的相邻关系，采用目标值最小预测算法进行最小变量处理，得到关于DC系数的第一预测数组，方便后续步骤能够比较准确的预测出具体的DC系数，使得重建图像达到了比较好的重建效果。本实施例中，获取到的重建图像组内包含多个重建图像，每个重建图像的像素值包含8×8个像素点。对参考帧重建图像和相邻帧重新图像之间的像素点采用目标值最小预测算法进行最小变量处理，得到关于DC系数的函数公式，即DC系数有一系列可以取值，即得到所述第一预测数组。易于想到，为了预测更准确，本实施例中的8x8图像块也可以变为16x16图像块。

步骤S100具体包括如下的步骤S110、S120、S130

S110、获取重建图像组的所述像素值和所述AC系数。

获取重建图像组的所述像素值和所述AC系数，便于后续步骤根据所述像素值和所述AC系数预测DC系数。

步骤S110具体包括如下的步骤S111、S112

S111、选取所述重建图像组中的其中一帧图像作为参考帧重建图像，将所述参考帧重建图像的下一帧重建图像作为相邻帧重建图像。

S112、获取所述参考帧重建图像每个像素点的像素值和所述相邻帧重建图像每个像素点的AC系数。

由于已知参考帧重建图像每个像素点的AC系数和DC系数，已知相邻帧重建图像每个像素点的AC系数，AC系数和DC系数可转化为像素值，对于参考帧重建图像，直接获取每个像素点的所述像素值即可，并获取已知的相邻帧重建图像每个像素点的AC系数。

本发明是基于离散余弦逆变换(DCT-II变换)算法进行处理的，具体原理如下：离散余弦逆变换编码是离散余弦变换的逆向换算过程，离散余弦变换公式如下：

离散余弦逆变换公式如下：

其中，

其中，

其中，

根据离散余弦逆变换公式，重建后的像素值

其中，

I(x)为指标函数，当x≠0时取值为1，x＝0时取值为0。

公式(1)(2)(3)通过离散余弦逆变换算法，以及离散余弦逆变换算法转化为DC分量与AC分量之和，充分利用已知的AC分量，后续步骤中得到关于所述相邻帧重建图像DC分量的函数，增加了预测的准确性。

S120、对所述参考帧重建图像和所述相邻帧重建图像像素点的所有行进行行间像素值比较，得到比较求和目标数值，对所述比较求和目标数值应用目标最小值算法处理，得到关于所述相邻帧重建图像DC系数的第一预测数组。

具体实施时，对所述参考帧重建图像和所述相邻帧重建图像像素点的所有行进行行间像素值差值比较，将最终差值求平方，再将每一行的平方差求和，得到比较求和目标数值，对所述比较求和目标数值应用目标最小值算法处理，得到关于所述相邻帧重建图像DC系数的第一预测数组，也就是得到关于DC系数的函数，DC为对应变量，有多个值可以选择。

进一步，如图2所示，所述步骤S120中的所述行间像素值差值比较方法具体包括：

S121、比较所述参考帧重建图像像素点中次尾列的每个像素点的像素值、所述参考帧重建图像像素点中尾列的每个像素点的像素值、所述参考帧重建图像像素点中尾列的每个像素点的像素值、和所述相邻帧重建图像像素点中首列的每个像素点的AC系数；

S122、比较所述参考帧重建图像像素点中次尾列的每个像素点的像素值组、所述参考帧重建图像像素点中非首行中的尾列每个像素点的像素值组、所述参考帧重建图像像素点中尾列的每个像素点的像素值组、和所述相邻帧重建图像像素点中非首行中的首列每个像素点的AC系数；

S123、比较所述参考帧重建图像像素点中非首行中的次尾列每个像素点的像素值组、所述参考帧重建图像像素点中尾列的每个像素点的像素值组、所述参考帧重建图像像素点中非首行中的尾列每个像素点的像素值组、和所述相邻帧重建图像像素点中首列的每个像素点的AC系数。

具体的，可选择上述三种行间像素值差值比较方法进行预测，也可以选择其中任意一种方法进行预测。具体实施时，设B

三种预测模式分别用

再对三个近似预测值进一步改进如下：

其中，

在本发明中，以

其中，

S200、对所述第一预测数组进行凸优化处理，得到最优DC系数预测值。

步骤S200具体包括如下的步骤S210：

S210、对所述第一预测数组进行凸优化处理，得到所述相邻帧重建图像的所述最优DC系数预测值。

具体实施时，由于

类似地，可以直接求出

S300、对所述最优DC系数预测值和所述AC系数采用离散余弦逆变换算法进行图像恢复处理，得到恢复图像组。

根据得到所述相邻帧重建图像的最优DC系数预测值和已知的所述相邻帧重建图像的AC系数，根据公式(2)和(3)，即采用离散余弦逆变换算法进行图像恢复处理，得到恢复图像组。

S400、对所述恢复图像组应用自适应分配资源神经网络学习算法，得到修复图像组。

自适应分配资源神经网络学习算法用于修复依靠预测出的DC系数求出的恢复图像组，最终得到修复图像组，能够根据分类分别对图像进行修复，避免了传统BARCNN模型修复因平等对待所有图像块而占据了大量计算资源，无法在有限的边缘设备实现的问题，使得修复图像效果更好。

所述步骤S400包括：S410、S420、S430：

S410、获取所述恢复图像组，将所述恢复图像组分为训练集图像和测试集图像。

S420、获取所述训练集图像，将所述训练集图像应用训练模型，得到矫正好的训练模型；

其中，所述训练模型为第一损失训练算法、图像质量评价算法和对所有输出的约束；

S430、固定所述矫正好的训练模型，获取测试集图像，将所述测试集图像应用矫正好的训练模型和测试模型，得到测试集的所述修复图像组；

其中，所述测试模型为第二损失训练算法、约束图像重建质量、约束分类的有效性、约束自适应分配资源神经网络学习算法的计算资源消耗。

如图3所示，本发明提出的自适应分配计算资源的神经网络(ClassUNet)。ClassUNet由分类模块(Class-Module)和图像修复模块 (UNet-Module)两部分组成，其中Class-Module负责判断将不同的图像块的修复困难程度，并给出对应的类别标签。标签值越大，表示图像块越难以修复。UNet-Module则根据Class-Module给出标签值，给不同图像块分配不同的大小的子网络，

具体实施时，获取所述恢复图像组，将所述恢复图像组分为训练集图像和测试集图像，获取所述训练集图像，将所述训练集图像应用训练模型 (UNet-Module)，不停调整训练模型，得到矫正好的训练模型，所述矫正好的训练模型用于不同修复难度图像块分配不同的大小的子网络，然后固定所述矫正好的训练模型，获取测试集图像，将所述测试集图像应用矫正好的训练模型(UNet-Module)和测试模型(Class-Module)，得到测试集的所述修复图像组，所述测试模型用于判断不同图像块的修复困难程度。

如图3所示，具体原理如下：训练UNet-Module模块时，我们对 UNet-Module的所有输出都增加约束，总的训练Loss公式化描述如下：

其中，I表示输入的重建图像，O

训练Class-Module模块时，对于训练Loss的设置，本发明设计了三种Loss用来训练Class-Module，最后取这三个Loss的加权和作为最终的训练Loss，以使其能达到较好的分类性能：

L

L

其中，L

在示例性方法一的基础上，将步骤S120替换为步骤S130和S140：

S130、分别对所述参考帧重建图像和所述相邻帧重建图像的每一行进行行间像素点比较，得到比较目标数值，并分别对所述比较目标数值应用目标最小值算法处理，得到所有行的关于所述相邻帧重建图像DC系数的第二预测数组。

具体实施时，分别对所述参考帧重建图像和所述相邻帧重建图像的每一行的边界像素点进行行间像素点比较，得到比较目标数值，并分别对所述比较目标数值应用目标最小值算法处理，得到所有行的关于所述相邻帧重建图像DC系数的第二预测数组，也就是得到关于DC系数的函数，DC 为对应变量，每一行对应得到一个关于DC系数的函数。

进一步，如图2所示，所述步骤S130中的所述行间像素点比较方法具体包括：

S131、比较所述参考帧重建图像像素块中次尾列的第一行的像素值、所述参考帧重建图像像素块中尾列的第一行的像素值、所述参考帧重建图像像素块中尾列的第一行的像素值、和所述相邻帧重建图像像素块中首列的第一行的AC系数；

S132、比较所述参考帧重建图像像素块中次尾列的第一行的像素值组、所述参考帧重建图像像素块中非首行中的尾列第二行的像素值组、所述参考帧重建图像像素块中尾列的第一行的像素值组、和所述相邻帧重建图像像素块中非首行中的首列第二行的AC系数；

S133、比较所述参考帧重建图像像素块中非首行中的次尾列第二行的像素值组、所述参考帧重建图像像素块中尾列的第一行的像素值组、所述参考帧重建图像像素块中非首行中的尾列第二行的像素值组、和所述相邻帧重建图像像素块中首列的第一行的AC系数。

具体实施时，所述步骤S130中每个边界像素点B

T

T

T

所述步骤S131对应公式(13)，所述步骤S132对应公式(14)，所述步骤S133对应公式(15)，通过上述步骤，共可以得出关于DC系数的24 种预测趋势函数，也就是24种所述第二预测数组。

S140、对所有所述第二预测数组应用排序取平均处理，得到所述相邻帧重建图像DC系数的所述第一预测数组。

具体实施时，对上述所有的所述第二预测数组按照预测趋势的大小进行排序，然后求取所有预测趋势的平均值，即可得到所述相邻帧重建图像DC系数的所述第一预测数组。

所述步骤S140具体包括：S141、S142：

S141对所有所述第二预测数组按照大小排序，获取中间数值组；其中，所述中间数值组为16个中间预测趋势。

S142对所述中间数值组进行均值处理，得到所述第一预测数组。

具体实施时，计算完成边界像素列B

在进一步的实施例中，本发明还可以使用上述方法，根据所述相邻帧重建图像预测所述相邻帧重建图像的下一帧重建图像的DC系数，然后再进行求均值，使得预测更加精确。

本实施例还提供一种基于JPEG的DC系数预测和重建图像质量增强方法的装置，所述装置包括如下组成部分：

目标值最小预测模块，用于采用目标值最小预测算法对像素值和AC系数进行最小变量处理，得到关于DC系数的第一预测数组；

凸优化模块，用于对所述第一预测数组进行凸优化处理，得到最优DC 系数预测值；

离散余弦逆变换模块，用于对所述最优DC系数预测值和所述AC系数采用离散余弦逆变换算法进行图像恢复处理，得到恢复图像组；

图像恢复模块，用于对所述恢复图像组应用自适应分配资源神经网络学习算法，得到修复图像组。

基于上述实施例，本发明还提供了一种终端设备，所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的基于 JPEG的DC系数预测的重建修复图像程序，所述处理器执行所述基于JPEG 的DC系数预测的重建修复图像程序时，实现上述基于JPEG的DC系数预测的重建修复图像方法的步骤。

基于上述实施例，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有基于JPEG的DC系数预测的重建修复图像程序，所述基于JPEG的DC系数预测的重建修复图像程序被处理器执行时，实现上述基于JPEG的DC系数预测的重建修复图像方法的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型 SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus) 直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

综上，本发明公开了一种基于JPEG的DC系数预测和重建图像质量增强方法及装置，所述方法包括：采用目标值最小预测算法对像素值和AC 系数进行最小变量处理，得到关于DC系数的第一预测数组；然后进行凸优化处理，得到最优DC系数预测值；对所述最优DC系数预测值和所述AC 系数采用离散余弦逆变换算法进行图像恢复处理，得到恢复图像组；然后应用自适应分配资源神经网络学习算法，得到修复图像组。本发明采用离散余弦逆变换算法、目标值最小预测算法、对DC系数的凸函数做凸优化处理和自适应分配资源神经网络学习算法，解决了现有技术中DC系数预测和图像重建因计算复杂度太高，占据了大量计算资源，而无法在有限的边缘设备上实现的问题，同时，能够根据分类分别对图像进行修复，避免了传统BARCNN模型修复因平等对待所有图像块而占据了大量计算资源，无法在有限的边缘设备实现的问题，使得修复图像效果更好。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。