毕业论文-基于Matlab图像处理求番茄叶面积_第1页
毕业论文-基于Matlab图像处理求番茄叶面积_第2页
毕业论文-基于Matlab图像处理求番茄叶面积_第3页
毕业论文-基于Matlab图像处理求番茄叶面积_第4页
毕业论文-基于Matlab图像处理求番茄叶面积_第5页
已阅读5页,还剩18页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

毕 业 论 文题 目: 基于 Matlab 图像处理求番茄叶面积 作 者:学 号: 专 业: 班 级: 指导老师: (姓 名) (专业技术职务)评 阅 者: (姓 名) (专业技术职务)年 月 毕业论文中文摘要基于 Matlab 图像处理求番茄叶面积摘要:本文提出了一种利用数码相机快速获得叶片图像,然后使用 Matlab 进行图像处理计算叶面积的测量方法。利用 MATLAB 丰富的图像处理函数和强大的图形处理功能对番茄叶进行处理获得较为理想图像,最后测量出番茄叶的面积。与同组使用 photoshop 图像处理法测定结果相比较,Matlab 图像处理测定叶面积具有很强的可行性,能快速准确的测量出叶面积,该方法实现了对植物叶片的非破坏性测量,并能保证测量精度。关键词:Matlab 图像处理 叶面积 毕业论文外文摘要Based on Matlab image processing Request Leaf area of tomatoAbstractThis paper presents a quick access to blades using digital camera images, and then calculated using Matlab for image processing of leaf area measurement method. Extensive use of Matlab image processing functions and powerful graphics capabilities for processing of tomato leaves to obtain the ideal image, and finally measured the area of tomato leaves. With the same group use photoshop image processing method software comparison,Matlab image processing has a strong determination of the feasibility of leaf area can be quickly and accurately measure the leaf area, this method of non-destructive measurement of plant leaves, and To ensure accuracy.Keywords:Matlab image processing leaf area目 录1 引言 .11.1 研究背景 .11.2 研究意义 .12 测定原理 .23 番茄叶图像处理计算叶面积的实现过程 .23.1 Matlab 简介.33.2 图像的获取 .33.3 图像预处理 .43.3.1 去除对精确计算叶面积有影响的不利因素.43.3.2 调整图像大小 .43.4 图像灰度变换 .53.5 图像分割 .53.6 调节图像对比度 .73.7 边缘检测 .83.8 图像形态学处理 .103.8.1 填补缝隙 .103.8.2 填充 .103.8.3 平滑 .113.9 图像中值滤波 .123.10 标记 .133.11 计算叶面积.144 结果与分析 .144.1 测量方法精度验证.14结论 .16参考文献 .17致谢 .18- 1 -基于 Matlab 图像处理求番茄叶面积1 引言1.1 研究背景目前常用的叶面积测定方法主要有网格法、复印称重法、测定叶片长宽建立回归方程法、系数法、叶面积测量仪等。其中网格法测量的精度较高,但是速度很慢,耗时多。称重法比较烦琐,不能精确测定单片叶子的面积,且误差较大。并且,传统的方法都需要从植物上采集大量的功能叶片,进行破毁性测量,这或多或少的对植物造成了一定程度的伤害,进而会影响到农学试验的连续性。虽然这几种测定方法已经在传统农业研究中得到广泛应用,但是它们仍然存在着测量精度低、测量范围小、仪器设备昂贵、操作烦琐的特点。随着计算机图像处理技术水平的提高,图像处理技术被广泛应用到农林业工程领域,具有操作实时、结果准确的特点,可节省大量的人力、物力和时间。鉴于传统叶面积检测法的缺点和计算机图像处理技术的优点,研究人员开始探索用图像处理技术来检测叶面积的方法。而本研究利用 Matlab 图像处理技术对植物叶面积进行快速准确无损的测量。在本文中,我们首先把用普通数码相机采集到的番茄叶图像输入计算机,然后利用 MATLAB 丰富的图像处理函数和强大的图形处理功能对其进行处理获得较为理想图像,最后测量出番茄叶的面积。与同组使用 photoshop 图像处理法测定结果相比较,Matlab 图像处理软件测定叶面积具有很强的可行性,并且我还在试图寻找一种更为简便、快速并能准确计算叶面积的方法,为植物生长实验提供更加准确的数据。1.2 研究意义叶片是植物进行光合作用的主要器官,是生态系统中初级生产者的能量转换器。叶片性状特征直接影响到植物的基本行为和功能。叶面积是植物研究中的一个常用指标,是生理生化、遗传育种、栽培等方面研究经常考虑的重要内容。叶面积的大小决定着光合有效辐射的大小,叶面积的大小直接影响到植物生产力的高低,叶面积大小对植物抗逆性影响很大,叶面积的变化也直接影响植物水分生理的变化过程。因此,- 2 -探讨准确快速测算叶面积的方法,对于指导农业生产实践活动,制定高产、优质和高效的栽培技术措施具有积极的意义。并且测定植物叶片面积,往往是研究一些与植物叶片面积相关的生理生化指标首要解决的问题。例如,对小面积叶片的光合速率进行测定时,需要知道这些叶片的实际面积,以此换算标准光合速率。而且该方法实现了对植物叶片的非破坏性测量,并能保证测量精度。通过对实验数据的比较分析也验证了该文提出方法的可行性。2 测定原理本文提出利用计算机图像处理技术对叶面积进行测定。首先将待测叶片摘下,放于放有参照物的背景底板上,用透明物压平,再通过一定分辨率的数码相机将番茄叶片拍成数码相片,即将番茄叶片信息转换成了计算机可识别的图像信息。由于数字图像都是由一个个像素点组成,因此只要知到每个像素点代表的真实面积后,就可以通过番茄叶的像素数求出其面积。故叶面积计算公式如下:(1)01mSS其中 S 代表叶片面积, S0 代表参照物的实际面积, 代表叶片的像素个数,1代表参照物的像素个数。0m所以当参照物的实际面积 S0 面积已知,再通过图像处理得到叶片像素个数 、1m参照物像素个数 ,即可求得叶片面积。03 番茄叶图像处理计算叶面积的实现过程如图 1 所示,即为叶面积计算的工作流程图。先将获取后的原图像先进行预处理(去除阴影、调整大小) ,再由 RGB 图像转换为灰度图像,然后再将转换后的灰度图像进行图像分割二值转换(差方法去除背景) ,然后通过边缘检测得到精准的叶子轮廓,后经图像形态学处理、中值滤波、标记得到番茄叶的像素个数,最后经过计算得到番茄叶片的面积。- 3 -图像形态学处理获 取 图 像中值滤波灰度变换 图像分割预 处 理标记计 算 面 积 边缘检测图 1 叶面积计算的工作流程图Figure 1 Flow chart of leaf area of work其中番茄叶图像的处理过程是图像处理法测量其叶面积的关键,所以,本文在获取番茄叶图像后,应用 Matlab 软件对图像进行处理和分析。3.1 Matlab 简介Matlab 是由 MathWorks 公司开发的一种主要用于数值计算及可视化图形处理的工程语言。它是目前国际上最流行、应用最广泛的科学与工程计算软件,它将数值分析、矩阵计算、图形图像处理、信号处理和仿真等诸多强大的功能集成在较容易使用的交互式计算机环境中,为科学研究、工程应用提供了一种功能强、效率高的编程工具。其中 Matlab 在图像处理中的应用是由一系列支持图像处理的操作函数组成,如几何操作、区域操作、块操作、滤波、变换、图像分割、图像边缘提取、图像增强等,为便于应用,在该软件中形成图像处理工具包。图像处理工具包的函数种类很多:图像显示、图像文件输入与输出、几何操作、像素值统计、图像分析与增强、图像滤波、滤波器、图像变换、图像类型转换等。该工具包与其它一样,使用者可以根据需要自行编写函数。3.2 图像的获取叶面积的测量系统硬件部分主要有成像设备、计算机、参照物以及测量所用夹具。成像设备选用普通的数码相机(300 万像素以上) ,借助于数码相机来获取图像,可以不破坏叶片的群体结构,真正地检测叶片的生长规律。计算机必须装有 Matlab 软件,并且可以稳定快速的运行 Matlab 软件。参照物是测量中一个关键的设备,本研究中选用一个 1 平方厘米的方形纸板作为参照,它必须要能与底板有很大的颜色差别,并且,参照物面积一定要准确,因为参照物的面积将直接影响测量的精度。测量所用夹具必须要具备以下特点:能够构建一个与叶片颜色有很大差别的背景,选择白色的纸板。调节图像对比度- 4 -并能使参照物固定在背景纸板上。在具体操作过程中,需要在严格的物距下进行叶片的采样,以保证每个像素代表的真实面积不变,需要垂直拍摄番茄叶片,而且要求光学器件的线性度高,镜头的焦距不可变,可见此法在获取图像上要求较高。获取的图像总共有 9 张,其中 8 张是固定在背景纸板上的番茄叶的图像,1 张是背景图像,即白色纸板。3.3 图像预处理3.3.1 去除对精确计算叶面积有影响的不利因素由于图像是人工用数码相机拍摄的,所以获得的图像会出现很多影响准确计算叶面积的因素,比如 2 号叶子在拍摄时出现了面积很大的阴影部分,如果不进行去除阴影处理,那叶片的面积就会偏大,即就算结果=实际面积+阴影部分的面积。这样就直接影响了我们的计算精度,造成误差。所以本文在这里运用 Photoshop 软件对图像进行了去除阴影处理。处理前后效果如图 2 所示。通过运行程序计算面积得到:处理前计算面积为 S=485mm2 ;处理后计算面积为 S=412mm2a)处理前图像 b)处理后图像图 2 阴影处理前后效果对比Figure 2 Comparison shadow effects before and after treatment3.3.2 调整图像大小由于图像是由数码相机拍摄获得的,所以获得的图像会很大(32642448) ,如果- 5 -直接用 Matlab 进行图像处理,会大大的增加图像处理的工作量,并且程序运行也很慢,有时还会出现未响应的情况,这样不仅不能很快得到想要的图像处理效果,而且可能会使我们得到的数据和图像丢失,进而影响我们的计算的速度。因此,我们要先对原始图像进行大小的调整。程序如下:image = imread(image_name); %读入原始图像image1 = imresize(image,0.2); %调整原始图像大小缩小至它的0.2倍x y z = size(image1)figure,imshow(image1); %显示调整后的原始图像(如图3所示)调整前图像尺寸为 X=3264;Y=2448;Z=3。调整后的图像尺寸为X=652;Y=490;Z=3。3.4 图像灰度变换由于数码相机拍摄到的图像是真彩图像,即 RGB 格式。为了进行下一步处理,需要先将真彩图像转换成灰度图像。灰度变换是图像增强的另一种重要手段,它可以使图形动态范围加大,使图像对比度扩展,图像更加清晰,特征更加明显。程序如下:image2=rgb2gray(image1); %将调整后的原始图像转换为灰度图figure,imshow(image2); %显示调整后的原始图像的灰度图(如图 4 所示)图3调整后的原始图像 图4调整后原始图像的灰度图Figure 3 Adjusted original image Figure 4 Adjusted grayscale original image 3.5 图像分割- 6 -为了便于计算机自动对图像进行识别和处理,必须进行图像分割。所谓图像分割,就是按照一定的原则,将一副图像分为若干个互不相交的小区域。这些小区域是某种意义下具有共同属性的像素的连通集合,即集合中任意两个点之间都存在着完全属于该集合的连通路径。图像分割也可以理解为将图像中有意义的特征区域或者需要应用的特征区域提取出来,这些特征区域可以是像素的灰度值、物体轮廓曲线、纹理特性等。因此要获取图像中参考物的面积及图像中作物叶片的参数,首先要将参考物目标和叶片目标从原图像中分割出来。目前,用于图像分割的方法很多,阈值法是一种简单有效的图像分割法,它用一个或几个阈值将图像的灰度级分为几个部分,将属于同一部分的像素视为相同的物体。阈值是指在图像分割时,作为区分物体与背景像素的门限,大于或等于阈值的像素属于物体,而其他像素则属于背景。利用阈值法,对于物体与背景之间存在明显差别的图像,分割效果十分有效,只要阈值选取合适,将每个像素与之比较,进行二值化或者半二值化处理,就可以很好地将对象从背景中分离出来。而本文所研究的番茄叶片通过阈值法不能很好的把图像进行分割,所以在本文中将采用差分法进行图像分割。图像差分方法其实就是图像数学运算中的减法运算,采用差分法去除图像的背景,是一种常用于检测图像变换及运动物体的图像处理方法,图像差分可以作为许多图像处理的准备步骤。在Matlab中,使用 imsubtract函数可以将一幅图像从另一幅图像中减去。就是先将一幅输入图像的像素值从另一幅输入图像相应的像素值中减去,再将相应的像素值之差作为输出图像相应的像素值。程序如下:image = imread(image_name); %输入原始图像image1 = imread(Background.jpg); %输入背景图像grayscale = rgb2gray(image); %灰度转换grayscale1 = rgb2gray(image1);subtract=imsubtract(grayscale1,grayscale); %差分运算去除背景figure,imshow(subtract); %显示输出图像即差分图像(如图5所示)在这里,为了消除图像中的边缘对象,还需要使用imclearborder 命令。命令格式如下:- 7 -noborder=imclearborder(image,coon);上式中 coon 表示连通性, 其定义为:在一个连通:集中的任意两个像素之间,都存在一条完全由这个集合的元素构成的连通路径。而去除图像背景正是根据像素间连通性概念判断哪些像素与边缘像素相连通,从而将这部分背景物体去除。程序如下:R=imclearborder(subtract,8);figure,imshow(R); %显示去除边缘对象的图像(如图6所示)图5 差分图像 图6 去除边缘对象的图像Figure 5 Difference image Figure 6 Remove the edge of the image3.6 调节图像对比度由于拍摄图像时受到光照强弱的影响,导致灰度图像在整个灰度范围分布不是很均匀。灰度的不均匀会对后面的面积计算产生误差,所以必须对图像进行灰度调整。而图像增强正是调整灰度的最佳工具。图像增强就是为了改善视觉效果和便于人和机器对图像的理解和分析,根据图像的特点或存在的问题采取的简单改善方法或者加强特征的措施。一般情况下,图像增强是按特定的需要突出一幅图像中的某些信息,同时削弱或去除某些不需要的信息的处理方法,也是提高图像质量的过程。图像增强的目的是使图像的某些特性方面更加鲜明、突出,使处理后的图像更适合人眼视觉特性或机器分析,以便于实现对图像的更高级的处理和分析。从图6可以看出来,处理后的图像比较暗,必须进行适当的调节对比度处理,这样可以将原本模糊不清甚至根本无法分辨的原始图像处理成清晰的富含大量有用信息的可使用图像,有效地去除图像中的噪声、增强图像中的边缘或其他感兴趣的区域,从- 8 -而更加容易对图像中感兴趣的目标进行检测和测量。Matlab提供的 imadjust函数,它可以使图像动态范围加大,使图像对比度扩展,从而增大反差,使图像的细节清晰,达到增强目的。程序如下:image=imadjust(image,0.2 0.6,0 1);figure,imshow(image); %显示调节对比度后的图像(如图7所示)图7 调节对比度后的图像Figure 7 After adjusting the image contrast3.7 边缘检测图像边缘检测对图像识别和计算机分析十分有用,边缘检测能勾画出目标物体,使观察者目了然;边缘蕴含了丰富的内在信息,是图像识别中重要的图像特征之一。从本质上说,图像边缘是图像局部特性不连续的反映,即图像局部亮度变化最显著的部分,如灰度值的突变、颜色的突变、纹理结构的突变等,它标志着一个区域的终结和另一个区域的开始。它存在于目标与背景、目标与目标、区域与区域、基元与基元之间,因此它是图像分割所依赖的重要特征,也是图像识别中提取图像特征的一个重要属性。利用边缘检测来分割图像,其基本思路是先检测图像中的边缘点,再按照某种策略将边沿点连接成轮廓,从而构成分割区域。由于边缘检测是所要提取目标和背景的分界线,提取出边缘才能将目标和背景分开,因此边缘检测技术对于数字图像处理十分重要。- 9 -Matlab 中 edge 函数用于灰度图像边缘的提取,其语法结构是:BW=edge(amage,method, thresh, direction);其返回的图像与读取图像 amage 是大小一样的二进制图像。method 表示图像边缘提取所采用的方法,thresh 表示该图像边缘提取方法所采用的阈值,所有小于阈值的图像边缘都被忽略,缺省时自动选取阈值。direction 表示为所采用方法指定方向,具有方向时才会使用。direction 为字符串,其中 horizontal 表示水平方向,vertical 表示垂直方向,both 表示两个方向(缺省值)。常用的边缘提取方法有 Robert 算子、Sobel 算子、 Prewitt 算子和 Canny 算子等。本文针对番茄叶的特征,对每个算子进行对比,如图 8 所示。四种算子边缘检测编程如下:image1=edge(image,sobel);image2=edge(image,roberts); image3=edge(image,prewit);image4=edge(image,canny);figure;subplot(2,2,1);imshow(image1);title(sobel图像边缘提取)subplot(2,2,2);imshow(image2);title(roberts图像边缘提取)subplot(2,2,3);imshow(image3);title(prewit图像边缘提取)subplot(2,2,4);imshow(image4);title(canny图像边缘提取)- 10 -图 8 四种算子的边缘提取图Figure 8 The four edge detection operator image发现 Robert 算子对番茄叶图像处理的效果较好,故选用 Robert 算子来进行边缘检测。但是 1 号番茄叶的弱边缘比较多,选用 canny 算子效果较好。3.8 图像形态学处理3.8.1 填补缝隙由边缘检测效果图 8 可以看到,虽然 edge 函数提取了图像的大概轮廓,但是边缘线存在断裂的情况,没有完整而精确地描绘出叶子和参照物的轮廓。在这里可以通过strel 函数和 imdilate 函数对图像进行膨胀操作,填补边缘的缝隙。程序如下:I=strel(line,3,90);H=strel(line,3,0);image=imdilate(image2,I H);figure,imshow(image); %显示填补边缘缝隙后的图像(如图 9 所示)- 11 -图 9 填补边缘缝隙后的图像Figure 9 After to fill the gap edge image 3.8.2 填充膨胀后的图像精确显示了叶片和参照物的外围轮廓,但是在叶片内部还有很多的孔隙,可以利用 imfill 函数对这些孔隙进行填充,程序如下:filled = imfill(image,holes);figure,imshow(filled); %显示填充后的图像(如图 10 所示)图 10 填充后的图像Figure 10 After filling the image3.8.3 平滑- 12 -对于分割的结果,边缘不是很光滑,需要利用菱形结构元素对图像进行平滑处理。程序如下:SeD=strel(diamond,1);final=imerode(filled,SeD);final=imerode(final,SeD);figure,imshow(final); %显示平滑后的图像(如图 11 所示)图 11 平滑后的图像Figure 11 Smoothed images3.9 图像中值滤波各类图像处理系统在图像的采集、获取、传送和转换(如成像、复制扫描、传输以及显示等)过程中会出现系统噪音,会影响以后所求数值的准确度,所以需要对图像进行滤波。图像的噪声滤波器有很多种,常用的有线性滤波器,非线性滤波器。采用线性滤波如邻域平滑滤波,对受到噪声污染而退化的图像复原,在很多情况下是有效的。但大多数线性滤波器具有低通特性,去除噪声的同时也使图像的边缘变模糊了。而另一种非线性滤波器如中值滤波,在一定程度上可以克服线性滤波器所带来的图像模糊问题,在滤除噪声的同时,能较好地保留图像的边缘信息。中值滤波在衰减噪声的同时不会使图像的边界模糊,这是中值滤波得到广泛应用的原因。中值滤波去除噪声的效果依赖于 2 个要素:领域的空间范围和中值计算中涉及的像素数。一般来说,小于滤波器面积一半的亮或暗的物体基本上会被滤除,而较大的物体几乎会原封不动地保存下来,因此,中值滤波器的空间尺寸必须根据现有的问题来进- 13 -行调整。较简单的模板是 n n 的方形(注:此处的 n 通常是奇数) ,计算时将使用到所有的 n2个像素点。总之, 中值滤波算法具有较好的理论基础,并且在滤除噪音的同时能很好地保护信号的细节信息(边缘、锐角) 。它也是一种较简单又很常用的滤波平滑方法,具有较好的实用价值。它的基本原理是采用邻域内的像素灰度值的中值来作为处理后像素点的灰度值。程序如下:final = medfilt2(final,3 3); %对图像进行中值滤波,滤波窗口默认值为3 3 final = medfilt2(final,3 3); final = medfilt2(final,3 3); final = medfilt2(final,3 3); final = medfilt2(final,3 3);final = medfilt2(final,3 3);final = medfilt2(final,3 3);final = medfilt2(final,3 3);final = medfilt2(final,3 3);final = medfilt2(final,3 3);final = medfilt2(final,3 3);figure,imshow(final); %显示滤波后图像(见图 12 所示)图 12 滤波后的图像- 14 -Figure 12 Filtered images3.10 标记这个功能是确定图像中的目标对象并予以标记。调用 bwlabe 函数寻找连通成份而且用惟一的数字将他们分类标记。bwlabe 函数可以接受一个二值图像和指定各目标对象的连通性的值(4 或 8,表示 4 或 8 连通)作为输入。程序如下:L=bwlabel(final,8); s=regionprops(L,Area,Centroid); k= ismember(L, find(s.Area = 2200); %去除小于2200的区域 number=size(s,1); %孔数area=s.Area; %面积centroid=cat(1,s.Centroid); % Centroid,为以后标记提供位置imshow(k);hold on; %在区域上标记面积(如图13所示)for i=1:numbertext(centroid(i,1),centroid(i,2),num2str(area(i); %标记end图 13 标记叶子和参照物的像素个数图像- 15 -Figure 13 Marks the number of leaves and reference pixels image3.11 计算叶面积从图 13 可以很清楚的看到叶子和参照物的像素个数,根据测量原理知道,S 0=, =2794, =11537。21cm01m故可以得到叶面积 201 19.42753cmS4 结果与分析4.1 测量方法精度验证为了验证数字图像处理叶面积结果的可行性,本文应用 photoshop 图像处理的方法对同一片番茄叶子再次进行测量。虽然目前对于叶面积的测量未有十分精确的方法,但是对于叶片平展但不规则的叶片使用 photoshop 图像处理法测量,有很高的精确度。由结果可以看出,用 Matlab 图像处理求得的叶面积与与同组使用 photoshop 图像处理法测定结果相比较,求得的结果很相近,本文共对 8 片番茄叶子进行以上两种测量面积方法的分析,数据如表 1 所示。表 1 Matlab 图像法叶面积测量及 Photoshop 图像法叶面积测量结果对比Tab.1 Matlab image Lafayette area measurement and Photoshop image contrast measurements Lafayette area番茄叶编号 番茄叶像素个数 参照物像素个数 番茄叶面积(cm 2)Photoshop 图像法番茄叶面积(cm 2)相对误差(%)- 16 -1 23731 4935 4.809 4.826 -0.352 11537 2794 4.129 4.195 -1.573 13421 3225 4.162 4.273 -2.594 13902 2377 5.849 5.817 0.555 12084 2476 4.880 4.821 1.226 11096 3457 3.209 3.218 -0.28 7 20510 3457 5.933 5.996 -1.05 8 31575 4332 7.289 7.258 0.43由表 1 可以看出,用 Matlab 图像法计算的叶面积与 photoshop 图像法得到的叶面积结果很相近,相对误差的平均值为 1.005。因此本文所采用的算法可以应用于实际叶面积的测定。- 17 -结论文中提出的基于图像处理番茄叶面积的测量方法,利用在 Matlab 平台下开发的程序,实现了对番茄叶片的图像中叶片的图像处理并同步计算叶面积。将经过图像处理所得的叶面积与 photoshop 图像法测得的面积进行对比,两者间相对误差的平均值为0.92,实验表明基于图像处理求叶面积的方法具有较高的精确度和稳定性,可应用于番茄叶面积的实际测量。通过对多幅番茄叶图像(共 8 幅)进行图像处理计

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论