Qt与OpenCV结合实现图像拼接

本文还有配套的精品资源，点击获取

简介：本文详细介绍了如何在C++中使用Qt和OpenCV库进行图像拼接的步骤。Qt作为用户界面和桌面应用程序的开发框架，提供了丰富的API。OpenCV是一个支持多种图像操作的计算机视觉库。图像拼接通常涉及图像对齐、融合和透视校正。文章详细解释了从图像读取到最终全景图像输出的关键步骤，包括特征匹配、Homography计算、图像对齐、融合、循环拼接、Qt集成以及性能优化。提供的项目代码展示了如何在实际项目中运用这些技术，帮助开发者提升C++图像处理技能。

1. Qt开发框架简介

Qt是一个强大的跨平台C++图形用户界面应用程序开发框架，它被广泛用于开发具有复杂用户界面的桌面、嵌入式和移动应用程序。自从1991年由Trolltech公司开发以来，Qt经历了多个版本的演进，不断引入新技术和改进，保持了其在开发界的领先地位。

核心特性方面，Qt最突出的贡献在于引入了信号与槽机制，这是一种独特的事件处理方式，允许对象间进行松散耦合的通信，大大提高了代码的模块化和可重用性。模型/视图架构则是Qt为了解决数据与显示分离问题而设计的，它通过将数据存储与视图展示分离，简化了界面组件的数据管理。

最后，本章还将通过一个简单示例，指导读者如何利用Qt创建基础的图形界面。这不仅有助于理解Qt的工作原理，也为进一步学习复杂的界面设计和交互逻辑打下坚实的基础。

// 示例代码：使用Qt创建一个简单的窗口
#include <QApplication>
#include <QWidget>

int main(int argc, char *argv[]) {
    QApplication app(argc, argv);

    QWidget window;
    window.resize(250, 150);
    window.setWindowTitle("Hello, Qt!");
    window.show();

    return app.exec();
}

在上述代码中，我们创建了一个简单的Qt应用程序，该程序实例化了一个 QWidget ，设置了窗口大小和标题，并启动了Qt的事件循环。通过这种方式，我们学习了Qt应用程序的基础结构和运行机制。

2. OpenCV库介绍与功能

OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习软件库。作为图像处理与计算机视觉领域不可或缺的工具，它被广泛应用于研究、教育和工业界。本章将详细介绍OpenCV的安装与配置，以及它的核心组件。同时，本章重点讲解OpenCV中图像处理相关的功能，如图像的读取、显示和基本操作。此外，还会对OpenCV中用于图像处理、特征检测、对象识别等的函数进行概述。

2.1 OpenCV安装与配置

OpenCV可以安装在多种操作系统上，包括Windows、Linux以及macOS。安装过程简单，可以使用包管理器或者直接从源代码编译。

2.1.1 Windows平台安装

对于Windows平台，推荐使用预编译的二进制文件（比如使用 vcpkg 或者 Anaconda 包管理器）。

1. 选择合适的OpenCV版本并下载对应版本的 opencv安装包 和 opencvContrib安装包 。
2. 解压下载的文件到指定目录。
3. 添加OpenCV的 bin 目录到系统的PATH环境变量。
4. 在程序中指定OpenCV的库文件和头文件目录。

2.1.2 Linux平台安装

在Linux环境下，可以使用包管理器进行安装，如 apt-get 。

sudo apt-get update
sudo apt-get install python3-opencv # For Python bindings

或者，从源代码编译安装。

# 安装依赖项
sudo apt-get install build-essential cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev
# 下载OpenCV源码
git clone https://github.com/opencv/opencv.git
git clone https://github.com/opencv/opencv_contrib.git
# 构建和安装
cd opencv
mkdir build
cd build
cmake -D CMAKE_BUILD_TYPE=RELEASE \
      -D CMAKE_INSTALL_PREFIX=/usr/local \
      -D OPENCV_EXTRA_MODULES_PATH=../../opencv_contrib/modules \
      -D BUILD_EXAMPLES=ON ..
make -j$(nproc)
sudo make install

2.1.3 macOS平台安装

在macOS上，可以使用 Homebrew 或者 macPorts 进行安装。

brew install opencv

或者

sudo port install opencv

安装完成后，OpenCV就可以在支持的语言（如C++、Python等）中使用了。

2.2 OpenCV核心组件与功能

2.2.1 核心组件

OpenCV的模块可以被分为几个主要的组件：

• core 模块：提供了基本的数据结构，如矩阵和向量，以及图像处理的基本操作。
• imgproc 模块：用于图像的预处理，如滤波、边缘检测、形态学操作、色彩空间转换等。
• video 模块：提供了视频分析功能，如背景减除、对象跟踪等。
• highgui 模块：用于图像和视频文件的读取和显示。
• objdetect 模块：提供了对象检测功能，包括Haar分类器等。
• calib3d 模块：包含了3D计算机视觉的相关函数，如特征点匹配、单应性和立体校准等。

2.2.2 图像处理功能

在OpenCV中，图像的读取、显示与基本操作是构建任何视觉应用的基础。

• 图像读取

#include <opencv2/opencv.hpp>

int main(int argc, char** argv) {
    // 使用cv::imread函数读取图像
    cv::Mat image = cv::imread("path/to/image.jpg");
    if(image.empty()) {
        std::cout << "Could not read the image" << std::endl;
        return 1;
    }
    return 0;
}

• 图像显示

// 显示图像
cv::namedWindow("Display window", cv::WINDOW_AUTOSIZE);
cv::imshow("Display window", image);
cv::waitKey(0);

• 基本操作

OpenCV提供了大量的函数来执行基本操作，如翻转、旋转、缩放等。

// 翻转图像
cv::Mat flippedImage;
cv::flip(image, flippedImage, 1); // 1表示沿y轴翻转

// 缩放图像
cv::Mat resizedImage;
cv::resize(image, resizedImage, cv::Size(), 0.5, 0.5, cv::INTER_LINEAR);

2.3 特征检测与对象识别

2.3.1 图像处理函数概述

OpenCV提供了一系列用于图像特征检测和描述的函数。这些函数对图像进行分析，并提取可以用于比较、匹配或识别的关键信息。

• 特征点检测

// 使用SIFT检测特征点和描述符
cv::Ptr<cv::xfeatures2d::SIFT> detector = cv::xfeatures2d::SIFT::create();
std::vector<cv::KeyPoint> keypoints;
cv::Mat descriptors;

detector->detectAndCompute(image, cv::noArray(), keypoints, descriptors);

• 特征匹配

特征匹配是图像拼接中的一个重要步骤。可以通过比较不同图像的特征描述符来找到匹配的特征点。

// 使用BFMatcher进行特征匹配
cv::BFMatcher matcher(cv::NORM_L2);
std::vector<cv::DMatch> matches;
matcher.match(descriptors1, descriptors2, matches);

// 根据距离排序匹配结果
std::sort(matches.begin(), matches.end());

2.3.2 函数在图像拼接技术中的应用

特征检测与描述函数是图像拼接技术的核心组件。通过使用SIFT、SURF、ORB等特征检测方法可以检测出图像中的关键点，并进一步提取特征描述符。这些描述符可以用于后续的图像匹配和对齐步骤。

• 特征检测与描述的应用

// 使用ORB检测器获取关键点和描述符
cv::Ptr<cv::ORB> detector = cv::ORB::create();
std::vector<cv::KeyPoint> keypoints;
cv::Mat descriptors;

detector->detectAndCompute(image, cv::noArray(), keypoints, descriptors);

接下来，需要对这些特征进行匹配，找到两幅图像中匹配的特征点对。通过匹配，可以估计出图像间的变换矩阵，进而对齐图像，并进行拼接。

通过本章节的介绍，读者应该对OpenCV有了一个全面的认识，从安装配置到基本操作，再到特征检测与对象识别的核心功能。在后续章节中，我们将进一步深入探讨这些技术在实际应用中的细节，如图像拼接的实现技术，以及如何将OpenCV集成到Qt框架中，打造更加用户友好的交互式视觉应用程序。

3. 图像拼接概念及步骤

3.1 图像拼接的背景与意义

图像拼接技术是一种在计算机视觉领域广泛应用的技术，它可以将多个重叠的图像拼合为一个单一的大视图图像。这种技术尤其在全景图像、卫星图像、医学成像和增强现实等领域有广泛的应用。图像拼接不仅能够提供更广阔的视野，还能提高图像的分辨率，对于数据分析和图像理解有着不可替代的作用。

3.1.1 应用场景分析

为了理解图像拼接的实际应用价值，我们可以从以下几个典型场景来看： - 全景图制作 ：旅游景点、房地产展示等场景中，常常需要制作高清晰度的全景图像。通过图像拼接，可以将多个拍摄的照片无缝合并，形成一个全方位的视角。 - 遥感图像分析 ：在气象监测、地图制作等领域，需要处理大量来自卫星或无人机的高分辨率图像。通过拼接，可以获得更大范围的详细地图。 - 医学成像 ：在某些医学成像技术中，为了获得更全面的生物组织或器官图像，需要对多个成像结果进行拼接。

3.1.2 图像拼接的必要性

图像拼接之所以必要，是因为它能解决以下问题： - 扩展视野 ：在单次拍摄受限的场景下，通过拼接多幅图像可以获得更广阔的视野。 - 提高分辨率 ：对于远距离拍摄或使用低分辨率设备时，通过拼接可以提升图像的细节水平。

3.2 图像拼接的基本步骤详解

图像拼接过程可以分为若干明确的步骤，从图像的获取开始，经过预处理，到特征匹配、变换矩阵的计算，最后实现图像对齐与融合。

3.2.1 图像的获取与预处理

在图像拼接的第一步，我们需要获取多张有重叠部分的图像。这些图像通常需要经过预处理，如去噪、增强对比度等，以提高后续处理的准确性。

3.2.2 特征检测与匹配

接下来是特征检测与匹配步骤，这是图像拼接的关键所在。特征检测算法（如SIFT、SURF、ORB等）被用来从图像中提取关键点及其描述符。之后，使用特征匹配算法（如BFMatcher、FLANN等）对不同图像中的特征点进行匹配。

3.2.3 Homography矩阵的计算

通过匹配得到的特征点对，我们可以使用最小二乘法等数学方法来计算单应性矩阵（Homography矩阵），该矩阵能够描述图像间的几何变换关系。

3.2.4 图像对齐与透视变换

利用得到的单应性矩阵，可以对图像进行透视变换，实现图像对齐。这个过程涉及到图像裁剪与拼接，目标是使得变换后的图像能够无缝对接。

3.2.5 图像融合技术

最后，为了消除拼接处的不连续和突兀感，需要使用图像融合技术，这涉及到渐变、加权平均等操作，以平滑拼接线，提高图像的自然度和视觉效果。

3.2.6 代码实战分析

下面我们将通过代码示例来展示如何使用OpenCV库进行图像拼接的基本步骤。

import cv2
import numpy as np

# 读取图像
img1 = cv2.imread('image1.jpg', 0)
img2 = cv2.imread('image2.jpg', 0)

# 特征检测与匹配
orb = cv2.ORB_create()
kp1, des1 = orb.detectAndCompute(img1, None)
kp2, des2 = orb.detectAndCompute(img2, None)
matcher = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
matches = matcher.match(des1, des2)

# 根据距离排序
matches = sorted(matches, key=lambda x: x.distance)

# 绘制前N个匹配点
img3 = cv2.drawMatches(img1, kp1, img2, kp2, matches[:10], None, flags=2)

# 特征匹配结果
cv2.imshow('Matches', img3)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述Python代码中，我们使用了ORB特征检测器来获取关键点，并通过暴力匹配（Brute-Force Matcher）来匹配图像间的特征点。匹配结果用 cv2.drawMatches() 函数进行可视化。

3.2.7 参数说明与扩展性分析

在上述代码中，我们使用了 cv2.ORB_create() 创建ORB检测器，并将检测到的关键点用于计算匹配点。 cv2.BFMatcher 创建了一个暴力匹配器，其中 cv2.NORM_HAMMING 表示匹配时采用的汉明距离， crossCheck=True 表示只选择那些两个方向上距离最近的匹配点。

接下来，我们对匹配结果按距离进行了排序，并使用 cv2.drawMatches() 函数绘制了匹配结果。这里只是展示了最简单的特征匹配过程，实际应用中还需要进一步的步骤，比如过滤错误匹配、计算Homography矩阵、执行图像变换等。

3.3 图像拼接流程的表格与流程图

为了更清晰地展示图像拼接的流程，下面提供一个简单的表格和流程图。

表格：图像拼接流程表

| 步骤 | 功能描述 | | --- | --- | | 图像获取 | 获取需要拼接的图像 | | 预处理 | 对图像进行去噪、增强等操作 | | 特征检测 | 使用ORB、SIFT等算法检测图像特征 | | 特征匹配 | 使用匹配算法进行特征点匹配 | | Homography矩阵计算 | 计算图像间的关系矩阵 | | 图像变换与对齐 | 对图像进行透视变换和对齐操作 | | 图像融合 | 对图像进行平滑处理，消除拼接线 |

mermaid流程图：图像拼接流程

graph TD
    A[图像获取] --> B[预处理]
    B --> C[特征检测]
    C --> D[特征匹配]
    D --> E[Homography矩阵计算]
    E --> F[图像变换与对齐]
    F --> G[图像融合]

通过上述表格和流程图，我们可以清晰地看到图像拼接的整个流程及其关键步骤。在实际的图像拼接项目中，每个步骤都需要仔细设计和优化，以适应不同的应用场景和需求。

在下一章节中，我们将深入探讨图像拼接的实现技术，包括如何提高特征匹配的准确性和图像拼接质量，以及在不同的应用场景下的技术选择和优化。

4. 图像拼接的实现技术

图像拼接是一种将多个图像组合成一个大型图像的技术，广泛应用于摄影、地图绘制、虚拟现实以及机器人导航等领域。高质量的图像拼接不仅要求精确的几何校正，还需要在视觉上无缝地融合图像间的接缝，以达到自然无痕的效果。

4.1 图像读取方法

图像拼接的第一步是从多种来源读取图像数据。OpenCV库提供了强大的图像I/O操作功能，使用 cv::imread 函数可以轻松读取图片：

cv::Mat image = cv::imread("path/to/image.jpg");

4.1.1 参数解释

• "path/to/image.jpg" ：图像文件的路径。
• cv::Mat ：存储读取图像数据的矩阵。

4.1.2 使用场景

读取图像的操作通常是图像处理流程的入口，例如在创建图像数据库或进行实时图像拼接时，需要首先读取图像。

4.1.3 代码逻辑分析

在该代码块中，我们使用了 cv::imread 函数从指定的路径读取了一张图片，并存储在 cv::Mat 类型的变量 image 中。

4.2 特征匹配技术

特征匹配是图像拼接中的关键步骤，它涉及到从不同图像中识别出相对应的特征点，并建立它们之间的对应关系。

4.2.1 常用特征检测与描述方法

常用的特征检测与描述方法包括SIFT（尺度不变特征变换）、SURF（加速鲁棒特征）、ORB（Oriented FAST and Rotated BRIEF）等。下面以ORB特征为例：

cv::ORB detector;
std::vector<cv::KeyPoint> keypoints;
cv::Mat descriptors;

detector.detectAndCompute(image, cv::noArray(), keypoints, descriptors);

4.2.2 选择合适的匹配算法

选择合适的匹配算法是完成特征匹配的关键。对于特征描述子，可以使用BF（暴力匹配器）或者FLANN（快速近似最近邻）匹配器。下面展示BF匹配器的使用：

cv::BFMatcher matcher(cv::NORM_HAMMING);
std::vector<cv::DMatch> matches;

matcher.match(descriptors1, descriptors2, matches);

4.2.3 代码逻辑分析

在上述代码中，我们首先使用 cv::ORB 检测器来提取关键点和计算描述子。然后利用 cv::BFMatcher 进行特征匹配。 cv::DMatch 对象存储了两幅图像中匹配特征之间的信息。

4.3 Homography矩阵的计算

计算两幅图像之间的Homography矩阵是实现图像对齐的关键步骤。Homography矩阵描述了在平面坐标系之间转换的线性映射。

4.3.1 理论基础

Homography矩阵是一个3x3的可逆矩阵，它可以通过最小二乘法来估计，需要至少四对匹配点。

4.3.2 实际应用

使用RANSAC算法可以有效地估计出正确的Homography矩阵，即使在存在大量误匹配的情况下也能保持鲁棒性。

std::vector<cv::Point2f> pts1, pts2;
std::vector<cv::DMatch> good_matches;

for (size_t i = 0; i < matches.size(); i++) {
    if (matches[i].distance < threshold) {
        good_matches.push_back(matches[i]);
    }
}

// 提取匹配点对
for (size_t i = 0; i < good_matches.size(); i++) {
    pts1.push_back(keypoints1[good_matches[i].queryIdx].pt);
    pts2.push_back(keypoints2[good_matches[i].trainIdx].pt);
}

// 使用RANSAC算法计算Homography矩阵
cv::Mat H = cv::findHomography(pts1, pts2, cv::RANSAC);

4.3.3 代码逻辑分析

在上述代码中，我们首先筛选出了好的匹配点，然后将这些点的坐标存入 pts1 和 pts2 向量中。最后使用 cv::findHomography 函数计算出Homography矩阵 H ，并且使用RANSAC算法来保证计算结果的鲁棒性。

4.4 图像对齐与透视变换

通过计算出的Homography矩阵，我们可以将一幅图像变换到与另一幅图像相同的视角上，实现图像对齐。

4.4.1 图像对齐

图像对齐是指调整图像的位置和角度，使得它们能够在相同坐标系下重叠。

4.4.2 透视变换

透视变换利用Homography矩阵来计算变换后图像的像素值。

cv::Mat result;
cv::warpPerspective(image1, result, H, image1.size());

4.4.3 代码逻辑分析

在该代码块中， cv::warpPerspective 函数根据计算出的Homography矩阵 H 对图像 image1 进行透视变换，结果存储在 result 中。输出图像 result 大小与 image1 相同，但是视角已经调整与 image2 一致。

4.5 图像融合技术

图像融合的目的是消除拼接处的接缝，使得拼接后的图像看起来像是一个单一的图像。

4.5.1 接缝消除

接缝是指拼接图像中不连续的区域，消除接缝是图像融合中的重要任务。

4.5.2 视觉效果优化

视觉效果的优化需要通过平滑过渡和颜色校正等手段来实现。

// 简单的接缝消除示例
for (int y = 0; y < result.rows; y++) {
    for (int x = 0; x < result.cols; x++) {
        // 检查像素是否位于融合带内
        if (x > result.cols / 2 - blend_width && x < result.cols / 2 + blend_width) {
            // 对相邻图像相应位置的像素进行加权平均
            result.at<Vec3b>(y, x) = Vec3b((image1.at<Vec3b>(y, x)[0] + image2.at<Vec3b>(y, x)[0]) / 2,
                                           (image1.at<Vec3b>(y, x)[1] + image2.at<Vec3b>(y, x)[1]) / 2,
                                           (image1.at<Vec3b>(y, x)[2] + image2.at<Vec3b>(y, x)[2]) / 2);
        }
    }
}

4.5.3 代码逻辑分析

在该代码块中，我们在图像 result 中创建了一个融合带，位于图像宽度的一半附近。在此区域内，将相邻两幅图像相应位置的像素进行加权平均，以此实现接缝的消除。 blend_width 是融合带的宽度，这个值可以根据实际情况调整。

4.6 实现总结

图像拼接技术实现的关键在于特征匹配的准确性，以及Homography矩阵的精确计算。图像对齐和透视变换是将图像调整至同一视角的关键步骤，而图像融合则是实现无缝拼接的最后一步。在本章节中，我们详细讨论了每一个技术点的理论基础和实现方法，并通过具体的代码示例来进行实践，旨在为读者提供了一个全面的图像拼接实现技术学习路径。

5. Qt集成与界面展示

在开发图像处理软件时，一个直观且交互良好的用户界面至关重要。Qt框架以其强大的界面设计能力和良好的跨平台兼容性，成为开发此类软件的理想选择。本章将重点讲解如何将图像拼接技术与Qt框架集成，通过案例展示如何在Qt中集成OpenCV库，并实现图像的动态读取与显示。此外，本章还将详细阐述设计用户友好界面的步骤，以及如何响应用户的交互操作来触发图像拼接过程。最后，通过展示一个完整的图像拼接应用程序实例，讨论如何通过Qt进行调试和性能优化。

5.1 Qt中集成OpenCV库

集成OpenCV到Qt应用程序中，首先需要确保OpenCV库已经安装在开发环境中，并配置了相应的环境变量。集成的主要步骤如下：

• 在Qt项目文件（.pro文件）中添加OpenCV库的路径： pro INCLUDEPATH += /path/to/opencv/include LIBS += -L/path/to/opencv/lib -lopencv_core -lopencv_imgproc -lopencv_highgui -lopencv_imgcodecs

• 在Qt源代码中包含OpenCV头文件： cpp #include <opencv2/opencv.hpp>

• 在Qt的项目中使用OpenCV库中的函数和类进行图像处理。

5.2 设计用户界面

用户界面是应用程序与用户交互的直接界面，其设计的直观性和功能性对用户体验至关重要。在Qt中，可以使用Qt Designer来设计界面，也可以直接在代码中使用布局管理器来创建界面。设计过程一般包括以下步骤：

• 确定应用程序需要的功能模块，例如图像加载、拼接处理按钮、显示拼接结果的区域等。

• 使用布局管理器（如QVBoxLayout, QHBoxLayout）来组织界面组件，使得界面具有良好的响应性和适应性。

• 使用QLabel显示图像，QPushButtons来触发操作，如“加载图像”、“开始拼接”等。

5.3 动态读取与显示图像

Qt和OpenCV的集成允许开发者在应用程序中动态读取和显示图像。可以使用OpenCV的 cv::imread 函数来加载图像，并通过Qt的 QPixmap 类将其转换为可以在界面上显示的格式。

// 使用OpenCV加载图像
cv::Mat image = cv::imread("path/to/image.png");

// 将cv::Mat转换为QPixmap并显示在QLabel上
QPixmap pixmap = QPixmap::fromImage(cv::imwrite(".jpg", image)); // 注意：这里需要先将图像转换为jpg格式，因为QImage不支持直接从cv::Mat创建
ui->label_image->setPixmap(pixmap.scaled(ui->label_image->size(), Qt::KeepAspectRatio));

5.4 触发图像拼接过程

为了触发图像拼接过程，可以在Qt界面中设置按钮，并将相应的槽函数连接到按钮的点击信号上。

// 按钮点击事件的槽函数
void on_pushButton_clicked()
{
    // 图像拼接逻辑代码
    // ...
}

5.5 调试与性能优化

在Qt中，集成的调试工具和性能分析工具对于开发过程至关重要。通过以下方法进行调试和优化：

• 使用Qt Creator的内置调试器来设置断点，单步执行代码，并检查变量和调用栈。

• 利用Qt的分析工具，例如Qt Profiler，来分析应用程序的性能瓶颈。

• 优化代码逻辑，使用更高效的算法，减少不必要的计算和内存使用。

5.6 应用实例展示

通过一个完整的图像拼接应用程序实例，演示如何将前面章节的知识结合起来。以下是一个简单的程序流程：

1. 程序启动，加载用户界面。
2. 用户通过界面加载两张待拼接的图片。
3. 用户点击“开始拼接”按钮，应用程序调用拼接算法处理图片。
4. 拼接完成后，结果显示在界面上。
5. 用户可以保存拼接后的图片。

为了展示Qt集成与界面展示，一个简单的界面布局可能如下：

| 功能按钮 | 图像显示区域 | |----------|--------------| | 加载图像 | | | 开始拼接 | | | 保存结果 | |

通过以上步骤，我们可以将图像拼接技术与Qt框架成功集成，创建出一个功能完整、用户体验良好的应用程序。在这个过程中，我们不仅需要考虑技术的实现，更要关注用户的交互体验，确保程序的稳定性和高效性。

本文还有配套的精品资源，点击获取

简介：本文详细介绍了如何在C++中使用Qt和OpenCV库进行图像拼接的步骤。Qt作为用户界面和桌面应用程序的开发框架，提供了丰富的API。OpenCV是一个支持多种图像操作的计算机视觉库。图像拼接通常涉及图像对齐、融合和透视校正。文章详细解释了从图像读取到最终全景图像输出的关键步骤，包括特征匹配、Homography计算、图像对齐、融合、循环拼接、Qt集成以及性能优化。提供的项目代码展示了如何在实际项目中运用这些技术，帮助开发者提升C++图像处理技能。

本文还有配套的精品资源，点击获取