目标

本教程将教你如何

使用函数 cv::compareHist 获取一个数值参数，该参数表示两个直方图匹配程度。
使用不同的度量方法来比较直方图

理论

为了比较两个直方图（\(H_{1}\) 和 \(H_{2}\)），我们首先必须选择一个度量（\(d(H_{1}, H_{2})\)）来表示两个直方图匹配的程度。
OpenCV 实现了一个函数 cv::compareHist 来进行比较。它还提供了 4 种不同的度量方法来计算匹配程度。
1. 相关性 ( cv::HISTCMP_CORREL )
  \[d(H_1,H_2) = \frac{\sum_I (H_1(I) - \bar{H_1}) (H_2(I) - \bar{H_2})}{\sqrt{\sum_I(H_1(I) - \bar{H_1})^2 \sum_I(H_2(I) - \bar{H_2})^2}}\]
  其中
  \[\bar{H_k} = \frac{1}{N} \sum _J H_k(J)\]
  而 \(N\) 是直方图的总 bin 数。
2. 卡方 ( cv::HISTCMP_CHISQR )
  \[d(H_1,H_2) = \sum _I \frac{\left(H_1(I)-H_2(I)\right)^2}{H_1(I)}\]
3. 相交 (method=cv::HISTCMP_INTERSECT )
  \[d(H_1,H_2) = \sum _I \min (H_1(I), H_2(I))\]
4. 巴氏距离 ( cv::HISTCMP_BHATTACHARYYA )
  \[d(H_1,H_2) = \sqrt{1 - \frac{1}{\sqrt{\bar{H_1} \bar{H_2} N^2}} \sum_I \sqrt{H_1(I) \cdot H_2(I)}}\]

代码

这段程序的功能是什么？
- 加载一个基准图像和 2 个要与其进行比较的测试图像。
- 生成一个图像，它是基准图像的下半部分。
- 将图像转换为 HSV 格式。
- 计算所有图像的 H-S 直方图并对其进行归一化，以便进行比较。
- 将基准图像的直方图与 2 个测试直方图、基准图像下半部分的直方图以及相同的基准图像直方图进行比较。
- 显示获得的数值匹配参数。

可下载代码： 点击这里
代码概览

#include "opencv2/imgcodecs.hpp"

#include "opencv2/highgui.hpp"

#include "opencv2/imgproc.hpp"

#include <iostream>

using namespace std;

using namespace cv;

const char* keys =

"{ help h| | 打印帮助信息。 }"

"{ @input1 |Histogram_Comparison_Source_0.jpg | 输入图像 1 的路径。 }"

"{ @input2 |Histogram_Comparison_Source_1.jpg | 输入图像 2 的路径。 }"

"{ @input3 |Histogram_Comparison_Source_2.jpg | 输入图像 3 的路径。 }";

int main( int argc, char** argv )

{

CommandLineParser parser( argc, argv, keys );

samples::addSamplesDataSearchSubDirectory( "doc/tutorials/imgproc/histograms/histogram_comparison/images" );

Mat src_base = imread(samples::findFile( parser.get<String>( "@input1" ) ) );

Mat src_test1 = imread(samples::findFile( parser.get<String>( "@input2" ) ) );

Mat src_test2 = imread(samples::findFile( parser.get<String>( "@input3" ) ) );

if( src_base.empty() || src_test1.empty() || src_test2.empty() )

{

cout << "无法打开或找到图像！\n" << endl;

parser.printMessage();

return -1; -1;

}

Mat hsv_base, hsv_test1, hsv_test2;

cvtColor( src_base, hsv_base, COLOR_BGR2HSV );

cvtColor( src_test1, hsv_test1, COLOR_BGR2HSV );

cvtColor( src_test2, hsv_test2, COLOR_BGR2HSV );

Mat hsv_half_down = hsv_base( Range( hsv_base.rows/2, hsv_base.rows ), Range( 0, hsv_base.cols ) );

int h_bins = 50, s_bins = 60;

int histSize[] = { h_bins, s_bins };

// 色调范围为 0 到 179，饱和度范围为 0 到 255

float h_ranges[] = { 0, 180 };

float s_ranges[] = { 0, 256 };

const float* ranges[] = { h_ranges, s_ranges };

// 使用第 0 个和第 1 个通道

int channels[] = { 0, 1 };

Mat hist_base, hist_half_down, hist_test1, hist_test2;

calcHist( &hsv_base, 1, channels, Mat(), hist_base, 2, histSize, ranges, true, false );

normalize( hist_base, hist_base, 0, 1, NORM_MINMAX, -1, Mat() );

calcHist( &hsv_half_down, 1, channels, Mat(), hist_half_down, 2, histSize, ranges, true, false );

normalize( hist_half_down, hist_half_down, 0, 1, NORM_MINMAX, -1, Mat() );

calcHist( &hsv_test1, 1, channels, Mat(), hist_test1, 2, histSize, ranges, true, false );

normalize( hist_test1, hist_test1, 0, 1, NORM_MINMAX, -1, Mat() );

calcHist(&hsv_test2, 1, channels, Mat(), hist_test2, 2, histSize, ranges, true, false);

normalize(hist_test2, hist_test2, 0, 1, NORM_MINMAX, -1, Mat());

for (int compare_method = 0; compare_method < 4; compare_method++)

{

double base_base = compareHist(hist_base, hist_base, compare_method);

double base_half = compareHist(hist_base, hist_half_down, compare_method);

double base_test1 = compareHist(hist_base, hist_test1, compare_method);

double base_test2 = compareHist(hist_base, hist_test2, compare_method);

cout << "方法 " << compare_method << " 完美匹配，基准-一半，基准-测试(1)，基准-测试(2) : "

<< base_base << " / " << base_half << " / " << base_test1 << " / " << base_test2 << endl;

}

cout << "完成 \n";

return -1; 0;

}

cv::CommandLineParser
用于命令行解析。
**定义** utility.hpp:890

cv::Mat
n维密集数组类
**定义** mat.hpp:829

cv::Mat::cols
int cols
**定义** mat.hpp:2155

cv::Mat::empty
bool empty() const
如果数组没有元素，则返回true。

cv::Mat::rows
int rows
行和列的数量，当矩阵的维数超过2时为(-1, -1)
**定义** mat.hpp:2155

cv::Range
指定序列的连续子序列（切片）的模板类。
**定义** types.hpp:630

cv::normalize
void normalize(InputArray src, InputOutputArray dst, double alpha=1, double beta=0, int norm_type=NORM_L2, int dtype=-1, InputArray mask=noArray())
规范化数组的范数或值范围。

cv::String
std::string String
**定义** cvstd.hpp:151

cv::calcHist
void calcHist(const Mat *images, int nimages, const int *channels, InputArray mask, OutputArray hist, int dims, const int *histSize, const float **ranges, bool uniform=true, bool accumulate=false)
计算一组数组的直方图。

cv::compareHist
double compareHist(InputArray H1, InputArray H2, int method)
比较两个直方图。

highgui.hpp

main
int main(int argc, char *argv[])
**定义** highgui_qt.cpp:3

imgcodecs.hpp

imgproc.hpp

cv
**定义** core.hpp:107

std
STL 命名空间。

**可下载代码**: 点击这里
代码概览
import java.util.Arrays;

import java.util.List;

import org.opencv.core.Core;

import org.opencv.core.Mat;

import org.opencv.core.MatOfFloat;

import org.opencv.core.MatOfInt;

import org.opencv.core.Range;

import org.opencv.imgcodecs.Imgcodecs;

import org.opencv.imgproc.Imgproc;

class CompareHist {

public void run(String[] args) {

if (args.length != 3) {

System.err.println("您必须提供3个参数，分别对应3张图像的路径。");

System.exit(0);

}

Mat srcBase = Imgcodecs.imread(args[0]);

Mat srcTest1 = Imgcodecs.imread(args[1]);

Mat srcTest2 = Imgcodecs.imread(args[2]);

if (srcBase.empty() || srcTest1.empty() || srcTest2.empty()) {

System.err.println("无法读取图像");

System.exit(0);

}

Mat hsvBase = new Mat(), hsvTest1 = new Mat(), hsvTest2 = new Mat();

Imgproc.cvtColor(srcBase, hsvBase, Imgproc.COLOR_BGR2HSV);

Imgproc.cvtColor(srcTest1, hsvTest1, Imgproc.COLOR_BGR2HSV);

Imgproc.cvtColor(srcTest2, hsvTest2, Imgproc.COLOR_BGR2HSV);

Mat hsvHalfDown = hsvBase.submat(new Range(hsvBase.rows()/2, hsvBase.rows() - 1), new Range(0, hsvBase.cols() - 1));

int hBins = 50, sBins = 60;

int[] histSize = {hBins, sBins};

// 色调范围为 0 到 179，饱和度范围为 0 到 255

float[] ranges = {0, 180, 0, 256};

// 使用第 0 个和第 1 个通道

int[] channels = {0, 1};

Mat histBase = new Mat(), histHalfDown = new Mat(), histTest1 = new Mat(), histTest2 = new Mat();

List<Mat> hsvBaseList = Arrays.asList(hsvBase);

Imgproc.calcHist(hsvBaseList, new MatOfInt(channels), new Mat(), histBase, new MatOfInt(histSize), new MatOfFloat(ranges), false);

Core.normalize(histBase, histBase, 0, 1, Core.NORM_MINMAX);

List<Mat> hsvHalfDownList = Arrays.asList(hsvHalfDown);

Imgproc.calcHist(hsvHalfDownList, new MatOfInt(channels), new Mat(), histHalfDown, new MatOfInt(histSize), new MatOfFloat(ranges), false);

Core.normalize(histHalfDown, histHalfDown, 0, 1, Core.NORM_MINMAX);

List<Mat> hsvTest1List = Arrays.asList(hsvTest1);

Imgproc.calcHist(hsvTest1List, new MatOfInt(channels), new Mat(), histTest1, new MatOfInt(histSize), new MatOfFloat(ranges), false);

Core.normalize(histTest1, histTest1, 0, 1, Core.NORM_MINMAX);

List<Mat> hsvTest2List = Arrays.asList(hsvTest2);

Imgproc.calcHist(hsvTest2List, new MatOfInt(channels), new Mat(), histTest2, new MatOfInt(histSize), new MatOfFloat(ranges), false);

Core.normalize(histTest2, histTest2, 0, 1, Core.NORM_MINMAX);

for (int compareMethod = 0; compareMethod < 4; compareMethod++) {

double baseBase = Imgproc.compareHist(histBase, histBase, compareMethod);

double baseHalf = Imgproc.compareHist(histBase, histHalfDown, compareMethod);

double baseTest1 = Imgproc.compareHist(histBase, histTest1, compareMethod);

double baseTest2 = Imgproc.compareHist(histBase, histTest2, compareMethod);

System.out.println("方法 " + compareMethod + " 完美匹配，基准-一半，基准-测试(1)，基准-测试(2) : " + baseBase + " / " + baseHalf

+ " / " + baseTest1 + " / " + baseTest2);

}

}

}

public class CompareHistDemo {

public static void main(String[] args) {

// 加载原生 OpenCV 库

System.loadLibrary(Core.NATIVE_LIBRARY_NAME);

CompareHist().run(args);

}

}

可下载代码：点击此处
代码概览
from __future__ import print_function

from __future__ import division

import cv2 as cv

import numpy as np

import argparse

parser = argparse.ArgumentParser(description='直方图比较教程代码。')

parser.add_argument('--input1', help='输入图像1的路径。')

parser.add_argument('--input2', help='输入图像2的路径。')

parser.add_argument('--input3', help='输入图像3的路径。')

args = parser.parse_args()

src_base = cv.imread(args.input1)

src_test1 = cv.imread(args.input2)

src_test2 = cv.imread(args.input3)

if src_base is None or src_test1 is None or src_test2 is None

print('无法打开或找到图像！')

exit(0)

hsv_base = cv.cvtColor(src_base, cv.COLOR_BGR2HSV)

hsv_test1 = cv.cvtColor(src_test1, cv.COLOR_BGR2HSV)

hsv_test2 = cv.cvtColor(src_test2, cv.COLOR_BGR2HSV)

hsv_half_down = hsv_base[hsv_base.shape[0]//2:,:]

h_bins = 50

s_bins = 60

histSize = [h_bins, s_bins]

# 色调范围为 0 到 179，饱和度范围为 0 到 255

h_ranges = [0, 180]

s_ranges = [0, 256]

ranges = h_ranges + s_ranges # 连接列表

# 使用第 0 个和第 1 个通道

channels = [0, 1]

hist_base = cv.calcHist([hsv_base], channels, None, histSize, ranges, accumulate=False)

cv.normalize(hist_base, hist_base, alpha=0, beta=1, norm_type=cv.NORM_MINMAX)

hist_half_down = cv.calcHist([hsv_half_down], channels, None, histSize, ranges, accumulate=False)

cv.normalize(hist_half_down, hist_half_down, alpha=0, beta=1, norm_type=cv.NORM_MINMAX)

hist_test1 = cv.calcHist([hsv_test1], channels, None, histSize, ranges, accumulate=False)

cv.normalize(hist_test1, hist_test1, alpha=0, beta=1, norm_type=cv.NORM_MINMAX)

hist_test2 = cv.calcHist([hsv_test2], channels, None, histSize, ranges, accumulate=False)

cv.normalize(hist_test2, hist_test2, alpha=0, beta=1, norm_type=cv.NORM_MINMAX)

for compare_method in range(4)

base_base = cv.compareHist(hist_base, hist_base, compare_method)

base_half = cv.compareHist(hist_base, hist_half_down, compare_method)

base_test1 = cv.compareHist(hist_base, hist_test1, compare_method)

base_test2 = cv.compareHist(hist_base, hist_test2, compare_method)

print('方法：', compare_method, '完美匹配，基准-一半，基准-测试(1)，基准-测试(2)：', \

base_base, '/', base_half, '/', base_test1, '/', base_test2)

cv::imread
CV_EXPORTS_W Mat imread(const String &filename, int flags=IMREAD_COLOR_BGR)
从文件中加载图像。

cv::cvtColor
void cvtColor(InputArray src, OutputArray dst, int code, int dstCn=0, AlgorithmHint hint=cv::ALGO_HINT_DEFAULT)
将图像从一种颜色空间转换为另一种颜色空间。

说明

加载基准图像 (src_base) 和另外两个测试图像

C++

CommandLineParser parser( argc, argv, keys );

samples::addSamplesDataSearchSubDirectory( "doc/tutorials/imgproc/histograms/histogram_comparison/images" );

Mat src_base = imread(samples::findFile( parser.get<String>( "@input1" ) ) );

Mat src_test1 = imread(samples::findFile( parser.get<String>( "@input2" ) ) );

Mat src_test2 = imread(samples::findFile( parser.get<String>( "@input3" ) ) );

if( src_base.empty() || src_test1.empty() || src_test2.empty() )

{

cout << "无法打开或找到图像！\n" << endl;

parser.printMessage();

return -1; -1;

}

Java

if (args.length != 3) {

System.err.println("您必须提供3个参数，分别对应3张图像的路径。");

System.exit(0);

}

Mat srcBase = Imgcodecs.imread(args[0]);

Mat srcTest1 = Imgcodecs.imread(args[1]);

Mat srcTest2 = Imgcodecs.imread(args[2]);

if (srcBase.empty() || srcTest1.empty() || srcTest2.empty()) {

System.err.println("无法读取图像");

System.exit(0);

}

Python

parser = argparse.ArgumentParser(description='直方图比较教程代码。')

parser.add_argument('--input1', help='输入图像1的路径。')

parser.add_argument('--input2', help='输入图像2的路径。')

parser.add_argument('--input3', help='输入图像3的路径。')

args = parser.parse_args()

src_base = cv.imread(args.input1)

src_test1 = cv.imread(args.input2)

src_test2 = cv.imread(args.input3)

if src_base is None or src_test1 is None or src_test2 is None

print('无法打开或找到图像！')

exit(0)
将它们转换为 HSV 格式

C++

Mat hsv_base, hsv_test1, hsv_test2;

cvtColor( src_base, hsv_base, COLOR_BGR2HSV );

cvtColor( src_test1, hsv_test1, COLOR_BGR2HSV );

cvtColor( src_test2, hsv_test2, COLOR_BGR2HSV );

Java

Mat hsvBase = new Mat(), hsvTest1 = new Mat(), hsvTest2 = new Mat();

Imgproc.cvtColor(srcBase, hsvBase, Imgproc.COLOR_BGR2HSV);

Imgproc.cvtColor(srcTest1, hsvTest1, Imgproc.COLOR_BGR2HSV);

Imgproc.cvtColor(srcTest2, hsvTest2, Imgproc.COLOR_BGR2HSV);

Python

hsv_base = cv.cvtColor(src_base, cv.COLOR_BGR2HSV)

hsv_test1 = cv.cvtColor(src_test1, cv.COLOR_BGR2HSV)

hsv_test2 = cv.cvtColor(src_test2, cv.COLOR_BGR2HSV)
此外，创建一个基准图像的一半大小的图像（使用 HSV 格式）。

C++

Mat hsv_half_down = hsv_base( Range( hsv_base.rows/2, hsv_base.rows ), Range( 0, hsv_base.cols ) );

Java

Mat hsvHalfDown = hsvBase.submat(new Range(hsvBase.rows()/2, hsvBase.rows() - 1), new Range(0, hsvBase.cols() - 1));

Python

hsv_half_down = hsv_base[hsv_base.shape[0]//2:,:]
初始化计算直方图的参数（bin、范围和 H 和 S 通道）。

C++

int h_bins = 50, s_bins = 60;

int histSize[] = { h_bins, s_bins };

// 色调范围为 0 到 179，饱和度范围为 0 到 255

float h_ranges[] = { 0, 180 };

float s_ranges[] = { 0, 256 };

const float* ranges[] = { h_ranges, s_ranges };

// 使用第 0 个和第 1 个通道

int channels[] = { 0, 1 };

Java

int hBins = 50, sBins = 60;

int[] histSize = {hBins, sBins};

// 色调范围为 0 到 179，饱和度范围为 0 到 255

float[] ranges = {0, 180, 0, 256};

// 使用第 0 个和第 1 个通道

int[] channels = {0, 1};

Python

h_bins = 50

s_bins = 60

histSize = [h_bins, s_bins]

# 色调范围为 0 到 179，饱和度范围为 0 到 255

h_ranges = [0, 180]

s_ranges = [0, 256]

ranges = h_ranges + s_ranges # 连接列表

# 使用第 0 个和第 1 个通道

channels = [0, 1]
计算基准图像、两个测试图像和基准图像一半大小图像的直方图。

C++

Mat hist_base, hist_half_down, hist_test1, hist_test2;

calcHist( &hsv_base, 1, channels, Mat(), hist_base, 2, histSize, ranges, true, false );

normalize( hist_base, hist_base, 0, 1, NORM_MINMAX, -1, Mat() );

calcHist( &hsv_half_down, 1, channels, Mat(), hist_half_down, 2, histSize, ranges, true, false );

normalize( hist_half_down, hist_half_down, 0, 1, NORM_MINMAX, -1, Mat() );

calcHist( &hsv_test1, 1, channels, Mat(), hist_test1, 2, histSize, ranges, true, false );

normalize( hist_test1, hist_test1, 0, 1, NORM_MINMAX, -1, Mat() );

calcHist(&hsv_test2, 1, channels, Mat(), hist_test2, 2, histSize, ranges, true, false);

normalize(hist_test2, hist_test2, 0, 1, NORM_MINMAX, -1, Mat());

Java

Mat histBase = new Mat(), histHalfDown = new Mat(), histTest1 = new Mat(), histTest2 = new Mat();

List<Mat> hsvBaseList = Arrays.asList(hsvBase);

Imgproc.calcHist(hsvBaseList, new MatOfInt(channels), new Mat(), histBase, new MatOfInt(histSize), new MatOfFloat(ranges), false);

Core.normalize(histBase, histBase, 0, 1, Core.NORM_MINMAX);

List<Mat> hsvHalfDownList = Arrays.asList(hsvHalfDown);

Imgproc.calcHist(hsvHalfDownList, new MatOfInt(channels), new Mat(), histHalfDown, new MatOfInt(histSize), new MatOfFloat(ranges), false);

Core.normalize(histHalfDown, histHalfDown, 0, 1, Core.NORM_MINMAX);

List<Mat> hsvTest1List = Arrays.asList(hsvTest1);

Imgproc.calcHist(hsvTest1List, new MatOfInt(channels), new Mat(), histTest1, new MatOfInt(histSize), new MatOfFloat(ranges), false);

Core.normalize(histTest1, histTest1, 0, 1, Core.NORM_MINMAX);

List<Mat> hsvTest2List = Arrays.asList(hsvTest2);

Imgproc.calcHist(hsvTest2List, new MatOfInt(channels), new Mat(), histTest2, new MatOfInt(histSize), new MatOfFloat(ranges), false);

Core.normalize(histTest2, histTest2, 0, 1, Core.NORM_MINMAX);

Python

hist_base = cv.calcHist([hsv_base], channels, None, histSize, ranges, accumulate=False)

cv.normalize(hist_base, hist_base, alpha=0, beta=1, norm_type=cv.NORM_MINMAX)

hist_half_down = cv.calcHist([hsv_half_down], channels, None, histSize, ranges, accumulate=False)

cv.normalize(hist_half_down, hist_half_down, alpha=0, beta=1, norm_type=cv.NORM_MINMAX)

hist_test1 = cv.calcHist([hsv_test1], channels, None, histSize, ranges, accumulate=False)

cv.normalize(hist_test1, hist_test1, alpha=0, beta=1, norm_type=cv.NORM_MINMAX)

hist_test2 = cv.calcHist([hsv_test2], channels, None, histSize, ranges, accumulate=False)

cv.normalize(hist_test2, hist_test2, alpha=0, beta=1, norm_type=cv.NORM_MINMAX)
依次应用四种比较方法，比较基准图像（hist_base）的直方图和其他直方图。

C++

for (int compare_method = 0; compare_method < 4; compare_method++)

{

double base_base = compareHist(hist_base, hist_base, compare_method);

double base_half = compareHist(hist_base, hist_half_down, compare_method);

double base_test1 = compareHist(hist_base, hist_test1, compare_method);

double base_test2 = compareHist(hist_base, hist_test2, compare_method);

cout << "方法 " << compare_method << " 完美匹配，基准-一半，基准-测试(1)，基准-测试(2) : "

<< base_base << " / " << base_half << " / " << base_test1 << " / " << base_test2 << endl;

}

Java

for (int compareMethod = 0; compareMethod < 4; compareMethod++) {

double baseBase = Imgproc.compareHist(histBase, histBase, compareMethod);

double baseHalf = Imgproc.compareHist(histBase, histHalfDown, compareMethod);

double baseTest1 = Imgproc.compareHist(histBase, histTest1, compareMethod);

double baseTest2 = Imgproc.compareHist(histBase, histTest2, compareMethod);

System.out.println("方法 " + compareMethod + " 完美匹配，基准-一半，基准-测试(1)，基准-测试(2) : " + baseBase + " / " + baseHalf

+ " / " + baseTest1 + " / " + baseTest2);

}

Python

for compare_method in range(4)

base_base = cv.compareHist(hist_base, hist_base, compare_method)

base_half = cv.compareHist(hist_base, hist_half_down, compare_method)

base_test1 = cv.compareHist(hist_base, hist_test1, compare_method)

base_test2 = cv.compareHist(hist_base, hist_test2, compare_method)

print('方法：', compare_method, '完美匹配，基准-一半，基准-测试(1)，基准-测试(2)：', \

base_base, '/', base_half, '/', base_test1, '/', base_test2)

结果

我们使用以下图像作为输入：

其中第一个是基准图像（与其他图像进行比较），另外两个是测试图像。我们还将比较第一张图像与其自身以及基准图像的一半。

我们将基准图像直方图与其自身进行比较时，应该预期得到完全匹配的结果。同样，与基准图像一半的直方图相比，也应该呈现高度匹配，因为两者都来自同一来源。对于另外两张测试图像，我们可以观察到它们的照明条件差异很大，因此匹配度应该不高。

以下是我们使用OpenCV 3.4.1获得的数值结果：

方法	基准 - 基准	基准 - 半图	基准 - 测试1	基准 - 测试2
相关性	1.000000	0.880438	0.20457	0.0664547
卡方	0.000000	4.6834	2697.98	4763.8
交集	18.8947	13.022	5.44085	2.58173
巴氏距离	0.000000	0.237887	0.679826	0.874173

对于相关性和交集方法，指标越高，匹配越准确。正如我们所看到的，正如预期的那样，“基准-基准”匹配是所有匹配中最高的。我们还可以观察到，“基准-半图”匹配是第二好的匹配（正如我们预测的那样）。对于其他两个指标，结果越小，匹配越好。我们可以观察到，测试1和测试2与基准的匹配度较差，这也在意料之中。


原作者	Ana Huamán
兼容性	OpenCV >= 3.0

目录

目标

理论

代码

说明

结果