Python OpenCV精讲系列 - 高级图像处理技术（五）

于 2024-09-13 07:16:15 发布
阅读量353 收藏 15
点赞数 15
分类专栏： Python OpenCV精讲 文章标签： python opencv 图像处理 开发语言 人工智能 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/suifengme/article/details/141531806
版权

在这里插入图片描述

💖💖⚡️⚡️专栏：Python OpenCV精讲⚡️⚡️💖💖
本专栏聚焦于Python结合OpenCV库进行计算机视觉开发的专业教程。通过系统化的课程设计，从基础概念入手，逐步深入到图像处理、特征检测、物体识别等多个领域。适合希望在计算机视觉方向上建立坚实基础的技术人员及研究者。每一课不仅包含理论讲解，更有实战代码示例，助力读者快速将所学应用于实际项目中，提升解决复杂视觉问题的能力。无论是入门者还是寻求技能进阶的开发者，都将在此收获满满的知识与实践经验。

1. 特征检测

特征检测用于在图像中寻找具有独特性的区域或点，这些特征可以在不同的图像之间进行匹配。

1.1 SIFT (Scale-Invariant Feature Transform)

SIFT 是一种用于检测和描述图像中的关键点的方法。

sift = cv2.SIFT_create()
keypoints, descriptors = sift.detectAndCompute(image, None)

  • 参数：

    • image：输入图像。

  • 返回值：

    • keypoints：检测到的关键点列表。
    • descriptors：对应关键点的描述符。

  • 详细解释：

    • 原理：

      • SIFT 算法通过检测尺度不变的关键点来识别图像中的特征。
      • 关键点是具有独特性的点，它们在不同的视角和光照条件下仍然可以被识别。
      • 描述符是关键点周围区域的特征表示，用于后续的匹配。

    • 应用：

      • SIFT 常用于图像配准、对象识别、三维重建等任务。
      • SIFT 特征具有尺度不变性和旋转不变性，因此非常适合于图像匹配任务。

    • 注意事项：

      • SIFT 计算较为耗时，不适合实时应用。
      • SIFT 描述符较长（128维），占用内存较多。

    • 实现细节：

      • SIFT 算法首先构建尺度空间，检测关键点。
      • 接着计算关键点的方向，使其具有旋转不变性。
      • 最后生成描述符，用于描述关键点周围的区域。

    • 局限性：

      • SIFT 对于快速移动的物体或低光照条件下的图像可能表现不佳。
      • SIFT 可能无法处理大规模的图像变形或旋转。
1.2 SURF (Speeded Up Robust Features)

SURF 是一种更快的特征检测和描述方法。

surf = cv2.SURF_create(hessianThreshold)
keypoints, descriptors = surf.detectAndCompute(image, None)

  • 参数：

    • image：输入图像。
    • hessianThreshold：Hessian 阈值，用于控制关键点的数量。

  • 返回值：

    • keypoints：检测到的关键点列表。
    • descriptors：对应关键点的描述符。

  • 详细解释：

    • 原理：

      • SURF 算法通过近似 SIFT 的高斯金字塔来加速关键点检测过程。
      • SURF 也具有尺度不变性和旋转不变性，但在速度上优于 SIFT。

    • 应用：

      • SURF 常用于图像配准、对象识别、三维重建等任务。
      • SURF 特征在实时应用中更为实用。

    • 注意事项：

      • SURF 的 Hessian 阈值会影响检测到的关键点数量。
      • SURF 描述符比 SIFT 短（64维），占用内存较少。

    • 实现细节：

      • SURF 算法使用积分图像来加速关键点检测。
      • 使用 Hessian 阈值来筛选关键点，降低计算量。
      • 生成描述符，用于描述关键点周围的区域。

    • 局限性：

      • SURF 在某些情况下可能不如 SIFT 精确。
      • SURF 对于大规模的图像变形或旋转可能表现不佳。
1.3 ORB (Oriented FAST and Rotated BRIEF)

ORB 是一种快速且高效的特征检测和描述方法。

orb = cv2.ORB_create(nfeatures)
keypoints, descriptors = orb.detectAndCompute(image, None)

  • 参数：

    • image：输入图像。
    • nfeatures：要检测的最大关键点数量。

  • 返回值：

    • keypoints：检测到的关键点列表。
    • descriptors：对应关键点的描述符。

  • 详细解释：

    • 原理：

      • ORB 算法结合了 FAST 关键点检测和 BRIEF 描述符。
      • ORB 特征具有旋转不变性，并且计算速度快。

    • 应用：

      • ORB 常用于实时应用，如机器人导航、增强现实等。
      • ORB 特征适合于需要高速处理的场景。

    • 注意事项：

      • ORB 的 nfeatures 参数决定了检测到的关键点数量。
      • ORB 描述符较短（32位），占用内存较少。

    • 实现细节：

      • 使用 FAST 算法检测关键点。
      • 使用 BRIEF 描述符来描述关键点周围的区域。
      • ORB 通过计算关键点的方向来实现旋转不变性。

    • 局限性：

      • ORB 在某些情况下可能不如 SIFT 或 SURF 精确。
      • ORB 对于大规模的图像变形或旋转可能表现不佳。

在这里插入图片描述

2. 图像配准

图像配准是指将两幅或多幅图像对齐的过程，通常用于图像融合、三维重建等任务。

2.1 基于特征的配准

基于特征的配准利用特征点进行图像配准。

# 检测特征点
sift = cv2.SIFT_create()
kp1, des1 = sift.detectAndCompute(image1, None)
kp2, des2 = sift.detectAndCompute(image2, None)

# 匹配特征点
matcher = cv2.BFMatcher()
matches = matcher.knnMatch(des1, des2, k=2)

# 应用比率测试
good_matches = []
for m, n in matches:
    if m.distance < 0.7 * n.distance:
        good_matches.append(m)

# 计算变换矩阵
src_pts = np.float32([kp1[m.queryIdx].pt for m in good_matches]).reshape(-1, 1, 2)
dst_pts = np.float32([kp2[m.trainIdx].pt for m in good_matches]).reshape(-1, 1, 2)
M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)

# 应用变换
aligned_image = cv2.warpPerspective(image1, M, (image2.shape[1], image2.shape[0]))
  • 详细解释：

    • 原理：

      • 首先使用特征检测器（如 SIFT、SURF 或 ORB）检测两幅图像中的特征点。
      • 使用匹配器（如 BFMatcher）匹配两幅图像中的特征点。
      • 应用比率测试来过滤匹配点，确保只有最好的匹配被保留。
      • 使用 RANSAC 方法估计变换矩阵。
      • 应用变换矩阵将一幅图像对齐到另一幅图像上。

    • 应用：

      • 图像配准可用于图像融合、全景图制作、三维重建等任务。
      • 基于特征的配准适用于两幅图像间有足够多的共同特征点的情况。

    • 注意事项：

      • 特征检测器的选择会影响匹配的准确性。
      • 匹配器的选择和参数设置会影响匹配效果。
      • RANSAC 参数的选择会影响变换矩阵的精度。

    • 实现细节：

      • 使用特征检测器检测关键点，并生成描述符。
      • 使用匹配器匹配两幅图像中的特征点。
      • 使用比率测试来过滤匹配点，确保匹配质量。
      • 使用 RANSAC 方法估计最优的变换矩阵。
      • 应用变换矩阵将一幅图像对齐到另一幅图像上。

    • 局限性：

      • 如果两幅图像间没有足够的共同特征点，配准可能失败。
      • 如果两幅图像间存在较大的变形或旋转，配准可能不准确。

在这里插入图片描述

3. 图像拼接

图像拼接是指将多幅图像合成一幅大图像的过程，通常用于创建全景图。

# 检测特征点
sift = cv2.SIFT_create()
kp1, des1 = sift.detectAndCompute(image1, None)
kp2, des2 = sift.detectAndCompute(image2, None)

# 匹配特征点
matcher = cv2.BFMatcher()
matches = matcher.knnMatch(des1, des2, k=2)

# 应用比率测试
good_matches = []
for m, n in matches:
    if m.distance < 0.7 * n.distance:
        good_matches.append(m)

# 计算变换矩阵
src_pts = np.float32([kp1[m.queryIdx].pt for m in good_matches]).reshape(-1, 1, 2)
dst_pts = np.float32([kp2[m.trainIdx].pt for m in good_matches]).reshape(-1, 1, 2)
M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)

# 应用变换
aligned_image = cv2.warpPerspective(image1, M, (image2.shape[1] + image1.shape[1], max(image1.shape[0], image2.shape[0])))

# 合并图像
result_image = np.zeros_like(aligned_image)
result_image[:image2.shape[0], :image2.shape[1]] = image2
result_image[:aligned_image.shape[0], :aligned_image.shape[1]] = aligned_image

# 融合重叠区域
overlap = result_image[:image2.shape[0], :image2.shape[1]]
mask = overlap.sum(axis=2) > 0
result_image[:image2.shape[0], :image2.shape[1]][mask] = overlap[mask]

# 显示结果
cv2.imshow('Result Image', result_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
  • 详细解释：

    • 原理：

      • 使用特征检测器（如 SIFT、SURF 或 ORB）检测两幅图像中的特征点。
      • 使用匹配器（如 BFMatcher）匹配两幅图像中的特征点。
      • 应用比率测试来过滤匹配点，确保只有最好的匹配被保留。
      • 使用 RANSAC 方法估计变换矩阵。
      • 应用变换矩阵将一幅图像对齐到另一幅图像上。
      • 合并对齐后的图像，并融合重叠区域。

    • 应用：

      • 图像拼接可用于创建全景图、大视场图像等。
      • 图像拼接适用于需要合成多幅图像的情况。

    • 注意事项：

      • 特征检测器的选择会影响匹配的准确性。
      • 匹配器的选择和参数设置会影响匹配效果。
      • RANSAC 参数的选择会影响变换矩阵的精度。
      • 合并图像时需要注意重叠区域的处理。

    • 实现细节：

      • 使用特征检测器检测关键点，并生成描述符。
      • 使用匹配器匹配两幅图像中的特征点。
      • 使用比率测试来过滤匹配点，确保匹配质量。
      • 使用 RANSAC 方法估计最优的变换矩阵。
      • 应用变换矩阵将一幅图像对齐到另一幅图像上。
      • 合并对齐后的图像，并融合重叠区域。

    • 局限性：

      • 如果两幅图像间没有足够的共同特征点，拼接可能失败。
      • 如果两幅图像间存在较大的变形或旋转，拼接可能不准确。

在这里插入图片描述

4. 综合示例

接下来，我们将结合上述几种技术，创建一个综合示例。在这个示例中，我们将读取两张图像，使用 SIFT 检测特征点，进行图像配准，最后进行图像拼接，创建全景图。

import cv2
import numpy as np

def stitch_images(image1_path, image2_path):
    # 读取图像
    image1 = cv2.imread(image1_path)
    image2 = cv2.imread(image2_path)

    if image1 is None or image2 is None:
        print("Error: Files not found!")
        return

    # 特征检测
    sift = cv2.SIFT_create()
    kp1, des1 = sift.detectAndCompute(image1, None)
    kp2, des2 = sift.detectAndCompute(image2, None)

    # 匹配特征点
    matcher = cv2.BFMatcher()
    matches = matcher.knnMatch(des1, des2, k=2)

    # 应用比率测试
    good_matches = []
    for m, n in matches:
        if m.distance < 0.7 * n.distance:
            good_matches.append(m)

    # 计算变换矩阵
    src_pts = np.float32([kp1[m.queryIdx].pt for m in good_matches]).reshape(-1, 1, 2)
    dst_pts = np.float32([kp2[m.trainIdx].pt for m in good_matches]).reshape(-1, 1, 2)
    M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)

    # 应用变换
    aligned_image = cv2.warpPerspective(image1, M, (image2.shape[1] + image1.shape[1], max(image1.shape[0], image2.shape[0])))

    # 合并图像
    result_image = np.zeros_like(aligned_image)
    result_image[:image2.shape[0], :image2.shape[1]] = image2
    result_image[:aligned_image.shape[0], :aligned_image.shape[1]] = aligned_image

    # 融合重叠区域
    overlap = result_image[:image2.shape[0], :image2.shape[1]]
    mask = overlap.sum(axis=2) > 0
    result_image[:image2.shape[0], :image2.shape[1]][mask] = overlap[mask]

    # 显示结果
    cv2.imshow('Result Image', result_image)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

if __name__ == "__main__":
    image1_path = 'path/to/your/image1.jpg'
    image2_path = 'path/to/your/image2.jpg'
    stitch_images(image1_path, image2_path)
5. 小结

在本篇文章中，我们详细介绍了如何使用OpenCV进行特征检测、图像配准以及图像拼接。这些技术在计算机视觉领域非常重要，并且是许多高级应用的基础。接下来的文章将涉及更复杂的图像处理技术，如目标检测、语义分割等。

极客代码
关注
  • 15
    点赞
  • 踩
  • 15
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
MATLAB算法实战应用案例精讲-【图像处理】数字图像灰度化（附Java、python、matlab和opencv代码实现）
qq_36130719的博客
02-14 1130
简单地说，灰度化处理就是将一幅彩色图像转化为灰度图像的过程。当我们在电脑、电视、或手机等显示器上显示彩色时，RGB模型是为达到目的而较为常用的一种彩色信息表达方式。RGB模型也称为加色混色模型，是以R（红）G（绿）B（蓝）三色光互相叠加来实现混色的方法，尤其适用于显示器等发光物体。而灰度化就是使彩色图像的R、G、B分量相等的过程，即令R=G=B，此时的彩色表示的就是灰度颜色。会使用Photoshop的小伙伴可以打开颜色设置，令R=G=B，会发现随着数值的变化而出现明暗不同的灰色。
MATLAB算法实战应用案例精讲-【图像处理】数字图像二值化（附Java、python、matlab、C++和R语言代码实现）
qq_36130719的博客
02-02 1901
图像二值化（ Image Binarization）就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。在数字图像处理中，二值图像占有非常重要的地位，图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓。将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。在数字图像处理中，二值图像占有非常重要的地位，首先，图像的二值化有利于图像的进一步处理，使图像变得简单，而且数据量减小，能凸显出感兴趣的目标的轮廓。
Python OpenCV精讲系列 - 高级图像处理技术（四）
极客代码
09-12 549
💖💖⚡️⚡️专栏：Python OpenCV精讲⚡️⚡️💖💖本专栏聚焦于Python结合OpenCV库进行计算机视觉开发的专业教程。通过系统化的课程设计，从基础概念入手，逐步深入到图像处理、特征检测、物体识别等多个领域。适合希望在计算机视觉方向上建立坚实基础的技术人员及研究者。每一课不仅包含理论讲解，更有实战代码示例，助力读者快速将所学应用于实际项目中，提升解决复杂视觉问题的能力。无论是入门者还是寻求技能进阶的开发者，都将在此收获满满的知识与实践经验。
Python OpenCV精讲系列 - 高级图像处理技术（三）
极客代码
09-11 645
💖💖⚡️⚡️专栏：Python OpenCV精讲⚡️⚡️💖💖本专栏聚焦于Python结合OpenCV库进行计算机视觉开发的专业教程。通过系统化的课程设计，从基础概念入手，逐步深入到图像处理、特征检测、物体识别等多个领域。适合希望在计算机视觉方向上建立坚实基础的技术人员及研究者。每一课不仅包含理论讲解，更有实战代码示例，助力读者快速将所学应用于实际项目中，提升解决复杂视觉问题的能力。无论是入门者还是寻求技能进阶的开发者，都将在此收获满满的知识与实践经验。
Python OpenCV精讲系列 - 图像处理基础（二）
极客代码
09-10 1069
💖💖⚡️⚡️专栏：Python OpenCV精讲⚡️⚡️💖💖本专栏聚焦于Python结合OpenCV库进行计算机视觉开发的专业教程。通过系统化的课程设计，从基础概念入手，逐步深入到图像处理、特征检测、物体识别等多个领域。适合希望在计算机视觉方向上建立坚实基础的技术人员及研究者。每一课不仅包含理论讲解，更有实战代码示例，助力读者快速将所学应用于实际项目中，提升解决复杂视觉问题的能力。无论是入门者还是寻求技能进阶的开发者，都将在此收获满满的知识与实践经验。
Python OpenCV精讲系列 - 入门指南（一）
极客代码
09-09 876
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。它支持多种编程语言，包括Python、C++等，并且在图像处理、视频分析、模式识别等领域有着广泛的应用。OpenCV最初由Intel开发，后来由Willow Garage接手维护，现在由Itseez公司负责。OpenCV拥有强大的社区支持和丰富的文档资源，是学习计算机视觉的理想选择。
python opencv图像识别_python图像识别精讲之OpenCV模块(1)
weixin_39689297的博客
11-22 200
写在前面:OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。OpenCV用C++语言编写，它的主要接口也是C++语言，但是依然保留了大量的...
10个Python图像处理工具，非常全了
an520_的博客
06-10 1860
10个常用的可以进行图像处理的Python库的介绍，可能有些你还没用过，可以试试看！介绍我们这个世界充满了数据，而图像是这些数据的重要组成部分。然而，要想使用这些图像，需要对它们进行处理。因此，图像处理是分析和处理数字图像的必要的过程，其主要目的是提高图像质量或从中提取一些信息，然后加以利用。图像处理中常见的任务包括图像显示、裁剪、翻转、旋转等基本操作、图像分割、分类和特征提取、图像恢复和图像识别。Python成为这种图像处理任务的合适选择。这是因为它作为一种科学编程语言越来越受欢迎，而且在其生态系统中有许
MATLAB算法实战应用案例精讲-【图像处理】数字图像模糊化（附Java、python和matlab代码实现）
qq_36130719的博客
02-17 2177
图像模糊算法在后处理渲染领域中占据着重要的地位。很多产品级后处理的实现，都会直接或间接依赖于图像模糊算法中的一种或多种。无论是基于高斯模糊（Gaussian Blur）或其改进算法的Bloom特效，还是基于径向模糊（Radial Blur）的Sun Shaft（God Ray），或是基于方向模糊（Directional Blur）的镜头眩光光晕（Glare Lens Flare），抑或是景深（Depth of Field）特效中摄影级失焦感的散景模糊（Bokeh Blur），都以模糊算法作为重要的支撑。
MATLAB算法实战应用案例精讲-【图像处理】缺陷检测（附python和matlab实现代码）
热门推荐
qq_36130719的博客
12-14 1万+
缺陷检测通常是指对物品表面缺陷的检测，表面缺陷检测是采用先进的机器视觉检测技术，对工件表面的斑点、凹坑、划痕、色差、缺损等缺陷进行检测。缺陷检测是工业上非常重要的一个应用，由于缺陷多种多样，传统的机器视觉算法很难做到对缺陷特征完整的建模和迁移，复用性不大，要求区分工况，这会浪费大量的人力成本。深度学习在特征提取和定位上取得了非常好的效果，越来越多的学者和工程人员开始将深度学习算法引入到缺陷检测领域中这种测量方法是在线非接触式检测设备，轮廓测量仪适用于轧制中的长材检测，如圆钢、方钢、螺纹钢、T型钢等，一般的表
MATLAB算法实战应用案例精讲-【图像处理】三维重建(附MATLAB和python代码实现)
qq_36130719的博客
12-13 1万+
在计算机视觉中，三维重建是指根据单视图或者多视图图像重建原始三维信息的过程。单视图缺少深度、多视角信息，基于单视图的三维重建效果较一般。基于多视角图像的三维重建，充分利用了多视角拍摄信息，先对摄像机进行标定，并计算出摄像机的图像坐标系与真实世界坐标系的关系，然后利用多个二维图像重建出三维信息。广义上，三维重建是指对某些三维物体或者三维场景的一种恢复和重构。重建出来的模型，方便计算机表示和处理。
MATLAB算法实战应用案例精讲-【图像处理】小目标检测（补充篇）(附python代码实现)
qq_36130719的博客
01-16 2757
随着深度学习的发展，基于深度学习的目标检测技术取得了巨大的进展，但小目标由于像素少，难以提取有效信息，造成小目标的检测面临着巨大的困难和挑战. 为了提高小目标的检测性能，研究人员从网络结构、训练策略、数据处理等方面展开了大量的研究，并取得了一定的进展. 然而，与大、中目标检测相比，目前小目标的检测性能依然存在着较大的差距.目标尺度是影响目标检测性能的重要因素之一. 目前，无论在公开数据集还是现实世界采集的图像中，小目标的检测精度远远低于大目标和中等尺度目标，并经常出现漏检和误检. 但小目标检测在许多实际场景
爆改YOLOv8|使用MobileNetV4替换yolov8的Backbone
weixin_43986124的博客
09-12 591
MobileNetV4，yolov8改进backbone, yolov8改进， 即插即用
【python】—— Python爬虫实战：爬取珠海市2011-2023年天气数据并保存为CSV文件
weixin_63106307的博客
09-05 1153
本文将介绍如何使用Python编写一个简单的爬虫程序，以爬取珠海市2011年至2023年的天气数据，并将这些数据保存为CSV文件。
JUC从实战到源码：中断机制与API实现
最新发布
qq_43843951的博客
09-12 746
在Java中，线程中断是一种机制，用于通知线程应该停止当前正在执行的任务。中断通常用于协同线程之间的合作，以便让线程在适当的时候终止其工作，尤其是在长时间运行的任务或阻塞操作中。通过学了多线程以及synchronized的相关知识，接下来就到了学习线程中断知识。
蒙特卡罗方法——布丰投针实验近似计算圆周率python代码实现
2301_79376014的博客
09-09 411
蒙特卡罗——布丰实验
Python实现多线程、多进程及协程
qq_42568323的博客
09-09 1014
本文详细介绍了 Python 中多线程、多进程和协程的并发模型及其实现方式，并通过具体场景演示了如何使用面向对象思想实现这些模型。在实际应用中，应根据任务的类型和需求选择合适的并发模型，从而优化程序的性能和资源利用率。本文将详细介绍 Python 中的多线程、多进程和协程的概念及其实现方式，并通过具体场景展示如何在 Python 中使用面向对象的思想实现这些并发模型。接下来，我们通过一个计算密集型任务的示例来演示多进程的实现：计算一系列大数字的阶乘。主程序中创建并启动了多个计算进程，并使用。
pip-tools：打造可重复、可控的 Python 开发环境，解决依赖关系，让代码更稳定
weixin_53707653的博客
09-09 783
是一个强大且易用的工具，可以帮助开发者轻松管理 Python 项目的依赖关系，确保代码的可重复性和稳定性。是一组命令行工具，旨在简化 Python 依赖关系的管理，确保项目环境的稳定性和可重复性。可以确保每次构建环境时都使用相同的依赖项版本，从而避免由于依赖项版本不一致导致的错误，提高代码可重复性和稳定性。自动化了依赖关系管理过程，节省了开发者的时间和精力，可以将更多时间投入到实际的开发工作中。文件中的信息，更新虚拟环境，安装、升级或卸载所需的软件包，确保虚拟环境与。命令可以从你的项目配置文件中生成。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值