相机标定原理与OpenCV实战：从透视投影到鱼眼畸变校正

1. 从“拍歪了”到“算准了”：相机标定到底在干什么？

你有没有遇到过这种情况？用手机或者工业相机拍一张棋盘格，明明棋盘格是平的，但照片里靠近边缘的线条却有点弯曲；或者用相机测量一个物体的尺寸，结果发现离相机中心越远，测出来的尺寸误差越大。这背后，就是相机镜头和传感器带来的“失真”。我们人眼和大脑能自动校正这种失真，但计算机不行。想让计算机“看懂”真实世界，第一步就是告诉它：“你的眼睛（相机）有点问题，这是它的‘体检报告’，以后看东西得按这个报告来校正。”这个过程，就是相机标定。

简单来说，相机标定就是给相机做一次“体检”和“配镜”。通过拍摄一组已知尺寸和形状的图案（最常用的就是棋盘格），我们能够计算出相机的“内参”和“外参”，以及镜头的“畸变系数”。内参描述了相机本身的属性，比如焦距、主点坐标，它决定了三维空间点如何投影到二维图像上。外参描述了相机在世界坐标系中的位置和朝向。畸变系数则描述了镜头因为物理限制（尤其是广角、鱼眼镜头）导致的图像扭曲程度。标定的核心目的，就是建立从真实三维世界到相机二维图像之间准确的数学映射关系，从而为后续的视觉测量、三维重建、机器人导航等任务提供准确的几何基础。

普通镜头和鱼眼镜头的标定，虽然核心思想一致，但数学模型和复杂程度天差地别。普通镜头畸变较小，通常用“布朗-康拉德”模型，只考虑径向和切向畸变，计算相对简单。而鱼眼镜头为了获得超广视角，故意引入了巨大的桶形畸变，其投影模型完全不同，常用的有等距投影、等立体角投影等，标定过程也更复杂。如果你正在做机器人视觉、AR/VR、车载环视或者任何需要广角视野的项目，搞懂这两者的区别和实现方法是绕不开的坎。接下来，我就结合自己踩过的坑和项目经验，把这两种标定的原理、OpenCV实现细节以及那些手册上不会写的注意事项，给你掰开揉碎了讲清楚。

2. 透视投影与畸变：普通相机标定的数学内核

在深入代码之前，我们必须先理解相机成像的数学模型。这是所有标定工作的理论基础，知其然更要知其所以然，否则参数调起来就是盲人摸象。

2.1 理想的小孔成像模型

最基础的模型是小孔成像模型。它假设光线通过一个无限小的孔，在成像平面上形成一个倒立的实像。在这个理想模型中，世界坐标系中的一个点[X, Y, Z]投影到图像像素坐标[u, v]的公式如下：

s * [u, v, 1]^T = K * [R|t] * [X, Y, Z, 1]^T

这个公式包含了我们之前提到的所有参数：

• s是一个任意的尺度因子。
• K是相机的内参矩阵，这是一个3x3的矩阵。它包含了相机的核心属性：

  K = [ fx, 0, cx ] [ 0, fy, cy ] [ 0, 0, 1 ]

  • fx,fy： 分别是x轴和y轴方向的焦距，单位是像素。它俩不一定相等，这取决于传感器像素是否是正方形。fx = F / dx，其中F是物理焦距，dx是每个像素在x方向的物理尺寸。
  • cx,cy： 主点坐标，通常是图像的中心点（width/2, height/2），但实际中由于组装误差，会略有偏移。它代表了光轴与成像平面的交点。
• [R|t]是相机的外参矩阵，是一个3x4的矩阵。它由旋转矩阵R（3x3）和平移向量t（3x1）组成，描述了相机坐标系相对于世界坐标系的位姿（即相机摆在哪里，朝向何方）。
• [X, Y, Z, 1]^T是世界点的齐次坐标。

注意：这里有一个关键理解点。我们标定时使用的棋盘格，其角点坐标我们设定在Z=0的平面上（比如棋盘格平面就是世界坐标系的XOY平面）。这样，公式可以简化为一个从二维平面（棋盘格）到二维图像的单应性矩阵变换，大大简化了初始求解过程。这也是为什么棋盘格必须是一个平面的原因。

2.2 现实的畸变模型

小孔模型是理想的，但真实的镜头由于透镜形状和组装工艺，会引入畸变。主要有两类：

1. 径向畸变： 由透镜形状引起，光线在远离透镜中心的地方比靠近中心的地方更加弯曲。表现为“桶形畸变”（图像边缘向外膨胀）或“枕形畸变”（图像边缘向内收缩）。OpenCV使用三个参数(k1, k2, k3)来建模。
2. 切向畸变： 由透镜和成像平面不平行（即安装不完美）引起。OpenCV使用两个参数(p1, p2)来建模。

校正公式如下。对于一个理想投影点(x, y)（经过内参归一化，位于Z=1的平面上）：

r^2 = x^2 + y^2 x_distorted = x * (1 + k1*r^2 + k2*r^4 + k3*r^6) + 2*p1*x*y + p2*(r^2 + 2*x^2) y_distorted = y * (1 + k1*r^2 + k2*r^4 + k3*r^6) + p1*(r^2 + 2*y^2) + 2*p2*x*y

然后，再将(x_distorted, y_distorted)通过内参矩阵K转换到最终的像素坐标(u, v)。

为什么是k1, k2, k3和p1, p2？这本质上是用多项式来拟合畸变曲线。径向畸变是关于半径r的函数，用偶次多项式（r^2, r^4, r^6）拟合足够精确，k3通常用于畸变非常大的镜头。切向畸变模型则是基于薄棱镜畸变理论推导出来的简化形式。对于大多数普通镜头，k1, k2, p1, p2四个参数已经足够。

2.3 张正友标定法：从二维棋盘格反推三维参数

我们知道了模型，但如何从一堆棋盘格图片求解出K,[R|t],k1, k2, k3, p1, p2这些参数呢？这就是张正友标定法的精髓。其步骤可以概括为：

1. 单应性矩阵估计： 对于每一张棋盘格图片，利用其角点的世界坐标（Z=0）和检测到的图像像素坐标，计算一个单应性矩阵H。这个H矩阵包含了该视角下内参矩阵K和外参矩阵[R|t]的混合信息。
2. 内参约束求解： 利用旋转矩阵R的正交性（即R * R^T = I）带来的约束，可以从多个不同视角的单应性矩阵H中，求解出内参矩阵K。这是整个算法的核心推导。
3. 外参求解： 一旦K已知，对于每一张图片，可以通过H和K反解出该图片对应的外参[R|t]。
4. 畸变参数初始估计： 通常将畸变系数初始化为0。
5. 非线性优化： 将以上步骤得到的内参、外参、畸变系数作为初始值，构建一个重投影误差最小化的目标函数，使用Levenberg-Marquardt等非线性优化算法对所有参数进行联合精炼。重投影误差是指：将已知的世界坐标点，用当前估计的相机参数投影到图像上，得到计算出的像素坐标，然后与检测到的真实像素坐标进行比较，二者的差值平方和就是误差。优化的目标就是让这个误差最小。

这个过程听起来复杂，但OpenCV已经帮我们封装好了。我们的任务，就是准备好高质量的输入数据，并理解每个输出参数的意义。

3. 手把手实现普通相机标定：OpenCV代码详解与避坑指南

理论是骨架，代码是血肉。我们直接上代码，看看如何用OpenCV的cv2.calibrateCamera函数完成标定，并解释每一个关键步骤背后的意图和可能遇到的坑。

3.1 环境准备与棋盘格制作

首先，你需要一个棋盘格。OpenCV支持不对称圆网格和棋盘格，但棋盘格最常用，角点检测也更稳定。

import cv2 import numpy as np import glob

棋盘格的参数：pattern_size指的是内部角点的数量。例如，一个8x10的棋盘格（有8行10列黑白方格），其内部角点就是7行9列。这是最容易出错的地方之一。

# 定义棋盘格尺寸（内部角点数，行，列） pattern_size = (7, 9) # 例如，7行9列内部角点 # 每个方格的实际物理尺寸，单位任意（毫米，米），但后续所有计算都基于此单位 square_size = 25.0 # 假设每个格子边长25毫米

制作棋盘格可以用OpenCV或在线工具生成一张高分辨率的图片，打印出来并贴在平整的硬板（如亚克力板）上。平整度至关重要，皱巴巴的纸会引入无法建模的误差。

3.2 图像采集：决定标定质量的80%

标定结果的好坏，绝大部分取决于你采集的图像质量。这里有几个黄金法则：

• 多视角： 至少需要10-15张，最好20张以上。让棋盘格出现在图像的不同位置（中心、四个角落），并具有不同的倾斜角度（俯仰、偏航、滚转）。覆盖整个视场，尤其是边缘区域，对于准确估计畸变系数至关重要。
• 清晰度： 图像必须对焦清晰，避免运动模糊。
• 光照均匀： 避免强烈的反光、阴影或过曝。棋盘格黑白对比要分明。
• 保持静止： 拍摄时，相机和棋盘格最好相对固定（相机移动或棋盘格移动都可以，但不要两者都动）。

采集完成后，将图片放在一个文件夹里。

3.3 角点检测与数据准备

这是自动化的第一步。我们需要遍历所有图片，找到棋盘格角点。

# 准备对象点：世界坐标系中的3D点 (X, Y, Z) # 因为棋盘格在Z=0平面上，所以Z始终为0。 # 我们根据棋盘格尺寸和物理格子大小来生成。 objp = np.zeros((pattern_size[0] * pattern_size[1], 3), np.float32) objp[:, :2] = np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1, 2) objp *= square_size # 乘上物理尺寸 # 用于存储所有图像的对象点和图像点 objpoints = [] # 3d点在世界坐标系中 imgpoints = [] # 2d点在图像平面中 images = glob.glob('./calibration_images/*.jpg') # 你的图片路径 for fname in images: img = cv2.imread(fname) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 查找角点 ret, corners = cv2.findChessboardCorners(gray, pattern_size, None) if ret: # 如果找到，添加对象点 objpoints.append(objp) # 角点亚像素精细化：提高定位精度 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) corners_refined = cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), criteria) imgpoints.append(corners_refined) # 可视化（可选） cv2.drawChessboardCorners(img, pattern_size, corners_refined, ret) cv2.imshow('Corners Found', img) cv2.waitKey(500) else: print(f"未在 {fname} 中找到角点，跳过。") cv2.destroyAllWindows()

关键点解析：

• cv2.findChessboardCorners： 这个函数是自动检测的关键。它可能失败，原因可能是：图像模糊、光照不均、棋盘格部分被遮挡、或者pattern_size设置错误。失败时ret为False。
• cv2.cornerSubPix：强烈建议使用。初始的角点检测是像素级的，这个函数通过迭代，可以将角点定位精度提高到亚像素级别（如0.1像素），这对提升标定精度有显著帮助。参数(11,11)是搜索窗口大小，(-1,-1)表示没有忽略的死区。
• 可视化很重要，它能帮你确认检测是否正确。特别是边缘的角点，是否都准确找到了。

3.4 执行标定与理解输出

收集好objpoints和imgpoints后，就可以调用核心函数了。

# 获取图像尺寸，用于初始化内参 img_shape = gray.shape[::-1] # (width, height) # 执行标定 ret, camera_matrix, dist_coeffs, rvecs, tvecs = cv2.calibrateCamera( objpoints, imgpoints, img_shape, None, None ) print(f"标定是否成功: {ret}") print(f"相机内参矩阵 K:\n{camera_matrix}") print(f"畸变系数 [k1, k2, p1, p2, k3]:\n{dist_coeffs.ravel()}")

输出参数详解：

• ret： 重投影误差的RMS（均方根）值。这是衡量标定精度的核心指标。单位是像素。对于普通镜头，这个值最好小于0.5像素，0.3以内算优秀，1.0以上就需要检查数据质量了。它代表了所有角点、所有图片的平均投影偏差。
• camera_matrix： 就是我们求得的3x3内参矩阵K。
• dist_coeffs： 畸变系数向量，默认顺序是(k1, k2, p1, p2[, k3[, k4, k5, k6]])。通常我们使用5个参数(k1, k2, p1, p2, k3)。k3对于广角镜头比较重要。
• rvecs,tvecs： 每个棋盘格图片对应的旋转向量（罗德里格斯向量）和平移向量。可以用cv2.Rodrigues()将旋转向量转换为3x3旋转矩阵。

常见问题与排查：

• 重投影误差过大：
  • 检查角点检测： 是不是有些图片的角点检测不准？特别是边缘角点。回顾可视化结果。
  • 检查棋盘格平整度： 这是隐形的杀手。打印的纸是否拱起？
  • 检查图像质量： 是否有运动模糊、失焦？
  • 尝试不同的flag：cv2.calibrateCamera有一些可选标志，比如cv2.CALIB_FIX_K3（固定k3为0）、cv2.CALIB_RATIONAL_MODEL（使用更复杂的畸变模型，包含k4, k5, k6）。如果误差主要来自图像边缘，尝试使用理性模型。
• 焦距fx,fy异常： 如果它们与图像的宽高不在一个数量级（比如图像1920x1080，焦距算出来几十万），很可能是square_size单位设置错误，或者棋盘格实际尺寸与输入不符。
• 主点(cx, cy)偏离图像中心很远： 这可能是正常的（组装误差），但如果偏离超过图像尺寸的10%，也需要怀疑数据质量或镜头有严重问题。

3.5 标定结果验证与图像去畸变

标定完了，怎么知道好不好？最直观的方法就是看校正后的图像。

# 读取一张测试图 img_test = cv2.imread('./test_image.jpg') h, w = img_test.shape[:2] # 优化新相机矩阵，可以选择保留更多有效像素 new_camera_matrix, roi = cv2.getOptimalNewCameraMatrix( camera_matrix, dist_coeffs, (w, h), 1, (w, h) ) # 方法1：使用 cv2.undistort 去畸变 dst = cv2.undistort(img_test, camera_matrix, dist_coeffs, None, new_camera_matrix) # 方法2：先计算映射，再重映射（适用于需要多次处理同一相机视频流的场景） mapx, mapy = cv2.initUndistortRectifyMap( camera_matrix, dist_coeffs, None, new_camera_matrix, (w, h), cv2.CV_32FC1 ) dst = cv2.remap(img_test, mapx, mapy, cv2.INTER_LINEAR) # 裁剪ROI区域（可选） x, y, w_roi, h_roi = roi dst = dst[y:y+h_roi, x:x+w_roi] cv2.imshow('Original', img_test) cv2.imshow('Undistorted', dst) cv2.waitKey(0) cv2.destroyAllWindows()

• cv2.getOptimalNewCameraMatrix： 这个函数很实用。去畸变后，图像的有效区域可能会变小（像被“修剪”了），边缘会出现黑边。参数alpha=1表示保留所有原始像素（会有黑边），alpha=0表示裁剪掉所有黑边区域，得到一个稍小的但全有效的图像。它返回一个新的内参矩阵和感兴趣区域ROI。
• 观察校正后的图像：原本弯曲的直线（如门框、窗户边缘）是否变直了？这是最直接的检验。

4. 鱼眼相机标定：当世界变成“球”

鱼眼镜头追求的是视角最大化（通常达到180°甚至更大），其投影模型不再是透视投影，而是将场景投影到一个球面上，然后再映射到图像平面。因此，普通镜头的畸变模型完全无法描述这种极端扭曲。

4.1 鱼眼投影模型

OpenCV主要支持四种鱼眼投影模型，最常用的是等距投影模型。其公式为：

r = f * θ

其中，r是像点到主点的距离，f是焦距，θ是入射光线与光轴的夹角。 对于世界坐标系中的一个点，其投影到归一化球面坐标后，到光轴的角度为θ，然后根据上述模型计算r，再结合方位角得到图像上的畸变点坐标。鱼眼标定的畸变参数通常记为(k1, k2, k3, k4)，用于多项式拟合θ与r之间的关系（r(θ) = θ * (1 + k1*θ^2 + k2*θ^4 + k3*θ^6 + k4*θ^8)），这与普通镜头的径向畸变多项式意义完全不同。

4.2 OpenCV鱼眼标定实现差异

鱼眼标定在OpenCV中使用cv2.fisheye子模块。其步骤与普通标定类似，但API不同。

# 鱼眼标定 import cv2 import numpy as np import glob # 准备对象点和图像点（与普通标定相同） objp = np.zeros((1, pattern_size[0]*pattern_size[1], 3), np.float32) objp[0,:,:2] = np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1, 2) objp *= square_size objpoints = [] # 注意这里格式是list of arrays imgpoints = [] # ... (角点检测部分与普通标定完全相同，略过) ... # 鱼眼标定 K = np.zeros((3, 3)) # 初始化内参矩阵 D = np.zeros((4, 1)) # 初始化鱼眼畸变系数 (k1, k2, k3, k4) rvecs = [np.zeros((1, 1, 3), dtype=np.float64) for i in range(len(objpoints))] tvecs = [np.zeros((1, 1, 3), dtype=np.float64) for i in range(len(objpoints))] criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 1e-6) flags = cv2.fisheye.CALIB_RECOMPUTE_EXTRINSIC + cv2.fisheye.CALIB_CHECK_COND + cv2.fisheye.CALIB_FIX_SKEW ret, K, D, rvecs, tvecs = cv2.fisheye.calibrate( objpoints, imgpoints, img_shape[::-1], # (width, height) K, D, rvecs, tvecs, flags=flags, criteria=criteria ) print(f"鱼眼标定RMS误差: {ret}") print(f"鱼眼内参矩阵 K:\n{K}") print(f"鱼眼畸变系数 D (k1, k2, k3, k4):\n{D.ravel()}")

关键差异与注意事项：

1. 数据格式：objpoints和imgpoints的格式要求更严格，通常是list of Nx1x3和list of Nx1x2的数组。上面代码的构建方式是一种常见写法。
2. 初始化： 鱼眼标定对初始值更敏感。内参矩阵K可以初始化为一个近似值，比如主点在图像中心，焦距设为图像宽度的一半。畸变系数D初始化为0。
3. 标志位flags：
   • CALIB_RECOMPUTE_EXTRINSIC： 每次迭代都重新计算外参，通常建议开启。
   • CALIB_CHECK_COND： 检查条件数，有助于数值稳定性。
   • CALIB_FIX_SKEW： 固定切向畸变（鱼眼模型中通常不考虑切向畸变，因为其影响远小于径向畸变）。
4. 终止条件criteria： 鱼眼标定可能需要更多迭代次数（如100次），精度要求也可以设得更高（如1e-6）。

4.3 鱼眼图像校正

鱼眼图像的校正也与普通图像不同，它需要将半球面的视图展开。

# 鱼眼图像去畸变（展开） img_test_fisheye = cv2.imread('./fisheye_test.jpg') h, w = img_test_fisheye.shape[:2] # 计算新的相机矩阵，用于定义输出图像的视图 new_K = cv2.fisheye.estimateNewCameraMatrixForUndistortRectify( K, D, (w, h), np.eye(3), balance=0.0 # balance 控制视野大小，0保留所有，1裁剪最多 ) # 计算畸变映射 map1, map2 = cv2.fisheye.initUndistortRectifyMap( K, D, np.eye(3), new_K, (w, h), cv2.CV_32FC1 ) # 重映射 dst_fisheye = cv2.remap(img_test_fisheye, map1, map2, interpolation=cv2.INTER_LINEAR) cv2.imshow('Fisheye Original', img_test_fisheye) cv2.imshow('Fisheye Undistorted', dst_fisheye) cv2.waitKey(0)

• balance参数是关键：它控制输出图像的视野和拉伸程度。balance=0会保留所有信息，但边缘拉伸严重；balance=1会裁剪掉扭曲最严重的边缘区域，得到一个看起来更“正常”但视野变小的图像。通常需要根据应用场景在0到1之间调整，找到一个折中点。
• 鱼眼校正的目标不一定是得到完全“横平竖直”的图像，有时只是为了后续算法（如特征匹配、SLAM）能使用标准的透视模型进行处理。

5. 标定实战中的高级技巧与深度避坑

掌握了基本流程后，一些进阶技巧和深坑能让你标定的结果更可靠、更鲁棒。

5.1 标定板的选择与优化

• 棋盘格 vs 圆网格： 棋盘格角点检测速度快，但容易受光照和模糊影响。不对称圆网格（如OpenCV的CHARUCO板）检测精度更高，对部分遮挡和光照变化更鲁棒，因为每个圆都有唯一的ID，但需要更复杂的检测算法。在工业高精度场合，圆网格是更好的选择。
• 棋盘格尺寸与格子大小： 格子大小要合适。太小，角点检测容易出错；太大，一张图片里包含的角点信息量少。通常让棋盘格占据图像区域的1/3到1/2为宜。物理尺寸要精确测量，这是所有世界坐标的基准。
• 打印质量： 使用哑光材料打印，避免反光。确保打印没有缩放（100%比例）。可以用游标卡尺测量打印后格子的实际尺寸，与代码中的square_size严格对应。

5.2 标定流程的自动化与评估

• 自动筛选图像： 可以写脚本自动计算每张标定图片的重投影误差，剔除误差异常大的“坏样本”。这能有效提升整体标定质量。
• 交叉验证： 不要用所有图片标定，再用它们验证。应该留出几张“测试集”图片不参与标定，只用它们来计算最终的重投影误差，这样评估更客观。
• 参数稳定性测试： 改变参与标定的图片数量（比如从15张里随机选10张），多次标定，观察内参和畸变系数的变化。如果波动很大，说明标定结果不稳定，需要更多数据或更高质量的数据。

5.3 特殊场景处理

• 远心镜头标定： 远心镜头几乎没有透视畸变，其模型更接近正交投影。OpenCV的标准标定方法可能不适用，需要专门的正交或弱透视标定方法，或者使用cv2.calibrateCamera时固定某些参数（如主点位于中心，切向畸变为0）。
• 双目标定： 对于立体视觉，需要同时标定两个相机，并求出它们之间的旋转和平移关系（R和T）。OpenCV提供了cv2.stereoCalibrate函数。其关键在于，左右相机必须同步采集同一标定板的图像，并且标定板要充满共同视野。双目标定的精度要求比单目更高，因为任何误差都会被基线放大。
• 在线标定与自标定： 在某些无法使用标定板的场景（如已部署的系统），可以利用场景中的平行线、消失点等先验信息进行标定，或者使用基于运动的自标定方法（如通过相机移动求解基础矩阵和本质矩阵来反推内参）。这些方法精度通常低于基于标定板的方法，但灵活性高。

5.4 我踩过的那些“坑”

1. “幽灵”畸变： 有一次标定一个CCTV镜头，重投影误差始终在1.2像素左右下不去。检查了所有环节都没问题。最后发现，是相机自带的ISP（图像信号处理器）在输出图像前做了轻微的几何校正（桶形畸变校正）。这相当于我在标定一个已经被“预处理”过的图像。解决方案是获取相机的原始RAW图（或关闭所有图像增强功能）再进行标定。
2. 温度漂移： 在户外机器人项目上，早上标定的参数，中午再用，发现测量误差变大了。原因是相机CMOS和镜片会受温度影响，导致焦距和主点发生微小变化（特别是塑料镜头）。对于高精度户外应用，需要考虑温度补偿或定期重新标定。
3. “主点”不主： 一个工业相机标定出来主点(cx, cy)严重偏离图像中心。起初以为是标定错误，后来用激光笔垂直照射镜头中心，发现光斑确实落在那偏离的位置。原因是相机传感器在封装时就有偏移。所以，标定结果反映的是物理现实，不要盲目认为主点必须在中心。
4. 鱼眼标定的“平衡”艺术： 做车载环视拼接时，鱼眼校正的balance参数调得我头疼。balance=0时，四个方向的图像能拼接上，但车身自身拉伸得像面条；balance=1时，车身正常了，但四个图像的接缝处对不齐，有重影。最后是通过实验，为前后左右四个相机分别找到了不同的balance值，并在拼接时做羽化融合，才得到可用的结果。鱼眼校正没有“完美”解，只有“适用”解。

相机标定是计算机视觉里一项基础但绝不平庸的工作。它连接着物理世界和数字世界，其精度直接决定了上层应用的成败。理解原理、注重细节、耐心调试，你得到的将不仅仅是一组参数，更是对你手中“眼睛”的深刻认知。当你看到经过自己标定校正后的图像，线条笔直，测量精准时，那种成就感，就是工程师的快乐。