推荐星级：
- 1
- 2
- 3
- 4
- 5
基于多图像先验知识的噪声水平评估算法
资料介绍
为解决基于单图像噪声水平评估算法抗干扰能力低和执行效率不高的问题,提出一种基于多图像先验知识的噪声水平评估算法.首先,在具有广泛代表性且未受噪声干扰图像集合上添加已知噪声水平的高斯噪声构建失真样本图像集合,并提取每幅样本图像中的若干统计特征值构成描述他们噪声水平值高低的噪声水平感知特征矢量.然后,利用样本图像上所提取的特征矢量及对其所施加的噪声水平值构成样本库.在评估时,先提取待评价噪声图像的特征矢量并在样本库中检索出与之类似的若干特征矢量及它们所对应的噪声水平值,之后基于这些样本信息以加权均值法估算待评价图像的噪声水平值.实验数据表明:较现有的噪声水平评估算法,新算法不仅在高、中、低噪声水平下都具有稳定的预测准确度,而且评估速度快.尤其是对于高斯噪声中伴有脉冲或者泊松噪声情况,具有较好的抗干扰能力.
部分文件列表
| 文件名 | 大小 |
| 基于多图像先验知识的噪声水平评估算法.pdf | 2M |
部分页面预览
（完整内容请下载后查看）：
ＤＯＩ１０．７５４４ｉｓｓｎ１０００１２３９ ．２０１８ ．２０１７０３３６
－
计 算 机 研 究 与 发 展
?
（ ）： ，
５５１２ ２７４１ ２７５２ ２０１８
ꢀ
ＪｏｕｒｎａｌｏｆＣｏｍ ｕｔｅｒＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏ ｍｅｎｔ
ꢀ ꢀ ꢀ ꢀ ꢀ
ｐ ｐ
ꢀ
基于多图像先验知识的噪声水平评估算法
徐少平 曾小霞 唐祎玲 江顺亮
ꢀ ꢀ ꢀ
（
）
南昌大学信息工程学院 南昌
ꢀ
３３００３１
ꢀ
（
）
ｘｕｓｈａｏｉｎ ｎｃｕ．ｅｄｕ．ｃｎ
ｐ ｇ＠
ＡＮｏｉｓｅＬｅｖｅｌＥｓｔｉｍａｔｉｏｎＡｌｏｒｉｔｈｍ Ｕｓｉｎ ＰｒｉｏｒＫｎｏｗｌｅｄｅｏｆＳｉｍｉｌａｒＩｍａｅｓ
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ
ꢀ
ꢀ
ｇ
ｇ
ꢀ
ｇ
ｇ
，
，
，
ＸｕＳｈａｏｉｎ Ｚｅｎ Ｘｉａｏｘｉａ Ｔａｎ Ｙｉｌｉｎ ａｎｄＪｉａｎ Ｓｈｕｎｌｉａｎ
ｐ ｇ ｇ ｇ
ꢀ
ｇ
ꢀ
ｇ
ꢀ
ꢀ
ｇ
ꢀ
（
，
，
）
Ｓｃｈｏｏｌｏ Ｉｎ ｏｒｍａｔｉｏｎＥｎｉｎｅｅｒｉｎ Ｎａｎｃｈａｎ Ｕｎｉｖｅｒｓｉｔ Ｎａｎｃｈａｎ ３３００３１
ꢀ
ｇ
ꢀ
ｆ
ｆ
ｇ
ｇ
ꢀ
ｙ
ｇ
ꢀ
（
Ａｂｓｔｒａｃｔ Ｔｏｒｅｓｏｌｖｅｔｈｅ ｒｏｂｌｅｍｔｈａｔｔｈｅｅｘｉｓｔｉｎ ｓｉｎｌｅｉｍａｅｂａｓｅｄｎｏｉｓｅｌｅｖｅｌｅｓｔｉｍａｔｉｏｎ ＳＮＬＥ
ꢀｐ
ｇ ꢀ
）
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ｇ
－
ꢀ
ꢀ
ꢀ
，
ａｌｏｒｉｔｈｍｓａｒｅｏｆ ｏｏｒａｎｔｉｉｎｔｅｒｆｅｒｅｎｃｅａｂｉｌｉｔ ａｎｄｌｏｗｅｘｅｃｕｔｉｏｎｅｆｆｉｃｉｅｎｃ ａｍｕｌｔｉｉｍａｅｂａｓｅｄｎｏｉｓｅ
ꢀ ꢀ ꢀｐ
ｇꢀ
ｇ
ꢀ
－
ꢀ
ｙ
ꢀ
ꢀ
ꢀ
ꢀ
ｙ
ꢀ
－
ꢀ
（
）
，
ｌｅｖｅｌｅｓｔｉｍａｔｉｏｎ ＭＮＬＥ ａｌｏｒｉｔｈｍｕｓｉｎ ｒｉｏｒｋｎｏｗｌｅｄｅｏｆｓｉｍｉｌａｒｉｍａｅｓｉｓ ｒｏｏｓｅｄ．Ｓｅｃｉｆｉｃａｌｌ
ｇｐ ｇꢀ ꢀ ｇ ꢀ ꢀｐ ｐ ｙ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ｐ
ꢀ
ａｓｅｔｏｆｄｉｓｔｏｒｔｅｄｉｍａｅｓｉｓｆｉｒｓｔｃｏｎｓｔｒｕｃｔｅｄｂ ａｄｄｉｎ ｄｉｆｆｅｒｅｎｔ ｒｅｄｅｆｉｎｅｄｎｏｉｓｅｌｅｖｅｌｓｔｏｓｏｍｅ
ｇ ꢀ ꢀ
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀｙ ꢀｐ － ꢀ ꢀ ꢀ ꢀ
ｇ
ꢀ
ꢀ
，
ｒｅｒｅｓｅｎｔａｔｉｖｅｎｏｉｓｅｆｒｅｅｉｍａｅｓ ａｎｄｓｅｖｅｒａｌｎａｔｕｒａｌｓｔａｔｉｓｔｉｃａｌｖａｌｕｅｓｅｘｔｒａｃｔｅｄｆｒｏｍｅａｃｈｄｉｓｔｏｒｔｅｄ
ꢀ
ｐ
ꢀ
－
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
，
ｉｍａｅａｒｅｕｓｅｄｔｏｆｏｒｍｔｈｅｎｏｉｓｅｌｅｖｅｌａｗａｒｅｆｅａｔｕｒｅｖｅｃｔｏｒ．Ｔｈｅｎ ｔｈｅｆｅａｔｕｒｅｖｅｃｔｏｒｅｘｔｒａｃｔｅｄｆｒｏｍ
ｇꢀ ꢀ ꢀ ꢀ
ꢀ
ꢀ
ꢀ
－
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｅａｃｈｄｉｓｔｏｒｔｅｄｉｍａｅａｎｄｉｔｓｃｏｒｒｅｓｏｎｄｉｎ ｎｏｉｓｅｌｅｖｅｌａｒｅｕｓｅｄｔｏｃｏｎｓｔｒｕｃｔａｓａｍ ｌｅｄａｔａｂａｓｅ．Ｄｕｒｉｎ
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀꢀ ｐ ꢀ
ｇꢀ ꢀ ꢀ ｐ ｇ ｇ
ꢀ
，
ｔｈｅｎｏｉｓｅｌｅｖｅｌｅｓｔｉｍａｔｉｏｎｓｔａｅ ｔｈｅｆｅａｔｕｒｅｖｅｃｔｏｒｏｆａｎｉｍａｅｔｏｂｅｅｓｔｉｍａｔｅｄｉｓｅｘｔｒａｃｔｅｄｂ ｔｈｅｓａｍｅ
ꢀ ｇ ꢀ ꢀ ꢀ ｇꢀ ꢀ ꢀ ꢀ ꢀ ꢀｙ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
，
ｍｅｔｈｏｄａｓｔｈｅ ｒｅａｒａｔｉｏｎｓｔａｅ ａｎｄｓｅｖｅｒａｌｆｅａｔｕｒｅｖｅｃｔｏｒｓｓｉｍｉｌａｒｔｏｔｈｅｅｘｔｒａｃｔｅｄｆｅａｔｕｒｅｖｅｃｔｏｒａｎｄ
ꢀ ꢀ ꢀｐ ｐ ꢀ ｇ ꢀ ꢀ ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
，
ｔｈｅｉｒｃｏｒｒｅｓｏｎｄｉｎ ｎｏｉｓｅｌｅｖｅｌｓａｒｅｃｈｏｓｅｎｆｒｏｍｔｈｅｓａｍ ｌｅｄａｔａｂａｓｅ．Ａｓｓｕｃｈ ｔｈｅｎｏｉｓｅｌｅｖｅｌｏｆｔｈｅ
ｐ ꢀ
ꢀ ꢀ ꢀ ꢀ
ꢀ
ｐ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｉｍａｅｔｏｂｅｅｓｔｉｍａｔｅｄｉｓｅｓｔｉｍａｔｅｄｗｉｔｈａｗｅｉｈｔｅｄａｖｅｒａｅａ ｒｏａｃｈ．Ｅｘｔｅｎｓｉｖｅｅｘｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓ
ｇꢀ ꢀ ꢀ ｇꢀｐｐ
ꢀ ꢀ ꢀ ꢀꢀ ｇ ꢀ ꢀ ｐ ꢀ
ｓｈｏｗｔｈａｔｔｈｅ ｒｏｏｓｅｄＭＮＬＥａｌｏｒｉｔｈｍｎｏｔｏｎｌ ｉｓｏｆｈｉｈｅｆｆｉｃｉｅｎｃ ｂｕｔａｌｓｏｈａｓｓｔａｂｌｅ ｒｅｄｉｃｔｉｏｎ
ꢀ ꢀｐ ｐ ꢀ ꢀ ｇ ꢀ ꢀ ｙ ꢀ ꢀ ｇꢀ ꢀ ꢀ ꢀ ꢀｐ
ꢀ
ｙ
ꢀ
ꢀ
，
，
ａｃｃｕｒａｃ ａｔｈｉｈ ｍｅｄｉｕｍ ａｎｄｌｏｗｎｏｉｓｅｌｅｖｅｌｓ．ＦｏｒｔｈｅＧａｕｓｓｉａｎｎｏｉｓｅｍｉｘｅｄｗｉｔｈｉｍ ｕｌｓｅｎｏｉｓｅｏｒ
ｙ ꢀ ｇ
ꢀ ｐ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
，
Ｐｏｉｓｓｏｎｎｏｉｓｅ ｉｔａｌｓｏｈａｓ ｏｏｄａｎｔｉｉｎｔｅｒｆｅｒｅｎｃｅａｂｉｌｉｔ ．
ꢀｇ
ꢀ
ꢀ
ꢀ
ꢀ
－
ꢀ
ｙ
； （ ）； ；
Ｋｅ ｗｏｒｄｓ ｉｍａｅｄｅｎｏｉｓｉｎ ｎｏｉｓｅｌｅｖｅｌｅｓｔｉｍａｔｉｏｎ ＮＬＥ ｎｏｉｓｅｌｅｖｅｌａｗａｒｅｆｅａｔｕｒｅ ｗｅｉｈｔｅｄ
ꢀ
ꢀ
ｇꢀ
ｇ
ꢀ
ꢀ
－
ꢀ
ｇ
ｙ
ꢀ
；
；
ａｖｅｒａｅｅｓｔｉｍａｔｉｏｎ ｅｘｅｃｕｔｉｏｎｅｆｆｉｃｉｅｎｃ ｒｏｂｕｓｔｎｅｓｓ
ｇꢀ ｙ
ꢀ
，
为解决基于单图像噪声水平评估算法抗干扰能力低和执行效率不高的问题 提出一种基于多图
摘
要
ꢀ
ꢀ
，
像先验知识的噪声水平评估算法 首先 在具有广泛代表性且未受噪声干扰图像集合上添加已知噪声水
．
，
平的高斯噪声构建失真样本图像集合 并提取每幅样本图像中的若干统计特征值构成描述他们噪声水
，
平值高低的噪声水平感知特征矢量 然后 利用样本图像上所提取的特征矢量及对其所施加的噪声水平
．
，
值构成样本库 在评估时 先提取待评价噪声图像的特征矢量并在样本库中检索出与之类似的若干特征
．
，
矢量及它们所对应的噪声水平值 之后基于这些样本信息以加权均值法估算待评价图像的噪声水平
： ， 、 、
值 实验数据表明 较现有的噪声水平评估算法 新算法不仅在高 中 低噪声水平下都具有稳定的预测
．
， ，
准确度 而且评估速度快 尤其是对于高斯噪声中伴有脉冲或者泊松噪声情况 具有较好的抗干扰能力
．
．
：
；
：
修回日期
２０１８ ０３ ０５
收稿日期
－ －
２０１７ ０５ １８
－
－
ꢀ
ꢀ
：
基金项目 国家自然科学基金项目
（ ， ， ，
６１６６２０４４ ６１１６３０２３ ５１７６５０４２ ８１５０１５６０
）；
江西省自然科学基金项目
（
）
２０１７１ＢＡＢ２０２０１７
（
，
，
，
Ｔｈｉｓｗｏｒｋｗａｓｓｕ ｏｒｔｅｄｂ ｔｈｅＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ ６１６６２０４４ ６１１６３０２３ ５１７６５０４２ ８１５０１５６０ ａｎｄ
ꢀ ｐｐ ꢀｙ ꢀ ꢀ
）
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
（
）
ｔｈｅＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＪｉａｎｘｉＰｒｏｖｉｎｃｅｏｆＣｈｉｎａ ２０１７１ＢＡＢ２０２０１７ ．
ꢀ ꢀ ｇ ꢀ ꢀ ꢀ
ꢀ
ꢀ
ꢀ
：
通信作者 唐祎玲
（ ）
ｔａｎ ｉｌｉｎ ｎｃｕ．ｅｄｕ．ｃｎ
ｇｙ ｇ＠
ꢀ
，
（ ）
２０１８ ５５１２
ꢀ
计算机研究与发展
２７４２
； ； ； ； ；
图像降噪 噪声水平估计 噪声水平感知特征 加权均值估计 执行效率 鲁棒性
关键词
ꢀ
中图法分类号
ＴＰ３９１
ꢀ
现有已提出的大多数图像降噪算法实际上属于
估计图像的噪声水平值 这种方法在实现的过程具
．
ꢀꢀ
［
１６
）
］
－
（
，
有一定的难度 计算复杂度高 与利用噪声与图像信
．
非盲降噪算法
ｎｏｎｂｌｉｎｄｄｅｎｏｉｓｉｎ ａｌｏｒｉｔｈｍ
－ ꢀ
ｇ ｇ
ꢀ
．
，
在实际使用中 这些非盲降噪算法只有在获得关于
，
号分离的实现策略不同 还有一类算法试图通过利
用图像受到噪声干扰后所表现出的规律性变化实现
（
噪声图像准确的噪声水平值 即高斯噪声模型中的
［
］
１９
等人 通过分析
）
方差 作为入口参数后才能得到比较好的降噪效果
对噪声水平值的估计 例如
．
．
Ｚｏｒａｎ
，
因此 以获得噪声图像的噪声水平值为目标的噪声
图像
变 换 后 的 系 数 发 现 噪 声 会 导 致 图 像
ＤＣＴ
（
，
）
算法被相继
ｎｏｉｓｅｌｅｖｅｌｅｓｔｉｍａｔｉｏｎ ＮＬＥ
，
值有规律变化 并根据这种现象提出了一
Ｋｕｒｔｏｓｉｓ
水平评估
ꢀ
ꢀ
［
］
７１３
－
提出来
已提出的
．
算法绝大多数都是属于
种基于
值尺度不变性的噪声水 平 评估 算
Ｋｕｒｔｏｓｉｓ
ＮＬＥ
（
所谓 的 基 于 单 图 像 噪 声 水 平 评 估
法 该算法在一定程度上改善了图像噪声估计的效
．
ｓｉｎｌｅｉｍａｅ
－
ｇ ｇ
，
）
的类 型 仅仅
ｂａｓｅｄｎｏｉｓｅｌｅｖｅｌｅｓｔｉｍａｔｉｏｎ ＳＮＬＥ
，
，
果 但是它是通过寻找目标函数最优值的方法实现
ꢀ
ꢀ
ꢀ
，
，
的 计算效率比较低且在高水平噪声条件下存在寻
依据噪声图像本身评估图像中的噪声水平值 早期
．
［ ］
１４
［ ］
１３
，
提出先用掩模对图像进行滤波得到各
优失败的可能 在此基础上
．
等人 利用自然
Ｄｏｎ
ｇ
Ｉｍｍｅｒｋａｅｒ
个像素点在局部邻域内的方差 然后以所有像素点
上求得方差的平均值作为整个 图像噪 声水平 估 计
，
图像带通域里的
值的不变性和 分段 平稳
Ｋｕｒｔｏｓｉｓ
， ，
性 提出一种新的噪声水平估计方法 能够有效地估
，
计各种类型的噪声 在 非高斯噪 声 下表 现 出 色 此
．
值 以
算法为代表的基于对整个图像执
． Ｉｍｍｅｒｋａｅｒ
［
］
１２
，
等人 根据图像块梯度的统计特性 从
，
外
行滤波操作实现的
算法主要特点是其执行速
Ｋｈｍａ
ＮＬＥ
ｇ
，
噪声图像中 去 除 高 频 分 量 筛 选 出 低 秩 图 块
（
ｌｏｗ
，
度非常快 然而在很多情况下所给估计值的准确性
－
），
再使用
，
却不高 尤其是对于具有复杂纹理内容的图像和受
分析技术进行噪声水平
ｒａｎｋ ａｔｃｈｅｓ
ꢀｐ
ＰＣＡ
个 算法基于 图 像 统 计 特性
ＮＬＥ
［ ］
１５
、
中 高噪声水平干扰的图像
评估 虽然上述
．
为获得更高的预测
．
３
，
实现了噪声水平评估 但仅是在单幅噪声图像上进
，
准确率 近 年 来 研 究 者 们 逐 渐 开 始 在 图 块
（
ｉｍａｅ
ｇ
）
粒度 上研 究噪声水平 评估问 题
ａｔｃｈｅｓ
ｐ
，
年
行的
．
．２０１３
［ ］
１６
虽然近几 年 提出的
算法 都 取 得 了一 定
等人
提 出 了 一 种 被 称 为 基 于 弱 纹 理 图 块
ＳＮＬＥ
：
程度上的成功 但是仍有 个问题亟待解决
Ｌｉｕ
（
）
的 噪 声 水 平 评 估 算 法 该
ｗｅａｋｔｅｘｔｕｒｅｄ ａｔｃｈｅｓ
ꢀｐ
，
．
２
－
）
抗干扰能力弱 现有的
１
算法基于梯度和统计分析的方法从噪声图像中选择
算法均假设噪
ＳＮＬＥ
．
，
出 弱 纹 理 图 块 使 用 主 成 分 分 析
（
ｐ
，
声图像中噪声为纯高斯噪声 实际应用中碰到的高
斯噪声往往混合有少量脉冲或 者 泊 松 等类 型的噪
ｒｉｎｃｉａｌ
ｐ
， ）
计算弱纹理图像块协方
ｃｏｍ ｏｎｅｎｔａｎａｌｓｉｓ ＰＣＡ
ꢀ
ｐ
ｙ
，
算法对此情况的处理不够鲁棒 对高斯噪
声
差矩阵的最小特征值并将它作 为噪声 水平值的 估
．ＳＮＬＥ
声水平值的估计往往会出现较大偏差 从而影响后
续相应处理算法的性能
［
］
１７
等人 从理论上推导出了噪声图
，
Ｃｈｅｎ
，
计
年
．２０１５
像中图块的协方差矩阵若干特征值与噪声水平值之
．
，
间的计算关系 依赖满足特定条件的若干个特征值
）
计算效率低 由于
２ ．
算法仅有噪声图像
ＳＮＬＥ
，
本身的信息可以利用 为此很多
估计图像中的噪声水平值 该算法在利用若干特征
．
算法设计了
ＳＮＬＥ
值导出噪声水平值的过程中仍然采用迭代方式选择
各种复杂的处理流程从而保证估计出准确的噪声水
［ ］
１８
，
，
平值 但是复杂的处理过程也导致这类算法的执行
所需要的特征值 类似地
．
等人
Ｈｕａｎ
ｇ
基于纹理
，
特征值分析 先判断局部图像块的光滑程度来选择
效率严重下降 而 算法作为 众 多图像 处理工
． ＮＬＥ
，
弱纹理图像块 再对选择出来的这些图像块进行特
，
作的前置模块 不但需要提供关于噪声水平值准确
， ，
的估计 更需要在尽可能少的时间内完成 以避免影
征值分析 选择图块的过程是以迭代的方法完成的
．
．
上述这些基于图块粒度实现的
算法最大特点
响后继图像处理算法的整体效率
ＮＬＥ
．
，
就是预测准确性比较高 但是由于在内部实现中大
，
算法存在的问题 近年来在噪声水
鉴于
ＳＮＬＥ
平估计及相关领域所完成的一些工作表明可以基于
［ ］ ，
，
多采用迭代方式进行 计算效率比较低 上述
．
ＮＬＥ
算法的工作原理在某种意义上讲是将噪声图像中的
多幅图像开展这方面的工作 例如 在 文献
中
．
２０
，
噪声信号和图像信号分离 然后基于噪声信号部分
等人提出了一种基于多图像的非局部均值估
Ｃｈｅｎ
更多>>
最新上传
- 打赏
- 30日榜单
-
21ic小能手 打赏5.00元 10小时前
-
21ic小能手 打赏5.00元 10小时前
-
21ic小能手 打赏15.00元 10小时前
-
21ic小能手 打赏5.00元 11小时前
-
21ic小能手 打赏5.00元 11小时前
-
21ic小能手 打赏15.00元 11小时前
-
21ic小能手 打赏10.00元 11小时前
-
21ic小能手 打赏5.00元 11小时前
-
wubaojun1982 打赏1.00元 3天前
资料：ADS1241驱动代码
-
21ic小能手 打赏10.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic下载 打赏320.00元 3天前
用户：liqiang9090
-
21ic下载 打赏260.00元 3天前
用户：gsy幸运
-
21ic下载 打赏110.00元 3天前
用户：zhengdai
-
21ic下载 打赏130.00元 3天前
用户：WK520077778
-
21ic下载 打赏100.00元 3天前
用户：sun2152
-
21ic下载 打赏70.00元 3天前
用户：xuzhen1
-
21ic下载 打赏40.00元 3天前
用户：w178191520
-
21ic下载 打赏70.00元 3天前
用户：xzxbybd
-
21ic下载 打赏50.00元 3天前
用户：铁蛋锅
-
21ic下载 打赏30.00元 3天前
用户：kk1957135547
-
21ic下载 打赏30.00元 3天前
用户：forgot
-
21ic下载 打赏30.00元 3天前
用户：w993263495
-
21ic下载 打赏30.00元 3天前
用户：年轻的国王
-
21ic下载 打赏30.00元 3天前
用户：happypcb
-
21ic下载 打赏30.00元 3天前
用户：不觉明了
-
21ic下载 打赏20.00元 3天前
用户：xujibicool
-
21ic下载 打赏10.00元 3天前
用户：idlaoming
-
21ic小能手 打赏10.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
21ic小能手 打赏20.00元 3天前
-
21ic小能手 打赏20.00元 3天前
-
注册1 打赏0.01元 3天前
-
注册1 打赏0.01元 3天前
用户：xlhtracy
-
注册1 打赏0.01元 3天前
用户：xlhtracy
-
注册1 打赏0.01元 3天前
用户：xlhtracy
全部评论(0)