企业网站推广17,网站建设与管理学什么,做网站的的人收入多少钱,nas ddnsto wordpress文章目录 一、图像梯度1.1 介绍1.2 涉及函数 二、高频强调滤波器2.1 Sobel 算子2.1.1 Sobel 理论基础2.1.2 Sobel 算子及函数使用#xff08;1#xff09;对参数取绝对值#xff08;2#xff09;控制dx#xff0c;dy方向的求导阶数1. **计算 x 方向边缘#xff08;梯度1对参数取绝对值2控制dxdy方向的求导阶数1. **计算 x 方向边缘梯度**2. **计算 y 方向边缘梯度**3. **参数 dx 和参数 dy 的值均为 1**4. **计算 x 方向和 y 方向的边缘叠加** 2.1.3通过实际例子表示1简单图像2复杂的实际的相片 2.1.4 近似值 2.2 Scharr 算子2.2.1 等价的函数。2.2.2需要满足的条件dx 0 dy 0 dxdy 12.2.3 Sobel 算子和 Scharr 算子的比较 2.3 拉普拉斯 Laplacian 算子2.3.1 函数 三、Canny 边缘检测3.1 Canny 原理3.2 Canny 函数及使用 这里需要区分开边缘检测和轮廓检测 边缘检测并非万能边缘检测虽然能够检测出边缘但边缘是不连续的检测到的边缘并不是一个整体。图像轮廓是指将边缘连接起来形成的一个整体用于后续的计算。 OpenCV 提供了查找图像轮廓的函数 cv2.findContours()该函数能够查找图像内的轮廓信息而函数cv2.drawContours()能够将轮廓绘制出来。 一、图像梯度 图像梯度是指图像中灰度强度变化的方向和幅度。梯度计算对于许多计算机视觉和图像处理任务非常重要如边缘检测、特征提取等。 图像梯度通常使用Sobel、Scharr或其他卷积核进行计算。这些卷积核可以在图像上进行卷积操作以便检测图像中的水平和垂直边缘。梯度的方向表示灰度变化最快的方向而梯度的幅度表示这个变化的强度。 · 图像梯度是指图像中像素值变化的快慢和方向。在图像处理中常用于检测图像中的边缘和轮廓。图像梯度的计算可以通过一阶或二阶导数的方法来实现。 1.1 介绍 一阶导数梯度 水平方向梯度Gx 表示图像在水平方向上的变化率。垂直方向梯度Gy 表示图像在垂直方向上的变化率。梯度幅值 通过Gx和Gy的组合计算通常使用欧几里得范数平方和的平方根表示 梯度方向 梯度方向角度θ 通过arctan(Gy/Gx)计算表示梯度的方向。 边缘检测 基于图像梯度的边缘检测算法如Sobel、Prewitt、Roberts等通过卷积运算来获取图像梯度。 Canny边缘检测 Canny边缘检测是一种常用的边缘检测方法它利用图像梯度的幅值和方向来检测边缘。 图像增强 图像梯度也可以用于图像增强通过调整图像梯度的幅值和方向来改善图像的视觉效果。
在实际图像处理中图像梯度是一个重要的特征它不仅用于边缘检测还可以应用于目标检测、图像分割和其他计算机视觉任务。通过分析图像梯度可以获取关于图像结构和内容的有用信息。
1.2 涉及函数 Sobel算子 cv2.Sobel(src, ddepth, dx, dy, ksize): 对图像进行Sobel算子的卷积操作其中dx和dy表示求导的阶数ksize是卷积核的大小。 Scharr算子 cv2.Scharr(src, ddepth, dx, dy): 类似于Sobel用于对图像进行Scharr算子的卷积操作。 Laplacian算子 cv2.Laplacian(src, ddepth): 对图像进行Laplacian算子的卷积操作用于增强图像中的高频信息。 Canny边缘检测 cv2.Canny(image, threshold1, threshold2): 使用Canny边缘检测算法threshold1和threshold2是梯度阈值用于定义边缘的强弱。 角度和幅值计算 cv2.phase(x, y): 计算输入图像梯度的相位角度。cv2.magnitude(x, y): 计算输入图像梯度的幅值。 图像梯度计算 cv2.Sobel(), cv2.Scharr(), 和 cv2.Laplacian() 的输出可以通过 cv2.magnitude() 和 cv2.phase() 计算幅值和相位。 图像增强 借助梯度信息可以进行图像增强例如通过调整梯度的幅值来实现锐化。 图像显示 cv2.imshow(window_name, image): 用于显示图像可以用来显示梯度图等中间结果。
二、高频强调滤波器
在OpenCV中梯度滤波器或高通滤波器通常用于突出图像中的边缘和细节。这些滤波器是一种高频强调滤波器可以通过卷积操作来应用于图像。、 Sobel滤波器 Sobel滤波器是一种常用的梯度滤波器用于在图像中检测边缘。它分为水平和垂直两个方向。 sobelx cv2.Sobel(src, cv2.CV_64F, 1, 0, ksize3)
sobely cv2.Sobel(src, cv2.CV_64F, 0, 1, ksize3)这里1和0分别表示水平和垂直方向ksize是卷积核的大小。 Scharr滤波器 Scharr滤波器类似于Sobel但对边缘的响应更强。你可以使用cv2.Scharr()函数来应用Scharr滤波器。 scharrx cv2.Scharr(src, cv2.CV_64F, 1, 0)
scharry cv2.Scharr(src, cv2.CV_64F, 0, 1)Laplacian滤波器 Laplacian滤波器用于增强图像的高频部分通常用于边缘检测。 laplacian cv2.Laplacian(src, cv2.CV_64F)Canny边缘检测 Canny边缘检测是一种综合了梯度信息的方法包括非极大值抑制和双阈值处理。 edges cv2.Canny(src, threshold1, threshold2)其中threshold1和threshold2是梯度阈值用于定义边缘的强弱。
这些滤波器可以帮助突出图像中的边缘信息对于图像处理中的特定任务你可以根据需要选择合适的滤波器。
2.1 Sobel 算子
2.1.1 Sobel 理论基础
Sobel算子是一种常用的边缘检测算法用于计算图像中像素点的梯度强度。在Sobel算子中中心点相连的系数为2是为了更好地捕捉图像中的边缘信息。
Sobel算子包含两个3x3的卷积核一个用于检测水平边缘另一个用于检测垂直边缘
水平方向Sobe检测核
-1 -2 -10 0 01 2 1水平方向Sobel算子的卷积核主要关注图像中水平方向的变化。它通过将权重分配给中间列和左右列的像素来检测图像中的水平边缘。
垂直方向Sobel检测核
-1 0 1
-2 0 2
-1 0 1垂直方向Sobel算子的卷积核主要关注图像中垂直方向的变化。它通过将权重分配给中间行和上下行的像素来检测图像中的垂直边缘。
梯度计算
假设要计算图像中某个像素位置的值例如该位置为图像中的中心点ij位置。卷积操作的计算步骤如下 将Sobel算子的中心11位置与图像中以该点为中心的3x3区域进行对应元素相乘并将结果相加。 1对于水平边缘检测核 (-1 * I(i-1, j-1)) (-2 * I(i, j-1)) (-1 * I(i1, j-1))
(0 * I(i-1, j)) (0 * I(i, j)) (0 * I(i1, j))
(1 * I(i-1, j1)) (2 * I(i, j1)) (1 * I(i1, j1))其中I(i, j) 表示图像中像素位置为 (i, j) 的值。 简化 P5x (P3-P1) 2·(P6-P4) (P9-P7) (2) 垂直边缘检测核的计算公式
(-1 * I(i-1, j-1)) (0 * I(i, j-1)) (1 * I(i1, j-1))
(-2 * I(i-1, j)) (0 * I(i, j)) (2 * I(i1, j))
(-1 * I(i-1, j1)) (0 * I(i, j1)) (1 * I(i1, j1))简化 P5y (P7-P1) 2·(P8-P2) (P9-P3) Sobel算子的应用可以帮助检测图像中的边缘因为在边缘处图像的强度发生明显的变化导致梯度的幅值较大。Sobel算子在实际图像处理中广泛应用尤其是在计算机视觉和图像分析领域为后续的边缘检测和图像特征提取提供了基础。
2.1.2 Sobel 算子及函数使用
dst cv2.Sobel(src, ddepth, dx, dy[, ksize[, scale[, delta[, borderType]]]])其中参数的含义如下
src: 输入图像通常是灰度图像。ddepth: 输出图像的深度数据类型。通常使用 cv2.CV_64F 或 -1让处理结果与原始图像保持一致。 当 ddepth 设置为 -1 时如果 Sobel 滤波器的计算导致了负数这些负数将被截断为 0。这可能导致信息的丢失因为负数通常在图像处理中是有意义的。 为了避免信息丢失推荐使用更高的数据类型来进行计算例如 cv2.CV_64F即64位浮点型。这样计算结果将以浮点数的形式保存包括负数。然后可以通过取绝对值或其他操作将其映射为需要的数据类型例如 cv2.CV_8U即8位无符号整数。 dx 和 dy: 分别表示在 x 和 y 方向上的导数的阶数通常是 0 或 1。ksize: 可选参数表示 Sobel 滤波器的大小通常是 1、3、5 或 7。默认值是 3。 当该值为-1 时则会使用 Scharr 算子进行运算。scale: 可选参数用于缩放导数的比例因子。默认值是 1是没有缩放的。delta: 可选参数表示可选的增加到输出图像的值用于调整图像的亮度。默认值是 0。borderType: 可选参数表示图像边界的处理方式。默认值是 cv2.BORDER_DEFAULT。
这个函数的作用是应用 Sobel 滤波器计算图像中每个像素点的梯度。dx 和 dy 参数决定了计算的梯度方向常见的取值为 0、1表示水平和垂直方向的梯度。ksize 参数用于指定 Sobel 滤波器的大小。 绝对值的原因为了让偏导数正确地显示出来需要将值为负数的近似偏导数转换为正数。即要将偏导数取绝对值以保证偏导数总能正确地显示出来。 如果不取绝对值梯度的正负将分别表示变化的方向。但在实际应用中我们更关心图像中是否存在边缘以及边缘的强度而不太在意边缘的具体方向。因此为了简化计算并准确表示边缘的变化强度常常使用绝对值来忽略方向信息。 设想在二维图像中有两个线条 A 和 BA 线条是一条黑到白的线B 线条是一条白到黑的线。 若针对 A 线条所在列右侧像素值减去左侧像素值所得近似偏导数的值为-1。 针对 B 线条所在列右侧像素值减去左侧像素值所得近似偏导数的值为 1。 针对 A 线条所在行下方像素值减去上方像素值所得近似偏导数为-1。 针对 B 线条所在行下方像素值减去上方像素值所得近似偏导数为 1。 示例
import cv2
import numpy as np# 读取图像
image cv2.imread(input_image.jpg, cv2.IMREAD_GRAYSCALE)# 应用 Sobel 滤波器计算水平方向的梯度
sobelx cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize3)# 应用 Sobel 滤波器计算垂直方向的梯度
sobely cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize3)这将分别计算图像中每个像素点的水平和垂直方向的梯度。你可以根据需要进一步处理这些梯度图像例如计算梯度幅值和方向用于边缘检测或其他图像处理任务。
1对参数取绝对值
cv2.convertScaleAbs()是 OpenCV 中用于线性缩放和截断的函数。它的目的是将输入数组进行线性缩放并进行截断最后将结果转换为无符号8位整数cv2.CV_8U类型。
该函数的基本语法如下
#该函数的作用是将原始图像 src 转换为 256 色位图
import cv2
dst cv2.convertScaleAbs(src [, alpha[, beta]])其中
src: 输入数组即待处理的图像或数据。 alpha: 缩放因子用于乘以输入数组的每个元素。默认值为 1。 beta: 偏移量用于在缩放后对每个元素进行加法运算。默认值为 0。
import cv2
import numpy as np# 读取图像
image cv2.imread(input_image.jpg, cv2.IMREAD_GRAYSCALE)# 缩放和平移图像然后取绝对值
alpha 1.5
beta 20
result cv2.convertScaleAbs(image, alphaalpha, betabeta)# 显示原图和处理后的图像
cv2.imshow(Original Image, image)
cv2.imshow(Result, result)
cv2.waitKey(0)
cv2.destroyAllWindows()2控制dxdy方向的求导阶数 需要注意的是dx和dy的值不能同时为0因为至少要在一个方向上进行梯度计算否则Sobel算子无法发挥作用。
1. 计算 x 方向边缘梯度
dx1, dy0表示只计算图像中每个像素点在 x 方向上的梯度。这有助于检测图像中水平方向的边缘。
注意里面的ddepth的不同和求导的数字1和2造成的差别 * ddepth-1 ddepthcv2.CV_64F
2. 计算 y 方向边缘梯度
dx0, dy1表示只计算图像中每个像素点在 y 方向上的梯度。这有助于检测图像中垂直方向的边缘。
3. 参数 dx 和参数 dy 的值均为 1
dx1, dy1表示同时计算图像中每个像素点在 x 和 y 方向上的梯度。这将产生一个包含综合梯度信息的结果用于检测边缘的强度和方向。 出现零星的微小白点每个点的大小为一个像素。 4. 计算 x 方向和 y 方向的边缘叠加
通过组合不同的参数如 dx1, dy0 和 dx0, dy1可以实现计算 x 方向和 y 方向的边缘的叠加得到更全面的边缘信息。
dx cv2.Sobel( src , ddepth , 1 , 0 )
dy cv2.Sobel( src , ddepth , 0 , 1 )
dstcv2.addWeighted( src1 , alpha , src2 , beta , gamma 2.1.3通过实际例子表示
1简单图像
为了保留更多的有效信息利用“cv2.CV_64F”参数 dx 和 dy 的值设置为“dx1, dy0”后执行该函数再对该函数的结果计算绝对值并进行对比
import numpy as np
import cv2 as cv
import matplotlib.pyplot as pltimg cv.imread(img8/testSobelimg.jpg, cv.IMREAD_GRAYSCALE)
sobelx cv.Sobel(img, cv.CV_64F, 1, 0)
testsoblex cv.Sobel(img, -1, 1, 0)
print(sobelx)
sobelxbeside cv.convertScaleAbs(sobelx)#%%sobely cv.Sobel(img, cv.CV_64F, 0, 1)
testsobley cv.Sobel(img, -1, 0, 1)
print(sobely)
sobelybeside cv.convertScaleAbs(sobely)#%%sobelxy cv.Sobel(img, -1, 1, 1)
print(sobelxy)
Sobelxyy cv.Sobel(img, -1, 1, 1)
plt.imshow(sobelxy, cmapgray)#%%sobelxy cv.addWeighted(sobelx, 1, sobely, 1, 0)
print(sobelxy)
plt.imshow(sobelxy, cmapgray)
Sobelxybeside cv.convertScaleAbs(sobelxy)#%%Sobelx cv.convertScaleAbs(sobelxy)
print(Sobelx)
plt.imshow(Sobelx, cmapgray)#%% md#%%plt.figure(figsize(12, 8))plt.subplot(3, 3, 1), plt.imshow(img, cmapgray), plt.title(原始图像)plt.subplot(3, 3, 2), plt.imshow(sobelx, cmapgray), plt.title(sobelx)
plt.subplot(3, 3, 3), plt.imshow(sobely, cmapgray), plt.title(sobely)plt.subplot(3, 3, 4), plt.imshow(Sobelxyy, cmapgray)plt.subplot(3, 3, 5), plt.imshow(sobelxbeside, cmapgray), plt.title(sobelxbeside)
plt.subplot(3, 3, 6), plt.imshow(sobelybeside, cmapgray), plt.title(sobelybeside)plt.subplot(3, 3, 7), plt.imshow(Sobelxybeside, cmapgray)
plt.subplot(3, 3, 8), plt.imshow(testsoblex, cmapgray), plt.title(testsoblex)
plt.subplot(3, 3, 9), plt.imshow(testsobley, cmapgray), plt.title(testsobley)plt.show() 2复杂的实际的相片 我们可以看到ddepth是-1和cv_64F的区别在人物和这个细微
2.1.4 近似值 2.2 Scharr 算子 为了弥补Sobel不太精准的情况我们可以用 Scharr 算子并看作对 Sobel 算子的改进 dst cv2.Scharr( src, ddepth, dx, dy[, scale[, delta[, borderType]]] )
# 最好ddepth-cv2.cv_64F
dst cv2.convertScaleAbs(dst)2.2.1 等价的函数。
dstcv2.Scharr(src, ddepth, dx, dy)和 cv2.Sobel()中如果 ksize-1则会使用 Scharr 滤波器。
dstcv2.Sobel(src, ddepth, dx, dy, -1)2.2.2需要满足的条件dx 0 dy 0 dxdy 1
参数 ddepth 的值应该设置为“cv2.CV_64F”并对函数 cv2.Scharr()的计算结果取绝对值才能保证得到正确的处理结果。
2.2.3 Sobel 算子和 Scharr 算子的比较 Sobel算子和Scharr算子都是用于图像边缘检测的滤波器它们在一些方面有相似之处但也存在一些差异。以下是Sobel算子和Scharr算子的比较 灵敏度 Sobel算子 Sobel算子对边缘的响应相对较强但相对来说对噪声的敏感性也较高。 Scharr算子 Scharr算子在对边缘的响应上更加平滑对噪声的敏感性相对较低。 计算复杂度 Sobel算子 Sobel算子的计算较为简单适用于一些对计算资源要求较低的场合。 Scharr算子 Scharr算子的计算复杂度相对较高但在一些对精确性要求较高的场景中可能更为合适。 性能 Sobel算子 Sobel算子广泛应用于一般的边缘检测任务性能较好。 Scharr算子 Scharr算子在一些特定的图像分析任务中可能表现得更好尤其是对于强边缘的检测。
在选择使用Sobel算子或Scharr算子时通常会根据具体的应用场景和任务需求来权衡它们之间的差异。
2.3 拉普拉斯 Laplacian 算子 它是通过对图像进行二阶微分操作来实现的能够突出图像中像素值变化较大的区域。拉普拉斯算子通常应用于灰度图像。需要计算两个方向的梯度值。 前两个算子都是m连通型的即对角现在介绍一个4连通的。 计算像素点 P5 的近似导数值 P5lap (P2 P4 P6 P8) - 4·P5 计算结果的值可能为正数也可能为负数。所以需要对计算 结果取绝对值以保证后续运算和显示都是正确的。 2.3.1 函数
laplacian cv2.Laplacian(src, ddepth[, ksize[, scale[, delta[, borderType]]]])laplacian cv2.Laplacian(o,cv2.CV_64F)laplacian cv2.convertScaleAbs(laplacian) # 回uint8src输入图像通常是灰度图像。ddepth输出图像的深度数据类型通常使用cv2.CV_64F。ksize拉普拉斯算子的卷积核大小通常为1。scale拉普拉斯算子的缩放因子用于调整结果的幅值。delta可选的增加到输出图像的值用于调整图像的亮度。borderType图像边界处理类型默认为cv2.BORDER_DEFAULT。 不用像Sobel算子一样需要算x和y方向的再加起来。 三、Canny 边缘检测
3.1 Canny 原理
【去噪–计算梯度的幅度与方向–非极大值抑制–确定边缘】 Canny 边缘检测是一种经典的图像处理技术通常包括以下几个步骤 高斯滤波Gaussian Blur 首先图像会经过高斯滤波以平滑噪声和细节。这有助于减少后续步骤中的误差和不必要的细节。 让临近的像素具有更高的重要度。对周围像素计算加权平均值较近的像素具有较大的权重值。 灰度转换Grayscale Conversion 将图像转换为灰度将彩色图像转换为单通道灰度图像。这样可以简化处理并减少计算复杂性。 计算梯度Gradient Calculation 使用卷积操作如Sobel算子计算图像的梯度。梯度的方向和强度有助于找到图像中的边缘。
梯度
方向
非极大值抑制Non-maximum Suppression 对梯度图进行非极大值抑制以保留局部梯度最大的点从而使边缘更细化。 滞后阈值处理Hysteresis Thresholding 使用两个阈值进行滞后阈值处理。通常有一个较低的阈值弱边缘和一个较高的阈值强边缘。根据梯度强度将像素标记为强边缘、弱边缘或非边缘。强边缘会被保留而与强边缘连接的弱边缘也会被保留。 设定阈值 选择两个阈值一个是高阈值maxVal另一个是低阈值minVal。这两个阈值的选择通常依赖于具体的应用和图像特性。 判断边缘属性 对图像中的每个像素进行检查根据其梯度值与设定的阈值之间的关系判断其边缘的属性 如果梯度值大于或等于高阈值maxVal则将该像素标记为强边缘。如果梯度值介于高阈值和低阈值之间minVal到maxVal之间则将该像素标记为虚边缘需要保留。如果梯度值小于或等于低阈值minVal则抑制该像素认为它不是边缘。 处理虚边缘 对于被标记为虚边缘的像素进一步判断其是否与强边缘相连。如果与强边缘相连则将其标记为强边缘否则抑制它。 这个步骤的目标是最终确定哪些边缘是真实的、强的哪些是需要保留的虚边缘以及哪些应该被抑制。这样的处理可以有效减少噪声和虚假边缘提高Canny边缘检测的准确性。 3.2 Canny 函数及使用
edges cv.Canny( image, threshold1, threshold2[, apertureSize[, L2gradient]]) edges 为计算得到的边缘图像。 image 为 8 位输入图像。 如果为了细节就设置的小一些 threshold1 表示处理过程中的第一个阈值。 threshold2 表示处理过程中的第二个阈值。 import cv2
import matplotlib.pyplot as plt# 读取图像
image_path ./
original_image cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)# 高斯滤波去除噪声
blurred_image cv2.GaussianBlur(original_image, (5, 5), 0)# 使用Canny函数进行边缘检测
edges cv2.Canny(blurred_image, 50, 150) # 50是低阈值150是高阈值# 显示原始图像、模糊图像和边缘图像
plt.figure(figsize(10, 6))plt.subplot(131)
plt.imshow(original_image, cmapgray)
plt.title(Original Image)plt.subplot(132)
plt.imshow(blurred_image, cmapgray)
plt.title(Blurred Image)plt.subplot(133)
plt.imshow(edges, cmapgray)
plt.title(Canny Edges)plt.show() 文章转载自： http://www.morning.zjqwr.cn.gov.cn.zjqwr.cn http://www.morning.pangucheng.cn.gov.cn.pangucheng.cn http://www.morning.hsklc.cn.gov.cn.hsklc.cn http://www.morning.bpmtj.cn.gov.cn.bpmtj.cn http://www.morning.dbxss.cn.gov.cn.dbxss.cn http://www.morning.brcdf.cn.gov.cn.brcdf.cn http://www.morning.yfddl.cn.gov.cn.yfddl.cn http://www.morning.thlr.cn.gov.cn.thlr.cn http://www.morning.sdecsd.cn.gov.cn.sdecsd.cn http://www.morning.qhkx.cn.gov.cn.qhkx.cn http://www.morning.wlqbr.cn.gov.cn.wlqbr.cn http://www.morning.xnnpy.cn.gov.cn.xnnpy.cn http://www.morning.mlcnh.cn.gov.cn.mlcnh.cn http://www.morning.clkjn.cn.gov.cn.clkjn.cn http://www.morning.ckctj.cn.gov.cn.ckctj.cn http://www.morning.jlxqx.cn.gov.cn.jlxqx.cn http://www.morning.zsfooo.com.gov.cn.zsfooo.com http://www.morning.hrtwt.cn.gov.cn.hrtwt.cn http://www.morning.dxxnq.cn.gov.cn.dxxnq.cn http://www.morning.ymsdr.cn.gov.cn.ymsdr.cn http://www.morning.bsplf.cn.gov.cn.bsplf.cn http://www.morning.mdfxn.cn.gov.cn.mdfxn.cn http://www.morning.zknjy.cn.gov.cn.zknjy.cn http://www.morning.zdxinxi.com.gov.cn.zdxinxi.com http://www.morning.wqkzf.cn.gov.cn.wqkzf.cn http://www.morning.nrwr.cn.gov.cn.nrwr.cn http://www.morning.rflcy.cn.gov.cn.rflcy.cn http://www.morning.wsnbg.cn.gov.cn.wsnbg.cn http://www.morning.fy974.cn.gov.cn.fy974.cn http://www.morning.hwhnx.cn.gov.cn.hwhnx.cn http://www.morning.fwkq.cn.gov.cn.fwkq.cn http://www.morning.ptqbt.cn.gov.cn.ptqbt.cn http://www.morning.tfzjl.cn.gov.cn.tfzjl.cn http://www.morning.rdlxh.cn.gov.cn.rdlxh.cn http://www.morning.cctgww.cn.gov.cn.cctgww.cn http://www.morning.jksgy.cn.gov.cn.jksgy.cn http://www.morning.nxbkw.cn.gov.cn.nxbkw.cn http://www.morning.csnch.cn.gov.cn.csnch.cn http://www.morning.ybyln.cn.gov.cn.ybyln.cn http://www.morning.kwrzg.cn.gov.cn.kwrzg.cn http://www.morning.clkyw.cn.gov.cn.clkyw.cn http://www.morning.grxsc.cn.gov.cn.grxsc.cn http://www.morning.qfmns.cn.gov.cn.qfmns.cn http://www.morning.csxlm.cn.gov.cn.csxlm.cn http://www.morning.fpngg.cn.gov.cn.fpngg.cn http://www.morning.xbckm.cn.gov.cn.xbckm.cn http://www.morning.bpyps.cn.gov.cn.bpyps.cn http://www.morning.msgcj.cn.gov.cn.msgcj.cn http://www.morning.bbtn.cn.gov.cn.bbtn.cn http://www.morning.dwfzm.cn.gov.cn.dwfzm.cn http://www.morning.rcmcw.cn.gov.cn.rcmcw.cn http://www.morning.sjpht.cn.gov.cn.sjpht.cn http://www.morning.pftjj.cn.gov.cn.pftjj.cn http://www.morning.ryxdf.cn.gov.cn.ryxdf.cn http://www.morning.qstkk.cn.gov.cn.qstkk.cn http://www.morning.yrccw.cn.gov.cn.yrccw.cn http://www.morning.fhddr.cn.gov.cn.fhddr.cn http://www.morning.rfmzc.cn.gov.cn.rfmzc.cn http://www.morning.rjyd.cn.gov.cn.rjyd.cn http://www.morning.nwgkk.cn.gov.cn.nwgkk.cn http://www.morning.tbqbd.cn.gov.cn.tbqbd.cn http://www.morning.c7617.cn.gov.cn.c7617.cn http://www.morning.wtcyz.cn.gov.cn.wtcyz.cn http://www.morning.xpzrx.cn.gov.cn.xpzrx.cn http://www.morning.mldrd.cn.gov.cn.mldrd.cn http://www.morning.blqgc.cn.gov.cn.blqgc.cn http://www.morning.mkydt.cn.gov.cn.mkydt.cn http://www.morning.kkwgg.cn.gov.cn.kkwgg.cn http://www.morning.hypng.cn.gov.cn.hypng.cn http://www.morning.lynmt.cn.gov.cn.lynmt.cn http://www.morning.bzgpj.cn.gov.cn.bzgpj.cn http://www.morning.qxrct.cn.gov.cn.qxrct.cn http://www.morning.nrfqd.cn.gov.cn.nrfqd.cn http://www.morning.dhckp.cn.gov.cn.dhckp.cn http://www.morning.mfxcg.cn.gov.cn.mfxcg.cn http://www.morning.cwlxs.cn.gov.cn.cwlxs.cn http://www.morning.kmjbs.cn.gov.cn.kmjbs.cn http://www.morning.wnqbf.cn.gov.cn.wnqbf.cn http://www.morning.zfhzx.cn.gov.cn.zfhzx.cn http://www.morning.stbhn.cn.gov.cn.stbhn.cn
