基于分層次多尺度分割的面向?qū)ο蟮匚锓诸惙椒?/h1>
2018-02-15 01:12:38陳俊任周曉華盧興
江西測(cè)繪 2018年4期
陳俊任 周曉華 盧興
（江西核工業(yè)二六八測(cè)繪院 江西玉山 334700）
1 引言
隨著社會(huì)的進(jìn)步與各類科學(xué)的發(fā)展，遙感技術(shù)也在與時(shí)俱進(jìn)，遙感影像的分辨率也隨著越來越多高分衛(wèi)星的發(fā)射而不斷提升，影像信息處理技術(shù)更加趨于成熟。原來由于各類科技水平的限制使得遙感影像的分辨率一直處在中低水平，圖像較為模糊，導(dǎo)致土地利用覆被分類中，大多參考光譜特征進(jìn)行處理，各類算法也大都是基于光譜特征或者基于像元為出發(fā)點(diǎn)[1]?；谙裨牡匚锾崛》椒ㄅc算法無法較好的適用于高分遙感影像。如何高效、高質(zhì)量地提取高分影像信息是目前高分影像應(yīng)用研究的熱點(diǎn)話題與難點(diǎn)問題。因此，本文研究基于多尺度分割的面向?qū)ο蟮匚镄畔⒎诸惣夹g(shù)，深入分析高分辨率影像中主要地物的光譜特征、空間特征和紋理特征，并依據(jù)不同地物目標(biāo)的不同特征建立多項(xiàng)規(guī)則。最后通過實(shí)驗(yàn)得出高分辨率遙感影像主要地物分類結(jié)果，并對(duì)結(jié)果進(jìn)行精度評(píng)價(jià)，確認(rèn)分類效果。
2 基于多尺度分割的面向?qū)ο蠹夹g(shù)
2.1 面向?qū)ο笮畔⑻幚砑夹g(shù)
面向?qū)ο笮畔⑻幚砑夹g(shù)適用于飛速發(fā)展高分辨率影像信息處理。面向?qū)ο笮畔⑻幚碇?，處理?duì)象不再是基于像元，而是以多邊形實(shí)體作為最小單元，通過原始影像分割來創(chuàng)建最小單元[2]。每個(gè)像元中包含的信息量很少，而通過分割得出的多邊形實(shí)體是部分像元的合集，像元依據(jù)分割時(shí)所設(shè)置的光譜特征和形狀特征等綜合條件形成許多大小、形狀不一的像元塊。多邊形實(shí)體中不僅有像素的光譜信息，因?yàn)閷?duì)象是像元塊，所以還擁有形狀信息、空間信息和紋理信息[3]。信息的處理過程針對(duì)多邊形實(shí)體進(jìn)行。因此，面向?qū)ο笮畔⑻幚?，可以充分?yīng)用到影像的光譜特征、空間特征和紋理特征等多種信息，很好的運(yùn)用了高分影像獨(dú)有的優(yōu)點(diǎn)，較好的解決了分辨率過高帶來的負(fù)面問題。
2.2 多尺度分割技術(shù)
遙感影像分割的過程就是創(chuàng)建多邊形實(shí)體即最小單元的過程。影像分割技術(shù)的主要思路是利用區(qū)域合并算法分割遙感影像，即以某個(gè)像元為起點(diǎn)，計(jì)算該像元與其相鄰像元合并后的異質(zhì)性指數(shù)，若異質(zhì)性指數(shù)小于設(shè)置的閾值，則將其合并，否則不合并[4]。影像分割完畢后，初始影像由眾多大小不一的多邊形區(qū)域構(gòu)成，各多邊形實(shí)體都有相應(yīng)屬性特征。最后經(jīng)多次實(shí)驗(yàn)確定異質(zhì)性的閾值，以獲得最好的分割效果。多尺度分割流程如圖1。
圖1 多尺度分割流程
3 基于分層次多尺度分割的面向?qū)ο蟮匚锓诸惙椒?/h2>
圖2 多尺度分割層次結(jié)構(gòu)
3.1 多尺度分割的分類層次構(gòu)建
對(duì)遙感影像分類前，必須對(duì)影像進(jìn)行多尺度分割，影像依據(jù)異質(zhì)性原則在設(shè)定的閾值下被分割成許多塊大小不一的多邊形實(shí)體即多邊形對(duì)象，這些多邊形對(duì)象就是后續(xù)地物信息提取的基本對(duì)象，也是最小單元。多尺度分割由于分割尺度的不同，分割出的對(duì)象大小也不同，對(duì)于不同的地物，需要與目標(biāo)地物合適的尺度分割才能準(zhǔn)確的分割出地物，創(chuàng)建出純對(duì)象。當(dāng)下，通常是通過分析目標(biāo)地物的一系列相關(guān)特征來設(shè)置相應(yīng)尺度，而一幅影像中一般都有多個(gè)地物需要提取，所以也需要多個(gè)不同的分割尺度去匹配不同的目標(biāo)地物[5]。綜上所述，建立多尺度分割層次是合理提取各類地物的必要過程，通過建立多尺度分割層次，創(chuàng)建自下而上的層次結(jié)構(gòu)，合理有序的對(duì)影像進(jìn)行多尺度分割操作，達(dá)到對(duì)不同地物的精確分割。多尺度分割層次結(jié)構(gòu)圖如圖2。
從圖2中可以看出，多尺度分割層次結(jié)構(gòu)中，不同圖層由不同分割尺度分割后的圖層共同組成。本文經(jīng)過多次實(shí)驗(yàn)后，確定了實(shí)驗(yàn)區(qū)域中幾個(gè)主要地物信息的最佳分割尺度，并依據(jù)最佳分割尺度，創(chuàng)建了五個(gè)分割圖層，這些圖層依據(jù)分割尺度由大到小排列依次是水域圖層、植被圖層、道路圖層、建筑物圖層和極小尺度分割層。其中，水域圖層為最高層，極小尺度分割層當(dāng)作為最底層。前四個(gè)分割圖層的部分區(qū)域結(jié)果圖如圖3所示。
圖3 多尺度分割圖層
3.2 隸屬度分類
通過多尺度分割技術(shù)把高分影像分割成許多大小不一的多邊形對(duì)象，以面向?qū)ο蠹夹g(shù)為原理基礎(chǔ)，通過建立規(guī)則集的方式對(duì)影像地物信息做分類處理。在建立規(guī)則的過程中，主要使用隸屬度規(guī)則即模糊規(guī)則來建立規(guī)則集。本文實(shí)驗(yàn)中，采用的隸屬度分類不僅使用了模糊分類，也可以運(yùn)用確定性分類即閾值分類。由于影像分割的尺度不同，提取目標(biāo)的不同，多邊形對(duì)象的質(zhì)量也不同。對(duì)于分割后的純對(duì)象，則可以使用確定性分類即閾值分類。純對(duì)象中完全包含了目標(biāo)地物，所以純對(duì)象中的特征與目標(biāo)地物的特征完全一致。在對(duì)其建立分類規(guī)則時(shí)，可以根據(jù)該地物的光譜特征、形狀特征和紋理特征做分析，總結(jié)該地物與其他不同地物在信息特征上的不同，利用閾值的設(shè)置，把目標(biāo)地物與其他地物區(qū)分開，從而對(duì)目標(biāo)分類[6]。閾值規(guī)則法是建立規(guī)則的重要方法，可以有效、快速地區(qū)分出目標(biāo)地物與其他地物。
3.3 地物分類規(guī)則建立及地物信息提取
地物分類規(guī)則的建立主要參考的是光譜特征與空間特征，而高分辨率影像的另外一個(gè)優(yōu)勢(shì)特征，即紋理特征，也可以充分運(yùn)用。利用紋理特征提取時(shí)，通常利用灰度共生矩陣（GLCM）熵值去區(qū)分地物之間紋理特征的差別。在該函數(shù)計(jì)算中，如果目標(biāo)對(duì)象紋理較為粗糙或較為平滑時(shí)，熵值較??；相反，如果目標(biāo)對(duì)象紋理比較密集時(shí)，熵值則較大。
采用基于多尺度分割的規(guī)則集分類方法，以不同尺度分割下的影像層作為分類圖層，在不同圖層中分別提取與當(dāng)前圖層更加合適的地物。提取地物的過程中，添加多種函數(shù)或算法作為提取規(guī)則，充分利用規(guī)則將要提取的目標(biāo)地物與其他地物區(qū)分開，盡可能的提高地物提取精度。而地類之間依據(jù)實(shí)際地物的形狀特征確定相應(yīng)最佳分割尺度，多尺度分割處理時(shí)，不僅要考慮分割尺度的問題，其他因子的數(shù)值也是分割處理需要考慮的重要部分[7]。對(duì)于不同的地物，通過不斷實(shí)驗(yàn)找出適合該地物的各項(xiàng)因子數(shù)值或權(quán)重。本文對(duì)高分辨率影像的分類實(shí)驗(yàn)中，水域、植被、道路、建筑物和裸地等各類地物的最佳分割尺度與所有相關(guān)參數(shù)的最佳設(shè)置如表1。
3.4 主要地物分類結(jié)果
本文利用多尺度分割將高分影像分割成多個(gè)圖層，建立多尺度分割層次結(jié)構(gòu)，并在不同分割圖層構(gòu)建規(guī)則集提取相適應(yīng)的地物類別，最后整合所有提取的地物得到高分辨率影像主要地物分類結(jié)果圖。最終分類結(jié)果如圖4所示。
表1 多尺度分割參數(shù)設(shè)置
圖4 基于多尺度分割與規(guī)則的主要地物分類結(jié)果
4 基于多尺度分割與規(guī)則集的分類結(jié)果精度評(píng)價(jià)
通過人工解譯與實(shí)地調(diào)查，得出實(shí)驗(yàn)區(qū)域的真實(shí)地物信息參考標(biāo)準(zhǔn)。以此參考標(biāo)準(zhǔn)為誤差矩陣評(píng)價(jià)中的標(biāo)準(zhǔn)數(shù)據(jù)，對(duì)本文的分類結(jié)果進(jìn)行精度評(píng)價(jià)，最終得到實(shí)驗(yàn)區(qū)地物分類的誤差矩陣表2。從表2中可以看出，水域類、植被類、道路類與高亮建筑物類別達(dá)到了90%以上的分類精度，尤其是水域、植被和道路的分類，三者平均精度達(dá)到97%以上。但是裸地與普通建筑物的分類與前者相比，精度差上不少，尤其是普通建筑物的提取效果比較差。主要原因是實(shí)驗(yàn)影像的分辨率稍顯不足，在形狀特征與紋理特征上都受到影響。如果要更好的提取這類矮小建筑物，需要更高分辨率的影像。
整個(gè)分類結(jié)果的總體精度達(dá)到了93.59%，取得了較高的分類精度。Kappa系數(shù)0.918，說明從各方面來說，本文分類方法都達(dá)到了優(yōu)良的效果。
表2 基于多尺度分割與規(guī)則集的分類結(jié)果的誤差矩陣
5 結(jié)束語
本文針對(duì)高分辨率遙感影像，對(duì)多個(gè)分割圖層建立基于多尺度分割的分類層次結(jié)構(gòu)，將不同圖層提取的不同地物類別相聯(lián)系。然后，對(duì)不同地類建立相應(yīng)的規(guī)則集以提取各個(gè)地物，并將所有提取的地物進(jìn)行整合，得到實(shí)驗(yàn)區(qū)主要地物分類結(jié)果，其分類精度效果不錯(cuò)，但本文方法總體上屬于半自動(dòng)處理，人工操作主要是對(duì)于最佳尺度與分割參數(shù)的設(shè)置方面。尋找最佳尺度與分割參數(shù)需要大量的實(shí)驗(yàn)，并且對(duì)于不同地物需要不同尺度。因此，對(duì)于自動(dòng)選取最佳分割尺度與參數(shù)的研究是以后多尺度分割的一個(gè)重要研究方向。
猜你喜歡
撐竿跳規(guī)則的制定小獼猴智力畫刊(2022年3期)2022-03-29 01:09:42 數(shù)獨(dú)的規(guī)則和演變數(shù)學(xué)小靈通(1-2年級(jí))(2021年4期)2021-06-09 06:26:14 分類算一算數(shù)學(xué)小靈通(1-2年級(jí))(2021年4期)2021-06-09 06:25:56 如何表達(dá)“特征”瘋狂英語·新策略(2019年10期)2019-12-13 08:43:28 不忠誠的四個(gè)特征當(dāng)代陜西(2019年10期)2019-06-03 10:12:04 分類討論求坐標(biāo)中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2019年4期)2019-05-20 10:06:32 數(shù)據(jù)分析中的分類討論中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2018年6期)2018-06-26 08:36:06 讓規(guī)則不規(guī)則Coco薇(2017年11期)2018-01-03 20:59:57 教你一招：數(shù)的分類初中生世界·七年級(jí)(2017年9期)2017-10-13 22:27:46 抓住特征巧觀察數(shù)學(xué)小靈通·3-4年級(jí)(2017年9期)2017-10-13 08:10:54
陳俊任 周曉華 盧興
（江西核工業(yè)二六八測(cè)繪院 江西玉山 334700）
1 引言
隨著社會(huì)的進(jìn)步與各類科學(xué)的發(fā)展，遙感技術(shù)也在與時(shí)俱進(jìn)，遙感影像的分辨率也隨著越來越多高分衛(wèi)星的發(fā)射而不斷提升，影像信息處理技術(shù)更加趨于成熟。原來由于各類科技水平的限制使得遙感影像的分辨率一直處在中低水平，圖像較為模糊，導(dǎo)致土地利用覆被分類中，大多參考光譜特征進(jìn)行處理，各類算法也大都是基于光譜特征或者基于像元為出發(fā)點(diǎn)[1]?；谙裨牡匚锾崛》椒ㄅc算法無法較好的適用于高分遙感影像。如何高效、高質(zhì)量地提取高分影像信息是目前高分影像應(yīng)用研究的熱點(diǎn)話題與難點(diǎn)問題。因此，本文研究基于多尺度分割的面向?qū)ο蟮匚镄畔⒎诸惣夹g(shù)，深入分析高分辨率影像中主要地物的光譜特征、空間特征和紋理特征，并依據(jù)不同地物目標(biāo)的不同特征建立多項(xiàng)規(guī)則。最后通過實(shí)驗(yàn)得出高分辨率遙感影像主要地物分類結(jié)果，并對(duì)結(jié)果進(jìn)行精度評(píng)價(jià)，確認(rèn)分類效果。
2 基于多尺度分割的面向?qū)ο蠹夹g(shù)
2.1 面向?qū)ο笮畔⑻幚砑夹g(shù)
面向?qū)ο笮畔⑻幚砑夹g(shù)適用于飛速發(fā)展高分辨率影像信息處理。面向?qū)ο笮畔⑻幚碇?，處理?duì)象不再是基于像元，而是以多邊形實(shí)體作為最小單元，通過原始影像分割來創(chuàng)建最小單元[2]。每個(gè)像元中包含的信息量很少，而通過分割得出的多邊形實(shí)體是部分像元的合集，像元依據(jù)分割時(shí)所設(shè)置的光譜特征和形狀特征等綜合條件形成許多大小、形狀不一的像元塊。多邊形實(shí)體中不僅有像素的光譜信息，因?yàn)閷?duì)象是像元塊，所以還擁有形狀信息、空間信息和紋理信息[3]。信息的處理過程針對(duì)多邊形實(shí)體進(jìn)行。因此，面向?qū)ο笮畔⑻幚?，可以充分?yīng)用到影像的光譜特征、空間特征和紋理特征等多種信息，很好的運(yùn)用了高分影像獨(dú)有的優(yōu)點(diǎn)，較好的解決了分辨率過高帶來的負(fù)面問題。
2.2 多尺度分割技術(shù)
遙感影像分割的過程就是創(chuàng)建多邊形實(shí)體即最小單元的過程。影像分割技術(shù)的主要思路是利用區(qū)域合并算法分割遙感影像，即以某個(gè)像元為起點(diǎn)，計(jì)算該像元與其相鄰像元合并后的異質(zhì)性指數(shù)，若異質(zhì)性指數(shù)小于設(shè)置的閾值，則將其合并，否則不合并[4]。影像分割完畢后，初始影像由眾多大小不一的多邊形區(qū)域構(gòu)成，各多邊形實(shí)體都有相應(yīng)屬性特征。最后經(jīng)多次實(shí)驗(yàn)確定異質(zhì)性的閾值，以獲得最好的分割效果。多尺度分割流程如圖1。
圖1 多尺度分割流程
3 基于分層次多尺度分割的面向?qū)ο蟮匚锓诸惙椒?/h2>
圖2 多尺度分割層次結(jié)構(gòu)
3.1 多尺度分割的分類層次構(gòu)建
對(duì)遙感影像分類前，必須對(duì)影像進(jìn)行多尺度分割，影像依據(jù)異質(zhì)性原則在設(shè)定的閾值下被分割成許多塊大小不一的多邊形實(shí)體即多邊形對(duì)象，這些多邊形對(duì)象就是后續(xù)地物信息提取的基本對(duì)象，也是最小單元。多尺度分割由于分割尺度的不同，分割出的對(duì)象大小也不同，對(duì)于不同的地物，需要與目標(biāo)地物合適的尺度分割才能準(zhǔn)確的分割出地物，創(chuàng)建出純對(duì)象。當(dāng)下，通常是通過分析目標(biāo)地物的一系列相關(guān)特征來設(shè)置相應(yīng)尺度，而一幅影像中一般都有多個(gè)地物需要提取，所以也需要多個(gè)不同的分割尺度去匹配不同的目標(biāo)地物[5]。綜上所述，建立多尺度分割層次是合理提取各類地物的必要過程，通過建立多尺度分割層次，創(chuàng)建自下而上的層次結(jié)構(gòu)，合理有序的對(duì)影像進(jìn)行多尺度分割操作，達(dá)到對(duì)不同地物的精確分割。多尺度分割層次結(jié)構(gòu)圖如圖2。
從圖2中可以看出，多尺度分割層次結(jié)構(gòu)中，不同圖層由不同分割尺度分割后的圖層共同組成。本文經(jīng)過多次實(shí)驗(yàn)后，確定了實(shí)驗(yàn)區(qū)域中幾個(gè)主要地物信息的最佳分割尺度，并依據(jù)最佳分割尺度，創(chuàng)建了五個(gè)分割圖層，這些圖層依據(jù)分割尺度由大到小排列依次是水域圖層、植被圖層、道路圖層、建筑物圖層和極小尺度分割層。其中，水域圖層為最高層，極小尺度分割層當(dāng)作為最底層。前四個(gè)分割圖層的部分區(qū)域結(jié)果圖如圖3所示。
圖3 多尺度分割圖層
3.2 隸屬度分類
通過多尺度分割技術(shù)把高分影像分割成許多大小不一的多邊形對(duì)象，以面向?qū)ο蠹夹g(shù)為原理基礎(chǔ)，通過建立規(guī)則集的方式對(duì)影像地物信息做分類處理。在建立規(guī)則的過程中，主要使用隸屬度規(guī)則即模糊規(guī)則來建立規(guī)則集。本文實(shí)驗(yàn)中，采用的隸屬度分類不僅使用了模糊分類，也可以運(yùn)用確定性分類即閾值分類。由于影像分割的尺度不同，提取目標(biāo)的不同，多邊形對(duì)象的質(zhì)量也不同。對(duì)于分割后的純對(duì)象，則可以使用確定性分類即閾值分類。純對(duì)象中完全包含了目標(biāo)地物，所以純對(duì)象中的特征與目標(biāo)地物的特征完全一致。在對(duì)其建立分類規(guī)則時(shí)，可以根據(jù)該地物的光譜特征、形狀特征和紋理特征做分析，總結(jié)該地物與其他不同地物在信息特征上的不同，利用閾值的設(shè)置，把目標(biāo)地物與其他地物區(qū)分開，從而對(duì)目標(biāo)分類[6]。閾值規(guī)則法是建立規(guī)則的重要方法，可以有效、快速地區(qū)分出目標(biāo)地物與其他地物。
3.3 地物分類規(guī)則建立及地物信息提取
地物分類規(guī)則的建立主要參考的是光譜特征與空間特征，而高分辨率影像的另外一個(gè)優(yōu)勢(shì)特征，即紋理特征，也可以充分運(yùn)用。利用紋理特征提取時(shí)，通常利用灰度共生矩陣（GLCM）熵值去區(qū)分地物之間紋理特征的差別。在該函數(shù)計(jì)算中，如果目標(biāo)對(duì)象紋理較為粗糙或較為平滑時(shí)，熵值較??；相反，如果目標(biāo)對(duì)象紋理比較密集時(shí)，熵值則較大。
采用基于多尺度分割的規(guī)則集分類方法，以不同尺度分割下的影像層作為分類圖層，在不同圖層中分別提取與當(dāng)前圖層更加合適的地物。提取地物的過程中，添加多種函數(shù)或算法作為提取規(guī)則，充分利用規(guī)則將要提取的目標(biāo)地物與其他地物區(qū)分開，盡可能的提高地物提取精度。而地類之間依據(jù)實(shí)際地物的形狀特征確定相應(yīng)最佳分割尺度，多尺度分割處理時(shí)，不僅要考慮分割尺度的問題，其他因子的數(shù)值也是分割處理需要考慮的重要部分[7]。對(duì)于不同的地物，通過不斷實(shí)驗(yàn)找出適合該地物的各項(xiàng)因子數(shù)值或權(quán)重。本文對(duì)高分辨率影像的分類實(shí)驗(yàn)中，水域、植被、道路、建筑物和裸地等各類地物的最佳分割尺度與所有相關(guān)參數(shù)的最佳設(shè)置如表1。
3.4 主要地物分類結(jié)果
本文利用多尺度分割將高分影像分割成多個(gè)圖層，建立多尺度分割層次結(jié)構(gòu)，并在不同分割圖層構(gòu)建規(guī)則集提取相適應(yīng)的地物類別，最后整合所有提取的地物得到高分辨率影像主要地物分類結(jié)果圖。最終分類結(jié)果如圖4所示。
表1 多尺度分割參數(shù)設(shè)置
圖4 基于多尺度分割與規(guī)則的主要地物分類結(jié)果
4 基于多尺度分割與規(guī)則集的分類結(jié)果精度評(píng)價(jià)
通過人工解譯與實(shí)地調(diào)查，得出實(shí)驗(yàn)區(qū)域的真實(shí)地物信息參考標(biāo)準(zhǔn)。以此參考標(biāo)準(zhǔn)為誤差矩陣評(píng)價(jià)中的標(biāo)準(zhǔn)數(shù)據(jù)，對(duì)本文的分類結(jié)果進(jìn)行精度評(píng)價(jià)，最終得到實(shí)驗(yàn)區(qū)地物分類的誤差矩陣表2。從表2中可以看出，水域類、植被類、道路類與高亮建筑物類別達(dá)到了90%以上的分類精度，尤其是水域、植被和道路的分類，三者平均精度達(dá)到97%以上。但是裸地與普通建筑物的分類與前者相比，精度差上不少，尤其是普通建筑物的提取效果比較差。主要原因是實(shí)驗(yàn)影像的分辨率稍顯不足，在形狀特征與紋理特征上都受到影響。如果要更好的提取這類矮小建筑物，需要更高分辨率的影像。
整個(gè)分類結(jié)果的總體精度達(dá)到了93.59%，取得了較高的分類精度。Kappa系數(shù)0.918，說明從各方面來說，本文分類方法都達(dá)到了優(yōu)良的效果。
表2 基于多尺度分割與規(guī)則集的分類結(jié)果的誤差矩陣
5 結(jié)束語
本文針對(duì)高分辨率遙感影像，對(duì)多個(gè)分割圖層建立基于多尺度分割的分類層次結(jié)構(gòu)，將不同圖層提取的不同地物類別相聯(lián)系。然后，對(duì)不同地類建立相應(yīng)的規(guī)則集以提取各個(gè)地物，并將所有提取的地物進(jìn)行整合，得到實(shí)驗(yàn)區(qū)主要地物分類結(jié)果，其分類精度效果不錯(cuò)，但本文方法總體上屬于半自動(dòng)處理，人工操作主要是對(duì)于最佳尺度與分割參數(shù)的設(shè)置方面。尋找最佳尺度與分割參數(shù)需要大量的實(shí)驗(yàn)，并且對(duì)于不同地物需要不同尺度。因此，對(duì)于自動(dòng)選取最佳分割尺度與參數(shù)的研究是以后多尺度分割的一個(gè)重要研究方向。
猜你喜歡
小獼猴智力畫刊(2022年3期)2022-03-29 01:09:42
數(shù)學(xué)小靈通(1-2年級(jí))(2021年4期)2021-06-09 06:26:14
數(shù)學(xué)小靈通(1-2年級(jí))(2021年4期)2021-06-09 06:25:56
瘋狂英語·新策略(2019年10期)2019-12-13 08:43:28
當(dāng)代陜西(2019年10期)2019-06-03 10:12:04
中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2019年4期)2019-05-20 10:06:32
中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2018年6期)2018-06-26 08:36:06
Coco薇(2017年11期)2018-01-03 20:59:57
初中生世界·七年級(jí)(2017年9期)2017-10-13 22:27:46
數(shù)學(xué)小靈通·3-4年級(jí)(2017年9期)2017-10-13 08:10:54
