C++与OpenCV实现图像拼接：从SIFT特征匹配到多频段融合全解析

1. 项目概述与核心价值最近在整理硬盘里的老项目翻出来一个几年前用C写的图像拼接工具。当时为了搞懂全景图是怎么“缝”起来的从零开始啃论文、调OpenCV踩了不少坑也攒下不少心得。今天就把这个项目的源码拿出来掰开揉碎了讲讲希望能给想入门计算机视觉或者正在做类似项目的朋友一些实实在在的参考。图像拼接说白了就是把几张有重叠区域的照片拼成一张视野更广的大图。听起来简单但真动手做起来你会发现里面门道不少怎么在两幅图里找到同一个点找到了点怎么判断它们是不是真的匹配对齐的时候万一有误差怎么办拼接缝怎么处理才自然这个项目就是用C和OpenCV一步步解决这些问题。源码结构清晰一共四个核心文件分别对应特征检测匹配、图像对齐、图像融合和主程序控制。我们不仅会看代码怎么写更会重点聊“为什么这么写”以及我在调试过程中遇到的那些“坑”和解决方案。2. 项目整体架构与设计思路2.1 核心流程拆解一个完整的图像拼接流程可以抽象为一条清晰的流水线。理解这条流水线是读懂源码和进行二次开发的基础。整个项目的骨架就搭建在这几个环环相扣的步骤之上。2.1.1 标准图像拼接流水线标准的图像拼接通常遵循“特征检测 - 特征匹配 - 几何变换估计 - 图像融合”这四个核心步骤。我们这个项目源码的四个主要源文件正是对应了后三个步骤特征检测与匹配通常合并处理。首先系统会读取两张待拼接的图片。接着在两张图片上寻找具有区分度的“关键点”比如图像的角点、边缘交点并为每个关键点计算一个“特征描述子”可以理解成这个点的“指纹”。然后通过比较这些“指纹”找到两张图片中对应的点对。这些匹配点对可能包含错误误匹配所以需要用RANSAC这样的鲁棒算法筛选出可靠的匹配并据此计算出一个变换矩阵单应性矩阵。最后利用这个矩阵将一张图“扭曲”到另一张图的视角下并在重叠区域进行平滑融合消除生硬的接缝。2.1.2 本项目源码模块化设计项目的模块化设计做得不错职责分离清晰FeatureMatcher.cpp/.h这是整个流程的发动机。它封装了从读取图像、提取SIFT特征、进行初步匹配比如使用FLANN或暴力匹配器、到应用RANSAC剔除误匹配并计算单应性矩阵的全过程。输入两张图输出一个可靠的变换矩阵和一组筛选后的匹配点。ImageAligner.cpp/.h负责几何变换。它接收FeatureMatcher计算出的单应性矩阵利用OpenCV的warpPerspective函数将第二张图像透视变换到第一张图像的坐标系下。这里还要处理一个关键问题变换后的图像画布应该有多大需要计算拼接后全景图的尺寸。ImageBlender.cpp/.h这是让拼接结果看起来“天衣无缝”的美化师。最简单的融合是直接覆盖但会在重叠处产生明显的接缝和重影。本模块实现了多频段融合Multi-Band Blending这是一种高级融合技术能有效消除接缝和光照差异。main.cpp程序的调度中心。它串联起以上三个模块控制流程处理图像读写并最终保存和展示拼接结果。这种设计的好处是每个模块都可以独立测试和优化。比如你想把SIFT特征换成ORB或者想尝试不同的融合算法只需要修改对应的模块而不会影响其他部分的逻辑。2.2 关键技术选型与考量为什么选这些算法和库这背后是性能、精度和易用性的权衡。2.2.1 为什么选择SIFTRANSAC特征检测算法有很多SIFT、SURF、ORB、AKAZE等等。在这个项目中选用SIFT是经过考量的。SIFT尺度不变特征变换最大的优点是尺度不变性和旋转不变性非常强。这意味着即使两张图片的拍摄距离不同尺度变化或者相机角度有旋转SIFT依然能稳定地找到相同的特征点。这对于手持拍摄、存在透视变换的图像拼接场景至关重要。虽然SIFT计算比ORB慢但在追求匹配稳定性和精度的项目中它仍然是黄金标准。然而任何特征匹配算法都会产生误匹配。直接使用所有匹配点去计算变换矩阵结果肯定会“跑偏”。这时就需要RANSAC随机抽样一致性出场。它的思想很巧妙我不需要所有点都对我只需要大部分点对就行。RANSAC随机抽取最小样本集对于单应性矩阵是4对点计算一个模型然后看有多少点符合这个模型内点。重复这个过程很多次最后采用内点最多的那个模型。它能像“过滤器”一样把那些错误的匹配点外点剔除掉保留下真正可靠的匹配。SIFT提供高召回率的特征点RANSAC确保高精度的匹配两者是经典搭档。2.2.2 CImg库与OpenCV的搭配使用源码中提到使用了CImg库。这是一个轻量级的、仅头文件的C图像处理库。它的优势是无需复杂的依赖直接包含头文件就能用适合快速原型开发或对部署环境有严格限制的场景。但在功能丰富性和社区支持上与OpenCV不可同日而语。在实际项目中更常见的做法是完全使用OpenCV。OpenCV提供了从图像I/O、特征检测SIFT、SURF、ORB等、特征匹配、几何变换到图像融合的一整套完整工具链性能经过高度优化文档和社区资源也极其丰富。因此在后续的解析和我们的改进讨论中我会以OpenCV的实现作为主要参考。你可以把源码中的CImg操作视为一种特定选择理解其原理后可以轻松地用功能更强大的OpenCV API替换。3. 核心模块源码深度解析3.1 特征检测与匹配模块详解这是拼接流程中最关键、也最复杂的一步。代码的核心目标是输入两张图输出一组高质量的、几何一致的匹配点对。3.1.1 SIFT特征提取的代码实现与参数调优在OpenCV中使用SIFT非常简单。但参数设置直接影响特征点的数量和质量。#include opencv2/opencv.hpp #include opencv2/features2d.hpp #include vector void extractSIFTFeatures(const cv::Mat image, std::vectorcv::KeyPoint keypoints, cv::Mat descriptors) { // 创建SIFT检测器这里可以调整关键参数 // nfeatures: 保留的最佳特征数量按响应排序0表示不限制 // nOctaveLayers: 每个金字塔组Octave中的层数影响尺度空间的密度 // contrastThreshold: 对比度阈值过滤掉低对比度的特征点值越大特征点越少、越稳定 // edgeThreshold: 边缘阈值过滤掉边缘响应强的点值越大过滤越少 // sigma: 高斯模糊的初始sigma auto sift cv::SIFT::create( nfeatures 0, // 不限制特征点数 nOctaveLayers 3, // 默认值通常3-5 contrastThreshold 0.04, // 默认值可微调 edgeThreshold 10, // 默认值 sigma 1.6 ); // 检测关键点并计算描述子 sift-detectAndCompute(image, cv::noArray(), keypoints, descriptors); }注意contrastThreshold和edgeThreshold是两个非常重要的调优旋钮。如果图像纹理丰富但光线较暗可以适当降低contrastThreshold如0.03来提取更多特征。如果图像边缘很多如建筑提高edgeThreshold如15可以避免提取到太多不稳定的边缘点。3.1.2 特征匹配策略从暴力匹配到FLANN提取到特征描述子一个多维向量后就需要进行匹配。常见的有两种匹配器暴力匹配器Brute-Force Matcher将图A的每个描述子与图B的所有描述子计算距离如欧氏距离、汉明距离找最近的那个。简单直接但计算量大适合描述子维度不高或图对较小的情况。快速近似最近邻搜索FLANN这是一种基于KD树等数据结构的近似算法速度比暴力匹配快很多尤其适合高维特征如SIFT的128维。它可能找不到绝对最近邻但能找到足够近的邻居在大多数情况下精度可以接受。std::vectorcv::DMatch matchFeatures(const cv::Mat descriptors1, const cv::Mat descriptors2, bool useFlann true) { std::vectorcv::DMatch matches; if (useFlann) { // FLANN匹配器适合SIFT/SURF等浮点型描述子 cv::Ptrcv::FlannBasedMatcher matcher cv::FlannBasedMatcher::create(); std::vectorstd::vectorcv::DMatch knn_matches; // K2为后续的比率测试做准备 matcher-knnMatch(descriptors1, descriptors2, knn_matches, 2); // 比率测试Lowes ratio test过滤模糊匹配 // 原理最好的匹配距离应显著小于次好匹配的距离 const float ratio_thresh 0.75f; for (const auto knn_match : knn_matches) { if (knn_match[0].distance ratio_thresh * knn_match[1].distance) { matches.push_back(knn_match[0]); } } } else { // 暴力匹配器适合ORB等二进制描述子需使用汉明距离 cv::Ptrcv::BFMatcher matcher cv::BFMatcher::create(cv::NORM_L2); // SIFT用L2范数 matcher-match(descriptors1, descriptors2, matches); } return matches; }3.1.3 RANSAC剔除误匹配与单应性矩阵计算经过比率测试我们得到了一组初步的匹配。但其中仍可能存在误匹配。这时就需要RANSAC来估计一个最优的几何模型单应性矩阵H并区分内点符合模型和外点不符合。cv::Mat refineMatchesWithRANSAC(const std::vectorcv::KeyPoint kpts1, const std::vectorcv::KeyPoint kpts2, std::vectorcv::DMatch matches, std::vectoruchar inlier_mask) { if (matches.size() 4) { std::cerr Not enough matches to compute homography. std::endl; return cv::Mat(); } // 将匹配点对转换为Point2f格式 std::vectorcv::Point2f pts1, pts2; for (const auto m : matches) { pts1.push_back(kpts1[m.queryIdx].pt); pts2.push_back(kpts2[m.trainIdx].pt); } // 使用RANSAC方法计算单应性矩阵 // 参数 // method: 使用RANSAC算法 // ransacReprojThreshold: 重投影误差阈值单位像素。点经过H变换后与对应点的距离小于此阈值则被认为是内点。 // 这个值很关键通常设置在1.0到3.0之间。值越小对匹配精度的要求越高内点越少但更精确值越大容忍度越高内点越多但可能包含误差。 // confidence: 算法运行一次得到正确模型的置信度通常0.995 // maxIters: 最大迭代次数2000是常用值 cv::Mat H cv::findHomography(pts2, pts1, cv::RANSAC, 3.0, 0.995, 2000, inlier_mask); // 利用内点掩码筛选出可靠的匹配 std::vectorcv::DMatch good_matches; for (size_t i 0; i matches.size(); i) { if (inlier_mask[i]) { good_matches.push_back(matches[i]); } } matches.swap(good_matches); // 用好的匹配替换原匹配 return H; // 返回3x3的单应性矩阵 }实操心得ransacReprojThreshold参数需要根据图像分辨率和匹配质量仔细调整。对于手机拍摄的普通照片我通常从2.5开始尝试。如果匹配点本身很准可以降低到1.5以获得更精确的H如果图像模糊或纹理稀疏可能需要放宽到4.0。观察inlier_mask中内点的比例如果低于50%说明匹配质量很差可能需要回头检查特征提取或调整RANSAC阈值。3.2 图像对齐与变换模块解析拿到单应性矩阵H后下一步就是将第二张图像“对齐”到第一张图像的坐标系中。3.2.1 单应性矩阵的理解与图像变换单应性矩阵H是一个3x3的矩阵它描述了两个平面之间的透视变换关系。对于图像拼接它可以将图2中的任意点(x2, y2)映射到图1的坐标系中的点(x1, y1)。计算完H后我们需要使用cv::warpPerspective对整个图2进行变换。但这里有个问题变换后的图2其部分区域可能会超出原始图像的边界。我们需要计算拼接后全景图画布的尺寸。cv::Mat alignImages(const cv::Mat image1, const cv::Mat image2, const cv::Mat H) { // 计算图2四个角点变换后的位置 std::vectorcv::Point2f corners2 { cv::Point2f(0, 0), cv::Point2f(image2.cols, 0), cv::Point2f(image2.cols, image2.rows), cv::Point2f(0, image2.rows) }; std::vectorcv::Point2f corners2_transformed; cv::perspectiveTransform(corners2, corners2_transformed, H); // 将图1的角点也加入考虑 std::vectorcv::Point2f corners1 { cv::Point2f(0, 0), cv::Point2f(image1.cols, 0), cv::Point2f(image1.cols, image1.rows), cv::Point2f(0, image1.rows) }; // 合并所有角点找到全景图的最小和最大边界 std::vectorcv::Point2f all_corners corners1; all_corners.insert(all_corners.end(), corners2_transformed.begin(), corners2_transformed.end()); float min_x, max_x, min_y, max_y; min_x max_x all_corners[0].x; min_y max_y all_corners[0].y; for (const auto pt : all_corners) { min_x std::min(min_x, pt.x); max_x std::max(max_x, pt.x); min_y std::min(min_y, pt.y); max_y std::max(max_y, pt.y); } // 计算画布尺寸和所需的平移变换 cv::Size panorama_size(std::ceil(max_x - min_x), std::ceil(max_y - min_y)); cv::Mat translation (cv::Mat_double(3,3) 1, 0, -min_x, 0, 1, -min_y, 0, 0, 1); // 最终的变换矩阵是 平移 * 单应性 cv::Mat H_final translation * H; // 执行透视变换 cv::Mat warped_image2; cv::warpPerspective(image2, warped_image2, H_final, panorama_size); // 创建全景图画布并将图1粘贴到正确位置 cv::Mat panorama(panorama_size, image1.type(), cv::Scalar::all(0)); cv::Mat roi1(panorama, cv::Rect(-min_x, -min_y, image1.cols, image1.rows)); image1.copyTo(roi1); return std::make_pair(panorama, warped_image2); // 返回画布和变换后的图2 }3.2.2 拼接画布尺寸计算与优化上面的代码计算了包含所有像素的最小矩形画布。但在实际中如果变换导致图像旋转角度很大这个矩形画布会包含大量黑色无效区域浪费内存。一个优化思路是计算所有角点的凸包然后获取其外接矩形但这会引入更复杂的坐标处理。对于大多数水平或垂直平移为主的拼接上述简单矩形法已经足够。另一个常见问题是当重叠区域很大时直接copyTo会导致图2覆盖图1的重叠部分。这本身不是问题因为后续融合步骤会处理。但如果你在调试阶段想看到重叠效果可以先用cv::addWeighted进行简单的半透明叠加。3.3 图像融合模块精讲这是让拼接结果从“能看”到“好看”的关键一步。直接复制粘贴copyTo会在重叠区域产生明显的接缝尤其是当两张图存在曝光差异时。3.3.1 简单线性融合与局限性最简单的融合是线性渐变融合Alpha Blending。为重叠区域的每个像素根据其位置分配一个权重进行加权平均。cv::Mat simpleBlend(const cv::Mat img1, const cv::Mat img2) { // 假设img1和img2是已经对齐到同一画布上的两张图非重叠区域为0 cv::Mat mask1 (img1 ! 0) / 255; // img1的有效区域掩码 cv::Mat mask2 (img2 ! 0) / 255; // img2的有效区域掩码 cv::Mat overlap mask1.mul(mask2); // 重叠区域掩码 cv::Mat blended cv::Mat::zeros(img1.size(), img1.type()); // 非重叠区域直接复制 img1.copyTo(blended, mask1 - overlap); img2.copyTo(blended, mask2 - overlap); // 重叠区域线性融合 for (int y 0; y img1.rows; y) { for (int x 0; x img1.cols; x) { if (overlap.atuchar(y, x)) { // 简单的从左到右权重渐变 float alpha static_castfloat(x) / img1.cols; blended.atcv::Vec3b(y, x) alpha * img1.atcv::Vec3b(y, x) (1 - alpha) * img2.atcv::Vec3b(y, x); } } } return blended; }这种方法实现简单但效果往往不理想。权重分配生硬无法处理复杂的重叠边界且对颜色差异敏感容易产生“鬼影”或模糊。3.3.2 多频段融合Multi-Band Blending原理与实现多频段融合是图像拼接领域的“明星算法”。它的核心思想源于人类视觉系统我们对图像的低频信息颜色、大致轮廓在空间上的变化不敏感但对高频信息边缘、纹理的位置非常敏感。因此该算法将每张图像分解成不同频率的“带通”图层通常通过构建拉普拉斯金字塔实现。在低频层图像的高斯模糊版本我们可以在较大的区域进行平滑的权重过渡以融合颜色和光照差异。在高频层图像的细节我们只在很窄的过渡区进行融合以保持边缘的锐利。最后将所有融合后的频带重新合成得到最终图像。// 简化的多频段融合核心步骤示意完整实现较复杂 void multiBandBlend(const cv::Mat img1, const cv::Mat img2, const cv::Mat mask1, const cv::Mat mask2, cv::Mat result, int num_bands 5) { // 1. 为img1, img2, mask1, mask2分别构建高斯金字塔和拉普拉斯金字塔 std::vectorcv::Mat lap_pyr1, lap_pyr2, gauss_pyr_mask1, gauss_pyr_mask2; buildLaplacianPyramid(img1, lap_pyr1, num_bands); buildLaplacianPyramid(img2, lap_pyr2, num_bands); buildGaussianPyramid(mask1, gauss_pyr_mask1, num_bands); // 掩码也需下采样 buildGaussianPyramid(mask2, gauss_pyr_mask2, num_bands); // 2. 对每一层拉普拉斯图像用对应层的高斯权重掩码进行融合 std::vectorcv::Mat blended_pyr; for (int l 0; l num_bands; l) { cv::Mat blended_level lap_pyr1[l].mul(gauss_pyr_mask1[l]) lap_pyr2[l].mul(gauss_pyr_mask2[l]); blended_pyr.push_back(blended_level); } // 3. 从融合后的拉普拉斯金字塔重建图像 reconstructFromLaplacianPyramid(blended_pyr, result); }注意事项多频段融合效果虽好但计算量较大且需要仔细处理金字塔的层数num_bands和掩码的生成。掩码通常不是简单的0/1二值图而是从重叠区域中心向边缘平滑过渡的梯度图如使用距离变换或高斯滤波生成。OpenCV并没有直接提供该函数需要自己实现金字塔构建和重建的过程或者寻找第三方实现。4. 项目构建、调试与性能优化实战4.1 开发环境搭建与工程配置要让这份C源码跑起来你需要一个配置好的开发环境。4.1.1 OpenCV的安装与CMake配置首先确保你的系统安装了OpenCV。推荐使用vcpkg或直接从OpenCV官网下载编译好的库。对于这个项目OpenCV 4.x版本均可。项目的编译管理推荐使用CMake这是管理C依赖和跨平台构建的标准工具。一个基本的CMakeLists.txt文件如下cmake_minimum_required(VERSION 3.10) project(ImageStitcher) set(CMAKE_CXX_STANDARD 11) # 查找OpenCV包REQUIRED表示必须找到 find_package(OpenCV REQUIRED) # 包含头文件目录 include_directories(${OpenCV_INCLUDE_DIRS}) # 添加可执行文件并链接OpenCV库 add_executable(ImageStitcher main.cpp FeatureMatcher.cpp ImageAligner.cpp ImageBlender.cpp) target_link_libraries(ImageStitcher ${OpenCV_LIBS})在项目根目录下执行mkdir build cd build cmake .. make即可生成可执行文件ImageStitcher。4.1.2 源码结构组织与编译将提供的四个.cpp文件及其对应的头文件放在同一目录下。确保main.cpp中正确包含了其他模块的头文件。如果源码中使用了CImg.h你需要下载该头文件并放置于包含路径中或者更建议将其替换为等价的OpenCV代码例如用cv::imread替换图像读取用OpenCV的矩阵运算替换像素操作。4.2 常见问题排查与调试技巧在实际运行中你几乎一定会遇到各种问题。下面是一些典型问题及其排查思路。4.2.1 匹配点数量不足或质量差症状RANSAC后内点数为0或极少导致单应性矩阵计算失败。排查可视化特征点在调用detectAndCompute后用cv::drawKeypoints画出关键点看看是不是根本没检测到点或者点都集中在无纹理区域如天空、白墙。检查图像确保两张图有足够的、清晰的重叠区域。如果重叠区域太小30%或模糊SIFT也无能为力。调整SIFT参数尝试降低contrastThreshold增加nfeatures。尝试其他特征如果SIFT不行可以试试cv::ORB::create()。ORB速度更快对某些场景可能更有效但旋转不变性稍弱。4.2.2 拼接结果出现重影或错位症状图像对齐了但重叠部分的物体有“鬼影”或明显的错位。排查检查单应性矩阵H打印出计算出的H矩阵。一个正常的、用于平面拼接的单应性矩阵其元素值应该在合理范围内。如果出现极大或极小的值可能是匹配点对严重错误或RANSAC失败。检查匹配点在计算H之前用cv::drawMatches函数画出经过比率测试和RANSAC筛选后的匹配点对。观察这些匹配点是否确实正确对应了同一物理点。错误的匹配会导致错误的H。调整RANSAC阈值增大ransacReprojThreshold可能会纳入更多有轻微误差的匹配点导致对齐不精确减小它则可能因内点太少而无法计算H。需要反复调试。融合问题如果匹配点正确且H准确重影很可能是融合算法的问题。尝试换用多频段融合或者仔细检查你的融合掩码是否准确覆盖了重叠区域。4.2.3 程序运行缓慢症状处理大图如4K图片时速度很慢。优化图像降采样在特征检测前先将图像缩放至一个合理的尺寸如长边1024像素。SIFT特征在缩小的图像上依然有效且计算量大幅减少。计算出的H是相对于缩放后图像的需要根据缩放比例进行修正再应用到原图上。限制特征数量设置SIFT::create的nfeatures参数例如限制为5000个。使用FLANN确保特征匹配使用的是FLANN而非暴力匹配。并行化如果处理多组图像可以考虑使用多线程。4.3 高级话题与扩展方向当基础功能实现后你可以考虑以下方向来提升项目的鲁棒性和实用性。4.3.1 多图拼接与路径规划上述流程是针对两幅图的。对于多幅图如制作360度全景需要一种策略来决定拼接顺序路径规划。常见的方法是顺序拼接假设图像是依次拍摄的将当前拼接结果作为新基准与下一张图进行匹配拼接。缺点是误差会累积。全局优化捆集调整Bundle Adjustment这是更专业的方法。先对所有图像进行两两匹配构建一个匹配关系图然后通过优化算法同时计算所有图像的变换参数最小化全局重投影误差。这需要引入非线性优化库如g2o、Ceres Solver复杂度高但结果最优。4.3.2 曝光补偿与色差校正在光照变化下拍摄的照片其亮度、颜色可能不一致。直接拼接会看到明显的分界线。可以在融合前增加一个曝光补偿步骤计算重叠区域的平均亮度值。对其中一张图进行全局的增益Gamma校正使其平均亮度与另一张图匹配。更高级的方法可以计算重叠区域的直方图并进行直方图匹配。4.3.3 接缝查找与最优拼接缝对于存在运动物体如行人、汽车的重叠区域即使对齐完美直接融合也会产生“鬼影”。此时可以使用接缝查找算法如GraphCut在重叠区域找到一条最优的边界使得边界两侧的像素差异最小。然后在这条边界的两侧分别取图1和图2的像素实现无缝拼接。OpenCV的cv::detail::GraphCutSeamFinder类可以实现此功能。5. 从理论到产品工程化思考把这个实验性的代码变成一个健壮的工具还需要很多工程化的工作。5.1 代码健壮性增强异常处理对cv::imread、findHomography可能返回空矩阵等可能失败的操作添加检查。资源管理确保矩阵等资源正确释放利用C的RAII特性cv::Mat会自动管理内存。参数配置化将SIFT参数、RANSAC阈值、融合方法等写成配置文件如YAML、JSON避免硬编码方便调参。5.2 用户交互与可视化添加进度和日志在控制台输出关键步骤的信息方便调试。中间结果可视化提供命令行选项或GUI让用户可以查看特征点、匹配对、融合掩码等中间图像这对于理解和调试问题至关重要。支持多种图像格式和批量处理。5.3 性能瓶颈分析与优化使用性能分析工具如gprof、Valgrind的Callgrind、Visual Studio Profiler定位热点函数。通常特征检测SIFT和融合多频段是最耗时的部分。对于实时性要求高的场景必须考虑用更快的特征ORB和更简单的融合方法甚至借助GPU加速OpenCV的CUDA模块或OpenCL。回过头看这个项目它麻雀虽小五脏俱全涵盖了计算机视觉中特征匹配、几何估计、图像合成等多个核心概念。通过动手实现它你不仅能学会调用OpenCV的API更能理解这些API背后的数学原理和工程考量。我建议你在吃透这个基础版本后选择上面提到的一两个扩展方向深入下去比如实现一个简单的多图拼接或者把融合算法换成接缝查找这会让你的理解再深一个层次。编程和调试过程中耐心查看中间结果理性分析错误原因是提升解决实际问题能力最快的方法。