計算機視覺課程5圖像配準

1、模式識別計算機視覺圖像配準申抒含中國自動化計算機視覺課程結(jié)構(gòu)圖12. 識別13. 人腦工程8-11.三維重建6. 運動估計7. 目標跟蹤5.圖像配準4.圖像分割2. 特征檢測3. 特征匹配圖像什么是圖像配準圖像配準(Image registration)就是將不同時間、不同傳感器或不同條件下獲取的兩幅或多幅圖像進行匹配、疊加的過程。圖像配準的種類剛體配準非剛體配準多模態(tài)配準圖像配準的應(yīng)用PanoramaBrown and Lowe, 2007圖像配準的應(yīng)用PhotomontageAgarwala, Dontcheva, Agrawala. 2004圖像配準的應(yīng)用Poisson image ed

2、itingPerez, Gangnet, and Blake, 2003圖像配準的基本思想圖像變換W：22源圖像S目標圖像T尋找變換W(u,v)，將源圖像S一個變換圖像，使其與目標圖像T一致。圖像配準的基本思想圖像逆變換W-1： 22源圖像S目標圖像T為使變換圖像完整，可以通過逆變換W-1將每一個像素回源圖像S來構(gòu)造變換圖像。注意：并非所變換W都可逆圖像配準中的變換模型平移（2D Translation）éu' ùé1ù éuù010txú ê úêúêêv

3、' ú = ê0ty ú êv ú1 úû êë1 úûê1 úêë0ëû圖像點的齊次坐標度：2結(jié)構(gòu)保持性：姿態(tài)圖像配準中的變換模型歐式（2D Euclidean）éu' ùécosq-sinq cosq0ù éuùtxú ê úêúêêv' ú = ês

4、inqty ú êv úê1 úêë1 úû êë1 úû0ëû度：3結(jié)構(gòu)保持性：長度圖像配準中的變換模型相似（2D Similarity）éu' ùés×cosq-s×sinqs×cosq 0ù éuùtxú ê úêúêêv' ú = ês×

5、;sinqty ú êv ú1 úû êë1 úûê1 úêë0ëû度：4結(jié)構(gòu)保持性：夾角圖像配準中的變換模型仿射（2D Affine）éu' ùéaù éuùaa000102ú êêúêúv=a'aaú êv úêúê101112ê1 

6、50;êë 0úû êë1 úû01ëû度：6結(jié)構(gòu)保持性：平行性圖像配準中的變換模型攝影（2D Projective），也稱（Homography）éu' ùé pù éuùpp000102ú êêúêúv=p'ppú êv úú ê1 úêúê101112ê1

7、úê pp1ë20û ë ûëû21度：8結(jié)構(gòu)保持性：直線圖像配準中的變換模型小孔相機模型éuùé f0f0ùêêëúúúû3ê 00úêêë 0ú1úû3´1圖像配準中的變換模型éuùé f0ù0fêêëúúú

8、1;3ê 00úêêë 0ú1úû31é f0f00ùK = ê 00ú相機矩陣êêë 0ú1úû小孔相機模型由(K, R, C)完全決定（未考慮相機畸變參數(shù)）圖像配準中的變換模型（Homography）R (C - C ) nTH = K (R R+-1-1 212nT X) K2211(X, n)éu' ùé pù éuùpp000102

9、0; êêúêúv=p'ppú êv úú ê1 úêúê101112ê1 úê pp1ëû ë ûëû2021HH(K2, R2, C2)(K1, R1, C1)度：8通過空間平面誘導(dǎo)的，圖像配準中的變換模型（Homography）特殊形式R (C - C ) nT(X, n)H = K2 (R2R1+-1-1 212nT X) K1C1= C2R-1K-1

10、H = K R2211與空間平面(X, n)無關(guān)(K1, R1, C1)(K2, R2, C2)相機純旋轉(zhuǎn)的，度：3-5（根據(jù)相機焦距是否已知），常用于全景圖拼接。圖像配準中的變換模型非剛體變換通過網(wǎng)格形變進行非剛體配準度：任意變換模型的求解基于特征 q 變換W(. ;x) q22源圖像S目標圖像Tå(q«q')2e (x) =q '- W(q; x)變換模型的求解基于像素源圖像S目標圖像T變換W(. ;x)22e (x) = å T(q) -S(W-1(q; x)2qÎSSSD (Sum of Square Differences)變換

11、圖像變換模型的求解基于特征點 VS基于像素基于特征點基于像素優(yōu)點 變換模型計算只依賴特征點位置，對圖像外觀變化有一定魯棒性； 能夠計算寬基線時的變換； 使用了所有圖像數(shù)據(jù)； 求解精度通常更高； 不需要特征檢測和匹配；缺點 沒有使用所有圖像數(shù)據(jù)； 需要進行特征檢測和匹配。 容易受到圖像外觀變化影響； 一般只適用于窄基線時的變換。變換模型的求解線性最小二乘如何求解(tx, ty)？(tx, ty)變換模型的求解線性最小二乘 (u1, v1) (u1, v1) éu'i ùtx ù éui ùé1010- u ù0

12、9; étùéu'é1êv' ú = ê0ú êv úxú =y ûiitêêv'úê01úêi úy ú êúêêë0i- vtëû ëëii ûêë1 úû1 úû êë1 ú

13、51;方程數(shù)量通常要遠多于未知數(shù)數(shù)量， (tx, ty)為最小二乘解。變換模型的求解線性最小二乘x=(tx, ty) 為如下線性最小二乘的解：2éu'1 - u1ùúúúé10ù1úêv' - vê0êêêêú ét11ùú - êxú êminú ëty ûêú2tÎêu'n - un 

14、50;ê1êë00ú1úûêëv'n - vnúû2- bminAx2n´22´12n´12xÎ變換模型的求解線性最小二乘2minAx- bx為線性最小二乘的解：2xÎ2定義目標函數(shù)： e (x) =Ax- b22+- 2 xT AT bAxb¶e最優(yōu)解x應(yīng)滿足：Ax = b= 2 AT Ax- 2 AT b = 0¶ x其中：A = (AT A)-1 AT因此：x = Ab稱為A的偽逆變換模型的求解非線性最小二乘m&

15、#229;i=12Tmina x- bi線性最小二乘：inxÎx的線性函數(shù)må2minf (x) - b非線性最小二乘：iinxÎi=1x的非線性函數(shù)變換模型的求解非線性最小二乘mmin å2®,i = 1,., mn1fi :fi (x) - biwithnxÎi=1寫成緊湊形式：2®minF(x) - bnmF: withnxÎæöæö÷÷F(x) = ç f(x) ÷= ç bbç÷ç(m&

16、#180;1)jjç÷ç÷èøèø變換模型的求解非線性最小二乘min e (x)2e (x) =F(x) - bnxÎ求解非線性最小二乘的：非線性最小二乘是非線性優(yōu)化的一類特殊形式；一般非線性優(yōu)化的梯度下降法（1階）、階）；（2、LMevenberg-非線性最小二乘的Marquardt）。變換模型的求解非線性最小二乘梯度下降法（Gradient Descent）將(x)在x處一階Taylor展開：e (x+) = e (x) + g(x)T +o(2 )g(x) = Ñe (x)則當(dāng)|0時，(x

17、) 的變化值可以表示為：De = e (x+) - e (x)= gT cosq=g為x處梯度與向量間的夾角。顯然， =時(x)下降最快。變換模型的求解非線性最小二乘梯度下降法（Gradient Descent）梯度下降法的基本思想是將自變量向負梯度方向移動：x ¬ x-a g(x)為移動步長，最優(yōu)的可以通過一維搜索獲得：min e (x-a g(x)a ³0尋找最優(yōu)的 計算代價很高，因此常使用一些簡單的近似算法，如折半查找法（從 =1開始不斷將 折半）。變換模型的求解非線性最小二乘梯度下降法（Gradient Descent）2： e (x) =F(x) - b對于最小二

18、乘梯度方向為： g(x) = J(x)T r(x)Gradient Descent方向為：(x) = -J(x)T r(x)= ¶ F(x)觀測狀態(tài)的Jacobian矩陣J(x)其中：m´n¶ xr(x) = F(x) - b殘差向量變換模型的求解非線性最小二乘（Newton Method）梯度下降法是一階收斂算法，收斂較慢。為加快收斂速度，可將(x)在x處Taylor展開：1e (x+) » e (x) + g(x) +H(x)TT2g(x) 為n×1的梯度向量，H(x) 為n×n的Hessian矩陣。將(x+)對求導(dǎo)，并令導(dǎo)數(shù)為0

19、，可得使(x+)最小化的：g(x)+ H(x)=0(x)= - H(x)-1 g(x)變換模型的求解非線性最小二乘（Newton Method）2： e (x) =F(x) - b對于最小二乘梯度向量為：g(x) = J(x)Tr(x)Hessian矩陣為：H(x) = J(x)TJ(x) + S(x)J(x) = ¶ F(x)¶ xr(x) = F(x) - bS(x)包含(x)的導(dǎo)數(shù)變換模型的求解非線性最小二乘（Newton Method）2： e (x) =F(x) - b對于最小二乘Newton方向為： (x) = -(J(x)TJ(x) + S(x)-1 J(x)

20、T r(x)是收斂算法，收斂速度比梯度下降法快；需要求Hesian矩陣，即目標函數(shù)的導(dǎo)數(shù)。變換模型的求解非線性最小二乘（Gauss-Newton Method）最小二乘的一種有效解法是，避免了中對Hessian矩陣的計算。2： e (x) =F(x) - b對于最小二乘將F(x)在x處一階Taylor展開：F(x+) » F(x) + J(x)J(x) = ÑF(x)將上式代入(x)可得：e (x+ ) »F(x) + J(x) -b 2變換模型的求解非線性最小二乘（Gauss-Newton Method）F(x) + J(x) -b 2e (x+ ) »

21、;r(x) = F(x) - b由可得：2e (x+ ) »r(x) + J(x)顯然，如果要求(x+) 最小化，則r(x) + J(x) = 0則Gauss-Newton方向為：(x) = - J(x)：r(x)= -(J(x)T J(x)-1 J(x)Tr(x)變換模型的求解非線性最小二乘（Gauss-Newton Method）與的比較：(x) = -(J(x)T J(x) + S(x)-1 J(x)Tr(x)Newton方向為：Gauss-Newton方向為：(x) = -(J(x)TJ(x)-1 J(x)T r(x)S(x)可以忽略的條件：2中F(x)適度非線性e (x)

22、=F(x) - b最小二乘殘差r(x)比較小大多數(shù)計算機視覺都滿足這兩個條件。變換模型的求解非線性最小二乘阻尼（Damped Gauss-Newton Method）的特點：的收斂速度比梯度下降法快的多（超線性收斂收斂） ；，近似不能保證收斂（梯度下降法和收斂）。：(x,) = -(J(x)T J(x) + I)-1 J(x)T r(x)阻尼lim (x,)則成為®0lim (x,)則成為梯度下降法®¥變換模型的求解非線性最小二乘Levenberg-Marquardt Method (LM法)LM法通過啟發(fā)式在每一步動態(tài)調(diào)整：(x,) = -(J(x)T J(x)

23、 + I)-1 J(x)T r(x)如果誤差減少，則令0.1如果誤差增大，則令10LM法是一種啟發(fā)式的阻尼泛使用。，在計算機視覺中廣變換模型的求解非線性最小二乘一階和收斂算法求解非線性最小二乘比較：多數(shù)情況下我們會使用阻尼（如LM法）來處理計算機視覺中的最小二乘。圖像配準實例：全景圖拼接M. Brown and D. G. Lowe, Automatic Panoramic Image Stitching using Invariant Features, International Journal of Computer Vision. 74(1): 59-73, 2007.純旋轉(zhuǎn)拍攝無序圖

24、像全景圖像圖像配準實例：全景圖拼接算法基本流程：1.2.3.4.5.6.特征點檢測與匹配；圖像匹配與；變換模型參數(shù)計算；全景圖矯正； 增益補償；多頻段光度融合。圖像配準實例：全景圖拼接步驟1：特征點檢測與匹配檢測每幅圖像中的SIFT特征點（共n幅圖像）； 在每幅圖像上建立k-d樹；每幅圖像中每個特征點與其他圖像匹配（只和每幅圖像k-d 樹中4個最近鄰特征點計算匹配值）?；貞浺幌耴-d樹：個非線性最小二乘，為了簡化操作，放松為一個普（ 8通度）。(K1, R1, C)(K2, R2, C)圖像配準實例：全景圖拼接步驟2：圖像匹配與相機純旋轉(zhuǎn)拍攝，因此圖像間變換為一個5度的變換（一般變換為8度）H

25、 = K R R-1K-122115度的變換圖像配準實例：全景圖拼接步驟2：圖像匹配與相機純旋轉(zhuǎn)拍攝，因此圖像間變換為一個5度的變換變換為8（一般度）éu' ùé pù éuùpp000102ú êêúêúv=p'ppú êv úú ê1 úêúê101112ê1 úê pp1ëû ë ûë&

26、#251;2021HH包含8個未知量，可以通過4組對應(yīng)點求得。(K1, R1, C)(K , R , C)22圖像配準實例：全景圖拼接步驟2：圖像匹配與H，只需選擇對每一幅圖像，不需要和其他所有圖像計算匹配點最多的6幅圖像進行計算。匹配點中不可避免的點，因此使用RANSAC估計H。外RANSAC計算H流程：1.2.3.4.隨機選4對匹配點8個線性方程組求H；計算H的一致集（所有符合H的匹配點步驟1-2循環(huán)500次；的集合）；最大一致集中的所有匹配點性最小二乘法求解H。超定線性方程組，通過線圖像配準實例：全景圖拼接步驟2：圖像匹配與假定兩幅圖像中正確匹配點所占比例為p=0.5，則經(jīng)過n次RANS

27、AC后找到正確里r=4）：H的概率為（r為最小數(shù)據(jù)點個數(shù)，這p(H is correct) = 1- (1- ( p)r )n當(dāng)n=500時，正確的H未被找到的概率為1×10-14圖像配準實例：全景圖拼接步驟2：圖像匹配與變換H，下面對每一對匹配圖像，我們獲得了它們之間的需要這對圖像是否確實匹配？的基本依據(jù)：源圖像經(jīng)過變換后與目標圖像產(chǎn)生一定面積的重疊區(qū)域，記這一區(qū)域內(nèi)特征點總數(shù)為nf，記這一區(qū)域中符合H的特征點（內(nèi)點）數(shù)量為ni，如果ni /nf足夠大，則這兩幅圖像確實匹配。圖像配準實例：全景圖拼接步驟2：圖像匹配與定義指標m，m=1表示圖像匹配，m=0表示圖像不匹配； 定義指標f

28、 (i)，f (i) =1表示第i個特征點為內(nèi)點，f (i) =0表示第i個特征點為外點；分布（Bernoulli distribution）：則總內(nèi)點數(shù)符合nf !-n )(1:n )(1- p )(n| m = 1) = B(n ; n, p ) =np( fpffiiif111n !(n- n )!ifnf !i-n )(1:n )(1- p )(n| m = 0) = B(n ; n , p ) =np( fpffiiif000n !(n- n )!ifip1和p0分別為圖像匹配和不匹配時特征點為內(nèi)點的概率圖像配準實例：全景圖拼接步驟2：圖像匹配與根據(jù)公式，圖像正確匹配的后驗概率為：(

29、1:n f)| m = 1) p(m = 1)p( f(1:n )p(m = 1| f) =f(1:n f ) )1p( f=(1:n f )| m = 0) p(m = 0)p( f1+(1:n )| m = 1) p(m = 1)p( ff(1:nf) ) > p當(dāng)后驗概率 p(m = 1| f時認為兩幅圖像正確匹配。min圖像配準實例：全景圖拼接步驟2：圖像匹配與等價于當(dāng)下面不等式成立時，兩幅圖像正確匹配：B(ni ; nf , p1) p(m = 1)1>1B(ni ; nf , p0 ) p(m = 0)-1pmin給定參數(shù)：p1=0.6，p0=0.1，p(m=1)=10

30、-6，pmin=0.999，上述判定條件可以簡化為：ni > a + b nf其中：=8.0，=0.3圖像配準實例：全景圖拼接步驟2：圖像匹配與使用匹配條件剔除掉錯誤匹配圖像對后，可以獲得圖像匹配的連接集，即輸入圖像可以分成幾幅全景圖。圖像配準實例：全景圖拼接步驟3：變換模型參數(shù)計算特征點匹配中使用RANSAC得到的H是根據(jù)兩兩圖像計算獲得的，為保證匹配點的全局一致性，在變換模型參數(shù)計調(diào)整算法（Bundle Adjustment）。算中使用相機純旋轉(zhuǎn)拍攝時對應(yīng)一個5度的變換，令u k和u k為ij圖像i和j中第k組匹配特征點，則將u k通過變換到圖像i上j的位置為：= K R R-1K-

31、1 ukpkijiijjj變換誤差為：= uk - pkrkijiij圖像配準實例：全景圖拼接步驟3：變換模型參數(shù)計算誤差函數(shù)定義為所有圖像中所有匹配點的變換誤差平方和：ne = å ååh( rk )iji=1 jÎI (i) kÎF (i, j )其中I(i)表示所有與圖像i匹配的圖像，F(xiàn)(i,j)表示圖像i與圖像j 中的特征匹配點集合，h()為Huber誤差函數(shù)(Huber, 1981)：ìï| x |2 ,if | x |< sh(x) =íss ,if | x |³ s| x | -2&#

32、239;î2在優(yōu)化循環(huán)初期使用=，在后期使用=2。圖像配準實例：全景圖拼接步驟3：變換模型參數(shù)計算誤差函數(shù)定義為所有圖像中所有匹配點的變換誤差平方和：ne = å ååh( rk )iji=1 jÎI (i) kÎF (i, j )誤差函數(shù)的自變量包含每個相機的焦距和旋轉(zhuǎn)矩陣，共4n個參數(shù)（n為圖像數(shù)量），是一個非線性最小二乘Levenberg-Marquardt (LM)算法對其進行求解。，使用圖像配準實例：全景圖拼接步驟4：全景圖矯正在上一步驟中，我們已經(jīng)計算了每個相機的參數(shù)（焦距f和姿態(tài)R），下面需要考慮如何把它們拼接起來。平面

33、坐標：最簡單的拼接是將某一副圖像作為參考圖像（如圖像i），通過Hij=K R R -1K -1 (j=1,n)計算，并將圖iijj像j (j=1,n)都轉(zhuǎn)到圖像i所在平面完成拼接。圖像配準實例：全景圖拼接步驟4：全景圖矯正平面坐標拼接在源圖像和目標圖像間旋轉(zhuǎn)角度較大時，圖像會被嚴重拉伸，影響拼接效果。圖像配準實例：全景圖拼接步驟4：全景圖矯正解決圖像過度拉伸的是將圖像變換到一個圓柱面上，這個圓柱中軸線通過相機光心，底面為圓。圖像配準實例：全景圖拼接步驟4：全景圖矯正uu ' = s tan-1fvv ' = s+ fu22(u,v)：圖像平面坐標(u,v)：柱面展開平面坐標柱面

34、坐標：使用柱面坐標系進行拼接時，每個圖像點變換為圓柱面上一點：I(u,v)I(,h)I(u,v)柱面坐標適合純水平方向旋轉(zhuǎn)的全景圖拼接，如果在豎直方向也有旋轉(zhuǎn)，則可能導(dǎo)致豎直方向旋轉(zhuǎn)角大的圖像被過度拉伸。圖像配準實例：全景圖拼接步驟4：全景圖矯正解決豎直方向圖像過度拉伸的是將圖像變換到一個單位球面上，這個球的球心和相機光心重合。圖像配準實例：全景圖拼接步驟4：全景圖矯正uu ' = s tan-1fvv ' = s tan-1+ fu22(u,v)：圖像平面坐標(u,v)：球面展開平面坐標球面坐標：使用球面坐標系進行拼接時，每個圖像點變換為球面上一點：I(u,v)I(,)I(u

35、,v)在后續(xù)步驟中，全景圖的拼接均使用球面坐標。圖像配準實例：全景圖拼接步驟4：全景圖矯正圖像變換到球面坐標系時，根據(jù)球面坐標系主軸方向不同，最終獲得的全景圖會有很大不同。圖像配準實例：全景圖拼接步驟4：全景圖矯正圖像變換到球面坐標系時，根據(jù)球面坐標系主軸方向不同，最終獲得的全景圖會有很大不同。圖像配準實例：全景圖拼接步驟4：全景圖矯正圖像變換到球面坐標系時，根據(jù)球面坐標系主軸方向不同，最終獲得的全景圖會有很大不同。因此，將圖像變換到球面坐標系時需要確定合適的主軸方向，主軸方向與圖像拍攝時的相機姿態(tài)直接相關(guān)。圖像配準實例：全景圖拼接步驟4：全景圖矯正全景圖拍攝時，相機可能發(fā)生水平旋轉(zhuǎn)、豎直旋轉(zhuǎn)

36、，但一般極少發(fā)生繞光軸旋轉(zhuǎn)，因此相機X軸通常會保持在一個平面，這一平面的法向u可以作為一個理想的主軸方向。圖像配準實例：全景圖拼接步驟4：全景圖矯正全景圖拍攝時，相機可能發(fā)生水平旋轉(zhuǎn)、豎直旋轉(zhuǎn)，但一般極少發(fā)生繞光軸旋轉(zhuǎn)，因此相機X軸通常會保持在一個平面，這一平面的法向u可以作為一個理想的主軸方向。我們期望得到的主軸方向u與所有圖像坐標系X軸垂直，因此：u = 0XTi=1,ni寫成最小二乘形式：nmin åi=1XTui圖像配準實例：全景圖拼接步驟4：全景圖矯正，最優(yōu)解u滿足：這是一個線性最小二乘æöu = 0nÑånçå=

37、 0XTXTuX÷iiièøi=1i=1nu為3×3矩陣åXi=1XT最小特征值對應(yīng)的特征向量。ii以u作為主軸方向確定球面坐標系，根據(jù)相機參數(shù)將所有圖像變換到球面上I(u,v)I(,h)I(u,v)，獲得全景圖。圖像配準實例：全景圖拼接步驟4：全景圖矯正未校正全景圖校正后全景圖圖像配準實例：全景圖拼接步驟5：增益補償在前面的步驟中已經(jīng)確定了全景圖拼接的幾何結(jié)構(gòu)參數(shù)（相機焦距、相機姿態(tài)、全景圖坐標），已經(jīng)可以將圖像拼接為全景圖像，但這樣直接拼接時可能產(chǎn)生光度不一致的現(xiàn)象。直接拼接結(jié)果圖像配準實例：全景圖拼接步驟5：增益補償為保證拼接后重疊區(qū)域的

38、光度一致性，需要對每幅圖像進行增益補償。× g=圖像配準實例：全景圖拼接步驟5：增益補償為使全景圖全局光度一致，我們在所有圖像上定義全局光度誤差函數(shù)：(g I- g j I ji )2æç2 ö()1- gnne(g ,., g ) = 1 åå N÷iji+iç÷ss1nij2N2g2ç÷i=1j =1èøn為圖像數(shù)量，gi為第i幅圖像的增益，Nij為圖像i和j重疊區(qū)域像素數(shù)量，Iij為圖像i在圖像i與j重疊區(qū)域的亮度均值，N為歸一化 光度誤差方差（設(shè)為10），g

39、為增益方差（設(shè)為0.1）。最小化e(.)是一個二次優(yōu)化優(yōu)增益g1gn，可通過超定線性方程組求得最圖像配準實例：全景圖拼接步驟5：增益補償直接拼接結(jié)果增益補償結(jié)果圖像配準實例：全景圖拼接步驟6：多頻段光度融合由于光暈、光心移動、配準誤差、鏡頭畸變等因素的影響，即使經(jīng)過增益補償后，全景圖中可能某些光度不一致的區(qū)域，需要進一步進行。圖像重疊區(qū)域可能包含多幅圖像，一種有效的光度方式是將重疊區(qū)域像素用多幅圖像進行融合。圖像配準實例：全景圖拼接步驟6：多頻段光度融合令I(lǐng)i(u,v)表示第i幅圖像上的像素點(u,v)，Wi (u,v)=(u) (v)表示像素點(u,v)的融合權(quán)重，(.)的值在圖像中心為1，在圖像邊緣為0，中心和邊緣之間線性遞減。將Ii(u,v)和Wi (u,v)均轉(zhuǎn)換到球面坐標系Ii(,)和Wi (,)，則全景圖像中每一個像素點可以通過下式進行光度融合：åni=1Ii (q ,f) Wi (q ,f)Ilinear (q ,f) =åni=1Wi (q ,f)這一融合稱為線性光度融合。圖像配準實例：全景圖拼接步驟6：多頻段光度融合如果在圖像配準過程中出現(xiàn)微小誤差，那么線性光度融合在圖像高頻部分可能出現(xiàn)模糊，因此一