本文还有配套的精品资源，点击获取

简介：本项目重点介绍在计算机视觉中如何使用OpenCV库的C++接口进行模板匹配。我们将探讨如何通过计算图像子区域与模板图像之间的相似度来寻找目标图像中的模板图像。重点使用 matchTemplate() 函数进行模板匹配，并通过 minMaxLoc() 函数找到匹配得分最高的位置。此外，还将讨论如何在目标图像上标记出匹配区域，并提到了优化匹配准确性的可能方法。

1. 模板匹配概念介绍

在计算机视觉和图像处理领域，模板匹配是一种基础而重要的技术。它主要通过比较图像的某一部分与另一图像中各个位置的相似度，从而找到与模板图像最为匹配的区域。模板匹配的算法利用了图像的局部特征，通过计算与模板的相似度来检测目标。这种方法简单、直观，即使是在实时应用中也表现出较高的效率。

简单来说，模板匹配在处理上类似于“找不同”的游戏：给定一个参考模板，系统会在一个更大尺寸的图片中搜索，以确定模板出现的位置。这一过程通常涉及到相似度计算，常见方法包括平方差、归一化相关和绝对值差等。

虽然模板匹配有着广泛的应用，比如人脸识别、工业检测、医学图像分析等，但它对图像的旋转、缩放、照明变化以及噪声等因素敏感。因此，在应用模板匹配时，我们常常需要预处理图像，或选择更为复杂的算法以提升匹配的鲁棒性。接下来的章节中，我们将深入探讨如何通过OpenCV库，配合C++来实现和优化模板匹配技术。

2. OpenCV库的介绍及安装配置

2.1 OpenCV库概述

2.1.1 OpenCV库的历史与发展

OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习软件库，由Intel于1999年开始发起，并于2000年由一系列企业和学术机构共同维护。OpenCV最初是用C和C++编写的，并设计为跨平台使用。其库中的算法经过优化，以提高执行效率，同时保证在不同硬件架构上的兼容性。

OpenCV的发展历程与计算机视觉技术的进步息息相关。随着技术的不断发展，OpenCV逐渐成为研究和商业应用中不可或缺的工具。其丰富的图像处理和计算机视觉功能使得它在学术界和工业界都得到了广泛的应用。

2.1.2 OpenCV库的核心组件和功能

OpenCV库的组件可以分为以下几个部分：

• 核心功能模块 ：提供基本的图像处理功能，如图像的加载、保存、显示、像素操作等。
• 高级功能模块 ：包括图像分析、几何变换、特征检测、对象识别、相机标定、三维重建等。
• 机器学习模块 ：提供支持向量机、决策树、随机森林、神经网络等算法。
• 视频分析模块 ：实现视频分析和运动跟踪功能。
• GUI模块 ：用于创建用户界面和窗口。

OpenCV的核心功能是处理图像和视频，从简单的像素操作到复杂的图像分析算法，都有相应的函数支持。此外，OpenCV还支持多维数组、矩阵运算、数组操作，这使得它非常适合于各种科学计算场景。

2.2 OpenCV库的安装与配置

2.2.1 OpenCV库在不同操作系统的安装方法

OpenCV可以在多种操作系统上安装，包括Windows、Linux和macOS。以下是在不同系统上安装OpenCV的基本步骤。

对于 Windows系统 ：

1. 访问OpenCV官方网站下载预编译的二进制文件或者从源代码编译。
2. 将下载的库文件中的DLL文件复制到系统的环境变量指定的目录中，如 C:\Windows\System32 。
3. 确保库的头文件和链接库文件的路径被添加到Visual Studio的项目设置中。

对于 Linux系统 ：

1. 使用包管理器安装OpenCV，例如在Ubuntu上可以使用以下命令： bash sudo apt-get install libopencv-dev
2. 或者从源代码编译安装，这适用于需要特定版本或最新版本的开发者。

对于 macOS系统 ：

1. 使用Homebrew安装OpenCV： bash brew install opencv
2. 如果需要从源代码安装，可以参考官方文档，编译时可能需要安装额外的依赖库。

2.2.2 OpenCV库配置的基本步骤和注意事项

在配置OpenCV开发环境时，以下是一些关键步骤和注意事项：

1. 依赖库 ：确保所有OpenCV依赖的库都已正确安装。一些依赖可能包括：Jasper、FFmpeg、OpenNI等。
2. 环境变量 ：设置好环境变量，使得系统能够找到OpenCV的动态链接库（DLL或so文件）。
3. IDE配置 ：在集成开发环境（IDE）中配置项目，添加OpenCV库的头文件搜索路径和链接库路径。
4. 版本兼容性 ：确保所用的OpenCV版本与IDE和其他库兼容，避免版本冲突。
5. 更新和维护 ：定期更新OpenCV到最新版本，以利用最新功能和性能改进。

在配置过程中，可能会遇到一些常见的问题，如库文件路径错误、版本冲突、IDE未正确配置等。解决这些问题通常需要检查系统的路径设置、IDE的配置以及重新编译OpenCV库。

在安装和配置OpenCV之后，为了验证配置是否成功，可以编写一个简单的OpenCV程序来检查是否能够正确加载和显示图像。下面是一个简单的示例代码：

#include <opencv2/opencv.hpp>
#include <iostream>

int main(int argc, char** argv) {
    // 确保有一个图像路径作为命令行参数
    if (argc != 2) {
        std::cout << "Usage: display_image <Image_Path>\n";
        return -1;
    }
    // 加载图像
    cv::Mat image = cv::imread(argv[1], cv::IMREAD_COLOR);
    if (image.empty()) {
        std::cout << "Could not open or find the image\n";
        return -1;
    }
    // 显示图像
    cv::namedWindow("Display window", cv::WINDOW_AUTOSIZE);
    cv::imshow("Display window", image);
    cv::waitKey(0);
    return 0;
}

这段代码尝试加载一个指定路径的图像，并显示它。如果配置正确，图像将会在窗口中显示。如果图像没有加载，通常意味着环境配置存在问题，需要重新检查安装和配置步骤。

3. C++接口使用及环境搭建

3.1 C++与OpenCV结合开发环境搭建

3.1.1 开发工具选择和配置

在进行C++和OpenCV结合的开发时，一个合适的开发环境是非常关键的。首先，推荐使用支持C++11及以上版本的编译器，如GCC、Clang或MSVC。考虑到跨平台的便利性，建议选择支持OpenCV 4.x版本的集成开发环境（IDE），例如Visual Studio Code或CLion。

配置开发工具时，需要安装对应的编译器和调试工具。例如，在Windows平台上，可以安装Visual Studio，并启用C++开发组件；在Linux平台上，可以通过包管理器安装GCC和G++。

3.1.2 依赖库的链接和配置

OpenCV的C++库需要正确链接到开发项目中，才能被编译和执行。这通常涉及到项目的构建配置，包括添加头文件路径、链接库文件、设置库搜索路径等步骤。

以CMake构建系统为例，需要在 CMakeLists.txt 文件中添加以下指令：

cmake_minimum_required(VERSION 3.0)
project(MyOpenCVProject)

find_package(OpenCV REQUIRED)

include_directories(${OpenCV_INCLUDE_DIRS})
add_executable(MyOpenCVProject main.cpp)
target_link_libraries(MyOpenCVProject ${OpenCV_LIBS})

这样配置后，CMake会自动查找系统中安装的OpenCV库，并将其包含路径和链接库添加到编译命令中，从而使得项目能够正确编译和运行。

3.2 C++接口使用基础

3.2.1 C++在OpenCV中的数据类型使用

OpenCV在C++中提供了一系列的数据结构来处理图像、矩阵等数据。这些数据结构包括 cv::Mat 用于表示图像和矩阵， cv::Point 、 cv::Size 等用于表示坐标和尺寸信息。

例如，创建一个 cv::Mat 对象的代码如下：

#include <opencv2/opencv.hpp>

int main() {
    cv::Mat image = cv::imread("path/to/image.jpg");
    return 0;
}

在这段代码中， cv::imread 函数用于从指定路径读取图像到 cv::Mat 对象中。这是一个非常基本的使用方式，通常会被用在图像处理的初始化阶段。

3.2.2 C++代码与OpenCV库的接口调用方法

OpenCV的C++接口采用面向对象的设计，许多函数和类方法的调用遵循一定的设计模式。理解这些模式对于高效地使用OpenCV至关重要。

以一个简单的图像灰度转换为例，可以使用 cv::cvtColor 函数：

#include <opencv2/opencv.hpp>

int main() {
    cv::Mat image = cv::imread("path/to/image.jpg");
    cv::Mat grayImage;
    cv::cvtColor(image, grayImage, cv::COLOR_BGR2GRAY);
    // ... 进行其他处理 ...
    return 0;
}

在这个例子中， cv::cvtColor 函数接受源图像、目标图像以及颜色转换类型作为参数。调用这个函数，源图像就被转换为灰度图像，并存储在 grayImage 变量中。

3.2.3 OpenCV中的矩阵操作

在图像处理中，矩阵操作是核心概念之一。OpenCV中的 cv::Mat 类支持丰富的矩阵操作，可以方便地执行元素级的加减乘除、矩阵乘法、转置等运算。

以下示例展示了如何在两个矩阵间执行加法操作：

#include <opencv2/opencv.hpp>

int main() {
    cv::Mat mat1 = cv::Mat::zeros(3, 3, CV_32F);
    cv::Mat mat2 = cv::Mat::eye(3, 3, CV_32F);
    cv::Mat result;
    cv::add(mat1, mat2, result);
    return 0;
}

在这段代码中， cv::add 函数将两个矩阵相加，并将结果存储在 result 中。注意，矩阵必须具有相同的类型和尺寸，否则会抛出异常。

以上所述即为在C++中搭建与使用OpenCV开发环境的基础介绍，涵盖了工具的选择、配置方法、数据类型的使用和基本的接口调用。这仅仅是个开始，随着对OpenCV更深入的学习，你将能够实现更多复杂而强大的图像处理功能。

4. 模板匹配函数的应用与实践

4.1 matchTemplate() 函数介绍与应用

4.1.1 matchTemplate() 函数的工作原理

matchTemplate() 是OpenCV库提供的一个非常实用的模板匹配函数，它主要用于图像处理领域中的模式识别。该函数的工作原理是通过滑动窗口的方式，在输入的源图像（或称为主图像）中匹配一个目标图像（模板）。在滑动过程中，它会根据设定的比较方法（如平方差、相关性等），计算窗口内图像与目标图像之间的相似度，最后返回一个结果矩阵，该矩阵的每一个点都表示窗口在该位置时的匹配程度。

具体来说，该函数接受四个参数：源图像、模板图像、匹配方法以及输出矩阵。匹配方法由 cv::TemplateMatchModes 枚举定义，包含了多种计算方式，例如 CV_TM_SQDIFF （平方差匹配）、 CV_TM_CCORR （相关匹配）、 CV_TM_CCOEFF （归一化相关匹配）等。结果矩阵通常会被后续使用 minMaxLoc() 函数来解析，以便找出匹配程度最高的位置。

4.1.2 实战：使用 matchTemplate() 进行图像匹配

下面的代码展示了如何使用 matchTemplate() 函数在一张图片中找到模板图像的位置。

#include <opencv2/opencv.hpp>
#include <iostream>

int main() {
    cv::Mat srcImage = cv::imread("source.jpg"); // 主图像
    cv::Mat templ = cv::imread("template.jpg"); // 模板图像
    cv::Mat result;

    // 检查图像是否成功加载
    if(srcImage.empty() || templ.empty()) {
        std::cout << "Could not open or find the images" << std::endl;
        return -1;
    }

    // 使用matchTemplate进行模板匹配
    cv::matchTemplate(srcImage, templ, result, cv::TM_CCOEFF_NORMED);

    // 使用minMaxLoc来找到最佳匹配的位置
    double minVal, maxVal; // 最小值和最大值
    cv::Point minLoc, maxLoc; // 最小值和最大值的位置
    cv::minMaxLoc(result, &minVal, &maxVal, &minLoc, &maxLoc);

    // maxLoc就是最佳匹配位置，但要考虑到模板的大小
    cv::rectangle(srcImage, maxLoc, cv::Point(maxLoc.x + templ.cols, maxLoc.y + templ.rows), cv::Scalar::all(0), 2, 8, 0);

    // 显示结果
    cv::imshow("Matched Image", srcImage);
    cv::waitKey(0);

    return 0;
}

在这段代码中，我们首先加载了源图像和模板图像。然后使用 matchTemplate 函数进行匹配，选取了 CV_TM_CCOEFF_NORMED 作为匹配方法，这是一种常用于归一化相关匹配的方法。匹配结果存储在 result 矩阵中，之后使用 minMaxLoc 来找到最高匹配值的位置。因为模板图像的大小已知，因此匹配位置需要加上模板图像的宽度和高度。最后，我们使用 rectangle 函数在源图像上标记出匹配区域，并显示最终结果。

接下来， minMaxLoc 函数会返回匹配矩阵中的最大值和最小值及其位置，这有助于我们确定匹配的准确程度和位置。注意，使用 CV_TM_CCOEFF_NORMED 方法时，匹配度越高，返回的值越接近1。

4.2 minMaxLoc() 函数介绍与应用

4.2.1 minMaxLoc() 函数的工作原理

minMaxLoc() 函数是OpenCV中的一个基本函数，用于快速找出矩阵中最小和最大元素的位置和值。在模板匹配后，我们通常需要分析匹配结果矩阵，判断最佳匹配的位置和程度。 minMaxLoc() 提供了一种便捷的方式，避免了需要手动遍历整个矩阵来寻找最值的繁琐过程。

函数接受一个矩阵（可以是单通道、8位或浮点类型的矩阵）作为输入，并返回矩阵中的最大值及其位置、最小值及其位置。如果提供了可选的掩码参数，那么函数只会计算掩码中的非零元素。通过这种方式， minMaxLoc() 极大简化了对匹配结果的分析工作。

4.2.2 实战：分析 matchTemplate() 结果

以下是如何使用 minMaxLoc() 函数来分析 matchTemplate() 得到的匹配结果矩阵的示例代码：

// ...（前面的代码保持不变）

// 用于分析匹配结果
double minVal, maxVal;
cv::Point minLoc, maxLoc;
cv::minMaxLoc(result, &minVal, &maxVal, &minLoc, &maxLoc);

// 输出最大匹配值的位置和值
std::cout << "Maximum correlation: " << maxVal << " at location (" << maxLoc.x << ", " << maxLoc.y << ")" << std::endl;

// ...（后面的代码保持不变）

在这段代码中， minMaxLoc() 分析了 matchTemplate() 函数返回的 result 矩阵。 maxVal 是匹配程度最高的值，通常越接近1表示匹配越完美； maxLoc 则是对应的坐标位置，指示了模板在源图像中的位置。如果需要更精确的位置，应当考虑到模板的实际尺寸，像之前的代码中那样对位置坐标进行调整。

函数还返回了最小值 minVal 和对应的坐标 minLoc 。在正常情况下，最小值应该接近0（如果使用了归一化的匹配方法）。然而，如果模板图像在源图像中完全不存在相似的区域，最小值可能远离0，这可以用来判断模板匹配是否有效。

通过上述分析，我们能够快速获得模板匹配的最匹配位置以及匹配的质量，为进一步的图像处理和分析提供了基础。

5. 模板匹配的结果分析与标记

5.1 结果分析方法

5.1.1 如何解读匹配结果

模板匹配是一种通过在目标图像中搜索与模板图像最相似的区域来进行定位的方法。 matchTemplate() 函数是OpenCV中实现这一功能的核心函数，它将模板图像在目标图像上进行滑动，并对每一个位置的重叠部分计算相似度，生成一个结果矩阵。解读这个结果矩阵是理解匹配结果的关键。

结果矩阵的每个元素对应于模板图像与目标图像的重叠部分的相似度，其中值的大小表示相似程度。对于不同的匹配方法（如平方差、归一化相关、霍夫曼距离等），结果矩阵的解读方式可能会有所不同。

解读匹配结果通常会用到 minMaxLoc() 函数。该函数用来找出数组中的最大值和最小值及其位置，这对于识别最佳匹配区域非常有用。具体来说，最大值位置往往指示了模板图像在目标图像中的最佳匹配位置，而最小值位置则可能指示了模板图像与目标图像完全相反的位置。

5.1.2 常见匹配问题及其解决方法

在模板匹配的过程中，可能会遇到一些常见问题，例如噪声干扰、光照变化、旋转与缩放等问题。这些问题会影响匹配的准确性和鲁棒性。

噪声干扰可以通过图像预处理步骤，比如使用高斯滤波来平滑图像，从而降低噪声的影响。对于光照变化，采用直方图均衡化等方法可以增强图像的对比度，提高匹配的准确性。而图像的旋转和缩放则需要采用更高级的图像处理技术，如特征点检测、尺度不变特征变换（SIFT）或增强型匹配算法等。

5.2 结果标记与可视化

5.2.1 标记模板匹配结果的方法

在识别出模板图像在目标图像中的最佳匹配位置之后，下一个步骤通常是将这个位置在图像上进行标记。在OpenCV中，可以使用矩形框来标记出匹配区域。

具体实现时，首先确定 matchTemplate() 函数返回的结果矩阵中的最大值位置。然后根据这个位置，使用 rectangle() 函数在原始目标图像上绘制一个矩形框，将模板图像在目标图像中的匹配位置标记出来。绘制矩形框的参数包括起点坐标、终点坐标以及颜色和线宽等。

5.2.2 使用OpenCV进行匹配结果的可视化

可视化是结果标记的重要组成部分，它可以帮助用户直观地理解匹配过程和结果。使用OpenCV进行匹配结果的可视化涉及到以下步骤：

1. 读取图像 ：使用 imread() 函数读取模板和目标图像。
2. 进行模板匹配 ：调用 matchTemplate() 函数进行匹配，并使用 minMaxLoc() 找到最佳匹配位置。
3. 标记结果 ：根据最佳匹配位置使用 rectangle() 函数在目标图像上绘制标记。
4. 显示结果 ：使用 imshow() 函数显示标记后的图像。
5. 等待按键 ：使用 waitKey(0) 函数等待用户按键，然后通过 destroyAllWindows() 函数关闭所有窗口。

下面是一个简单的代码示例，展示如何在OpenCV中实现上述步骤：

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main() {
    // 读取模板图像和目标图像
    Mat templateImage = imread("template.jpg", IMREAD_GRAYSCALE);
    Mat targetImage = imread("target.jpg", IMREAD_GRAYSCALE);
    // 检查图像是否正确加载
    if (templateImage.empty() || targetImage.empty()) {
        cout << "Error loading images!" << endl;
        return -1;
    }

    // 初始化结果矩阵和位置变量
    Mat result;
    Point matchLoc;
    double minVal, maxVal;
    double templWidth = templateImage.cols;
    double templHeight = templateImage.rows;

    // 应用模板匹配函数
    matchTemplate(targetImage, templateImage, result, TM_CCOEFF_NORMED);

    // 找到最佳匹配位置
    minMaxLoc(result, &minVal, &maxVal, 0, &matchLoc);

    // 标记最佳匹配位置
    rectangle(targetImage, matchLoc, Point(matchLoc.x + templWidth, matchLoc.y + templHeight), Scalar::all(0), 2, 8, 0);

    // 显示结果图像
    imshow("Matched Result", targetImage);
    waitKey(0);
    return 0;
}

在此代码中，我们首先读取模板和目标图像，并确保它们都被正确加载。然后使用 matchTemplate() 函数进行匹配，并通过 minMaxLoc() 获取最佳匹配的位置和相似度值。最后，我们绘制一个矩形框来标记匹配位置，并显示最终结果图像。

通过上述步骤，模板匹配的结果就可以在目标图像上清晰地表示出来。可视化结果不仅帮助开发者验证匹配算法的有效性，而且对于非技术用户来说，也更容易理解匹配过程和结果。

6. 模板匹配优化策略

6.1 优化模板匹配性能

6.1.1 性能优化的理论基础

模板匹配在计算机视觉领域扮演着重要角色，尤其是在目标检测与识别任务中。尽管 matchTemplate() 函数非常有用，但它在处理大型图像或高分辨率图像时可能会变得相当缓慢。性能优化的理论基础包括算法优化、数据结构优化以及利用硬件加速。

• 算法优化 ：通过使用更高效的匹配算法，例如基于积分图的快速匹配算法，或者调整搜索范围和策略以减少不必要的计算。
• 数据结构优化 ：利用适当的数据结构，如多分辨率金字塔、特征空间树等，可以加快匹配过程。
• 硬件加速 ：使用GPU加速或专用的硬件加速器，如FPGA或ASIC，可以显著提高计算效率。

6.1.2 实战：提升匹配速度和准确性

为了优化模板匹配的性能，我们可以考虑以下几个方面：

1. 图像预处理 ：在进行模板匹配之前，对图像进行缩放和降噪可以减少计算量，并提高匹配的准确性。
2. 匹配算法选择 ：针对特定应用场景选择合适的匹配算法。例如，如果目标对象大小固定，可以使用快速的相关系数方法。
3. 使用OpenCV优化函数 ：OpenCV提供了如 matchTemplate() 等函数的优化版本，例如使用 GaussianBlur() 对模板图像和待匹配图像进行预处理。
4. 多尺度搜索 ：首先在较低分辨率的图像上进行粗略匹配，然后在候选区域的高分辨率图像上进行精细匹配。
5. 并行处理和硬件加速 ：利用现代CPU的多核特性或GPU进行并行处理，可以大幅提高性能。

#include <opencv2/opencv.hpp>
#include <iostream>

int main() {
    cv::Mat srcImage = cv::imread("large_image.jpg", cv::IMREAD_COLOR);
    cv::Mat templImage = cv::imread("template_image.jpg", cv::IMREAD_COLOR);
    cv::Mat result;

    // 图像预处理
    cv::GaussianBlur(srcImage, srcImage, cv::Size(5, 5), 1.5);
    cv::GaussianBlur(templImage, templImage, cv::Size(5, 5), 1.5);

    // 使用优化的匹配算法
    cv::matchTemplate(srcImage, templImage, result, cv::TM_CCOEFF_NORMED);
    // 结果处理
    double minVal, maxVal;
    cv::Point minLoc, maxLoc;
    cv::minMaxLoc(result, &minVal, &maxVal, &minLoc, &maxLoc);

    // 可视化结果
    cv::rectangle(srcImage, maxLoc, cv::Point(maxLoc.x + templImage.cols, maxLoc.y + templImage.rows), cv::Scalar(0, 255, 0), 2, 8, 0);

    cv::imshow("Matched Image", srcImage);
    cv::waitKey(0);
    return 0;
}

以上代码展示了如何利用OpenCV进行模板匹配，并对结果进行可视化。需要注意的是，为了优化性能，我们在匹配之前对图像进行了高斯模糊处理。

6.2 应用扩展与案例研究

6.2.1 模板匹配在复杂环境下的应用策略

在复杂环境下，如光照变化、遮挡、视角变化等，模板匹配的性能可能会受到严重影响。为了在这种条件下有效地使用模板匹配，我们可以采取以下策略：

• 特征点检测与匹配 ：使用如SIFT、SURF或ORB等特征检测算法，首先在图像中找到稳定的特征点，然后对这些特征点进行匹配，最后使用某种策略（如RANSAC）去除错误的匹配。
• 适应性模板匹配 ：动态调整模板的大小和形状以适应图像中的目标对象的变化。
• 多模态模板匹配 ：结合多种类型的特征（如颜色、纹理、形状）进行匹配，以提高匹配的鲁棒性。

6.2.2 模板匹配技术在不同领域的案例分析

模板匹配技术广泛应用于各种行业和领域，以下是几个典型的应用案例：

• 工业检测 ：在生产线上，使用模板匹配可以检测产品是否存在缺陷，如划痕、凹陷或部件缺失。
• 人脸识别 ：在安全系统中，模板匹配用于在数据库中查找与输入图像匹配的人脸，以验证身份。
• 视频监控 ：在视频监控系统中，模板匹配可以帮助系统实时地跟踪特定物体或人。

通过这些策略和案例分析，我们可以看到模板匹配技术在提高性能和扩展应用方面的巨大潜力。随着技术的不断进步，我们可以期待模板匹配在未来的计算机视觉应用中发挥更大的作用。

本文还有配套的精品资源，点击获取

简介：本项目重点介绍在计算机视觉中如何使用OpenCV库的C++接口进行模板匹配。我们将探讨如何通过计算图像子区域与模板图像之间的相似度来寻找目标图像中的模板图像。重点使用 matchTemplate() 函数进行模板匹配，并通过 minMaxLoc() 函数找到匹配得分最高的位置。此外，还将讨论如何在目标图像上标记出匹配区域，并提到了优化匹配准确性的可能方法。

本文还有配套的精品资源，点击获取