基于HOG+SVM的貓咪識(shí)別器

目的

使用HOG+SVM算法和OpenCV實(shí)現(xiàn)一個(gè)圖片分類(lèi)器，通過(guò)自己訓(xùn)練分類(lèi)器，達(dá)到可以判斷任意圖片是否是貓咪的效果

實(shí)驗(yàn)環(huán)境

python2.7
win10

實(shí)驗(yàn)知識(shí)點(diǎn)

-HOG+SVM分類(lèi)器的基本原理
-OpenCV處理圖片
-訓(xùn)練分類(lèi)器，以得到適合自己項(xiàng)目的分類(lèi)器
-Python文件操作

下面會(huì)首先介紹一下OpenCV,HOG,SVM的相關(guān)知識(shí)

Opencv

1.讀取圖片

import cv2

img_path = 'test.jpg'
image = cv2.imread(filename=img_path)

#窗口默認(rèn)一直處于彈出窗狀態(tài)
cv2.waitKey()
#按任意鍵盤(pán)巧勤，銷(xiāo)毀窗口
cv2.destroyAllWindows()

2.圖片數(shù)據(jù)類(lèi)型

圖像是由像素組成的，而像素實(shí)際上就是帶有坐標(biāo)位置和顏色信息的點(diǎn)。我們把圖片想象成由若干行栓辜，若干列的點(diǎn)組成的，現(xiàn)實(shí)中有RGB顏色系統(tǒng)垛孔，我們可以把圖中任意一點(diǎn)（位置在第m行藕甩，第n列）的點(diǎn)A表示為

A[m,n] = [blue,green,red]

我們可以看下image的shape
800行，480列的點(diǎn)組成的圖片周荐，RGB三色狭莱，圖片為彩色

>>>print(image.shape)
>>>(800,480,3)

3.裁剪圖片大小

這里介紹裁剪圖片大小的方法,由于輸入到分類(lèi)器的圖片都是固定像素的,所以我們需要對(duì)下載的圖片數(shù)據(jù)進(jìn)行處理，使其符合我們程序的要求概作。將大圖片裁減成固定像素的小圖片的程序如下：

# -*- coding: utf-8 -*-
'''
這段代碼會(huì)掃描Python腳本所在的文件夾的子文件夾other文件夾下的所有.jpg文件腋妙，
然后使用OpenCV讀取圖片數(shù)據(jù)，
并按照指定的大小進(jìn)行縮放讯榕，
將縮放后的結(jié)果寫(xiě)入到指定目錄下的指定圖片中骤素。
'''
import numpy as np 
import cv2
from os.path import dirname,join,basename
from glob import glob
'''
glob參考http://python.jobbole.com/81552/
os.path.join參考http://www.cnblogs.com/jsplyy/p/5634640.html
'''
num = 0
#dirname(__file__)參考http://blog.csdn.net/lxjames833539/article/details/5251608
for i in glob(join(dirname(__file__)+'\dog','*.jpg')):
    img = cv2.imread(i)
    '''
    interpolation即插值法
    INTER_AREA  - 使用像素區(qū)域關(guān)系進(jìn)行重采樣。
    它可能是圖像抽取的首選方法愚屁，因?yàn)樗鼤?huì)產(chǎn)生無(wú)云紋理的結(jié)果济竹。
    但是當(dāng)圖像縮放時(shí)，它類(lèi)似于INTER_NEAREST方法
    '''
    res = cv2.resize(img,(194,259),interpolation = cv2.INTER_AREA)
    cv2.imwrite('E:/test/'+str(num)+'.jpg',res)
    num +=1
print('all done')
##窗口默認(rèn)一直處于彈出窗狀態(tài)
cv2.waitKey(0)
##按任意鍵盤(pán)霎槐，銷(xiāo)毀窗口
cv2.destroyAllWindows()

https://www.leiphone.com/news/201708/ZKsGd2JRKr766wEd.html

實(shí)驗(yàn)過(guò)程

SVM是一個(gè)由分類(lèi)超平面定義的判別分類(lèi)器送浊。也就是說(shuō)給定一組帶標(biāo)簽的訓(xùn)練樣本，算法將會(huì)輸出一個(gè)最優(yōu)超平面對(duì)新樣本(測(cè)試樣本)進(jìn)行分類(lèi)丘跌。

這也是監(jiān)督類(lèi)型機(jī)器學(xué)習(xí)的特點(diǎn)袭景，即唁桩，把一堆帶有標(biāo)簽的數(shù)據(jù)輸入到機(jī)器中，讓機(jī)器根據(jù)給定的數(shù)據(jù)計(jì)算出規(guī)則浴讯，再利用這個(gè)規(guī)則朵夏，去對(duì)未知數(shù)據(jù)進(jìn)行分類(lèi)。說(shuō)白了榆纽，就是先積累幾年工作經(jīng)驗(yàn)仰猖，然后去工作。

本實(shí)驗(yàn)是讀入輸入圖片的灰度圖奈籽，即黑白的饥侵。然后計(jì)算該圖片的hog值，將計(jì)算得到的結(jié)果作為向量來(lái)代表該圖片衣屏。對(duì)由很多張圖片組成的向量集進(jìn)行計(jì)算躏升，找到最大間距的分類(lèi)超平面，進(jìn)而分類(lèi)數(shù)據(jù)狼忱。

hog的全稱(chēng)是Histogram of Oriented Gradient, HOG膨疏，即方向梯度直方圖。它是一種在計(jì)算機(jī)視覺(jué)和圖像處理中用來(lái)進(jìn)行物體檢測(cè)的特征描述子钻弄。它通過(guò)計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖來(lái)構(gòu)成特征佃却。Hog特征結(jié)合SVM分類(lèi)器已經(jīng)被廣泛應(yīng)用于圖像識(shí)別中，尤其在行人檢測(cè)中獲得了極大的成功窘俺。HOG+SVM進(jìn)行行人檢測(cè)的方法是法國(guó)研究人員Dalal在2005的CVPR上提出的饲帅，今天的很多行人檢測(cè)算法基本都是以HOG+SVM的思路。

主要思想

在一副圖像中瘤泪，局部目標(biāo)的表象和形狀（appearance and shape）能夠被梯度或邊緣的方向密度分布很好地描述灶泵。（本質(zhì)：梯度的統(tǒng)計(jì)信息，而梯度主要存在于邊緣的地方）对途。
具體的實(shí)現(xiàn)方法是：首先將圖像分成小的連通區(qū)域赦邻，我們把它叫細(xì)胞單元。然后采集細(xì)胞單元中各像素點(diǎn)的梯度的或邊緣的方向直方圖实檀。最后把這些直方圖組合起來(lái)就可以構(gòu)成特征描述器惶洲。
提高性能：把這些局部直方圖在圖像的更大的范圍內(nèi)（我們把它叫區(qū)間或block）進(jìn)行對(duì)比度歸一化（contrast-normalized），所采用的方法是：先計(jì)算各直方圖在這個(gè)區(qū)間（block）中的密度劲妙，然后根據(jù)這個(gè)密度對(duì)區(qū)間中的各個(gè)細(xì)胞單元做歸一化。通過(guò)這個(gè)歸一化后儒喊，能對(duì)光照變化和陰影獲得更好的效果镣奋。
優(yōu)點(diǎn)：與其他的特征描述方法相比，HOG有很多優(yōu)點(diǎn)怀愧。首先侨颈，由于HOG是在圖像的局部方格單元上操作余赢，所以它對(duì)圖像幾何的和光學(xué)的形變都能保持很好的不變性，這兩種形變只會(huì)出現(xiàn)在更大的空間領(lǐng)域上哈垢。其次妻柒，在粗的空域抽樣、精細(xì)的方向抽樣以及較強(qiáng)的局部光學(xué)歸一化等條件下耘分，只要行人大體上能夠保持直立的姿勢(shì)举塔，可以容許行人有一些細(xì)微的肢體動(dòng)作，這些細(xì)微的動(dòng)作可以被忽略而不影響檢測(cè)效果求泰。因此HOG特征是特別適合于做圖像中的人體檢測(cè)的央渣。

步驟

首先，我們根據(jù)已經(jīng)分類(lèi)好的數(shù)據(jù)集來(lái)對(duì)分類(lèi)器進(jìn)行訓(xùn)練渴频。我們的cat文件夾下全是貓的照片芽丹，而other文件夾下全不是貓，已經(jīng)完成了貼標(biāo)簽這個(gè)過(guò)程了卜朗。讓程序從這兩組數(shù)據(jù)里學(xué)習(xí)拔第，計(jì)算分類(lèi)的方法。

使用HOG+SVM算法進(jìn)行訓(xùn)練前场钉，需要先計(jì)算每張圖片的HOG值以得到供SVM分類(lèi)器使用的輸入向量蚊俺。計(jì)算該值的算法實(shí)現(xiàn)的一般過(guò)程為：

灰度化（OpenCV處理圖像時(shí)，一般都處理為灰度圖像惹悄，忽略顏色干擾）
采用Gamma校正法對(duì)輸入圖像進(jìn)行顏色空間的標(biāo)準(zhǔn)化（歸一化）春叫；目的是調(diào)節(jié)圖像的對(duì)比度，降低圖像局部的陰影和光照變化所造成的影響泣港，同時(shí)可以抑制噪音的干擾暂殖；
計(jì)算圖像每個(gè)像素的梯度（包括大小和方向）；主要是為了捕獲輪廓信息当纱，同時(shí)進(jìn)一步弱化光照的干擾呛每。
將圖像劃分成小cells（例如66像素/cell）；
統(tǒng)計(jì)每個(gè)cell的梯度直方圖（不同梯度的個(gè)數(shù)）坡氯，即可形成每個(gè)cell的descriptor晨横；
將每幾個(gè)cell組成一個(gè)block（例如33個(gè)cell/block），一個(gè)block內(nèi)所有cell的特征descriptor串聯(lián)起來(lái)便得到該block的HOG特征descriptor箫柳。
將圖像image內(nèi)的所有block的HOG特征descriptor串聯(lián)起來(lái)就可以得到該image（你要檢測(cè)的目標(biāo)）的HOG特征descriptor了手形。這個(gè)就是最終的可供分類(lèi)使用的特征向量了。
在本實(shí)驗(yàn)中悯恍，沒(méi)有嚴(yán)格按照上述的過(guò)程實(shí)現(xiàn)库糠，我們采用了下述方法：我們?cè)诿總€(gè)cell內(nèi)計(jì)算X和Y方向的Sobel導(dǎo)數(shù)。然后找到每個(gè)像素的梯度和方向涮毫。此梯度被量化為16＊16個(gè)整數(shù)值瞬欧。把每個(gè)圖像分成四個(gè)子圖方塊贷屎。對(duì)于每個(gè)子正方形，計(jì)算加權(quán)其幅度的方向（16＊16bins）的直方圖艘虎。因此唉侄，每個(gè)子圖給我們一個(gè)包含16＊16個(gè)值的向量。四個(gè)這樣的向量（分別代表四個(gè)子圖的16*16向量）一起給我們一個(gè)特征向量包含1024個(gè)值野建。這就是我們用來(lái)訓(xùn)練數(shù)據(jù)的特征向量属划。這部分的代碼如下所示：
(注:這段使用了Python3.6)

bin_n = 16*16 # Number of bins
def hog(img):
    x_pixel,y_pixel=194,259
    gx = cv2.Sobel(img, cv2.CV_32F, 1, 0)
    gy = cv2.Sobel(img, cv2.CV_32F, 0, 1)
    #cartToPolar函數(shù)參照 http://www.hahack.com/wiki/opencv-image.html
    mag, ang = cv2.cartToPolar(gx, gy)
    bins = np.int32(bin_n*ang/(2*np.pi))    # quantizing binvalues in (0...16)
    bin_cells = bins[:(int)(x_pixel/2),:(int)(y_pixel/2)], bins[(int)(x_pixel/2):,:(int)(y_pixel/2)], bins[:(int)(x_pixel/2),(int)(y_pixel/2):], bins[(int)(x_pixel/2):,(int)(y_pixel/2):]
    mag_cells = mag[:(int)(x_pixel/2),:(int)(y_pixel/2)], mag[(int)(x_pixel/2):,:(int)(y_pixel/2)], mag[:(int)(x_pixel/2),(int)(y_pixel/2):], mag[(int)(x_pixel/2):,(int)(y_pixel/2):]
    #bincount()統(tǒng)計(jì)出現(xiàn)的次數(shù) 參照http://blog.csdn.net/lanchunhui/article/details/50491632
    #ravel()參照http://blog.csdn.net/lanchunhui/article/details/50354978
    hists = [np.bincount(b.ravel(), m.ravel(), bin_n) for b, m in zip(bin_cells, mag_cells)]
    #hstack()返回結(jié)果為numpy的數(shù)組
    hist = np.hstack(hists)     # hist is a 64 bit vector
#    print hist.shape
#    print type(hist)
    return hist

完整的代碼如下所示，程序首先掃描cat和other文件夾內(nèi)的圖片贬墩，然后用灰度方式讀入榴嗅，計(jì)算每個(gè)圖片的hog值，然后建立SVM分類(lèi)器陶舞，使用輸入的數(shù)據(jù)進(jìn)行訓(xùn)練嗽测，將訓(xùn)練結(jié)果保存于svm_cat_data.dat文件中。

# -*- coding: utf-8 -*-
import numpy as np
import cv2
#from matplotlib import pyplot as plt
from os.path import dirname, join, basename
import sys
from glob import glob


bin_n = 16*16 # Number of bins

def hog(img):
    x_pixel,y_pixel=194,259
    gx = cv2.Sobel(img, cv2.CV_32F, 1, 0)
    gy = cv2.Sobel(img, cv2.CV_32F, 0, 1)
    mag, ang = cv2.cartToPolar(gx, gy)
    bins = np.int32(bin_n*ang/(2*np.pi))    # quantizing binvalues in (0...16)
    bin_cells = bins[:x_pixel/2,:y_pixel/2], bins[x_pixel/2:,:y_pixel/2], bins[:x_pixel/2,y_pixel/2:], bins[x_pixel/2:,y_pixel/2:]
    mag_cells = mag[:x_pixel/2,:y_pixel/2], mag[x_pixel/2:,:y_pixel/2], mag[:x_pixel/2,y_pixel/2:], mag[x_pixel/2:,y_pixel/2:]
    hists = [np.bincount(b.ravel(), m.ravel(), bin_n) for b, m in zip(bin_cells, mag_cells)]
    hist = np.hstack(hists)     # hist is a 64 bit vector
#    print hist.shape
#    print type(hist)
    return hist

#print glob(join(dirname(__file__)+'/cat','*.jpg'))
img={}
num=0
for fn in glob(join(dirname(__file__)+'/cat', '*.jpg')):
    img[num] = cv2.imread(fn,0)#參數(shù)加0肿孵，只讀取黑白數(shù)據(jù)唠粥，去掉0，就是彩色讀取停做。
#    print img[num].shape
    num=num+1
print num,' num'
print 'the file path is ', dirname(__file__)
positive=num
for fn in glob(join(dirname(__file__)+'/other', '*.jpg')):
    img[num] = cv2.imread(fn,0)#參數(shù)加0晤愧，只讀取黑白數(shù)據(jù)，去掉0蛉腌，就是彩色讀取官份。
#    print img[num].shape
    num=num+1
print num,' num'
print positive,' positive'

trainpic=[]
for i in img:
#    print type(i)
    trainpic.append(img[i])

svm_params = dict( kernel_type = cv2.SVM_LINEAR,
                    svm_type = cv2.SVM_C_SVC,
                    C=2.67, gamma=5.383 )
#img = cv2.imread('02.jpg',0)
#hist_full = cv2.calcHist([img],[0],None,[256],[0,256])
#print hist_full
#plt.plot(hist_full)
#plt.show()

#img1 = cv2.imread('02.jpg',0)
#temp=img[0].ravel()
#print temp
#print len(temp)
temp=hog(img[0])
print temp.shape

#hogdata = [map(hog,img[i]) for i in img]
hogdata = map(hog,trainpic)
print np.float32(hogdata).shape,' hogdata'
trainData = np.float32(hogdata).reshape(-1,bin_n*4)
print trainData.shape,' trainData'
responses = np.float32(np.repeat(1.0,trainData.shape[0])[:,np.newaxis])
responses[positive:trainData.shape[0]]=-1.0
print responses.shape,' responses'
print len(trainData)
print len(responses)
print type(trainData)

svm = cv2.SVM()
svm.train(trainData,responses, params=svm_params)
svm.save('svm_cat_data.dat')

機(jī)器學(xué)習(xí)是一個(gè)不斷迭代的過(guò)程。訓(xùn)練的數(shù)據(jù)集越大越好烙丛，訓(xùn)練時(shí)間當(dāng)然也是越長(zhǎng)效果越好舅巷。當(dāng)機(jī)器認(rèn)錯(cuò)了圖片的時(shí)候，我們要把這個(gè)圖片拿出來(lái)河咽，標(biāo)記正確钠右，輸入機(jī)器再訓(xùn)練一遍，如此迭代下去忘蟹。本實(shí)驗(yàn)只訓(xùn)練了一次以演示原理飒房。

我們得到了訓(xùn)練好的數(shù)據(jù)svm_cat_data.dat后，可以用它來(lái)分類(lèi)測(cè)試圖片媚值。

建立程序如下：

# -*- coding: utf-8 -*-



import numpy as np
import cv2
#from matplotlib import pyplot as plt
from os.path import dirname, join, basename
import sys
from glob import glob

bin_n = 16*16 # Number of bins

def hog(img):
    x_pixel,y_pixel=194,259
    gx = cv2.Sobel(img, cv2.CV_32F, 1, 0)
    gy = cv2.Sobel(img, cv2.CV_32F, 0, 1)
    mag, ang = cv2.cartToPolar(gx, gy)
    bins = np.int32(bin_n*ang/(2*np.pi))    # quantizing binvalues in (0...16)
    bin_cells = bins[:x_pixel/2,:y_pixel/2], bins[x_pixel/2:,:y_pixel/2], bins[:x_pixel/2,y_pixel/2:], bins[x_pixel/2:,y_pixel/2:]
    mag_cells = mag[:x_pixel/2,:y_pixel/2], mag[x_pixel/2:,:y_pixel/2], mag[:x_pixel/2,y_pixel/2:], mag[x_pixel/2:,y_pixel/2:]
    hists = [np.bincount(b.ravel(), m.ravel(), bin_n) for b, m in zip(bin_cells, mag_cells)]
    hist = np.hstack(hists)     # hist is a 64 bit vector
#    print hist.shape
#    print type(hist)
    return hist

#print glob(join(dirname(__file__)+'/cat','*.jpg'))
img={}
num=0
for fn in glob(join(dirname(__file__)+'/cat', '*.jpg')):
    img[num] = cv2.imread(fn,0)#參數(shù)加0狠毯，只讀取黑白數(shù)據(jù)，去掉0褥芒，就是彩色讀取嚼松。
#    print img[num].shape
    num=num+1
print num,' num'
positive=num
for fn in glob(join(dirname(__file__)+'/other', '*.jpg')):
    img[num] = cv2.imread(fn,0)#參數(shù)加0，只讀取黑白數(shù)據(jù)，去掉0惜颇，就是彩色讀取。
#    print img[num].shape
    num=num+1
print num,' num'
print positive,' positive'

trainpic=[]
for i in img:
#    print type(i)
    trainpic.append(img[i])

svm_params = dict( kernel_type = cv2.SVM_LINEAR,
                    svm_type = cv2.SVM_C_SVC,
                    C=2.67, gamma=5.383 )

temp=hog(img[0])
print temp.shape

#hogdata = [map(hog,img[i]) for i in img]
hogdata = map(hog,trainpic)
print np.float32(hogdata).shape,' hogdata'
trainData = np.float32(hogdata).reshape(-1,bin_n*4)
print trainData.shape,' trainData'
#trainData.shape[0] = 89
#重新定義一個(gè)89行,轉(zhuǎn)置為89列,向量轉(zhuǎn)置np.newaxis,每個(gè)都賦值為1.0
responses = np.float32(np.repeat(1.0,trainData.shape[0])[:,np.newaxis])
# print responses
responses[positive:trainData.shape[0]]=-1.0
# print trainData

print responses.shape,' responses'
print len(trainData)
print len(responses)
print type(trainData)

svm = cv2.SVM()

svm.load('svm_cat_data.dat')

img = cv2.imread('E:/Python/cat/predict/05.jpg',0)
#print img.shapes,' img_test0'
hogdata = hog(img)
testData = np.float32(hogdata).reshape(-1,bin_n*4)
print testData.shape,' testData'
result = svm.predict(testData)
print result
if result > 0:
    print 'this pic is a cat!'

test_temp=[]
for fn in glob(join(dirname(__file__)+'/predict', '*.jpg')):
    img=cv2.imread(fn,0)#參數(shù)加0少辣，只讀取黑白數(shù)據(jù)凌摄，去掉0，就是彩色讀取漓帅。
    test_temp.append(img)
print len(test_temp),' len(test_temp)'

hogdata = map(hog,test_temp)
testData = np.float32(hogdata).reshape(-1,bin_n*4)
print testData.shape,' testData'
result = [svm.predict(eachone) for eachone in testData]
print result

最后編輯于：2017.12.11 04:49:03

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者

人面猴
序言：七十年代末锨亏，一起剝皮案震驚了整個(gè)濱河市，隨后出現(xiàn)的幾起案子忙干，更是在濱河造成了極大的恐慌器予，老刑警劉巖，帶你破解...
沈念sama閱讀 212,816評(píng)論 6贊 492
死咒
序言：濱河連續(xù)發(fā)生了三起死亡事件捐迫，死亡現(xiàn)場(chǎng)離奇詭異乾翔，居然都是意外死亡，警方通過(guò)查閱死者的電腦和手機(jī)施戴，發(fā)現(xiàn)死者居然都...
沈念sama閱讀 90,729評(píng)論 3贊 385
救了他兩次的神仙讓他今天三更去死
文/潘曉璐我一進(jìn)店門(mén)反浓，熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)，“玉大人赞哗，你說(shuō)我怎么就攤上這事雷则。” “怎么了肪笋？”我有些...
開(kāi)封第一講書(shū)人閱讀 158,300評(píng)論 0贊 348
道士緝兇錄：失蹤的賣(mài)姜人
文/不壞的土叔我叫張陵月劈，是天一觀的道長(zhǎng)。經(jīng)常有香客問(wèn)我藤乙，道長(zhǎng)猜揪，這世上最難降的妖魔是什么？我笑而不...
開(kāi)封第一講書(shū)人閱讀 56,780評(píng)論 1贊 285
?港島之戀（遺憾婚禮）
正文為了忘掉前任湾盒，我火速辦了婚禮湿右，結(jié)果婚禮上，老公的妹妹穿的比我還像新娘罚勾。我一直安慰自己毅人，他們只是感情好，可當(dāng)我...
茶點(diǎn)故事閱讀 65,890評(píng)論 6贊 385
惡毒庶女頂嫁案：這布局不是一般人想出來(lái)的
文/花漫我一把揭開(kāi)白布尖殃。她就那樣靜靜地躺著丈莺，像睡著了一般。火紅的嫁衣襯著肌膚如雪送丰。梳的紋絲不亂的頭發(fā)上缔俄，一...
開(kāi)封第一講書(shū)人閱讀 50,084評(píng)論 1贊 291
城市分裂傳說(shuō)
那天，我揣著相機(jī)與錄音，去河邊找鬼俐载。笑死蟹略，一個(gè)胖子當(dāng)著我的面吹牛，可吹牛的內(nèi)容都是我干的遏佣。我是一名探鬼主播挖炬，決...
沈念sama閱讀 39,151評(píng)論 3贊 410
雙鴛鴦連環(huán)套：你想象不到人心有多黑
文/蒼蘭香墨我猛地睜開(kāi)眼，長(zhǎng)吁一口氣：“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼状婶！你這毒婦竟也來(lái)了意敛？” 一聲冷哼從身側(cè)響起，我...
開(kāi)封第一講書(shū)人閱讀 37,912評(píng)論 0贊 268
萬(wàn)榮殺人案實(shí)錄
序言：老撾萬(wàn)榮一對(duì)情侶失蹤草姻，失蹤者是張志新（化名）和其女友劉穎，沒(méi)想到半個(gè)月后稍刀，有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體撩独，經(jīng)...
沈念sama閱讀 44,355評(píng)論 1贊 303
?護(hù)林員之死
正文獨(dú)居荒郊野嶺守林人離奇死亡账月，尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛以下內(nèi)容為張勛視角年9月15日...
茶點(diǎn)故事閱讀 36,666評(píng)論 2贊 327
?白月光啟示錄
正文我和宋清朗相戀三年担平，在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片拌禾。...
茶點(diǎn)故事閱讀 38,809評(píng)論 1贊 341
活死人
序言：一個(gè)原本活蹦亂跳的男人離奇死亡您市，死狀恐怖，靈堂內(nèi)的尸體忽然破棺而出手蝎，到底是詐尸還是另有隱情棵介，我是刑警寧澤，帶...
沈念sama閱讀 34,504評(píng)論 4贊 334
?日本核電站爆炸內(nèi)幕
正文年R本政府宣布芳肌，位于F島的核電站亿笤，受9級(jí)特大地震影響净薛，放射性物質(zhì)發(fā)生泄漏肃拜。R本人自食惡果不足惜燃领，卻給世界環(huán)境...
茶點(diǎn)故事閱讀 40,150評(píng)論 3贊 317
男人毒藥：我在死后第九天來(lái)索命
文/蒙蒙一、第九天我趴在偏房一處隱蔽的房頂上張望凉泄。院中可真熱鬧教藻，春花似錦、人聲如沸。這莊子的主人今日做“春日...
開(kāi)封第一講書(shū)人閱讀 30,882評(píng)論 0贊 21
一樁弒父案孝宗，背后竟有這般陰謀
文/蒼蘭香墨我抬頭看了看天上的太陽(yáng)。三九已至摔寨，卻和暖如春季惩，著一層夾襖步出監(jiān)牢的瞬間菜职，已是汗流浹背嫡意。一陣腳步聲響...
開(kāi)封第一講書(shū)人閱讀 32,121評(píng)論 1贊 267
情欲美人皮
我被黑心中介騙來(lái)泰國(guó)打工，沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留捣辆，地道東北人蔬螟。一個(gè)月前我還...
沈念sama閱讀 46,628評(píng)論 2贊 362
代替公主和親
正文我出身青樓，卻偏偏與公主長(zhǎng)得像罪帖，于是被迫代替她去往敵國(guó)和親。傳聞我的和親對(duì)象是個(gè)殘疾皇子邮屁，可洞房花燭夜當(dāng)晚...
茶點(diǎn)故事閱讀 43,724評(píng)論 2贊 351