Skip to article frontmatterSkip to article content
Site not loading correctly?

This may be due to an incorrect BASE_URL configuration. See the MyST Documentation for reference.

قطعه‌بندی تصویر با k-means

English · فارسی

قطعه‌بندی تصویر با k-means

گروه علوم کامپیوتر، دانشگاه فردوسی مشهد

«قطعه‌بندی» یعنی چه

تصویر جدولی از اعداد است. تصویر خاکستری آرایه‌ای H x W است با یک مقدار روشنایی برای هر پیکسل؛ تصویر رنگی سه عدد برای هر پیکسل دارد. قطعه‌بندی یک تصویر، دادن برچسب به هر پیکسل است که بگوید آن پیکسل به کدام ناحیه یا کدام شیء تعلق دارد. پس قطعه‌بندی خود تصویر را عوض نمی‌کند، بلکه نحوهٔ توصیف آن را عوض می‌کند: به‌جای ۲۴۰٬۰۰۰ سطح خاکستری، به چند ناحیه می‌رسیم.

این صفحه دو راه یافتن این برچسب‌ها را مقایسه می‌کند:

  1. آستانه‌گذاری — یک مقدار برش که با دست انتخاب می‌شود: پیکسل‌های بالاتر از آن یک ناحیه‌اند و بقیه ناحیه‌ای دیگر.

  2. خوشه‌بندی — برش از داده یاد گرفته می‌شود با k-means، و به بیش از دو ناحیه هم تعمیم می‌یابد بدون اینکه کسی آستانه‌ای بنویسد.

گام سوم جزء گمشدهٔ دو راه اول را می‌افزاید: موقعیت پیکسل. روشی که فقط روشنایی را می‌بیند نمی‌تواند دو ناحیهٔ هم‌روشنایی را از هم جدا کند، هرقدر هم در تصویر از هم دور باشند.

در پایان باید بتوانید

  • تصویر را به جدول (n_pixels, n_features) تبدیل کنید که scikit-learn انتظار دارد، و توضیح دهید چرا دادن تصویر خام به fit شکل نادرستی است؛

  • labels_ و cluster_centers_ را بخوانید و بگویید کدام‌یک تصویر را می‌کشد و چرا؛

  • مختصات را به‌عنوان ویژگی اضافه کنید و پیش‌بینی کنید چه عوض می‌شود؛

  • توضیح دهید چرا شمارهٔ خوشه‌ها باید پیش از مقایسهٔ دو قطعه‌بندی بازچینی شود.

ابزارها

چهار کتابخانه کافی است: NumPy برای آرایه‌ها، matplotlib برای دیدنشان، KMeans از scikit-learn، و skimage برای عکس نمونه‌ای که در نیمهٔ دوم به کار می‌رود.

Source

۱. یک تصویر اسباب‌بازی

عکس‌های واقعی بزرگ‌اند و هیستوگرامشان نرم است، و همین پنهان می‌کند که الگوریتم واقعاً چه می‌کند. پس مثال اول آرایه‌ای 5 x 6 از عددهای کوچک است، چنان انتخاب‌شده که هر عدد را با چشم بخوانید. هر درایه را یک سطح خاکستری بگیرید: 0 سیاه و 9 سفید.

دانهٔ تصادفی ثابت (default_rng(0)) به کار می‌رود تا عددها — و در نتیجه هر شکل این بخش — در هر بار ساخت صفحه یکسان بمانند.

Source
array([[8, 6, 5, 2, 3, 0], [0, 0, 1, 8, 6, 9], [5, 6, 9, 7, 6, 5], [5, 9, 2, 8, 6, 0], [3, 8, 5, 0, 7, 7]])

imshow آرایه را به‌صورت تصویر می‌کشد، ولی مقیاس رنگ‌ها را باید گفت: بی vmin و vmax، matplotlib نقشهٔ رنگ را به هر بازه‌ای که در داده هست مقیاس می‌دهد و آن‌گاه دو تصویر از یک صحنه می‌توانند متفاوت دیده شوند. اینجا مقیاس روی بازهٔ کامل 0..9 ثابت شده است.

Source
<Figure size 300x400 with 2 Axes>

۲. ساده‌ترین قطعه‌بندی: آستانه‌گذاری

عددی بگیرید، مثلاً 5، و هر پیکسل بالاتر از آن را پیش‌زمینه بنامید:

label(i,j)={1if img[i,j]>5,0otherwise.\text{label}(i,j) = \begin{cases} 1 & \text{if } \mathrm{img}[i,j] > 5,\\ 0 & \text{otherwise.} \end{cases}

در NumPy این یک مقایسه است. نتیجه آرایه‌ای بولی با همان شکل تصویر است، و True/False دقیقاً مثل 1/0 رفتار می‌کنند؛ از همین رو قطعه‌بندی دو‌ناحیه‌ای یک تصویر دودویی است.

Source
(numpy.ndarray, array([[ True, True, False, False, False, False], [False, False, False, True, True, True], [False, True, True, True, True, False], [False, True, False, True, True, False], [False, True, False, False, True, True]]))

قطعه‌بندی همان ماسک است، نه عددها. برای دیدنش، دو آرایه را کنار هم روی مقیاس‌های خودشان بگذارید: 0..9 برای تصویر اصلی تا سطوح خاکستری همان معنایی را بدهند که داشتند، و 0..1 برای ماسک تا سیاه واقعاً برچسب 0 باشد.

Source
<Figure size 700x300 with 2 Axes>

آستانه‌گذاری کجا می‌ایستد

سه چیز به‌محض اینکه تصویر عکس باشد و نه اسباب‌بازی خراب می‌شود:

  • برش از خود درآورده شده است. چرا 5 و نه 4 یا 6؟ روی این آرایهٔ اسباب‌بازی جواب تقریباً اهمیتی ندارد؛ روی تصویر واقعی هر انتخاب مساحتی متفاوت می‌دهد و هیچ‌کس نمی‌داند کدام درست است.

  • یک برش از عهدهٔ نور ناهموار برنمی‌آید. فنجان سفید در سایه و میز تیره در نور می‌توانند سطح خاکستری یکسان داشته باشند، پس هیچ عدد واحدی «فنجان» را از «میز» در همه‌جای تصویر جدا نمی‌کند.

  • ممکن است بیش از دو ناحیه باشند. ناحیهٔ سوم برش دومی می‌خواهد که با دست انتخاب شود، چهارمی برش سوم، و برش‌ها دیگر مستقل از هم نیستند.

خوشه‌بندی برشِ درآورده‌شده را با برشی که از داده برآورد می‌شود جانشین می‌کند: ما فقط می‌گوییم چند گروه می‌خواهیم، K، و k-means جای گروه‌ها را می‌یابد.

۳. k-means با یک ویژگی در هر زمان

k-means با تناوب دو گام، نمونه‌ها را به K گروه افراز می‌کند:

  1. انتساب هر نمونه به نزدیک‌ترین مرکز،

  2. به‌روزرسانی هر مرکز به میانگین نمونه‌های منتسب‌شده به آن،

تا وقتی چیزی جابه‌جا نشود. کلاس KMeans از scikit-learn همهٔ این کار را در .fit(X) انجام می‌دهد و دو نتیجه باقی می‌گذارد:

ویژگیشکلمعنا
labels_(n_samples,)هر نمونه در کدام گروه افتاد: 0، 1، …، K-1
cluster_centers_(K, n_features)میانگین هر گروه

شکلی که k-means انتظار دارد

KMeans هیچ از تصویر نمی‌داند. جدولی می‌گیرد با یک نمونه در هر سطر و یک ویژگی در هر ستون:

X.shape == (n_samples, n_features)

پس فهرستی از هفت عدد جدول معتبری نیست: یک نمونه با هفت ویژگی است، که مسئلهٔ دیگری است. reshape(-1, 1) هفت عدد را به هفت سطر تک‌ستونی تبدیل می‌کند و -1 یعنی «این بُعد را خودت حساب کن».

Source
X.shape        : (7, 1)
labels         : [1 1 1 0 0 0 0]
cluster centers: [8.5 2. ]

دو نکته دربارهٔ خروجی.

  • برچسب‌ها 0 و 1 هستند، ولی هیچ چیزی نمی‌گوید 0 گروه تیره‌تر است. شمارهٔ خوشه‌ها نام‌های دلبخواه‌اند؛ اینجا به یک ترتیب درمی‌آید و در اجرای دیگری روی داده‌ای دیگر ممکن است برعکس شود.

  • مرکزها میانگیناند، نه عضو: داده 2 و 7 دارد، مرکزها 2.0 و 8.0 هستند. همان «برش آموخته‌شده» است — هر چه زیر 5 است به گروه اول و هر چه بالای آن است به گروه دوم می‌رود.

دام: برازش خود تصویر

حالا همان فراخوانی روی تصویر اسباب‌بازی. img شکل 5 x 6 دارد، پس scikit-learn آن را ۵ نمونه با ۶ ویژگی می‌خواند — پنج سطر شش‌عددی — و پنج برچسب می‌دهد، یکی برای هر سطر. نتیجه گروه‌بندی خطوط افقی است، نه قطعه‌بندی پیکسل‌ها.

Source
features K-means read: 6
number of labels     : 5
labels               : [0 1 0 0 0]

اصلاح کار این است که صریح بگوییم یک نمونه چیست: یک پیکسل، یک سطح خاکستری. تخت‌کردن تصویر به (H*W, 1) سی نمونه با یک ویژگی می‌دهد، و آن‌گاه دو گروه «پیکسل‌های تیره» و «پیکسل‌های روشن» می‌شوند — دقیقاً همان چیزی که آستانه‌گذاری حساب کرد، با این تفاوت که برش یاد گرفته شد و نه تایپ.

Source
X.shape: (30, 1)
labels : [0 0 0 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 0 0 1 0 0]
centers: [1.1  6.75]

برگرداندن برچسب‌ها

labels فهرستی تخت به ترتیب سطر‌محور است: نخستین W درایه سطر اول تصویر است، W تای بعدی سطر دوم و به همین ترتیب — همان ترتیبی که reshape(-1, 1) پیکسل‌ها را خواند. پس بازشکل به img.shape هر برچسب را روی پیکسل خودش برمی‌گرداند.

Source
<Figure size 700x300 with 2 Axes>

برچسب‌ها نام‌اند؛ مرکزها سطح خاکستری

پنل راست برچسب‌ها را نشان می‌دهد و شبیه قطعه‌بندی است — ولی رنگ‌هایی که به کار می‌برد شناسه‌های خوشه 0 و 1 است، نه روشنایی. اگر برچسب‌ها برعکس درمی‌آمدند، همان ناحیه‌ها با سایه‌های جابه‌جاشده رنگ می‌شدند، و همین مقایسهٔ دو قطعه‌بندی را ناممکن می‌کند.

رنگ‌کردن هر پیکسل با مرکز خوشه‌اش این را جبران می‌کند. آن‌گاه تصویر پوستری می‌شود: هر ناحیه یک سطح خاکستری می‌گیرد و آن سطوح میانگین واقعی روشنایی ناحیه‌اند، پس ترتیبی وجود دارد.

Source
label -> learned gray level: {0: 6.75, 1: 1.1}
Source
<Figure size 900x300 with 3 Axes>

۴. یک عکس واقعی

skimage.data چند تصویر آزمون دارد؛ آن‌که اینجا به کار می‌رود عکس رنگی 400 x 600 از یک فنجان قهوه است. rgb2gray آن را با میانگین وزنی معمول سه کانال تبدیل می‌کند، پس هر پیکسل عددی در [0, 1] می‌شود. کار در خاکستری اول فضای ویژگی را یک‌بُعدی نگه می‌دارد و خواندن کار k-means را آسان می‌کند؛ خوشه‌بندی در رنگ یکی از تمرین‌هاست.

Source
colour image: (400, 600, 3) uint8
gray image  : (400, 600) 0.0002827450980392157 1.0
<Figure size 1000x400 with 2 Axes>

K = 4 چهار گروه روشنایی می‌خواهد: معمولاً میز تیره، بشقاب میان‌تیره، فنجان روشن و درخشش روی فنجان. هیچ‌چیز در کد از فنجان و میز نمی‌داند — پیکسل‌ها فقط بر پایهٔ سطح خاکستری مرتب می‌شوند و تصویر بعد نقاشی می‌شود.

Source
number of pixels   : 240000
learned gray levels: [0.088 0.312 0.522 0.804]
<Figure size 1000x400 with 2 Axes>
Source
<Figure size 1000x400 with 2 Axes>

انتخاب K

K تنها عددی است که کاربر می‌دهد، و گزاره‌ای است دربارهٔ صحنه، نه دربارهٔ الگوریتم: «باور دارم اینجا چهار نوع سطح هست». کوچک‌تر از اندازه، دو سطح متفاوت یک ناحیه را شریک می‌شوند؛ بزرگ‌تر، یک سطح به سایه‌های خودش می‌شکند. تشخیص‌های معمول — آرنج inertia، امتیاز سیلوئت — موضوع صفحهٔ اعتبارسنجی خوشه‌بندی است.

۵. مختصات پیکسل به‌عنوان ویژگی اضافه

همهٔ بالا در هر زمان به یک پیکسل نگاه می‌کرد. تخت‌کردن تصویر تنها چیزی را که می‌گفت پیکسل کجاست دور انداخت: دو پیکسل با سطح خاکستری یکسان برای k-means یک نمونه‌اند، چه کنار هم باشند چه در دو گوشهٔ مخالف. پس روشی که فقط روشنایی را به کار می‌برد هرگز نمی‌تواند دو بخش از یک شیء با رنگ یکسان را جدا کند و با خوشحالی جزیره‌های پراکندهٔ یک ناحیه را درون ناحیهٔ دیگر می‌کشد.

اصلاح کار این است که به هر پیکسل سه ویژگی بدهیم نه یکی: سطح خاکستری v، ستون x و سطر y. آن‌گاه k-means نقطه‌ها را در فضای سه‌بُعدی خوشه‌بندی می‌کند و دو پیکسل باید هم در روشنایی توافق داشته باشند و هم در فضا نزدیک باشند تا ناحیه‌ای را شریک شوند.

مقیاس مهم است

سطح خاکستری در [0, 1] است، در حالی که شمارهٔ ستون تا w - 1 می‌رود — چند صد. فاصلهٔ اقلیدسی را بزرگ‌ترین عددها می‌بلعند، پس با مختصات خام روشنایی نادیده می‌ماند و نتیجه کاشی‌کاری تصویر به مربع‌های برابر می‌شود. تقسیم هر ستون بر بیشینه‌اش هر سه ویژگی را به مقیاس [0, 1] می‌برد که در آن می‌توانند با هم رقابت کنند.

Source
image size: (200, 300) -> pixels: 60000
Source
coordinates of the first three pixels:
 [[0 0]
 [1 0]
 [2 0]]
min / max of each feature before scaling:
 [[1.48394732e-02 0.00000000e+00 0.00000000e+00]
 [9.94999902e-01 2.99000000e+02 1.99000000e+02]]
after scaling:
 [[0.057 0.    0.   ]
 [0.057 0.003 0.   ]
 [0.059 0.007 0.   ]]
Source
<Figure size 900x700 with 4 Axes>

تفاوت فوراً دیده می‌شود: با مختصات، ناحیه‌ها از خط دور فنجان پیروی می‌کنند و لکه‌های روشن پراکندهٔ نتیجهٔ تک‌ویژگی ناپدید می‌شوند، چون یک لکه اکنون یا در فضا به ناحیه‌ای واقعی نزدیک است یا نیست.

دو نکته پیش از ادامه.

  • با مختصات، فاصله اختلاف روشنایی و فاصلهٔ مکانی را در هم می‌آمیزد و نرمال‌سازی نرخ مبادله را تعیین می‌کند. مقیاس‌کردن ستون‌های مختصات با ضریب \lambda < 1 جملهٔ مکانی را ضعیف می‌کند و نتیجه را به نسخهٔ تک‌ویژگی نزدیک‌تر می‌سازد؛ این همان پیچ پیوسته میان دو انتهای بالا است.

  • پنل سوم و چهارم با شناسه‌های خوشه رنگ شده‌اند، پس سایه‌هایشان دلبخواه است. مقایسهٔ منصفانه‌شان گام زیر را می‌خواهد.

بازچینی برچسب‌ها بر پایهٔ روشنایی

خوشهٔ 0 در یک قطعه‌بندی و خوشهٔ 0 در قطعه‌بندی دیگر هیچ اشتراکی ندارند: شماره‌گذاری بستگی دارد به اینکه مرکزها از کجا شروع کرده‌اند. برای مقایسهٔ دو قطعه‌بندی — و حتی برای دیدن یکی — خوشه‌ها را بر پایهٔ میانگین سطح خاکستری پیکسل‌هایشان شماره بزنید تا 0 همیشه تیره‌ترین ناحیه و K-1 روشن‌ترین باشد. np.argsort رتبه‌بندی را می‌دهد و حلقهٔ زیر آن را بر برچسب‌ها اعمال می‌کند.

Source
Source
intensity only : [0.043 0.095 0.154 0.213 0.269 0.313 0.364 0.415 0.466 0.516 0.574 0.628
 0.691 0.76  0.851 0.935]
intensity + xy : [0.091 0.101 0.105 0.124 0.254 0.294 0.362 0.377 0.444 0.468 0.493 0.558
 0.57  0.642 0.814 0.885]
Source
<Figure size 900x700 with 4 Axes>
<Figure size 1500x500 with 3 Axes>

کاربرد: ابرپیکسل

نمونهٔ ابرپیکسل با پیاده‌سازی آمادهٔ SLIC

skimage الگوریتم SLIC را آماده دارد. برای اینکه نمایش سریع بماند و در همان حال شکل مشخصهٔ ابرپیکسل‌ها دیده شود، عکس ورودی نخست به نیمِ اندازهٔ اصلی کوچک می‌شود (۵۱۲×۵۱۲ ← ۲۵۶×۲۵۶). سپس الگوریتم روی همین تصویر کوچک‌تر اجرا می‌شود.

SLIC با اجرای یک k-means محلی روی بردارهای ویژگی پنج‌بُعدی کار می‌کند که سه مؤلفهٔ رنگ (در فضای ادراکی-یکنواخت Lab) را با دو مختصات پیکسل (x, y) در هم می‌آمیزد. محدود کردن هر به‌روزرسانی به پنجره‌ای کوچک گرد هر مرکز همان چیزی است که ناحیه‌ها را جمع‌وجور و تقریباً شبکه‌ای می‌کند. پارامتر compactness نقش وزن m روی جملهٔ مکانی را بازی می‌کند: مقدار بزرگ‌تر ابرپیکسل‌ها را منظم‌تر می‌کند؛ مقدار کوچک‌تر می‌گذارد جملهٔ رنگ چیره شود و ناحیه‌ها آزادانه‌تر از مرزهای رنگ پیروی کنند.

image shape after rescaling: (256, 256, 3)
<Figure size 1200x500 with 2 Axes>

قطعه‌بندی به سبک ابرپیکسل با k-means خودمان

همان ایده را می‌توان با چیزی بیش از KMeans از scikit-learn بازتولید کرد. هر پیکسل یک نمونه می‌شود که ویژگی‌هایش سه مؤلفهٔ رنگ Lab (مقیاس‌شده به [0, 1]) به‌علاوهٔ موقعیت نرمال‌شدهٔ (x, y) پیکسل است. وزن مکانی تعیین می‌کند الگوریتم چقدر پیکسل‌های نزدیک را بر شباهت رنگی ترجیح دهد.

ناحیه‌های به‌دست‌آمده از SLIC واقعی نامنظم‌ترند، چون این یک k-means جهانی است: انتساب‌ها را به پنجره‌ای محلی محدود نمی‌کند و گام پیوستگی ندارد. با این حال همان ایده است و روشن می‌کند که تمام ترفند پشت SLIC به‌سادگی این است: «مختصات پیکسل را ویژگی اضافه بگیر و بردارهای پنج‌بُعدی را خوشه‌بندی کن».

تصویر ورودی به نیمِ اندازهٔ اصلی کوچک می‌شود تا زمان اجرا روی مسئلهٔ ۶۵٬۵۳۶ نمونه معقول بماند و نتیجهٔ دیداری هم هنوز آگاهی‌بخش باشد.

image shape after rescaling: (256, 256, 3)
<Figure size 1200x500 with 2 Axes>

تفاوتی که می‌بینید ایراد نیست: دقیقاً همان دلیلی است که SLIC را گونهٔ محلی k-means می‌نامند. محدود کردن جست‌وجو به پنجره‌ای گرد هر مرکز و اعمال پیوستگی در پایان، دو جزء‌‌ی‌اند که یک k-means جهانی را به الگوریتم درست ابرپیکسل تبدیل می‌کنند.

۶. سه روش در کنار هم

روشبردار ویژگی یک پیکسلچه را می‌تواند جدا کندچه را نمی‌تواند
آستانه‌گذاری— (برشی روی v)دو سطح روشناییهر چیز دیگر؛ برش دستی می‌خواهد
k-means روی v(v)K سطح روشنایی، یادگرفتهناحیه‌های هم‌روشنایی در جاهای مختلف
k-means روی (v, x, y)(v, x, y)روشنایی و جمع‌وجوری مکانیاشیای غیرجمع‌وجور؛ وزن مقیاس می‌خواهد

ترتیب جدول همان داستان صفحه است. هر سطر یک تکه اطلاعات می‌افزاید که سطر بالایی نمی‌دید: اولی هیچ پارامتر آموخته‌شده‌ای ندارد، دومی سطح‌ها را می‌آموزد، سومی سطح‌ها را می‌آموزد و از جای پیکسل‌ها هم بهره می‌برد.

هیچ‌کدام نمی‌دانند فنجان چیست. آنچه عوض می‌شود فقط نمایش یک پیکسل است — یک عدد یا سه عدد — و قطعه‌بندی همان چیزی است که خوشه‌بندی این نمایش می‌دهد.

خلاصه

  • قطعه‌بندی به هر پیکسل برچسبی می‌دهد؛ توصیفی از تصویر است، نه تغییری در آن.

  • آستانه‌گذاری برشی دستی روی سطح خاکستری است: روی آرایهٔ اسباب‌بازی درست، زیر نور ناهموار شکننده، و در بیش از دو ناحیه کور.

  • KMeans شکل (n_samples, n_features) می‌خواهد. برای تصویر یعنی img.reshape(-1, 1) — یک پیکسل در هر سطر — هرگز آرایهٔ خام H x W که به‌صورت H نمونه با W ویژگی خوانده می‌شود.

  • labels_ نام‌های دلبخواه‌اند؛ cluster_centers_[labels] تصویر را با سطح‌های خاکستری واقعی می‌کشد و نتیجه را قابل‌مقایسه می‌کند.

  • برچسب‌ها همیشه تخت و به ترتیب سطرمحور برمی‌گردند، پس reshape(img.shape) آن‌ها را روی پیکسل درست می‌گذارد.

  • افزودن (x, y) به‌عنوان ویژگی به خوشه‌بندی امکان می‌دهد از موقعیت بهره ببرد؛ این کار جزیره‌های پراکنده را برمی‌دارد و از خط دور اشیا پیروی می‌کند؛ ولی ستون‌ها نخست باید به بازهٔ مشترکی مقیاس شوند و همان مقیاس وزن جملهٔ مکانی است.

  • شناسه‌های خوشه باید پیش از مقایسهٔ دو قطعه‌بندی بازچینی شوند (اینجا بر پایهٔ میانگین روشنایی).

تمرین‌ها

  1. آستانهٔ بخش ۲ را از 5 به 6 و 4 تغییر دهید. کدام پیکسل‌ها ناحیه عوض می‌کنند، و جواب «درست» روی این آرایهٔ اسباب‌بازی اصلاً چه معنایی می‌تواند داشته باشد؟

  2. تصویر رنگی را خوشه‌بندی کنید: coffee.reshape(-1, 3) و K = 8 را به کار ببرید، بعد هر پیکسل را با cluster_centers_[labels] بازشکل‌داده به (H, W, 3) رنگ کنید. رنگ کجا موفق می‌شود و خاکستری کجا شکست می‌خورد؟

  3. برای فنجان قهوه، قطعه‌بندی تک‌ویژگی را با K = 2, 4, 8, 16 اجرا کنید و بگویید هر خوشهٔ اضافه چه می‌خرد. نتیجه از کجا دیگر قطعه‌بندی نیست و به کاهش سایه‌ها تبدیل می‌شود؟

  4. در آزمایش مختصات K را به 4 تغییر دهید و نرمال‌سازی را نگه دارید، سپس آن را با ستون‌های مختصات ضرب‌شده در 0.2 تکرار کنید. تفاوت را برحسب دو جملهٔ فاصله توضیح دهید.

  5. برای K = 1..10 روی تصویر خاکستری، inertia (kmeans.inertia_) را برحسب K رسم کنید. آرنجی هست و با Kای که با چشم انتخاب می‌کنید توافق دارد؟

منابع