图像处理（五）——连通域

已于 2022-11-27 10:15:14 修改
阅读量3.6w 收藏 203
点赞数 29
分类专栏： 图像处理 南木的下午茶 文章标签： 图像处理
于 2018-11-07 22:35:33 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Godsolve/article/details/83833337
版权

连通区域（Connected Component）一般是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域（Region，Blob）。连通区域分析（Connected Component Analysis,Connected Component Labeling）是指将图像中的各个连通区域找出并标记。
连通区域分析是一种在CVPR和图像分析处理的众多应用领域中较为常用和基本的方法。例如：OCR识别中字符分割提取（车牌识别、文本识别、字幕识别等）、视觉跟踪中的运动前景目标分割与提取（行人入侵检测、遗留物体检测、基于视觉的车辆检测与跟踪等）、医学图像处理（感兴趣目标区域提取）、等等。也就是说，在需要将前景目标提取出来以便后续进行处理的应用场景中都能够用到连通区域分析方法，通常连通区域分析处理的对象是一张二值化后的图像。

而这次我要做的是实现图像的快速连通域算法，可以提取出图像中的连通域，并将不同连通域用不同颜色表示。

寻找图像中的连通域的算法有两个，一个是Two-Pass方法

Two-Pass算法的简单步骤：

（1）第一次扫描：
访问当前像素B(x,y)，如果B(x,y) == 1：

a、如果B(x,y)的领域中像素值都为0，则赋予B(x,y)一个新的label：
label += 1， B(x,y) = label；

b、如果B(x,y)的领域中有像素值 > 1的像素Neighbors：
1）将Neighbors中的最小值赋予给B(x,y):
B(x,y) = min{Neighbors}

2）记录Neighbors中各个值（label）之间的相等关系，即这些值（label）同属同一个连通区域；

labelSet[i] = { label_m, …, label_n }，labelSet[i]中的所有label都属于同一个连通区域

图示为：
在这里插入图片描述

// 1. 第一次遍历

	_lableImg.release();
	_binImg.convertTo(_lableImg, CV_32SC1);

	int label = 1;  // start by 2
	std::vector<int> labelSet;
	labelSet.push_back(0);   // background: 0
	labelSet.push_back(1);   // foreground: 1

	int rows = _binImg.rows - 1;
	int cols = _binImg.cols - 1;
	for (int i = 1; i < rows; i++)
	{
		int* data_preRow = _lableImg.ptr<int>(i - 1);
		int* data_curRow = _lableImg.ptr<int>(i);
		for (int j = 1; j < cols; j++)
		{
			if (data_curRow[j] == 1)
			{
				std::vector<int> neighborLabels;
				neighborLabels.reserve(2);
				int leftPixel = data_curRow[j - 1];
				int upPixel = data_preRow[j];
				if (leftPixel > 1)
				{
					neighborLabels.push_back(leftPixel);
				}
				if (upPixel > 1)
				{
					neighborLabels.push_back(upPixel);
				}

				if (neighborLabels.empty())
				{
					labelSet.push_back(++label);  // assign to a new label
					data_curRow[j] = label;
					labelSet[label] = label;
				}
				else
				{
					std::sort(neighborLabels.begin(), neighborLabels.end());
					int smallestLabel = neighborLabels[0];
					data_curRow[j] = smallestLabel;

					// save equivalence
					for (size_t k = 1; k < neighborLabels.size(); k++)
					{
						int tempLabel = neighborLabels[k];
						int& oldSmallestLabel = labelSet[tempLabel];
						if (oldSmallestLabel > smallestLabel)
						{
							labelSet[oldSmallestLabel] = smallestLabel;
							oldSmallestLabel = smallestLabel;
						}
						else if (oldSmallestLabel < smallestLabel)
						{
							labelSet[smallestLabel] = oldSmallestLabel;
						}
					}
				}
			}
		}
	}

（2）第二次扫描：
访问当前像素B(x,y)，如果B(x,y) > 1：

a、找到与label = B(x,y)同属相等关系的一个最小label值，赋予给B(x,y)；
完成扫描后，图像中具有相同label值的像素就组成了同一个连通区域。

图示为：
在这里插入图片描述

// 2. 第二遍扫描
	for (int i = 0; i < rows; i++)
	{
		int* data = _lableImg.ptr<int>(i);
		for (int j = 0; j < cols; j++)
		{
			int& pixelLabel = data[j];
			pixelLabel = labelSet[pixelLabel];
		}
	}
}

另一个方法就是Seed-Filling方法

种子填充法的连通区域分析方法：

（1）扫描图像，直到当前像素点B(x,y) == 1：

a、将B(x,y)作为种子（像素位置），并赋予其一个label，然后将该种子相邻的所有前景像素都压入栈中；
在这里插入图片描述
b、弹出栈顶像素，赋予其相同的label，然后再将与该栈顶像素相邻的所有前景像素都压入栈中；
在这里插入图片描述

// 推及到四个邻居
					if (_lableImg.at<int>(curX, curY - 1) == 1)
					{// 左边的像素
						neighborPixels.push(std::pair<int, int>(curX, curY - 1));
					}
					if (_lableImg.at<int>(curX, curY + 1) == 1)
					{// 右边的像素
						neighborPixels.push(std::pair<int, int>(curX, curY + 1));
					}
					if (_lableImg.at<int>(curX - 1, curY) == 1)
					{// 上面的像素
						neighborPixels.push(std::pair<int, int>(curX - 1, curY));
					}
					if (_lableImg.at<int>(curX + 1, curY) == 1)
					{// 下面的像素
						neighborPixels.push(std::pair<int, int>(curX + 1, curY));
					}

c、重复b步骤，直到栈为空；
此时，便找到了图像B中的一个连通区域，该区域内的像素值被标记为label；
在这里插入图片描述
（2）重复第（1）步，直到扫描结束；
在这里插入图片描述
扫描结束后，就可以得到图像B中所有的连通区域；

而我选择的是种子填充方法。
对下面这张图片做处理在这里插入图片描述
得到结果为：
在这里插入图片描述

改变连通域颜色：

我用的方法是在刚开始的时候就随机设置三个RGB 值，然后为填充不同连通域（每个连通域的像素的RGB值都是随机的）。

cv::Scalar icvprGetRandomColor()
{
	uchar r = 255 * (rand() / (1.0 + RAND_MAX));
	uchar g = 255 * (rand() / (1.0 + RAND_MAX));
	uchar b = 255 * (rand() / (1.0 + RAND_MAX));
	return cv::Scalar(b, g, r);
}

代码自取

// CVE6.cpp: 定义控制台应用程序的入口点。
//

#include "stdafx.h"
#include <iostream>
#include <string>
#include <list>
#include <vector>
#include <map>
#include <stack>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <stdio.h>
using namespace cv;
//Two Pass方法
void icvprCcaByTwoPass(const cv::Mat& _binImg, cv::Mat& _lableImg)
{
	/*
	 Two-Pass算法的简单步骤：
     （1）第一次扫描：
     访问当前像素B(x,y)，如果B(x,y) == 1：
     a、如果B(x,y)的领域中像素值都为0，则赋予B(x,y)一个新的label：
     label += 1， B(x,y) = label；
     b、如果B(x,y)的领域中有像素值 > 1的像素Neighbors：
     1）将Neighbors中的最小值赋予给B(x,y):
     B(x,y) = min{Neighbors} 
     2）记录Neighbors中各个值（label）之间的相等关系，即这些值（label）同属同一个连通区域；
     labelSet[i] = { label_m, .., label_n }，labelSet[i]中的所有label都属于同一个连通区域
	 （2）第二次扫描：
	 访问当前像素B(x,y)，如果B(x,y) > 1：
	 a、找到与label = B(x,y)同属相等关系的一个最小label值，赋予给B(x,y)；
	 完成扫描后，图像中具有相同label值的像素就组成了同一个连通区域。
	*/

	if (_binImg.empty() ||
		_binImg.type() != CV_8UC1)
	{
		return;
	}

	// 1. 第一次遍历

	_lableImg.release();
	_binImg.convertTo(_lableImg, CV_32SC1);

	int label = 1;  // start by 2
	std::vector<int> labelSet;
	labelSet.push_back(0);   // background: 0
	labelSet.push_back(1);   // foreground: 1

	int rows = _binImg.rows - 1;
	int cols = _binImg.cols - 1;
	for (int i = 1; i < rows; i++)
	{
		int* data_preRow = _lableImg.ptr<int>(i - 1);
		int* data_curRow = _lableImg.ptr<int>(i);
		for (int j = 1; j < cols; j++)
		{
			if (data_curRow[j] == 1)
			{
				std::vector<int> neighborLabels;
				neighborLabels.reserve(2);
				int leftPixel = data_curRow[j - 1];
				int upPixel = data_preRow[j];
				if (leftPixel > 1)
				{
					neighborLabels.push_back(leftPixel);
				}
				if (upPixel > 1)
				{
					neighborLabels.push_back(upPixel);
				}

				if (neighborLabels.empty())
				{
					labelSet.push_back(++label);  // assign to a new label
					data_curRow[j] = label;
					labelSet[label] = label;
				}
				else
				{
					std::sort(neighborLabels.begin(), neighborLabels.end());
					int smallestLabel = neighborLabels[0];
					data_curRow[j] = smallestLabel;

					// save equivalence
					for (size_t k = 1; k < neighborLabels.size(); k++)
					{
						int tempLabel = neighborLabels[k];
						int& oldSmallestLabel = labelSet[tempLabel];
						if (oldSmallestLabel > smallestLabel)
						{
							labelSet[oldSmallestLabel] = smallestLabel;
							oldSmallestLabel = smallestLabel;
						}
						else if (oldSmallestLabel < smallestLabel)
						{
							labelSet[smallestLabel] = oldSmallestLabel;
						}
					}
				}
			}
		}
	}

	// 更新标签
	// 用每个连通域中最小的标签来表示这个连通域
	for (size_t i = 2; i < labelSet.size(); i++)
	{
		int curLabel = labelSet[i];
		int preLabel = labelSet[curLabel];
		while (preLabel != curLabel)
		{
			curLabel = preLabel;
			preLabel = labelSet[preLabel];
		}
		labelSet[i] = curLabel;
	}

	// 2. 第二遍扫描
	for (int i = 0; i < rows; i++)
	{
		int* data = _lableImg.ptr<int>(i);
		for (int j = 0; j < cols; j++)
		{
			int& pixelLabel = data[j];
			pixelLabel = labelSet[pixelLabel];
		}
	}
}

void icvprCcaBySeedFill(const cv::Mat& _binImg, cv::Mat& _lableImg)
{
	/*
	种子填充法的连通区域分析方法：
（1）扫描图像，直到当前像素点B(x,y) == 1：
a、将B(x,y)作为种子（像素位置），并赋予其一个label，然后将该种子相邻的所有前景像素都压入栈中；
b、弹出栈顶像素，赋予其相同的label，然后再将与该栈顶像素相邻的所有前景像素都压入栈中；
c、重复b步骤，直到栈为空；
此时，便找到了图像B中的一个连通区域，该区域内的像素值被标记为label；
（2）重复第（1）步，直到扫描结束；
扫描结束后，就可以得到图像B中所有的连通区域；
	*/

	if (_binImg.empty() ||
		_binImg.type() != CV_8UC1)
	{
		return;
	}

	_lableImg.release();
	_binImg.convertTo(_lableImg, CV_32SC1);

	int label = 1;  // start by 2

	int rows = _binImg.rows - 1;
	int cols = _binImg.cols - 1;
	for (int i = 1; i < rows - 1; i++)
	{
		int* data = _lableImg.ptr<int>(i);
		for (int j = 1; j < cols - 1; j++)
		{
			if (data[j] == 1)
			{
				std::stack<std::pair<int, int>> neighborPixels;
				neighborPixels.push(std::pair<int, int>(i, j));     // 像素坐标: <i,j>
				++label;  //从一个新label开始
				while (!neighborPixels.empty())
				{
					// 栈中最上面的像素给予和与其连通的像素相同的label
					std::pair<int, int> curPixel = neighborPixels.top();
					int curX = curPixel.first;
					int curY = curPixel.second;
					_lableImg.at<int>(curX, curY) = label;

					// 弹出最上面的像素
					neighborPixels.pop();

					// 推及到四个邻居
					if (_lableImg.at<int>(curX, curY - 1) == 1)
					{// 左边的像素
						neighborPixels.push(std::pair<int, int>(curX, curY - 1));
					}
					if (_lableImg.at<int>(curX, curY + 1) == 1)
					{// 右边的像素
						neighborPixels.push(std::pair<int, int>(curX, curY + 1));
					}
					if (_lableImg.at<int>(curX - 1, curY) == 1)
					{// 上面的像素
						neighborPixels.push(std::pair<int, int>(curX - 1, curY));
					}
					if (_lableImg.at<int>(curX + 1, curY) == 1)
					{// 下面的像素
						neighborPixels.push(std::pair<int, int>(curX + 1, curY));
					}
				}
			}
		}
	}
}

//为连通域加上颜色
cv::Scalar icvprGetRandomColor()
{
	uchar r = 255 * (rand() / (1.0 + RAND_MAX));
	uchar g = 255 * (rand() / (1.0 + RAND_MAX));
	uchar b = 255 * (rand() / (1.0 + RAND_MAX));
	return cv::Scalar(b, g, r);
}

void icvprLabelColor(const cv::Mat& _labelImg, cv::Mat& _colorLabelImg)
{
	if (_labelImg.empty() ||
		_labelImg.type() != CV_32SC1)
	{
		return;
	}

	std::map<int, cv::Scalar> colors;

	int rows = _labelImg.rows;
	int cols = _labelImg.cols;

	_colorLabelImg.release();
	_colorLabelImg.create(rows, cols, CV_8UC3);
	_colorLabelImg = cv::Scalar::all(0);

	for (int i = 0; i < rows; i++)
	{
		const int* data_src = (int*)_labelImg.ptr<int>(i);
		uchar* data_dst = _colorLabelImg.ptr<uchar>(i);
		for (int j = 0; j < cols; j++)
		{
			int pixelValue = data_src[j];
			if (pixelValue > 1)
			{
				if (colors.count(pixelValue) <= 0)
				{
					colors[pixelValue] = icvprGetRandomColor();
				}
				cv::Scalar color = colors[pixelValue];
				*data_dst++ = color[0];
				*data_dst++ = color[1];
				*data_dst++ = color[2];
			}
			else
			{
				data_dst++;
				data_dst++;
				data_dst++;
			}
		}
	}
}

int main(int argc, char** argv)
{
	cv::Mat binImage = cv::imread("E:/C++/CVE6/图片2.png", 0);
	cv::imshow("img", binImage);
	//cv::Mat binImage2;
	cv::threshold(binImage, binImage, 50, 1, CV_THRESH_BINARY_INV);
	
	cv::Mat labelImg;
	//icvprCcaByTwoPass(binImage, labelImg);
	icvprCcaBySeedFill(binImage, labelImg) ;

	// 展示结果
	cv::Mat grayImg;
	//结果*10，更突出
	labelImg *= 10;
	labelImg.convertTo(grayImg, CV_8UC1);
	cv::imshow("labelImg", grayImg);

	cv::Mat colorLabelImg;
	//更改连通域颜色
	icvprLabelColor(labelImg, colorLabelImg);
	cv::imshow("colorImg", colorLabelImg);
	cv::waitKey(0);

	return 0;
}
南木Sir
关注
专栏目录
Android OpenCV（二十七）：​图像连通域
AndroidKt
06-07 1359
图像连通域 连通域 图像的连通域是指图像中具有相同像素值并且位置相邻的像素组成的区域， 连通域分析是指在图像中寻找出彼此互相独立的连通域并将其标记出来。 提取图像中不同的连通域是图像处理中较为常用的方法，例如在车牌识别、文字识别、目标检测等领域对感兴趣区域分割与识别。一般情况下，一个连通域内只包含一个像素值，因此为了防止像素值波动对提取不同连通域的影响，连通域分析常处理的是二值化后的图像 邻域 邻域，与指定元素相邻的像素集合。常用的有4邻域和8邻域。 如果像素点A与B邻接，我们称A与B连通，于是
图像连通域怎么理解
weixin_43763292的博客
06-17 2812
一个图像可以包含多个不同的连通域，每个连通域可以表示为一个独立的对象或区域。在计算机视觉和图像处理中，通过对图像进行连通域分析，可以对图像进行物体检测、目标跟踪、图像分割等操作。图像连通域指的是在一个二值图像中，所有具有相同像素值（通常为黑色或白色）且相邻的像素构成的连通区域。其中，相邻的像素指的是在图像中上下、左右或对角线方向上相邻的像素。3：连通域处理：对于每个连通域，可以计算其位置、大小、形状等特征，以及进行进一步的处理和分析。2：连通域标记：遍历图像中的每个像素，将与其相邻的像素标记为同一连通域。
图像处理中最大连通区域的求解
Junzzy的博客
02-11 1万+
在matlab中有对图像的连通区域进行求解的函数，即bwlabel。但是opencv里好像没有，所以这里自己实现一下，方便以后使用。   首先，我回顾一下bwlabel的参数和用法：  L =bwlabel(BW,n)     返回一个和BW大小相同的L矩阵，包含了标记了BW中每个连通区域的类别标签，这些标签的值为1、2、num（连通区域的个数）。n的值为4或8，表示是按4连通寻找区域，还
两种连通区域标记算法
章川的专栏
06-04 9488
一、 One-Pass对应的标记算法（Label.h） 使用： unsigned char label = (unsigned char )fspace_2d(imgMask2.row,imgMask2.col,sizeof(unsigned char)); std::vector shapecenterpoint; int ll = Label::CutAndLable
OpenCV16-图像连通域分析
SHLYYY
10-16 1909
函数可以实现图像中多个连通域的统计，但是只能通过标签将图像中的不同连通域分开，无法得到更多的统计信息。有时，我们希望得到每个连通域中心位置或者在图像中标记出连通域所在的矩形区域，该函数用于计算二值图像中连通域的个数，并在图像中不同的连通域用不同的数字标签标记，其中标签0表示图像中的背景色。函数返回图像中连通域的数目。根据两个像素相邻定义方式不同，得到的连通区域也不相同，因此，在分析连通域的同时，一定要声明是在哪种邻域条件下分析得到的结果。连通域是指图像中具有相同像素值并且位置相邻的像素组成的区域。
图像处理连通域算法 c++
05-06
图像处理连通域算法 c++ ，vc 6.0
图像连通域分析
彼岸花
04-29 5万+
一、前言 二值图像，顾名思义就是图像的亮度值只有两个状态：黑(0)和白(255)。二值图像在图像分析与识别中有着举足轻重的地位，因为其模式简单，对像素在空间上的关系有着极强的表现力。在实际应用中，很多图像的分析最终都转换为二值图像的分析，比如：医学图像分析、前景检测、字符识别，形状识别。二值化+数学形态学能解决很多计算机识别工程中目标提取的问题。 二值图像分析最重要的方法就是连通区域标
10---OpenCV:图像进阶操作之连通区域分析
zjjaibc的博客
08-30 8428
OpenCV:图像进阶操作之连通区域分析
OpenCV_连通区域分析（Connected Component Analysis-Labeling）
热门推荐
09-01 12万+
OpenCV_连通区域分析（Connected Component Analysis/Labeling） 【摘要】本文主要介绍在CVPR和图像处理领域中较为常用的一种图像区域（Blob）提取的方法——连通性分析法（连通区域标记法）。文中介绍了两种常见的连通性分析的算法：1）Two-pass；2）种子填充，并给出了两个算法的基于OpenCV和C++的实现程序。
OpenCV——图像连通域
小铅笔
06-18 9949
图像的连通域是指图像中具有相同像素值并且位置相邻的像素组成的区域，连通域分析是指在图像中寻找出彼此互相独立的连通域并将其标记出来。 一般情况下，一个连通域内只包含一个像素值，因此为了防止像素值波动对提取不同连通域的影响，连通域分析常处理的是二值化后的图像。 ...
一个求图像连通区域的程序
09-01
标记图像连通区域，求连通区域个数，进而可以计算连通区域面积 ，用于去噪等。
C#图像处理之连通域
05-30
C#图像处理之连通域，经过测试可以实现，希望能够给初学者提供帮助
图像连通区域分割算法
12-20
一种图像区域分割方法
连通域.rar_文档连通区域_连通区域_连通域_连通域联合
07-14
在计算机科学和图像处理领域，"连通域"是一个重要的概念，它涉及到图像分析和模式识别。连通域是图像中像素的一种组织形式，其中任意两个像素之间通过相邻关系（即共享边或角）可以相互到达。这个概念在处理二值图像...
图像处理——连通域的长宽比
revitalise的博客
02-23 5699
在此用矩形连通域为例当获取车牌位置信息时，连通域的长宽比是一种非常有效的辅助定位方法。大致步骤：1.输入图像获取灰度图像。2.选取合适的阈值将灰度图像转化为二值图像。3.对二值图像进行形态学处理，主要任务是去除连通域面积较小的区域以及降低筛选难度。4.利用bwlabel()函数对连通区域进行标记5.得到连通域的长宽比matlab实现程序：clear all;close all;clc I= imr...
【图像处理】——Python实现two_pass方法来进行连通域的提取
python_AI_fans的博客
03-09 2820
目录 一、相关知识 1、two_pass算法思想 2、并查集算法 二、自定义的two_pass算法 1、将first_pass得到的等价对表转换成树状结构的列表文件，equlist2equTree.py 2、根据equTree来判断两个label是否连通的文件union_find.py 3、主函数two_pass.py 4、例子demo.py 四、不足 一、相关知识 此部分转自：https://blog.csdn.net/hemeinvyiqiluoben/article/det.
matlab连通域属于形态学处理,图像分割+连通域统计与标注——MATLAB
weixin_35816805的博客
03-18 1764
图像分割+连通域统计与标注例一如图，对下列光斑图像进行分割，将光斑目标分割出来，并计算光斑数量。 图像分割先将图像二值化，然后做形态学处理获得目标所在区域，然后分割图像。MATLAB代码：%框选统计光斑clear;%读取原图像img=imread('01.png');grayimg = rgb2gray(img);BWimg = grayimg;[width,height]=size(grayi...
OpenCV笔记（1）——连通域分割实现
lhanchao的博客
11-10 2万+
最近在做一个东西，需要使用字符的分割，如下图所示 可以看到这里的每个字符互相之间是没有粘连的，那么如何把他们分割开来呢？一个很简单的想法就是通过连通域进行分割，每个字符是一个连通域，不同字符之间是不同的连通域，因为这里没有粘连，所以处理起来是非常方便的。 那么重点就来了，如何实现连通域的分割呢？ 原来的打算是通过扫描图像，通过寻找不同字符的边缘定位不同的字符，但是我发现对于“O”这种字符
连通区域
sherry要努力学习编程的专栏
03-17 2686
 例如：给定一个圆|z| 例如：给定一个圆环区域 D:r=0,R=0),而C是不包含在D里面,这就是多连通区域。 空间二维连通域形象说就是没有“洞”的区域，即设Ω是空间一区域，Ѕ是Ω内的任一闭曲面。以Ѕ为边界的区域ΩЅ Ω，最简单如球x2+y2+z2 一维连通是指，若Г是Ω内的任一闭曲线（曲线是一维的）。若存在以Г为边界的曲面∑，使∑⊂Ω，则Ω就是一维连通的。如一个圆（x-2）2+
图像处理——同态滤波
最新发布
10-30
同态滤波是一种将频率滤波和空域灰度变换结合起来的图像处理方法。它利用压缩亮度范围和增强对比度来改善图像的质量。同态滤波的基本思想是将一幅图像分解为两个加性分量，即光照分量和反射分量，然后对它们进行分别处理，最后再合成为一幅图像。同态滤波的关键在于滤波器的设计，一般采用高通滤波器，如高斯高通滤波器、巴特沃兹高通滤波器、Laplacian滤波器等。同态滤波可以同时实现亮度调整和对比度提升，适用于光照不均匀的图像处理，例如医学图像处理、遥感图像处理等领域。
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

南木Sir

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值