OpenCV——SURF特征检测、匹配与对象查找

最新推荐文章于 2024-05-03 22:37:05 发布
最新推荐文章于 2024-05-03 22:37:05 发布
阅读量667 收藏 1
点赞数
分类专栏： 识别 文章标签： c++
原文链接：https://www.cnblogs.com/long5683/p/9692987.html
版权

OpenCV——SURF特征检测、匹配与对象查找
SURF原理详解：https://wenku.baidu.com/view/2f1e4d8ef705cc1754270945.html

SURF算法工作原理

选择图像中的POI(Points of interest) Hessian Matrix

在不同的尺度空间发现关键点，非最大信号压制

发现特征点方法、旋转不变性要求

生成特征向量

SURF构造函数介绍

C++: SURF::SURF(

  double hessianThreshold, --阈值检测器使用Hessian的关键点，默认值在

                                               300-500之间

  int nOctaves=4,                 -- 4表示在四个尺度空间

  int nOctaveLayers=2,        -- 表示每个尺度的层数

  bool extended=false, 

  bool upright=false              --表示计算旋转不变性，不计算的速度更快

)

特征点绘制

特征点绘制是为了把检测出来的Surf特征点在原图上绘制出来，这一步是为了把特征点直观的显示出来给我们看，跟整个Surf算子的特征提取和匹配流程没关系。

绘制使用drawKeypoints方法：

复制代码
void drawKeypoints( const Mat& image,
　　　　　　　　　　　　const vector& keypoints,
　　　　　　　　　　　　CV_OUT Mat& outImage,
　　　　　　　　　　　　const Scalar& color=Scalar::all(-1),
　　　　　　　　　　　　int flags=DrawMatchesFlags::DEFAULT
);
复制代码
第一个参数image：原始图像，可以使三通道或单通道图像；

第二个参数keypoints：特征点向量，向量内每一个元素是一个KeyPoint对象，包含了特征点的各种属性信息；

第三个参数outImage：特征点绘制的画布图像，可以是原图像；

第四个参数color：绘制的特征点的颜色信息，默认绘制的是随机彩色；

第五个参数flags：特征点的绘制模式，其实就是设置特征点的那些信息需要绘制，那些不需要绘制，有以下几种模式可选：

DEFAULT：只绘制特征点的坐标点,显示在图像上就是一个个小圆点,每个小圆点的圆心坐标都是特征点的坐标。
　　DRAW_OVER_OUTIMG：函数不创建输出的图像,而是直接在输出图像变量空间绘制,要求本身输出图像变量就是一个初始化好了的,size与type都是已经初始化好的变量
　　NOT_DRAW_SINGLE_POINTS：单点的特征点不被绘制
　　DRAW_RICH_KEYPOINTS：绘制特征点的时候绘制的是一个个带有方向的圆,这种方法同时显示图像的坐标,size，和方向,是最能显示特征信息的一种绘制方式。

复制代码
1 #include <opencv2/opencv.hpp>
2 #include <opencv2/xfeatures2d.hpp>
3 #include
4
5 using namespace cv;
6 using namespace cv::xfeatures2d;
7 using namespace std;
8
9 int main(int argc, char** argv) {
10 Mat src = imread(“test.jpg”, IMREAD_GRAYSCALE);
11 if (src.empty()) {
12 printf(“could not load image…\n”);
13 return -1;
14 }
15 namedWindow(“input image”, CV_WINDOW_AUTOSIZE);
16 imshow(“input image”, src);
17
18 // SURF特征点检测
19 int minHessian = 100;
20 Ptr detector = SURF::create(minHessian);//创建一个surf类对象并初始化
21 vector keypoints;
22 detector->detect(src, keypoints, Mat());//找出关键点
23
24 // 绘制关键点
25 Mat keypoint_img;
26 drawKeypoints(src, keypoints, keypoint_img, Scalar::all(-1), DrawMatchesFlags::DEFAULT);
27 imshow(“KeyPoints Image”, keypoint_img);
28
29 waitKey(0);
30 return 0;
31 }
复制代码
绘制匹配点

drawMatches( const Mat& img1, const vector& keypoints1,
const Mat& img2, const vector& keypoints2,
const vector& matches1to2, Mat& outImg,
const Scalar& matchColor=Scalar::all(-1), const Scalar& singlePointColor=Scalar::all(-1),
const vector& matchesMask=vector(), int flags=DrawMatchesFlags::DEFAULT );
其中参数如下：

  • img1 – 源图像1

  • keypoints1 –源图像1的特征点.

  • img2 – 源图像2.

  • keypoints2 – 源图像2的特征点

  • matches1to2 – 源图像1的特征点匹配源图像2的特征点[matches[i]] .

  • outImg – 输出图像具体由flags决定.

  • matchColor – 匹配的颜色（特征点和连线),若matchColor==Scalar::all(-1)，颜色随机.

  • singlePointColor – 单个点的颜色，即未配对的特征点，若matchColor==Scalar::all(-1)，颜色随机.

*matchesMask – Mask决定哪些点将被画出，若为空，则画出所有匹配点.

*flags—它跟drawKeypoints方法中flags的含义是一样的。

当仅使用筛选出的最优匹配点进行匹配的时候，意味着会有很多非最优的特征点不会被匹配，这时候可以设置flags=DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS

BF(暴力)匹配(src目标图，temp需要查找的背景图)

复制代码
1 #include <opencv2/opencv.hpp>
2 #include <opencv2/xfeatures2d.hpp>
3 #include
4
5 using namespace cv;
6 using namespace cv::xfeatures2d;
7 using namespace std;
8
9 int main(int argc, char** argv) {
10 Mat src = imread(“数字.jpg”);
11 Mat temp = imread(“2.png”);
12 if (src.empty() || temp.empty()) {
13 printf(“could not load image…\n”);
14 return -1;
15 }
16 namedWindow(“input image”, CV_WINDOW_AUTOSIZE);
17 imshow(“input image”, src);
18
19 // SURF特征点检测
20 int minHessian = 400;
21 Ptr detector = SURF::create(minHessian, 4, 3, true, true);//创建一个surf类检测器对象并初始化
22 vector keypoints1, keypoints2;
23 Mat src_vector, temp_vector;//用来存放特征点的描述向量
24
25 //detector->detect(src, keypoints1, Mat());//找出关键点
26 //detector->detect(temp, keypoints2, Mat());//找出关键点
27
28 //找到特征点并计算特征描述子(向量)
29 detector->detectAndCompute(src, Mat(), keypoints1, src_vector);//输入图像，输入掩码，输入特征点，输出Mat，存放所有特征点的描述向量
30 detector->detectAndCompute(temp, Mat(), keypoints2, temp_vector);//这个Mat行数为特征点的个数，列数为每个特征向量的尺寸，SURF是64（维）
31
32
33 //匹配
34 BFMatcher matcher(NORM_L2); //实例化一个暴力匹配器(括号里可以选择匹配方法)
35
36 vector matches; //DMatch是用来描述匹配好的一对特征点的类，包含这两个点之间的匹配信息
37 //比如左图有个特征m，它和右图的特征点n最匹配，这个DMatch就记录它俩最匹配，并且还记录m和n的
38 //特征向量的距离和其他信息，这个距离在后面用来做筛选
39
40 matcher.match(src_vector, temp_vector, matches); //匹配，数据来源是特征向量，结果存放在DMatch类型里面
41
42 //匹配点筛选
43 //sort函数对数据进行升序排列
44 //筛选匹配点，根据match里面特征对的距离从小到大排序
45 //筛选出最优的30个匹配点（可以不使用，会画出所有特征点）
46
47 sort(matches.begin(), matches.end());
48 vector< DMatch > good_matches;
49 int ptsPairs = std::min(30, (int)(matches.size() * 0.15));//匹配点数量不大于50
50 cout << ptsPairs << endl;
51 for (int i = 0; i < ptsPairs; i++)
52 {
53 good_matches.push_back(matches[i]);//距离最小的50个压入新的DMatch
54 }
55
56
57 Mat MatchesImage; //drawMatches这个函数直接画出摆在一起的图
58 drawMatches(src, keypoints1, temp, keypoints2, good_matches, MatchesImage, Scalar::all(-1), Scalar::all(-1), vector(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS); //绘制匹配点
59 imshow(“BFMatcher Image”, MatchesImage);
60
61 waitKey(0);
62 return 0;
63 }
复制代码

FLANN匹配

复制代码
1 #include <opencv2/opencv.hpp>
2 #include <opencv2/xfeatures2d.hpp>
3 #include
4 #include <math.h>
5
6 using namespace cv;
7 using namespace cv::xfeatures2d;
8 using namespace std;
9
10 int main(int argc, char** argv) {
11 Mat src = imread(“数字.jpg”,0);
12 Mat temp = imread(“2.png”,0);
13 if (src.empty() || temp.empty()) {
14 printf(“could not load image…\n”);
15 return -1;
16 }
17 namedWindow(“input image”, CV_WINDOW_AUTOSIZE);
18 imshow(“input image”, src);
19
20 // SURF特征点检测
21 int minHessian = 400;
22 Ptr detector = SURF::create(minHessian, 4, 3, true, true);//创建一个surf类检测器对象并初始化
23 vector keypoints1, keypoints2;
24 Mat src_vector, temp_vector;//用来存放特征点的描述向量
25
26 //detector->detect(src, keypoints1, Mat());//找出关键点
27 //detector->detect(temp, keypoints2, Mat());//找出关键点
28
29 //找到特征点并计算特征描述子(向量)
30 detector->detectAndCompute(src, Mat(), keypoints1, src_vector);//输入图像，输入掩码，输入特征点，输出Mat，存放所有特征点的描述向量
31 detector->detectAndCompute(temp, Mat(), keypoints2, temp_vector);//这个Mat行数为特征点的个数，列数为每个特征向量的尺寸，SURF是64（维）
32
33
34 //匹配
35 FlannBasedMatcher matcher; //实例化一个FLANN匹配器(括号里可以选择匹配方法)
36
37 vector matches; //DMatch是用来描述匹配好的一对特征点的类，包含这两个点之间的匹配信息
38 //比如左图有个特征m，它和右图的特征点n最匹配，这个DMatch就记录它俩最匹配，并且还记录m和n的
39 //特征向量的距离和其他信息，这个距离在后面用来做筛选
40
41 matcher.match(src_vector, temp_vector, matches); //匹配，数据来源是特征向量，结果存放在DMatch类型里面
42
43 //求最小最大距离
44 double minDistance = 1000;//反向逼近
45 double maxDistance = 0;
46 for (int i=0; i< src_vector.rows; i++) {
47 double distance = matches[i].distance;
48 if (distance > maxDistance) {
49 maxDistance = distance;
50 }
51 if (distance < minDistance) {
52 minDistance = distance;
53 }
54 }
55 printf(“max distance : %f\n”, maxDistance);
56 printf(“min distance : %f\n”, minDistance);
57
58 //筛选较好的匹配点
59 vector< DMatch > good_matches;
60 for (int i = 0; i < src_vector.rows; i++) {
61 double distance = matches[i].distance;
62 if (distance < max(minDistance * 2, 0.02)) {
63 good_matches.push_back(matches[i]);//距离小于范围的压入新的DMatch
64 }
65 }
66
67 /*//sort函数对数据进行升序排列
68 //筛选匹配点，根据match里面特征对的距离从小到大排序
69 //筛选出最优的50个匹配点（可以不使用，会画出所有特征点）
70
71 sort(matches.begin(), matches.end());
72 vector< DMatch > good_matches;
73 int ptsPairs = std::min(50, (int)(matches.size() * 0.15));//匹配点数量不大于50
74 cout << ptsPairs << endl;
75 for (int i = 0; i < ptsPairs; i++)
76 {
77 good_matches.push_back(matches[i]);//距离最小的50个压入新的DMatch
78 }
79 */
80
81 Mat MatchesImage; //drawMatches这个函数直接画出摆在一起的图
82 drawMatches(src, keypoints1, temp, keypoints2, good_matches, MatchesImage, Scalar::all(-1), Scalar::all(-1), vector(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS); //绘制匹配点
83 imshow(“FLANN Image”, MatchesImage);
84
85 waitKey(0);
86 return 0;
87 }
复制代码
对象查找

复制代码
1 #include <opencv2/opencv.hpp>
2 #include <opencv2/xfeatures2d.hpp>
3 #include
4 #include <math.h>
5
6 using namespace cv;
7 using namespace cv::xfeatures2d;
8 using namespace std;
9
10 int main(int argc, char** argv) {
11 Mat src = imread(“fire_5.jpg”);
12 Mat temp = imread(“数字.jpg”);
13 if (src.empty() || temp.empty()) {
14 printf(“could not load image…\n”);
15 return -1;
16 }
17 namedWindow(“input image”, CV_WINDOW_AUTOSIZE);
18 imshow(“input image”, src);
19
20 // SURF特征点检测
21 int minHessian = 400;
22 Ptr detector = SURF::create(minHessian, 4, 3, true, true);//创建一个surf类检测器对象并初始化
23 vector keypoints1, keypoints2;
24 Mat src_vector, temp_vector;//用来存放特征点的描述向量
25
26 //detector->detect(src, keypoints1, Mat());//找出关键点
27 //detector->detect(temp, keypoints2, Mat());//找出关键点
28
29 //找到特征点并计算特征描述子(向量)
30 detector->detectAndCompute(src, Mat(), keypoints1, src_vector);//输入图像，输入掩码，输入特征点，输出Mat，存放所有特征点的描述向量
31 detector->detectAndCompute(temp, Mat(), keypoints2, temp_vector);//这个Mat行数为特征点的个数，列数为每个特征向量的尺寸，SURF是64（维）
32
33
34 //匹配
35 FlannBasedMatcher matcher; //实例化一个FLANN匹配器(括号里可以选择匹配方法)
36
37 vector matches; //DMatch是用来描述匹配好的一对特征点的类，包含这两个点之间的匹配信息
38 //比如左图有个特征m，它和右图的特征点n最匹配，这个DMatch就记录它俩最匹配，并且还记录m和n的
39 //特征向量的距离和其他信息，这个距离在后面用来做筛选
40
41 matcher.match(src_vector, temp_vector, matches); //匹配，数据来源是特征向量，结果存放在DMatch类型里面
42
43 //求最小最大距离
44 double minDistance = 1000;//反向逼近
45 double maxDistance = 0;
46 for (int i = 0; i < src_vector.rows; i++) {
47 double distance = matches[i].distance;
48 if (distance > maxDistance) {
49 maxDistance = distance;
50 }
51 if (distance < minDistance) {
52 minDistance = distance;
53 }
54 }
55 printf(“max distance : %f\n”, maxDistance);
56 printf(“min distance : %f\n”, minDistance);
57
58 //筛选较好的匹配点
59 vector< DMatch > good_matches;
60 for (int i = 0; i < src_vector.rows; i++) {
61 double distance = matches[i].distance;
62 if (distance < max(minDistance * 3, 0.02)) {
63 good_matches.push_back(matches[i]);//距离小于范围的压入新的DMatch
64 }
65 }
66
67
68 Mat MatchesImage; //drawMatches这个函数直接画出摆在一起的图
69 drawMatches(src, keypoints1, temp, keypoints2, good_matches, MatchesImage, Scalar::all(-1), Scalar::all(-1), vector(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS); //绘制匹配点
70
71
72 vector obj;
73 vector objInScene;
74 for (size_t t = 0; t < good_matches.size(); t++) {
75 obj.push_back(keypoints1[good_matches[t].queryIdx].pt);//返回对象在模板图特征点坐标
76 objInScene.push_back(keypoints2[good_matches[t].trainIdx].pt);//返回对象在背景查找图的坐标
77 }
78
79 Mat H = findHomography(obj,objInScene,RANSAC);//计算透视变换矩阵
80
81 vector obj_corner(4);
82 vector scene_corner(4);
83 obj_corner[0] = Point(0, 0);
84 obj_corner[1] = Point(src.cols, 0);
85 obj_corner[2] = Point(src.cols,src.rows);
86 obj_corner[3] = Point(0, src.rows);
87
88 perspectiveTransform(obj_corner, scene_corner,H);//透视变换
89
90 //画出边框线
91 line(MatchesImage, scene_corner[0] + Point2f(src.cols, 0), scene_corner[1] + Point2f(src.cols, 0), Scalar(0, 0, 255), 2, 8, 0);
92 line(MatchesImage, scene_corner[1] + Point2f(src.cols, 0), scene_corner[2] + Point2f(src.cols, 0), Scalar(0, 0, 255), 2, 8, 0);
93 line(MatchesImage, scene_corner[2] + Point2f(src.cols, 0), scene_corner[3] + Point2f(src.cols, 0), Scalar(0, 0, 255), 2, 8, 0);
94 line(MatchesImage, scene_corner[3] + Point2f(src.cols, 0), scene_corner[0] + Point2f(src.cols, 0), Scalar(0, 0, 255), 2, 8, 0);
95 imshow(“FLANN Image”, MatchesImage);
96
97 line(temp, scene_corner[0], scene_corner[1], Scalar(0, 0, 255), 2, 8, 0);
98 line(temp, scene_corner[1], scene_corner[2], Scalar(0, 0, 255), 2, 8, 0);
99 line(temp, scene_corner[2], scene_corner[3], Scalar(0, 0, 255), 2, 8, 0);
100 line(temp, scene_corner[3], scene_corner[0], Scalar(0, 0, 255), 2, 8, 0);
101 imshow(“temp Image”, temp);
102
103 waitKey(0);
104 return 0;
105 }
复制代码

a254921185
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
opencv3/C++ 实现SURF特征检测
08-25
今天小编就为大家分享一篇opencv3/C++ 实现SURF特征检测，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
OpenCV探索之路（二十三）：特征检测和特征匹配方法汇总
cy413026的博客
10-20 5259
转载自：一幅图像中总存在着其独特的像素点，这些点我们可以认为就是这幅图像的特征，成为特征点。计算机视觉领域中的很重要的图像特征匹配就是一特征点为基础而进行的，所以，如何定义和找出一幅图像中的特征点就非常重要。这篇文章我总结了视觉领域最常用的几种特征点以及特征匹配的方法。在计算机视觉领域，兴趣点（也称关键点或特征点）的概念已经得到了广泛的应用， 包括目标识别、 图像配准、 视觉跟踪、 三维重建等。这个概念的原理是， 从图像中选取某些特征点并对图像进行局部分析，而非观察整幅图像。
【图像配准】基于SURF算法实现红外与可见光图像配准附Matlab代码
最新发布
m0_57702748的博客
05-03 1597
红外与可见光图像配准是计算机视觉领域的重要研究课题，在目标识别、图像融合等方面有着广泛应用。本文介绍了一种基于SURF算法的红外与可见光图像配准方法。该方法首先利用SURF算法提取图像特征点，然后利用FLANN算法进行特征匹配，最后利用RANSAC算法进行误差剔除和模型估计，实现图像配准。实验结果表明，该方法能够有效地实现红外与可见光图像配准，并具有较高的精度和鲁棒性。
孪生神经网络（Siamese neural network）
qq_41843384的博客
12-04 9361
一. 引言
Siamese网络（孪生神经网络）详解
瞳瞳瞳呀
08-21 2万+
SiameseFCSiamese网络（孪生神经网络）本文参考文章：Siamese背景Siamese网络解决的问题要解决什么问题？用了什么方法解决？应用的场景：Siamese的创新Siamese的理论Siamese的损失函数——Contrastive Loss损失函数的选择论文中Contrastive Loss目前的Contrastive Loss:Siamese的思考Siamese的思想总结Siamese network是双胞胎连体，整一个三胞胎连体行不行？ Siamese网络（孪生神经网络） 本文参考文章
Siamese网络(孪生网络)
图像研究猿的专栏
12-13 1万+
1. WhySiamese 在人脸识别中，存在所谓的one-shot问题。举例来说，就是对公司员工进行人脸识别，每个员工只有一张照片（因为每个类别训练样本少），并且员工会离职、入职（每次变动都要重新训练模型是不现实的）。如果当成分类问题，直接训练模型进行人脸识别在实际应用中是不可行。 为了解决one-shot问题，我们会训练一个模型来输出给定两张图像的相似度，所以模型学习得到的是simila...
Opencv学习之SURF算法
热门推荐
Minskyli
06-27 2万+
Opencv学习之SURF算法 SURF（加速版的具有鲁棒性的特征，SpeededUp Robust Features），SURF是尺度不变特征变换算法（SIFT算法）的加速版。SURF最大的特征在于采用了harr特征以及积分图像的概念。 SURF原理： （1）构建Hessian矩阵构造高斯金字塔尺度空间 SIFT采用的是DoG图像，而SURF采用的是Hess
Python使用Opencv实现图像特征检测与匹配的方法
09-18
本篇文章将深入探讨如何使用OpenCV库来实现图像特征检测与匹配。 首先，特征检测是找到图像中具有显著性、稳定性的点、边缘或区域的过程。OpenCV提供了多种特征检测算法，如角点检测。角点检测算法如Harris Corner ...
C#中OpenCvSharp 通过特征点匹配图片的方法
08-25
在OpenCvSharp中，BFMatcher可以通过new OpenCvSharp.BFMatcher()方法创建一个BFMatcher对象，然后使用KnnMatch方法来匹配图像中的特征点。 3、图像匹配 图像匹配是指将两幅图像中的特征点匹配起来，以确定图像...
SURF_OPENCV - 副本_opencv_surf检测特征点_
10-02
在OpenCV中，使用SURF算法进行特征检测和匹配的步骤如下： 1. **预处理**：首先，图像需要进行灰度化处理，以便算法只关注图像强度的变化，而忽略颜色信息。 2. **尺度空间极值检测**：使用高斯差分金字塔来检测...
C# opencvsharp sift和surf特征点匹配演示源码
02-01
测试环境： vs2019, netframework4.7.2,opencvhsarp4.8.0 博客地址： blog.csdn.net/FL1623863129/article/details/135972875
基于opencv的SURF特征提取及匹配
05-25
【基于OpenCV的SURF特征提取及匹配】是计算机视觉领域的一个重要技术，常用于图像识别、物体检测和图像拼接等应用。OpenCV（开源计算机视觉库）是一个强大的跨平台库，它提供了多种图像处理和计算机视觉的功能，包括...
opencv2.4.9 SURF+RANSAC 特征匹配
01-08
opencv2.4.9 SURF+RANSAC 特征匹配
SURF特征点提取与匹配opencv3+vs2017
05-08
SURF（Speeded Up Robust Features）是一种计算机视觉中的关键点检测和描述算子，它在图像处理领域广泛应用，如图像配准、物体识别、3D重建等。本项目是基于OpenCV3库和Visual Studio 2017环境，完全自定义实现SURF...
python利用opencv实现SIFT特征提取与匹配
09-17
【Python OpenCV 实现SIFT特征提取与匹配】 SIFT（Scale-Invariant Feature Transform，尺度不变特征变换）是由David Lowe在1999年提出的，它是一种强大的图像局部特征描述子，具有尺度不变性、旋转不变性和亮度...
C# OpenCvSharp 通过特征点匹配图片.rar
11-09
在本项目"C# OpenCvSharp 通过特征点匹配图片"中，开发者使用了C#编程语言和OpenCvSharp库来实现图像处理中的一个重要任务——特征点匹配。特征点匹配是计算机视觉领域的一种基本技术，它用于识别两张图片中的相同或...
孪生网络（Siamese Network）
永远相信美好的事情即将发生
08-27 9894
孪生网络（Siamese Network）是一类神经网络结构，它是由两个或更多个完全相同的网络组成的。孪生网络通常被用于解决基于相似度比较的任务，例如人脸识别、语音识别、目标跟踪等问题。孪生网络的基本思想是将输入数据同时输入到两个完全相同的神经网络中，这两个网络共享相同的权重和参数。通过学习输入数据在这两个网络中的表示，孪生网络可以计算出两个输入样本之间的相似度。
C++ - opencv应用实例之 SURF 特征匹配用于图像拼接
yohnyang的博客
05-27 974
C++ - opencv应用实例之 SURF 特征匹配用于图像拼接
评论
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
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