模糊图像检测-无参考图像的清晰度评价

最新推荐文章于 2024-09-23 10:34:58 发布
最新推荐文章于 2024-09-23 10:34:58 发布
阅读量3.7k 收藏 47
点赞数 3
分类专栏： 计算机视觉
原文链接：https://zhuanlan.zhihu.com/p/97024018
版权

转载自：https://zhuanlan.zhihu.com/p/97024018，本文只做个人记录学习使用，版权归原作者所有。

需求：在一堆图像中找到模糊图像，背景虚化（景深模式）的照片定义为清晰照片。

传统的图像清晰度评价算法：

Tenengrad 梯度函数

Tenengrad 梯度函数采用Sobel算子分别提取水平和垂直方向的梯度值，基与Tenengrad 梯度函数的图像清晰度定义如下：

G(x,y) 的形式如下：

其中：T是给定的边缘检测阈值，Gx和Gy分别是像素点(x,y)处Sobel水平和垂直方向边缘检测算子的卷积，建议使用以下的Sobel算子模板来检测边缘：

python程序实现：

 

Laplacian 梯度函数

Laplacian 梯度函数与Tenengrad梯度函数基本一致，用Laplacian算子替代Sobel算子即可，该算子定义如下：

因此基于Laplacian 梯度函数的图像星清晰度的定义如下：

其中G(x,y)是像素点(x,y)处Laplacian算子的卷积。

python程序实现：

#Laplacian梯度函数计算
def Laplacian(img):
    '''
    :param img:narray 二维灰度图像
    :return: float 图像越清晰越大
    '''
    return cv2.Laplacian(img,cv2.CV_64F).var()

SMD（灰度方差）函数

当完全聚焦时，图像最清晰，图像中的高频分量也最多，故可将灰度变化作为聚焦评价的依据，灰度方差法的公式如下：

python程序实现：

#SMD梯度函数计算
def SMD(img):
    '''
    :param img:narray 二维灰度图像
    :return: float 图像越清晰越大
    '''
    shape = np.shape(img)
    out = 0
    for x in range(1, shape[0]-1):
        for y in range(0, shape[1]):
            out+=math.fabs(int(img[x,y])-int(img[x,y-1]))
            out+=math.fabs(int(img[x,y]-int(img[x+1,y])))
    return out

SMD2 （灰度方差乘积）函数

灰度差分评价函数具有较好的计算性能，但其缺点也很明显，即在焦点附近灵敏度不高，即该函数在极值点附近过于平坦，从而导致聚焦精度难以提高。在文章《一种快速高灵敏度聚焦评价函数》中提出了一种新的评价函数，称之为灰度方差乘积法，即对每一个像素领域两个灰度差相乘后再逐个像素累加，该函数定义如下：

python程序实现：

#SMD2梯度函数计算
def SMD2(img):
    '''
    :param img:narray 二维灰度图像
    :return: float 图像越清晰越大
    '''
    shape = np.shape(img)
    out = 0
    for x in range(0, shape[0]-1):
        for y in range(0, shape[1]-1):
            out+=math.fabs(int(img[x,y])-int(img[x+1,y]))*math.fabs(int(img[x,y]-int(img[x,y+1])))
    return out

Brenner 梯度函数

Brenner梯度函数是最简单的梯度评价函数，它只是简单的计算相邻两个像素灰度差的平方，该函数定义如下：

其中：f(x,y) 表示图像f对应像素点(x,y)的灰度值，D(f)为图像清晰度计算结果.

python程序实现：

#brenner梯度函数计算
def brenner(img):
    '''
    :param img:narray 二维灰度图像
    :return: float 图像越清晰越大
    '''
    shape = np.shape(img)
    out = 0
    for x in range(0, shape[0]-2):
        for y in range(0, shape[1]):
            out+=(int(img[x+2,y])-int(img[x,y]))**2
    return out

方差函数

因为清晰聚焦的图像有着比模糊图像更大的灰度差异，可以将方差函数作为评价函数：

其中：μ为整幅图像的平均灰度值，该函数对噪声比较敏感，图像画面越纯净，函数值越小。

python程序实现：

#方差函数计算
def variance(img):
    '''
    :param img:narray 二维灰度图像
    :return: float 图像越清晰越大
    '''
    out = 0
    u = np.mean(img)
    shape = np.shape(img)
    for x in range(0,shape[0]):
        for y in range(0,shape[1]):
            out+=(img[x,y]-u)**2
    return out

能量梯度函数

能量梯度函数更适合实时评价图像清晰度，该函数定义如下：

python程序实现：

#energy函数计算
def energy(img):
    '''
    :param img:narray 二维灰度图像
    :return: float 图像越清晰越大
    '''
    shape = np.shape(img)
    out = 0
    for x in range(0, shape[0]-1):
        for y in range(0, shape[1]-1):
            out+=((int(img[x+1,y])-int(img[x,y]))**2)*((int(img[x,y+1]-int(img[x,y])))**2)
    return out

Vollath函数

Vollath函数定义如下：

其中：μ为整幅图像的平均灰度值，M和N分别为图像宽和高。

python程序实现：

#Vollath函数计算
def Vollath(img):
    '''
    :param img:narray 二维灰度图像
    :return: float 图像越清晰越大
    '''
    shape = np.shape(img)
    u = np.mean(img)
    out = -shape[0]*shape[1]*(u**2)
    for x in range(0, shape[0]-1):
        for y in range(0, shape[1]):
            out+=int(img[x,y])*int(img[x+1,y])
    return out

熵函数

基于统计特征的熵函数是衡量图像信息丰富程度的一个重要指标，有信息论可知，一幅图像 f 的信息量是由该图像的信息熵 D(f) 来度量：

其中：Pi 是图像中灰度值为i的像素出现的概率，L为灰度级总数（通常取值256）。根据Shannon信息论，熵最大时信息量最多。将此原理应用到对焦过程，D(f)越大则图像越清晰。熵函数灵敏度不高，依据图像内容不同容易出现与真实情况相反的结果。

python程序实现：

#entropy函数计算
def entropy(img):
    '''
    :param img:narray 二维灰度图像
    :return: float 图像越清晰越大
    '''
    out = 0
    count = np.shape(img)[0]*np.shape(img)[1]
    p = np.bincount(np.array(img).flatten())
    for i in range(0, len(p)):
        if p[i]!=0:
            out-=p[i]*math.log(p[i]/count)/count
    return out

以上算法利用python实现，主要基于opencv，numpy, math库 ,以下是完整代码：

import cv2
import numpy as np
import math

#brenner梯度函数计算
def brenner(img):
    '''
    :param img:narray 二维灰度图像
    :return: float 图像越清晰越大
    '''
    shape = np.shape(img)
    out = 0
    for x in range(0, shape[0]-2):
        for y in range(0, shape[1]):
            out+=(int(img[x+2,y])-int(img[x,y]))**2
    return out

#Laplacian梯度函数计算
def Laplacian(img):
    '''
    :param img:narray 二维灰度图像
    :return: float 图像越清晰越大
    '''
    return cv2.Laplacian(img,cv2.CV_64F).var()

#SMD梯度函数计算
def SMD(img):
    '''
    :param img:narray 二维灰度图像
    :return: float 图像越清晰越大
    '''
    shape = np.shape(img)
    out = 0
    for x in range(1, shape[0]-1):
        for y in range(0, shape[1]):
            out+=math.fabs(int(img[x,y])-int(img[x,y-1]))
            out+=math.fabs(int(img[x,y]-int(img[x+1,y])))
    return out

#SMD2梯度函数计算
def SMD2(img):
    '''
    :param img:narray 二维灰度图像
    :return: float 图像越清晰越大
    '''
    shape = np.shape(img)
    out = 0
    for x in range(0, shape[0]-1):
        for y in range(0, shape[1]-1):
            out+=math.fabs(int(img[x,y])-int(img[x+1,y]))*math.fabs(int(img[x,y]-int(img[x,y+1])))
    return out

#方差函数计算
def variance(img):
    '''
    :param img:narray 二维灰度图像
    :return: float 图像越清晰越大
    '''
    out = 0
    u = np.mean(img)
    shape = np.shape(img)
    for x in range(0,shape[0]):
        for y in range(0,shape[1]):
            out+=(img[x,y]-u)**2
    return out

#energy函数计算
def energy(img):
    '''
    :param img:narray 二维灰度图像
    :return: float 图像越清晰越大
    '''
    shape = np.shape(img)
    out = 0
    for x in range(0, shape[0]-1):
        for y in range(0, shape[1]-1):
            out+=((int(img[x+1,y])-int(img[x,y]))**2)*((int(img[x,y+1]-int(img[x,y])))**2)
    return out

#Vollath函数计算
def Vollath(img):
    '''
    :param img:narray 二维灰度图像
    :return: float 图像越清晰越大
    '''
    shape = np.shape(img)
    u = np.mean(img)
    out = -shape[0]*shape[1]*(u**2)
    for x in range(0, shape[0]-1):
        for y in range(0, shape[1]):
            out+=int(img[x,y])*int(img[x+1,y])
    return out

#entropy函数计算
def entropy(img):
    '''
    :param img:narray 二维灰度图像
    :return: float 图像越清晰越大
    '''
    out = 0
    count = np.shape(img)[0]*np.shape(img)[1]
    p = np.bincount(np.array(img).flatten())
    for i in range(0, len(p)):
        if p[i]!=0:
            out-=p[i]*math.log(p[i]/count)/count
    return out

def main(img1, img2):
    print('Brenner',brenner(img1),brenner(img2))
    print('Laplacian',Laplacian(img1),Laplacian(img2))
    print('SMD',SMD(img1), SMD(img2))
    print('SMD2',SMD2(img1), SMD2(img2))
    print('Variance',variance(img1),variance(img2))
    print('Energy',energy(img1),energy(img2))
    print('Vollath',Vollath(img1),Vollath(img2))
    print('Entropy',entropy(img1),entropy(img2))

if __name__ == '__main__':
    #读入原始图像
    img1 = cv2.imread('./data/MotionL100H0_15.jpg')
    img2 = cv2.imread('./data/MotionL100H0_13.jpg')
    #灰度化处理
    img1 = cv2.cvtColor(img1,cv2.COLOR_BGR2GRAY)
    img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
    main(img1,img2)

c++实现请参考：

无参考图像的清晰度评价方法及c++实现 - 代码先锋网​www.codeleading.com

 

MATLAB实现请参考：

https://blog.csdn.net/kungfu_rabbit/article/details/90243838​blog.csdn.net

 

Reblur 二次模糊
如果一幅图像已经模糊了，那么再对它进行一次模糊处理，高频分量变化不大；但如果原图是清楚的，对它进行一次模糊处理，则高频分量变化会非常大。因此可以通过对待评测图像进行一次高斯模糊处理，得到该图像的退化图像，然后再比较原图像和退化图像相邻像素值的变化情况，根据变化的大小确定清晰度值的高低，计算结果越小表明图像越清晰，反之越模糊。这种思路可称作基于二次模糊的清晰度算法，其算法简化流程如下图：

NRSS 梯度结构相似度

python实现：

#encoding=utf-8
import cv2
import numpy as np
from skimage.measure import compare_ssim

def gauseBlur(img):
    img_Guassian = cv2.GaussianBlur(img,(7,7),0)
    return img_Guassian

def loadImage(filepath):
    img = cv2.imread(filepath, 0)  ##   读入灰度图
    return img
def showImage(img):
    cv2.imshow('image', img)
    cv2.waitKey(0)
def saveImage(path, img):
    cv2.imwrite(path, img)
def sobel(img):
    x = cv2.Sobel(img, cv2.CV_16S, 1, 0)
    y = cv2.Sobel(img, cv2.CV_16S, 0, 1)
    absX = cv2.convertScaleAbs(x)  # 转回uint8
    absY = cv2.convertScaleAbs(y)
    dst = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)
    return dst
def getBlock(G,Gr):
    (h, w) = G.shape
    G_blk_list = []
    Gr_blk_list = []
    sp = 6
    for i in range(sp):
        for j in range(sp):
            G_blk = G[int((i / sp) * h):int(((i + 1) / sp) * h), int((j / sp) * w):int(((j + 1) / sp) * w)]
            Gr_blk = Gr[int((i / sp) * h):int(((i + 1) / sp) * h), int((j / sp) * w):int(((j + 1) / sp) * w)]
            G_blk_list.append(G_blk)
            Gr_blk_list.append(Gr_blk)
    sum = 0
    for i in range(sp*sp):
        mssim = compare_ssim(G_blk_list[i], Gr_blk_list[i])
        sum = mssim + sum
    nrss = 1-sum/(sp*sp*1.0)
    print(nrss)
def NRSS(path):
    image = loadImage(path)
    #高斯滤波
    Ir = gauseBlur(image)
    G = sobel(image)
    Gr = sobel(Ir)
    blocksize = 8
    ## 获取块信息
    getBlock(G, Gr)
if __name__ == "__main__":
    filepath = "F:\\testpic\\new\\blurtest\\clear\\3.jpg"
    NRSS(filepath)

传统的图像模糊检测主要存在以下缺点：

1.模糊界限难以确定，需要定一个阈值去区分(根据应用场景确定)。

2.众多的算法那个算法更适合，需要去验证。

针对传统算法也有一些机器学习和深度学习的方法去解决：

机器学习方法：

  1. 使用拉普拉斯滤镜在输入图像中查找边缘
  2. 计算方差和已过滤图像像素值的最大值
  3. 高方差（和高最大值）表明边缘清晰可见，即图像清晰。低方差表明图像模糊。
  4. 基于Laplace的特征的图，我们注意到我们的两类（模糊和非模糊）是线性可分离的，然后利用SVM进行

实现代码：

#计算laplace算子
import numpy as np 
from scipy.ndimage import variance
from skimage import io
from skimage.color import rgb2gray
from skimage.filters import laplace
from skimage.transform import resize

# Load image
path = f'test_data/0001.jpg'
img = io.imread(path)

# Resize image
img = resize(img, (400, 600))

# Grayscale image
img = rgb2gray(img)

# Edge detection
edge_laplace = laplace(img, ksize=3)

# Print output
print(f"Variance: {variance(edge_laplace)}")
print(f"Maximum : {np.amax(edge_laplace)}")
#利用SVM进行分类
import numpy as np

from sklearn import preprocessing, svm

# start with the results from the previous script
sharp_laplaces = [ (variance(edge_laplace_sharp_1), np.amax(edge_laplace_sharp_1)), ... ]
blurry_laplaces = [ (variance(edge_laplace_blurry_1), np.amax(edge_laplace_blurry_1)), ... ]

# set class labels (non-blurry / blurry) and prepare features
y = np.concatenate((np.ones((25, )), np.zeros((25, ))), axis=0)
laplaces = np.concatenate((np.array(sharp_laplaces), np.array(blurry_laplaces)), axis=0)

# scale features
laplaces = preprocessing.scale(laplaces)

# train the classifier (support vector machine)
clf = svm.SVC(kernel='linear', C=100000)
clf.fit(laplaces, y)

# print parameters
print(f'Weights: {clf.coef_[0]}')
print(f'Intercept: {clf.intercept_}')

# make sample predictions
clf.predict([[0.00040431, 0.1602369]])  # result: 0 (blurred)
clf.predict([[0.00530690, 0.7531759]])  # result: 1 (sharp)

深度学习方法：

针对模糊非模糊进行简单的二分类

数据集：

CERTH Image Blur Dataset - MKLab​mklab.iti.gr

 

方法参考：

priyabagaria/Image-Blur-Detection​github.com图标

模糊区域检测，利用奇异值分解（SVD）：

https://github.com/fled/blur_detection​github.com

 

参考：

[1].https://blog.csdn.net/Real_Myth/article/details/50827940

[2].https://medium.com/snapaddy-tech-blog/mobile-image-blur-detection-with-machine-learning-c0b703eab7de

[3].https://github.com/Leezhen2014/python--/blob/master/BlurDetection.py

 

 

发布于 2019-12-13

开飞机的小毛驴儿
关注
专栏目录
图像识别、图像模糊检测
虎皮青椒没虎皮
01-22 7781
最近有个项目，需要对图片进行模糊检测， 人脸识别等比较复杂的图像处理。经过一番尝试，决定好好研究一下OpenCV的原理和使用。 OpenCV官网 现在，项目中有个需求——需要对用户操作编辑以后的图片进行质量评估，做模糊检测。我采用了Tenengrad梯度和Laplacian梯度算法。 1. 算法 - Tenengrad 梯度函数 Tenengrad 梯度函数采用Sobel算子分别提取水平和垂直...
Python 图像 一样大小_模糊图像检测-无参考图像的清晰度评价
weixin_39668470的博客
10-21 1211
需求：在一堆图像中找到模糊图像，背景虚化（景深模式）的照片定义为清晰照片。传统的图像清晰度评价算法：Tenengrad 梯度函数Tenengrad 梯度函数采用Sobel算子分别提取水平和垂直方向的梯度值，基与Tenengrad 梯度函数的图像清晰度定义如下：G(x,y) 的形式如下： 其中：T是给定的边缘检测阈值，Gx和Gy分别是像素点(x,y)处Sobel水平和垂直方向边缘检测算子的卷积，...
使用OpenCV检测图像是否是模糊的
最新发布
培根芝士的专栏
09-23 615
在Python中检测照片是否模糊通常涉及图像处理技术，其中一个常用的库是OpenCV（Open Source Computer Vision Library）。检测图像模糊的一种常用方法是基于图像的锐度或边缘信息的多少。一个模糊的图像通常包含较少的边缘或高频信息。
图像清晰度评价测试样本
06-24
图像清晰度评价测试样本，有黑白图 和彩色图像，共6类样本
视频清晰度、色偏以及亮度异常检测
通往人工智能的崎岖之路
10-15 1万+
昨天老板临时交代一个活，要求通过算法检测监控设备是否存在失焦、偏色、亮度异常等问题。问题本身不难，在网上查看了一些资料，自己也做了一些思考，方法如下：         1.失焦检测。         失焦的主要表现就是画面模糊，衡量画面模糊的主要方法就是梯度的统计特征，通常梯度值越高，画面的边缘信息越丰富，图像越清晰。需要注意的是梯度信息与每一个视频本身的特点有关系，如果画面中本身的纹理就很少
图像处理：模糊图像判断
m0_62919535的博客
12-04 5634
本次将会使用一组模糊图像和一组标准图像获得模糊判定区间（a，b），我们知道梯度值越大，图像越清晰，所以当我们进行测试一张图像时，它所返回的梯度值小于a，则可以说明它是一个模糊的图像，当返回的梯度值大于b时，则可以说明它是一个清晰的图像，而当返回的梯度值落在了a与b之间，我们将其也放在模糊图像当中。
无参考图像的清晰度评价方法（代码实现Python）
gaoyi221119的博客
12-31 6604
评估方法实现 所有函数的具体说明都在参考文献[1]里，这里不做过多的赘述，只讨论实现。 github：图像清晰度评估算法包（有示例） 1 Brenner 梯度函数 def brenner(img): ''' :param img:narray 二维灰度图像 :return: float 图像约清晰越大 ''' shape = np.shape(img) ...
图像清晰度评价算法
weixin_39366977的博客
06-07 2718
正焦的清晰图像比模糊的离焦图像边缘更加锐利清晰，边缘像素灰度值变化大，因而有更大的梯度值。在进行图像处理时，将图像看作二维离散矩阵，利用梯度函数获取图像灰度信息，以此来评判图像清晰度。在离散信号中梯度表现为差分形式。常用的梯度函数有：能量梯度函数EOG、Roberts函数、Tenengrad函数、Brenner函数、方差Variance函数、拉普拉斯Laplace函数等等。下面分别对其进行介绍。
DSP中的基于边缘峰态的无参考图像清晰度评价
10-22
因此，在成像系统的自动聚焦、图像增强及压缩等算法的衡量、流媒体的质量控制等方面，无参考图像的模糊度量或清晰度评价都是很有必要的，大量的研究致力于此。 　模糊的一个明显表现为边缘的平滑，导致边缘宽度的...
figzengqiang.zip_彩色图像增强_彩色图像模糊_模糊图像增强_清晰度增强
07-15
本压缩包“figzengqiang.zip”包含的资源正与此相关，提供了彩色图像增强、模糊图像处理以及清晰度增强的方法。 "figzengqiang.fig" 文件可能是一个MATLAB工作空间的保存文件，它通常包含了变量、函数和图形的完整...
无参考图像质量评价brisque
09-03
无参考图像质量评价，BRISQUE,基于MSCN的提取图片特征 ((No-Reference Image Quality Assessment in the Spatial Domain))
gvalue.rar_图像清晰度_图像清晰评价_清晰度_质量评价 彩色
07-15
"gvalue.rar" 是一个专门针对彩色图像清晰度进行评价的程序包，它包含了用于评估彩色图片清晰度的算法和工具。 图像清晰度通常涉及以下几个关键概念： 1. **空间分辨率**：这是图像清晰度的基础，指图像能够分辨的...
模糊图像识别（OpenCV学习笔记之四）
BlueBirdssh的专栏
07-10 3221
闲话 这里的学习笔记和其他人学习OpenCV的流程可能不一样，我是根据我的一个项目来学习的。项目已经做出来了但个人觉得还有不够完善的地方，我先将项目中遇到的问题或学到的知识写出来。后期会把整个项目用一篇博客写出来，并把代码放到我的github上。如果有对图像处理感兴趣的同学可以关注我，你们的支持是我分享的动力。我是从零开始学习OpenCV的,我会把我认为有必要写出来的知识点写成博客记下来。闲话就...
无参考图像的清晰度评价方法及实现源码
程序员深度学习
10-25 9205
在无参考图像的质量评价中，图像的清晰度是衡量图像质量优劣的重要指标，它能够较好的与人的主观感受相对应，图像的清晰度不高表现出图像的模糊。本文针对无参考图像质量评价应用，对目前几种较为常用的、具有代表性非深度学习清晰度算法进行讨论分析，为实际应用中选择清晰度算法提供依据。 1. Brenner 梯度函数 Brenner梯度函数是最简单的梯度评价函数，它只是简单的计算相邻两个像素灰度差的平方，该函数...
【图像评价】图像清晰度评价指标附Matlab代码
m0_60703264的博客
05-13 1457
图像清晰度是衡量图像质量的重要指标之一，它反映了图像细节的丰富程度和视觉上的清晰度。清晰度评价指标主要用于评估图像的客观质量，为图像处理、压缩、传输等应用提供参考依据。图像清晰度评价指标主要分为两类：主观评价指标和客观评价指标。主观评价指标是通过人工观察图像来进行评价，其结果受观察者的主观因素影响较大，难以量化。客观评价指标是基于图像本身的特征来进行评价，其结果不受主观因素影响，可进行量化分析。
无参考图像质量评估方法：BRISQUE、RankIQA、DIQA详解
热门推荐
qq26983255的博客
12-01 2万+
常用的图像质量评估（IQA）分为无参考和有参考两种类型。常见的有参考图像质量评估方法有PSNR，SSIM以及VMAF。其中vmaf是针对视频来讲的，在它的评价方法里面添加了一些时域信息，如果应用于单张图片，需要做一些处理，如去除时域信息。有参考意味着图像质量是以参考图为基准。基于参考图像都是高清图像的假设，这些评价方法已经广泛应用于图像压缩以及图像传输、拼接之类的处理后图像的质量，假如这...
无监督参考图像评价-自然图像评价指标-NIQE python代码 可运行
meiyongyue的博客
03-01 4816
NIQE贴代码 python可运行
无参考评估在云信的视频测试实践
netease_im的博客
08-19 1364
导读：在实时音视频领域，如何实现视频的全自动化评估是一个业界共同的难题。无参考（NR）技术不需要关于参考视频的任何信息，无疑是视频全自动化评估的曙光。本篇文章来自网易智企资深测试工程师，主要介绍云信测试组最近在使用的一种视频无参考评估方法，及其自动化应用方案。各渠道文章转载需注明来源及作者。 一、背景介绍 视频质量评估的目的是准确衡量出人眼对于视频内容的感知。源视频在经过采集编码传输解码等模块传输到人眼之后，会不可避免的引入一些压缩失真，严重的时候甚至会有绿屏、花瓶、马赛克等问题。在业界评估视频质.
无参考模糊图像质量评价与复原图像分析方法
作者左博新、明德烈、敖争光和郑文娟提出了一个基于边缘检测的无参考模糊图像评价模型。他们利用图像的梯度信息来量化图像的模糊程度，这主要基于图像边缘的检测和分析。在图像中，边缘通常代表了图像内容的重要特征...
评论 4
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