飞桨入门学习

最新推荐文章于 2024-08-07 10:16:18 发布
最新推荐文章于 2024-08-07 10:16:18 发布
阅读量2.2k 收藏 6
点赞数
文章标签： paddlepaddle opencv 计算机视觉
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/m0_52024881/article/details/122930834
版权
本文介绍了使用OpenCV进行图像处理的各种技术，包括灰度转换、二值化、大津二值化、色彩空间转换、滤波器、直方图均衡化、伽马校正和阈值分割方法。通过实例演示，展示了如何应用这些技术来处理和分析图像数据。
摘要由CSDN通过智能技术生成

文章目录

需要引用的库
import numpy as np
import cv2
import matplotlib.pyplot as plt
import paddle
from PIL import Image
灰度图

Gray Scale Image 或是Grey Scale Image，又称灰阶图。把白色与黑色之间按对数关系分为若干等级，称为灰度。灰度分为256阶。
用灰度表示的图像称作灰度图。除了常见的卫星图像、航空照片外，许多地球物理观测数据也以灰度表示。

分辨率=画面水平方向的像素值 * 画面垂直方向的像素值

屏幕分辨率

例如，屏幕分辨率是1024×768，也就是说设备屏幕的水平方向上有1024个像素点，垂直方向上有768个像素点。像素的大小是没有固定长度的，不同设备上一个单位像素色块的大小是不一样的。

例如，尺寸面积大小相同的两块屏幕，分辨率大小可以是不一样的，分辨率高的屏幕上面像素点（色块）就多，所以屏幕内可以展示的画面就更细致，单个色块面积更小。而分辨率低的屏幕上像素点（色块）更少，单个像素面积更大，可以显示的画面就没那么细致。

图像分辨率

例如，一张图片分辨率是500x200，也就是说这张图片在屏幕上按1:1放大时，水平方向有500个像素点（色块），垂直方向有200个像素点（色块）。

在同一台设备上，图片分辨率越高，这张图片1:1放大时，图片面积越大；图片分辨率越低，这张图片1:1缩放时，图片面积越小。（可以理解为图片的像素点和屏幕的像素点是一个一个对应的）。

但是，在屏幕上把图片超过100%放大时，为什么图片上像素色块也变的越大，其实是设备通过算法对图像进行了像素补足，我们把图片放的很大后看到的一块一块的方格子，虽然理解为一个图像像素，但是其实是已经补充了很多个屏幕像素；同理，把图片小于100%缩小时，也是通过算法将图片像素进行减少。

使用OpenCV加载并保存图片
加载图片，显示图片，保存图片

OpenCV函数：cv2.imread(), cv2.imshow(), cv2.imwrite()

加载图片
使用cv2.imread()来读入一张图片：

参数1：图片的文件名

如果图片放在当前文件夹下，直接写文件名就行了，如’lena.jpg’
否则需要给出绝对路径，如’D:\OpenCVSamples\lena.jpg’

参数2：读入方式，省略即采用默认值

cv2.IMREAD_COLOR：彩色图，默认值(1)
cv2.IMREAD_GRAYSCALE：灰度图(0)
cv2.IMREAD_UNCHANGED：包含透明通道的彩色图(-1)

height, width, channels = img.shape

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

1.通道交换

读取图像，然后将RGB通道替换成BGR通道，需要注意的是，opencv读取的图像默认是BGR。cv2.cvtColor函数可以参考Color Space Conversions

img = cv2.imread(‘imori.jpg’)
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
cv2.imwrite(‘answer.png’, img)

2.灰度化(Grayscale)

灰度化的计算公式为：
在这里插入图片描述

二值化

img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, img = cv2.threshold(img, 128, 255, cv2.THRESH_BINARY)

4. 大津二值化算法（Otsu’s Method）

img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, img = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)
5. HSV变换

5. HSV变换

img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

进行色相反转

img[:, :, 0] = (img[:, :, 0] + 180) % 360
img = cv2.cvtColor(img, cv2.COLOR_HSV2BGR)

6. 减色处理

img = img // 64 * 64 + 32

7. 平均池化（Average Pooling）

img = skimage.measure.block_reduce(img, (8, 8, 1), np.mean)

8. 最大池化（Max Pooling）

img = skimage.measure.block_reduce(img, (8, 8, 1), np.max)

9. 高斯滤波（Gaussian Filter）

img = cv2.GaussianBlur(img, (3, 3), 1.3)

10 中值滤波

img = cv2.medianBlur(img, 3)

11. 均值滤波器

img = cv2.blur(img, (3, 3))

12. Motion Filter

生成一个对角线方向的卷积核(kernel）
kernel = np.diag([1]*3) / 3
img = cv2.filter2D(img, -1, kernel)

13. MAX-MIN滤波器

MAX-MIN滤波器使用网格内像素的最大值和最小值的差值对网格内像素重新赋值。通常用于边缘检测。

img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
kernel = np.ones((3,3))
img_max = cv2.dilate(img, kernel)
img_min = cv2.erode(img, kernel)
img = img_max - img_min

14. 差分滤波器(Differential Filter)

差分滤波器对图像亮度急剧变化的边缘有提取效果，可以获得邻接像素的差值。

img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
kernel_y = np.array([[0, -1, 0],[0, 1, 0],[0, 0, 0]])
img_y = cv2.filter2D(img, -1, kernel)
kernel_x = np.array([[0, 0, 0],[-1, 1, -0],[0, 0, 0]])
img_x = cv2.filter2D(img, -1, kernel)
15. Sobel滤波器
Sobel滤波器可以提取特定方向（纵向或横向）的边缘。sobel滤波器可以参考OpenCV: Image Filtering。滤波器按下式定义：

纵向：
在这里插入图片描述

横向：
在这里插入图片描述

img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
img_x = cv2.Sobel(img, cv2.CV_64F, 1, 0)
img_y = cv2.Sobel(img, cv2.CV_64F, 0, 1)

16. Prewitt滤波器

Prewitt滤波器是用于边缘检测的一种滤波器，其函数可以参考https://docs.scipy.org/doc/scipy/reference/generated/scipy.ndimage.prewitt.html

纵向：
在这里插入图片描述

横向：
在这里插入图片描述

img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
img_x = scipy.ndimage.prewitt(img, 1)
img_y = scipy.ndimage.prewitt(img, 0)
  1. Laplacian滤波器
    Laplacian滤波器是对图像亮度进行二次微分从而检测边缘的滤波器。https://docs.opencv.org/master/d4/d86/group__imgproc__filter.html#gad78703e4c8fe703d479c1860d76429e6

纵向：

在这里插入图片描述

横向：
在这里插入图片描述

img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
img = cv2.Laplacian(img,cv2.CV_64F)
  1. Emboss滤波器
    Emboss滤波器可以使物体轮廓更加清晰

img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
kernel = np.array([[-2, -1, 0], [-1, 1, 1], [0, 1, 2]])
img = cv2.filter2D(img, -1, kernel)

19. Log滤波器

LoG即高斯-拉普拉斯（Laplacian of Gaussian）的缩写，使用高斯滤波器使图像平滑化之后再使用拉普拉斯滤波器使图像的轮廓更加清晰。其函数可以参考https://docs.scipy.org/doc/scipy/reference/generated/scipy.ndimage.gaussian_laplace.html

img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
img = scipy.ndimage.gaussian_laplace(img, sigma=3)
  1. 直方图绘制
绘制直方图显示不同数值的像素出现的次数。在 Matplotlib 中有 hist() 函数提供绘制直方图的接口。https://matplotlib.org/api/_as_gen/matplotlib.pyplot.hist.html

img = cv2.imread('imori_dark.jpg').astype(np.float)
plt.hist(img.ravel(), bins=255, rwidth=0.8, range=(0, 255))
plt.savefig("answer.png")

21. 直方图均衡化

直方图均衡化是一种增强图像对比度的方法，其主要思想是将一副图像的直方图分布变成近似均匀分布。其参考https://stackoverflow.com/questions/31998428/opencv-python-equalizehist-colored-image


img_yuv = cv2.cvtColor(img, cv2.COLOR_BGR2YUV)
# equalize the histogram of the Y channel
img_yuv[:,:,0] = cv2.equalizeHist(img_yuv[:,:,0])
# convert the YUV image back to RGB format
img_output = cv2.cvtColor(img_yuv, cv2.COLOR_YUV2BGR)

22. 伽马校正

伽马校正用来对照相机等电子设备传感器的非线性转换特性进行校正。如果图像鸳鸯显示在显示器上，画面就会显得很暗。伽马校正通过预先增大RGB值来排除显示器的影响，达到对图像修正的目的。其参考https://stackoverflow.com/questions/33322488/how-to-change-image-illumination-in-opencv-python/41061351

def adjust_gamma(image, gamma=1.0):

   invGamma = 1.0 / gamma
   table = np.array([((i / 255.0) ** invGamma) * 255
      for i in np.arange(0, 256)]).astype("uint8")

   return cv2.LUT(image, table)
   
original = cv2.imread('imori_gamma.jpg')
gamma = 2.2                         
adjusted = adjust_gamma(original, gamma=gamma)
cv2.imwrite('answer.png', adjusted)

23. 常见的插值方法

包括双三次、双线性、最邻近插值。

img = cv2.imread('imori.jpg')
height, width = img.shape[:2]
new_height, new_width = int(height/2), int(width/2)
# 双三次
new_img = cv2.resize(img, (new_width, new_height), interpolation=cv2.INTER_CUBIC)
# 双线性
new_img = cv2.resize(img, (new_width, new_height), interpolation=cv2.INTER_LINEAR)
# 最邻近
new_img = cv2.resize(img, (new_width, new_height), interpolation=cv2.INTER_NEAREST)

RGB或BGR到灰度（COLOR_RGB2GRAY，COLOR_BGR2GRAY）
RGB或BGR到YcrCb（或YCC）（COLOR_RGB2YCrCb，COLOR_BGR2YCrCb）
RGB或BGR到HSV（COLOR_RGB2HSV，COLOR_BGR2HSV）
RGB或BGR到Luv（COLOR_RGB2Luv，COLOR_BGR2Luv）
灰度到RGB或BGR（COLOR_GRAY2RGB，COLOR_GRAY2BGR）

经验之谈：颜色转换其实是数学运算，如灰度化最常用的是：gray=R0.299+G0.587+B*0.114。

HSV是一个常用于颜色识别的模型，相比BGR更易区分颜色

经验之谈：OpenCV中色调H范围为[0,179]，饱和度S是[0,255]，明度V是[0,255]。虽然H的理论数值是0°~360°，但8位图像像素点的最大值是255，所以OpenCV中除以了2，某些软件可能使用不同的尺度表示，所以同其他软件混用时，记得归一化。

我们实现一个使用HSV来只显示视频中蓝色物体的例子，步骤如下：

捕获视频中的一帧
从BGR转换到HSV
提取蓝色范围的物体
只显示蓝色物体

阈值分割

使用固定阈值、自适应阈值和Otsu阈值法"二值化"图像

固定阈值分割

固定阈值分割很直接，一句话说就是像素点值大于阈值变成一类值，小于阈值变成另一类值。

cv2.threshold()用来实现阈值分割，ret是return value缩写，代表当前的阈值。函数有4个参数：

参数1：要处理的原图，一般是灰度图
参数2：设定的阈值
参数3：最大阈值，一般为255
参数4：阈值的方式，主要有5种，详情：ThresholdTypes
0: THRESH_BINARY 当前点值大于阈值时，取Maxval,也就是第四个参数，否则设置为0
1: THRESH_BINARY_INV 当前点值大于阈值时，设置为0，否则设置为Maxval
2: THRESH_TRUNC 当前点值大于阈值时，设置为阈值，否则不改变
3: THRESH_TOZERO 当前点值大于阈值时，不改变，否则设置为0
4:THRESH_TOZERO_INV 当前点值大于阈值时，设置为0，否则不改变

OpenCV函数：cv2.threshold(), cv2.adaptiveThreshold()

经验之谈：很多人误以为阈值分割就是二值化。从上图中可以发现，两者并不等同，阈值分割结果是两类值，而不是两个值。

自适应阈值

看得出来固定阈值是在整幅图片上应用一个阈值进行分割，它并不适用于明暗分布不均的图片。 cv2.adaptiveThreshold()自适应阈值会每次取图片的一小部分计算阈值，这样图片不同区域的阈值就不尽相同。它有5个参数，其实很好理解，先看下效果：

参数1：要处理的原图
参数2：最大阈值，一般为255
参数3：小区域阈值的计算方式
ADAPTIVE_THRESH_MEAN_C：小区域内取均值
ADAPTIVE_THRESH_GAUSSIAN_C：小区域内加权求和，权重是个高斯核
参数4：阈值方式（跟前面讲的那5种相同）
参数5：小区域的面积，如11就是11*11的小块
参数6：最终阈值等于小区域计算出的阈值再减去此值

Otsu阈值

在前面固定阈值中，我们是随便选了一个阈值如127，那如何知道我们选的这个阈值效果好不好呢？答案是：不断尝试，所以这种方法在很多文献中都被称为经验阈值。Otsu阈值法就提供了一种自动高效的二值化方法。

小结

  • cv2.threshold()用来进行固定阈值分割。固定阈值不适用于光线不均匀的图片，所以用 - - –
  • cv2.adaptiveThreshold()进行自适应阈值分割。
    二值化跟阈值分割并不等同。针对不同的图片，可以采用不同的阈值方法。

图像几何变换

实现旋转、平移和缩放图片
OpenCV函数：cv2.resize(), cv2.flip(), cv2.warpAffine()

缩放图片

缩放就是调整图片的大小，使用cv2.resize()函数实现缩放。可以按照比例缩放，也可以按照指定的大小缩放： 我们也可以指定缩放方法interpolation，更专业点叫插值方法，默认是INTER_LINEAR，全部可以参考：InterpolationFlags

缩放过程中有五种插值方式：

  • cv2.INTER_NEAREST 最近邻插值
  • cv2.INTER_LINEAR 线性插值
  • cv2.INTER_AREA 基于局部像素的重采样，区域插值
  • cv2.INTER_CUBIC 基于邻域4x4像素的三次插值
  • cv2.INTER_LANCZOS4 基于8x8像素邻域的Lanczos插值

翻转图片

镜像翻转图片，可以用cv2.flip()函数： 其中，参数2 = 0：垂直翻转(沿x轴)，参数2 > 0: 水平翻转(沿y轴)，参数2 < 0: 水平垂直翻转。

dst = cv2.flip(img, 1)

plt.imshow(dst)

平移图片

在这里插入图片描述

平移是用仿射变换函数cv2.warpAffine()实现的：


# 平移图片
import numpy as np
# 获得图片的高、宽
rows, cols = img.shape[:2]

M = np.float32([[1,0,100],[0,1,500]])
dst = cv2.warpAffine(img,M,(cols,rows))
plt.imshow(dst)

绘图功能

绘图功能
绘制各种几何形状、添加文字
OpenCV函数：cv2.line(), cv2.circle(), cv2.rectangle(), cv2.ellipse(), cv2.putText()
绘制形状的函数有一些共同的参数，提前在此说明一下：

img：要绘制形状的图片
color：绘制的颜色
彩色图就传入BGR的一组值，如蓝色就是(255,0,0)
灰度图，传入一个灰度值就行
thickness：线宽，默认为1；对于矩形/圆之类的封闭形状而言，传入-1表示填充形状
lineType：线的类型。默认情况下，它是8连接的。cv2.LINE_AA 是适合曲线的抗锯齿线。

添加文字

使用cv2.putText()添加文字，它的参数也比较多，同样请对照后面的代码理解这几个参数：

参数2：要添加的文本
参数3：文字的起始坐标（左下角为起点）
参数4：字体
参数5：文字大小（缩放比例）

引用出处
https://aistudio.baidu.com/aistudio/projectdetail/3485483

speop
关注
飞桨学习笔记
qq_21751863的博客
08-27 527
飞桨学习笔记 手写数字识别 第二周开始，百度飞桨团队通过一个具体的案例，即手写数字识别对深度学习的过程进行了演示。通过该过程，我们掌握了使用飞桨完成深度学习建模的方法，并且拥有了可以编写相当强大模型的能力。 接下来，我将对我学习的内容进行展示，一方面是为了完成打卡的要求，另一方面也是想要通过这次机会，重新复习一下之前学到的知识。 代码 第一周学习了房价预测模型，对于房价预测模型和手写数字模型来说，同时都具有相同的流程，从代码结构上看，模型均为数据处理、定义网络结构和训练过程三个部分。 // 加载飞桨和相关类
【飞桨学习笔记】第一章：零基础入门深度学习
buki_的博客
08-16 504
【飞桨学习笔记】第一章：零基础入门深度学习前言课程链接课程大纲第一章：零基础入门深度学习欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 前言 最近参加了PaddlePaddle飞桨的《百度架构
PaddlePaddle飞桨入门之旅(三)
wuxianshen的博客
06-23 370
——记2020.6.16百度“强化学习7日打卡营”在线课程 用着百度提供免费的GPU资源，打定主意要跟上百度每个PaddlePaddle相关的公开课程。 6月16号开始的是强化学习相关的课程，用五天时间讲解强化学习的基本问题，围绕百度团队开发的PARL框架对强化学习进行入门讲解。 五天视频课程内容： 一、强化学习初印象 强化学习：智能体agent与环境env交互，根据反馈奖励reward指导动作action；通过不断学习训练，完善某一任务的动作策略。 分类： 强化学习 .
飞桨（PaddlePaddle）深度学习框架入门及实践指南
最新发布
gitblog_00430的博客
08-07 641
飞桨（PaddlePaddle）深度学习框架入门及实践指南 PaddlePArallel Distributed Deep LEarning: Machine Learning Framework from Industrial Practice （『飞桨』核心框架，深度学习&机器学习高性能单机、分布式训练和跨平台部署）项目地址:https://gitcode.com/gh_mirrors/pa...
飞桨深度学习零基础入门（一）——使用飞桨（Paddle）单层神经网络预测波士顿房价
艾醒的博客
12-04 3799
运用飞桨框架快速搭建单层深度学习框架
百度飞桨教程（一）
wozuishuai_的博客
03-30 2438
下载数据集并初始化 DataSet# 打印数据集里图片数量这段代码展示了如何加载数据集paddle.vision.datasets.MNIST是一个手写数字数据集，mode指定训练集或测试集。train代表训练集，test代表测试集另外，paddle.vision.transforms定义了一些图象变换操作，Normalize将图象归一化可以创建一个继承自paddle.io.Dataset类的类，自定义数据集__init__ 初始化数据集__getitem__ 返回对应索引的一条数据。
百度飞桨学习python机器学习、深度学习资料
04-05
百度飞桨学习python机器学习、深度学习资料 【机器学习】GRU：实践-情感分类的另一种方法 【机器学习】LSTM：实践-谣言检测 【机器学习】python复杂操作：实践-爬虫与数据分析 【机器学习】ResNet-50原理：实践-...
『飞桨』深度学习框架入门教程-python
06-18
Deep Learning 101 with PaddlePaddle （『飞桨』深度学习框架入门教程） 使用 PaddlePaddle 进行深度学习 拟合一条线 识别数字 图像分类 词到向量 推荐系统 理解情感标签 语义角色 机器翻译 运行这本书 您正在阅读...
图书：《 PaddlePaddle深度学习101》（《飞桨》深度学习框架入门教程）
02-27
使用PaddlePaddle进行深度学习 运行书 您正在阅读的这本书是交互式的-每章都可以作为Jupyter Notebook运行。 我们将这本书，Jupyter，PaddlePaddle和所有依赖项打包到Docker映像中。 因此，除了Docker外，您不需要...
百度飞桨PaddlePaddle深度学习心得分享
12-21
【百度飞桨PaddlePaddle深度学习心得分享】 在本次的百度飞桨七日"Python小白逆袭大神"打卡营中，我有幸深入学习了Python基础、深度学习以及飞桨平台的相关知识。这次课程旨在帮助学员掌握Python语言，了解人工智能...
PaddlePaddle飞桨入门之旅(一)
wuxianshen的博客
04-07 1491
本文重点总结从Pytorch到飞桨的一些概念、编程惯例、API的对应关系，持续补充中... 适合：接触过Pytorch，想快速上手PaddlePaddle的同学。 总结：基于动态图的PaddlePaddle使用起来比Pytorch更容易上手，更加简便，且PaddlePaddle提供了完善的模型优化、终端部署支持，转战飞桨前景光明啊。
小白入门深度学习的必修课——飞桨
LuckilyHaveYou的博客
05-04 1199
我与飞桨 第一次听说飞桨是在百度的AI Studio课程《Python小白逆袭大神》当中。在此之前开始想往深度学习方向转型，在AI Studio发现有很多免费的课程。刚开始只是报着蹭课的心理来的。毕竟课程是免费的，就像在大学去旁听其它学院的课一般。 刚开始以为只是发现一笔意外之财，在学习课程以及在了解了飞桨所具备的功能之后才发现。飞桨不仅是一笔财富，更是一把打开宝藏的钥匙。就像它所说的——“让深度...
飞桨（PaddlePaddle）快速上手教程
weixin_46227276的博客
03-03 1634
使用飞桨内置的MNIST数据集进行训练和测试。通过以上步骤，您已经完成了一个深度学习任务，从数据加载到模型训练、评估和推理。飞桨提供了丰富的API来支持更复杂的任务和模型开发。您可以访问飞桨官网获取更多教程和案例，深入探索深度学习的世界。
10分钟快速上手飞桨（PaddlePaddle）
热门推荐
forrest420的专栏
11-16 1万+
Paddle版本：2.0.0rc Python版本：python3 运行方式：python3命令行界面，非分布式方式 原文地址：https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-rc/guides/02_paddle2.0_develop/01_quick_start_cn.html 1. 安装飞桨¶ 如果您已经安装好飞桨那么可以跳过此步骤。我们针对用户提供了一个方便易用的安装引导页面，您可以通过选择自己的系统和软件版本来获取对应的安装命.
百度开源深度学习框架【飞桨——PaddlePaddle】学习实践一
Together_CZ的博客
07-11 7680
上一周百度刚刚召开了AI开发者大会，其中自研的深度学习平台飞桨再一次走进了大家的视野里面，其中，早在学校期间我就有接触过PaddlePaddle，据说这个名字都是机器学习界的大神吴恩达给起的，也就是下面这位： 这里说之前接触过是什么意思呢，主要是之前接触的时候并不是很顺利，在安装和搭建的时候都有问题，后面的实践也就不了了之了，今天重新来安装使用了PaddlePadd...
百度飞桨NLP学习
qq_19072921的博客
02-16 836
飞桨NLP学习笔记
飞桨深度学习零基础入门（序）——Python实现梯度下降
艾醒的博客
12-04 1900
Python实现梯度下降读入数据并进行归一化模型类及调用梯度公式推导前提函数解释
快速入门深度学习：百度飞桨平台机器学习原理
本资源旨在为初学者提供一个机器学习的入门指南，尤其是在百度飞桨（PaddlePaddle）平台上学习机器学习的基础知识和原理。 首先，我们必须明确什么是机器学习。机器学习是人工智能的一个分支，它让计算机系统能够...
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