图像分割常用算法

最新推荐文章于 2024-10-16 08:19:59 发布
最新推荐文章于 2024-10-16 08:19:59 发布
阅读量2w 收藏 93
点赞数 12
分类专栏： 图像算法

图像分割基础算法及实现实例

转载自http://www.elecfans.com/emb/app/20171218604957.html

　　图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：

　　基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。1998年以来，研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割，提出了不少新的分割方法。图像分割后提取出的目标可以用于图像语义识别，图像搜索等等领域。

 

　　图像分割至今尚无通用的自身理论。随着各学科许多新理论和新方法的提出，出现了许多与一些特定理论、方法相结合的图像分割方法。

　　图像分割基础算法及实现实例

　　近的项目涉及到了图像处理领域，小小研究了一番，同时收集资料实现了几个基础功能。

　　一、图像反转

　　［plain］ view plain copyI=imread（‘input_image.jpg’）;

　　J=double（I）;

　　J=-J+（256-1）; %图像反转线性变换

　　H=uint8（J）;

　　subplot（3，3，4），imshow（H）;

　　TItle（‘图像反转线性变换’）;

　　axis（［50，250，50，200］）;

　　axis on;

　　二、灰度线性变换

　　［plain］ view plain copyI=imread（‘input_image.jpg’）;

　　subplot（3，3，1），imshow（I）;

　　TItle（‘原始图像’）;

　　axis（［50，250，50，200］）;

　　axis on;

　　I1 = rgb2gray（I）;

　　subplot（3，3，2），imshow（I1）

　　TItle（‘灰度图像’）

　　axis（［50，250，50，200］）;

　　grid on;

　　axis on;

　　K=imadjust（I1，［0.3 0.7］，［］）;

　　subplot（3，3，3），imshow（K）;

　　TItle（‘线性变换图像［0.3 0.7］’）;

　　axis（［50，250，20，200］）;

　　grid on;

　　axis on;

　　三、非线性变换

　　［plain］ view plain copyI=imread（‘input_image.jpg’）;

　　I1 = rgb2gray（I）;

　　subplot（3，3，5），imshow（I1）;

　　title（‘灰度图像’）;

　　axis（［50，250，50，200］）;

　　grid on; %显示网格线

　　axis on; %显示坐标系

　　J=double（I1）;

　　J=40*（log（J+1））;

　　H=uint8（J）;

　　subplot（3，3，6），imshow（H）;

　　title（‘对数变换图像’）;

　　axis（［50，250，50，200］）;

　　grid on; %显示网格线

　　axis on; %显示坐标系

　　上述代码结果：

　　图像分割基础算法及实现实例

　　四、直方图均衡化

　　［plain］ view plain copyI=imread（‘input_image.jpg’）;

　　figure;

　　I=rgb2gray（I）;

　　subplot（2，2，1）;

　　imshow（I）;

　　subplot（2，2，2）;

　　imhist（I）;

　　title（‘直方图均衡化图像’）;

　　I1 = histeq（I）;

　　subplot（2，2，3）;

　　imshow（I1）;

　　subplot（2，2，4）;

　　imhist（I1）;

　　上述代码结果：

　　图像分割基础算法及实现实例

　　五、线性平滑滤波器

　　［plain］ view plain copyI=imread（‘input_image.jpg’）;

　　figure;

　　subplot（231）

　　imshow（I）

　　title（‘原始图像’）

　　I=rgb2gray（I）;

　　I1=imnoise（I，‘salt & pepper’，0.02）;

　　subplot（232）

　　imshow（I1）

　　title（‘添加椒盐噪声的图像’）

　　k1=filter2（fspecial（‘average’，3），I1）/255; %进行3*3模板平滑滤波

　　k2=filter2（fspecial（‘average’，5），I1）/255; %进行5*5模板平滑滤波

　　k3=filter2（fspecial（‘average’，7），I1）/255; %进行7*7模板平滑滤波

　　k4=filter2（fspecial（‘average’，9），I1）/255; %进行9*9模板平滑滤波

　　subplot（233），imshow（k1）;title（‘3*3模板平滑滤波’）;

　　subplot（234），imshow（k2）;title（‘5*5模板平滑滤波’）;

　　subplot（235），imshow（k3）;title（‘7*7模板平滑滤波’）;

　　subplot（236），imshow（k4）;title（‘9*9模板平滑滤波’）;

　　上述代码结果：

　　图像分割基础算法及实现实例

　　六、中值滤波器

　　［plain］ view plain copyfigure;

　　I=imread（‘input_image.jpg’）;

　　I=rgb2gray（I）;

　　subplot（231），imshow（I）;

　　title（‘原图像’）;

　　J=imnoise（I，‘salt & pepper’，0.02）;

　　subplot（232），imshow（J）;

　　title（‘添加椒盐噪声图像’）;

　　k1=medfilt2（J）; %进行3*3模板中值滤波

　　k2=medfilt2（J，［5，5］）; %进行5*5模板中值滤波

　　k3=medfilt2（J，［7，7］）; %进行7*7模板中值滤波

　　k4=medfilt2（J，［9，9］）; %进行9*9模板中值滤波

　　subplot（233），imshow（k1）;title（‘3*3模板中值滤波’）;

　　subplot（234），imshow（k2）;title（‘5*5模板中值滤波’）;

　　subplot（235），imshow（k3）;title（‘7*7模板中值滤波’）;

　　subplot（236），imshow（k4）;title（‘9*9模板中值滤波’）;

　　上述代码结果：

　　图像分割基础算法及实现实例

　　七、用Sobel算子和拉普拉斯对图像锐化

　　［plain］ view plain copyfigure;

　　I=imread（‘input_image.jpg’）;

　　subplot（2，2，1），imshow（I）;

　　title（‘原始图像’）;

　　axis（［50，250，50，200］）;

　　grid on; %显示网格线

　　axis on; %显示坐标系

　　I1=im2bw（I）;

　　subplot（2，2，2），imshow（I1）;

　　title（‘二值图像’）;

　　axis（［50，250，50，200］）;

　　grid on; %显示网格线

　　axis on; %显示坐标系

　　H=fspecial（‘sobel’）; %选择sobel算子

　　J=filter2（H，I1）; %卷积运算

　　subplot（2，2，3），imshow（J）;

　　title（‘sobel算子锐化图像’）;

　　axis（［50，250，50，200］）;

　　grid on; %显示网格线

　　axis on; %显示坐标系

　　I1 = double（I1）;

　　h=［0 1 0，1 -4 1，0 1 0］; %拉普拉斯算子

　　J1=conv2（I1，h，‘same’）; %卷积运算

　　subplot（2，2，4），imshow（J1）;

　　title（‘拉普拉斯算子锐化图像’）;

　　axis（［50，250，50，200］）;

　　grid on; %显示网格线

　　axis on; %显示坐标系

　　上述代码结果：

　　图像分割基础算法及实现实例

　　八、梯度算子检测边缘

　　［plain］ view plain copyfigure;

　　I=imread（‘input_image.jpg’）;

　　subplot（2，3，1）;

　　imshow（I）;

　　title（‘原始图像’）;

　　axis（［50，250，50，200］）;

　　grid on; %显示网格线

　　axis on; %显示坐标系

　　I1=im2bw（I）;

　　subplot（2，3，2）;

　　imshow（I1）;

　　title（‘二值图像’）;

　　axis（［50，250，50，200］）;

　　grid on; %显示网格线

　　axis on; %显示坐标系

　　I2=edge（I1，‘roberts’）;

　　subplot（2，3，3）;

　　imshow（I2）;

　　title（‘roberts算子分割结果’）;

　　axis（［50，250，50，200］）;

　　grid on; %显示网格线

　　axis on; %显示坐标系

　　I3=edge（I1，‘sobel’）;

　　subplot（2，3，4）;

　　imshow（I3）;

　　title（‘sobel算子分割结果’）;

　　axis（［50，250，50，200］）;

　　grid on; %显示网格线

　　axis on; %显示坐标系

　　I4=edge（I1，‘Prewitt’）;

　　subplot（2，3，5）;

　　imshow（I4）;

　　title（‘Prewitt算子分割结果’）;

　　axis（［50，250，50，200］）;

　　grid on; %显示网格线

　　axis on; %显示坐标系

　　九、LOG算子检测边缘

　　［plain］ view plain copyI1=rgb2gray（I）;

　　I2=edge（I1，‘log’）;

　　subplot（2，3，6）;

　　imshow（I2）;

　　title（‘log算子分割结果’）;

　　上述代码结果：

　　图像分割基础算法及实现实例

　　十、Canny算子检测边缘

　　［plain］ view plain copyfigure;

　　I=imread（‘input_image.jpg’）;

　　subplot（2，2，1）;

　　imshow（I）;

　　title（‘原始图像’）

　　I1=rgb2gray（I）;

　　subplot（2，2，2）;

　　imshow（I1）;

　　title（‘灰度图像’）;

　　I2=edge（I1，‘canny’）;

　　subplot（2，2，3）;

　　imshow（I2）;

　　title（‘canny算子分割结果’）;

　　上述代码结果：

　　图像分割基础算法及实现实例

　　十一、边界跟踪（bwtraceboundary函数）

　　［plain］ view plain copyI=imread（‘input_image.jpg’）;

　　figure

　　subplot（2，2，1）;

　　imshow（I）;

　　title（‘原始图像’）;

　　I1=rgb2gray（I）; %将彩色图像转化灰度图像

　　threshold=graythresh（I1）; %计算将灰度图像转化为二值图像所需的门限

　　BW=im2bw（I1， threshold）; %将灰度图像转化为二值图像

　　subplot（2，2，2）;

　　imshow（BW）;

　　title（‘二值图像’）;

　　dim=size（BW）;

　　col=round（dim（2）/2）-90; %计算起始点列坐标

　　row=find（BW（：，col），1）; %计算起始点行坐标

　　connectivity=8;

　　num_points=180;

　　contour=bwtraceboundary（BW，［row，col］，‘N’，connectivity，num_points）;

　　%提取边界

　　subplot（2，2，3）;

　　imshow（I1）;

　　hold on;

　　plot（contour（：，2），contour（：，1）， ‘g’，‘LineWidth’ ，2）;

　　title（‘边界跟踪图像’）;

　　上述代码结果：

　　图像分割基础算法及实现实例

　　十二、Hough变换

　　［plain］ view plain copyfigure;

　　I=imread（‘input_image.jpg’）;

　　rotI=rgb2gray（I）;

　　subplot（2，2，1）;

　　imshow（rotI）;

　　title（‘灰度图像’）;

　　axis（［50，250，50，200］）;

　　grid on;

　　axis on;

　　BW=edge（rotI，‘prewitt’）;

　　subplot（2，2，2）;

　　imshow（BW）;

　　title（‘prewitt算子边缘检测后图像’）;

　　axis（［50，250，50，200］）;

　　grid on;

　　axis on;

　　［H，T，R］=hough（BW）;

　　subplot（2，2，3）;

　　imshow（H，［］，‘XData’，T，‘YData’，R，‘InitialMagnification’，‘fit’）;

　　title（‘霍夫变换图’）;

　　xlabel（‘\theta’），ylabel（‘\rho’）;

　　axis on ， axis normal， hold on;

　　P=houghpeaks（H，5，‘threshold’，ceil（0.3*max（H（：））））;

　　x=T（P（：，2））;y=R（P（：，1））;

　　plot（x，y，‘s’，‘color’，‘white’）;

　　lines=houghlines（BW，T，R，P，‘FillGap’，5，‘MinLength’，7）;

　　subplot（2，2，4）;imshow（rotI）;

　　title（‘霍夫变换图像检测’）;

　　axis（［50，250，50，200］）;

　　grid on;

　　axis on;

　　hold on;

　　max_len=0;

　　for k=1:length（lines）

　　xy=［lines（k）.point1;lines（k）.point2］;

　　plot（xy（：，1），xy（：，2），‘LineWidth’，2，‘Color’，‘green’）;

　　plot（xy（1，1），xy（1，2），‘x’，‘LineWidth’，2，‘Color’，‘yellow’）;

　　plot（xy（2，1），xy（2，2），‘x’，‘LineWidth’，2，‘Color’，‘red’）;

　　len=norm（lines（k）.point1-lines（k）.point2）;

　　if（len》max_len）

　　max_len=len;

　　xy_long=xy;

　　end

　　end

　　plot（xy_long（：，1），xy_long（：，2），‘LineWidth’，2，‘Color’，‘cyan’）;

　　上述代码结果：

　　图像分割基础算法及实现实例

　　十三、直方图阈值法

　　［plain］ view plain copyfigure;

　　I=imread（‘input_image.jpg’）;

　　I1=rgb2gray（I）;

　　subplot（2，2，1）;

　　imshow（I1）;

　　title（‘灰度图像’）

　　axis（［50，250，50，200］）;

　　grid on; %显示网格线

　　axis on; %显示坐标系

　　［m，n］=size（I1）; %测量图像尺寸参数

　　GP=zeros（1，256）; %预创建存放灰度出现概率的向量

　　for k=0:255

　　GP（k+1）=length（find（I1==k））/（m*n）; %计算每级灰度出现的概率，将其存入GP中相应位置

　　end

　　subplot（2，2，2），bar（0:255，GP，‘g’） %绘制直方图

　　title（‘灰度直方图’）

　　xlabel（‘灰度值’）

　　ylabel（‘出现概率’）

　　I2=im2bw（I，150/255）;

　　subplot（2，2，3），imshow（I2）;

　　title（‘阈值150的分割图像’）

　　axis（［50，250，50，200］）;

　　grid on; %显示网格线

　　axis on; %显示坐标系

　　I3=im2bw（I，200/255）; %

　　subplot（2，2，4），imshow（I3）;

　　title（‘阈值200的分割图像’）

　　axis（［50，250，50，200］）;

　　grid on; %显示网格线

　　axis on; %显示坐标系

　　上述代码结果：

　　图像分割基础算法及实现实例

　　十四、自动阈值法：Otsu法

　　［plain］ view plain copyclc

　　clear all

　　figure;

　　I=imread（‘input_image.jpg’）;

　　subplot（1，2，1），imshow（I）;

　　title（‘原始图像’）

　　axis（［50，250，50，200］）;

　　grid on; %显示网格线

　　axis on; %显示坐标系

　　level=graythresh（I）; %确定灰度阈值

　　BW=im2bw（I，level）;

　　subplot（1，2，2），imshow（BW）;

　　title（‘Otsu法阈值分割图像’）

　　axis（［50，250，50，200］）;

　　grid on; %显示网格线

　　axis on; %显示坐标系

　　上述代码结果：

　　图像分割基础算法及实现实例

　　十五、膨胀操作

　　［plain］ view plain copyfigure;

　　I=imread（‘input_image.jpg’）;

　　I1=rgb2gray（I）;

　　subplot（1，2，1）;

　　imshow（I1）;

　　title（‘灰度图像’）

　　axis（［50，250，50，200］）;

　　grid on; %显示网格线

　　axis on; %显示坐标系

　　se=strel（‘disk’，1）; %生成圆形结构元素

　　I2=imdilate（I1，se）; %用生成的结构元素对图像进行膨胀

　　subplot（1，2，2）;

　　imshow（I2）;

　　title（‘膨胀后图像’）;

　　axis（［50，250，50，200］）;

　　grid on; %显示网格线

　　axis on; %显示坐标系

　　上述代码结果：

　　图像分割基础算法及实现实例

　　十六、腐蚀操作

　　［plain］ view plain copyfigure;

　　I=imread（‘input_image.jpg’）;

　　I1=rgb2gray（I）;

　　subplot（1，2，1）;

　　imshow（I1）;

　　title（‘灰度图像’）

　　axis（［50，250，50，200］）;

　　grid on; %显示网格线

　　axis on; %显示坐标系

　　se=strel（‘disk’，1）; %生成圆形结构元素

　　I2=imerode（I1，se）; %用生成的结构元素对图像进行腐蚀

　　subplot（1，2，2）;

　　imshow（I2）;

　　title（‘腐蚀后图像’）;

　　axis（［50，250，50，200］）;

　　grid on; %显示网格线

　　axis on; %显示坐标系

　　上述代码结果：

　　图像分割基础算法及实现实例

　　十七、开启和闭合操作

　　［plain］ view plain copyfigure;

　　I=imread（‘input_image.jpg’）;

　　subplot（2，2，1），imshow（I）;

　　title（‘原始图像’）;

　　axis（［50，250，50，200］）;

　　axis on; %显示坐标系

　　I1=rgb2gray（I）;

　　subplot（2，2，2），imshow（I1）;

　　title（‘灰度图像’）;

　　axis（［50，250，50，200］）;

　　axis on; %显示坐标系

　　se=strel（‘disk’，1）; %采用半径为1的圆作为结构元素

　　I2=imopen（I1，se）; %开启操作

　　I3=imclose（I1，se）; %闭合操作

　　subplot（2，2，3），imshow（I2）;

　　title（‘开启运算后图像’）;

　　axis（［50，250，50，200］）;

　　axis on; %显示坐标系

　　subplot（2，2，4），imshow（I3）;

　　title（‘闭合运算后图像’）;

　　axis（［50，250，50，200］）;

　　axis on; %显示坐标系

　　上述代码结果：

　　图像分割基础算法及实现实例

　　十八、开启和闭合组合操作

　　［plain］ view plain copyfigure;

　　I=imread（‘input_image.jpg’）;

　　subplot（3，2，1），imshow（I）;

　　title（‘原始图像’）;

　　axis（［50，250，50，200］）;

　　axis on; %显示坐标系

　　I1=rgb2gray（I）;

　　subplot（3，2，2），imshow（I1）;

　　title（‘灰度图像’）;

　　axis（［50，250，50，200］）;

　　axis on; %显示坐标系

　　se=strel（‘disk’，1）;

　　I2=imopen（I1，se）; %开启操作

　　I3=imclose（I1，se）; %闭合操作

　　subplot（3，2，3），imshow（I2）;

　　title（‘开启运算后图像’）;

　　axis（［50，250，50，200］）;

　　axis on; %显示坐标系

　　subplot（3，2，4），imshow（I3）;

　　title（‘闭合运算后图像’）;

　　axis（［50，250，50，200］）;

　　axis on; %显示坐标系

　　se=strel（‘disk’，1）;

　　I4=imopen（I1，se）;

　　I5=imclose（I4，se）;

　　subplot（3，2，5），imshow（I5）; %开—闭运算图像

　　title（‘开—闭运算图像’）;

　　axis（［50，250，50，200］）;

　　axis on; %显示坐标系

　　I6=imclose（I1，se）;

　　I7=imopen（I6，se）;

　　subplot（3，2，6），imshow（I7）; %闭—开运算图像

　　title（‘闭—开运算图像’）;

　　axis（［50，250，50，200］）;

　　axis on; %显示坐标系

　　上述代码结果：

　　图像分割基础算法及实现实例

　　十九、形态学边界提取

　　［plain］ view plain copyfigure;

　　I=imread（‘input_image.jpg’）;

　　subplot（2，3，1），imshow（I）;

　　title（‘原始图像’）;

　　axis（［50，250，50，200］）;

　　grid on; %显示网格线

　　axis on; %显示坐标系

　　I1=im2bw（I）;

　　subplot（2，3，2），imshow（I1）;

　　title（‘二值化图像’）;

　　axis（［50，250，50，200］）;

　　grid on; %显示网格线

　　axis on; %显示坐标系

　　I2=bwperim（I1）; %获取区域的周长

　　subplot（2，3，3），imshow（I2）;

　　title（‘边界周长的二值图像’）;

　　axis（［50，250，50，200］）;

　　grid on;

　　axis on;

　　I3=bwmorph（I1，‘skel’，1）;

　　subplot（2，3，4），imshow（I3）;

　　title（‘1次骨架提取’）;

　　axis（［50，250，50，200］）;

　　axis on;

　　I4=bwmorph（I1，‘skel’，2）;

　　subplot（2，3，5），imshow（I4）;

　　title（‘2次骨架提取’）;

　　axis（［50，250，50，200］）;

　　axis on;

　　上述代码结果：

　　图像分割基础算法及实现实例

夏凉倾雪
关注
专栏目录
MATLAB图像处理之 图像分割常用算法大全 01 基于阈值的分割算法代码实现
code2day的博客
03-09 1326
imbinarize()函数将图像转换为二进制图像，其中值为1的像素表示正在分割出的区域，值为0的像素表示背景。图像分割是将一张图像分成多个不同区域的过程。阈值分割是图像分割的一种简单而有效的方法，它是基于将一幅图像中的像素分成两个或多个组的方法，这些组具有不同的颜色或亮度值。处理图像中的边缘时常常使用该算法，基于图论的方式可以将边缘看作是连接像素之间的权值为边的图，然后使用图割算法将像素分组。将图像转换为灰度图像，这是因为在灰度图像中，每个像素只有一个亮度值，而在彩色图像中，每个像素有三个颜色通道的值。
图像处理之图像分割算法：GrabCut算法：图像分割算法概览
kkchenjj的博客
07-27 548
交互性: GrabCut算法允许用户通过简单的标记（矩形框或粗略的轮廓）来指导分割过程，提高了分割的准确性和效率。自动细化: 一旦用户提供了初始标记，算法能够自动细化边界，减少用户的手动调整。背景和前景的区分: 通过迭代优化，GrabCut能够有效地区分图像的背景和前景，即使在复杂背景下也能保持良好的分割效果。颜色和纹理信息的利用: 算法结合了颜色和纹理信息，能够处理具有相似颜色但不同纹理的区域，提高了分割的鲁棒性。
图像分割算法
01-22
有阈值：大津法；边缘检测：分水岭，sobel算子，canny算子；kmeans算法
回顾图像分割的经典算法
热门推荐
xiangz_csdn的博客
02-10 6万+
[转] https://www.leiphone.com/news/201801/vV9tk5kK95g0spUG.html图像语义分割是 AI 领域中一个重要的分支，是机器视觉技术中关于图像理解的重要一环。近年的自动驾驶技术中，也需要用到这种技术。车载摄像头探查到图像，后台计算机可以自动将图像分割归类，以避让行人和车辆等障碍。随着近些年深度学习的火热，使得图像分割有了巨大的发展，本文为大家介绍深...
2024年十大前沿图像分割模型汇总：工作机制、优点和缺点介绍
最新发布
阿旭的博客
10-16 1857
2024年十大前沿图像分割模型汇总：工作机制、优点和缺点介绍
图像分割的常用算法
weixin_43271137的博客
04-10 8391
基于边缘的分割算法的优点是可以根据图像的边缘信息进行分割，适用于处理具有明显边缘的图像。基于能量的分割算法是一种基于图像能量最小化原理进行分割的方法，它通常根据图像像素之间的相似性和连通性等特征，通过最小化能量函数来得到图像的分割结果。基于边缘的分割算法是一种基于图像边缘信息进行分割的方法，它通常使用边缘检测算法提取图像中的边缘信息，然后根据边缘信息将图像分割成不同的区域。基于区域的分割算法是一种基于图像局部区域的特征进行分割的方法，它通常根据相邻像素之间的灰度和颜色等特征将图像分成不同的区域。
图像边缘检测与图像分割常用算法研究分析-含用户界面.zip
05-07
在图像处理领域，边缘检测和图像分割...综上所述，图像边缘检测与图像分割是图像处理的重要组成部分，涉及多种算法。理解并熟练掌握这些算法有助于我们在实际项目中选择最适合的方法，从而提升图像分析的准确性和效率。
图像分割常用算法优缺点探析
12-11
### 图像分割常用算法优缺点探析 #### 引言 图像分割是数字图像处理领域中的关键步骤，它涉及将图像划分为多个具有相似特征的区域，这些特征可能包括边缘、纹理、颜色或亮度等。良好的图像分割可以为后续的图像...
基于Matlab实现的图像分割的常用算法
06-17
在实际应用中，通常需要结合具体问题和图像特点，灵活选用或组合这些算法，以达到最佳的分割效果。Matlab作为强大的科学计算工具，提供了丰富的图像处理库和便捷的编程环境，为图像分割的实践与研究提供了强大支持。
图像分割分形算法
08-11
图像分割算法--分形算法，包括完整的matlab代码，以及包含代码的算法的相关论文。以及用于测试的图像
matlab 点云分割 常用算法
09-05
常用的一些点云分割算法包括： 1. **基于阈值的方法**：这是最基础的方法，通过设置距离、密度等阈值来区分背景和目标点。例如，可以使用`bwdist`函数计算邻域灰度并设定某个高度阈值。 2. **聚类算法**：K-means...
评论 5
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