GEE学习之简单阈值分割

最新推荐文章于 2024-09-22 11:17:00 发布
最新推荐文章于 2024-09-22 11:17:00 发布
阅读量1.9k 收藏 41
点赞数 10
文章标签： 学习 googlecloud
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/qq_50291870/article/details/129492244
版权

最近一直在做土地利用分类，尝试了非监督分类、随机森林，感觉制作标签好费事，就想通过光谱指数阈值偷懒。当然结果表明，这样分割只能看大致趋势！！实际分类结果不准！！对于一些趋势分析倒是勉强可以用用，而且确实省时省力。

选取典型土地利用类型，查看光谱特征

首先我在地图上选取了几种典型的土地利用类型，计算他们的NDVI、MNDWI、SI、NDBI等光谱指数，查看哪种光谱指数能分类得更好。结果发现，EVI和SAVI和NDVI结果相差不大，MNDWI效果没有NDWI效果好，IBI结果与NDBI效果差不多，随后就选择了NDVI、MNDWI、SI、NDBI这四种指标作为分割标准。

//将各土地利用类型合成一个featurecollection；table是导入的研究区边界
var regions = new ee.FeatureCollection([sand,water,crop,wetlands,city,road,barelands]);
Map.centerObject(table, 9);
Map.addLayer(ee.Image().paint(table, 0, 2), {}, 'roi');
var date = ee.DateRange('2022-06-01','2022-09-01')

//landsat影像处理与光谱指数计算
//product:LANDSAT/LT05/C02/T1_L2
function input_landsat8L2(region,date){
//缩放 
  function applyScaleFactors(image) {
    var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);
    var thermalBands = image.select('ST_B.*').multiply(0.00341802).add(149.0);
    return image.addBands(opticalBands, null, true)
                .addBands(thermalBands, null, true);
  }

//NDVI 
  function NDVI(image) { 
    return image.addBands( 
     image.normalizedDifference(["SR_B5", "SR_B4"]) 
           .rename("NDVI")); 
  } 

//EVI
  var EVI = function(image) {
   var evi =  image.expression(
       '2.5 * float(nir - red)/ (nir + 6*red -7.5*blue +1 )',
       {
         'nir': image.select('SR_B5'),
          'red': image.select('SR_B4'),
          'blue':image.select('SR_B2')
       }).rename('EVI');
    return image.addBands(evi);
  };

//NDWI 
  function NDWI(image) { 
    return image.addBands( 
      image.normalizedDifference(["SR_B3", "SR_B5"]) 
          .rename("NDWI")); 
  } 

//MNDWI 
  function MNDWI(image) { 
    return image.addBands( 
      image.normalizedDifference(["SR_B3", "SR_B6"]) 
          .rename("MNDWI")); 
  } 
  
//NDBI 
  function NDBI(image) { 
    return image.addBands( 
      image.normalizedDifference(["SR_B6", "SR_B5"]) 
          .rename("NDBI")); 
  } 

//SI
  var SI = function(image) {
   var si =  image.expression(
       'float(swir + red-nir-blue)/ (swir +red +blue +nir )',
       {
         'swir':image.select('SR_B6'),
         'nir': image.select('SR_B5'),
          'red': image.select('SR_B4'),
          'blue':image.select('SR_B2')
       }).rename('SI');
    return image.addBands(si);
  };
//SAVI
  var SAVI = function(image) {
   var savi =  image.expression(
       '1.5*float(nir-red)/ (red +nir+0.5 )',
       {
         'nir': image.select('SR_B5'),
          'red': image.select('SR_B4'),
       }).rename('SAVI');
    return image.addBands(savi);
  };
//DEM
  function DEM(image){
    var strm=ee.Image("USGS/SRTMGL1_003");
    var dem=ee.Algorithms.Terrain(strm);
    var elevation=dem.select('elevation');
    var slope=dem.select('slope');
    return image.addBands(elevation.rename("ELEVATION")
      ).addBands(slope.rename("SLOPE"))
}
//IBI
function IBI(image){
  var ibiA = image.expression('2 * SWIR1 / (SWIR1 + NIR)', {
        'SWIR1': image.select('SR_B6'),
        'NIR'  : image.select('SR_B5')
      }).rename(['IBI_A']);
     
  var ibiB = image.expression('(NIR / (NIR + RED)) + (GREEN / (GREEN + SWIR1))', {
        'NIR'  : image.select('SR_B5'),
        'RED'  : image.select('SR_B4'),
        'GREEN': image.select('SR_B3'),
        'SWIR1': image.select('SR_B6')
      }).rename(['IBI_B']);
  var ibiAB = ibiA.addBands(ibiB);
  var ibi = ibiAB.normalizedDifference(['IBI_A', 'IBI_B']);
  return image.addBands(ibi.rename("IBI"))
  }
//remove cloud by select bitwise
  function bitwiseExtract(value, fromBit, toBit) {
    if (toBit === undefined) toBit = fromBit;
    var maskSize = 1 + toBit - fromBit; //位数
    var mask = ee.Number(1 << maskSize).subtract(1); 
    return value.rightShift(fromBit).bitwiseAnd(mask);
  }

  function cloudfree_landsat(image){
    var qa = image.select('QA_PIXEL')
    var cloudState = bitwiseExtract(qa, 3)    //5
    var cloudShadowState = bitwiseExtract(qa, 4)  //3
    var mask = cloudState.eq(0) // Clear
    .and(cloudShadowState.eq(0)) // No cloud shadow
    return image.updateMask(mask)  
  }
  
  //load landsat
  var collection = ee.ImageCollection("LANDSAT/LC08/C02/T1_L2").filterDate(date).filterBounds(region);//LANDSAT/LT05/C02/T1_L2
var preinput = collection//.filterMetadata('CLOUD_COVER','less_than', 3.0).sort('CLOUD_COVER', true) //这里其实并没有用到云量控制
              .map(cloudfree_landsat).map(applyScaleFactors) 
              .map(NDVI) 
              .map(NDWI) 
              .map(NDBI)
              .map(MNDWI)
              .map(EVI).map(DEM).map(SI).map(SAVI).map(IBI)//.map(nightlight).qualityMosaic('NDVI').clip(region) //.mosaic() can be changed in different ways
var bands = [ 
  "SR_B6", "SR_B2", "SR_B3","SR_B4","SR_B5", "SR_B7", 
  "NDBI",  "NDVI" ,'MNDWI','NDWI',"SAVI",'EVI','ELEVATION','SI','SLOPE','IBI'
];
//get the base map
var input = preinput.select(bands);  
print(input)
  Map.addLayer(preinput.mean().clip(region), {min:0, max:0.3, bands: ['SR_B4', 'SR_B3', 'SR_B2']} ,"rawscenecloud");
  return input
} 
var input = input_landsat8L2(table,date)

//均值合成
var mean = input.mean().clip(table)
var ndvi_crop = mean.select('NDVI').reduceRegion({  
   reducer: ee.Reducer.mean(),  
   geometry: crop.geometry(),   
   scale: 30  
}); 
print('ndvi_mean_crop:',ndvi_crop)
var ndvi_bare = mean.select('NDVI').reduceRegion({  
   reducer: ee.Reducer.mean(),  
   geometry: barelands.geometry(),   
   scale: 30  
});
print('ndvi_mean_bareland:',ndvi_bare)
var ndvi_wetland = mean.select('NDVI').reduceRegion({  
   reducer: ee.Reducer.mean(),  
   geometry: wetlands.geometry(),   
   scale: 30  
}); 
print('ndvi_mean_wetland:',ndvi_wetland)
var ndvi_sand = mean.select('SI').reduceRegion({  
   reducer: ee.Reducer.mean(),  
   geometry: sand.geometry(),   
   scale: 30  
}); 
print('ndvi_mean_sand:',ndvi_sand)

由于影像质量每年都不确定，因此先根据每年平均值大致判断阈值（这里我为了省事直接人为设定阈值了，所以结果受主观影响很大，最好设计一套更符合每年情况的阈值确定方法）。

通过阈值进行分类

这里涉及的总思路是：（1）逐年计算6-9月样本点（田地、湿地、裸地）平均NDVI，作为阈值参考；（2）通过MNDWI分割水体（由于MNDWI对于水体分割效果很好，设置固定阈值），通过设置NDVI阈值划分湿地（阈值逐年根据NDVI均值变化）；（3）通过设置NDVI阈值进一步划分田地（阈值逐年根据NDVI均值变化，考虑到夏季水面植物生长，用湿地、水域mask作为约束），通过SI阈值划分沙地（阈值不变，但用田地mask作为约束）；（4）通过NDVI阈值划分裸地（阈值不变，使用水域、沙地、田地作为约束）；（5）通过NDBI值划分不透水面（阈值不变，使用裸地、沙地、水域作为约束）。在各类型相互约束前提下，通过目视大致判断土地利用分布，调整阈值（湿地、田地），将各个土地类型分别赋值，不属于此类的像素mask，然后合成一张分类图，再按照灌域进行像素统计。这里还是强调，采用的方法太依赖人工经验，之后有机会的话再认真考虑阈值的选取。

//湿地——NDVI
var wetland = mean.select('NDVI').gte(0.73)
var wetland_mask = wetland.mask(wetland)
var WETLAND = wetland_mask.where(wetland_mask.select('NDVI').eq(1),1).rename('lc').set(ee.Dictionary(['lc',1])).toInt8()
var otherwl = mean.select('NDVI').lt(0.73)

//水体——MNDWI
var waterbodies = mean.select('MNDWI').gte(0.2)
var waterbodies_mask = waterbodies.mask(waterbodies)
var WATER = waterbodies_mask.where(waterbodies_mask.select('MNDWI').eq(1),3).rename('lc').set(ee.Dictionary(['lc',3])).toInt8()
var otherw = mean.select('MNDWI').lt(0.2)

//农田——NDVI
var field = mean.select('NDVI').gte(0.4)//0.35
var field_mask = field.mask(field).updateMask(otherwl.mask(otherwl)).updateMask(otherw.mask(otherw))
var FIELD = field_mask.where(field_mask.select('NDVI').eq(1),2).rename('lc').set(ee.Dictionary(['lc',2])).toInt8()
var otherf = mean.select('NDVI').lt(0.4)

//沙地——SI
var sands = mean.select('SI').gte(0.13)
var sands_mask = sands.mask(sands).updateMask(otherw.mask(otherw)).updateMask(otherf.mask(otherf))
var SANDS = sands_mask.where(sands_mask.select('SI').eq(1),4).rename('lc').set(ee.Dictionary(['lc',4])).toInt8()
var others = mean.select('SI').lt(0.13)
//var others = mean.select('SI').mask(mean.select('SI').lt(0.12)).unmask(0);

//裸地——NDVI
var bareland = mean.select('NDVI').gte(0.2)
var bareland_mask = bareland.mask(bareland).updateMask(otherf.mask(otherf))
.updateMask(otherw.mask(otherw)).updateMask(others.mask(others))
var BARELAND = bareland_mask.where(bareland_mask.select('NDVI').eq(1),5).rename('lc').set(ee.Dictionary(['lc',5])).toInt8()
var otherb = mean.select('NDVI').lt(0.2)

//不透水面——NDBI
var impervious = mean.select('NDBI').gt(-0.1)
var impervious_mask = impervious.mask(impervious).updateMask(others.mask(others))
.updateMask(otherb.mask(otherb)).updateMask(otherw.mask(otherw))
var IMPERVIOUS = impervious_mask.where(impervious_mask.select('NDBI').eq(1),6).rename('lc').set(ee.Dictionary(['lc',6])).toInt8();

//加载各分类情况分布
Map.addLayer(wetland_mask,{palette:["006400"]},'wetland')
Map.addLayer(field_mask,{palette:["7FFF00"]},'field')
Map.addLayer(bareland_mask,{palette:["8B4513"]},'bareland')
Map.addLayer(impervious_mask,{palette:["8A8A8A"]},'impervious')
Map.addLayer(sands_mask,{palette:["FFF68F"]},'sands')
Map.addLayer(waterbodies_mask,{palette:["1E90FF"]},'waterbodies')

这里用到了mask，mask会将符合条件的像素赋值为1，不符合条件的像素赋值为0，然后将值为0的像素掩膜掉，这里要注意不是删除原像素，只是将其掩膜。updateMask可以应用其他的mask，还有一个unmask()的命令，表示将掩膜掉的像素赋值为括号内的数字，如-9999等。

在上面的阈值分割过程中，使用了多种光谱指数对6种土地利用类型进行分割，需要注意的是不同土地利用类型之间不能有重叠，因此除了强特征的土地类型（湿地、沙地、水体），余下的（农田、裸地、不透水面）在分割的过程中需要对已分好的类型进行掩膜处理。这一步很关键，不然会影响后面面积统计的结果。类型之间的相互约束真的很重要。

在分类结束后，通过where()函数将掩膜出来的像素赋予不同的数字作为土地类型的区分，并将波段重命名为lc（landcover）。set函数是将每个影像添加一个property，名字为lc， 这是之前失败的尝试，实际上可加可不加。

合并各掩膜，进行面积统计

各土地类型分类完成后，将其集合为imagecollection，此时每张影像的波段都是lc。集合后，使用mean()函数将各个影像合成为一张土地分类图。如果之前土地掩膜没有弄好的话，这里合成就会出大问题。之前跳错说type不统一，因此在上面rename后将其转换为int（toInt8()），之后就不报错了。

//合成为一张土地分类图
var classification = ee.ImageCollection.fromImages([WETLAND,FIELD,WATER,SANDS,BARELAND,IMPERVIOUS])
//print(classification2)
Map.addLayer(classification2.mean(),{min:1,max:6,palette:["006400","7FFF00","1E90FF","FFF68F","8B4513","8A8A8A"]},'mosaic')

//提取研究区的小区域名称
var point = table.aggregate_array('Name1')

//for循环统计各小区域的土地类型面积
for(var i = 0; i<6 ; i++) {  
  var roi = table.filterMetadata('Name1','equals',point.get(i));
//count area
  var areaImage = ee.Image.pixelArea().addBands(classification.mean())
  var areas = areaImage.reduceRegion({
      reducer: ee.Reducer.sum().group({
      groupField: 1,
      groupName: 'type',
      }),
      geometry: roi,
      scale: 30,
      maxPixels: 1e13
      }); 
  var classAreas = ee.List(areas.get('groups'))
  var classAreaLists = classAreas.map(function(item) {
  var areaDict = ee.Dictionary(item)
  var classNumber = ee.Number(areaDict.get('type')).format()
  var area = ee.Number(
      areaDict.get('sum')).divide(1e6)//.round()
  return ee.List([classNumber, area])
    })
  var result1 = ee.Dictionary(classAreaLists.flatten())
  print('area:'+ i ,result1)
  //}
}

//统计整个区域的各土地利用类型面积
var image_area = ee.Image.pixelArea().addBands(classification.mean())
var Area = image_area.reduceRegion({
    'reducer': ee.Reducer.sum().group({
        'groupField': 1,
        'groupName': 'class'
    }),
    'geometry': table,
    'scale': 30,
    'maxPixels': 1e13 
  })
 
  var classAreas1 = ee.List(Area.get('groups'))
  var classAreaLists1 = classAreas1.map(function(item) {
    var areaDict1 = ee.Dictionary(item)
    var classNumber1 = ee.Number(areaDict1.get('class')).format()
    var area1 = ee.Number(
      areaDict1.get('sum')).divide(1e6)//.round()
    return ee.List([classNumber1, area1])
  })
  var result2 = ee.Dictionary(classAreaLists1.flatten())
  print(result2)

后记

这个原理虽然比较简单，但是也到处找了很久代码，在设置阈值时也做了很多的前处理分析，虽然最后表明人工阈值不太可行，但是在大致的趋势上面还是足够明显的。不过果然偷懒还是不太行，老老实实地回去打标签做随机森林分类了。。

 

 

时而支楞时而摆烂的小刘
关注
使用Landsat的NDVI和NDWI阈值法土地分类
学习历程记录和分享
06-02 230
创建一个包含多个层的影像合成：水体（NDWI > 0.5），植被（NDVI > 0.2），阴影区域的裸地（bare2但不包括bare1），和其他裸地（bare1）。然后，使用mosaic()方法合并这些层，并用clip(hh)方法裁剪到研究区域的范围。
Google Earth Engine（GEE）——分别用NDVI和NDWI进行阈值设定从而进行土地类型的划分！
此星光明博客
08-13 3057
这里唯一要解释的函数就是这个： updateMask(mask) 说白了就是将不满足你条件的东西去掉，留下满足你要求的影像进行输出，输出图像保留输入图像的元数据和足迹。 Updates an image's mask at all positions where the existing mask is not zero. The output image retains the metadata and footprint of the input image. Arguments: this
GEE入门篇|图像处理（三）：阈值处理、掩膜和重新映射图像
qq_46689623的博客
03-02 1854
GEE入门篇|图像处理（三）：阈值处理、掩膜和重新映射图像
GEE：面对对象分割
养乐多的博客
04-08 1660
本文将介绍在Google Earth Engine（GEE）平台上，进行面对对象分割的方法和代码。主要用到了 ee.Algorithms.Segmentation.SNIC（）函数和ee.Algorithms.Image.Segmentation.seedGrid（）函数，本文详细介绍了这两个函数及其参数。
Google Earth Engine ——利用where来合理划分NDVI阈值
此星光明博客
11-13 2114
重要的是，如果命令不是在 Google 的服务器上计算的，JavaScript 会在运行您的代码时产生严重的问题——实际上，服务器会尝试将所有要执行的信息发送到您自己计算机的浏览器上，而对于如此庞大的浏览器来说，它的设备非常不足任务。如果我们想查看地图的哪些区域有植被，我们可以使用阈值将每个像素中的 NDVI 值概括为“无植被” ”或“植被”。gt 方法来自布尔运算符系列——也就是说，gt 是一个函数，它在每个像素中执行测试，如果测试结果为 true，则返回值 1，否则返回 0。where（测试，值）
IDL阈值分割
12-30
用IDL语言编写的用于阈值分割的代码
阈值分割法提取遥感图像水体
05-10
完整的程序和图片数据调用，能阈值分割对遥感图像上水体的提取。
根据ndvi提取非水体_行业应用高分三号卫星水体自动提取应用
weixin_39759182的博客
01-07 340
我国洪涝、干旱灾害和水资源短缺等水问题突出，地面监测系统目前还不能实现全面覆盖。高分三号卫星具有全天候全天时对地观测能力，可以不分昼夜、阴雨天气进行对地观测。针对洪涝灾害监测、水资源管理等水利应用需求，基于可以常态化接收的国产雷达数据，实现水体的自动化提取，可以补充地面监测能力的不足，在提升我国水利监测能力方面发挥重要作用。常用的雷达水体提取技术包括目视解译、监督分类、纹理特征分析、动态...
GEE：使用OTSU阈值分割方法计算阈值
养乐多的博客
04-22 353
CSDN@_养乐多_本文将介绍在 Google Earth Engine (GEE) 平台中，如何使用使用影像集合中所有时期的影像来计算水体分割阈值，以增加水体分类的准确性。本文示例代码以Sentinel2计算的NDWI指数为例，使用OTSU大津阈值分割算法，并计算一个最佳阈值用来分割水体。
基于MODIS／NDVI时序数据的土地覆盖分类 (2010年)
05-27
以250m分辨率的MODIS／NDVI时间序列数据为主要数据源，通过Sacizkky―Golay滤波重建高质量NDVI时间序列数据；同时融合500m分辨率的MODIS多光谱反射率数据和90m分辨率的DEM数据．将非监督分类法和决策树法相结合，进行黑龙江流域土地覆盖分类研究．对分类结果采用已有的土地覆盖数据和高分辨率遥感影像进行精度评价，评价结果表明，利用MODIS／NDVI时间序列数据获得较高精度的土地覆盖分类结果是可行的．
迭代法阈值图像分割
10-20
本文将深入探讨“迭代法阈值图像分割”这一技术，它是一种广泛应用的图像分割方法。 图像分割是通过对图像像素进行分类来实现的，通常涉及到设定一个阈值来区分前景和背景。在迭代法阈值图像分割中，我们不再依赖...
GEE案例-利用谷歌地球引擎的深度学习方法绘制哨兵 1 号地表水地图.pdf
04-17
Edge-Otsu方法是一种基于边缘检测和Otsu阈值分割的图像处理技术，它能够帮助从SAR图像中识别出水体和非水体的边界。 文章还提到了使用U-Net卷积神经网络进行地表水的绘制。U-Net是一种流行的图像分割网络架构，特别...
GEE (Google Earth Engine)高阶学习一 影像分割
开心超人的博客
08-07 7507
影像分割就是把影像分成若干个特定、具有独特性质区域的技术和过程，是面向对象分类的重要基础。 下面介绍几种GEE中自带的影像分割的算法。具体的算法原理，在这里不多介绍，主要还是展示算法的应用。 使用例子的原始图像如下： ​​​​​​1.GMeans算法 ​​​​​​​​​​​​​​​​​​​​​​ 主要参数如下： image：待处理影像。 numlterations:迭代次数。 pValue:正态检验的显著性水平。相当于阈值，值越小，分割的越精细，影像被分割成的块数就越多。 neighborhoodSize
GEE：Gmeans图像分割
养乐多的博客
04-15 961
ee.Algorithms.Image.Segmentation.GMeans() 是 Google Earth Engine (GEE) 中的一种图像分割算法，用于将图像分割成多个相似的区域。该函数可以对单波段或多波段图像进行分割。image：需要进行分割的图像。numIterations：算法的最大迭代次数。默认值为 5。pValue：控制标准偏差的平衡参数。默认值为 0.01。neighborhoodSize：用于计算像素邻域内像素值的标准差和均值的邻域大小。默认值为 256。
GEEer的快乐|是为了白嫖影像吧！分析挖掘，NDVI、非监督分类等
此星光明博客
07-12 714
Google Earth Engine是谷歌公司提供的全球尺度地球科学数据（尤其是卫星遥感数据）在线可视化计算和分析云平台。该平台能够存取和同步遥感领域目前常用的MODIS、Landsat和Sentinel等卫星图像和NCEP等气象再分析数据集，同时依托全球上百万台超级服务器，提供足够的运算能力对这些数据进行处理。截止目前，GEE上包含的数据集超过200个公共的数据集，每天新增数据量超过 4000幅影像，容量超过50PB。相比于ENVI等传统的处理影像工具，Google Earth Engine在处理海量遥
【GEE笔记】最大类间方差法（otsu、大津法）算法实现——计算阈值、图像二值化分割
runepic的博客
05-16 1万+
主要内容 1、最大类间方差法原理概述 2、GEE频率分布统计 3、算法具体实现，以GEE JavaScript版本为例 4、目标像元提取，以遥感影像提取水体为示例
GEE：关系、条件和布尔运算
养乐多的博客
12-03 2629
本文记录了在GEE（Google Earth Engine）平台上的关系运算符和布尔运算符，分别应用到了三个不用的场景（筛选低 NDVI 和低 NDWI 区域、根据阈值分类夜光遥感数据、使用一景影像无云像素替换另一景影像云像素），并展示了结果。关系运算函数包括：eq()，gt()，gte()，lt()，lte()，布尔运算函数包括：and()，or()，not()。这些方法可以用来掩膜、绘制分类地图和重新赋值。
ENVI5.3通过MNDWI提取水体
热门推荐
weixin_42708755的博客
03-20 1万+
ENVI5.3通过MNDWI提取水体 1.打开图像，在toolbox中找到spectral indices工具 2.选择MNDWI，并输出图像 3.创建感兴趣区，观察图像确定水体阈值，并输出ROI
计算机毕业设计之：基于微信小程序的诗词智能学习系统（源码+文档+解答）
最新发布
程序员阿龙的博客
09-22 3248
博主介绍： ✌我是阿龙，一名专注于Java技术领域的程序员，全网拥有10W+粉丝。作为CSDN特邀作者、博客专家、新星计划导师，我在计算机毕业设计开发方面积累了丰富的经验。同时，我也是掘金、华为云、阿里云、InfoQ等平台的优质作者。通过长期分享和实战指导，我致力于帮助更多学生完成毕业项目和技术提升。 技术范围： 我熟悉的技术领域涵盖SpringBoot、Vue、SSM、HLMT、Jsp、PHP、Nodejs、Python、爬虫、数据可视化、小程序、安卓app、大数据、物联网、机器学习等方
gee snic 面向对象 分割
12-26
gee snic是一种面向对象的分割方法，它采用了一种新的面向对象的思想来进行图像分割。在gee snic中，图像被分割为一组相似的像素块，这些像素块根据它们的相似性和局部特征进行组合。该方法不仅能够有效地提取图像中...
评论 6
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