Python----opencv计算细胞核质比、轮廓描绘、椭圆拟合、GUI手动调整阈值、自定义函数自动检测阈值

最新推荐文章于 2024-03-05 22:24:38 发布
最新推荐文章于 2024-03-05 22:24:38 发布
阅读量6.5k 收藏 46
点赞数 10
分类专栏： python 文章标签： opencv python 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/qq_51256566/article/details/121165970
版权

Python----opencv识别细胞核质、手动调整阈值与阈值的自动检测

一、题目：根据附件 cell.jpg，使用 opencv 库或者 PIL 库计算细胞核与细胞质的面积比。

在这里插入图片描述

二、逐步分解，逐步攻破

1.借助Photoshop初步分析图片
1.1 借助魔棒工具或快速选择工具

1.2 两次分别选择细胞核和整个细胞

在这里插入图片描述

1.3 借助Photoshop的直方图的明度(转化为灰度图)来观察

在这里插入图片描述

1.4初步得出结论

在这里插入图片描述

2. 借助刚刚得到的阈值和opencv库得到细胞的二值图
cell = cv.cvtColor(cell_o, cv.COLOR_BGR2GRAY)

rows, cols = cell_o.shape[:2]  # 获得图片的高和宽
    mapx = np.zeros(cell_o.shape[:2], np.float32)  # mapx是一个图片大小的变换矩阵
    mapy = np.zeros(cell_o.shape[:2], np.float32)  # mapy也是一个图片大小的变换矩阵
    for i in range(rows):  # 遍历，将获得到图片的宽和稿依次赋予两个变换矩阵
        for j in range(cols):
            mapx.itemset((i, j), j)
            mapy.itemset((i, j), i)
            
ret, cell_2v_whole = cv.threshold(cell, x1, 255, cv.THRESH_BINARY_INV)  # 获取整个细胞的二值图
ret, cell_2v_nucleus = cv.threshold(cell, x2, 255, cv.THRESH_BINARY_INV)  # 获取细胞核的二值图
cv.namedWindow("cell_whole", 0)
cv.resizeWindow("cell_whole", 500, 500)
cv.imshow("cell_whole", cell_2v_whole)
cv.namedWindow("cell_nucleus", 0)
cv.resizeWindow("cell_nucleus", 500, 500)
cv.imshow("cell_nucleus", cell_2v_nucleus)

在这里插入图片描述

3.借助opencv描绘出二值图的最大轮廓，并用椭圆拟合

​ 这一步使用opencv处理细胞核质比的关键，通过Photoshop得到的两个阈值，我们已经基本能够得到细胞核和细胞质的轮廓的。但是通过观察上面的二值图可以发现，其实仅仅通过这两个阈值来用opencv提取的话，会有很多细胞质中的深度点被误当成细胞核的部分，因此如果直接用二值图的面积来计算的话，会导致结果及其不准确。

  • 提取最大轮廓

    因为细胞核、细胞质是成块出现的，所以在我们只需要找到最大的一个封闭的轮廓就可以了

  • 椭圆拟合

    ​ 使用椭圆拟合最大的轮廓，是为了让计算更加精确，opencv是有直接的方法来做到这一点的，而椭圆的面积是有直接的公式可以计算的，即：S=Π×a×b。

    ​ 并且使用椭圆拟合后的面积与最大轮廓面积的误差值可以作为一个新的十分重要的数据存在。

import cv2 as cv

# 基于二值图像用外轮廓的模式，通过全点连接轮廓的方法提取轮廓
contours_whole, hierarchy = cv.findContours(cell_2v_whole, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_NONE)
contours_nucleus, hierarchy = cv.findContours(cell_2v_nucleus, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_NONE)

# 获取目标图像的最小矩阵，找到最大的轮廓
maxArea = 0
maxContour = {}
for item in contours_whole:
    x, y, w, h = cv.boundingRect(item)
    if w * h > maxArea:
        maxArea = w * h
        maxContour = item
whole_area = 0
whole_area += cv.contourArea(maxContour)

img = cv.drawContours(cell_o.copy(), maxContour, -1, (0, 255, 0), 1)

cnt = maxContour
ellipse = cv.fitEllipse(cnt)
(x, y), (a, b), angle = cv.fitEllipse(cnt)
cv.ellipse(img, ellipse, (255, 0, 0), 1)
whole_area_ellipse = math.pi * a * b / 4

# 重复，查找细胞核的最大轮廓
maxArea = 0
maxContour = {}
for item in contours_nucleus:
    x, y, w, h = cv.boundingRect(item)
    if w * h > maxArea:
        maxArea = w * h
        maxContour = item
nucleus_area = 0
nucleus_area += cv.contourArea(maxContour)
img = cv.drawContours(img, maxContour, -1, (0, 0, 255), 1)

cnt = maxContour
ellipse = cv.fitEllipse(cnt)
(x, y), (a, b), angle = cv.fitEllipse(cnt)
cv.ellipse(img, ellipse, (255, 0, 0), 1)
nucleus_area_ellipse = math.pi * a * b / 4

在这里插入图片描述

4. 借助Python的GUI界面手动调整阈值，观察数据

在这里插入图片描述

在这里插入图片描述

5.绘制不同阈值下，椭圆拟合面积和最大轮廓面积误差值折线图
for i in range(0, 256):
    scaleX1.set(i)
    scaleX2.set(100)
    try:
        whole_area, nucleus_area, whole_area_ellipse, nucleus_area_ellipse = runDetect(i, 100)
        ls.append(abs(whole_area - whole_area_ellipse))
    except Exception:
        ls.append(0.1)
        
# runDetect函数就是绘制最大轮廓和椭圆拟合的函数，3、4都是其部分代码
# 这里是将阈值从0-255遍历一次，获得各阈值下的核质误差值加入到一个列表中，用于绘制折线图和之后的分析。

在这里插入图片描述

6. 根据误差值折线图特性，自定义函数自动查找两个阈值

  • 分析两个正确阈值的数据特点
    • 误差值很小，趋近于0
    • 处于误差值的上升突变点
    • 处于三个峰的右边两个峰的左侧
  • 转化为数值
    • right > mean * left
    • left != 0
    • abs(ls[i] - ls[i -1]) > 0.01
    • 0 < ls[i] < mean2
def slopeComparison(i,ls,ls1):
    left = abs(ls[i] - ls[i - 1]) + abs(ls[i-1] - ls[i-2])		# 左侧变化率
    right = ls[i+2] - ls[i]		# 右侧变化率
    mean = np.mean(ls1)		# 误差值变化率平均值
    mean2 = np.mean(ls)			# 误差值平均值
    if right > mean * left and left != 0 and (abs(ls[i] - ls[i - 1]) > 0.01) and 0 < ls[i] < mean2:
        return True
    else:
        return False

在这里插入图片描述

三、程序测试

对于大部分单细胞都可以比较准确地进行自动识别阈值并求出核质比，如果有一定误差，也可以通过手动调整来实现准确的结果。

在这里插入图片描述

但是对于部分图片，自动检测阈值会失效，有时候只能检测到一个符合函数的阈值，毕竟这个函数设置的太简单了，还需要进一步加强科学性和准确性。

在这里插入图片描述

四、相关的问题和拓展

曲线平滑处理
  • 使用方差、标准差、最值来逐端平滑曲线
  • 使用部分返回平均值代替单个点特殊值
  • 使用scipy库的savgol_filter方法进行平滑化处理
阈值自动检测
  • 使用平滑后的曲线根据凹凸性找拐点
  • 使用大津法(Otsu)计算最大类间方差判断阈值
canny算子
  • canny算子是一个很强大的库，它有很多很强大的功能，用这个库可以很容易解决这道题，也可以用于优化轮廓，增加准确

总的来说，这篇文章中我们所使用的方法仅仅是在一维的角度上对数据进行处理，肯定存在一定的误差值和失败率，canny算子是在二维矩阵的角度上经过一系列的数学公式计算查找阈值，但是如果要借用他来自动查找的话，需要懂得他的原理和源码，所以对于细胞的识别对于我们目前来说，还是任重道远，之后继续加油吧~~~

五、源码展示

from tkinter import *
from PIL import Image, ImageTk
from tkinter.filedialog import askopenfilename
import cv2 as cv
import numpy as np
import math
import matplotlib.pyplot as plt
from scipy.signal import savgol_filter


def slopeComparison(i,ls,ls1):
    left = abs(ls[i] - ls[i - 1]) + abs(ls[i-1] - ls[i-2])
    right = ls[i+2] - ls[i]
    mean = np.mean(ls1)
    if right > mean * left and left != 0 and (abs(ls[i] - ls[i - 1]) > 0.01) and 0 < ls[i] < mean:
        return True
    else:
        return False


def choosepic():
    global scaleX1
    global scaleX2
    global cell_o
    global words
    global rec

    path_ = askopenfilename()
    print(path_)
    rec['text'] = "推荐数值："
    cell_o = cv.imread(path_, 1)
    changePic(cell_o)

    ls = []

    for i in range(0, 256):
        scaleX1.set(i)
        scaleX2.set(100)
        try:
            whole_area, nucleus_area, whole_area_ellipse, nucleus_area_ellipse = runDetect(i, 100)
            ls.append(abs(whole_area - whole_area_ellipse))
        except Exception:
            ls.append(0.1)

    # ls = list(savgol_filter(ls, 9, 5, mode= 'nearest'))
    flag = False
    ls1 = []
    amount = 0
    for i in range(len(ls)-1):
        ls1.append(abs(ls[i+1] - ls[i]))
    for i in list(range(2, len(ls) - 2))[::-1]:
        if slopeComparison(i,ls,ls1):
            if flag == False:
                flag = True
                print(i-1)
                print("{} {:.2f}".format(i-1, ls[i]))
                rec['text'] = rec['text'] + " " + str(i-1)
                amount = amount + 1
                if amount == 1:
                    scaleX1.set(i-1)
                elif amount == 2:
                    scaleX2.set(i-1)
                    runDetect(scaleX1.get(),scaleX2.get())
        else:
            flag = False

    # for i in range(0, len(ls)):
        # print("{} {:.2f}".format(i, ls[i]))
    plt.plot(range(0, 256), ls, linewidth=1, color='r', marker='o', markersize=0)
    plt.show()


def changePic(cell_o):
    dst = cv.cvtColor(cell_o, cv.COLOR_BGR2RGB)
    up_width = 400
    up_height = 400
    up_points = (up_width, up_height)
    dst = cv.resize(dst, up_points, interpolation=cv.INTER_CUBIC)

    current_image = Image.fromarray(dst)

    imgtk = ImageTk.PhotoImage(image=current_image)
    image_label.config(image=imgtk)
    image_label.image = imgtk  # keep a reference


def runDetect(x1, x2):
    global cell_o
    global words
    cell = cv.cvtColor(cell_o, cv.COLOR_BGR2GRAY)

    rows, cols = cell_o.shape[:2]  # 获得图片的高和宽
    mapx = np.zeros(cell_o.shape[:2], np.float32)  # mapx是一个图片大小的变换矩阵
    mapy = np.zeros(cell_o.shape[:2], np.float32)  # mapy也是一个图片大小的变换矩阵
    for i in range(rows):  # 遍历，将获得到图片的宽和稿依次赋予两个变换矩阵
        for j in range(cols):
            mapx.itemset((i, j), j)
            mapy.itemset((i, j), i)
    # img = cv.remap(cell_o, mapx, mapy, cv.INTER_LINEAR)  # 用仿射函数实现仿射变换

    # 将图像转换为二值图，第二个值为阈值
    ret, cell_2v_whole = cv.threshold(cell, x1, 255, cv.THRESH_BINARY_INV)  # 获取整个细胞的二值图
    ret, cell_2v_nucleus = cv.threshold(cell, x2, 255, cv.THRESH_BINARY_INV)  # 获取细胞核的二值图
    cv.namedWindow("cell_whole", 0)
    cv.resizeWindow("cell_whole", 500, 500)
    cv.imshow("cell_whole", cell_2v_whole)
    cv.namedWindow("cell_nucleus", 0)
    cv.resizeWindow("cell_nucleus", 500, 500)
    cv.imshow("cell_nucleus", cell_2v_nucleus)

    # 基于二值图像用外轮廓的模式，通过全点连接轮廓的方法提取轮廓
    contours_whole, hierarchy = cv.findContours(cell_2v_whole, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_NONE)
    contours_nucleus, hierarchy = cv.findContours(cell_2v_nucleus, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_NONE)

    # 获取目标图像的最小矩阵，找到最大的轮廓
    maxArea = 0
    maxContour = {}
    for item in contours_whole:
        x, y, w, h = cv.boundingRect(item)
        if w * h > maxArea:
            maxArea = w * h
            maxContour = item
    whole_area = 0
    whole_area += cv.contourArea(maxContour)

    img = cv.drawContours(cell_o.copy(), maxContour, -1, (0, 255, 0), 1)

    cnt = maxContour
    ellipse = cv.fitEllipse(cnt)
    (x, y), (a, b), angle = cv.fitEllipse(cnt)
    cv.ellipse(img, ellipse, (255, 0, 0), 1)
    whole_area_ellipse = math.pi * a * b / 4

    # 重复，查找细胞核的最大轮廓
    maxArea = 0
    maxContour = {}
    for item in contours_nucleus:
        x, y, w, h = cv.boundingRect(item)
        if w * h > maxArea:
            maxArea = w * h
            maxContour = item
    nucleus_area = 0
    nucleus_area += cv.contourArea(maxContour)
    img = cv.drawContours(img, maxContour, -1, (0, 0, 255), 1)

    cnt = maxContour
    ellipse = cv.fitEllipse(cnt)
    (x, y), (a, b), angle = cv.fitEllipse(cnt)
    cv.ellipse(img, ellipse, (255, 0, 0), 1)
    nucleus_area_ellipse = math.pi * a * b / 4

    # img = cv.rectangle(img,(x,y),(x+w,y+h),(0,255,0),1)
    changePic(img)
    # 绘制目标框

    words['text'] = "细胞质面积：{} 细胞核面积：{} \n 拟合面积：{:.3f} {:.3f} \n 拟合核质面积比：{:.3f},细胞核质面积比:{:.3f}".format(whole_area,
                                                                                                   nucleus_area,
                                                                                                   whole_area_ellipse,
                                                                                                   nucleus_area_ellipse,
                                                                                                   nucleus_area_ellipse / (whole_area_ellipse - nucleus_area_ellipse),
                                                                                                   nucleus_area / (whole_area - nucleus_area)
                                                                                                   )

    return whole_area, nucleus_area, whole_area_ellipse, nucleus_area_ellipse


def handleLeftButtonReleaseEvent(e):
    global scaleX1
    global scaleX2
    runDetect(scaleX1.get(), scaleX2.get())


root = Tk()
root.geometry('500x600')
root.title('细胞胞质比计算工具')

cell_o = cv.imread("../cell.jpg", 1)

path = StringVar()
Button(root, text='选择图片', command=choosepic).pack()
file_entry = Entry(root, state='readonly', text=path)
# file_entry.pack()
image_label = Label(root)
image_label.pack()
scaleX1 = Scale(root, from_=0, to=255, orient=HORIZONTAL, length=255)
scaleX2 = Scale(root, from_=0, to=255, orient=HORIZONTAL, length=255)
scaleX1.bind("<ButtonRelease-1>", handleLeftButtonReleaseEvent)
scaleX2.bind("<ButtonRelease-1>", handleLeftButtonReleaseEvent)
scaleX1.pack()
scaleX2.pack()
words = Label(root)
words.pack()
rec = Label(root)
rec.pack()

# plt.plot(list(ls),list(range(1,256)),linewidth=1,color='r',marker='o',markersize=0)
# plt.xlabel('Position(2-Theta)')
# plt.ylabel('Intensity')
# plt.legend()
# plt.show()

root.mainloop()
图南zzz
关注
  • 10
    点赞
  • 踩
  • 46
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
OpenCV-Python实战（1）——OpenCV简介与图像处理基础
盼小辉丶的博客
08-10 21万+
OpenCV 是一个的跨平台计算机视觉库，可以运行在 Linux、Windows 和 Mac OS 操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时也提供了 Python 接口，实现了图像处理和计算机视觉方面的很多通用算法。在本文中，将介绍 OpenCV 库，包括它的主要模块和典型应用场景，同时使用 OpenCV-Python 实战讲解图像处理基础要点。
OpenCV-Python实战（10）——详解 OpenCV 轮廓检测
热门推荐
盼小辉丶的博客
10-20 2万+
在计算机视觉领域，轮廓通常指图像中对象边界的一系列点。因此，轮廓通常描述了对象边界的关键信息，包含了有关对象形状的主要信息，该信息可用于形状分析与对象检测和识别。在本文中，将首次通过简单示例了解轮廓的基本概念，然后通过实际示例来了解如何检测和压缩轮廓，最后利用介绍如何利用图像矩描述检测到的轮廓属性。
基于OpenCV的细胞图像识别
u014232592的专栏
01-06 1万+
软件开发说明 1.    基于OpenCV库，对含有细胞的图像进行处理。 2.    统计图像中所含细胞数量。 3.    输出最大和最小细胞的面积，周长（以像素为单位），方向，和该细胞的中心位置。 4.    输出所有细胞的平均面积。 5.    主要的中间步骤处理结果以cvShowImage的形式输出。 算法具体步骤 1.    图像的读入和转化 读入图像后转化为灰
Python opencv 椭圆拟合
weixin_41616991的博客
08-04 4474
opencv提供了三种椭圆拟合的方法，其输入输出都相同，只是调用的算法不同，我会先介绍基本用法和一些易踩的坑，关于算法的分析比较会在文章后面深入探讨。
python中轮廓检测算法
计算机研究生
01-16 3917
#装载地址：http://www.jb51.net/article/122475.htm#coding=utf-8 import cv2 import numpy as np img = cv2.imread("temp.jpg") #载入图像 h, w = img.shape[:2] #获取图像的高和宽 cv2.imshow("Origin", img) #显示
Python计算细胞核与细胞质的面积比opencv或pil实验
叶绿体不忘呼吸
08-03 1088
kernel=np.ones((2,2),np.uint8)，在这里我们使用2*2的内核，它包含了所有的1。最后通过两个列表储存边框面积，获取最大面积对应的索引框，通过计算得出的细胞核和细胞质的大小相除就得到了核质比。这道题目识别细胞的时候，要分别识别细胞核和细胞膜。接着需要将灰度图像二值化，通过threshold方法传入灰度图像和阙值，我们根据细胞核和细胞膜的颜色得到核的阙值为131，细胞质的阙值为220，然后第三个参数传入最大阙值255，第四个参数为THRESH_BINARY，表示二进制化阙值。....
opencv：图像轮廓检测-细胞轮廓
qq_42178122的博客
10-21 2041
opencv图像轮廓检测
opencv——python细胞计数实现
microspore的博客
01-08 1万+
opencv——python细胞计数实现 写程序萌新（不准备干程序员），上周看公司同事在学python，因为公司最近没什么事做（实际因为公司业务萎缩裁员降薪正融资）作为产品我也很无奈，公司程序基本裁完了，想着反正闲着也是闲着，就在周末找个python视频看看，就看了个基础教程，想着用opencv实现个细胞计数功能，周末看了看python基础语法，这两天看了看opencv基本操作，总共入门5天时间，...
Python-Opencv自定义训练器识别任意物体
08-13
在本教程中，我们将深入探讨如何使用Python和OpenCV库来构建一个自定义的物体识别模型。OpenCV（开源计算机视觉库）是一个强大的工具，它提供了丰富的图像处理和计算机视觉功能，包括对象检测、图像分类等。Python...
python+opencv-16 图像轮廓检测和拟合
bubid的博客
09-13 9147
python+opencv-16 图像轮廓检测和拟合图像轮廓检测和拟合图像轮廓的查找与绘制轮廓的周长与面积面积计算几何图形的最小外包与拟合霍夫检测 图像轮廓检测和拟合 边缘检测只能检测出图像边缘信息，并不能得到一幅图像的整体信息，而图像轮廓是指将边缘信息连接起来形成一个整体。通过对图像轮廓进行操作，可以获取目标图像的大小、位置和方向等信息。 图像轮廓的查找与绘制 图像轮廓由一系列点组成，这些点以某种方式表示图像中的一条曲线。图像的轮廓绘制就是将检测到的边缘信息图像的前景信息进行拟合，从而得到图像的轮廓。
opencv实现红细胞个数计数
02-28
该程序采用opencv工具，计算给定图片内的红细胞个数，同时计算细胞的面积、周长和密集度信息。
opencv拟合指定大小的椭圆及测试
11-07
用opencv231+vs2008编写的一个拟合椭圆的程序，输入 是二值图，背景是黑色的，还有一个输入是轮廓的面积，能够剔除不需要要轮廓。代码中能测试选定的待拟合的轮廓（已注释），并把轮廓参数输出并测试。
解决cv2.error: OpenCV(4.9.0) D:\a\opencv-python\opencv-python\opencv\modules\highgui\src\window.cpp
最新发布
Python进阶专栏《爬虫实战进阶》，《数据分析入门与实战》原创作者
03-05 2万+
本文是该专栏的第11篇，后面将持续分享OpenCV计算机视觉的干货知识。cv2.error: OpenCV(4.9.0) D:\a\opencv-python\opencv-python\opencv\modules\highgui\src\window.cpp:971: error: (-215:Assertion failed) size.width>0 && size.height>0 in function 'cv::imshow'的解决方法，看这里
识别硬币和细胞数量+条形码检测(python+opencv)
junseven164的博客
12-04 6925
如愿一、准备工作二、硬币和细胞数量识别三、条形码定位和识别四、总结五、参考资料 一、准备工作 所用图片 python版本以及opencv版本 python 3.8.12 opencv 3.4.11 二、硬币和细胞数量识别 原理 用opencv读取图片，读取之后并进行灰度化和二值化 二值化之后存储图片的二维列表里的值全为0和1，进行膨胀和腐蚀等操作使图像的轮廓更明显 较为明显之后使用findContours，发现的轮廓数就是我们要求的数量 开始代码操作，导入库并定义文件路径 #导
opencv 椭圆拟合
qbj123456的专栏
08-15 1187
#include "cv.h" #include "highgui.h" #include using namespace std;int slider_pos=23;//阈值 IplImage *image02 =0,*image03 = 0,*image04 = 0; void process_image(int h); int main(int argc ,char **argv) { co
Python Opencv实践 - 轮廓特征（最小外接圆，椭圆拟合）
vivo01的专栏
09-05 2161
【代码】Python Opencv实践 - 轮廓特征（最小外接圆，椭圆拟合）
Python学习笔记十一之一个简单的opencv阈值分割实例，求取圆度、轮廓椭圆拟合
yohnyang的博客
08-09 1150
一个opencv-python的小例子
使用opencv在图片上椭圆拟合
Larry Chow
05-05 1146
1、获得图片对象2、绘制图片中的轮廓3、获得轮廓4、根据轮廓你和椭圆5、绘制椭圆6、保存图片。
合工大-python作业-图像识别细胞质和细胞核占比计算
qq_58754996的博客
11-03 820
前言： 这个题，也是我从好兄弟哪里学来的，我学习后加了注释。希望大家参考的时候，不要只是白嫖代码，看看也是好的。后面我有时间会出一个详细的解释和介绍。 题目： 根据附件 cell.jpg，使用 opencv 库或者 PIL 库计算细胞核与细胞质的面积比 import cv2 #对图像进行预处理，消除减少细胞中具有干扰性的东西 img = cv2.imread("./cell.jpg") height,width = img.shape[:2] #获取原图像的水平方向尺寸和垂直方向尺寸。.
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

打赏作者

图南zzz

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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