3D点云系列———pcl：点云网格化

已于 2022-04-05 19:02:19 修改
阅读量1.6w 收藏 204
点赞数 18
分类专栏： 3D点云 文章标签： 自动驾驶
于 2019-09-13 15:45:33 首次发布
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/weixin_42905141/article/details/100804282
版权

参考：https://mp.weixin.qq.com/s/FfHkVY-lmlOSf4jKoZqjEA

什么是网格

网格主要用于计算机图形学中，有三角、四角网格等很多种。
计算机图形学中的网格处理绝大部分都是基于三角网格的，三角网格在图形学和三维建模中使用的非常广泛，用来模拟复杂物体的表面，如建筑、车辆、动物等，你看下图中的兔子、球等模型都是基于三角网格的

三角形表示网格也叫三角剖分。它有如下几个优点：

  • 三角网格稳定性强。

  • 三角网格比较简单（主要原因），实际上三角网格是最简单的网格类型之一，可以非常方便并且快速生成，在非结构化网格中最常见。而且相对于一般多边形网格，许多操作对三角网格更容易。

3、有助于恢复模型的表面细节。

网格生成算法要求

网格生成算法有如下的能力：

  • 对点云噪声有一定的冗余度。

  • 能够重建出曲率变化比较大的曲面。

  • 能够处理大数据量，算法时间和空间复杂度不会太高。

  • 重建出的网格中包含尽可能少的异常三角片，比如三角片交错在一起、表面法向量不连续或不一致、同一个位置附近出现多层三角片等。

目前点云进行网格生成一般分为两大类方法：

  • 插值法。顾名思义，也就是重建的曲面都是通过原始的数据点得到的

  • 逼近法。用分片线性曲面或其他曲面来逼近原始数据点，得到的重建曲面是原始点集的一个逼近。

点云贪心三角化原理

主要介绍一种比较简单的贪心三角化法（对应的类名：pcl::GreedyProjectionTriangulation），也就是使用贪心投影三角化算法对有向点云进行三角化。
优点：可以用来处理来自一个或者多个设备扫描到得到、并且有多个连接处的散乱点云。但是也是有很大的局限性，它更适用于采样点云来自表面连续光滑的曲面，并且点云的密度变化比较均匀的情况

贪心投影三角化的大致流程是这样的：

  • 先将点云通过法线投影到某一二维坐标平面内

  • 然后对投影得到的点云做平面内的三角化，从而得到各点的拓扑连接关系。平面三角化的过程中用到了基于Delaunay三角剖分 的空间区域增长算法

  • 最后根据平面内投影点的拓扑连接关系确定各原始三维点间的拓扑连接，所得三角网格即为重建得到的曲面模型

Delaunay 三角剖分简介

对数值分析以及图形学来说，三角剖分（Triangulation）都是极为重要的一项预处理技术。而Delaunay 三角剖分是一种常用的三角剖分的方法，关于点集的很多种几何图都和Delaunay三角剖分相关，如Voronoi图。

Delaunay 三角剖分的有两个优点：

  • 最大化最小角，“最接近于规则化的“的三角网。

  • 唯一性（任意四点不能共圆）

定义：点集?的Delaunay三角剖分满足满足任意?内任意一个点都不在? 内任意一 个三角面片的外接圆内。

看下面的图就是满足了Delaunay条件，所有三角形的顶点是不是都不在其他三角形的外接圆内？
在这里插入图片描述
更简便的方法。你看下面最左图，观察具有公共边缘BD的两个三角形ABD和BCD，如果角度α和γ之和小于或等于180°，则三角形满足Delaunay条件。按照这个标准下图左、中都不满足Delaunay条件，只有右图满足。
在这里插入图片描述

贪心投影三角化

// 将点云位姿、颜色、法线信息连接到一起
pcl::PointCloud<pcl::PointNormal>::Ptr cloud_with_normals(new pcl::PointCloud<pcl::PointNormal>);
pcl::concatenateFields(*cloud_smoothed, *normals, *cloud_with_normals);

//定义搜索树对象
pcl::search::KdTree<pcl::PointNormal>::Ptr tree2(new pcl::search::KdTree<pcl::PointNormal>);
tree2->setInputCloud(cloud_with_normals);

// 三角化
pcl::GreedyProjectionTriangulation<pcl::PointNormal> gp3;   // 定义三角化对象
pcl::PolygonMesh triangles; //存储最终三角化的网络模型

// 设置三角化参数
gp3.setSearchRadius(0.1);  //设置搜索时的半径，也就是KNN的球半径
gp3.setMu (2.5);  //设置样本点搜索其近邻点的最远距离为2.5倍（典型值2.5-3），这样使得算法自适应点云密度的变化
gp3.setMaximumNearestNeighbors (100);    //设置样本点最多可搜索的邻域个数，典型值是50-100

gp3.setMinimumAngle(M_PI/18); // 设置三角化后得到的三角形内角的最小的角度为10°
gp3.setMaximumAngle(2*M_PI/3); // 设置三角化后得到的三角形内角的最大角度为120°

gp3.setMaximumSurfaceAngle(M_PI/4); // 设置某点法线方向偏离样本点法线的最大角度45°，如果超过，连接时不考虑该点
gp3.setNormalConsistency(false);  //设置该参数为true保证法线朝向一致，设置为false的话不会进行法线一致性检查

gp3.setInputCloud (cloud_with_normals);     //设置输入点云为有向点云
gp3.setSearchMethod (tree2);   //设置搜索方式
gp3.reconstruct (triangles);  //重建提取三角化

实践

操作步骤：下采样和滤波、重采样平滑、法线计算，贪心投影网格化

#include <pcl/point_types.h>
#include <pcl/io/io.h>
#include <pcl/io/pcd_io.h>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/filters/radius_outlier_removal.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/filters/statistical_outlier_removal.h>
#include <pcl/surface/mls.h>
#include <pcl/features/normal_3d.h>
#include <pcl/surface/gp3.h>
#include <pcl/surface/poisson.h>
typedef pcl::PointXYZ PointT;

int main(int argc, char** argv)
{

	// Load input file
	pcl::PointCloud<PointT>::Ptr cloud(new pcl::PointCloud<PointT>);
    pcl::PointCloud<PointT>::Ptr cloud_downSampled(new pcl::PointCloud<PointT>);
	pcl::PointCloud<PointT>::Ptr cloud_filtered(new pcl::PointCloud<PointT>);
	pcl::PointCloud<PointT>::Ptr cloud_smoothed(new pcl::PointCloud<PointT>);
	if (pcl::io::loadPCDFile("/home/xiaohu/learn_SLAM/zuoye15/作业15-点云平滑及法线估计及显示/data/fusedCloud.pcd", *cloud) == -1)
    {
        cout << "点云数据读取失败！" << endl;
    }

    std::cout << "Orginal points number: " << cloud->points.size() << std::endl;

   	// ----------------------开始你的代码--------------------------//
	// 请参考之前文章中点云下采样，滤波、平滑等内容，以及PCL官网实现以下功能。代码不难。
	
	// 下采样
    pcl::VoxelGrid<PointT> downSampled;  //创建滤波对象
    downSampled.setInputCloud (cloud);            //设置需要过滤的点云给滤波对象
    downSampled.setLeafSize (0.01f, 0.01f, 0.01f);  //设置滤波时创建的体素体积为1cm的立方体
    downSampled.filter (*cloud_downSampled);           //执行滤波处理，存储输出
    pcl::io::savePCDFile ("/home/xiaohu/learn_SLAM/zuoye15/作业15-点云平滑及法线估计及显示/data/downsampledPC.pcd", *cloud_downSampled);

	// 统计滤波
    pcl::StatisticalOutlierRemoval<PointT> statisOutlierRemoval;       //创建滤波器对象
    statisOutlierRemoval.setInputCloud (cloud_downSampled);            //设置待滤波的点云
    statisOutlierRemoval.setMeanK (50);                                //设置在进行统计时考虑查询点临近点数
    statisOutlierRemoval.setStddevMulThresh (3.0);                     //设置判断是否为离群点的阀值:均值+1.0*标准差
    statisOutlierRemoval.filter (*cloud_filtered);                     //滤波结果存储到cloud_filtered
    pcl::io::savePCDFile ("/home/xiaohu/learn_SLAM/zuoye15/作业15-点云平滑及法线估计及显示/data/filteredPC.pcd", *cloud_filtered);

	// 对点云重采样  
    pcl::search::KdTree<PointT>::Ptr treeSampling (new pcl::search::KdTree<PointT>);// 创建用于最近邻搜索的KD-Tree
    pcl::PointCloud<PointT> mls_point;    //输出MLS
    pcl::MovingLeastSquares<PointT,PointT> mls; // 定义最小二乘实现的对象mls
    mls.setComputeNormals(false);  //设置在最小二乘计算中是否需要存储计算的法线
    mls.setInputCloud(cloud_filtered);         //设置待处理点云
    mls.setPolynomialOrder(2);            // 拟合2阶多项式拟合
    mls.setPolynomialFit(false);     // 设置为false可以 加速 smooth
    mls.setSearchMethod(treeSampling);         // 设置KD-Tree作为搜索方法
    mls.setSearchRadius(0.05);           // 单位m.设置用于拟合的K近邻半径
    mls.process(mls_point);                 //输出
    // 输出重采样结果
    cloud_smoothed = mls_point.makeShared();
    std::cout<<"cloud_smoothed: "<<cloud_smoothed->size() <<std::endl;
    //save cloud_smoothed
    pcl::io::savePCDFileASCII("/home/xiaohu/learn_SLAM/zuoye15/作业15-点云平滑及法线估计及显示/data/cloud_smoothed.pcd",*cloud_smoothed);

    // 法线估计
    pcl::NormalEstimation<PointT,pcl::Normal> normalEstimation;             //创建法线估计的对象
    normalEstimation.setInputCloud(cloud_smoothed);                         //输入点云
    pcl::search::KdTree<PointT>::Ptr tree(new pcl::search::KdTree<PointT>);// 创建用于最近邻搜索的KD-Tree
    normalEstimation.setSearchMethod(tree);
    pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>); // 定义输出的点云法线
    // K近邻确定方法，使用k个最近点，或者确定一个以r为半径的圆内的点集来确定都可以，两者选1即可
    normalEstimation.setKSearch(10);// 使用当前点周围最近的10个点
    //normalEstimation.setRadiusSearch(0.03);            //对于每一个点都用半径为3cm的近邻搜索方式
    normalEstimation.compute(*normals);               //计算法线
    // 输出法线
    std::cout<<"normals: "<<normals->size()<<", "<<"normals fields: "<<pcl::getFieldsList(*normals)<<std::endl;
    pcl::io::savePCDFileASCII("/home/xiaohu/learn_SLAM/zuoye15/作业15-点云平滑及法线估计及显示/data/normals.pcd",*normals);
	
	// 将点云位姿、颜色、法线信息连接到一起
    pcl::PointCloud<pcl::PointNormal>::Ptr cloud_with_normals(new pcl::PointCloud<pcl::PointNormal>);
    pcl::concatenateFields(*cloud_smoothed, *normals, *cloud_with_normals);
    pcl::io::savePCDFileASCII("/home/xiaohu/learn_SLAM/zuoye15/作业15-点云平滑及法线估计及显示/data/cloud_with_normals.pcd",*cloud_with_normals);
	
	// 贪心投影三角化
    //定义搜索树对象
    pcl::search::KdTree<pcl::PointNormal>::Ptr tree2(new pcl::search::KdTree<pcl::PointNormal>);
    tree2->setInputCloud(cloud_with_normals);

    // 三角化
    pcl::GreedyProjectionTriangulation<pcl::PointNormal> gp3;   // 定义三角化对象
    pcl::PolygonMesh triangles; //存储最终三角化的网络模型

    // 设置三角化参数
    gp3.setSearchRadius(0.1);  //设置搜索时的半径，也就是KNN的球半径
    gp3.setMu (2.5);  //设置样本点搜索其近邻点的最远距离为2.5倍（典型值2.5-3），这样使得算法自适应点云密度的变化
    gp3.setMaximumNearestNeighbors (100);    //设置样本点最多可搜索的邻域个数，典型值是50-100

    gp3.setMinimumAngle(M_PI/18); // 设置三角化后得到的三角形内角的最小的角度为10°
    gp3.setMaximumAngle(2*M_PI/3); // 设置三角化后得到的三角形内角的最大角度为120°

    gp3.setMaximumSurfaceAngle(M_PI/4); // 设置某点法线方向偏离样本点法线的最大角度45°，如果超过，连接时不考虑该点
    gp3.setNormalConsistency(false);  //设置该参数为true保证法线朝向一致，设置为false的话不会进行法线一致性检查

    gp3.setInputCloud (cloud_with_normals);     //设置输入点云为有向点云
    gp3.setSearchMethod (tree2);   //设置搜索方式
    gp3.reconstruct (triangles);  //重建提取三角化

    // 显示网格化结果
    boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));
    viewer->setBackgroundColor(0, 0, 0);  //
    viewer->addPolygonMesh(triangles, "wangge");  //
    while (!viewer->wasStopped())
    {
    	viewer->spinOnce(100);
    	boost::this_thread::sleep(boost::posix_time::microseconds(100000));
    }
    return 1;
}

在这里插入图片描述

令狐少侠、
关注
  • 18
    点赞
  • 踩
  • 204
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 8
    评论
专栏目录
Open3D点云和三角网格相互转换Conversion between Point Cloud and Triangle Mesh
weixin_43047324的博客
04-23 770
重点介绍了点云转换成三角网格所使用的泊松重建和BPA算法，以及三角网格通过采样算法转换成点云。这种转换在点云处理过程中非常重要。
三维重建中散乱点云数据的常用网格生成算法delaunay三角网格生成算法_三维重建_三角化_网格
09-21
三维重建中散乱点云数据的常用网格生成算法delaunay三角网格生成算法
基于PCL的点云三角网格化
11-24
在已经提前将大量的散乱点云预处理完成的条件下，将其进行进一步的三角网格化，主要利用三角贪婪算法，该算法中引用的点云数据都是自己用扫描设备获取的
PCL——从点云到网格（三）点云到Mesh
热门推荐
Architet_Yang的博客
05-10 2万+
参考： https://mp.weixin.qq.com/s/GFDWOudJ08In6jFyrZ7hhg https://mp.weixin.qq.com/s/FfHkVY-lmlOSf4jKoZqjEA 通过之前的两篇文章，从得到点云，到对点云的下采样，去离群点。接着就是对点云的平滑，计算法线，最后生成Mesh。 点云平滑 平滑也是滤波的一种，让点云看起来稍微光滑一些。存在一些不规则数据，很难...
从点云创建 DSM：网格化和可视化实用指南
gis收藏家的博客
03-20 602
现在，为了更清楚地了解 DSM，您不仅对某些区域的地貌特征感兴趣，而且还对位于该表面的所有树木、灌木丛和大岩石感兴趣。要从点云生成数字表面模型 (DSM)，第一步是将感兴趣的区域划分为网格。随后，为每个网格单元分配一个高程值，该高程值源自单元内或附近点的 3D 坐标（X、Y、Z）。为了更好地理解网格化的工作原理，我将创建一个合成数据并自行实现网格化。首先，我们将尝试了解 DSM 是什么，然后我们将进入讨论的更实际部分。观察到蓝色点，橙色点是网格中心，绿线显示网格中心和距离该中心最近的点之间的连接。
PCL——从点云到网格（二）点云预处理
Architet_Yang的博客
05-09 7323
前一篇得到的点云还不能拿来直接用，因为一个是太多了，另一个是还存在一大堆的噪声。所以这一篇我会记录一下我使用到的一些滤波操作。 主要的的参考资料都在这里了： https://mp.weixin.qq.com/s/9pxff6LwcecDHsx4kI34sw https://mp.weixin.qq.com/s/GFDWOudJ08In6jFyrZ7hhg 但是我利用得到的点云做ICP得到的融合的矩...
PCL学习笔记——点云数据通过贪婪三角投影算法生成三角网格
awen
12-27 4587
PointCloud和PCLPointCloud2区别: 一、PointCloud: Public Attributes: pcl::PCLHeader header( The point cloud header. ) std::vector&lt; PointT, Eigen::aligned_allocator&lt; PointT &gt; &gt;points( The point d...
基于PCL、VTK的切片法计算三维模型的体积
07-22
采用C++ 切片法计算封闭三维模型（三角形网格模型）的体积。计算速度快，计算准确。
基于Centroidal Voronoi Tessellation （CVT）算法的点云三角网格化方法
06-14 5742
在之前的博客中，老甘已经跟大家提到过Centroidal Voronoi Tessellation（CVT）算法的实现与可视化。 链接：https://blog.csdn.net/aliexken/article/details/106555993 基于CVT算法的一个非常重要的应用就是针对于点云数据的三角网格化。基本的步骤就是首先对点云数据进行均匀重采样，得到一个被优化过的点云。基于重采样的点云，利用与Voronoi图对偶的Delaunay三角化结果，生成一个近似全局同构的三角网格。这个三角网格因为是
pcl::PolygonMesh简析
沧海桑田
04-19 1万+
PCL利用VTK的IO接口，可以直接读取stl,ply,obj等格式的三维点云数据。 pcl的接口方法为int pcl::io:: loadPolygonFile (const std::string &file_name, pcl::PolygonMesh& mesh); 这里要说明的对象即是PolygonMesh这个类。
pcl:点云库（PCL）
05-12
点云库（PCL）是一个独立的大规模开放项目，用于2D / 3D图像和点云处理。 PCL是根据BSD许可条款发布的，因此可免费用于商业和研究用途。 由商业公司财团和我们自己的非营利组织Open Perception提供财务支持。 我们...
pcl：点云库（PCL）
01-30
持续集成搭建平台状态的Ubuntu 视窗 苹果系统社区分配 点击查看全部 描述点云库（PCL）是一个独立的，大规模的开放项目，用于2D / 3D图像和点云处理。 PCL是根据BSD许可条款发布的，因此可免费用于商业和研究用途。 ...
基于PCL点云的三角形网格孔洞修补
07-22
C++语言，在PCL环境下的 三角形网格孔洞修复。主要针对曲面重建之后，模型出现了大量孔洞，需要修复。修复步骤很简单，就是基于最小角的剖分修复。
source_人脸点云_点云PCL_PCL点云_pcl_点云PCL_
10-03
PCL点云处理代码，能够得到人脸的PCL图。
无人驾驶 自动驾驶汽车 环境感知 精准定位 决策与规划 控制与执行 高精地图与车联网V2X 深度神经网络学习 深度强化学习 Apollo
万有文的博客
04-22 593
Apollo开源自动驾驶平台.
自动驾驶光学校准反射板
JYGD686868的博客
04-22 278
景颐光电采用自主研发的技术工艺，反射率可从1-99%可选，可定制0.05m-3m或以上的漫反射板尺寸，均具有近完美的朗伯特性和稳定性，让激光雷达标定得到最优的测试效果。它的高反射率和精确的几何特性为光学系统的校准和光学元件的测试提供了可靠的依据。在未来，随着光学技术的不断进步，光学校准反射板的应用将会更加广泛和深入，为光学领域的发展注入新的活力。这使得光学校准反射板在光学领域的应用更加广泛和深入。是一种特殊的交通设施，它的主要作用是提高自动驾驶车辆在道路上的感知能力，增强自动驾驶系统的安全性和可靠性。
自动驾驶控制算法
m0_68388605的博客
04-22 226
本文内容来源是B站——忠厚老实的老王。
node-v19.8.0-darwin-arm64.tar.xz
最新发布
04-22
Node.js，简称Node，是一个开源且跨平台的JavaScript运行时环境，它允许在浏览器外运行JavaScript代码。Node.js于2009年由Ryan Dahl创立，旨在创建高性能的Web服务器和网络应用程序。它基于Google Chrome的V8 JavaScript引擎，可以在Windows、Linux、Unix、Mac OS X等操作系统上运行。 Node.js的特点之一是事件驱动和非阻塞I/O模型，这使得它非常适合处理大量并发连接，从而在构建实时应用程序如在线游戏、聊天应用以及实时通讯服务时表现卓越。此外，Node.js使用了模块化的架构，通过npm（Node package manager，Node包管理器）,社区成员可以共享和复用代码，极大地促进了Node.js生态系统的发展和扩张。 Node.js不仅用于服务器端开发。随着技术的发展，它也被用于构建工具链、开发桌面应用程序、物联网设备等。Node.js能够处理文件系统、操作数据库、处理网络请求等，因此，开发者可以用JavaScript编写全栈应用程序，这一点大大提高了开发效率和便捷性。 在实践中，许多大型企业和组织已经采用Node.js作为其Web应用程序的开发平台，如Netflix、PayPal和Walmart等。它们利用Node.js提高了应用性能，简化了开发流程，并且能更快地响应市场需求。
node-v18.5.0-darwin-arm64.tar.xz
04-22
Node.js，简称Node，是一个开源且跨平台的JavaScript运行时环境，它允许在浏览器外运行JavaScript代码。Node.js于2009年由Ryan Dahl创立，旨在创建高性能的Web服务器和网络应用程序。它基于Google Chrome的V8 JavaScript引擎，可以在Windows、Linux、Unix、Mac OS X等操作系统上运行。 Node.js的特点之一是事件驱动和非阻塞I/O模型，这使得它非常适合处理大量并发连接，从而在构建实时应用程序如在线游戏、聊天应用以及实时通讯服务时表现卓越。此外，Node.js使用了模块化的架构，通过npm（Node package manager，Node包管理器）,社区成员可以共享和复用代码，极大地促进了Node.js生态系统的发展和扩张。 Node.js不仅用于服务器端开发。随着技术的发展，它也被用于构建工具链、开发桌面应用程序、物联网设备等。Node.js能够处理文件系统、操作数据库、处理网络请求等，因此，开发者可以用JavaScript编写全栈应用程序，这一点大大提高了开发效率和便捷性。 在实践中，许多大型企业和组织已经采用Node.js作为其Web应用程序的开发平台，如Netflix、PayPal和Walmart等。它们利用Node.js提高了应用性能，简化了开发流程，并且能更快地响应市场需求。
把镭神c16输出点云改成pcl::PointXYZI格式
06-01
好的，你可以按照以下步骤将镭神c16的输出点云转换成pcl::PointXYZI格式： 1. 在读取镭神c16点云数据的代码中，找到每个点的XYZ坐标和反射强度信息。 2. 将这些信息保存到pcl::PointXYZI格式的点云数据结构中。这个数据结构包含三个成员变量：x、y、z和intensity。你可以将镭神c16的XYZ坐标分别赋值给x、y和z，将反射强度信息赋值给intensity。 3. 将pcl::PointXYZI格式的点云数据保存到PCL文件中，或者进行其他操作。 下面是一个示例代码，可以将镭神c16的输出点云转换成pcl::PointXYZI格式： ```c++ // 定义一个pcl::PointCloud<pcl::PointXYZI>类型的点云数据结构 pcl::PointCloud<pcl::PointXYZI>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZI>); // 读取镭神c16点云数据 for (int i = 0; i < num_points; i++) { // 读取每个点的XYZ坐标和反射强度信息 float x, y, z, intensity; // ... // 将XYZ坐标和反射强度信息保存到pcl::PointXYZI格式的点云数据结构中 pcl::PointXYZI point; point.x = x; point.y = y; point.z = z; point.intensity = intensity; cloud->push_back(point); } // 将pcl::PointXYZI格式的点云数据保存到PCL文件中 pcl::io::savePCDFileBinary("output.pcd", *cloud); ``` 注意：在将镭神c16的输出点云转换成pcl::PointXYZI格式时，需要根据镭神c16的数据格式进行相应的处理。如果需要进一步的帮助，请告诉我。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 8
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

令狐少侠、

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