opencv图像处理—项目实战：信用卡数字识别

已于 2022-06-11 22:33:05 修改
阅读量1.7k 收藏 23
点赞数 2
分类专栏： opencv 文章标签： opencv 图像处理 计算机视觉
于 2022-06-11 21:18:46 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_58176527/article/details/125237767
版权

目录

完整代码 

 1.基础

 2.模板预处理

3.计算轮廓 

4.遍历轮廓 

 5.输入图像预处理

6.礼貌操作 

7.sobel算子操作 

8.闭操作 

9.计算图形轮廓 

10.遍历图形轮廓并匹配

 11.输出结果

 对于给定一张银行卡，如何能够提取到银行卡的卡号？

完整代码 

#导入工具包
from imutils import contours
import numpy as np
import argparse
import imutils
import cv2
import myutils

#设置参数
ap=argparse.ArumentParser()
ap.add_argument("-i","--image",required=True,
    help="path to input image")#路径
ap.add_argument("-t","--template",required=True,
    help="path to template OCR-A image")#模板
args=vars(ap.parse_args())

#指定信用卡类型
FIRST_NUMBER={
    "3":"American Express",
    "4":"Visa",
    "5":"MasterCard",
    "6":,"Discover Card"
}
#绘图展示
def cv_show(name,img):
    cv2.imshow(name，img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
#读取一个模板图像
img=cv2.imread(args["template"])
cv_show('img',img)
#灰度图
ref=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
cv_show('ref',ref)
#二值图像
ref=cv2.threshold(ref,10,255,cv2.THRESH_BINARY_INV)[1]
cv_show('ref',ref)

#计算轮廓
#cv2.findContours()函数接受的参数为二值图，即黑白的(不是灰度图），cv2.RETR_EXTERNAL只检测外轮廓，cv2.CHAIN_APPROX_SIMPLE只保留终点坐标
#返回的list中每个元素都是图像中的一个轮廓

ref_,refCnts,hierarchy=cv2.findContours(ref.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

cv2.drawContours(img,refCnts,-1,(0,0,255),3)#-1表示画所有轮廓
cv_show('img',img)
print(np.array(refCnts).shape)
refCnts=myutils.sort_contours(refCnts,method="left-to-right")[0]#排序，从左到右，从上到下
digits={}

#遍历每一个轮廓
for (i,c) in enumerate(refCnts):
    #计算外接矩形并且resize成合适大小
    (x,y,w,h)=cv2.boundingRect(c)
    roi=ref[y:y+h,x:x+w]
    roi=cv2.resize(roi,(57,88))

    #每一个数字对应一个模板
    digits[i]=roi

#初始化卷积核
rectKernel=cv2.getStructuringElement(cv2.MORPH_RECT,(9,3))
sqKernel=cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))

#读取输入图像，预处理
image=cv2.imread(args["image"])
cv_show('image',image)
image=myutils.resize(image,width=300)
gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
cv_show('gray',gray)

#礼帽操作，突出更明亮的区域
tophat=cv2.morphologyEx(gray,cv2.MORPH_TOPHAT,rectKernel)
cv_show('tophat',tophat)

gradX=cv2.Sobel(tophat,ddepth=cv2.CV_32F,dx=1,dy=0,ksize=-1)#ksize=-1相当于用3*3的

gradX=np.absolute(gradX)#这里只用X比用x,y好
(minVal,maxVal)=(np.min(gradX),np.max(gradX))
gradX=(255*((gradX-minVal)/(maxVal-minVal)))
gradX=gradX.astype("uint8")

print(np.array(gradX).shape)
cv_show('gradX',gradX)

#通过闭操作（先膨胀，再腐蚀）将数字连在一起
gradX=cv2.morphologyEx(gradX,cv2.MORPH_CLOSE,rectKernel)
cv_show('gradX',gradX)
#THRESH_OTSU会自动寻找合适的阈值，适合双峰，需要把阈值参数设为0
thresh=cv2.threshold(gradX,0,255,cv2.THRESH_BINARY|cv2.THRESH_OTSU)[1]
cv_show('thresh',thresh)

#再来一个闭操作

thresh=cv2.morphologyEx(thresh,cv2.MORPH_CLOSE,sqKernel)#再来一个闭操作
cv_show('thresh',thresh)

#计算轮廓
thresh_,threshCnts,hierarchy=cv2.findContours(thresh.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

cnts=threshCnts
cur_img=image.copy()
cv2.drawContours(cur_img,cnts,-1,(0,0,255),3)
cv_show('img',cur_img)
locs=[]

#遍历轮廓
for (i,c) in enumerate(cnts):
    #计算矩形
    (x,y,w,h)=cv2.boundingRect(c)
    ar=w/float(h)

    #选择合适的区域，根据实际任务来，这里的基本都是四个数字一组
    if ar>2.5 and ar<4.0:
        if(w>40 and w<55) and (h>10 and h<20):
            #符合的留下来
            locs.append((x,y,w,h))
#将符合的轮廓从左到右排序
locs=sorted(locs,key=lambda x:x[0])
output=[]

#遍历每一个轮廓中的数字
for (i,(gX,gY,gW,gH)) in enumerate(locs):
    #initialize the list of group digits
    groupOutput=[]

    #根据坐标提取每一个组
    group=gray[gY-5:gY+gH+5,gX-5:gX+gW+5]#将坐标向外扩一点点，别贴死
    cv_show('group',group)
    #预处理
    group=cv2.threshold(group,0,255,cv2.THRESH_BINARY|cv2.THRESH_OTSU)[1]
    cv_show('group',group)
    #计算每一组的轮廓
    group_,digitCnts,hierarchy=cv2.findaContours(group.copy(),cv2.RETR_EXTERNAL,CV2.CHAIN_APPROX_SIMPLE)
    digitCnts=contours.sort_contours(digitCnts,method="left-to-right")[0]

    #计算每一组中的每一个数值
    for c in digirCnts:
        #找到当前数值的轮廓，resize成合适的大小
        (x,y,w,h)=cv2.boundingRect(c)
        roi=group[y:y+h,x:x+w]
        roi=cv2.resize(roi,(57,88))
        cv_show('roi',roi)

        #计算匹配得分
        scores=[]

        #在模板中计算每一个得分
        for (digit,digitROI) in digits.items():
            #模板匹配
            result=cv2.matchTemplate(roi,digitROI,cv2.TM_CCOEFF)
            (_,score,_,_)=cv2.minMaxLoc(result)
            scores.append(score)

        #得到最合适的数字
        groupOutput.append(str(np.argmax(scores)))

    #画出来
    cv2.rectangle(image,(gX-5,gY-5),(gX+gW+5,gY+gH+5),(0,0,255),1)
    cv2.putText(image,"".join(groupOutput),(gX,gY-15,cv2.FONT_HERSHEY_SIMPLEX,0.65,(2,2,255),2)

    #得到结果
    output.extend(groupOutput)

#打印结果
print("Credit Card Type:{}".format(FIRST_NUMBER[output[0]]))
print("Credit Card #:{}".format("".join(putput)))
cv2.imshow("image",image)
cv2.waitKet(0)

 1.基础

#导入工具包
from imutils import contours
import numpy as np
import argparse
import imutils
import cv2
import myutils

#设置参数
ap=argparse.ArumentParser()
ap.add_argument("-i","--image",required=True,
    help="path to input image")#路径
ap.add_argument("-t","--template",required=True,
    help="path to template OCR-A image")#模板
args=vars(ap.parse_args())

#指定信用卡类型
FIRST_NUMBER={
    "3":"American Express",
    "4":"Visa",
    "5":"MasterCard",
    "6":,"Discover Card"
}
#绘图展示
def cv_show(name,img):
    cv2.imshow(name，img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

 2.模板预处理

#读取一个模板图像
img=cv2.imread(args["template"])
cv_show('img',img)

 模板

#灰度图
ref=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
cv_show('ref',ref)

 灰度图

#二值图像
ref=cv2.threshold(ref,10,255,cv2.THRESH_BINARY_INV)[1]
cv_show('ref',ref)

二值图像 

3.计算轮廓 

10个轮廓的排列顺序并不一定是按照这个0-9的轮廓对应着来的，我们需要根据每个轮廓左上角的坐标值，先从小到大排序。 

#计算轮廓
#cv2.findContours()函数接受的参数为二值图，即黑白的(不是灰度图），cv2.RETR_EXTERNAL只检测外轮廓，cv2.CHAIN_APPROX_SIMPLE只保留终点坐标
#返回的list中每个元素都是图像中的一个轮廓

ref_,refCnts,hierarchy=cv2.findContours(ref.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

cv2.drawContours(img,refCnts,-1,(0,0,255),3)#-1表示画所有轮廓
cv_show('img',img)
print(np.array(refCnts).shape)
refCnts=myutils.sort_contours(refCnts,method="left-to-right")[0]#排序，从左到右，从上到下

 模板轮廓

4.遍历轮廓 

 遍历每个轮廓对象，给每个轮廓赋予对应的值。resize是需要和后面的信用卡进行匹配。

digits={}
#遍历每一个轮廓
for (i,c) in enumerate(refCnts):
    #计算外接矩形并且resize成合适大小
    (x,y,w,h)=cv2.boundingRect(c)
    roi=ref[y:y+h,x:x+w]
    roi=cv2.resize(roi,(57,88))

    #每一个数字对应一个模板
    digits[i]=roi


#初始化卷积核
rectKernel=cv2.getStructuringElement(cv2.MORPH_RECT,(9,3))
sqKernel=cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))

 5.输入图像预处理

#读取输入图像，预处理
image=cv2.imread(args["image"])
cv_show('image',image)
image=myutils.resize(image,width=300)
gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
cv_show('gray',gray)

 读取图像

 转换为灰度图

6.礼貌操作 

#礼帽操作，突出更明亮的区域
tophat=cv2.morphologyEx(gray,cv2.MORPH_TOPHAT,rectKernel)
cv_show('tophat',tophat)

 礼帽操作后

7.sobel算子操作 

边缘检测， 把边缘突出。

gradX=cv2.Sobel(tophat,ddepth=cv2.CV_32F,dx=1,dy=0,ksize=-1)#ksize=-1相当于用3*3的

gradX=np.absolute(gradX)#这里只用X比用x,y好
(minVal,maxVal)=(np.min(gradX),np.max(gradX))
gradX=(255*((gradX-minVal)/(maxVal-minVal)))
gradX=gradX.astype("uint8")

print(np.array(gradX).shape)
cv_show('gradX',gradX)

 使用sobel算子得到的结果

8.闭操作 

 边缘操作后，需要将数字连成片，需要闭操作

#通过闭操作（先膨胀，再腐蚀）将数字连在一起
gradX=cv2.morphologyEx(gradX,cv2.MORPH_CLOSE,rectKernel)
cv_show('gradX',gradX)

 闭操作后的

#THRESH_OTSU会自动寻找合适的阈值，适合双峰，需要把阈值参数设为0
thresh=cv2.threshold(gradX,0,255,cv2.THRESH_BINARY|cv2.THRESH_OTSU)[1]
cv_show('thresh',thresh)

 阈值后的

片内有黑块，再来一次闭操作加强，填充掉黑块 

#再来一个闭操作

thresh=cv2.morphologyEx(thresh,cv2.MORPH_CLOSE,sqKernel)#再来一个闭操作
cv_show('thresh',thresh)

 第二次闭操作后的

9.计算图形轮廓 

#计算轮廓
thresh_,threshCnts,hierarchy=cv2.findContours(thresh.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

cnts=threshCnts
cur_img=image.copy()
cv2.drawContours(cur_img,cnts,-1,(0,0,255),3)
cv_show('img',cur_img)

 图像轮廓

10.遍历图形轮廓并匹配

 需要在以上所有的轮廓中找到四个包含数字的数字轮廓，可能居长宽不同来区别，也需要排序

locs=[]
#遍历轮廓
for (i,c) in enumerate(cnts):
    #计算矩形
    (x,y,w,h)=cv2.boundingRect(c)
    ar=w/float(h)

    #选择合适的区域，根据实际任务来，这里的基本都是四个数字一组
    if ar>2.5 and ar<4.0:
        if(w>40 and w<55) and (h>10 and h<20):
            #符合的留下来
            locs.append((x,y,w,h))
#将符合的轮廓从左到右排序
locs=sorted(locs,key=lambda x:x[0])

  1. 遍历每个大轮廓
  2. 对于每个大轮廓， 进行和处理模板一样的操作，这里的resize对应处理模板时候的resize
  3. 对于每个数字，进行模板匹配即可
output=[]

#遍历每一个轮廓中的数字
for (i,(gX,gY,gW,gH)) in enumerate(locs):
    #initialize the list of group digits
    groupOutput=[]

    #根据坐标提取每一个组
    group=gray[gY-5:gY+gH+5,gX-5:gX+gW+5]#将坐标向外扩一点点，别贴死
    cv_show('group',group)
    #预处理
    group=cv2.threshold(group,0,255,cv2.THRESH_BINARY|cv2.THRESH_OTSU)[1]
    cv_show('group',group)
    #计算每一组的轮廓
    group_,digitCnts,hierarchy=cv2.findaContours(group.copy(),cv2.RETR_EXTERNAL,CV2.CHAIN_APPROX_SIMPLE)
    digitCnts=contours.sort_contours(digitCnts,method="left-to-right")[0]
    #计算每一组中的每一个数值
    for c in digirCnts:
        #找到当前数值的轮廓，resize成合适的大小
        (x,y,w,h)=cv2.boundingRect(c)
        roi=group[y:y+h,x:x+w]
        roi=cv2.resize(roi,(57,88))
        cv_show('roi',roi)

        #计算匹配得分
        scores=[]

        #在模板中计算每一个得分
        for (digit,digitROI) in digits.items():
            #模板匹配
            result=cv2.matchTemplate(roi,digitROI,cv2.TM_CCOEFF)
            (_,score,_,_)=cv2.minMaxLoc(result)
            scores.append(score)

        #得到最合适的数字
        groupOutput.append(str(np.argmax(scores)))


    #画出来
    cv2.rectangle(image,(gX-5,gY-5),(gX+gW+5,gY+gH+5),(0,0,255),1)
    cv2.putText(image,"".join(groupOutput),(gX,gY-15,cv2.FONT_HERSHEY_SIMPLEX,0.65,(2,2,255),2)

    #得到结果
    output.extend(groupOutput)

 第一个轮廓

 二值化结果

 第一个轮廓的第一个数

 11.输出结果



#打印结果
print("Credit Card Type:{}".format(FIRST_NUMBER[output[0]]))
print("Credit Card #:{}".format("".join(putput)))
cv2.imshow("image",image)
cv2.waitKet(0)

 最后结果

 注意配置路径：

高山仰止_
关注
  • 2
    点赞
  • 踩
  • 23
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
OpenCV图像处理技术(Python)——信用卡数字识别
zhanghao139的博客
06-27 564
©FuXianjun ## 案例要求 提供一张信用卡图像，通过图像处理识别出信用卡上的数字。 代码实现： 1.对模板图片进行处理，得到每个数字的模板。 import cv2 import numpy as np def cv_show(name, img): cv2.imshow(name, img) cv2.waitKey(0) cv2.destroyAllWindows() def sort_contours(cnts, method="left-to-right"):
数字图像处理——信用卡数字识别
Zzy_0118的博客
06-28 688
© Fu Xianjun. All Rights Reserved 重点： 模板匹配、轮廓检测、阈值处理、边缘检测 原图： 1.导包： import cv2 import numpy as np def cv_show(name, img): cv2.imshow(name, img) cv2.waitKey(0) cv2.destroyAllWindows() 2.框选图像中的数字部分 def sort_contours(cnts, method="left-
OpenCV图像处理——（实战）信用卡识别
lzh的博客
11-20 1032
信用卡数字识别
java基础入门书籍推荐，实战篇
m0_57286518的博客
07-10 174
第1部分：基础篇 第2部分：开发篇 第3部分：优化篇 第4部分：管理维护篇 Spring全套教学资料 Spring是Java程序员的《葵花宝典》，其中提供的各种大招，能简化我们的开发，大大提升开发效率！目前99%的公司使用了Spring，大家可以去各大招聘网站看一下，Spring算是必备技能，所以一定要掌握。 资料领取方式：点击这里前往蓝色传送门 目录： 部分内容： Spring源码 第一部分 Spring 概述 第二部分 核心思想 第三部分 手写实现 IoC 和 AOP（自定义
2024年最全openCV实践项目：图片文本检测_opencv识别图片中的文字(8)，面试突击版
2401_84181704的博客
05-05 834
import cv2dim = Noneelse:前者是为了方便代码执行过程中图片处理得如何了，方便我们观察。后者是为了方便我们管理图的大小，比如resize(img, width=500) 或 resize(img, height=500) 可以把大大小小的图片转换成相应比例的统一宽高的图片，方便我们观察。对上一步获得的warped进行二值处理，使用pytesseract.image_to_string()即可。filename = "{}.png".format('内容')得到结果。
图像处理技术（信用卡数字识别）
Jaysay的博客
06-23 297
© Fu Xianjun. All Rights Reserved. 1.模板处理 读取模板： 代码如下： 读图及预处理： 1.结果： 这里threshold后面的[1]表示取threshold函数返回值的第二个。threshold函数返回值为阈值和二值化后的图片，即这里仅保存返回后的图片。 2.信用卡图片背景移除 对信用卡上的数字进行选取，对于非卡号数字进行剔除： 结果： 3.信用卡数字提取 对信用卡上的数字进行
基于python的OpenCV项目实战——数字识别
04-10
模板：灰度处理-二值处理-轮廓检测-轮廓排序与数字对应上放到字典里 输入图像：灰度处理，礼帽处理，x梯度，闭操作，取轮廓，画到原图像上，得到轮廓的外接矩形，通过宽高比得到目标轮廓，目标轮廓取出，二值化，对每一组中各个数字轮廓提取，resize成和之前模板一样大小，用十个模板分别进行匹配并记录得分
OpenCV项目3-图像处理之信用卡数字识别
weixin_60536251的博客
05-15 739
OpenCV项目3-图像处理之信用卡数字识别
OpenCV-python实战项目：信用卡数字的识别
12-20
信用卡数字的识别 项目逻辑： 我认为一个合格的项目组织者或者执行者需要从项目的整体架构掌握本身，首先对该项目的逻辑做一个整体的介绍： 一、项目需求： 1、信用卡数字的模板，用于匹配其他信用卡（并且已知） 2...
OpenCV图像处理的信用卡，卡号数字识别
最新发布
06-14
OpenCV图像处理的信用卡，卡号数字识别 信用卡识别项目说明 开发思路 将模板文件与读入的图片进行匹配。 步骤： 模板图片的操作： 读入模板图片 cv2.imread() 将模板图片转换为灰度图 cv2.cvtColor() 然后转换为二...
opencv实战 - 银行卡数字识别项目
05-25
利用opencv进行图像处理，并进行银行卡的数字识别。项目内会调用opencv库，利用库函数进行识别。语言 python,运行环境pycharm
基于OpenCV图像处理的信用卡卡号数字识别项目
06-09
本项目基于OpenCV图像处理技术，旨在实现对信用卡卡号数字的自动识别。主要流程包括图像预处理、字符分割、特征提取和字符识别四个步骤。首先，利用OpenCV进行图像预处理，包括灰度化、二值化和噪声去除，以提升图像...
OpenCV图像处理的信用卡，卡号数字识别.zip
04-14
【项目资源】：包含前端、后端、移动开发、人工智能、物联网、信息化管理、数据库、硬件开发、大数据、课程资源等各种技术项目的源码。包括C++、Java、python、web、C#、EDA等项目的源码。 【适用人群】：适用于希望...
项目实战（一）信用卡数字识别个人学习笔记（初学超详细注释）
qq_57030255的博客
05-12 1211
初次学习项目实战——信用卡数字识别，偏向初学小白使用。
信用卡数字识别（opencv，轮廓计算）
人工智能方向，计算机视觉
07-22 2428
信用卡数字识别（opencv，pycharm单步调试）
图像数字识别具体操作
king9666的博客
10-09 806
大体为四步 第一步 灰度化 imread() 函数 第二步 二值化 把图像定义成0 或 255 的数字 第三步 分割 从左上第一个值 往右扫描 扫描全部值 是255的标记为Scol 是0的标记为Ecol 从左上第一个值 往下扫描 全部值 是255 标记 Srow 是 0标记 Erow 第四步 识别 将图片剪切为与模板相同的尺寸（一般为最大尺寸） 让匹配的图和别的十个模板相减差的绝对值求和 求和最...
【图像识别】初探数字识别-识别水表示数
zeo_m的博客
08-25 6032
读取图片 用openCV来读取图片灰度值，matplotlib来显示图片。 import matplotlib.pyplot as plt import matplotlib.image as mpimg # mpimg 用于读取图片 import numpy as np import seaborn as sns import cv2 im = mpimg.imread(&amp;quot;./201...
opencv项目实战（一）——信用卡数字识别
weixin_51179742的博客
09-11 1463
信用卡数字识别
openCV轻松入门之信用卡数字识别
LaaLaa8的博客
06-25 155
@Fu Xianjun. All Rights Reserved.所有素材来自小傅老师。 如何进行信用卡数字识别？ 第一步需要先函数准备 然后读图及预处理 注：这里threshold后面的[1]表示取threshold函数返回值的第二个。threshold函数返回值为阈值和二值化后的图片，即这里仅保存返回后的图片。 第二步对信用卡上的数字进行选取，对于非卡号的数字进行剔除 第三步对于信用卡上的数字进行选取，对于非卡号数字进行剔除 第四步得到卡号区域后，对卡号进行数字划分
opencv信用卡数字识别教程
05-17
以下是基于OpenCV的信用卡数字识别教程： 1. 首先，我们需要准备一些训练数据。你可以从网上找到一些信用卡号的图片，然后手动标注出数字的位置和数字本身。或者，你也可以使用OCR库中的一些现成数据集。 2. 接下来，我们需要使用OpenCV进行数字识别。首先，我们将使用图像处理技术来提取数字。我们可以使用二值化技术将图像转换为黑白图像，然后使用轮廓检测技术来查找数字的轮廓。 3. 一旦我们找到了数字的轮廓，我们可以使用机器学习算法来分类数字。最常用的算法是支持向量机（SVM）。 4. 在训练SVM之前，我们需要将提取的数字转换为适当的格式。我们可以将每个数字的像素值作为特征，然后将其转换为一个向量。我们还需要为每个数字分配一个标签，以便SVM可以学习如何分类数字。我们可以使用OCR库中的一些现成函数来完成这些任务。 5. 一旦我们准备好了训练数据，我们可以使用SVM来训练数字分类器。我们可以使用OpenCV的ml模块来实现这个过程。 6. 训练完成后，我们可以使用数字分类器来识别信用卡号。我们可以使用相同的图像处理技术来提取数字，然后使用分类器来预测数字的值。 这就是基于OpenCV的信用卡数字识别教程的基本步骤。如果你想深入了解，可以查看OpenCV文档中的图像处理和机器学习部分。

“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 1
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

高山仰止_

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