OpenCV 中基于 SVM 的图像分类与检测实战教程

最新推荐文章于 2025-12-28 12:36:11 发布
原创 最新推荐文章于 2025-12-28 12:36:11 发布 · 922 阅读 · 9 ·
CC 4.0 BY-SA版权
原创文章，禁止转载，否则保留追究法律责任的权利。
文章标签：

#opencv #支持向量机 #SVM #机器学习 #图像分类 #图像检测 #HOG特征

部署运行你感兴趣的模型镜像

【精选优质专栏推荐】


每个专栏均配有案例与图文讲解，循序渐进，适合新手与进阶学习者，欢迎订阅。

文章目录

在这里插入图片描述

前言

支持向量机（Support Vector Machine, SVM）算法是 OpenCV 库中实现的最流行的监督式机器学习技术之一。

在本教程中，你将学习如何使用 OpenCV 的支持向量机算法来解决图像分类与检测问题。

完成本教程后，你将掌握：

  1. 支持向量机的若干重要特性。

  2. 如何将支持向量机应用于图像分类与检测问题。

本教程分为三部分：

  1. 回顾支持向量机的工作原理
  2. 将 SVM 算法应用于图像分类
  3. 使用 SVM 算法进行图像检测

回顾支持向量机的工作原理

SVM 通过计算一个决策边界来将数据点分成不同的类别，该边界最大化了与每个类别中最近数据点（称为支持向量）的间距。通过调整参数 C，可以放宽最大化间距的约束，该参数控制了最大化间距与减少训练数据误分类之间的权衡。

SVM 算法可以使用不同的核函数，这取决于输入数据是否线性可分。对于非线性可分的数据，可以使用非线性核函数将数据映射到更高维空间，使其在该空间中线性可分。这相当于在原始输入空间中找到一个非线性的决策边界。

将 SVM 算法应用于图像分类

在本任务中，我们将使用 OpenCV 的数字（digits）数据集，但所编写的代码同样可以用于其他数据集。

第一步是加载 OpenCV 的数字图像，将其分割成包含手写数字 0–9 的多个子图像，并创建相应的真实标签（ground truth labels），以便后续评估训练好的 SVM 分类器的准确率。在本例中，我们将 80% 的数据分配给训练集，其余 20% 分配给测试集：

# 加载数字图像
img, sub_imgs = split_images('Images/digits.png', 20)
 
# 从数字图像中获取训练集和测试集
digits_train_imgs, digits_train_labels, digits_test_imgs, digits_test_labels = split_data(20, sub_imgs, 0.8)

接下来，我们在 OpenCV 中创建一个使用 RBF 核的 SVM。与前一教程类似，我们需要设置多个与 SVM 类型及核函数相关的参数。同时，还需要定义终止条件，以便在 SVM 优化迭代过程中达到指定精度后停止：

# 创建一个新的 SVM
svm_digits = ml.SVM_create()
 
# 将 SVM 的核函数设置为 RBF
svm_digits.setKernel(ml.SVM_RBF)
svm_digits.setType(ml.SVM_C_SVC)
svm_digits.setGamma(0.5)
svm_digits.setC(12)
svm_digits.setTermCriteria((TERM_CRITERIA_MAX_ITER + TERM_CRITERIA_EPS, 100, 1e-6))

在训练和测试 SVM 之前，我们不会直接使用原始图像数据，而是先将每张图像转换为其 HOG 描述符。

如前文所述，HOG 技术旨在通过利用图像的局部形状与外观，获得一种更紧凑的表示。使用 HOG 描述符进行分类器训练，能够在区分类别时提升判别能力，同时降低计算成本：

# 将图像数据转换为 HOG 特征描述符
digits_train_hog = hog_descriptors(digits_train_imgs)
digits_test_hog = hog_descriptors(digits_test_imgs)

最后，我们使用 HOG 描述符训练 SVM，并对测试数据进行标签预测，然后计算分类器的准确率：

# 预测测试数据的标签
_, digits_test_pred = svm_digits.predict(digits_test_hog.astype(float32))
 
# 计算并输出模型的准确率
accuracy_digits = (sum(digits_test_pred.astype(int) == digits_test_labels) / digits_test_labels.size) * 100
print('Accuracy:', accuracy_digits[0], '%')

输出：

Accuracy: 97.1 %

在本例中，参数 C 和 gamma 的取值是经验设定的。然而，建议使用如网格搜索（grid search）算法之类的调参技术，以探索更优的超参数组合，从而进一步提升分类器的准确率。

完整代码如下：

from cv2 import ml, TERM_CRITERIA_MAX_ITER, TERM_CRITERIA_EPS
from numpy import float32
from digits_dataset import split_images, split_data
from feature_extraction import hog_descriptors
 
# 加载数字图像
img, sub_imgs = split_images('Images/digits.png', 20)
 
# 从数字图像中获取训练集和测试集
digits_train_imgs, digits_train_labels, digits_test_imgs, digits_test_labels = split_data(20, sub_imgs, 0.8)
 
# 创建一个新的 SVM
svm_digits = ml.SVM_create()
 
# 将 SVM 核设置为 RBF
svm_digits.setKernel(ml.SVM_RBF)
svm_digits.setType(ml.SVM_C_SVC)
svm_digits.setGamma(0.5)
svm_digits.setC(12)
svm_digits.setTermCriteria((TERM_CRITERIA_MAX_ITER + TERM_CRITERIA_EPS, 100, 1e-6))
 
# 将图像数据转换为 HOG 特征描述符
digits_train_hog = hog_descriptors(digits_train_imgs)
digits_test_hog = hog_descriptors(digits_test_imgs)
 
# 使用训练数据集训练 SVM
svm_digits.train(digits_train_hog.astype(float32), ml.ROW_SAMPLE, digits_train_labels)
 
# 预测测试数据的标签
_, digits_test_pred = svm_digits.predict(digits_test_hog.astype(float32))
 
# 计算并输出准确率
accuracy_digits = (sum(digits_test_pred.astype(int) == digits_test_labels) / digits_test_labels.size) * 100
print('Accuracy:', accuracy_digits[0], '%')

使用 SVM 算法进行图像检测

我们可以将上述的图像分类思想扩展到图像检测。图像检测是指在图像中识别并定位感兴趣的目标。

可以通过在较大图像（以下简称“测试图像”）的不同位置重复前面章节中的分类操作来实现。

在本示例中，我们将创建一个由 OpenCV 数字数据集中随机选取的子图像拼接而成的图像拼贴，然后尝试检测其中目标数字的出现位置。

首先创建测试图像。方法是从整个数据集中每隔一定间隔随机选择 25 个子图像，打乱顺序后将它们拼接为一张 100×100 像素的图像：

# 加载数字图像
img, sub_imgs = split_images('Images/digits.png', 20)
 
# 从数字图像中获取训练集和测试集
digits_train_imgs, _, digits_test_imgs, _ = split_data(20, sub_imgs, 0.8)
 
# 创建一个空列表用于存储随机数
rand_nums = []
 
# 设置随机数种子以确保可重复性
seed(10)
 
# 从测试集中随机选择25个数字
for i in range(0, digits_test_imgs.shape[0], int(digits_test_imgs.shape[0] / 25)):
 
    # 生成一个随机整数
    rand = randint(i, int(digits_test_imgs.shape[0] / 25) + i - 1)
 
    # 将其添加到列表中
    rand_nums.append(rand)
 
# 打乱生成的随机整数顺序
shuffle(rand_nums)
 
# 读取与随机整数对应的图像数据
rand_test_imgs = digits_test_imgs[rand_nums, :]
 
# 初始化一个数组来保存测试图像
test_img = zeros((100, 100), dtype=uint8)
 
# 初始化子图计数器
img_count = 0
 
# 遍历测试图像
for i in range(0, test_img.shape[0], 20):
    for j in range(0, test_img.shape[1], 20):
 
        # 使用选定的数字填充测试图像
        test_img[i:i + 20, j:j + 20] = rand_test_imgs[img_count].reshape(20, 20)
 
        # 递增子图计数器
        img_count += 1
 
# 显示测试图像
imshow(test_img, cmap='gray')
show()

生成的测试图像如下所示：

在这里插入图片描述

接下来，我们将像上一节一样训练一个新创建的 SVM。不过，由于现在处理的是检测问题，真实标签（ground truth labels）不再表示图像中的数字，而是区分训练集中正样本与负样本。

例如，假设我们希望检测测试图像中出现的两个数字 0。那么，在训练集中包含数字 0 的图像被视为正样本，并标记为类别标签 1；其余数字的图像被视为负样本，标记为类别标签 0。

生成标签后，我们即可创建并训练 SVM 模型：

# 为正样本和负样本生成标签
digits_train_labels = ones((digits_train_imgs.shape[0], 1), dtype=int)
digits_train_labels[int(digits_train_labels.shape[0] / 10):digits_train_labels.shape[0], :] = 0
 
# 创建一个新的 SVM
svm_digits = ml.SVM_create()
 
# 将 SVM 核函数设置为 RBF
svm_digits.setKernel(ml.SVM_RBF)
svm_digits.setType(ml.SVM_C_SVC)
svm_digits.setGamma(0.5)
svm_digits.setC(12)
svm_digits.setTermCriteria((TERM_CRITERIA_MAX_ITER + TERM_CRITERIA_EPS, 100, 1e-6))
 
# 将训练图像转换为 HOG 特征描述符
digits_train_hog = hog_descriptors(digits_train_imgs)
 
# 使用训练数据集训练 SVM
svm_digits.train(digits_train_hog, ml.ROW_SAMPLE, digits_train_labels)

我们将在前面的代码基础上增加最后一段代码，执行以下操作：

  1. 以预设步幅（stride）遍历测试图像。

  2. 在每次迭代中，从测试图像中裁剪出与数字子图像大小相同的图像块（20×20 像素）。

  3. 提取每个图像块的 HOG 描述符。

  4. 将这些 HOG 描述符输入训练好的 SVM，得到标签预测结果。

  5. 当检测到匹配时，保存对应的图像块坐标。

  6. 在原始测试图像上绘制检测结果的边界框。

# 创建一个空列表来存储匹配补丁的坐标
positive_patches = []
 
# 定义滑动的步长
stride = 5
 
# 遍历测试图像
for i in range(0, test_img.shape[0] - 20 + stride, stride):
    for j in range(0, test_img.shape[1] - 20 + stride, stride):
 
        # 从测试图像中裁剪一个小块
        patch = test_img[i:i + 20, j:j + 20].reshape(1, 400)
 
        # 将图像块转换为HOG特征描述符
        patch_hog = hog_descriptors(patch)
 
        # 预测图像块的目标标签
        _, patch_pred = svm_digits.predict(patch_hog.astype(float32))
 
        # 如果检测到匹配项，保存其坐标值
        if patch_pred == 1:
            positive_patches.append((i, j))
 
# 将列表转换为数组
positive_patches = array(positive_patches)
 
# 遍历匹配坐标并绘制其边界框
for i in range(positive_patches.shape[0]):
 
    rectangle(test_img, (positive_patches[i, 1], positive_patches[i, 0]),
              (positive_patches[i, 1] + 20, positive_patches[i, 0] + 20), 255, 1)
 
# 显示测试图像
imshow(test_img, cmap='gray')
show()

完整代码如下：

from cv2 import ml, TERM_CRITERIA_MAX_ITER, TERM_CRITERIA_EPS, rectangle
from numpy import float32, zeros, ones, uint8, array
from matplotlib.pyplot import imshow, show
from digits_dataset import split_images, split_data
from feature_extraction import hog_descriptors
from random import randint, seed, shuffle
 
# 加载数字图像
img, sub_imgs = split_images('Images/digits.png', 20)
 
# 从数字图像中获取训练集和测试集
digits_train_imgs, _, digits_test_imgs, _ = split_data(20, sub_imgs, 0.8)
 
# 创建一个空列表来存储随机数
rand_nums = []
 
# 设置随机数种子以确保可重复性
seed(10)
 
# 从测试集中随机选择25个数字
for i in range(0, digits_test_imgs.shape[0], int(digits_test_imgs.shape[0] / 25)):
 
    # 生成一个随机整数
    rand = randint(i, int(digits_test_imgs.shape[0] / 25) + i - 1)
 
    # 将其添加到列表中
    rand_nums.append(rand)
 
# 打乱生成的随机整数顺序
shuffle(rand_nums)
 
# 读取与随机整数对应的图像数据
rand_test_imgs = digits_test_imgs[rand_nums, :]
 
# 初始化一个数组来保存测试图像
test_img = zeros((100, 100), dtype=uint8)
 
# 启动子图计数器
img_count = 0
 
# 遍历测试图像
for i in range(0, test_img.shape[0], 20):
    for j in range(0, test_img.shape[1], 20):
 
        # 将选定的数字填充到测试图像中
        test_img[i:i + 20, j:j + 20] = rand_test_imgs[img_count].reshape(20, 20)
 
        # 递增子图计数器
        img_count += 1
 
# 显示测试图像
imshow(test_img, cmap='gray')
show()
 
# 为正负样本生成标签
digits_train_labels = ones((digits_train_imgs.shape[0], 1), dtype=int)
digits_train_labels[int(digits_train_labels.shape[0] / 10):digits_train_labels.shape[0], :] = 0
 
# 创建一个新的SVM
svm_digits = ml.SVM_create()
 
# 将SVM核设置为RBF
svm_digits.setKernel(ml.SVM_RBF)
svm_digits.setType(ml.SVM_C_SVC)
svm_digits.setGamma(0.5)
svm_digits.setC(12)
svm_digits.setTermCriteria((TERM_CRITERIA_MAX_ITER + TERM_CRITERIA_EPS, 100, 1e-6))
 
# 将训练图像转换为HOG特征描述符
digits_train_hog = hog_descriptors(digits_train_imgs)
 
# 使用训练数据集训练SVM
svm_digits.train(digits_train_hog, ml.ROW_SAMPLE, digits_train_labels)
 
# 创建一个空列表来存储匹配补丁的坐标
positive_patches = []
 
# 定义移动步长
stride = 5
 
# 遍历测试图像
for i in range(0, test_img.shape[0] - 20 + stride, stride):
    for j in range(0, test_img.shape[1] - 20 + stride, stride):
 
        # 从测试图像中裁剪一个小块
        patch = test_img[i:i + 20, j:j + 20].reshape(1, 400)
 
        # 将图像块转换为HOG特征描述符
        patch_hog = hog_descriptors(patch)
 
        # 预测图像块的目标标签
        _, patch_pred = svm_digits.predict(patch_hog.astype(float32))
 
        # 如果找到匹配项，则存储其坐标值
        if patch_pred == 1:
            positive_patches.append((i, j))
 
# 将列表转换为数组
positive_patches = array(positive_patches)
 
# 遍历匹配坐标并绘制其边界框
for i in range(positive_patches.shape[0]):
 
    rectangle(test_img, (positive_patches[i, 1], positive_patches[i, 0]),
              (positive_patches[i, 1] + 20, positive_patches[i, 0] + 20), 255, 1)
 
# 显示测试图像
imshow(test_img, cmap='gray')
show()

最终生成的图像显示，我们已成功检测出测试图像中出现的两个数字 0。

在这里插入图片描述

我们考虑了一个简单的示例，但同样的思路可以很容易地应用于更具挑战性的现实问题。如果你计划将上述代码改编用于更复杂的任务，需要注意以下几点：

  • 目标对象可能以不同的尺寸出现在图像中，因此你可能需要执行多尺度检测任务。
  • 在为 SVM 生成正负样本时，不要陷入类别不平衡的问题。本教程中的示例图像变化较小（仅限于 10 个数字，没有尺度、光照、背景等变化），因此数据集不平衡对检测结果的影响很小。然而，在实际问题中，情况往往没有这么简单，类别分布不均可能导致性能下降。

总结

本文介绍了 OpenCV 中 SVM 的完整应用流程，包括：

1.使用 HOG 特征提取手写数字图像特征。

2.基于 OpenCV ml.SVM_create() 训练分类模型。

3.利用测试集评估模型精度。

4.构建随机拼接的测试图像，演示检测算法的实用性。

5.提出多尺度检测与类别平衡的重要性，为实际部署提供指导。

您可能感兴趣的与本文相关的镜像

Yolo-v5

Yolo-v5

Yolo

YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的Joseph Redmon 和Ali Farhadi 开发。 YOLO 于2015 年推出，因其高速和高精度而广受欢迎

OpenCV实战（1）——OpenCV与图像处理基础
盼小辉丶的博客
10-24 10万+
OpenCV 是一个跨平台计算机视觉和机器学习库，实现了图像处理和计算机视觉方面的很多通用算法。本节将介绍 OpenCV 的基础知识，以及如何编译运行 OpenCV 程序，并介绍如何完成最基本的图像处理任务——读取、显示和保存图像。除此之外，鼠标事件和图形绘制也是 OpenCV 计算机视觉项目中常用的基本功能，本节介绍了如何使用这两个重要的 OpenCV 功能。
OpenCV实战（32）——使用SVM和定向梯度直方图执行目标检测
盼小辉丶的博客
09-14 1万+
本节中，我们将介绍机器学习方法支持向量机 (Support Vector Machine, SVM)，它可以根据训练数据得到准确的二分类分类器，它已被广泛用于解决许多计算机视觉问题。该分类器可以通过使用数学公式表达，该公式可以用于在高维空间中查看数据集的几何结构。此外，我们还将介绍一种新的图像表示，该表示通常与 SVM 结合使用以获取鲁棒性对象检测器。
opencv中的SVM图像分类（一）
去实验室，奔跑吧
07-28 2万+
原创作品 转载请注明出http://blog.youkuaiyun.com/always2015/article/details/47100713本篇文章主要是先从理论的角度对图像进行讲解，主要代码的讲解请关注下一篇博文：opencv中的svm图像分类（二）一、图像分类概述本模块是用在图像内容识别的部分，图像分类是利用计算机对图像进行定量分析，把图像中的每个像元或区域划归为若干个类别中的一种，以代替人工视觉判读
opencv图像识别训练实例
热门推荐
吸喵高手的小窝
10-17 3万+
我一度以为图像训练会很难，觉得很高深，直到我亲自做了一个图像的训练才认识到如果仅仅是单纯地学习和使用，真的很简单。 本文按照如下顺序来进行详细解释如何进行图像识别训练过程： 制作图像 图像数据 图像训练 图像识别实例 选取图像集 我这里下载了12张杨幂的照片作为数据集来提取脸部照片ROI。 #include <QApplication> #include "openc...
基于opencv实现SVM分类器【附源码】
ctu_sue的博客
10-14 1166
本文主要使用opencv实现图像分类器源码已在博客中，不过也可以直接下载整个工程源码。
OpenCV中的「SVM分类器」：基本原理、函数解析和示例代码_python opencv svm 图像分类
m0_54853787的博客
04-28 1347
w=(w1​;w2​;wd​)为法向量，决定超平面的方向，b为位移项，决定超平面与原点之间的距离。对于线性可分的样本空间，需要找到具有最大间隔（maximum margin）的划分超平面，即找到能使下式最大化的参数ww和bmin⁡wb12∣∣w∣∣2yiwTxib≥1i12m对于线性不可分的样本空间，可以将样本从原始空间映射到另一个，从而使样本在这个特征空间内线性可分。
(4) OpenCV图像处理SVM算法
10-30 371
考虑下面的图像，它具有两种数据类型，红色和蓝色。我们找到一条线f(x)=ax1+bx2+cf(x)=ax1+bx2+c，它将两条数据都分为两个区域。当我们得到一个新的test_data XX时，只需将其替换为f(x)f(x)即可。如果f(X)>0f(X)>0，则属于蓝色组，否则属于红色组。我们可以将此行称为“决策边界它非常简单且内存高效。可以将这些数据用直线（或高维超平面）一分为二的数据称为**线性可分离**数据。因此，在上图中，你可以看到很多这样的行都是可能的。我们会选哪一个？
机器学习 C++ 的opencv实现SVM图像二分类的测试 (三)【附源码】
hgaohr1021的博客
07-02 486
机器学习 C++ 的opencv实现SVM图像二分类的测试 (三)
【实战】基于OpenCv的SVM实现车牌检测与识别（二）
12-20
在本篇实战教程中，我们将深入探讨如何使用OpenCV库中的支持向量机(SVM, Support Vector Machine)来实现车牌的检测与识别。OpenCV是一个强大的计算机视觉库，提供了多种机器学习算法，其中包括SVM，这使得我们能够在...
利用OpenCV和SVM实现图像分类的实战教程
描述中提到，这个项目包含了四种不同类别的训练图片，这非常适合用作SVM图像分类的训练。图像分类，简单来说，就是把图像分配到不同的类别中。例如，我们可以训练一个分类器来区分猫、狗、车和飞机的图片。要完成...
跨设备图像拼接：统一色彩偏差的8个核心策略，附OpenCV+Halcon实战代码！
最新发布
xianzuzhicai的博客
12-28 726
跨设备图像拼接：统一色彩偏差8个核心策略，附OpenCV+Halcon实战代码！
2、OpenCV Harris角点检测笔记
sjsn_z的博客
12-26 881
本文介绍了OpenCV中Harris角点检测的原理与实现。Harris算法通过检测窗口移动时像素值的变化模式来识别角点，区分平坦区域、边缘和角点。OpenCV提供cornerHarris()函数实现该功能，关键参数包括检测窗口大小(blockSize)、Sobel卷积核(ksize)和经验参数k(0.02-0.04)。代码实现需将图像转为灰度图，通过阈值筛选显著角点并标记显示。Harris算法计算简单但对尺度变化敏感，是理解更复杂特征检测算法的基础。实际应用中可调整参数优化效果，建议结合图像预处理提高检测质
1、OpenCV 特征检测入门笔记
sjsn_z的博客
12-26 189
本文介绍了OpenCV特征检测的基础知识与应用。特征检测通过提取图像关键点（如角点）实现高效图像处理，主要应用于图像搜索、拼图游戏和全景拼接等场景。角点因其独特性、易识别性和精确定位能力成为核心特征，表现为灰度梯度最大值或线条交叉点。文章对比了平坦区域、边缘和角点的识别难度，强调角点的重要性。特征检测将图像信息压缩为少量关键点，为后续图像匹配、拼接等高级应用奠定基础。学习路径建议从概念理解到API实践，逐步掌握特征检测技术。
用OpenCV实现烟花动画
cnnews的专栏
12-24 264
Python中可以使用PyGame实现动画，这里抛弃PyGame，使用OpenCV（cv2）实现绘图。
cv.drawChessboardCorners 是 OpenCV 中用于可视化棋盘格角点检测
中年程序员一枚的博客
12-24 314
cv.drawChessboardCorners 是 OpenCV 中用于可视化棋盘格角点检测结果的核心函数，常配合 cv.findChessboardCorners 使用，主要用于相机标定、立体视觉等场景的结果验证。
7、OpenCV ORB特征检测笔记
sjsn_z的博客
12-27 750
ORB（Oriented FAST and Rotated BRIEF）是一种高效的特征检测算法，通过结合oFAST特征点检测和rBRIEF描述子计算，实现了实时性能。相比SIFT和SURF，ORB具有更快的计算速度（快一个数量级）、更少的内存占用，并且开源免费无专利限制。其核心设计理念是牺牲部分精度换取速度提升，适用于实时场景。OpenCV中可直接调用ORB_create进行特征检测，主要参数包括特征点数量、金字塔缩放因子等。实际测试显示ORB在保持较好准确性的同时，计算效率显著优于SIFT/SURF。
5、OpenCV SIFT特征描述子笔记
sjsn_z的博客
12-27 961
**摘要： 本文系统介绍了SIFT（尺度不变特征变换）中关键点与描述子的概念区别及实现方法。关键点包含位置、尺度和方向信息，用于特征定位；描述子则是128维向量，量化关键点周围的梯度特征，用于特征匹配。详细解析了SIFT描述子的计算原理（包括16个子区域和8方向直方图）及其尺度、旋转和光照不变性特性。通过OpenCV代码演示了关键点检测与描述子计算的两种方法（分步计算与合并计算），并分析了描述子的数据结构和可视化方法。最后简要介绍了描述子在图像匹配、目标识别等场景的应用，为后续特征匹配课程奠定基础。
win下 vscode下 C++和opencv的配置与使用
何小义的博客
12-24 867
自行百度vs-code的安装，扩展中把中文，以及C/C++装上，也把cmake和cmake tool装上吧。网络不好或者不好安装的可以单独把.vsix下载了，用ctrl+shift+p打开Extension：Install from VSIX安装这链接里边把cmake3.20下载了。比如我是下的：cmake-3.20.1-windows-x86_64.msi ，然后安装到D盘。然后把。然后cmd中cmake --version这链接里边把opencv4.9.0下载了。
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

秋说

感谢打赏

¥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