二维 Arnold 的图像置乱加密及解密——Matlab实现

图像加密 关于二维Arnold变换,广义Arnold变换和更一般形式变换的练习(Matlab实现) 内含四道练习,均用Matlab实现。第一道关于经典二维Arnold变换加密的实现;第二,三道关于广义Arnold变换加密和解密的实现;第四道关于更一般的形式变换加密和解密的实现。 阅读详情

二维 Arnold 的图像置乱加密及解密——Matlab实现

二维 Arnold 的图像置乱加密及解密(1):RGB图像的处理
基于Arnol变换的图像置乱
Arnold变换是俄国数学家Vladimir I. Arnold提出的一种变换,一幅N ×N的数字图像的二维Arnold
变换定义为:

注意:x,y是原图像的像素坐标,x’,y’是变换后的像素坐标。保证|ad-bc|=1,如置换矩阵系数设为a=b=1,c=2,d=3,置换次数n=20,则他们被当作密钥key,用于解密。Arnol变换的图像类型只能是N*N的图片。
RGB图像的二维 Arnold 的图像置乱加密及解密
(1)编写一个arnold.m文件与iarnold.m文件(见上一篇日志《二维 Arnold 的图像置乱加密及解密——Matlab实现(1)》)
 
(2)图像处理程序
图像加密置乱:
a=imread(‘flower.jpg’);         %取预处理图像
R=a(:,:,1);                           %取图像的R层像素
G=a(:,:,2);                           %取图像的G层像素
B=a(:,:,3);                            %取图像的B层像素
subplot(2,2,1);imshow(a);title(‘original’);
subplot(2,2,2);imshow®;title(‘R’);
subplot(2,2,3);imshow(G);title(‘G’);
subplot(2,2,4);imshow(B);title(‘B’);
keyR=[5,5,2,7,3];keyG=[3,1,1,2,1];keyB=[6,3,2,4,3];           %分别为RGB三层设计三个不同密钥
aR=arnold(R,keyR);aG=arnold(G,keyG);aB=arnold(B,keyB);%对各层用不同的密钥加密
figure;subplot(2,2,1);imshow(aR);title(‘aR’);%加密后的图像
subplot(2,2,2);imshow(aG);title(‘aG’);
subplot(2,2,3);imshow(aB);title(‘aB’);
aa=cat(3,aR,aG,aB);                                       %各层加密后在合成彩色图像
subplot(2,2,4); imshow(aa); title(’ Permuted’);%RGB图像加密后的结果
imwrite(aa,‘aflower.bmp’);

图像解密还原:
 
b=imread(‘aflower.bmp’);                         %取加密后的图像
aR1=b(:,:,1);                                           %取图像R层的像素
aG1=b(:,:,2);                                          %取图像R层的像素
aB1=b(:,:,3);                                           %取图像R层的像素
subplot(2,2,1);imshow(b);title(‘original’);
keyR=[5,5,2,7,3];keyG=[3,1,1,2,1];keyB=[6,3,2,4,3];%由加密方提共的密钥
iaR=iarnold(aR1,keyR);iaG=iarnold(aG1,keyG);iaB=iarnold(aB1,keyB);%对各层进行解密
subplot(2,2,2);imshow(iaR);title(‘iaR’);
subplot(2,2,3);imshow(iaG);title(‘iaG’);
subplot(2,2,4);imshow(iaB);title(‘iaB’);
c=cat(3,iaR,iaG,iaB);                              %将RGB三层合成彩色图像
figure; imshow©; title(’ Decrypted’);      %最后还原的图像
imwrite(c,‘jiemi.bmp’);

加密的复杂性分析:

(1)置乱度
图像置乱的目的在于打乱图像,使非法获取图像者无法识别图像内容,图像置乱度表明了图像被打乱
的程度,图像经过置乱变换,越“乱”效果越好,保密性越好。从图中可以看出图像Arnold变换迭代次数较
少时,置乱效果不好,但是置乱效果并不随迭代次数的增加而增加,观测Arnold迭代50次和迭代100次的
图像,主观很难判断哪个图像更乱。
衡量图像置乱度图像置乱度的评价标准有观察者的主观标准,也有客观标准。主观标准可以按照人
眼对原始图像和置乱后的图像的视觉感官来判断,依据主观感受来划分等级。客观标准尚无统一的数学
模型,有些研究者提出用原图像中每个像素点的灰度值和周围像素点灰度值的差别来衡量置乱度,如柏森
等人提出的数学模型:

也有的研究者提出用原图像的像素位置移动的远近来表明置乱度。
 
(2)加密的周期性
经过一定次数的置乱后图像变得杂乱无章,和原始图像已经完全不同,然而对于合法的用户,需要还
原出原始图像。Arnold变换之所以成为一种得到广泛应用的置乱算法,是因为Arnold变换具有周期性,
如果重复的进行Arnold变换,经过一定的次数之后必然会还原出原始图像。Arnold变换的周期性与图像
的大小有关系,但是不成正比。如大小为128 ×128的图像的Arnold变换的周期为96,大小为240 ×240
第3期黄仿元等:基于Arnold变换的图像置乱算法及实现·277·
的图像的Arnold变换的周期为60。表给出了不同N值与Arnold变换的周期T之间的关系。

计算Arnold变换的周期T可以利用一下MATLAB程序来实现。
x = 1; y = 1;N = 128; %N ×N为128 ×128的图像
T = 1;
t = x; x = x + y; y = t + 23 y;
while x~ = 1&y~ = 1;
  T = T + 1;
  if x >N
    x =mod ( x,N) ;
  end
  if y >N
    y =mod ( y,N) ;
  end
  t = x; x = x + y; y = t + 23 y;
end
T %所得的T值即为Arnold变换的周期

Arnold置乱 Arnold变换是俄国数学家弗拉基米尔·阿诺德(Vladimir Igorevich Arnold)提出,Arnold将其应用在遍历理论研究中。由于Arnold本人最初对一张猫的图片进行了此种变换,因此它又被称为猫脸变换(cat映射)。Cat映射可以把图像中各像素点的位置进行置换,使其达到加密的目的,多应用在多媒体混沌加密中。Arnold置乱是一种数字图像处理技术,通过改变图像像素的排列顺序来产生视觉上的扭曲和变形效果。该技术主要应用于图像加密和保护,也可以用于生成艺术效果或增加图像的复杂度。 阅读详情

相关推荐

【图像加密】基于matlab GUI正交拉丁方+二维Arnold置乱图像加密【含Matlab源码 813期】

正交拉丁方+二维Arnold置乱图像加密 完整代码,直接运行,适合小白!可提供运行操作视频!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 1911

用java实现图像的置乱加密,[转载]二维 Arnold 的图像置乱加密及解密——Matlab实现(1)...

基于Arnold变换的图像置乱Arnold变换是俄国数学家Vladimir I.Arnold提出的一种变换,一幅N ×N的数字图像的二维Arnold变换定义为:注意:x,y是原图像的像素坐标,x',y'是变换后的像素坐标。保证|ad-bc|=1,如置换矩阵系数设为a=b=1,c=2,d=3,置换次数n=20,则他们被当作密钥key,用于解密。Arnol变换的图像类型只能是N*N的图片。1、灰度图像...

weixin_39948439的博客 742

【图像加密】正交拉丁方+二维Arnold置乱图像加密【含GUI Matlab源码 813期】

正交拉丁方+二维Arnold置乱图像加密 完整的代码,方可运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 1000

二维-Arnold-的图像置乱加密及解密

注意:x,y是原图像的像素坐标,x',y'是变换后的像素坐标。少时,置乱效果不好,但是置乱效果并不随迭代次数的增加而增加,观测Arnold迭代50次和迭代100次的。的程度,图像经过置乱变换,越“乱”效果越好,保密性越好。

GGMMM123的博客 858

基于正交拉丁方和二维Arnold置乱的图像加密算法含Matlab源码

二维Arnold置乱则是一种可逆的图像变换方法,可以通过改变像素的位置来实现图像的混淆。不幸的是,对于图像的保护、安全性和隐私性的需求也越来越高。在本篇文章中,我们将介绍一种基于正交拉丁方和二维Arnold置乱的图像加密算法,并提供相应的Matlab源代码。以上就是基于正交拉丁方和二维Arnold置乱的图像加密算法的实现过程及相应的Matlab源代码。3.使用相同的方法对加密图像进行解密,即先将每个块按行反向遵循正交拉丁方的规则进行排列,再进行二维Arnold置乱,并将结果重新组合成原始图像。

学习使你进步。 235

Matlab GUI正交拉丁方和二维Arnold置乱图像加密

通过正交拉丁方将图像分成小块,并使用Arnold置乱算法进行混沌化操作,可以有效地增加加密后图像的随机性和混淆度。在二维Arnold置乱算法中,我们需要设定两个参数m和n,对于一个二维坐标(x,y),它经过一次Arnold置乱后的坐标为((x+y)mod m, (x+2y)mod n)。在这篇文章中,我们将介绍如何利用Matlab GUI、正交拉丁方和二维Arnold置乱算法对图像进行加密。在图像加密中,我们需要将原图像按照一定的规则划分成n个小块,每个小块的像素值与一个正交拉丁方中的一行相对应。

m0_47037246的博客 273

基于MATLAB Arnold 的图像置乱加密及解密

二维 Arnold 的图像置乱加密及解密(1):RGB图像的处理基于Arnol变换的图像置乱Arnold变换是俄国数学家Vladimir I. Arnold提出的一种变换,一幅N ×N的数字图像的二维Arnold变换定义为: 注意:x,y是原图像的像素坐标,x',y'是变换后的像素坐标。保证|ad-bc|=1,如置换矩阵系数设为a=b=1,c=2,d=3,置换次数n=20,则他们被当作密钥key,...

matlabBBQ的博客 2359

CTF实战:手把手教你用Python破解转轮机加密(附完整脚本)

本文详细介绍了如何使用Python逆向破解转轮机加密,特别针对CTF比赛中的Crypto类题目。通过解析转轮机加密原理、实战Python脚本编写及调试技巧,帮助参赛者快速掌握破解方法,提升在攻防世界等CTF比赛中的解题效率。

silver的专栏 1117

【图像加密解密】Arnold置乱图像加密与解密(相关性 熵分析 直方图分析)【含Matlab源码 4552期】

Arnold置乱图像加密与解密(相关性 熵分析 直方图分析) 完整的代码,方可运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版)或下载付费资源,可赠送奶茶价版付费专栏指定代码1份; 1008

TouchSocket TcpService:构建高性能Tcp服务的终极利器

/ 接收到的数据data");// 回复客户端await ((ITcpSessionClient)client).SendAsync("服务端已收到消息!");// 继续执行后续插件TouchSocket的TCPService以极简的API、强大的扩展性和卓越的性能,重新定义了.NET TCP服务的开发体验。无论是物联网平台还是金融级实时通信系统,TCPService均能提供可靠的基础设施支持。立即探索示例项目,开启你的高性能服务开发之旅!扩展阅读如何实现WebSocket服务?

若汝棋茗 的博客 1461

Windows 11 24H2 系统下,保姆级安装华为 eNSP 模拟器(含依赖软件下载与避坑指南)

本文提供Windows 11 24H2系统下华为eNSP模拟器的完整安装指南,涵盖系统配置调整、依赖软件安装及常见问题解决方案。特别针对新版系统的兼容性问题,提供详细的避坑步骤和优化建议,帮助网络工程师顺利完成eNSP模拟器的部署与使用。

weixin_42567752的博客 431

arnold函数 matlab_接再厉,发个Arnold置乱变换的matlab代码

再接再厉,发个Arnold置乱变换的matlab代码2008-05-05 21:30以下是代码,自已看吧。。希望对于初学者有所帮助function Arnold(Image,Frequency,crypt)%图像数值矩阵Arnold转换函数%输入参数% Image: 待加密(待解密)图像文件名(注意写格式后缀),只能为二维% Frequency: 图像需要变换迭的次数% ...

weixin_34678198的博客 909

车载面试题目(ADAS)

多数功能都是依靠的前置传感器(经过Lidar、Radar、Camera融合),比如ACC、AEB、LKA、NOA、TJA、FCW等,只有少数涉及周视传感器,比如BSD、CVW、DOW。③如果前面有车切速度小于自车车速,自车减速对减速度有要求,比如3.5m/m2,④如果前车静止了,自车有个跟停距离要求,比如2-3m。试验场有不同曲率的弯道,比如125m、250m、500m的,根据需求跟车行驶,看是否会减速,能不能驶出弯道等。迭代内容:底层通讯、网络管理、诊断、刷写、信息安全、OTA。

qq_43475097的博客 2298

基于Amold置乱的彩色图像加密算法

  本章主要Arnold变换是一种二维映射并且具有可逆的特点,Arnold变换是V.J.Arnold 在研究遍历理论时提出的正方形区域的一种变换,该变换的特点是变换前后的像素位置虽然变乱,但是整个图像的面积不变,Arnold变换具有周期性即迭代到一定的次数能够变换为原图。Arnold 变换只能作用在方形图像上,在Arnold变换中和分别是变换前后的像素值,和在坐标图像中可表示为该图像的第...

dhr39345的博客 1129

SAP S/4HANA Public Cloud 配置全景实践

本文提供SAP S/4HANA Public Cloud配置的实用指南,重点介绍三大核心工具:CBC(范围界定与配置)、SAP Activate(方法论与路线图)和Cloud ALM(项目执行与运维)。文章详解了不同系统架构(2SL/3SL)的配置路径,并以制造企业案例说明端到端实施流程。同时提供了工具协同操作方法、初始访问安全建议和常见问题的专家意见,帮助项目团队高效完成实施工作。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 566

COMSOL有限元仿真深度指南:为结构件添加预应变

一、什么是预应力和预应变? 我们知道,结构力学问题中,结构件在外载荷作用下产生变形响应以吸收外载荷做功带来的能量;而在结构内部,整体的受力和变形则是通过固体微元的应力与应变传递的。 对于线弹性材料来说,应力与应变的关系可以线性表达,也即 σ=Dεσ = Dεσ=Dε ;在该式中,无论固体微元的应变程度多大,弹性矩阵DDD都是一个不变的常值。而对于超弹性材料来说,应力与应变的关系则需要通过应变能密度函数WWW来表征(详细参加博客《COMSOL有限元仿真深度指南:超弹性模型有限元分析入门》)。 从上面我们也不难

忘了面孔的Batou 7172

【图像加密】Arnold置乱图像加密【含Matlab源码 14283期】

Arnold置乱图像加密 完整代码,包运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 996

读懂ARM汇编程序,你只差这篇!保姆级教程(附完整示例剖析)!

ARM汇编中的符号、标号、伪操作有哪些?C语言和汇编语言如何混合编程?GNU ARM汇编和ARM汇编的区别有哪些?

车载系统攻城狮 1万+

【图像加密】基于matlab GUI Arnold置乱图像加密解密【含Matlab源码 1239期】

Arnold置乱图像加密解密 完整代码,直接运行,适合小白!可提供运行操作视频!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 3623

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: MATLAB图像加密解密
下一篇: 混沌密码与数字图像加密应用
GPT_code
博客等级 码龄3年 3543粉丝 338原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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