4-CNN-demo-0401-数据增强OpenCV

最新推荐文章于 2023-05-14 17:29:07 发布
原创 最新推荐文章于 2023-05-14 17:29:07 发布 · 248 阅读 · 0 ·
CC 4.0 BY-SA版权
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。

本文深入探讨了使用OpenCV进行图像增强的各种技术，包括亮度调节、平移、裁剪与缩放、翻转、旋转及颜色空间转换等操作，旨在提升图像处理能力。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >


import cv2
import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl

# 设置字符集，防止中文乱码
mpl.rcParams['font.sans-serif'] = [u'simHei']
mpl.rcParams['axes.unicode_minus'] = False

def brightness_images(image):
    """
    随机调节图片亮度
    :param image:
    :return:
    """
    # 颜色通道转换   BGR ----> HSV(Hue 色调， Saturation 饱和度  V  亮度) H=aB+bG+cR
    hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)

    image1 = np.array(hsv, dtype=np.float64)
    random_bright = 0.5 + np.random.uniform()  # 随机调亮 或者调暗的随机数生成
    print(random_bright)
    image1[:, :, 2] = image[:, :, 2] * random_bright

    # 对于大于255的 进行裁剪。
    image1[:, :, 2][image1[:, :, 2] > 255] = 255
    image1 = np.array(image1, dtype=np.uint8)
    rgb = cv2.cvtColor(image1, cv2.COLOR_HSV2RGB)
    return rgb

def trans_image(image, hori_range, vertical_range):
    """
    实现平移 （线性变换）
    :param image:
    :param hori_range:
    :param vertical_range:
    :return:
    """
    rows, cols, channels = image.shape
    # 定义平移量 tr_x 代表水平平移的量， tr_y 代表垂直平移的量
    tr_x = hori_range*np.random.uniform() - hori_range/2
    tr_y = vertical_range*np.random.uniform() - vertical_range/2

    # 构造仿射关系矩阵。
    trans_matrix = np.float32([[1, 0, tr_x], [0, 1, tr_y]])
    img_trans = cv2.warpAffine(image, trans_matrix, (cols, rows))
    image1 = np.array(img_trans, dtype=np.uint8)
    return image1


def crop_img_and_resize(image):
    shape = image.shape
    image1 = image[100:shape[0], 0:shape[1]]

    # 需要重新resize 缩放
    new_col = 224
    new_row = 224
    image1 = cv2.resize(image1, (new_col, new_row), interpolation=cv2.INTER_AREA)
    return image1

def flip_img(image, flip_mode):
    """
    随机翻转
    :param image:
    :param flip_mode:
    :return:
    """
    randomint_flip = np.random.randint(2)
    if randomint_flip==0:
        # flip_mode 0代表沿着x轴 翻转，  正数代表沿着y轴翻转， 负数沿着2根都翻转。
        image = cv2.flip(image, flip_mode)
    return image

def rotation_img(image_src):
    """
    随机旋转
    :param image_src:
    :return:
    """
    rows, cols = image_src.shape[:2]
    # 定义一个随机旋转的随机数
    rotation_randomint = np.random.randint(low=180)
    print(rotation_randomint)
    # 定义一个旋转映射的矩阵。
    rotate_M = cv2.getRotationMatrix2D((cols/2, rows/2), rotation_randomint, 1.0)
    rotated_img = cv2.warpAffine(image_src, rotate_M, (cols, rows), borderValue=[225, 225, 225])
    return rotated_img


def random_rotated_img():
    img_origin = './images/4.jpg'
    img = cv2.imread(img_origin)
    rotated_img = rotation_img(img)

    fig = plt.figure(figsize=(8, 6))  # 代表宽 和高 （单位：英寸）
    a = fig.add_subplot(121)
    a.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    a.set_title('原始图片')

    b = fig.add_subplot(122)
    b.imshow(cv2.cvtColor(rotated_img, cv2.COLOR_BGR2RGB))
    b.set_title('随机旋转以后的')
    plt.show()


def random_flip_img():
    """
    执行随机翻转
    :return:
    """
    img_origin = './images/4.jpg'
    img = cv2.imread(img_origin)
    flipped_img = flip_img(img, flip_mode=-1)

    fig = plt.figure(figsize=(8, 6))  # 代表宽 和高 （单位：英寸）
    a = fig.add_subplot(121)
    a.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    a.set_title('原始图片')

    b = fig.add_subplot(122)
    b.imshow(cv2.cvtColor(flipped_img, cv2.COLOR_BGR2RGB))
    b.set_title('随机翻转以后的')
    plt.show()

def scale_img():
    img_origin = './images/2.jpg'
    img = cv2.imread(img_origin)
    resized_img = crop_img_and_resize(img)

    fig = plt.figure(figsize=(8, 6))  # 代表宽 和高 （单位：英寸）
    a = fig.add_subplot(121)
    a.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    a.set_title('原始图片')

    b = fig.add_subplot(122)
    b.imshow(cv2.cvtColor(resized_img, cv2.COLOR_BGR2RGB))
    b.set_title('随机裁剪并缩放以后的')
    plt.show()


def vertical_hrizontal_shift():
    """
    随机水平或者垂直移动图片
    :return:
    """
    img_origin = './images/1.jpg'
    img = cv2.imread(img_origin)
    shifted_img = trans_image(img, hori_range=500, vertical_range=600)

    fig = plt.figure(figsize=(8, 6))  # 代表宽 和高 （单位：英寸）
    a = fig.add_subplot(121)
    a.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    a.set_title('原始图片')

    b = fig.add_subplot(122)
    b.imshow(cv2.cvtColor(shifted_img, cv2.COLOR_BGR2RGB))
    b.set_title('随机平移以后的')
    plt.show()


def random_bright_img():
    """
    执行随机调整图片亮度
    :return:
    """
    img_origin = './images/3.jpg'
    img = cv2.imread(img_origin)

    brighted_img = brightness_images(img)

    # 定义一个画板
    fig = plt.figure(figsize=(8, 6))  # 代表宽 和高 （单位：英寸）

    # 121的意思是： 整个画板分为 1行2列， a位于第一个位置。
    a = fig.add_subplot(121)
    a.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    a.set_title('原始图片')

    b = fig.add_subplot(122)
    b.imshow(brighted_img)
    b.set_title('调节亮度以后的')
    plt.show()


def img_color_change():
    img_origin = './images/3.jpg'
    img = cv2.imread(img_origin)  # cv2默认读入进来的格式 是 BGR

    rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    hls = cv2.cvtColor(img, cv2.COLOR_BGR2HLS)

    # 定义一个画板
    fig = plt.figure(figsize=(8, 6))  # 代表宽 和高 （单位：英寸）

    # 121的意思是： 整个画板分为 1行2列， a位于第一个位置。
    a = fig.add_subplot(231)
    a.imshow(img)
    a.set_title('原始图片')

    b = fig.add_subplot(232)
    b.imshow(rgb)
    b.set_title('rgb')

    c = fig.add_subplot(233)
    c.imshow(hsv)
    c.set_title('hsv')

    d = fig.add_subplot(234)
    d.imshow(gray, cmap='Greys')
    d.set_title('gray')

    e = fig.add_subplot(235)
    e.imshow(hls)
    e.set_title('hls')

    plt.show()



if __name__ == '__main__':
    img_color_change()
    scale_img()
    for _ in range(3):
        random_bright_img()
        vertical_hrizontal_shift()
        random_flip_img()
        random_rotated_img()


D:\Anaconda\python.exe D:/AI20/HJZ/04-深度学习/3-CNN/20191207/04_数据增强opencv.py
1.156051257135442
57
0.8624181451842686
41
1.408784374768897
154

Process finished with exit code 0

1
2
3
4
5
6
7
8

经过双系统测试，ubuntu16.04上中文乱码，
修改如下：
显示标题里加上了中文字体simhei-windows.ttf

# -*- coding: utf-8 -*-

import cv2
import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl

# # 设置字符集，防止中文乱码
# mpl.rcParams['font.sans-serif'] = [u'simHei']
# mpl.rcParams['axes.unicode_minus'] = False
zhfont = mpl.font_manager.FontProperties(
        fname=r'/home/hjz/PycharmProjects/lianxi/11_tensorflow1.4.0/datas/fashion_mnist/SimHei-windows.ttf')

# 随机调节图片亮度
def brightness_images(image):
    """
    随机调节图片亮度
    :param image:
    :return:
    """
    # 颜色通道转换   BGR ----> HSV(Hue 色调， Saturation 饱和度  V  亮度) H=aB+bG+cR
    hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)

    image1 = np.array(hsv, dtype=np.float64)
    random_bright = 0.5 + np.random.uniform()  # 随机调亮 或者调暗的随机数生成
    # print(random_bright)
    image1[:, :, 2] = image[:, :, 2] * random_bright

    # 对于大于255的 进行裁剪。
    image1[:, :, 2][image1[:, :, 2] > 255] = 255
    image1 = np.array(image1, dtype=np.uint8)
    rgb = cv2.cvtColor(image1, cv2.COLOR_HSV2RGB)
    return rgb

# 实现平移 （线性变换）
def trans_image(image, hori_range, vertical_range):
    """
    实现平移 （线性变换）
    :param image:
    :param hori_range:
    :param vertical_range:
    :return:
    """
    rows, cols, channels = image.shape
    # 定义平移量 tr_x 代表水平平移的量， tr_y 代表垂直平移的量
    tr_x = hori_range*np.random.uniform() - hori_range/2
    tr_y = vertical_range*np.random.uniform() - vertical_range/2

    # 构造仿射关系矩阵。
    trans_matrix = np.float32([[1, 0, tr_x], [0, 1, tr_y]])
    img_trans = cv2.warpAffine(image, trans_matrix, (cols, rows))
    image1 = np.array(img_trans, dtype=np.uint8)
    return image1

#裁剪和缩放
def crop_img_and_resize(image):
    shape = image.shape
    image1 = image[100:shape[0], 0:shape[1]]

    # 需要重新resize 缩放
    new_col = 224
    new_row = 224
    image1 = cv2.resize(image1, (new_col, new_row), interpolation=cv2.INTER_AREA)#使用像素区域关系进行重采样
    return image1

# 随机翻转
def flip_img(image, flip_mode):
    """
    随机翻转
    :param image:
    :param flip_mode:
    :return:
    """
    randomint_flip = np.random.randint(2)
    if randomint_flip==0:
        # flip_mode 0代表沿着x轴 翻转，  正数代表沿着y轴翻转， 负数沿着2根都翻转。
        image = cv2.flip(image, flip_mode)
    return image

# 随机旋转
def rotation_img(image_src):
    """
    随机旋转
    :param image_src:
    :return:
    """
    rows, cols = image_src.shape[:2]
    # 定义一个随机旋转的随机数
    rotation_randomint = np.random.randint(low=180)
    print(rotation_randomint)
    # 定义一个旋转映射的矩阵。
    rotate_M = cv2.getRotationMatrix2D((cols/2, rows/2), rotation_randomint, 1.0)
    rotated_img = cv2.warpAffine(image_src, rotate_M, (cols, rows), borderValue=[225, 225, 225])
    return rotated_img

# 随机旋转-可视化
def random_rotated_img():
    img_origin = '/home/hjz/PycharmProjects/lianxi/01_FaceDetection/liuyifei.jpeg'
    img = cv2.imread(img_origin)
    rotated_img = rotation_img(img)

    fig = plt.figure(figsize=(8, 6))  # 代表宽 和高 （单位：英寸）
    a = fig.add_subplot(121)
    a.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    a.set_title('原始图片',fontproperties=zhfont)

    b = fig.add_subplot(122)
    b.imshow(cv2.cvtColor(rotated_img, cv2.COLOR_BGR2RGB))
    b.set_title('随机旋转以后的',fontproperties=zhfont)
    plt.show()

# 随机翻转-可视化
def random_flip_img():
    """
    执行随机翻转
    :return:
    """
    img_origin = '/home/hjz/PycharmProjects/lianxi/01_FaceDetection/yangchaoyue.jpeg'
    img = cv2.imread(img_origin)
    flipped_img = flip_img(img, flip_mode=-1)

    fig = plt.figure(figsize=(8, 6))  # 代表宽 和高 （单位：英寸）
    a = fig.add_subplot(121)
    a.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    a.set_title('原始图片',fontproperties=zhfont)

    b = fig.add_subplot(122)
    b.imshow(cv2.cvtColor(flipped_img, cv2.COLOR_BGR2RGB))
    b.set_title('随机翻转以后的',fontproperties=zhfont)
    plt.show()

# 随机裁剪并缩放-可视化
def scale_img():
    img_origin = '/home/hjz/PycharmProjects/lianxi/01_FaceDetection/yangmi.jpg'
    img = cv2.imread(img_origin)
    resized_img = crop_img_and_resize(img)

    fig = plt.figure(figsize=(8, 6))  # 代表宽 和高 （单位：英寸）
    a = fig.add_subplot(121)
    a.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    a.set_title('原始图片',fontproperties=zhfont)

    b = fig.add_subplot(122)
    b.imshow(cv2.cvtColor(resized_img, cv2.COLOR_BGR2RGB))
    b.set_title('随机裁剪并缩放以后的',fontproperties=zhfont)
    plt.show()

# 随机水平或者垂直移动-可视化
def vertical_hrizontal_shift():
    """
    随机水平或者垂直移动图片
    :return:
    """
    img_origin = '/home/hjz/PycharmProjects/lianxi/01_FaceDetection/zhaoliying3.jpg'
    img = cv2.imread(img_origin)
    shifted_img = trans_image(img, hori_range=500, vertical_range=600)

    fig = plt.figure(figsize=(8, 6))  # 代表宽 和高 （单位：英寸）
    a = fig.add_subplot(121)
    a.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    a.set_title('原始图片',fontproperties=zhfont)

    b = fig.add_subplot(122)
    b.imshow(cv2.cvtColor(shifted_img, cv2.COLOR_BGR2RGB))
    b.set_title('随机平移以后的',fontproperties=zhfont)
    plt.show()

# 随机调整图片亮度-可视化
def random_bright_img():
    """
    执行随机调整图片亮度
    :return:
    """
    img_origin = '/home/hjz/PycharmProjects/lianxi/01_FaceDetection/data/paonan.jpg'
    img = cv2.imread(img_origin)

    brighted_img = brightness_images(img)

    # 定义一个画板
    fig = plt.figure(figsize=(8, 6))  # 代表宽 和高 （单位：英寸）

    # 121的意思是： 整个画板分为 1行2列， a位于第一个位置。
    a = fig.add_subplot(121)
    a.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    a.set_title('原始图片',fontproperties=zhfont)

    b = fig.add_subplot(122)
    b.imshow(brighted_img)
    b.set_title('调节亮度以后的',fontproperties=zhfont)
    plt.show()

# 图像颜色变化-可视化
def img_color_change():
    img_origin = '/home/hjz/PycharmProjects/lianxi/01_FaceDetection/data/zhaoliying5.jpg'
    img = cv2.imread(img_origin)  # cv2默认读入进来的格式 是 BGR

    rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    hls = cv2.cvtColor(img, cv2.COLOR_BGR2HLS)

    # 定义一个画板
    fig = plt.figure(figsize=(8, 6))  # 代表宽 和高 （单位：英寸）

    # 121的意思是： 整个画板分为 1行2列， a位于第一个位置。
    a = fig.add_subplot(231)
    a.imshow(img)

    a.set_title('图片原始',fontproperties=zhfont)

    b = fig.add_subplot(232)
    b.imshow(rgb)
    b.set_title('rgb')

    c = fig.add_subplot(233)
    c.imshow(hsv)
    c.set_title('hsv')

    d = fig.add_subplot(234)
    d.imshow(gray, cmap='Greys')
    d.set_title('gray')

    e = fig.add_subplot(235)
    e.imshow(hls)
    e.set_title('hls')

    plt.show()



if __name__ == '__main__':
    img_color_change()
    scale_img()
    for _ in range(3):
        random_bright_img()
        vertical_hrizontal_shift()
        random_flip_img()
        random_rotated_img()

在这里插入图片描述
在这里插入图片描述

Opencv学习笔记 在OpenCV中使用Mask R-CNN
学以致用 知行合一
08-05 939
什么是Mask R-CNN? Mask R-CNN 建立在 Girshick 等人之前的 R-CNN (2013)、Fast R-CNN (2015) 和 Faster R-CNN (2015) 的对象检测工作之上。 为了理解 Mask R-CNN，让我们简要回顾一下 R-CNN 的变体，从原始的 R-CNN 开始： 原始R-CNN 原始的 R-CNN 算法是一个四步过程： 第 1 步：将图像输入网络。 第 2 步：使用诸如选择性搜索之类的算法提取区域提议（即图像中可能包含对象的区域）。 第
pytorch-FCN-easiest-demo:完全卷积网络的PyTorch实施（非常简单的演示）
05-10
pytorch FCN easiest demo 不断更新中~ 这个repo是在读论文时的一个pytorch简单复现，数据集很小，是一些随机背景上的一些包的图片（所有数据集大小一共不到80M），如下图 关于此数据集详细信息，见 根据论文实现了...
用opencv实现yolov4中的mosaic数据增强
01-20
简单看了一个yolov4的介绍，mosaic数据增强简单说就是四张图片合一，长宽随机变化。理想的实现是结合图片集和标签集，对单张图片标注过之后，四张合一的图片就不用再标注。这里只做一个简单的实现，仅仅把四张图片随机合一，生成mosaic图片集，后面需要对这个生成的图片标注。 c++程序： #include #include #include #include #include using namespace std; using namespace cv; int main() { //读入四幅图片 string imageFile = D:/work_place/第二批图片/;//
Opencv-Python数据增强
Aiden_yan的博客
02-18 4081
Opencv-Python数据增强 常见的数据增强操作有：按比例放大或缩小图片、旋转、平移、水平翻转、改变图像通道等。 1.按比例放大和缩小 ​ 扩展缩放只是改变图像的尺寸大小。OpenCV 提供的函数 cv2.resize()可以实现这个功能。图像的尺寸可以自己手动设置，也可以指定缩放因子。可以选择使用不同的插值方法。在缩放时我们推荐使用 cv2.INTER_AREA，在扩展时我们推荐使用 v2.INTER_CUBIC（慢) 和 v2.INTER_LINEAR。默认情况下所有改变图像尺寸大小的操作使用的
【深度学习】数据增强（Data Augmentation）numpy、opencv实现
zjn-ai的博客
03-25 3488
深度学习是以数据推动的学科，深层神经网络一般都需要大量的训练数据才能获得比较理想的结果。在数据量有限的情况下，可以通过数据增强（Data Augmentation）来， 提高模型鲁棒性，避免过拟合。 数据增强的方法有很多种，比如旋转、水平翻转、垂直翻转、随机裁剪、色彩扰动、加入噪声、随机缩放等等。本文只讨论和实现两种最常用和最基本的方法：随机裁剪和水平翻转。 一、随机裁剪 以cifar-10...
CNN的demo
weixin_39411994的博客
11-07 246
import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data #number 1 to 10 data mnist = input_data.read_data_sets('MNIST_data',one_hot=True) #定义计算准确率的函数 def compute_accuracy(v...
简单CNNdemo
kalp_yp
10-10 1154
卷积神经网络添加了卷积层（激活函数），最大池化层和全连接层。 卷积层：对原始图像进行特征提取。 最大池化层：没有参数。压缩图像，体积变小。 全连接层：把卷积提取的特征组合在一起，用组合到一起的特征再进行分类。 1.导入包 import tensorflow as tf import random import numpy as np import matplotlib.pyplot a...
YOLO3-With-OpenCvSharp4：在C＃上使用OpenCvSharp v4实现YOLO v3的演示
02-04
本项目是关于如何在C#环境中利用OpenCvSharp4库来实现YOLOv3的演示。 OpenCvSharp4是OpenCV（开源计算机视觉库）的C#绑定，提供了丰富的图像处理和计算机视觉功能。它允许开发者在.NET框架下使用OpenCV的功能，包括...
opencv-4.1.2-android-sdk.zip
10-24
2. **示例代码**：SDK中的测试demo展示了如何在实际项目中使用OpenCV，这包括基本的图像加载、显示、处理以及更复杂的计算机视觉任务，比如人脸识别、物体识别等。开发者可以通过研究这些示例快速上手。 3. **开发...
Faster R-CNN搭建教程 ubuntu16.04环境 caffe框架
03-19
完成编译后，可以运行演示（demo）来测试Faster R-CNN的功能。在运行演示之前，确保已安装所有必要的Python模块，如`easydict`和`pyyaml`，并且下载了预先训练好的Caffe模型。 总的来说，Faster R-CNN在Ubuntu ...
CNN-demo:用CNN包装
03-13
让我们用一个基本的CNN示例解决。 在此示例中，我们将打包CNN Appl。 应用├──cnn_app│├──初始化的.py＃使该文件夹一个包│├──app.py＃包含瓶应用对象│├──config.py│├──models.py＃数据管理│└ ──模板/└──测试├──conftest.py＃测试cfg└──test_app.py＃单元测试（在此示例中不需要）
基于CNN训练demo
01-11
基于TensorFlow搭建的mnist，包含训练，测试，模型保存以及模型恢复代码；train.py是训练以及模型保存的demo；testLoadModel.py：自定义图，然后恢复数据；loadGraghDemo.py恢复图和数据；MINST_data文件夹是训练数据；mnist模型保存的路径
CNN手写识别demo
03-31
CNN手写识别demo，采用了MatConvNet工具箱，matlab2015以下版本有可能出错
基于CNN的图像搜索demo
06-29
基于CNN的图像搜索demo ，基于python实现，可以在web上查看实现效果
ncnn-examples-demo（深度学习框架必备，有详细注释）
03-13
ncnn-examples-demo（深度学习框架必备，有详细注释），里面的库路径需要自己更改，用到opencv,vs2015以上版本
Pytorch_CNNDemo
qq_43296197的博客
02-02 226
import os import time # third-party library import torch import torch.nn as nn import torch.utils.data as Data import torchvision import matplotlib.pyplot as plt device = torch.device("cuda" if torch...
CNN建模Demo
fzcoolbaby的博客
05-14 178
CNN建模Demo
pytorch-cnn简单demo
lakomi的博客
08-12 423
MNIST数据集手写数字识别数据集代码 数据集 Pytorch里面包含了MNIST的数据集 代码 完整代码
Opencv 数据增强处理
Lily的博客
07-08 925
import numpy as np import cv2 # img = cv2.imread('./Figure_1.png') print(img.shape) cv2.imshow('original',img) # # 水平镜像 #flipCode=1 水平翻转; flipCode= 0 垂直翻转; flipCode=-1 水平垂直 ; h_flip = cv2.flip(img,flipCode=1) # cv2.imshow('Flipped Horizontally',h_flip) .
Windows下Faster R-CNN Tensorflow 实现教程
4. 安装Python脚本，例如运行`setup.py build_ext install`，然后执行`train.py`进行训练，或者运行`demo.py`进行模型测试。 在代码中，有一个关键的部分是定义了一个命令行参数，`tf.app.flags.DEFINE_string('...
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
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