目标 分割：UNet案例

已于 2025-02-26 11:54:04 修改
阅读量604 收藏 17
点赞数 29
分类专栏： 深度学习 人工智能 计算机视觉 文章标签： 计算机视觉 深度学习
于 2025-02-26 11:50:08 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.youkuaiyun.com/Wei_sx/article/details/145873910
版权

1. 数据集获取

import os
from IPython.display import Image,display
from tensorflow.keras.preprocessing.image import load_img
from PIL import ImageOps

1.1 设置相关信息

# 图像位置
input_dir = 'segdata/images/'
# 图像路径
input_img_path = sorted([os.path.join(input_dir, fname)
                         for fname in os.listdir(input_dir) if fname.endswith('.jpg')])
# 标注信息
target_dir = 'segdata/annotations/trimaps/'

# 目标值
target_img_path = sorted([os.path.join(target_dir, fname) for fname in os.listdir(
    target_dir) if fname.endswith('.png') and not fname.startswith('.')])

img_size = (160,160)
batch_size = 32
num_classes = 4

1.2 图像展示

# 显示⼀个图像 
display(Image(filename=input_img_paths[10]))

标注信息中只有3个值，我们使⽤PIL.ImageOps.autocontrast进⾏展示， 该⽅法计算输⼊图像的直⽅图，然后重新映射图像，最暗像素变为⿊⾊， 即0，最亮的变为⽩⾊，即255，其他的值以其他的灰度值进⾏显示，在这 ⾥前景，背景和不确定分别标注为：1，2，3，所以前景最⼩显示为⿊ ⾊，不确定的区域最⼤显示为⽩⾊。

# 显示标注图像 
img = ImageOps.autocontrast(load_img(target_img_path[10]))
display(img)

1.3 数据集生成器

from tensorflow import keras
import numpy as np
from tensorflow.keras.preprocessing.image import load_img

class OxfordPets(keras.utils.Sequence):
    # 初始化
    def __init__(self,batch_size,img_size,input_img_paths,target_img_paths):
        # 批次大小
        self.batch_size = batch_size
        # 图像大小
        self.img_size = img_size
        # 图像的路径
        self.input_img_paths = input_img_paths
        # 目标值路经
        self.target_img_paths = target_img_paths        

    # 迭代次数
    def __len__(self):
        return len(self.target_img_paths)//self.batch_size

    # 获取batch数据
    def __getitem__(self,idx):
        # 获取该批次对应的样本的索引
        i = idx * self.batch_size
        # 获取该批次数据
        batch_input_img_paths = self.input_img_paths[i:i+self.batch_size]
        batch_target_img_paths = self.target_img_paths[i:i+self.batch_size]
        # 构建特征值
        x = np.zeros((batch_size,)+self.img_size+(3,),dtype="float32")
        for j,path in enumerate(batch_input_img_paths):
            img = load_img(path,target_size=self.img_size)
            x[j] = img
        # 构建目标值
        y = np.zeros((batch_size,)+self.img_size+(1,),dtype='uint8')
        for j,path in enumerate(batch_target_img_paths):
            img = load_img(path,target_size=self.img_size,color_mode='grayscale')
            y[j] = np.expand_dims(img,2)
        return x,y

2.模型构建 

import tensorflow as tf
import tensorflow.keras as keras
from tensorflow.keras.layers import Input, Conv2D, Conv2DTranspose
from tensorflow.keras.layers import MaxPooling2D, Cropping2D, Concatenate
from tensorflow.keras.layers import Lambda, Activation, BatchNormalization, Dropout
from tensorflow.keras.models import Model

2.1 编码部分 

def downsampling_block(input_tensor,filters):
    # 输入：input_tensor,通道数：filters
    # 卷积
    x = Conv2D(filters,kernel_size=(3,3),padding='same')(input_tensor)
    # BN 
    x = BatchNormalization()(x)
    # 激活
    x = Activation('relu')(x)
    # 卷积
    x = Conv2D(filters,kernel_size=(3,3),padding='same')(x)
    # BN 
    x = BatchNormalization()(x)
    # 激活
    x = Activation('relu')(x)
    # 返回
    return MaxPooling2D(pool_size=(2,2))(x),x

2.2 解码部分 

def upsampling_block(input_tensor,skip_tensor,filters):
    # input——tensor:输入特征图，skip_tensor:编码部分的特征图，filters:通道数
    # 反卷积
    x = Conv2DTranspose(filters,kernel_size=(2,2),strides=(2,2),padding='same')(input_tensor)
    # 尺寸
    _,x_height,x_width,_ = x.shape
    _,s_height,s_width,_ = skip_tensor.shape
    # 计算差异
    h_crop = s_height-x_height
    w_crop = s_width-x_width
    # 判断是否进行裁剪
    if h_crop==0 and w_crop ==0:
        y = skip_tensor
    else:
        # 获取裁剪的大小
        cropping = ((h_crop//2,h_crop-h_crop//2),(w_crop//2,w_crop-w_crop//2))
        y = Cropping2D(cropping=cropping)(skip_tensor)
    # 特征融合
    x = Concatenate()([x,y])
    # 卷积
    x = Conv2D(filters,kernel_size=(3,3),padding='same')(x)
    # BN 
    x = BatchNormalization()(x)
    # 激活层
    x = Activation('relu')(x)
    # 卷积
    x = Conv2D(filters,kernel_size=(3,3),padding='same')(x)
    # BN 
    x = BatchNormalization()(x)
    # 激活层
    x = Activation('relu')(x)
    return x

2.3 unet网络 

将编码部分和解码部分组合⼀起，就可构建unet⽹络，在这⾥unet⽹络的 深度通过depth进⾏设置，并设置第⼀个编码模块的卷积核个数通过filter 进⾏设置，通过以下模块将编码和解码部分进⾏组合：

def unet(imagesize,classes,fetures=64,depth=3):
    # 定义输入
    inputs = keras.Input(shape=(imagesize+(3,)))
    x = inputs
    # 构建编码部分
    skips = []
    for i in range(depth):
        x,x0 = downsampling_block(x,fetures)
        skips.append(x0)
        fetures *=2
    # 卷积
    x = Conv2D(filters=fetures,kernel_size=(3,3),padding='same')(x)
    # BN
    x = BatchNormalization()(x)
    # 激活
    x = Activation('relu')(x)
    # 卷积
    x = Conv2D(filters=fetures,kernel_size=(3,3),padding='same')(x)
    # BN
    x = BatchNormalization()(x)
    # 激活
    x = Activation('relu')(x)
    # 解码部分
    for i in reversed(range(depth)):
        fetures //=2
        x = upsampling_block(x,skips[i],fetures)
    # 1x1卷积
    x = Conv2D(filters= classes,kernel_size=(1,1),padding='same')(x)
    # 激活
    outputs = Activation('softmax')(x)
    return keras.Model(inputs=inputs,outputs = outputs)
model = unet(img_size,num_classes)

model = unet(img_size,num_classes)

Model: "functional_1"
__________________________________________________________________________________________________
Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
input_1 (InputLayer)            [(None, 160, 160, 3) 0                                            
__________________________________________________________________________________________________
conv2d (Conv2D)                 (None, 160, 160, 64) 1792        input_1[0][0]                    
__________________________________________________________________________________________________
batch_normalization (BatchNorma (None, 160, 160, 64) 256         conv2d[0][0]                     
__________________________________________________________________________________________________
activation (Activation)         (None, 160, 160, 64) 0           batch_normalization[0][0]        
__________________________________________________________________________________________________
conv2d_1 (Conv2D)               (None, 160, 160, 64) 36928       activation[0][0]                 
__________________________________________________________________________________________________
batch_normalization_1 (BatchNor (None, 160, 160, 64) 256         conv2d_1[0][0]                   
__________________________________________________________________________________________________
activation_1 (Activation)       (None, 160, 160, 64) 0           batch_normalization_1[0][0]      
__________________________________________________________________________________________________
max_pooling2d (MaxPooling2D)    (None, 80, 80, 64)   0           activation_1[0][0]               
__________________________________________________________________________________________________
conv2d_2 (Conv2D)               (None, 80, 80, 128)  73856       max_pooling2d[0][0]              
__________________________________________________________________________________________________
batch_normalization_2 (BatchNor (None, 80, 80, 128)  512         conv2d_2[0][0]                   
__________________________________________________________________________________________________
activation_2 (Activation)       (None, 80, 80, 128)  0           batch_normalization_2[0][0]      
__________________________________________________________________________________________________
conv2d_3 (Conv2D)               (None, 80, 80, 128)  147584      activation_2[0][0]               
__________________________________________________________________________________________________
batch_normalization_3 (BatchNor (None, 80, 80, 128)  512         conv2d_3[0][0]                   
__________________________________________________________________________________________________
activation_3 (Activation)       (None, 80, 80, 128)  0           batch_normalization_3[0][0]      
__________________________________________________________________________________________________
max_pooling2d_1 (MaxPooling2D)  (None, 40, 40, 128)  0           activation_3[0][0]               
__________________________________________________________________________________________________
conv2d_4 (Conv2D)               (None, 40, 40, 256)  295168      max_pooling2d_1[0][0]            
__________________________________________________________________________________________________
batch_normalization_4 (BatchNor (None, 40, 40, 256)  1024        conv2d_4[0][0]                   
__________________________________________________________________________________________________
activation_4 (Activation)       (None, 40, 40, 256)  0           batch_normalization_4[0][0]      
__________________________________________________________________________________________________
conv2d_5 (Conv2D)               (None, 40, 40, 256)  590080      activation_4[0][0]               
__________________________________________________________________________________________________
batch_normalization_5 (BatchNor (None, 40, 40, 256)  1024        conv2d_5[0][0]                   
__________________________________________________________________________________________________
activation_5 (Activation)       (None, 40, 40, 256)  0           batch_normalization_5[0][0]      
__________________________________________________________________________________________________
max_pooling2d_2 (MaxPooling2D)  (None, 20, 20, 256)  0           activation_5[0][0]               
__________________________________________________________________________________________________
conv2d_6 (Conv2D)               (None, 20, 20, 512)  1180160     max_pooling2d_2[0][0]            
__________________________________________________________________________________________________
batch_normalization_6 (BatchNor (None, 20, 20, 512)  2048        conv2d_6[0][0]                   
__________________________________________________________________________________________________
activation_6 (Activation)       (None, 20, 20, 512)  0           batch_normalization_6[0][0]      
__________________________________________________________________________________________________
conv2d_7 (Conv2D)               (None, 20, 20, 512)  2359808     activation_6[0][0]               
__________________________________________________________________________________________________
batch_normalization_7 (BatchNor (None, 20, 20, 512)  2048        conv2d_7[0][0]                   
__________________________________________________________________________________________________
activation_7 (Activation)       (None, 20, 20, 512)  0           batch_normalization_7[0][0]      
__________________________________________________________________________________________________
conv2d_transpose (Conv2DTranspo (None, 40, 40, 256)  524544      activation_7[0][0]               
__________________________________________________________________________________________________
concatenate (Concatenate)       (None, 40, 40, 512)  0           conv2d_transpose[0][0]           
                                                                 activation_5[0][0]               
__________________________________________________________________________________________________
conv2d_8 (Conv2D)               (None, 40, 40, 256)  1179904     concatenate[0][0]                
__________________________________________________________________________________________________
batch_normalization_8 (BatchNor (None, 40, 40, 256)  1024        conv2d_8[0][0]                   
__________________________________________________________________________________________________
activation_8 (Activation)       (None, 40, 40, 256)  0           batch_normalization_8[0][0]      
__________________________________________________________________________________________________
conv2d_9 (Conv2D)               (None, 40, 40, 256)  590080      activation_8[0][0]               
__________________________________________________________________________________________________
batch_normalization_9 (BatchNor (None, 40, 40, 256)  1024        conv2d_9[0][0]                   
__________________________________________________________________________________________________
activation_9 (Activation)       (None, 40, 40, 256)  0           batch_normalization_9[0][0]      
__________________________________________________________________________________________________
conv2d_transpose_1 (Conv2DTrans (None, 80, 80, 128)  131200      activation_9[0][0]               
__________________________________________________________________________________________________
concatenate_1 (Concatenate)     (None, 80, 80, 256)  0           conv2d_transpose_1[0][0]         
                                                                 activation_3[0][0]               
__________________________________________________________________________________________________
conv2d_10 (Conv2D)              (None, 80, 80, 128)  295040      concatenate_1[0][0]              
__________________________________________________________________________________________________
batch_normalization_10 (BatchNo (None, 80, 80, 128)  512         conv2d_10[0][0]                  
__________________________________________________________________________________________________
activation_10 (Activation)      (None, 80, 80, 128)  0           batch_normalization_10[0][0]     
__________________________________________________________________________________________________
conv2d_11 (Conv2D)              (None, 80, 80, 128)  147584      activation_10[0][0]              
__________________________________________________________________________________________________
batch_normalization_11 (BatchNo (None, 80, 80, 128)  512         conv2d_11[0][0]                  
__________________________________________________________________________________________________
activation_11 (Activation)      (None, 80, 80, 128)  0           batch_normalization_11[0][0]     
__________________________________________________________________________________________________
conv2d_transpose_2 (Conv2DTrans (None, 160, 160, 64) 32832       activation_11[0][0]              
__________________________________________________________________________________________________
concatenate_2 (Concatenate)     (None, 160, 160, 128 0           conv2d_transpose_2[0][0]         
                                                                 activation_1[0][0]               
__________________________________________________________________________________________________
conv2d_12 (Conv2D)              (None, 160, 160, 64) 73792       concatenate_2[0][0]              
__________________________________________________________________________________________________
batch_normalization_12 (BatchNo (None, 160, 160, 64) 256         conv2d_12[0][0]                  
__________________________________________________________________________________________________
activation_12 (Activation)      (None, 160, 160, 64) 0           batch_normalization_12[0][0]     
__________________________________________________________________________________________________
conv2d_13 (Conv2D)              (None, 160, 160, 64) 36928       activation_12[0][0]              
__________________________________________________________________________________________________
batch_normalization_13 (BatchNo (None, 160, 160, 64) 256         conv2d_13[0][0]                  
__________________________________________________________________________________________________
activation_13 (Activation)      (None, 160, 160, 64) 0           batch_normalization_13[0][0]     
__________________________________________________________________________________________________
conv2d_14 (Conv2D)              (None, 160, 160, 4)  260         activation_13[0][0]              
__________________________________________________________________________________________________
activation_14 (Activation)      (None, 160, 160, 4)  0           conv2d_14[0][0]                  
==================================================================================================
Total params: 7,708,804
Trainable params: 7,703,172
Non-trainable params: 5,632 

keras.utils.plot_model(model)

3. 模型训练

3.1 数据集划分

import random
# 验证集数量
val_samples = 1000
# 打乱
random.Random(1337).shuffle(input_img_path)
random.Random(1337).shuffle(target_img_path)
# 划分数据集
# 训练集
train_input_img_paths = input_img_path[:-val_samples]
train_target_img_paths = target_img_path[:-val_samples]
# 验证集
val_input_img_paths = input_img_path[-val_samples:]
val_target_img_paths = target_img_path[-val_samples:]

3.2 数据集获取

train_gen = OxfordPets(batch_size,img_size,train_input_img_paths,train_target_img_paths)
val_gen = OxfordPets(batch_size,img_size,val_input_img_paths,val_target_img_paths)

3.3 模型编译

model.compile(optimizer='rmsprop',loss="sparse_categorical_crossentropy")

3.4 模型训练

model.fit(train_gen,epochs=2,validation_data=val_gen,steps_per_epoch=1,validation_steps=1)

4.模型预测 

# 获取验证集数据，并进⾏预测 
val_gen = OxfordPets(batch_size, img_size, val_target_img_paths)
val_preds = model.predict(val_gen) 

# 图像显示
def display_mask(i): 
     # 获取到第i个样本的预测结果 
     mask = np.argmax(val_preds[i], axis=-1) 
     # 维度调整 
     mask = np.expand_dims(mask, axis=-1) 
     # 转换为图像，并进⾏显示 
     img = PIL.ImageOps.autocontrast(keras.preprocessing.image.array_to_img(mask))
     display(img) 

# 选中验证集的第10个图像 
i = 10

# 输⼊图像显示 
display(Image(filename=val_input_img_paths[i])) 

# 真实值显示 
img = PIL.ImageOps.autocontrast(load_img(val_target_img_pat
display(img) 

# 显示预测结果 
display_mask(i)

UNet原理与代码实例讲解
AI智能涌现深度研究
12-12 1297
UNet, 深度学习, 图像分割, 卷积神经网络, 医学图像分析 1. 背景介绍 图像分割是计算机视觉领域的核心任务之一，它旨在将图像划分为多个互不重叠的区域，每个区域代表图像中特定的物体或特征。在医学图像分析、自动驾驶、机器人视觉等领域，图像分割扮演着至关重要的角色。
UNet 原理与代码实例讲解：UNet在脑肿瘤分割任务中的应用
AI天才研究院
09-26 970
在本次深入分析中，我们全面探讨了UNet在脑肿瘤分割任务中的应用、优化和未来发展方向。让我们总结关键点并展望未来：UNet的核心优势在于其对称的编码器-解码器结构和跳跃连接。通过引入注意力机制、深度可分离卷积、多尺度特征融合等技术，UNet的性能得到了显著提升。3D UNet的出现使得模型能够更好地利用volumetric数据的空间信息。密集连接、残差学习等深度学习技术的引入提高了特征提取能力和梯度流动。对抗训练和集成学习策略增强了模型的鲁棒性和泛化能力。
【tf.keras.utils.Sequence】构建自己的数据集生成器
胡侃有料的博客
10-21 3774
every blog every motto: You can do more than you think. 0. 前言 在训练模型时，我们往往不一次将数据全部加载进内存中，而是将数据分批次加载到内存中。 一种方法是用 while True 遍历数据，用yeid产生，具体可参考语义分割代码讲解部分 另一种方法是本文即将讲解的tf.keras.utils.Sequence方法 1. 正文 __ len __ 中返回的即1个epoch迭代的次数，即： 总样本数/ batch_size __ geti
tf.keras.utils.Sequence
我有酒两杯的博客
06-30 1066
1、前言 网上有很多这方面的介绍，我这里以加载文件来验证。 使用 tf.keras.utils.Sequence 必须重写__init__， __len__， __getitem__ 可选重写 on_epoch_end 还可以添加自定义的函数。 2、代码 class DataSet(tf.keras.utils.Sequence): def __init__(self, img_path, lab_path, batch_size): # 必要函数，初始化参数 supe
UNet案例
最白の白菜的博客
03-06 3105
UNet案例 学习目标 了解宠物图像分割数据集 能够完成UNet网络的搭建 能够完成UNet网络的训练与预测 任务及数据集简介 使Oxford-IIIT Pet Dataset宠物图像分割数据集，包含37种宠物类别，其中有12种猫的类别和25种狗的类别，每个类别大约有200张图片，所有图像都具有品种，头部ROI和像素级分割的标注，如下图所示： 图像分割时共分为前景，背景和不确定3种，图像数据包含的类别及对应的数量如下图所示： ​ 数据集的目录结果如下所示：\segdata 1、Images：存储数
深度学习：目标分割｜UNet网络模型及案例实现
m0_58475958的博客
08-15 1万+
1 UNet网络架构 UNet网络由左编码部分，右解码部分和下两个卷积+激活层组成 编码部分 从图中可知：架构中是由4个重复结构组成：2个3x3卷积层，非线形ReLU层和一个stride为2的2x2 max pooling层（图中的蓝箭头，红箭头） 每一次下采样特征通道的数量加倍 解码部分 和编码层类似，反卷积也有4个重复结构组成 每个重复结构前先使用反卷积，每次反卷积后特征通道数量减半，特征图大小加倍（绿箭头） 反卷积之后，反卷积的结果和编码部分对应步骤的特征图拼接起来（白/蓝块） 如果编
UNet语义分割实战：使用UNet实现对人物的抠图(1)，特殊渠道拿到阿里大厂面试真题
2401_84139676的博客
04-18 970
如果直接对true_masks做onehot处理，你会发现处理后的shape是[batch, 1, 400, 300，2]，这样就和masks_pred 对不上了，所以在做onehot之前，先将第二维（也就是1这一维度）去掉，这样onehot后的shape是[batch, 400, 300,2],然后调整顺序，和masks_pred 的维度对上。Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
Pytorch实现3D图像分割：UNet3d与VNet3d架构案例分析
对于想要深入理解3D图像分割在医学影像分析中应用的读者来说，本文提供了一个系统性的学习案例。" 知识点一：Pytorch框架 Pytorch是一个开源的机器学习库，广泛应用于计算机视觉和自然语言处理领域。它提供了一个...
UNet：UNet在目标检测中的扩展应用_2024-07-24_09-45-14.Tex
最新发布
02-24 1201
目标检测是计算机视觉中的一个核心任务，旨在识别图像中物体的位置和类别。与图像分类任务不同，目标检测不仅需要识别图像中是否存在特定类别的物体，还需要确定这些物体在图像中的精确位置。这通常通过在图像上绘制边界框来实现，边界框的坐标和物体的类别是目标检测模型的输出。
源码解读深度：Unet在MRI图像分割中的代码逻辑揭秘
[源码解读深度：Unet在MRI图像分割中的代码逻辑揭秘](https://img-blog.csdnimg.cn/20200518175223320.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3...
Unet训练代码
weixin_46278733的博客
11-29 331
Dataloader的使用、Unet网络的使用。主要内容是Dataset类的使用。二、train训练（包括net）
keras.utils.Sequence使用注意事项
Andy.Wang的博客
03-07 1801
1）在实现自己的DataLoader过程中一般都是继承自keras.utils.Sequence，继承该类必须要实现__len__与__getitem__两个函数。 2）在调用fit_generator进行训练时，如果设置了step_per_epoch参数，则每个epoch训练step_per_epoch个step，每个step有batch_size数据，因此每个epoch共训练step_per...
Unet 实战分割项目、多尺度训练、多类别分割
Henry的博客
02-05 7126
之前写了篇二值图像分割的项目，支持多尺度训练，网络采用backbone为vgg的unet网络。本章实现的unet网络的多类别分割，也就是分割可以是两个类别，也可以是多个类别。训练过程仍然采用多尺度训练，即网络会随机将图片缩放到设定尺寸的0.5-1.5倍之间。
图像分割实战-系列教程5：unet医学细胞分割实战3（医学数据集、图像分割、语义分割、unet网络、代码逐行解读）
机器学习与软件工程
12-31 1922
图像分割实战-系列教程5：unet医学细胞分割实战3（医学数据集、图像分割、语义分割、unet网络、代码逐行解读）
UNet语义分割实战：使用UNet实现对人物的抠图，python项目开发案例五子棋
2401_84139697的博客
04-18 905
如果直接对true_masks做onehot处理，你会发现处理后的shape是[batch, 1, 400, 300，2]，这样就和masks_pred 对不上了，所以在做onehot之前，先将第二维（也就是1这一维度）去掉，这样onehot后的shape是[batch, 400, 300,2],然后调整顺序，和masks_pred 的维度对上。上面的操作执行完后得到。load：加载模型的路径，如果接着上次的训练，就需要设置上次训练的权重文件路径，如果有预训练权重，则设置预训练权重的路径。
UNet 眼底血管分割实战教程
白乐天_ξ( ✿＞◡❛)的博客
09-23 1610
✨🌈💫在医学影像分析领域，准确地分割眼底血管对于眼科疾病的诊断和治疗至关重要。本教程将详细介绍如何利用 UNet 进行眼底血管分割，包括云实例配置、数据集处理以及模型训练和测试。
练习题︱图像分割与识别——UNet网络练习案例（两则）
热门推荐
素质云笔记
04-27 4万+
代码见Github：mattzheng/U-Net-Demo U-Net是Kaggle比赛非常青睐的模型，简单、高效、易懂，容易定制，可以从相对较小的训练集中学习。来看几个变形： （1）Supervise.ly 公司。 在用 Faster-RCNN（基于 NasNet）定位 + UNet-like 架构的分割，来做他们数据众包图像分割方向的主动学习，当时没有使用 Mask...
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