图像分割_区域生长

数字图像处理第七课——区域生长与分裂合并 区域生长通过局部扩展实现分割,适合精细刻画小区域,但依赖人工干预。分裂合并通过全局递归操作实现分割,适合自动化处理大场景,但计算成本较高。实际应用中可结合两者优势(如先用分裂法生成初始区域,再用区域生长优化边界),以提升分割效果。这两类算法体现了 “局部到整体” 与 “整体到局部” 的不同思维。区域生长的人工介入虽限制了自动化,却也赋予了灵活调整的可能,如同在细节处精雕细琢;分裂合并的全局视角则展现了系统化处理的效率,却需在精度上做出妥协。 阅读详情

区域增长方法是根据同一物体区域内象素的相似性质来聚集象素点的方法,从初始区域(如小邻域或甚至于每个象素)开始,将相邻的具有同样性质的象素或其它区域归并到目前的区域中从而逐步增长区域,直至没有可以归并的点或其它小区域为止。区域内象素的相似性度量可以包括平均灰度值、纹理、颜色等信息。

     区域增长方法是一种比较普遍的方法,在没有先验知识可以利用时,可以取得最佳的性能,可以用来分割比较复杂的图象,如自然景物。但是,区域增长方法是一种迭代的方法,空间和时间开销都比较大。

 

区域生长是一种串行区域分割的图像分割方法。区域生长是指从某个像素出发,按照一定的准则,逐步加入邻近像素,当满足一定的条件时,区域生长终止。区域生长的好坏决定于1.初始点(种子点)的选取。2.生长准则。3.终止条件。区域生长是从某个或者某些像素点出发,最后得到整个区域,进而实现目标的提取。

区域生长的原理

区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长起点,然后将种子像素和周围邻域中与种子像素有相同或相似性质的像素(根据某种事先确定的生长或相似准则来判定)合并到种子像素所在的区域中。将这些新像素当作新的种子继续上面的过程,直到没有满足条件的像素可被包括进来。这样一个区域就生长成了。

 图1给出已知种子点进行区域生长的一个示例。图1(a)给出需要分割的图像,设已知两个种子像素(标为深浅不同的灰色方块),现要进行区域生长。设这里采用的判定准则是:如果考虑的像素与种子像素灰度值差的绝对值小于某个门限T,则将该像素包括进种子像素所在的区域。图1(b)给出了T=3时的区域生长结果,整幅图被较好地分成2个区域;图1(c)给出了T=1时的区域生长结果,有些像素无法判定;图1(c)给出了T=6时的区域生长的结果,整幅图都被分在一个区域中了。由此可见门限的选择是很重要的。

 

区域生长是一种古老的图像分割方法,最早的区域生长图像分割方法是由Levine等人提出的。该方法一般有两种方式,一种是先给定图像中要分割的目标物体内的一个小块或者说种子区域(seed point),再在种子区域基础上不断将其周围的像素点以一定的规则加入其中,达到最终将代表该物体的所有像素点结合成一个区域的目的;另一种是先将图像分割成很多的一致性较强,如区域内像素灰度值相同的小区域,再按一定的规则将小区域融合成大区域,达到分割图像的目的,典型的区域生长法如T. C. Pong等人提出的基于小面(facet)模型的区域生长法,区域生长法固有的缺点是往往会造成过度分割,即将图像分割成过多的区域

 

 

区域生长实现的步骤如下:

1. 对图像顺序扫描!找到第1个还没有归属的像素, 设该像素为(x0, y0);

2. 以(x0, y0)为中心, 考虑(x0, y0)的4邻域像素(x, y)如果(x0, y0)满足生长准则, 将(x, y)与(x0, y0)合并(在同一区域内), 同时将(x, y)压入堆栈;

3. 从堆栈中取出一个像素, 把它当作(x0, y0)返回到步骤2;

4. 当堆栈为空时!返回到步骤1;

5. 重复步骤1 - 4直到图像中的每个点都有归属时。生长结束。

 

 

代码:

/*************************************************************************

 *

 * /函数名称:

 *   RegionGrow()

 *

 * /输入参数:

 *   CDib * pDib                     - 指向CDib类的指针,含有原始图象信息

 *   unsigned char * pUnRegion       - 指向区域生长结果的指针

 *

 * /返回值:

 *   无

 *

 * /说明:

 *   pUnRegion指针指向的数据区存储了区域生长的结果,其中(逻辑)表示

 *   对应象素为生长区域,表示为非生长区域

 *   区域生长一般包含三个比较重要的问题:

 *       1. 种子点的选取

 *       2. 生长准则

 *       3. 终止条件

 *   可以认为,这三个问题需要具体分析,而且每个问题解决的好坏直接关系到

 *   区域生长的结果。

 *   本函数的种子点选取为图像的中心,生长准则是相邻象素的象素值小于

 *   nThreshold, ()终止条件是一直进行到再没有满足生长准则需要的象素时为止

 *   

 *************************************************************************

 */

// 在这个代码中,它认为这张图片就是一个区域,选取了中间点为种子点。

void RegionGrow(CDib * pDib, unsigned char * pUnRegion, int nThreshold)

{

     static int nDx[]={-1,0,1,0};

     static int nDy[]={0,1,0,-1};

 

     nThreshold = 20;

 

     // 遍历图象的纵坐标

//   int y;

 

     // 遍历图象的横坐标

//   int x;

 

     // 图象的长宽大小

     CSize sizeImage        = pDib->GetDimensions();

     int nWidth             = sizeImage.cx         ;

     int nHeight            = sizeImage.cy         ;

 

     // 图像在计算机在存储中的实际大小

     CSize sizeImageSave    = pDib->GetDibSaveDim();

 

     // 图像在内存中每一行象素占用的实际空间

     int nSaveWidth = sizeImageSave.cx;

 

     // 初始化

     memset(pUnRegion,0,sizeof(unsigned char)*nWidth*nHeight);

 

     // 种子点

     int nSeedX, nSeedY;

 

     // 设置种子点为图像的中心

     nSeedX = nWidth /2 ;

     nSeedY = nHeight/2 ;

 

     // 定义堆栈,存储坐标

     int * pnGrowQueX ;

     int * pnGrowQueY ;

    

     // 分配空间

     pnGrowQueX = new int [nWidth*nHeight];

     pnGrowQueY = new int [nWidth*nHeight];

 

     // 图像数据的指针

     unsigned char *  pUnchInput =(unsigned char * )pDib->m_lpImage;

    

     // 定义堆栈的起点和终点

     // 当nStart=nEnd, 表示堆栈中只有一个点

     int nStart ;

     int nEnd   ;

 

     //初始化

     nStart = 0 ;

     nEnd   = 0 ;

 

     // 把种子点的坐标压入栈

     pnGrowQueX[nEnd] = nSeedX;

     pnGrowQueY[nEnd] = nSeedY;

 

     // 当前正在处理的象素

     int nCurrX ;

     int nCurrY ;

 

     // 循环控制变量

     int k ;

 

     // 图象的横纵坐标,用来对当前象素的邻域进行遍历

     int xx;

     int yy;

 

     while (nStart<=nEnd)

     {

         // 当前种子点的坐标

         nCurrX = pnGrowQueX[nStart];

         nCurrY = pnGrowQueY[nStart];

 

         // 对当前点的邻域进行遍历

         for (k=0; k<4; k++)   

         {   

              // 4邻域象素的坐标

              xx = nCurrX + nDx[k];

              yy = nCurrY + nDy[k];

             

              // 判断象素(xx,yy) 是否在图像内部

              // 判断象素(xx,yy) 是否已经处理过

              // pUnRegion[yy*nWidth+xx]==0 表示还没有处理

 

              // 生长条件:判断象素(xx,yy)和当前象素(nCurrX,nCurrY) 象素值差的绝对值

              if ( (xx < nWidth) && (xx>=0) && (yy<nHeight) && (yy>=0)

                       && (pUnRegion[yy*nWidth+xx]==0)

                       && abs(pUnchInput[yy*nSaveWidth+xx] - pUnchInput[nCurrY*nSaveWidth+nCurrX])<nThreshold )

              {

                   // 堆栈的尾部指针后移一位

                   nEnd++;

 

                   // 象素(xx,yy) 压入栈

                   pnGrowQueX[nEnd] = xx;

                   pnGrowQueY[nEnd] = yy;

 

                   // 把象素(xx,yy)设置成逻辑()

                   // 同时也表明该象素处理过

                   pUnRegion[yy*nWidth+xx] = 255 ;

              }

         }

         nStart++;

     }

 

     // 释放内存

     delete []pnGrowQueX;

     delete []pnGrowQueY;

    pnGrowQueX = NULL ;

     pnGrowQueY = NULL ;

}

 

该代码的效果不是很好,大概是选择的生长点不是很好吧。

图像分割算法中的区域生长 对于每个队头元素,我们首先将其标记并加入当前区域中,然后获取它的邻居点,并计算当前点与邻居点的颜色相似度。最终,我们计算当前区域的平均颜色,并更新标签。区域生长的基本思想是:从种子点开始,将其邻近的像素点加入到当前区域中,并判断这些像素点与当前区域的相似度。但是,由于其依赖于像素相似度,因此对于颜色比较均匀的区域,可能会出现过度生长的情况,而对于颜色不均匀的区域,则可能会出现欠生长的情况。它的生长准则是:对于当前区域中的每个像素点,如果其与邻近像素点的颜色相似度大于某个阈值,则将该邻近像素点加入当前区域。 阅读详情

相关推荐

多种子区域生长的图像分割

基于多种子区域生长的图像分割区域生长原理步骤:理论基础matlab代码 区域生长原理 步骤: 1.选取区域生长的起始点(种子) 2.确定区域生长的规则 3.确定结束生长的条件 4.寻找符合生长条件的点,纳入生长区域 5.以新纳入的点作为种子,继续步骤4,直到满足结束生长条件 理论基础 图像中同一个物体的像素往往具有一定的相似性,或许表现在颜色上,或许表现在明暗上,特别是在物体的边缘部分,像素的性质会发生比较明显的改变,这个相似性可以做为将其与其他物体区分开来的特征。而区域生长从某一点开始寻找周围与其在某些性

xhxzdxm的博客 3246

区域生长算法原理及MATLAB实现

1. 基于区域生长算法的图像分割原理 数字图像分割算法一般是基于灰度值的两个基本特性之一:不连续性和相似性。前一种性质的应用途径是基于图像灰度的不连续变化分割图像,比如图像的边缘。第二种性质的主要应用途径是依据实现指定的准则将图像分割为相似的区域。区域生长算法就是基于图像的第二种性质,即图像灰度值的相似性。 1.1 基本公式 令R表示整幅图像区域,那么分割可以看成将区域R划分为n个子区域R1

沈春旭的博客 10万+

实现基于区域的图像分割方法-区域生长法

基于区域的图像分割方法 基于区域的分割是以直接寻找区域为基础的分割技术,实际上类似基于边界的图像分割技术一样利用了对象与背景灰度分布的相似性。 基于区域的图像分割方法可以分为四类: 区域生长法 区域分裂与合并 阈值分割 区域合并 区域生长法 区域生长的基本思想是将具有相似性质的像素集中起来构建成分割区域。以一组种子点开始,将与种子性质相似(如灰度级)的领域像素附加到生长区域的每个种子上 算法步骤 a.随机选取图像中的一个像素作为种子像素,并将其表示出来 b.检索种子附近的未被...

段一的博客 9799

基于区域生长的图像分割算法!

图像分割的目的是将图像划分为多个不同的区域,所以我们可以直接从寻找图像中的区域来设计分割算法。区域生长正是一种基于区域寻找的传统图像分割算法。区域生长基本原理区域生长(Region Growth)算法是一种基于区域的传统图像分割算法。区域生长可以根据预先定义的生长规则将像素或者小区域不断组合为更大区域的过程。具体地,区域生长是从一组初始种子点出发,通过预先定义的区域生长规...

weixin_37737254的博客 3万+

区域生长法图像分割的实现方法

本文介绍一种区域生长法进行图像分割的数据组织方式和实现方法,给出了核心代码,可用该方法实现立体匹配中的非法点检测。 区域生长法图像分割是直接根据像素的相似性和连通性来对图像进行聚类的算法。基本原理是,给出若干种子点,然后依次对这些种子点进行如下操作,直到种子点集合为空:判断种子点四邻域或八邻域的像素点是否和种子点相似(灰度相似或其他测度相似),如果相似则将该点加入种子点集合,否则不作处理。 该

VisualMan_whu的专栏 1万+

图像分割之区域生长

区域生长方法是根据同一物体区域内象素的相似性质来聚集象素点的方法,从初始区域(如小邻域或甚至于每个象素)开始,将相邻的具有同样性质的象素或其它区域归并到目前的区域中从而逐步增长区域,直至没有可以归并的点或其它小区域为止。区域内象素的相似性度量可以包括平均灰度值、纹理、颜色等信息。

大山的专栏 3915

图像分割-区域生长

一、图像分割概述 所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域,使得这些特征在同一区域内表现出一致性或相似性,而在不同区域间表现出明显的不同。简单的说就是在一副图像中,把目标从背景中分离出来。 二、简单分类 传统分割方法 1、基于阈值的图像分割 2、基于区域的图像分割 3、基于边缘检测的图像分割 结合特定工具的图像分割算法 1、基于遗传算法的图像分割 2、基于主动轮廓模型的分割方法 3、基于深度学习的分割 三、基于区域...

weixin_62911023的博客 1万+

PCL 区域生长分割【2026最新版】

区域生长算法原理介绍、代码实现以及一个具体实验场景的应用案例进一步实现将分割结果的分类保存至本地文件夹。最近一次更新时间为:2026年5月4日。

点云侠的博客 40万+

【Opencv】图像分割——区域生长

文章目录1 环境2 效果3 原理4 案例 1 环境 Python 3.8.8 PyCharm 2021 opencv-python 2 效果 3 原理   区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长的起点,然后将种子像素周围邻域中与种子像素具有相同或相似性质的像素(根据某种事先确定的生长或相似准则来判定)合并到种子像素所在的区域中。将这些新像素当做新的种子像素继续进行上面的过程,直到再没有满足条件的像素可被包括进来,这样,一个区域就长成

weixin_53598445的博客 1万+

图像分割 - 区域生长

分割的目的是将图像分为多个区域常用的分割方法基于两个属性:不同区域间的灰度不连续性质(Canny边缘检测等等)、相同区域灰度的相似特征(阈值处理、区域生长等等)区域生长就是基于同一区域的灰度相似特性展开的,通过预先设定的生长准则,将像素种子生长到更大区域的过程。基本的方法是,对于一组预设的点(这里称为种子),通过和其周围邻域灰度值比较,满足相同特性的(灰度值差异较小)像素点添加到新的种子,进而增长区域区域生长的步骤为:1. 先定义一组种子。

Henry的博客 2833

图像分割实践:基于区域生长技术

图像分割是计算机视觉和图像处理领域中的一个重要基础任务,它旨在将图像分割成多个具有某种特定特征的区域,以利于后续的图像分析与理解。图像分割的目的是简化或改变图像的表示形式,使之更适合于分析和理解。它在医学影像分析、卫星图像解译、视频监控、自动驾驶车辆等众多领域都有广泛的应用。图像分割方法大致可以分为基于区域的方法、基于边缘的方法和基于特定应用模型的方法。这些方法各有优劣,选择合适的图像分割技术,对于分析结果的准确性与效率有着重要的影响。

weixin_42097508的博客 748

图像分割——区域生长

基于区域的图像分割-----------区域生长 1. 区域生长 区域增长方法是根据同一物体区域内象素的相似性质来聚集象素点的方法,从初始区域(如小邻域或甚至于每个象素)开始,将相邻的具有同样性质的象素或其它区域归并到目前的区域中从而逐步增长区域,直至没有可以归并的点或其它小区域为止。区域内象素的相似性度量可以包括平均灰度值、纹理、颜色等信息。      区域增长方法是一种比较普遍的方法

Jfuck的专栏 3086

区域生长算法在图像分割中的应用

区域生长算法是图像分割中的一种基础而强大的技术,它通过将具有相似性质的像素或子区域组合成更大的区域来实现对图像的分割。其基本思想是将具有相似属性的像素集合起来,以生成相对均质的区域。领域生长算法是图像分割技术中的一种,它通过不断增长的方式,将图像像素划分为不同的区域。在该过程中,相似性度量被用来确定像素间的关联性。以一个预定义的种子点为起点,算法逐步将邻近像素点合并到种子所在的区域中,这一过程依据特定的相似性准则进行,直到满足停止条件。

weixin_35751412的博客 1024

区域生长法图像分割

我们将讨论以区域为基础的图像分割处理技术。传统的区域分割方法有区域生长和区域分裂与合并,其中最基础的是区域生长法。 区域生长法 区域生长是根据事先定义的准则将像素或者子区域聚合成更大区域的过程。其基本思想是从一组生长点开始(生长点可以是单个像素,也可以是某个小区域),将与该生长点性质相似的相邻像素或者区域与生长点合并,形成新的生长点,重复此过程直到不能生长为止。生长点和相似区域的相似性判断依据可以是灰度值、纹理、颜色等图像信息。所以区域生长算法关键有三个: 1、选择合适的生长点 2、确定相似性准则即生长准则

thequitesunshine007的博客 5550

EtherCAT FOE从站开发实战:SSC工具包实现固件在线升级与文件传输

EtherCAT从站开发中,固件在线升级与文件传输是常见需求。FOE(File Access over EtherCAT)作为邮箱通信协议,在实时总线上提供可靠的文件读写通道,与PDO、DC同步共存。其原理基于SM邮箱和状态机,通过SSC工具包可快速启用。技术价值在于无需拆机即可更新固件、导出日志,提升产线效率。应用场景包括伺服驱动器、IO模块等从站的固件升级与参数配置。本文深入讲解从站侧FOE读写实现、主站调用及工程化建议,助力嵌入式工程师高效开发。

weixin_29169899的博客 127

从零构建腾讯滑块验证码破解引擎:逆向工程与实战对抗

本文深入解析腾讯滑块验证码(原天御验证码)的防护机制,包括环境感知层、行为分析层和验证决策层的核心技术。通过JSVMP虚拟机保护、轨迹验证算法和动态加密体系,腾讯验证码实现了高效的人机识别。文章还提供了安全研究实践指南,涵盖环境模拟和验证码识别方案,并探讨了防御对抗的演进趋势与合规研究建议。

rl6adventurer的博客 829

头歌 基于区域的图像分割——区域生长

具体先对每个需要分割的区域找一个种子像素作为生长的起点,然后将种子像素周围邻域中与种子像素具有相同或相似性质的像素(根据某种事先确定的生长或相似准则来判定)合并到种子像素所在的区域中。将这些新像素当做新的种子像素继续进行上面的过程,直到再没有满足条件的像素可被包括进来,这样,一个区域就长成了。它从队列中取出当前的种子点,将其标记为指定的标签,并遍历种子点的八个相邻像素。根据图像的不同应用选择一个或一组种子,它或者是最亮或最暗的点,或者是位于点簇中心的点,当然也可以手动选择种子点。

f3244077856的博客 1636

手把手教你用srec_cat生成带CRC校验的STM32固件(解决OTA常见校验失败问题)

本文针对STM32 OTA升级中常见的固件校验失败问题,提供了一套使用srec_cat工具自动生成带CRC32校验固件的实战解决方案。文章详细拆解了命令参数,指导开发者如何为固件嵌入CRC值、处理地址偏移及合并文件,从而确保Bootloader能可靠校验固件完整性,提升远程更新的稳定性。

kappa的博客 783

图像分割-种子区域生长

https://blog.youkuaiyun.com/DaveBobo/article/details/53283585 区域生长是一种古老的图像分割方法,最早的区域生长图像分割方法是由Levine等人提出的。该方法一般有两种方式,一种是先给定图像中要分割的目标物体内的一个小块或者说种子区域(seed point),再在种子区域基础上不断将其周围的像素点以一定的规则加入其中,达到最终将代表...

diaolvshe1971的博客 1949

面向业务角色的 SAP Fiori Space 与 Page 创建全流程实战指南

业务角色导航设计:从Space与Page规划到实施 摘要:本文探讨了SAP S/4HANA Cloud和BTP ABAP环境中基于业务角色的导航设计方法。传统Fiori Launchpad的Group+Tile模式存在应用堆积问题,而新的Space与Page模型将导航按工作领域(如应付会计、销售代表)组织,每个Space包含多个任务导向的Page。文章详细介绍了从业务角色建模到Space/Page创建、分配的完整流程,包括核心概念解析、规划思路和具体操作步骤。重点阐述了如何根据业务需求选择创建方式(基于预交

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 183

在RStudio中使用GitHub Copilot:代码自动生成,从此告别手敲!

可以通过自定义提示词来引导Copilot生成符合自己需求的代码。再看一个做统计分析的。

Codewar的博客 330

图像分割-区域生长算法的实现

采用区域生长法作为图像分割方法,它的基本原理是将相同特征的像素点归为一类。并且这些特征在针对具体应用的实现中可以是灰度值、像素梯度等(同时作为比较的对象,即可以选择最初的种子,也可以动态选择邻域的中心)。 作为区域增长的起点(种子)的选择同样重要,根据图像的复杂情况,可以选择多个点作为初始值,当有多个种子,在区域增长时,需要考虑相同特征像素点的合并问题。因此最终分割对象的数量要小于等于种子数量。 优缺点分析: 优点:思想相对简单,可以分割出封闭的区域,在复杂环境下有较好的分割效果; 缺点:对噪声敏感,会造

蜗壳X儿 4090

EtherCAT主站SOEM -- 0 -- 该EtherCAT主站SOEM专栏后续安排

SOEM(Simple Open EtherCAT Master)是一个开源的EtherCAT主站库,允许开发者构建自定义的EtherCAT主站应用程序。EtherCAT是一种实时以太网通信协议,广泛应用于工业自动化和机器控制领域。开源性质:SOEM是一个开源项目,这意味着开发者可以自由地查看、修改和分发代码。这使其成为工业自动化领域的一个强大工具,可以根据具体需求进行定制。EtherCAT主站实现:SOEM库提供了一个完整的EtherCAT主站实现,允许主站与多个EtherCAT从站设备进行通信。

常驻客栈的博客--嵌入式EtherCAT 6664

图像分割——区域生长法

原文地址:[转载]图像分割——区域生长法作者:小腹黑zju 原文出处:http://blog.youkuaiyun.com/cay22/article/details/5666091       区域生长方法是根据同一物体区域内象素的相似性质来聚集象素点的方法,从初始区域(如小邻域或甚至于每个象素)开始,将相邻的具有同样性质的象素或其它区域归并到目前的区域中从而逐步增长区域,直至没有可以

Eddy的博客 3万+

海思Hi3519A开发:DSP开发指南

通过创建DSP项目、实现算法、编译调试等步骤,开发者可以充分利用Hi3519A芯片集成的DSP,实现各种音视频处理功能。通过以上示例,我们可以看到在Hi3519A开发平台上进行DSP开发是一项强大而灵活的任务。在调试过程中,可以使用调试工具提供的功能,如断点设置、变量查看等,以便更好地理解和优化DSP算法的执行过程。在Hi3519A开发平台上,我们可以利用DSP的高性能计算能力来加速这些算法的执行。在实际的DSP开发中,算法的实现可能更加复杂,需要结合具体的项目需求进行。3.2 DSP算法实现。

QoTypescript的博客 1494

Vue3 + uniapp 踩坑:iOS 真机调试一直报错Maximum call stack size exceeded,和(in promise)MiniProgramError err的解决方法

不是你写错代码,是微信开发工具和 iOS 真机调试的兼容问题。开个空项目都报错,勾个设置就没问题,不是你,是工具的锅。

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 1266
上一篇: 图像分割_区域分裂合并
下一篇: 从零使用OpenCV快速实现简单车牌识别系统
淡淡的生活
博客等级 码龄16年 341粉丝 8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