点云处理系列 - 点云特征提取

最新推荐文章于 2026-04-18 10:01:46 发布
原创 最新推荐文章于 2026-04-18 10:01:46 发布 · 1.8k 阅读 · 19 ·
本内容遵循CC 4.0 BY-SA版权协议
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。
标签
#算法 #自动驾驶 #人工智能 #点云处理

文章目录

1. 点云特征与关键点的区别？

关键点提取关键的一些点，旨在减少数据量；而特征提取旨在为每个点提供一个可用于后续任务的描述。

通常点云特征与关键点结合使用。

2. 特征提取算法

注意： 本数据单位为mm，通常数据单位为m，取半径之类得参数要除1000

  • 法线估计 ： 每一个点的位置都有垂直于点表面的的矢量，但是这种方式比较耗时

  • SHOT

  • PFH 点特征直方图

  • FPFH 快速点特征直方图

  • VFH

2.1. 法线估计

每一个点的位置都有垂直于点表面的的矢量，但是这种方式比较耗时。

2.1.1. PCL 中的实例

#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/features/normal_3d.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/kdtree/kdtree_flann.h>

int main() 
{
    // 1. Load Point Cloud from PCD file
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>());
    pcl::io::loadPCDFile("second_radius_cloud.pcd", *cloud);

    // 2. Setup the normal estimation
    pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> normal_estimation;
    normal_estimation.setInputCloud(cloud);
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
    normal_estimation.setSearchMethod(tree);
    normal_estimation.setRadiusSearch(30);
    
    // 3. Compute the normals
    pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>());
    normal_estimation.compute(*normals);

    // 4. Visualization
    pcl::visualization::PCLVisualizer viewer("Normals Viewer");
    viewer.setBackgroundColor(0, 0, 0);
    viewer.addPointCloud<pcl::PointXYZ>(cloud, "cloud");
    viewer.addPointCloudNormals<pcl::PointXYZ, pcl::Normal>(cloud, normals, 10, 50, "normals");
    viewer.initCameraParameters();
    viewer.saveScreenshot("screenshot.png");
    viewer.spin();

    return 0;
    
}

在这里插入图片描述

2.2. SHOT

每一个点的位置都有垂直于点表面的的矢量，但是这种方式比较耗时。

2.2.1. PCL 中的实例

在这里可视化了shot的前三个维度。


#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/features/normal_3d.h>
#include <pcl/features/shot.h>
#include <pcl/visualization/pcl_visualizer.h>

int main() 
{
    // Load Point Cloud from PCD file
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>());
    pcl::io::loadPCDFile("second_radius_cloud.pcd", *cloud);

    // Compute Normals
    pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> normal_estimation;
    pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>());
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
    normal_estimation.setInputCloud(cloud);
    normal_estimation.setSearchMethod(tree);
    normal_estimation.setRadiusSearch(30);
    normal_estimation.compute(*normals);

    // Compute SHOT descriptors
    pcl::SHOTEstimation<pcl::PointXYZ, pcl::Normal, pcl::SHOT352> shot;
    pcl::PointCloud<pcl::SHOT352>::Ptr shot_descriptors(new pcl::PointCloud<pcl::SHOT352>());
    shot.setInputCloud(cloud);
    shot.setInputNormals(normals);
    shot.setRadiusSearch(3);
    shot.compute(*shot_descriptors);
    
    // Convert SHOT values to colors
    pcl::PointCloud<pcl::PointXYZRGB>::Ptr colored_cloud(new pcl::PointCloud<pcl::PointXYZRGB>());
    colored_cloud->resize(cloud->size());
    for (size_t i = 0; i < cloud->size(); ++i)
    {
        pcl::PointXYZRGB point;
        point.x = (*cloud)[i].x;
        point.y = (*cloud)[i].y;
        point.z = (*cloud)[i].z;

        // Use the first three dimensions of the SHOT descriptor to color the point
        point.r = static_cast<uint8_t>(255 * std::min(1.0f, shot_descriptors->points[i].descriptor[0]));
        point.g = static_cast<uint8_t>(255 * std::min(1.0f, shot_descriptors->points[i].descriptor[1]));
        point.b = static_cast<uint8_t>(255 * std::min(1.0f, shot_descriptors->points[i].descriptor[2]));

        colored_cloud->points[i] = point;
    }
    
    // Visualization
    pcl::visualization::PCLVisualizer viewer("SHOT Features Viewer");
    viewer.setBackgroundColor(0, 0, 0);
    viewer.addPointCloud<pcl::PointXYZRGB>(colored_cloud, "colored cloud"););
    viewer.spin();

    return 0;
}

在这里插入图片描述

2.3. PFH 点特征直方图

PFH (Point Feature Histograms, PFH，点特征直方图) 通过参数化查询点与邻域点之间的空间差异，并形成一个多维直方图对点的k邻域几何属性进行描述。直方图所在的高维超空间为特征表示提供了一个可度量的信息空间，对点云对应曲面的6维姿态来说它具有不变性，并且在不同的采样密度或邻域的噪音等级下具有鲁棒性。点特征直方图（PFH）表示法是基于点与其k邻域之间的关系以及它们的估计法线，简言之，它考虑估计法线方向之间所有的相互作用，试图捕获最好的样本表面变化情况，以描述样本的几何特征。

2.3.1. PCL 中的实例

#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/features/normal_3d.h>
#include <pcl/features/pfh.h>
#include <pcl/kdtree/kdtree_flann.h>
#include <pcl/visualization/pcl_visualizer.h>

int main() 
{
    // 1. Load Point Cloud from PCD file
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>());
    pcl::io::loadPCDFile("second_radius_cloud.pcd", *cloud);

    // 2. Compute the normals
    pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> normal_estimation;
    normal_estimation.setInputCloud(cloud);
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
    normal_estimation.setSearchMethod(tree);
    normal_estimation.setRadiusSearch(30);
    pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>());
    normal_estimation.compute(*normals);
    // 3. Compute PFH descriptors
    pcl::PFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::PFHSignature125> pfh_estimation;
    pfh_estimation.setInputCloud(cloud);
    pfh_estimation.setInputNormals(normals);
    pfh_estimation.setSearchMethod(tree);
    pfh_estimation.setRadiusSearch(80);
    pcl::PointCloud<pcl::PFHSignature125>::Ptr pfhs(new pcl::PointCloud<pcl::PFHSignature125>());
    pfh_estimation.compute(*pfhs);
    // 4. Convert PFH values to colors for visualization
    pcl::PointCloud<pcl::PointXYZRGB>::Ptr colored_cloud(new pcl::PointCloud<pcl::PointXYZRGB>());
    colored_cloud->resize(cloud->size());
    for (size_t i = 0; i < cloud->size(); ++i) {
        pcl::PointXYZRGB point;
        point.x = (*cloud)[i].x;
        point.y = (*cloud)[i].y;
        point.z = (*cloud)[i].z;

        // Use the first dimension of the PFH descriptor to color the point
        point.r = static_cast<uint8_t>(255 * std::min(1.0f, pfhs->points[i].histogram[0] / 100.0f));
        point.g = 0;
        point.b = 0;

        colored_cloud->points[i] = point;
    }
    // 5. Visualization
    pcl::visualization::PCLVisualizer viewer("PFH Visualization");
    viewer.setBackgroundColor(0, 0, 0);
    viewer.addPointCloud<pcl::PointXYZRGB>(colored_cloud, "colored cloud");
    viewer.spin();
    return 0;
}
2.4. FPFH 快速点特征直方图
2.4.1. PCL 中的实例

快速点特征直方图(Fast Point Feature Histograms, FPFH)是PFH计算方式的简化形式。它的思想在于分别计算查询点的k邻域中每一个点的简化点特征直方图(Simplified Point Feature Histogram,SPFH)，再通过一个公式将所有的SPFH加权成最后的快速点特征直方图。FPFH把算法的计算复杂度降低到了O(nk) ，但是仍然保留了PFH大部分的识别特性。


#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/features/normal_3d.h>
#include <pcl/features/fpfh.h>
#include <pcl/kdtree/kdtree_flann.h>
#include <pcl/visualization/pcl_visualizer.h>

int main() {
    // 1. Load Point Cloud from PCD file
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>());
    pcl::io::loadPCDFile("second_radius_cloud.pcd", *cloud);

    // 2. Compute the normals
    pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> normal_estimation;
    normal_estimation.setInputCloud(cloud);
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
    normal_estimation.setSearchMethod(tree);
    normal_estimation.setRadiusSearch(300);
    pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>());
    normal_estimation.compute(*normals);

    // 3. Compute FPFH descriptors
    pcl::FPFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::FPFHSignature33> fpfh_estimation;
    fpfh_estimation.setInputCloud(cloud);
    fpfh_estimation.setInputNormals(normals);
    fpfh_estimation.setSearchMethod(tree);
    fpfh_estimation.setRadiusSearch(500);
    pcl::PointCloud<pcl::FPFHSignature33>::Ptr fpfhs(new pcl::PointCloud<pcl::FPFHSignature33>());
    fpfh_estimation.compute(*fpfhs);

    // 4. Convert FPFH values to colors for visualization
    pcl::PointCloud<pcl::PointXYZRGB>::Ptr colored_cloud(new pcl::PointCloud<pcl::PointXYZRGB>());
    colored_cloud->resize(cloud->size());
    for (size_t i = 0; i < cloud->size(); ++i) {
        pcl::PointXYZRGB point;
        point.x = (*cloud)[i].x;
        point.y = (*cloud)[i].y;
        point.z = (*cloud)[i].z;

        // Use the first dimension of the FPFH descriptor to color the point
        point.r = static_cast<uint8_t>(255 * std::min(1.0f, fpfhs->points[i].histogram[0] / 100.0f));
        point.g = 0;
        point.b = 0;

        colored_cloud->points[i] = point;
    }

    // 5. Visualization
    boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("FPFH Visualization"));
    viewer->setBackgroundColor(0, 0, 0);
    viewer->addPointCloud<pcl::PointXYZRGB>(colored_cloud, "colored cloud");
    viewer->spin();

    return 0;
}
2.5. VFH

FPFH有很好的速度和辨别能力，VFH在此基础上添加视点方差，同时保持尺度不变性。

2.5.1. PCL 中的实例

#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/features/normal_3d.h>
#include <pcl/features/vfh.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <sstream>

int main()
 {
 
    // 1. Load Point Cloud from PCD file
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>());
    pcl::io::loadPCDFile("second_radius_cloud.pcd", *cloud);

    // 2. Compute the normals
    pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> normal_estimation;
    normal_estimation.setInputCloud(cloud);
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
    normal_estimation.setSearchMethod(tree);
    normal_estimation.setRadiusSearch(30);
    pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>());
    normal_estimation.compute(*normals);

    // 3. Compute VFH descriptors
    pcl::VFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::VFHSignature308> vfh_estimation;
    vfh_estimation.setInputCloud(cloud);
    vfh_estimation.setInputNormals(normals);
    vfh_estimation.setSearchMethod(tree);
    pcl::PointCloud<pcl::VFHSignature308>::Ptr vfhs(new pcl::PointCloud<pcl::VFHSignature308>());
    vfh_estimation.compute(*vfhs);

    // 4. Visualization
    boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("VFH Visualization"));
    viewer->setBackgroundColor(0, 0, 0);
    viewer->addPointCloud<pcl::PointXYZ>(cloud, "cloud");

    // Display some VFH dimensions as text
    for (size_t i = 0; i < 5; ++i) {
        std::stringstream ss;
        ss << "VFH value at dim " << i << ": " << vfhs->points[0].histogram[i];
        viewer->addText(ss.str(), 10, 20 + i * 20, 20, 1.0, 1.0, 1.0, "vfh_val" + std::to_string(i));
    }
    viewer->spin();

    return 0;
}
Python点云处理（五）点云特征点/关键点提取算法（上）
weixin_43894929的博客
08-03 5343
点云关键点提取是指从一个点云数据集中提取出一些重要的点，以便用于后续的点云分析和处理。在点云处理中，关键点通常包括高曲率点、边缘点、拐角点等。这些点具有重要的特征信息，可以用于描述点云的局部形状和结构。点云关键点提取的方法主要有两种：基于特征的方法和基于密度的方法。基于特征的方法是利用点云中的曲率、表面法向量等特征来提取关键点，而基于密度的方法则是通过计算点云中每个点周围的密度来提取关键点。在实际应用中，点云关键点提取通常是点云处理的第一步，它可以用于点云配准、建模、分割等各种应用场景。
【点云处理进阶必看】：3种主流特征提取方法对比与性能优化策略
LogicShoal的博客
12-14 1039
掌握点云的特征提取核心技术，提升三维数据处理效率。对比分析SHOT、FPFH与深度学习3种主流方法，涵盖室内外建模、自动驾驶等应用场景，突出精度、速度与鲁棒性优势。性能优化策略助力算法落地，值得收藏。
点云特征提取及分类、VFH、SVM、CNN
热门推荐
人生得意须尽欢
12-28 3万+
数据与特征决定了机器学习的上限， 模型/算法/参数只是来逼近这个上限。 0: 分类方式 按照特征的物理属性，可以将特征分为：几何域，强度域。 按照特征的空间尺度，可以分为：单点特征，局部特征，全局特征。 1：传统特征 单点特征 主要有：三维坐标（X, Y, Z）, 回波强度 Intensity, 法线 （Nx，Ny，Nz），主曲率（PCx, PCy, PCz, 及两个特征值 PC1, PC2） 局部特征 （一）几何域 局部特征常见的有各种几何特征描述子：PFH，FPFH，SHOT，C-SHOT，RSD，3D
A-LOAM进阶教程：如何实现自定义特征提取算法
最新发布
gitblog_00526的博客
04-18 632
A-LOAM（Advanced implementation of LOAM）是激光雷达里程计与建图的高级实现方案，其核心在于通过高效的特征提取算法实现实时定位与地图构建。本文将详细介绍如何在A-LOAM框架中实现自定义特征提取算法，帮助开发者根据特定场景需求优化点云处理流程。 ## 特征提取在A-LOAM中的核心作用 🚀 特征提取是A-LOAM的基础模块，负责从原始点云中识别出具有几何意义
点云序列时序特征提取方法整理
qq_37497304的博客
09-18 5703
对于连续的点云序列，点云在空间上是无序的，但在时间上是有序的。由于空间上的无序性，传统卷积无法直接应用于原始点云，因此时序点云特征提取方法可以分为基于体素分割的方法和基于原始点云的方法。本文对一些论文中点云时空特征提取方法做出一些总结。
点云处理【五】(点云特征提取)
略知12的博客
10-20 5564
PFH通过参数化查询点与邻域点之间的空间差异，并形成一个多维直方图对点的k邻域几何属性进行描述。点特征直方图（PFH）表示法是基于点与其k邻域之间的关系以及它们的估计法线，简言之，它考虑估计法线方向之间所有的相互作用，试图捕获最好的样本表面变化情况，以描述样本的几何特征。它的思想在于分别计算查询点的k邻域中每一个点的简化点特征直方图(Simplified Point Feature Histogram,SPFH)，再通过一个公式将所有的SPFH加权成最后的快速点特征直方图。通常点云特征与关键点结合使用。
PCL中3D点云特征描述与提取（三）
Roar冷颜的博客
10-13 5379
PCL中3D点云特征描述与提取（三）1 如何从一个深度图像中提取NARF特征 1 如何从一个深度图像中提取NARF特征   本小节将演示如何从一个深度图像中提取NARF特征点位置的NARF特征描述子。可执行程序能够加载一个点云（如果用户没有给定，则自动创建随机点云），从中提取特征点，然后在这些位置估算特征描述子，接着在一个深度图像和三维视图中可视化这些特征点位置。   首先创建一个工作空间narf_keypoint_extraction，然后再在工作空间创建一个文件夹src用于存放源代码： mkdir -p
legoloam系列算法之点云处理与特征提取
qq_42700518的博客
08-12 3478
lins和legoloam lins和lego_loam的点云预处理环节是一样的, legoloam 在 imageProjection.cpp中完成, 而 lins 在image_projection_node.cpp中完成.
MATLAB点云处理函数整理
qq_27353621的博客
10-12 6064
MATLAB点云处理函数整理
巨浪宏海文化PCL点云处理是什么
jlhh123的博客
07-03 143
总结起来，PCL点云处理是一套功能强大的开源库，通过使用其中的算法和工具，可以高效地对点云数据进行处理和分析，实现各种三维视觉和机器人应用。1. 点云滤波：点云数据通常会受到噪声的干扰，而点云滤波可以去除这些噪声，提取出真实的目标信息。2. 特征提取：点云中的每个点都包含着丰富的信息，PCL提供了多种特征提取方法，如法线估计、表面曲率计算等，可以从点云数据中提取出有用的特征。除了以上功能外，PCL还支持点云数据的可视化、文件读写、点云重建等操作，为用户提供了全面的点云处理解决方案。PCL点云处理是什么？
PointNN：一种无参数化的高效点云特征提取方法
soaring_casia的专栏
04-12 2687
本文需要一些三维点云相关基础，非常适合深蓝学院修过相关课程的同学阅读。
点云空洞的边界识别提取 pso-bp 神经网络的模型来修复点云空洞 附python代码
三维点云技术探索
12-18 503
`sklearn.model_selection`和`sklearn.preprocessing`：用于数据分割和预处理。- `prepare_dataset_with_hole_interior`：准备包含孔洞内部点的数据集。- `detect_hole_regions_with_threshold`：使用阈值检测孔洞区域。- `visualize_point_cloud_with_holes`：可视化带有孔洞标记的点云。- `extract_feature_for_point`：为给定点提取特征。
PCL 点云特征描述与提取
3D视觉工坊
04-28 7444
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者：开着拖拉机唱山歌链接：https://zhuanlan.zhihu.com/p/103219268本文转载自知乎，作者已授权，...
PCL中3D点云特征描述与提取（一）
Roar冷颜的博客
10-12 1万+
PCL中3D点云特征描述与提取1 特征描述与提取的概念及相关算法1.1 3D形状内容描述子1.2 旋转图像（Spin Images）1.3 PCL中特征描述与提取模块及类2 点云特征描述与提取入门级实例解析2.1 PCL中描述三维特征相关基础2.1.1 理论基础   3D点云特征描述与提取是点云信息处理中最基础也是最关键的一部分，点云的识别、分割、重采样、配准、曲面重建等处理的大部分算法，都严重依赖特征描述与提取的结果。从尺度上来分，一般分为局部特征描述和全局特征描述，例如局部的法线等几何形状特征
PCL从理解到应用【09】 点云特征 | 关键点提取 | 方法汇总
黎国溥
08-03 5370
在PCL中，有多种方法和函数可以用来提取点云特征，本文介绍关键点提取。提取点云关键点，本文介绍的方法包括：SIFT、Harris、NARF、ISS和SUSAN。Harris 提取点云关键点，效果如下图所示：白色点是原始的点云（兔子），绿色点是Harris提取的点云关键点。对比一下5种点云关键点算法，如下表格所示：方法简介特点时间复杂度优点缺点SIFT基于尺度不变特征变换，检测不同尺度和旋转不变的关键点尺度不变性、旋转不变性高在尺度和旋转变化下稳定，对噪声有较强的鲁棒性。
PCL点云特征描述与提取
weixin_44485812的博客
01-23 5910
局部描述子（local descriptor） 在原始表示形式下，点的定义是用笛卡尔坐标系坐标x,y,z相对于一个给定的原点来简单表示的三维映射系统的概念。假定坐标系的原点不随着时间而改变，这里有两个点p1和p2，分别在时间t1和t2捕获，有着相同的坐标。 虽然相对于一些距离测度（如：欧几里得度量）它们是相等的。但是它们取样于完全不同的表面，因此当把它们和邻近的其他环境中的点放在一起时，它们表达着完全不同的信息，这是因为在t1和t2之间局部环境有可能发生改变。 因此作为一个单一实体的三维点概念和笛卡尔坐标系
3D点云处理步骤简述
weixin_43802726的博客
01-24 2205
9 编写网络模型文件pointnet/pointpillar.py，继承torch.nn.module 组合网络模型 sequential，包括forward ，epoch训练模型方法model.train()，保存.pt 模型权重文件。10 编写demo推理测试文件，加载数据集Dataloader()，遍历数据集进行推理model.eval()，输出推理结果，语义分割结果。3 可以计算点云法向量，和点云FPFH特征进行点云过滤和特征提取，也可以进行ICP配准，或点云融合。
点云相关整理
u011489887的专栏
05-31 154
点云相关整理
PCL点云库学习笔记（文章链接汇总）
qq_42994487的博客
05-11 2384
PCL点云库学习笔记（文章链接汇总）
从传统几何到深度网络：3D点云处理的技术演进与实战解析
weixin_28224217的博客
03-13 169
本文系统解析了3D点云处理从传统几何方法到深度学习网络的技术演进。传统方法依赖手工特征与几何计算，而深度学习模型如PointNet、PointNet++等实现了端到端的特征学习与语义理解。文章通过实战对比，揭示了两种范式在分割任务上的优劣，并探讨了未来融合几何先验与深度学习、多模态融合等前沿趋势。
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

Adunn

你的鼓励将是我创作的最大动力

¥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