图像处理入门基础(OpenCV)

最新推荐文章于 2025-06-09 12:38:12 发布
原创 最新推荐文章于 2025-06-09 12:38:12 发布 · 2.8k 阅读 · 21
标签
#paddlepaddle #opencv #cv
本文介绍了OpenCV库的基础和进阶操作，包括图像处理的概念、像素、分辨率，以及如何加载和保存图片。进一步讲解了OpenCV的图像基本操作，如ROI、通道分割、颜色空间转换、阈值分割、几何变换和图像滤波。最后提到了Canny边缘检测、形态学操作，以及使用OpenCV处理摄像头和视频。文章适合图像处理初学者，旨在帮助理解OpenCV的基本功能和操作。

文章目录

图像处理入门基础(OpenCV)

引言

OpenCV是计算机视觉中经典的专用库，其支持多语言、跨平台，功能强大。OpenCV-Python为OpenCV提供了Python接口，使得使用者在Python中能够调用C/C++，在保证易读性和运行效率的前提下，实现所需的功能。

本章节主要介绍基于OpenCV的基础和进阶操作。

1. OpenCV库基础操作

图像处理的概念与基本操作

图片、GIF、视频




趣味视频项目

像素：画面中最小的点

分辨率=画面水平方向的像素值 * 画面垂直方向的像素值

屏幕分辨率

例如，屏幕分辨率是1024×768，也就是说设备屏幕的水平方向上有1024个像素点，垂直方向上有768个像素点。像素的大小是没有固定长度的，不同设备上一个单位像素色块的大小是不一样的。

例如，尺寸面积大小相同的两块屏幕，分辨率大小可以是不一样的，分辨率高的屏幕上面像素点（色块）就多，所以屏幕内可以展示的画面就更细致，单个色块面积更小。而分辨率低的屏幕上像素点（色块）更少，单个像素面积更大，可以显示的画面就没那么细致。

图像分辨率

例如，一张图片分辨率是500x200，也就是说这张图片在屏幕上按1:1放大时，水平方向有500个像素点（色块），垂直方向有200个像素点（色块）。

在同一台设备上，图片分辨率越高，这张图片1:1放大时，图片面积越大；图片分辨率越低，这张图片1:1缩放时，图片面积越小。（可以理解为图片的像素点和屏幕的像素点是一个一个对应的）。

但是，在屏幕上把图片超过100%放大时，为什么图片上像素色块也变的越大，其实是设备通过算法对图像进行了像素补足，我们把图片放的很大后看到的一块一块的方格子，虽然理解为一个图像像素，但是其实是已经补充了很多个屏幕像素；同理，把图片小于100%缩小时，也是通过算法将图片像素进行减少。

file

图像的基本概念

使用OpenCV加载并保存图片

  • 加载图片，显示图片，保存图片
  • OpenCV函数：cv2.imread(), cv2.imshow(), cv2.imwrite()

说明

大部分人可能都知道电脑上的彩色图是以RGB(红-绿-蓝，Red-Green-Blue)颜色模式显示的，但OpenCV中彩色图是以B-G-R通道顺序存储的，灰度图只有一个通道。

OpenCV默认使用BGR格式，而RGB和BGR的颜色转换不同，即使转换为灰度也是如此。一些开发人员认为R+G+B/3对于灰度是正确的，但最佳灰度值称为亮度（luminosity），并且具有公式：0.21R+0.72G+0.07*B

图像坐标的起始点是在左上角，所以行对应的是y，列对应的是x。

加载图片

使用cv2.imread()来读入一张图片：

  • 参数1：图片的文件名

    • 如果图片放在当前文件夹下，直接写文件名就行了，如’lena.jpg’
    • 否则需要给出绝对路径，如’D:\OpenCVSamples\lena.jpg’

  • 参数2：读入方式，省略即采用默认值

    • cv2.IMREAD_COLOR：彩色图，默认值(1)
    • cv2.IMREAD_GRAYSCALE：灰度图(0)
    • cv2.IMREAD_UNCHANGED：包含透明通道的彩色图(-1)

经验之谈：路径中不能有中文噢，并且没有加载成功的话是不会报错的，print(img)的结果为None，后面处理才会报错，算是个小坑。

%matplotlib inline
import numpy as np
import cv2
import matplotlib.pyplot as plt

# 加载彩色图
img = cv2.imread('lena.jpg', 1)
# 将彩色图的BGR通道顺序转成RGB
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# 显示图片
plt.imshow(img)

<matplotlib.image.AxesImage at 0x7ff1b039ef90>

在这里插入图片描述

# 打印图片的形状
print(img.shape)
# 形状中包括行数、列数和通道数
height, width, channels = img.shape
# img是灰度图的话：height, width = img.shape

(350, 350, 3)

# 加载灰度图
img = cv2.imread('lena.jpg', 0)
# 将彩色图的BGR通道顺序转成RGB
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
plt.imshow(img)
img.shape

(350, 350, 3)

在这里插入图片描述

# 加载彩色图
img = cv2.imread('lena.jpg', 1)
# 将彩色图的BGR通道直接转为灰度图
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
plt.imshow(img,'gray')
img.shape

(350, 350)

在这里插入图片描述

# 加载灰度图
img = cv2.imread('lena.jpg', 0)
# 显示这张灰度图
plt.imshow(img,'gray')
img.shape

(350, 350)

在这里插入图片描述

# 查看一下plt.imshow的用法
# ?plt.imshow

# 加载四通道图片
img = cv2.imread('cat.png',-1)
# 将彩色图的BGR通道顺序转成RGB，注意，在这一步直接丢掉了alpha通道
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
plt.imshow(img)
img.shape

(2180, 1911, 3)

在这里插入图片描述

img = cv2.imread('cat.png',-1)
# 和上图对比一下
plt.imshow(img)
img.shape

(2180, 1911, 4)

在这里插入图片描述

# 加载彩色图
img = cv2.imread('cat.png',1)
# 不转颜色通道
plt.imshow(img)
img.shape

(2180, 1911, 3)

在这里插入图片描述

img = cv2.imread('cat.png', 1)
# 转颜色通道为RGB
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
plt.imshow(img)
img.shape

(2180, 1911, 3)

在这里插入图片描述

2. OpenCV库进阶操作

import math
import random
import numpy as np
%matplotlib inline
import cv2
import matplotlib.pyplot as plt

# 创建一副图片
img = cv2.imread('cat.png')
# 转换颜色通道
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

图像基本操作

学习ROI感兴趣区域，通道分离合并等基本操作。

ROI

ROI：Region of Interest，感兴趣区域。。

截取ROI非常简单，指定图片的范围即可

# 截取猫脸ROI
face = img[0:740, 400:1000]
plt.imshow(face)

<matplotlib.image.AxesImage at 0x7fe9482bca50>

在这里插入图片描述

通道分割与合并

彩色图的BGR三个通道是可以分开单独访问的，也可以将单独的三个通道合并成一副图像。分别使用cv2.split()和cv2.merge()：

# 创建一副图片
img = cv2.imread('lena.jpg')

# 通道分割
b, g, r = cv2.split(img)

# 通道合并
img = cv2.merge((b, g, r))

img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
plt.imshow(img)

<matplotlib.image.AxesImage at 0x7fe9157166d0>

在这里插入图片描述

RGB_Image=cv2.merge([b,g,r])
RGB_Image = cv2.cvtColor(RGB_Image, cv2.COLOR_BGR2RGB)
plt.figure(figsize=(12,12))
#显示各通道信息
plt.subplot(141)
plt.imshow(RGB_Image,'gray')
plt.title('RGB_Image')
plt.subplot(142)
plt.imshow(r,'gray')
plt.title('R_Channel')
plt.subplot(143)
plt.imshow(g,'gray')
plt.title('G_Channel')
plt.subplot(144)
plt.imshow(b,'gray')
plt.title('B_Channel')

Text(0.5,1,'B_Channel')

在这里插入图片描述

颜色空间转换

最常用的颜色空间转换如下：

  • RGB或BGR到灰度（COLOR_RGB2GRAY，COLOR_BGR2GRAY）
  • RGB或BGR到YcrCb（或YCC）（COLOR_RGB2YCrCb，COLOR_BGR2YCrCb）
  • RGB或BGR到HSV（COLOR_RGB2HSV，COLOR_BGR2HSV）
  • RGB或BGR到Luv（COLOR_RGB2Luv，COLOR_BGR2Luv）
  • 灰度到RGB或BGR（COLOR_GRAY2RGB，COLOR_GRAY2BGR）

经验之谈：颜色转换其实是数学运算，如灰度化最常用的是：gray=R*0.299+G*0.587+B*0.114。

参考资料：OpenCV中的颜色空间

img = cv2.imread('lena.jpg')
# 转换为灰度图
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 保存灰度图
cv2.imwrite('img_gray.jpg', img_gray)

True

特定颜色物体追踪

HSV是一个常用于颜色识别的模型，相比BGR更易区分颜色，转换模式用COLOR_BGR2HSV表示。

经验之谈：OpenCV中色调H范围为[0,179]，饱和度S是[0,255]，明度V是[0,255]。虽然H的理论数值是0°~360°，但8位图像像素点的最大值是255，所以OpenCV中除以了2，某些软件可能使用不同的尺度表示，所以同其他软件混用时，记得归一化。

相关参考知识：

https://pic4.zhimg.com/v2-e9f9c843e7d60e8f7aa7de1cd61d1818_1440w.jpg?source=172ae18b

现在，我们实现一个使用HSV来只显示视频中蓝色物体的例子，步骤如下：

  1. 捕获视频中的一帧
  2. 从BGR转换到HSV
  3. 提取蓝色范围的物体
  4. 只显示蓝色物体
# 加载一张有天空的图片
sky = cv2.imread('sky.jpg')

# 蓝色的范围，不同光照条件下不一样，可灵活调整
lower_blue = np.array([15, 60, 60])
upper_blue = np.array([130, 255, 255])

# 从BGR转换到HSV
hsv = cv2.cvtColor(sky, cv2.COLOR_BGR2HSV)
# inRange()：介于lower/upper之间的为白色，其余黑色
mask = cv2.inRange(sky, lower_blue, upper_blue)
# 只保留原图中的蓝色部分
res = cv2.bitwise_and(sky, sky, mask=mask)

# 保存颜色分割结果
cv2.imwrite('res.jpg', res)

True

res = cv2.imread('res.jpg')
res = cv2.cvtColor(res, cv2.COLOR_BGR2RGB)
plt.imshow(res)

<matplotlib.image.AxesImage at 0x7fe915509110>

在这里插入图片描述

其中，bitwise_and()函数暂时不用管，后面会讲到。那蓝色的HSV值的上下限lower和upper范围是怎么得到的呢？其实很简单，我们先把标准蓝色的BGR值用cvtColor()转换下：

blue = np.uint8([[[255, 0, 0]]])
hsv_blue = cv2.cvtColor(blue, cv2.COLOR_BGR2HSV)
print(hsv_blue)

[[[120 255 255]]]

结果是[120, 255, 255]，所以，我们把蓝色的范围调整成了上面代码那样。

经验之谈：Lab颜色空间也经常用来做颜色识别，有兴趣的同学可以了解下。

阈值分割

  • 使用固定阈值、自适应阈值和Otsu阈值法"二值化"图像
  • OpenCV函数：cv2.threshold(), cv2.adaptiveThreshold()

固定阈值分割

固定阈值分割很直接，一句话说就是像素点值大于阈值变成一类值，小于阈值变成另一类值。

cv2.threshold()用来实现阈值分割，ret是return value缩写，代表当前的阈值。函数有4个参数：

  • 参数1：要处理的原图，一般是灰度图
  • 参数2：设定的阈值
  • 参数3：最大阈值，一般为255
  • 参数4：阈值的方式，主要有5种，详情：ThresholdTypes
    • 0: THRESH_BINARY 当前点值大于阈值时，取Maxval,也就是第四个参数，否则设置为0
    • 1: THRESH_BINARY_INV 当前点值大于阈值时，设置为0，否则设置为Maxval
    • 2: THRESH_TRUNC 当前点值大于阈值时，设置为阈值，否则不改变
    • 3: THRESH_TOZERO 当前点值大于阈值时，不改变，否则设置为0
    • 4:THRESH_TOZERO_INV 当前点值大于阈值时，设置为0，否则不改变

参考资料：基于opencv的固定阈值分割_自适应阈值分割

import cv2

# 灰度图读入
img = cv2.imread('lena.jpg', 0)
# 颜色通道转换
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# 阈值分割
ret, th = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)

plt.imshow(th)

<matplotlib.image.AxesImage at 0x7fe9154e9a10>

在这里插入图片描述

th[100]

array([[  0,   0,   0],
       [  0,   0,   0],
       [  0,   0,   0],
       ...,
       [255, 255, 255],
       [255, 255, 255],
       [255, 255, 255]], dtype=uint8)

# 应用5种不同的阈值方法
# THRESH_BINARY  当前点值大于阈值时，取Maxval,否则设置为0
ret, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
# THRESH_BINARY_INV 当前点值大于阈值时，设置为0，否则设置为Maxval
ret, th2 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)
# THRESH_TRUNC 当前点值大于阈值时，设置为阈值，否则不改变
ret, th3 = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC)
# THRESH_TOZERO 当前点值大于阈值时，不改变，否则设置为0
ret, th4 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO)
# THRESH_TOZERO_INV  当前点值大于阈值时，设置为0，否则不改变
ret, th5 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV)

titles = ['Original', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
images = [img, th1, th2, th3, th4, th5]

plt.figure(figsize=(12,12))
for i in range(6):
    plt.subplot(2, 3, i + 1)
    plt.imshow(images[i], 'gray')
    plt.title(titles[i], fontsize=8)
    plt.xticks([]), plt.yticks([])

在这里插入图片描述

经验之谈：很多人误以为阈值分割就是二值化。从上图中可以发现，两者并不等同，阈值分割结果是两类值，而不是两个值。

自适应阈值

看得出来固定阈值是在整幅图片上应用一个阈值进行分割，它并不适用于明暗分布不均的图片。 cv2.adaptiveThreshold()自适应阈值会每次取图片的一小部分计算阈值，这样图片不同区域的阈值就不尽相同。它有5个参数，其实很好理解，先看下效果：

  • 参数1：要处理的原图
  • 参数2：最大阈值，一般为255
  • 参数3：小区域阈值的计算方式
    • ADAPTIVE_THRESH_MEAN_C：小区域内取均值
    • ADAPTIVE_THRESH_GAUSSIAN_C：小区域内加权求和，权重是个高斯核
  • 参数4：阈值方式（跟前面讲的那5种相同）
  • 参数5：小区域的面积，如11就是11*11的小块
  • 参数6：最终阈值等于小区域计算出的阈值再减去此值

建议读者调整下参数看看不同的结果。

# 自适应阈值对比固定阈值
img = cv2.imread('lena.jpg', 0)

# 固定阈值
ret, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY
最低0.47元/天 解锁文章
[Python图像处理] 一.图像处理基础知识及OpenCV入门函数
热门推荐
杨秀璋的专栏
08-16 7万+
该系列文章是讲解Python OpenCV图像处理知识，前期主要讲解图像入门、OpenCV基础用法，中期讲解图像处理的各种算法，包括图像锐化算子、图像增强技术、图像分割等，后期结合深度学习研究图像识别、图像分类应用。希望文章对您有所帮助，如果有不足之处，还请海涵~ 同时推荐作者的C++图像系列知识： [数字图像处理] 一.MFC详解显示BMP格式图片 [数字图像处理] 二.MFC单文档分割窗...
深入浅出PaddlePaddle函数——paddle.shape
冯·诺依曼
03-02 1万+
paddle.shape
paddlehub人像抠图+PIL图像处理
hhhhhh13579的博客
05-05 3943
不需要PS和编程基础就能为你喜欢的明星设计简单的周边。
【百度飞桨PaddlePaddle】手写图像识别（快速上手）
Akaxi的博客
10-26 3334
【百度飞桨PaddlePaddle】手写图像识别（快速上手） 通过手写数字识别任务，了解深度学习中常用的卷积神经网络模型AlexNet的原理和结构，并掌握使用百度AI Studio平台进行模型训练和推理的基本步骤。 同时，通过对比实际数据运行结果和理论预期结果，深入理解深度学习模型的优化和调参方法。
深度学习中图片数据增强方法
TSINGHUAJOKING
12-19 2933
简 介： 在深度学习中需要对图像进行不同的处理。本文对比了基于Numpy以及Paddle.vision.transforms函数中对于图片处理的效果。 关键词： 图像预处理，cv2，paddle #mermaid-svg-BjemCsXeL7CLMyqc .label{font-family:'trebuchet ms', verdana, arial;font-family:var(--mermaid-font-family);fill:#333;color:#333}#mermaid-svg-Bje.
【OpenCV】图像处理入门基础
weixin_63135906的博客
08-23 767
使用软件：Anaconda + Pycharm + VScode。
OpenCV图像处理与计算机视觉基础入门
最新发布
weixin_35459464的博客
06-09 798
OpenCV是一个开源的计算机视觉和机器学习软件库，它拥有超过2500个优化算法，这些算法可以用于各种视觉应用。OpenCV的核心功能包括图像处理、视频分析、特征检测、物体跟踪、绘图和GUI功能等。
零基础入门CV：OpenCV图像处理实战指南
2501_91624122的博客
05-22 1116
OpenCV（开源计算机视觉库）是一个广泛使用的计算机视觉和机器学习软件库，由Intel于1999年首次发布，现支持多种操作系统和编程语言，如C++、Python和Java。OpenCV提供了丰富的图像和视频处理功能，包括图像读取、显示、保存、灰度化、二值化、边缘检测、几何变换（平移、旋转、缩放）、形态学操作（膨胀、腐蚀、开运算、闭运算）以及轮廓检测等。通过简单的Python代码示例，用户可以轻松实现这些功能。OpenCV的强大功能和活跃的开发社区使其成为计算机视觉领域的重要工具，适合初学者和专业人士使用。
OpenCV入门指南：从安装到基础图像处理
2501_91624122的博客
05-09 1114
OpenCV是一个开源的计算机视觉和机器学习库，广泛应用于图像处理、面部识别、运动跟踪等领域。它支持多种编程语言和操作系统，安装简便，尤其对Python用户友好。本文详细介绍了OpenCV的基础操作，包括图像的读取、显示、属性获取、保存，以及颜色空间转换、缩放、旋转等处理技术。此外，还涵盖了图像滤波、特征检测、人脸检测、视频处理等高级功能。OpenCV功能全面，是计算机视觉开发的强大工具，建议通过实践项目和深入学习相关数学知识来进一步提升技能。
paddle学习笔记——CV（2）YOLO-V3
surfaceyan的博客
08-23 820
文章目录前言生成锚框和候选区域标注候选区域标注objectness标签图像特征提取代码实现关联特征图和候选区域建立损失函数objectness = -1 的锚框YOLOv3的损失函数多尺度检测开启端到端的训练paddle.fluid.layers.yolov3_loss开启训练模型预测paddle.fluid.layers.yolo_boxNMS预测过程小结 前言 上一篇传送门 本篇文章尽量详细的说明YOLOV3算法的原理以及paddle实现。 本文中用到的图、数据、代码等都来自 这里 。 生成锚框和候.
【计算机视觉】图片裁减黑边或者白边
littlemichelle
09-09 2879
# 图像腐蚀 # iteration的值越高，模糊程度(腐蚀程度)就越高 呈正相关关系 # 使用场景： 图像腐蚀 加上高斯模糊 就可以使得图像的色彩更加突出 可以是色彩追踪更加精准，少了很多的颜色干扰 closed_1 = cv2.erode(gray, None, iterations=4) 机器学习进阶-图像形态学操作-膨胀操作 1.cv2.dilate(进行膨胀操作) 图像的腐蚀与膨胀 cv2.dilate(src, kernel, iteration) 参数说明: src表示输入...
PaddlePaddle | 图像几何变换与绘制
weixin_51326521的博客
03-08 702
课程链接：https://aistudio.baidu.com/aistudio/course/introduce/11939?directly=1&shared=1 图像几何变换 实现旋转、平移和缩放图片 OpenCV函数：cv2.resize(), cv2.flip(), cv2.warpAffine() 缩放图片 缩放就是调整图片的大小，使用cv2.resize()函数实现缩放。可以按照比例缩放，也可以按照指定的大小缩放： 我们也可以指定缩放方法interpolation，更专业点叫插值方法，
7.paddlepaddle之图像数据处理
kakaccys的博客
07-22 2217
数据处理是ai算法工程师的基本功，一般数据可以分图片，语音，文本，以及结构化数据等等，数据的修改，清洗、增强以及不同采样都能直接影响模型的最终结果。本章主要讲解paddlepaddle在图像数据处理方面的知识。​在paddle中有很好的图像处理，虽然其底层封装基本也是PIL库或者opencv。其主要函数为paddle.vision.transforms，具体的处理方法如下： 可以看到paddle里支持的图像数据处理方法相当的多，下面介绍几个经常使用的。 ​...
动手学PaddlePaddle（4）：MNIST（手写数字识别）
10点43的博客
08-11 6458
本次练习将使用 PaddlePaddle 来实现三种不同的分类器，用于识别手写数字。三种分类器所实现的模型分别为 Softmax 回归、多层感知器、卷积神经网络。 您将学会 实现一个基于Softmax回归的分类器，用于识别手写数字 实现一个基于多层感知器的分类器，用于识别手写数字 实现一个基于卷积神经网络的分类器，用于识别手写数字 卷积神经网络的基本组成和搭...
训练图像预处理函数功能（paddle）
TSINGHUAJOKING
12-17 3167
  §01 数据预处理 为了解决训练过程中的过拟合问题，
paddle入门-使用LeNet在MNIST实现图像分类方法一
Vertira的博客
07-07 982
MNIST数据集实现图像分类，paddle,paddlepaddle
将自己的图像数据转为mnist可用
emmaczw的博客
11-17 6638
自己有一些图像数据，想在TensorFlow上跑，但是需要预处理，于是昨天弄了一会才把预处理弄完，很渣，仅供参考。 利用pandas.read_csv( )之后，变成了x_train（None，784）与y_train（None，1）【label标志】，导入之后是dataFrame格式，现在要把y_train变为（None，10）。 1、先导入数据 x_data = pd.read_
paddlepaddle-mnist例子解析
baidu_40840693的博客
06-23 2249
参考GitHub： https://github.com/yangninghua/deeplearning_backbone paddlepaddle-1.4.0 python3.6 自己新建一个plot文件夹用于保存loss曲线图像 新建一个image文件夹，放入一张测试图像，名字：mnist_train_20.png 以上要求自己可以随意修改 # -*-coding:...
图像灰度化处理
crossoverpptx的博客
10-11 3万+
在RGB模型中，如果R=G=B时，则彩色表示一种灰度颜色，其中R=G=B的值叫灰度值，因此，灰度图像每个像素只需一个字节存放灰度值（又称强度值、亮度值），灰度范围为0-255，当灰度为255的时候，表示最亮（纯白）；当灰度为0的时候，表示最暗（纯黑）。灰度化的好处是：相较于彩色图像灰度图像占内存更小，运行速度更快；灰度图像后可以在视觉上增加对比，突出目标区域。
评论 1
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