计算机视觉（OpenCV+TensorFlow）

计算机视觉（OpenCV+TensorFlow）

文章目录

  • 计算机视觉（OpenCV+TensorFlow）
  • 前言
    • 3.图像金字塔
      • 3.1 高斯金字塔
      • 3.2 拉普拉斯金字塔
    • 4.图像轮廓
      • 图像边缘和图像轮廓的区别
      • 检测图像
      • 绘制边缘
    • 5.轮廓近似
      • 外接矩形
      • 外接圆
    • 6. 模板匹配
      • 6.1 什么是模板匹配
  • 总结

前言

本系列文章是OpenCV系列文章的第三篇，仍然跟随上篇内容主要聚焦于图像的一些操作

3.图像金字塔

在通常情况下我们使用大小恒定的图像。但在某些情况下，我们需要使用不同分辨率的同幅图像，例如，在搜索图像中的某些内容比如脸部信息时，并不确定该内容在图像中占据的大小。这种情况下，我们需要创建一组不同的分辨率的相同图像，并在所有图像中搜索该内容。这些不同分辨率的图像被称为图像金字塔（因为当它们堆叠排列时，底部为最高分辨率图像而顶部为最低分辨率图像，看起来像金字塔）

                                                                                                                                                                    **图像金字塔主要有两种：**
  1. 高斯金字塔
  2. 拉普拉斯金字塔

3.1 高斯金字塔

向上采样：在图像金字塔中，越靠下的分辨率越大，所以向上采样指的是从分辨率大的图像中得到分辨率小的图像
方法：

  1. 将图像与下方的高斯核进行卷积，就是我们前几次一直说的对应位置相乘最后都加在一起从而代替中间像素的那个值
  2. 将所有偶数行和偶数列去除。

为什么要先卷积再去除呢：
是因为如果直接去除偶数行和偶数列，那势必会导致大量数据的丢失，如果我们先卷积，卷积后的值是它周围的值共同作用的，所以卷积后再去除损失的数据量比直接去除要小很多，但是还是会少一部分数据
image.png
向下采样：在图像金字塔中，越靠上的分辨率越大，所以向下采样指的是从分辨率小的图像中得到分辨率大的图像
**方法： **
image.png我们看第一步放大后，有近四分之三的数据都是0，第二部卷积后，实际上是把不是0的数据给分配了一部分给0
那实际上，就是把原有的数据给往四周分散了。那在放大的时候，原来的数据给了其他的，那对应自身来说不也就是丢失了一部分数据。

# 引入图片
img=cv2.imread("AM.png")
cv_show(img,'img')
print (img.shape)
# 向上采样
up=cv2.pyrUp(img)
cv_show(up,'up')
print (up.shape)
# 向下采样
down=cv2.pyrDown(img)
cv_show(down,'down')
print (down.shape)

**而为了让数据尽量的少丢失点，我们又有了拉普拉斯金字塔。 **

3.2 拉普拉斯金字塔

https://blog.csdn.net/ftimes/article/details/106731558

** 在高斯金字塔中，我们提到了上采样和下采样。但是无论是上采样还是下采样都会丢失像素值，所以这两种操作并不是可逆的。也就是说，对一幅图先进行上采样再进行下采样，是无法恢复到原始状态。同样，先下采样再上采用也无法恢复到原始状态**

因此我们引入了拉普拉斯金字塔（The Laplacian pramid）
简而言之，拉普拉斯金字塔的第 i 层，是由【高斯金字塔的第 i 层】 与 【高斯金字塔中的第 i+1 层的向上采样结果】之差。
简单来说，拉普拉斯金字塔是一个 高斯差值金字塔，下面这个图就是一个拉普拉斯每一层的流程
image.png
下面这个图简化了上图的流程，我们从后往前看，G3向上取样后，G2减去它就是 L2。
而 G3加上L2就是G2。因为L2=G2-G3向上
image.png

up=cv2.pyrUp(img)
up_down=cv2.pyrDown(up)
cv_show(img-up_down,'img-up_down')

4.图像轮廓

图像边缘和图像轮廓的区别

** 前面我们在图像形态学操作里，用cv2.morphologyEx()这个函数实现图像梯度的提取，用膨胀图像-腐蚀图像，获取一个图像中前景图像的边缘。还有我们的礼帽和黑帽一定程度也能提取图像的边缘信息。依旧我们在图像梯度中详细讲过的 sobel算子，scharr算子，laplasian算子，canny边缘检测，这些都是检测图像中边缘线条的。**
** 而本章讲的是图像轮廓，图像轮廓和图像边缘不少一回事，图像边缘不少图像轮廓！！！！图像边缘是图像中的线条，这些线条是不连续的，零散的线段，只要是由梯度，把由梯度的像素点提取出来就可以了，这是边缘检测的操作手法。而图像轮廓首先要是一个整体的，就是将边缘连接起来形成一个整体，这才叫轮廓。**
** 边缘检测主要是通过一些手段检测数字图像中明暗变化剧烈（即梯度变化比较大）像素点，偏向于图像中像素点的变化。如Canny边缘检测，结果通常保存在和原图片一样尺寸和类型的边缘图中。轮廓检测指检测图像中的对象边距，更偏向于关注上层语义对象，主要用来分析物体的形态，比如物体的周长和面积等。可以说 边缘包括轮廓。**
** 边缘主要是作为图像的特征使用，比如可以用边缘特征可以区分脸和手，而轮廓则是一个很好的图像目标的外部特征，这种特征对于我们进行图像分析，目标识别和理解等更深层次的处理都有很重要的意义**

检测图像

在OpenCV中，我们用 image, contours, hierarchy = **cv2.findContours(img,mode,method) **这个函数来得到轮廓

  • img：要做轮廓检测的图像，必须是8位单通道二值图像。所以，一般情况下我们都是将图像处理位二值图像后再将其作为参数传入。在很多情况下，我们是预先对图像进行阈值分割或者边缘检测处理（比如经过Canny，拉普拉斯等边缘检测算子处理过的二值图像），在得到满意的二值图像后再作为参数传入使用，这样效果会更好。
  • mode：轮廓检索模式。均可了轮廓的提取方式：
    • cv2.RETR_EXTERNAL：只检测最外面的轮廓
    • cv2.RETR_LIST：减少所有的轮廓，并将其保存到一条链表当中，对检测到的轮廓不建立等级关系
    • cv2.RETR_CCOMP：检索所有轮廓并将它们组织成两级层次结构。顶层是各部分的外部边界，第二层是空洞的边界。
    • cv2.RETR_TREE：检索所有轮廓，并建立一个等级树结构的轮廓，就是重构嵌套轮廓的整个层次
    • 说明：一般情况下，我们只用第4种模式，因为第4种模式是检测所有的轮廓，并且把这些轮廓按层次保存成一个树结构，后面如果我们有需要直接调用即可。
  • method：轮廓逼近方法，就是如何表达轮廓，意思就是我是用线表示轮廓呢？还是简单的用2个点就表示一条线的轮廓：
    • cv2.CHAIN_APPROX_NONE：以 Freeman 链码的方式输出轮廓，意思就是我存储了所有的轮廓点，就是相连两个点的像素位置差不超过 1 ，我可以用完整的线条来表示轮廓，就是我可以画出一个完整的轮廓。
    • cv2.CHAIN_APPROX_SIMPLE：压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标。比如一个矩形只用4个点就可以表示。同理如果是一个多边形，我们就输出这个多边形的订单序列

image.png
函数返回值：

  • image：与参数img的尺寸一致的。后面高版本的opencv已经不返回这个对象
  • contours：是返回的轮廓。这个轮廓是一个数组
  • hierachy：是轮廓的层次信息，就是mode参数决定的返回的轮廓数据的组织结构
  • 说明：在opencv中，我们都是从黑色背景种查找白色对象，因此，对象必须是白色的，背景必须是黑色的

使用轮廓检测函数 cv2.findContours()要注意的点：

  1. 我们检测一张彩图的轮廓是，首先我们要把彩图转换为灰度图像，然后我们用阈值函数把灰度图像处理成二值图像，此时才能作为参数 img 传入到函数中
  2. 我们检测轮廓的时候，一张图片可能有多个轮廓，也可能有一个轮廓礼貌套几个轮廓（就是空洞）所以我们要明确我们想要检测几级轮廓。
    1. 当我们只想检测最外面的一层轮廓时，参数 mode=cv2.RETR_EXTERNAL
    2. 当我们像检测所有的轮廓（就是轮廓里面套轮廓，可以嵌套多层）时，参数mode可以选择其他三种
      1. cv2.RETR_LIST是把所用的轮廓放到一起，不区分轮廓之间的等级关系
      2. cv2.RETR_CCOMP是把所有的轮廓分2级
      3. cv2.RETR_TREE是建立一个树结构的层次关系
  3. 当我们轮廓检测完毕后，不管是检测一个轮廓还是检测所有的轮廓，检测所有轮廓不管是保存轮廓之间的等级关系还是不保存，我们的轮廓本身数据可以有两种方式存储，、
    1. cv2.CHAIN_APPROX_NONE：就是保存轮廓的所有像素点，此时返回的 contours可视化处理后就是轮廓线。
    2. cv2.CHAIN_APPROX_SIMPLE：就是表示我们轮廓数据不是连续的像素点而是轮廓的顶点序列，此时我们可视化 contours时就是一些顶点，就是轮廓的顶点，不是线。
    3. countours的属性：
      1. len(contours)返回的就是我们检测到了几个轮廓
      2. len(contours[i])返回第 i 个轮廓长度，就是它有多少个像素点
      3. contours[i].shape返回的就是轮廓内点的形状，比如（4，1，2）就表示轮廓 i 有4个轮廓点，每个点是1行两列
      4. [[79,270]] [[79,383]]** [[195,383]]** [[195, 270]] 这其实就是一个方框轮廓的4个点的坐标值。**
  4. hierarchy是我们检测到的轮廓的等级关系的数据，这个数据可以反映我们的轮廓之间是如何连接的。

绘制边缘

轮廓绘制函数：cv2.drawContours(img, contours, contourIdx, color [ thickness, lineType, hierarchy, maxLevel, offset] )

  1. img：待绘制轮廓的图像
  2. contours：需要绘制的轮廓，这个参数就是 findContours()的输出
  3. contourldx：需要绘制的轮廓的索引号，如果 contourldx=-1,表示绘制全部轮廓；如果这个参数是零或者正整数，表示要绘制的轮廓是对应的索引号的轮廓
  4. color：绘制的颜色，用 BGR 表示
  5. thickness：表示轮廓的粗细，如果 thickness=-1则表示要绘制实心轮廓
  6. lineType：轮廓的线条形状
  7. hierarchy：cv2.findContours()返回的层次信息。
  8. maxLevel：要绘制的轮廓的偏移到不同的位置展示出来

注意：由于该函数是在 img 的基础上绘制的，不会再重新生成一个带轮廓的新对象，所有这个函数是在原图中绘制的。所以我们要保存原图
轮廓检测步骤小结：

  1. 当我们拿到的原图是一张彩色图的时候，第一步我们要把彩色图变成灰度图
  2. 把灰度图用阈值函数处理成二值图像
  3. 检测轮廓
  4. 绘制轮廓
# 导入图片
img = cv2.imread('contours.png')
# 彩色图转灰色图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 灰色图转二值图
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
cv_show(thresh,'thresh')
# 检测轮廓
binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
# 画轮廓
draw_img = img.copy()
res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)
cv_show(res,'res')

5.轮廓近似

我们看下面这个图片，它不是一个规则的图形，是一个不规则的图形，如果要精确的描述轮廓的话就是第三幅图
如果像要近似的表示的话，就是第二幅图，用一个矩形就可以表示

https://blog.csdn.net/SSJJRRRR/article/details/108478898
image.png
那OpenCV的 approxPolyDP 函数就可以实现这个功能。
approxPolyDP函数使用了 Douglas-Peucker算法：

  1. 先从轮廓中找出两个最远的点，将两点相连，即 b-c ;
  2. 在原来的轮廓上查找一个里线段距离最远的点，将该点加入逼近后的新轮廓中，即 c-d ；
  3. 然后重复前面的算法，不断迭代，将最远的点添加进来，直到所有的点到多边形的最短距离小于指定的精度

image.png
在OpenCV中 cv2.approxPolyDP(cnt,epsilon,True) 就是用来得到近似轮廓
cnt 就是 findContours函数得到的 contours
epsilon就是精度
最后一个布尔值：如果为true，则闭合近似曲线（其第一个和最后一个顶点为连接的）；否则，不闭合。

# 导入图片
img = cv2.imread('contours2.png')
# 转成灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 转为二值图
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
# 检测轮廓
binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[0]
# 画出轮廓
draw_img = img.copy()
res = cv2.drawContours(draw_img, [cnt], -1, (0, 0, 255), 2)
cv_show(res,'res')
# arcLength轮廓的周长，epsilon是精度
epsilon = 0.15*cv2.arcLength(cnt,True)
# 得到近似轮廓
approx = cv2.approxPolyDP(cnt,epsilon,True)
# 画出轮廓
draw_img = img.copy()
res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)
cv_show(res,'res')

外接矩形

x,y,w,h=boundingRect(cnt)
cnt 就是一个轮廓，x,y是矩形的左上角坐标，而（w,h）为矩形的宽度和高度
img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)
img：画轮廓的图片
(x,y)：矩形的左上角的坐标
(x+w,y+h)：矩形的右下角的坐标
(0,255,0)：颜色 BGR
2：线条宽度

# 引入坐标
img = cv2.imread('contours.png')
# 转为灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 转为二值图
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
# 检测轮廓
binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[0]
# 找到外接矩形的信息
x,y,w,h = cv2.boundingRect(cnt)
# 画矩形
img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)
cv_show(img,'img')

外接圆

(x,y),radius = cv2.minEnclosingCircle(cnt)
cnt：就是一个轮廓
(x,y)：圆心坐标
radius：半径
img = cv2.circle(img,center,radius,(0,255,0),2)
参数基本上与外接矩形都差不多

(x,y),radius = cv2.minEnclosingCircle(cnt) 
center = (int(x),int(y)) 
radius = int(radius) 
img = cv2.circle(img,center,radius,(0,255,0),2)
cv_show(img,'img')

6. 模板匹配

6.1 什么是模板匹配

https://blog.csdn.net/m0_37579176/article/details/116950903
image.png

模板匹配可以看作是对象检测的一种非常基本的形式。使用模板匹配，我们可以使用包含要检测对象的”模板“来检测输入图像中的对象。

也就是说，我们需要两个图像来应用模板匹配：

  1. 源图像：这是我们希望在其中找到的与模板匹配的图像
  2. 模板图像：我们要搜索的图像

为了在源图像中找到模板图像，我们在源图像中从左到右和从上到下依次滑动模板：
image.png
应用模板匹配，就像在源图像上从左到右，从上到下滑动模板，在每一个位置都计算一个指标以表明这个位置处两个图像块之间匹配程度的高低
在每个(x,y)位置，都会计算一个度量来表示匹配的“好”或“坏”。通常，我们使用归一化的相关系数来确定两个图像块之间像素强度有多“相似”
相关系数有很多计算方式。
image.png‘
对于模板 T 在源图像 I 上的每个位置，取两者重合部分的图像块，计算相似度度量结果，存储在结果矩阵 R 中。源图像中的每个（x，y）坐标在结果矩阵 R 中包含一个条目，除非模板越界

下图就是结果矩阵与源图像重叠后的图像
在这里，我们可以可视化叠加在原始图像上的结果矩阵R。注意R与原始模板大小不相同。这是因为整个模板必须在源图像的内部滑动，得到等大的两个图像块，才能计算相关性。如果模板超出了源的边界，我们将不计算相似性度量。
image.png
结果矩阵中 R 最亮的位置表示最佳匹配位置，而暗区表示该点源图像和模板图像之间的相关性很小
当模板图像中的水杯，与源图像中的水杯，两者完全重合的时候，模板图像左上角所在的源图像位置，存储的是模板与源图像相似的的最大值。
但是我们需要确保要检测的模板与源图像中检测的对象几乎完全相同。即使外观很小的偏差也会极大地影响匹配的结果。
在OpenCV中我们可以使用 cv2.matchTemplate()进行模板匹配，这个函数有三个参数：

  1. 输入图像：包含我们要检测的对象的图像
  2. 模板图像：对象的图像
  3. 模板匹配方法

- TM_SQDIFF：计算平方不同，计算出来的值越小，越相关
- TM_CCORR：计算相关性，计算出来的值越大，越相关
- TM_CCOEFF：计算相关系数，计算出来的值越大，越相关
- TM_SQDIFF_NORMED：计算归一化平方不同，计算出来的值越接近0，越相关
- TM_CCORR_NORMED：计算归一化相关性，计算出来的值越接近1，越相关
- TM_CCOEFF_NORMED：计算归一化相关系数，计算出来的值越接近1，越相关
另外值得注意的是，如果您只想检测模板图像上的特定区域，则可以为模板图像提供一个掩膜，如下所示：
**result = cv2.matchTemplate(image, template, cv2.TM_CCOEFF_NORMED, mask) **

掩膜，即为模板图像上感兴趣的区域，用于忽略模板图像上无用的干扰的特征，即不属于检测目标的干扰特征。对于模板上你不希望被搜索的区域，掩膜值应该设置为0。对于模板图像上您要进行搜索的区域，掩膜值应该设置为255。掩膜与模板图像具有相同的维度，并且每个元素的类型也需要一致。

# 引入源图像
img = cv2.imread('lena.jpg', 0)
# 引入模板图像
template = cv2.imread('face.jpg', 0)
# 模板匹配
res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF)
# 得到最大的像素点和最小的像素点的值和坐标
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
# 根据方法选择最大值或最小值的坐标
# 如果是平方差匹配TM_SQDIFF或归一化平方差匹配TM_SQDIFF_NORMED，取最小值
if method in [cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]:top_left = min_loc
else:top_left = max_loc
bottom_right = (top_left[0] + w, top_left[1] + h)
# 画矩形
cv2.rectangle(img2, top_left, bottom_right, 255, 2)

总结

这次紧接者上篇内容再一次讲解了一些有关图像的操作，预计还需要一期把图像操作讲个差不多后，进入实战环节，将上述图像内容，通过实战进行一个强化训练

我是Mayphry，从一点点到亿点点，我们下次再见

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.rhkb.cn/news/207851.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Windows安装Mysql Workbench及常用操作

Windows安装Mysql Workbench及常用操作

Mysql Workbench是mysql自带的可视化操作界面，功能是强大的，但界面和navicat比，就是觉得别扭，但其实用惯了也还好，各有特色吧。这里记录一下常用的操作。 官方手册：MySQL Workbench 一、安装 1. 下载 官方…
阅读更多...
一、服务器准备

一、服务器准备

本案例使用VMware Workstation Pro虚拟机创建虚拟服务器来搭建Linux服务器集群，所用软件及版本如下： Centos7.7-64bit 1、三台虚拟机创建 第一种方式：通过iso镜像文件来进行安装(不推荐) 第二种方式：直接复制安装好的虚拟机文…
阅读更多...
golang 函数选项模式

golang 函数选项模式

一 什么是函数选项模式 函数选项模式允许你使用接受零个或多个函数作为参数的可变构造函数来构建复杂结构。我们将这些函数称为选项，由此得名函数选项模式。 例子： 有业务实体Animal结构体，构造函数NewAnimal（）&…
阅读更多...
:deep(){} 样式穿透不生效问题解决方案

:deep(){} 样式穿透不生效问题解决方案

在我们写vue的项目的时候&#xff0c;可能会遇到这种情况&#xff0c;父子组件&#xff0c;在父组件中使用了样式穿透给子组件的类添加样式&#xff0c;结果失败了。比如下面这种情况。 父组件 <template><p>我是父组件</p><Son /> </template>…
阅读更多...
【深度优先】LeetCode1932:合并多棵二叉搜索树

【深度优先】LeetCode1932:合并多棵二叉搜索树

作者推荐 动态规划LeetCode2552&#xff1a;优化了6版的1324模式 题目 给你 n 个 二叉搜索树的根节点 &#xff0c;存储在数组 trees 中&#xff08;下标从 0 开始&#xff09;&#xff0c;对应 n 棵不同的二叉搜索树。trees 中的每棵二叉搜索树 最多有 3 个节点 &#xff0…
阅读更多...
HarmonyOS4.0 ArkUI组件

HarmonyOS4.0 ArkUI组件

目录 简介 搭建开发环境 ArkUI基础组件 Image组件 Text组件 TextInput Button Slider 简介 HarmonyOS 4.0的ArkUI组件是一套UI开发框架&#xff0c;提供开发者进行应用UI开发时所必须的能力。在ArkUI中&#xff0c;组件是界面搭建与显示的最小单位&#xff0c;开发者通过…
阅读更多...
Normalizing Kalman Filters for Multivariate Time Series Analysis

Normalizing Kalman Filters for Multivariate Time Series Analysis

l l l means latent state&#xff0c;LGM means ‘linear Gaussian state space models’ 辅助信息 作者未提供代码
阅读更多...
pip包管理工具

pip包管理工具

pip 是 Python 包管理工具&#xff0c;该工具提供了对Python包的查找、下载、安装、卸载的功能。 Python 2.7.9 或 Python 3.4 以上版本的python都自带 pip 工具 1. 配置pip国内镜像 pip安装的包都存在于外国的服务器上&#xff0c;速度会非常慢&#xff0c;可以给pip配置国内…
阅读更多...
优彩云采集器最新版免费下载，优彩云采集器免费

优彩云采集器最新版免费下载，优彩云采集器免费

随着网络时代的发展&#xff0c;SEO&#xff08;Search Engine Optimization&#xff0c;搜索引擎优化&#xff09;已经成为网站推广和营销的关键一环。在SEO的世界里&#xff0c;原创内容的重要性愈发凸显。想要做到每天更新大量原创文章&#xff0c;并不是一件轻松的事情。优…
阅读更多...
排序算法：n个0~1000之间的整数，将他们从大到小排序

排序算法：n个0~1000之间的整数，将他们从大到小排序

上榜理由&#xff1a; 如果没见过这种排序题&#xff0c;可能首先想到的就是常用的排序算法&#xff0c;比如快速排序&#xff0c;归并排序&#xff0c;那如果输入的n足够大&#xff0c;时间复杂度肯定比较高。其实题目0-1000的范围是一个题眼&#xff0c;所以一定有更优的排序…
阅读更多...
国内哪个超声波清洗机品牌比较好？质量好超声波清洗机总结

国内哪个超声波清洗机品牌比较好？质量好超声波清洗机总结

近年来超声波清洗机可以说是非常火爆&#xff0c;可以清洗化妆刷、眼镜、牙套等等一些小物件&#xff0c;大物件物品可以入手大型超声波清洗机&#xff0c;总之现在超声波清洗机已经衍生到可以在家使用&#xff0c;不再是在眼镜店看到它的身影或者是一些工业领域上&#xff0c;…
阅读更多...
FL Studio2024重磅更新 带你了解FL21.2最新版本功能

FL Studio2024重磅更新 带你了解FL21.2最新版本功能

FL Studio2024是功能强大的音乐制作解决方案&#xff0c;使用旨在为用户提供一个友好完整的音乐创建环境&#xff0c;让您能够轻松创建、管理、编辑、混合具有专业品质的音乐&#xff0c;一切的一切都集中在一个软件中&#xff0c;只要您想&#xff0c;只要您需要&#xff0c;它…
阅读更多...
clip-path，css裁剪函数

clip-path，css裁剪函数

https://www.cnblogs.com/dzyany/p/13985939.html clip-path - CSS&#xff1a;层叠样式表 | MDN 我们看下这个例子 polygon里有四个值分别代表这四个点相对于原图左上方的偏移量。 裁剪个五角星
阅读更多...
六、ZooKeeper Java API操作

六、ZooKeeper Java API操作

目录 1、引入maven坐标 2、节点的操作 这里操作Zookeeper的JavaAPI使用的是一套zookeeper客户端框架 Curator ，解决了很多Zookeeper客户端非常底层的细节开发工作 。 Curator包含了几个包：
阅读更多...
ansible模块

ansible模块

目录 一、ansible的command模块 1.ad-hoc 2.playbook 3.command模块 二、ansible的shell模块 1.shell模块帮助 2.shell模块支持的参数和解释 3.简单试验 4.批量远程执行脚本 三、script模块 1.script模块帮助 2.shell模块支持的参数和解释 3.实践 四、ansible文件…
阅读更多...
【学习记录】从0开始的Linux学习之旅——应用开发（helloworld）

【学习记录】从0开始的Linux学习之旅——应用开发（helloworld）

一、概述 Linux操作系统通常是基于Linux内核&#xff0c;并结合GNU项目中的工具和应用程序而成。Linux操作系统支持多用户、多任务和多线程&#xff0c;具有强大的网络功能和良好的兼容性。本文主要讲述如何在linux系统上进行应用开发。 二、概念及原理 应用程序通过系统调用与…
阅读更多...
Jmeter工具+ant+jenkins实现持续集成

Jmeter工具+ant+jenkins实现持续集成

jmeterantjenkins持续集成 一、下载并配置jmeter 首先下载jmeter工具&#xff0c;并配置好环境变量&#xff1b;参考&#xff1a; jmeter默认保存的是.jtl格式的文件&#xff0c;要设置一下bin/jmeter.properties,文件内容&#xff0c;保存jmeter.save.saveservice.output_f…
阅读更多...
【CVE-2023-49103】ownCloud graphapi信息泄露漏洞（2023年11月发布）

【CVE-2023-49103】ownCloud graphapi信息泄露漏洞（2023年11月发布）

漏洞简介 ownCloud owncloud/graphapi 0.2.x在0.2.1之前和0.3.x在0.3.1之前存在漏洞。graphapi应用程序依赖于提供URL的第三方GetPhpInfo.php库。当访问此URL时&#xff0c;会显示PHP环境的配置详细信息&#xff08;phpinfo&#xff09;。此信息包括Web服务器的所有环境变量&a…
阅读更多...
3.3 路由器的远程配置

3.3 路由器的远程配置

实验3.3 路由器的远程配置 一、任务描述二、任务分析三、具体要求四、实验拓扑五、任务实施&#xff08;一&#xff09;、配置通过Telnet登录系统1.RA的基本配置2.RB的基本配置3.在RA上配置Telnet用户登录界面 &#xff08;二&#xff09;、配置通过STelnet登录系统1.RA的基本配…
阅读更多...
MySQL的系统信息函数

MySQL的系统信息函数

系统信息函数让你更好的使用MySQL数据库 1、version()函数 查看MySQL系统版本信息号 select version();2、connection_id()函数 查看当前登入用户的连接次数 直接调用CONNECTION_ID()函数--不需任何参数--就可以看到当下连接MySQL服务器的连接次数&#xff0c;不同时间段该…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023