Python 全栈体系【四阶】（二十七）

第五章 深度学习

三、OpenCV

5. 图像梯度处理

5.1 模糊处理
# 图像模糊处理示例
import cv2
import numpy as np## 中值滤波
im = cv2.imread("../data/lena.jpg", 0)
cv2.imshow("orig", im)# 调用medianBlur中值模糊
# 第二个参数为滤波模板的尺寸大小，必须是大于1的奇数，如3、5、7
im_median_blur = cv2.medianBlur(im, 5)
cv2.imshow('median_blur', im_median_blur)# 均值滤波
# 第二个参数为滤波模板的尺寸大小
im_mean_blur = cv2.blur(im, (3, 3))
cv2.imshow("mean_blur", im_mean_blur)# 高斯滤波
# 第三个参数为高斯核在X方向的标准差
im_gaussian_blur = cv2.GaussianBlur(im, (5, 5), 3)
cv2.imshow("gaussian_blur", im_gaussian_blur)# 使用高斯算子和filter2D自定义滤波操作
gaussan_blur = np.array([[1, 4, 7, 4, 1],[4, 16, 26, 16, 4],[7, 26, 41, 26, 7],[4, 16, 26, 16, 4],[1, 4, 7, 4, 1]], np.float32) / 273
# 使用filter2D, 第二个参数为目标图像的所需深度, -1表示和原图像相同
im_gaussian_blur2 = cv2.filter2D(im, -1, gaussan_blur)  
cv2.imshow("gaussian_blur2", im_gaussian_blur2)cv2.waitKey()
cv2.destroyAllWindows()

执行结果：
在这里插入图片描述

5.2 图像锐化处理
# 图像锐化示例
import cv2
import numpy as npim = cv2.imread("../data/lena.jpg", 0)
cv2.imshow("orig", im)# 锐化算子1
sharpen_1 = np.array([[-1, -1, -1],[-1, 9, -1],[-1, -1, -1]])
# 使用filter2D进行滤波操作
im_sharpen1 = cv2.filter2D(im, -1, sharpen_1)
cv2.imshow("sharpen_1", im_sharpen1)# 锐化算子2
sharpen_2 = np.array([[0, -1, 0],[-1, 8, -1],[0, 1, 0]]) / 4.0
# 使用filter2D进行滤波操作
im_sharpen2 = cv2.filter2D(im, -1, sharpen_2)
cv2.imshow("sharpen_2", im_sharpen2)cv2.waitKey()
cv2.destroyAllWindows()

执行结果：
在这里插入图片描述

5.3 边沿检测
# 边沿检测示例
import cv2 as cvim = cv.imread('../data/lily.png', 0)
cv.imshow('Original', im)# # 水平方向滤波
# hsobel = cv.Sobel(im, cv.CV_64F, 1, 0, ksize=5)
# cv.imshow('H-Sobel', hsobel)
# # 垂直方向滤波
# vsobel = cv.Sobel(im, cv.CV_64F, 0, 1, ksize=5)
# cv.imshow('V-Sobel', vsobel)
# 两个方向滤波
# cv2.CV_64F: 输出图像深度，本来应该设置为-1，但如果设成-1，可能会发生计算错误
# 所以通常先设置为精度更高的CV_64F
sobel = cv.Sobel(im, cv.CV_64F, 1, 1, ksize=5)
cv.imshow('Sobel', sobel)# Laplacian滤波：对细节反映更明显
laplacian = cv.Laplacian(im, cv.CV_64F)
cv.imshow('Laplacian', laplacian)# Canny边沿提取
canny = cv.Canny(im,50, # 滞后阈值240) # 模糊度
cv.imshow('Canny', canny)cv.waitKey()
cv.destroyAllWindows()

执行结果：
在这里插入图片描述

6. 轮廓处理

边缘检测虽然能够检测出边缘，但边缘是不连续的，检测到的边缘并不是一个整体。图像轮廓是指将边缘连接起来形成的一个整体，用于后续的计算。

OpenCV提供了查找图像轮廓的函数cv2.findContours()，该函数能够查找图像内的轮廓信息，而函数cv2.drawContours() 能够将轮廓绘制出来。图像轮廓是图像中非常重要的一个特征信息，通过对图像轮廓的操作，我们能够获取目标图像的大小、位置、方向等信息。一个轮廓对应着一系列的点，这些点以某种方式表示图像中的一条曲线。

6.1 查找并绘制轮廓

查找轮廓函数：cv2.findContours

  • 语法格式：contours,hierarchy=cv2.findContours（image,mode,method）

  • 返回值

    • contours：返回的轮廓。该返回值返回的是一组轮廓信息，每个轮廓都是由若干个点所构成的（每个轮廓为一个list表示）。例如，contours[i]是第i个轮廓（下标从0开始）,contours[i][j]是第i个轮廓内的第j个点
    • hierarchy：图像的拓扑信息（反映轮廓层次）。图像内的轮廓可能位于不同的位置。比如，一个轮廓在另一个轮廓的内部。在这种情况下，我们将外部的轮廓称为父轮廓，内部的轮廓称为子轮廓。按照上述关系分类，一幅图像中所有轮廓之间就建立了父子关系。每个轮廓contours[i]对应4个元素来说明当前轮廓的层次关系。其形式为：[Next,Previous,First_Child,Parent]，分别表示后一个轮廓的索引编号、前一个轮廓的索引编号、第1个子轮廓的索引编号、父轮廓的索引编号

  • 参数

    • image：原始图像。灰度图像会被自动处理为二值图像。在实际操作时，可以根据需要，预先使用阈值处理等函数将待查找轮廓的图像处理为二值图像。
    • mode：轮廓检索模式，有以下取值和含义：
    取值含义
    cv2.RETR_EXTERNAL只检测外轮廓
    cv2.RETR_LIST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，上面的一层为外边界，下面的一层为内孔的边界
    cv2.RETR_TREE建立一个等级树结构的轮廓
    • method：轮廓的近似方法，主要有如下取值：
    取值含义
    cv2.CHAIN_APPROX_NONE存储所有的轮廓点，相邻两个点的像素位置差不超过1，即max（abs（x1-x2）,abs（y2-y1））=1
    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
    cv2.CHAIN_APPROX_TC89_L1使用teh-Chinl chain近似算法的一种风格
    cv2.CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain近似算法的一种风格

  • 注意事项

    • 待处理的源图像必须是灰度二值图
    • 都是从黑色背景中查找白色对象。因此，对象必须是白色的，背景必须是黑色的
    • 在OpenCV 4.x中，函数cv2.findContours（）仅有两个返回值

  • 绘制轮廓：drawContours函数

    • 语法格式：image=cv2.drawContours(image, contours,contourIdx, color)
    • 参数
      • image：待绘制轮廓的图像
      • contours：需要绘制的轮廓，该参数的类型与函数 cv2.findContours（）的输出 contours 相同，都是list类型
      • contourIdx：需要绘制的边缘索引，告诉函数cv2.drawContours（）要绘制某一条轮廓还是全部轮廓。如果该参数是一个整数或者为零，则表示绘制对应索引号的轮廓；如果该值为负数（通常为“-1”），则表示绘制全部轮廓。
      • color：绘制的颜色，用BGR格式表示
# 查找图像轮廓
import cv2
import numpy as npim = cv2.imread("../data/3.png")
cv2.imshow("orig", im)gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)# 图像二值化处理，将大于阈值的设置为最大值，其它设置为0
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)# 查找图像边沿：cv2.findContours
img, contours, hierarchy = cv2.findContours(binary,  # 二值化处理后的图像cv2.RETR_EXTERNAL,  # 只检测外轮廓cv2.CHAIN_APPROX_NONE)  # 存储所有的轮廓点
# 打印所有轮廓值
arr_cnt = np.array(contours)
print(arr_cnt[0].shape)
print(arr_cnt[1].shape)
print(arr_cnt[2].shape)
print(arr_cnt[3].shape)
# print(arr_cnt[0])# 绘制边沿
im_cnt = cv2.drawContours(im,  # 绘制图像contours,  # 轮廓点列表-1,  # 绘制全部轮廓(0, 0, 255),  # 轮廓颜色：红色2)  # 轮廓粗细
cv2.imshow("im_cnt", im_cnt)cv2.waitKey()
cv2.destroyAllWindows()

执行结果：
在这里插入图片描述

6.2 绘制矩形包围框

函数cv2.boundingRect（）能够绘制轮廓的矩形边界。该函数的语法格式为：

retval = cv2.boundingRect(array)  # 格式一
x,y,w,h = cv2.boundingRect(array) # 格式二
"""
参数：array：是灰度图像或轮廓
返回值：retval：表示返回的矩形边界的左上角顶点的坐标值及矩形边界的宽度和高度x, y, w, h: 矩形边界左上角顶点的x坐标、y坐标、宽度、高度
"""

代码：

# 绘制图像矩形轮廓
import cv2
import numpy as npim = cv2.imread("../data/cloud.png", 0)
cv2.imshow("orig", im)# 提取图像轮廓
ret, binary = cv2.threshold(im, 127, 255, cv2.THRESH_BINARY)
img, contours, hierarchy = cv2.findContours(binary,cv2.RETR_LIST,  # 不建立等级关系cv2.CHAIN_APPROX_NONE)  # 存储所有的轮廓点
print("contours[0].shape:", contours[0].shape)# 返回轮廓定点及边长
x, y, w, h = cv2.boundingRect(contours[0])  # 计算矩形包围框的x,y,w,h
print("x:", x, "y:", y, "w:", w, "h:", h)# 绘制矩形包围框
brcnt = np.array([[[x, y]], [[x + w, y]], [[x + w, y + h]], [[x, y + h]]])
cv2.drawContours(im,  # 绘制图像[brcnt],  # 轮廓点列表-1,  # 绘制全部轮廓(255, 255, 255),  # 轮廓颜色：白色2)  # 轮廓粗细cv2.imshow("result", im)  # 显示绘制后的图像cv2.waitKey()
cv2.destroyAllWindows()

执行结果：
在这里插入图片描述

6.3 绘制圆形包围圈

函数 cv2.minEnclosingCircle() 通过迭代算法构造一个对象的面积最小包围圆形。该函数的语法格式为：

center,radius=cv2.minEnclosingCircle(points)
"""
参数：points: 轮廓数组
返回值：center: 最小包围圆形的中心radius: 最小包围圆形的半径
"""

代码：

# 绘制最小圆形
import cv2
import numpy as npim = cv2.imread("../data/cloud.png", 0)
cv2.imshow("orig", im)# 提取图像轮廓
ret, binary = cv2.threshold(im, 127, 255, cv2.THRESH_BINARY)
img, contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_NONE)(x, y), radius = cv2.minEnclosingCircle(contours[0])
center = (int(x), int(y))
radius = int(radius)
cv2.circle(im, center, radius, (255, 255, 255), 2)  # 绘制圆cv2.imshow("result", im)  # 显示绘制后的图像cv2.waitKey()
cv2.destroyAllWindows()

执行结果：
在这里插入图片描述

6.4 绘制最佳拟合椭圆

函数cv2.fitEllipse() 可以用来构造最优拟合椭圆。该函数的语法格式是：

retval=cv2.fitEllipse(points)
"""
参数：points: 轮廓
返回值：retval: 为RotatedRect类型的值，包含外接矩形的质心、宽、高、旋转角度等参数信息，这些信息正好与椭圆的中心点、轴长度、旋转角度等信息吻合
"""

代码：

# 绘制最优拟合椭圆
import cv2
import numpy as npim = cv2.imread("../data/cloud.png")
gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
cv2.imshow("orig", gray)# 提取图像轮廓
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
img, contours, hierarchy = cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_NONE)ellipse = cv2.fitEllipse(contours[0])  # 拟合最优椭圆
print("ellipse:", ellipse)
cv2.ellipse(im, ellipse, (0, 0, 255), 2)  # 绘制椭圆cv2.imshow("result", im)  # 显示绘制后的图像cv2.waitKey()
cv2.destroyAllWindows()

执行结果：
在这里插入图片描述

6.5 逼近多边形

函数cv2.approxPolyDP() 用来构造指定精度的逼近多边形曲线。该函数的语法格式为：

approxCurve = cv2.approxPolyDP(curve,epsilon,closed)
"""
参数：curve: 轮廓epsilon: 精度，原始轮廓的边界点与逼近多边形边界之间的最大距离closed: 布尔类型，该值为True时，逼近多边形是封闭的；否则，逼近多边形是不封闭的
返回值：approxCurve: 逼近多边形的点集
"""

代码：

# 构建多边形，逼近轮廓
import cv2
import numpy as npim = cv2.imread("../data/cloud.png")
cv2.imshow("im", im)
gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)# 提取图像轮廓
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
img, contours, hierarchy = cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_NONE)
# 精度一
adp = im.copy()
epsilon = 0.005 * cv2.arcLength(contours[0], True)  # 精度，根据周长计算
approx = cv2.approxPolyDP(contours[0], epsilon, True)  # 构造多边形
adp = cv2.drawContours(adp, [approx], 0, (0, 0, 255), 2)  # 绘制多边形
cv2.imshow("result_0.005", adp)
# 精度二
adp2 = im.copy()
epsilon = 0.01 * cv2.arcLength(contours[0], True)  # 精度，根据周长计算
approx = cv2.approxPolyDP(contours[0], epsilon, True)  # 构造多边形
adp = cv2.drawContours(adp2, [approx], 0, (0, 0, 255), 2)  # 绘制多边形
cv2.imshow("result_0.01", adp2)cv2.waitKey()
cv2.destroyAllWindows()

执行结果：
在这里插入图片描述

7. 视频基本处理

7.1 读取摄像头
import numpy as np
import cv2cap = cv2.VideoCapture(0)  # 实例化VideoCapture对象, 0表示第一个摄像头
while cap.isOpened():ret, frame = cap.read()  # 捕获帧cv2.imshow("frame", frame)c = cv2.waitKey(1)  # 等待1毫秒，等待用户输入if c == 27:  # ESC键breakcap.release()  # 释放摄像头
cv2.destroyAllWindows()
7.2 播放视频文件
import numpy as np
import cv2cap = cv2.VideoCapture("D:\\tmp\\min_nong.mp4")  # 打开视频文件
while cap.isOpened():ret, frame = cap.read()  # 读取帧cv2.imshow("frame", frame)  # 显示c = cv2.waitKey(25)if c == 27:  # ESC键breakcap.release()  # 释放视频设备
cv2.destroyAllWindows()
7.3 捕获并保存视频
import numpy as np
import cv2""" 编解码4字标记值说明
cv2.VideoWriter_fourcc（'I','4','2','0'）表示未压缩的YUV颜色编码格式，色度子采样为4:2:0。该编码格式具有较好的兼容性，但产生的文件较大，文件扩展名为.avi。
cv2.VideoWriter_fourcc（'P','I','M','I'）表示 MPEG-1编码类型，生成的文件的扩展名为.avi。
cv2.VideoWriter_fourcc（'X','V','I','D'）表示MPEG-4编码类型。如果希望得到的视频大小为平均值，可以选用这个参数组合。该组合生成的文件的扩展名为.avi。
cv2.VideoWriter_fourcc（'T','H','E','O'）表示Ogg Vorbis编码类型，文件的扩展名为.ogv。
cv2.VideoWriter_fourcc（'F','L','V','I'）表示Flash视频，生成的文件的扩展名为.flv。
"""
cap = cv2.VideoCapture(0)
fourcc = cv2.VideoWriter_fourcc("I", "4", "2", "0")  # 编解码4字标记值
out = cv2.VideoWriter("output.avi",  # 文件名fourcc,  # 编解码类型20,  # fps(帧速度)(640, 480))  # 视频分辨率while cap.isOpened():ret, frame = cap.read()  # 读取帧if ret == True:out.write(frame)  # 写入帧cv2.imshow("frame", frame)if cv2.waitKey(1) == 27:  # ESC键breakelse:breakcap.release()
out.release()
cv2.destroyAllWindows()

8. 综合案例

8.1 利用OpenCV实现图像校正

【任务描述】

我们对图像中的目标进行分析和检测时，目标往往具有一定的倾斜角度，自然条件下拍摄的图像，完全平正是很少的。因此，需要将倾斜的目标“扶正”的过程就就叫做图像矫正。该案例中使用的原始图像如下：

在这里插入图片描述

【代码】

# 图像校正示例
import cv2
import numpy as np
import mathim = cv2.imread("../data/paper.jpg")
gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
cv2.imshow('im', im)# 模糊
blurred = cv2.GaussianBlur(gray, (5, 5), 0)
# 膨胀
dilate = cv2.dilate(blurred, (3, 3))
# 检测边沿
edged = cv2.Canny(dilate,  # 原始图像30, 120)  # 滞后阈值、模糊度
# cv2.imshow("edged", edged)# 轮廓检测
img, cnts, hie = cv2.findContours(edged.copy(),cv2.RETR_EXTERNAL,  # 只检测外轮廓cv2.CHAIN_APPROX_SIMPLE)  # 只保留该方向的终点坐标
docCnt = None# 绘制轮廓
im_cnt = cv2.drawContours(im,  # 绘制图像cnts,  # 轮廓点列表-1,  # 绘制全部轮廓(0, 0, 255),  # 轮廓颜色：红色2)  # 轮廓粗细
cv2.imshow("im_cnt", im_cnt)# 计算轮廓面积，并排序
if len(cnts) > 0:cnts = sorted(cnts,  # 数据key=cv2.contourArea,  # 排序依据，根据contourArea函数结果排序reverse=True)for c in cnts:peri = cv2.arcLength(c, True)  # 计算轮廓周长approx = cv2.approxPolyDP(c, 0.02 * peri, True)  # 轮廓多边形拟合# 轮廓为4个点表示找到纸张if len(approx) == 4:docCnt = approxbreakprint(docCnt)# 用圆圈标记处角点
points = []
for peak in docCnt:peak = peak[0]# 绘制圆cv2.circle(im,  # 绘制图像tuple(peak), 10,  # 圆心、半径(0, 0, 255), 2)  # 颜色、粗细points.append(peak)  # 添加到列表
print(points)
cv2.imshow("im_point", im)# 校正
src = np.float32([points[0], points[1], points[2], points[3]])  # 原来逆时针方向四个点
dst = np.float32([[0, 0], [0, 488], [337, 488], [337, 0]])  # 对应变换后逆时针方向四个点
m = cv2.getPerspectiveTransform(src, dst)  # 生成透视变换矩阵
result = cv2.warpPerspective(gray.copy(), m, (337, 488))  # 透视变换"""  根据勾股定理计算宽度、高度，再做透视变换
h = int(math.sqrt((points[1][0] - points[0][0])**2 + (points[1][1] - points[0][1])**2)) # 宽度
w = int(math.sqrt((points[2][0] - points[1][0])**2 + (points[2][1] - points[1][1])**2)) # 高度
print("w:", w, " h:", h)
dst = np.float32([[0, 0], [0, h], [w, h], [w, 0]])
m = cv2.getPerspectiveTransform(src, dst)  # 生成透视变换矩阵
result = cv2.warpPerspective(gray.copy(), m, (w, h))  # 透视变换
"""cv2.imshow("result", result)  # 显示透视变换结果cv2.waitKey()
cv2.destroyAllWindows()

【执行结果】

在这里插入图片描述

8.2 利用OpenCV检测芯片瑕疵

【任务描述】

利用图像技术，检测出芯片镀盘区域瑕疵。样本图像中，粉红色区域为镀盘区域，镀盘内部空洞为瑕疵区域，利用图像技术检测镀盘是否存在瑕疵，如果存在则将瑕疵区域标记出来。

在这里插入图片描述

【代码】

import cv2
import numpy as np
import math# 第一步：图像预处理
## 1. 转换成灰度图像，进行二值化处理
im_cpu = cv2.imread("../../data/CPU3.png")
im_gray = cv2.cvtColor(im_cpu, cv2.COLOR_BGR2GRAY)  # 转换成灰度图像# 提取出度盘轮廓
ret, im_bin = cv2.threshold(im_gray, 162, 255, cv2.THRESH_BINARY)  # 图像二值化
cv2.imshow("im_cpu", im_cpu)
cv2.imshow("im_gray", im_gray)
cv2.imshow("im_bin", im_bin)# 提取轮廓、绘制边沿
img, contours, hierarchy = cv2.findContours(im_bin, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)# 绘制前景对象轮廓
mask = np.zeros(im_bin.shape, np.uint8)
mask = cv2.drawContours(mask, contours, -1, (255, 0, 0), -1)  # 绘制实心轮廓
cv2.imshow("mask", mask)# 前景实心轮廓图和二值化图相减
im_sub = cv2.subtract(mask, im_bin)
cv2.imshow("im_sub", im_sub)# 图像闭运算，先膨胀后腐蚀，去除内部毛刺
k = np.ones((10, 10), np.uint8)
im_close = cv2.morphologyEx(im_sub, cv2.MORPH_CLOSE, k, iterations=3)
cv2.imshow("im_close", im_close)# 提取、绘制轮廓、计算面积
img, contours, hierarchy = cv2.findContours(im_close, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)(x, y), radius = cv2.minEnclosingCircle(contours[1])
center = (int(x), int(y))
radius = int(radius)
print("center:", center, " radius:", radius)
cv2.circle(im_close, center, radius, (255, 0, 0), 2)  # 绘制圆
cv2.imshow("im_gaussian_blur2", im_close)# 在原始图片上绘制瑕疵
cv2.circle(im_cpu, center, radius, (0, 0, 255), 2)  # 绘制圆
cv2.imshow("im_cpu2", im_cpu)#计算面积
area = math.pi * radius * radius
print("area:", area)
if area > 12:print("度盘表面有缺陷")cv2.waitKey()
cv2.destroyAllWindows()

【执行结果】

在这里插入图片描述

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/305279.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

探索基于WebRTC的有感录屏技术开发流程

探索基于WebRTC的有感录屏技术开发流程

title: 探索基于WebRTC的有感录屏技术开发流程 date: 2024/4/7 18:21:56 updated: 2024/4/7 18:21:56 tags: WebRTC录屏技术屏幕捕获有感录屏MediaStream实时传输音频录制 第一章：技术原理 WebRTC（Web Real-Time Communication）是一种开放源…
阅读更多...
vue源码解析——v-if和v-for哪个优先级高，如何避免两者同时使用

vue源码解析——v-if和v-for哪个优先级高，如何避免两者同时使用

首先，官方不推荐v-if和v-for在同一个元素上使用。其次，如果两者同时使用，v-if和v-for的优先级怎么确定？在vue2和vue3中这两者的优先级顺序不一样。vue2是v-for优先，条件不存在时也会渲染多个注释节点。在vue3中进行了改…
阅读更多...
互联网大厂ssp面经（操作系统：part1）

互联网大厂ssp面经（操作系统：part1）

1. 什么是进程和线程？它们之间有什么区别？ a. 进程是操作系统中运行的一个程序实例。它拥有独立的地址空间和资源，可以独立执行。 b. 线程是进程内的一个执行单元，一个进程可以包含多个线程。 c. 线程共享进程的资源，…
阅读更多...
HarmonyOS开发实例：【数字管家app】

HarmonyOS开发实例：【数字管家app】

一．概述 本应用是基于RK3399开发板，使用OpenHarmony3.1-Release开发的应用。通过OpenHarmony的分布式技术，使多人能够一起画画。 1.应用运行效果图： 2.分布式画板使用示意图 如上图所示，用户1、用户2在各自本地端进行…
阅读更多...
【Entity Framework】如何使用EF中的生成值

【Entity Framework】如何使用EF中的生成值

【Entity Framework】如何使用EF中的生成值 文章目录 【Entity Framework】如何使用EF中的生成值一、概述二、默认值三、计算列四、设置主键五、显示配置值生成六、设置日期/时间值生成6.1 创建时间戳6.2 更新时间戳 七、替代值生成八、无值生成九、总结 一、概述 数据库列的值…
阅读更多...
【网站项目】校园订餐小程序

【网站项目】校园订餐小程序

🙊作者简介：拥有多年开发工作经验，分享技术代码帮助学生学习，独立完成自己的项目或者毕业设计。 代码可以私聊博主获取。🌹赠送计算机毕业设计600个选题excel文件，帮助大学选题。赠送开题报告模板&#xff…
阅读更多...
软考121-上午题-【软件工程】-敏捷方法

软考121-上午题-【软件工程】-敏捷方法

一、敏捷方法 敏捷开发的总体目标是通过“尽可能早地、持续地对有价值的软件的交付”使客户满意。通过在软件开发过程中加入灵活性，敏捷方法使用户能够在开发周期的后期增加或改变需求。 敏捷过程的典型方法有很多，每一种方法基于一套原则，这…
阅读更多...
国家统计局行政区划获取及入库ES实践

国家统计局行政区划获取及入库ES实践

我们先看下最终效果： 1. ES索引新建 PUT administrative_division {"mappings": {"properties": {"province": {"type": "keyword"},"province_code": {"type": "keyword"},&q…
阅读更多...
【前端Vue】Vue3+Pinia小兔鲜电商项目第5篇：整体认识和路由配置,本资源由 收集整理【附代码文档】

【前端Vue】Vue3+Pinia小兔鲜电商项目第5篇：整体认识和路由配置,本资源由 收集整理【附代码文档】

Vue3ElementPlusPinia开发小兔鲜电商项目完整教程（附代码资料）主要内容讲述：认识Vue3，使用create-vue搭建Vue3项目1. Vue3组合式API体验,2. Vue3更多的优势,1. 认识create-vue,2. 使用create-vue创建项目,1. setup选项的写法和执行…
阅读更多...
mobaXterm使用密钥免密登录服务器，并且在Vscode中使用ppk密钥进行远程连接

mobaXterm使用密钥免密登录服务器，并且在Vscode中使用ppk密钥进行远程连接

本文介绍在mobaXterm上免密登录的过程，并且在vscode中也免密登录服务器。 1. mobaXterm免密登录服务器 需要首先说明的是，mobaXterm里有一个记住密码的功能。如果你只是不想手动输入密码，大多数情况下使用这一功能即可。 这里介绍的情况是…
阅读更多...
今天讲讲MYSQL数据库事务怎么实现的！

今天讲讲MYSQL数据库事务怎么实现的！

目录 什么是数据库事务 Mysql如何保证原子性 Mysql如何保证持久性 MySQL怎么保证隔离性 事务隔离级别 脏读的解决 不可重复读的解决 幻读的解决 MVCC实现 Read View 那么RC、RR级别下的InnoDB快照读有什么不同？ 什么是数据库事务 数据库事务是指一组数据…
阅读更多...
vs2017离线安装（配合QT5.9.2使用）

vs2017离线安装（配合QT5.9.2使用）

以vs2017_Professional版本为例： 一、下载安装包vs2017_Professional.exe（在线安装包即可） 二、创建在目录：C:\vs2017_Professional_Package，把vs2017_Professional.exe放在该目录下。 ID： Microsoft.Vis…
阅读更多...
一文了解AI边缘计算盒子是什么产品设备

一文了解AI边缘计算盒子是什么产品设备

大家听说过AI边缘计算盒子吗？不知道你有没有注意到，最近这款产品设备在科技圈内可是火得不要不要的！那么，它究竟是什么东西呢？别着急，小编我今天就来给大家揭晓。 边缘计算盒子是什么? 边缘计算盒子是一种…
阅读更多...
算法与程序设计(实验2）----分治法求最近点对问题

算法与程序设计(实验2）----分治法求最近点对问题

一．实验目的 掌握分治法思想。学会最近点对问题求解方法。 二、实验内容 1. 对于平面上给定的N个点，给出具有最短距离的两点。 2. 要求随机生成N个点的平面坐标，应用蛮力法编程计算出所有点对的最短距离。 3. 要求随机生成N个点的平面坐…
阅读更多...
Linux LVM磁盘扩容

Linux LVM磁盘扩容

1、查看磁盘情况 df -h df -h2、查看逻辑卷 lvdisplay lvdisplay3、查看逻辑组 vgdisplay vgdisplay4、查看物理卷 pvdisplay pvdisplay5、查看磁盘 fdisk -l fdisk -l6、磁盘分区fdisk /dev/磁盘名 # 上一步查看到的新硬盘路径 fdisk /dev/vdb7、格式化磁盘mkfs -t ext4…
阅读更多...
KaiwuDB 数据库故障诊断工具详解

KaiwuDB 数据库故障诊断工具详解

数字化时代，数据是企业最宝贵的资产之一。然而，随着数据量的增长，数据库管理的复杂性也在不断上升。数据库故障可能导致业务中断，给公司带来巨大的财务和声誉损失。在本篇博客中，我们将分享 KaiwuDB 是如何设计故障诊断…
阅读更多...
ssm038汽车养护管理系统+jsp

ssm038汽车养护管理系统+jsp

汽车养护管理系统设计与实现 摘 要 现代经济快节奏发展以及不断完善升级的信息化技术，让传统数据信息的管理升级为软件存储，归纳，集中处理数据信息的管理方式。本汽车养护管理系统就是在这样的大环境下诞生，其可以帮助管理者在短…
阅读更多...
MySQL——全文检索

MySQL——全文检索

不是所有的数据表都支持全文检索 MySQL支持多种底层数据库引擎，但是并非所有的引擎支持全文检索 ，目前最常用引擎是是MyISAM和InnoDB；前者支持全文检索，后者不支持。 booolean模式操作符 实验： 表productnotes &…
阅读更多...
SQL Server详细安装使用教程

SQL Server详细安装使用教程

1.安装环境 现阶段基本不用SQL Server数据库了，看到有这样的分析话题，就把多年前的存货发一下，大家也可以讨论看看，思路上希望还有价值。 SQL Server 2008 R2有32位版本和64位版本，32位版本可以安装在Windows XP及以上…
阅读更多...
《QT实用小工具·二十》存款/贷款计算器

《QT实用小工具·二十》存款/贷款计算器

1、概述 源码放在文章末尾 该项目实现了用于存款和贷款的计算器的功能&#xff0c;如下图所示&#xff1a; 项目部分代码如下&#xff1a; #ifndef WIDGET_H #define WIDGET_H#include <QWidget>namespace Ui { class Widget; }class Widget : public QWidget {Q_OBJ…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023

友情链接： 我的编程经验分享 一条长河网 尧图网站开发