opencv-day2-图像预处理1

图像预处理

在计算机视觉和图像处理领域，图像预处理能够提高后续处理（如特征提取、目标检测等）的准确性和效率。

常见的图像预处理操作：

  1. 图像色彩空间转换

  2. 图像大小调整

  3. 图像仿射变换

  4. 图像翻转

  5. 图像裁剪

  6. 图像二值化处理

  7. 图像去噪

  8. 边缘检测

  9. 图像平滑处理

  10. 图像形态学

图像翻转

cv2.flip 是 OpenCV 库中的一个函数，用于翻转图像。翻转可以是水平翻转、垂直翻转或同时水平和垂直翻转。这个函数接受两个参数：要翻转的图像和一个指定翻转类型的标志。

函数签名

cv2.flip(src, flipCode[, dst]) -> dst

参数说明

  • src：输入图像，可以是任意类型和深度的多通道图像。

  • flipCode

    ：指定翻转类型的整数标志：

    • 0：沿 X 轴翻转（垂直翻转）

    • 1：沿 Y 轴翻转（水平翻转）

    • -1：沿 X 轴和 Y 轴翻转（同时水平和垂直翻转）

  • dst：可选参数，输出图像。如果未提供，输出图像将与输入图像具有相同的尺寸和类型。

示例

以下是一些使用 cv2.flip 的示例代码：

import cv2
​
# 加载图像
image = cv2.imread("save_image/car.png")
# 翻转: -1:水平和垂直 1:水平翻转，0 垂直翻转
img = cv2.flip(image, -1)
# 显示原始图像和翻转后的图像
cv2.imshow('img', img)
# 等待按键并关闭窗口
cv2.waitKey(0)
cv2.destroyAllWindows()
import cv2
img=cv2.imread("image/car.png")
#翻转:0:垂直翻转；1：水平翻转；-1是水平垂直翻转
f_img=cv2.flip(img,-1)
cv2.imshow("old",img)
cv2.imshow("new",f_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

图像仿射变换

仿射变换（Affine Transformation）是一种线性变换，它保持了点之间的相对距离不变，即平行线在变换后仍然保持平行。在图像处理中，仿射变换常用于旋转、缩放、平移和剪切等操作。

图像旋转

旋转操作可以将图像绕着某个点旋转一定的角度

实例代码

import cv2
​
# 加载图像
image = cv2.imread("images/car.png")
# 获取图像的尺寸
(h, w) = image.shape[:2]
# 设置旋转中心和旋转角度
center = (w // 2, h // 2)
# 计算旋转矩阵
# 旋转角度（可修改）
angle = 40
# 缩放比例 1.0 表示不缩放
M = cv2.getRotationMatrix2D(center, angle, 1.0)
# 进行旋转
rotated_image = cv2.warpAffine(image, M, (w, h))
cv2.imshow('Rotated Image', rotated_image)
# 等待按键并关闭窗口
cv2.waitKey(0)
cv2.destroyAllWindows()

cv2.getRotationMatrix2D 是 OpenCV 库中的一个函数，用于获取旋转矩阵。这个函数主要用于图像的旋转变换。旋转矩阵是一个 2x3 的矩阵，可以用来将图像围绕指定的中心点旋转指定的角度，并且可以选择是否进行缩放。

函数签名

cv2.getRotationMatrix2D(center, angle, scale) -> M

参数说明

  • center：旋转中心点的坐标，格式为 (x, y)。

  • angle：旋转角度，单位为度。正角度表示逆时针旋转，负角度表示顺时针旋转。

  • scale：缩放比例。如果设置为 1，则不进行缩放。

返回值

  • M：2x3 的旋转矩阵。

示例

以下是一个使用 cv2.getRotationMatrix2D 的示例代码，

cv2.warpAffine 函数

仿射变换 函数

cv2.warpAffine(src, M, dsize, dst) →

  • src: 输入图像。

  • M: 2x3 的变换矩阵，类型为 np.float32。

  • dsize: 输出图像的尺寸，形式为 (width, height)。

  • dst (可选): 输出图像。如果未提供，则会自动创建一个新的图像。

import cv2
​
img=cv2.imread("image/car.png")
#获取图片的像素
(h,w)=img.shape[:2]
#旋转的坐标
center=(100,120)
#旋转的角度
du=30
#获取图像矩阵
m=cv2.getRotationMatrix2D(center,du,1)#1:保留不变；>1放大；<1缩小
#图像旋转
w_img=cv2.warpAffine(img,m,(w,h))
cv2.imshow("image",w_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

图像平移

平移操作可以将图像中的每个点沿着某个方向移动一定的距离

import cv2
import numpy as np
​
# 读取图像
img = cv2.imread("images/car5.png")
#获取图片像素
(h, w) = img.shape[:2]
# 定义平移矩阵
#tx 图片x轴移动200,ty是图片y轴移动50px
tx, ty = 200, 50
#获取平移矩阵
M = np.float32([[1, 0, tx], [0, 1, ty]])
# 应用平移变换
translated = cv2.warpAffine(img, M, (w, h))
# 显示结果
cv2.imshow('Translated Image', translated)
cv2.waitKey(0)
cv2.destroyAllWindows()

其中，tx 和 ty 分别表示在x轴和y轴方向上的平移距离。

import cv2
import numpy as np
​
img=cv2.imread("image/car.png")
(h,w)=img.shape[:2]
#定义平移水平和垂直移动的距离
ty=50
tx=100
#创建一个平移的矩阵
#t_img=np.float32([[1,0,tx],[0,1,ty]])
t_img=cv2.getRotationMatrix2D((tx,ty),-1,1)#?
w_img=cv2.warpAffine(img,t_img,(w,h))
​
cv2.imshow("m",w_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

图像缩放

缩放操作可以改变图像的大小

import cv2
import numpy as np
​
# 读取图像
img = cv2.imread("images/car5.png")
h, w, channels = img.shape
# 定义缩放因子
sx, sy = 1.5, 1.5
M = np.float32([[sx, 0, 0], [0, sy, 0]])
# 应用缩放变换
scaled = cv2.warpAffine(img, M, (int(w * sx), int(h* sy)))
# 显示结果
cv2.imshow('Scaled Image', scaled)
cv2.waitKey(0)
cv2.destroyAllWindows()

sx 和 sy 分别表示在x轴和y轴方向上的缩放因子。

import cv2
import numpy as np
​
img=cv2.imread("image/car.png")
(h,w)=img.shape[:2]
#定义缩放的参数,缩放的参数大于1的是放大，小于1的是缩小
ww=1.5
hh=1.5
m=np.float32([[ww,0,0],[0,hh,0]])
#仿射变换
t_img=cv2.warpAffine(img,m,(int(w*ww),int(h*hh)))
​
cv2.imshow("m",t_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

图像剪切

剪切操作可以改变图像的形状，使其在某个方向上倾斜

import cv2
import numpy as np
​
# 读取图像
img = cv2.imread("images/car5.png")
rows, cols, _ = img.shape
# 定义剪切因子
shx, shy = 0.2, 0.2
M = np.float32([[1, shx, 0], [shy, 1, 0]])
# 应用剪切变换
sheared = cv2.warpAffine(img, M, (cols, rows))
​
# 显示结果
cv2.imshow('Sheared Image', sheared)
cv2.waitKey(0)
cv2.destroyAllWindows()

import cv2
import numpy as np
​
img=cv2.imread("image/car.png")
(h,w)=img.shape[:2]
#定义图像剪切的参数
sx=0.1
sy=1
#定义矩形
m=np.float32([[1,sx,0],[sy,1,0]])
#图像剪切
i_img=cv2.warpAffine(img,m,(w,h))
cv2.imshow("o",img)
cv2.imshow("a",i_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

图像色彩空间转换

OpenCV中的色彩空间转换是将图像从一种颜色表示形式转换为另一种颜色表示形式的过程。常见的颜色空间包括RGB、HSV、YUV等。

色彩空间转换有几个重要的作用：

  1. 方便图像处理：在不同的颜色空间中，对应的通道代表了不同的属性，例如在RGB空间中，红、绿、蓝三个通道分别代表了颜色的强度，而在HSV空间中，H(色相)代表了颜色的种类，S(饱和度)代表了颜色的深浅，V(亮度)代表了颜色的明暗。因此，对于不同的处理需求，选择不同的颜色空间进行处理可以更加方便。

  2. 提高图像处理效果：在某些情况下，使用某些特定的颜色空间可以提高图像处理的效果。例如，在HSV空间中，可以通过调整S(饱和度)和V(亮度)来提高图像的对比度并去除噪点。

  3. 节省计算资源：在某些情况下，使用特定的颜色空间可以帮助我们节省计算资源。例如，在RGB空间中，每个像素需要3个通道来表示，而在灰度空间中，每个像素只需要一个通道就可以表示。因此，如果我们只需要处理亮度信息而不需要颜色信息时，将图像转换为灰度空间可以节省计算资源。

总之，色彩空间转换在图像处理中是一项非常重要的技术，它可以方便我们对图像进行处理，并提高图像处理的效果和节省计算资源。

cv2.cvtColor()是OpenCV中的一个函数，用于图像颜色空间的转换。它可以将一个图像从一个颜色空间转换为另一个颜色空间，比如从RGB到灰度图像的转换，或者从BGR到HSV的转换等。

函数的语法如下：

cv2.cvtColor(src, code)

参数说明：

  • src：输入图像，可以是一个NumPy数组或者一个OpenCV的Mat对象。

  • code：指定转换的类型，可以使用预定义的转换代码，例如cv2.COLOR_BGR2GRAY表示从BGR到灰度图像的转换。

RGB 转 Gray（灰度）

RGB 转 Gray（灰度），将彩色图像转换为灰度图像，可以减少数据量并简化算法。

    image = cv2.imread("../images/car.png")# 将图像从BGR到灰度图像的转换gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
​# 显示原始图像和转换后的灰度图像cv2.imshow('old Image', image)cv2.imshow('new Image', gray_image)cv2.waitKey(0)cv2.destroyAllWindows()
import cv2
​
img=cv2.imread("image/car.png")
#图像色彩空间转换
#opencv默认的图像格式BGR
#COLOR_BGR2GRAY 把BGR图像转换成灰度图像
gay_img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
print(img)#矩阵信息
print('--------------')
print(gay_img)
cv2.imshow("old",img)
cv2.imshow("new",gay_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

RGB 转 HSV

RGB 转 HSV，HSV（Hue, Saturation, Value）色彩空间在颜色分割和颜色识别中非常有用。

import cv2
#在某些情况下，使用某些特定的颜色空间可以提高图像处理的效果。
# 例如，在HSV空间中，可以通过调整S(饱和度)和V(亮度)来提高图像的对比度并去除噪
image = cv2.imread("images/car.png")
# 将图像从BGR到灰度图像的转换
image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
#转换后的图像
cv2.imshow('new Image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()
import cv2
​
img=cv2.imread("image/car.png")
#图像色彩空间转换
#opencv默认的图像格式BGR
#COLOR_BGR2HSV 把BGR图像转换成HSV图像,提高亮度和饱和度
gay_img=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
print(img)#矩阵信息
print('--------------')
print(gay_img)
cv2.imshow("old",img)
cv2.imshow("new",gay_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

图像二值化处理

案例：

import cv2
​
# 读取图像并转换为灰度图
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
​
# 应用阈值
thresh_value = 127
retval, binary_image = cv2.threshold(image, thresh_value, 255, cv2.THRESH_BINARY)
​
# 显示结果
cv2.imshow('原图', image)
cv2.imshow('二值图像', binary_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

cv2.threshold 是 OpenCV 中用于图像二值化的函数。它通过设置阈值将图像分为前景和背景，常用于图像处理和分析。以下是该函数的主要功能和用法简介：

功能

cv2.threshold 将灰度图像转换为二值图像，根据指定的阈值将像素值分为两类：高于阈值的像素设为一个值（通常是255），低于阈值的像素设为另一个值（通常是0）。

语法

retval, dst = cv2.threshold(src, thresh, maxval, type)
​

参数

  1. src: 输入的灰度图像。

  2. thresh: 阈值，决定分割的界限。

  3. maxval: 当像素值超过阈值时，赋予的最大值（通常为255）。

  4. type

    : 阈值类型，常用的有：

    • cv2.THRESH_BINARY: 超过阈值的像素设为最大值，其余设为0。

    • cv2.THRESH_BINARY_INV: 超过阈值的像素设为0，其余设为最大值。

    • cv2.THRESH_TRUNC: 超过阈值的像素设为阈值，其余不变。

    • cv2.THRESH_TOZERO: 超过阈值的像素不变，其余设为0。

    • cv2.THRESH_TOZERO_INV: 超过阈值的像素设为0，其余不变。

返回值

  • retval: 实际使用的阈值（可能与输入值不同）。

  • dst: 输出的二值图像。

import cv2
img=cv2.imread("image/car.png")
#把图像转换成灰度图像
g_img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#二值化处理
#re实际应用阈值，t_img：转换后的图像
rs,t_img=cv2.threshold(g_img,100,255,cv2.THRESH_BINARY)
cv2.imshow("aa",img)
cv2.imshow("a",t_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

图像掩膜

它通常用于创建掩膜，以便从图像中提取特定颜色的区域。

函数原型

cv2.inRange(src, lowerb, upperb)
​

参数

  • src: 输入的图像，可以是彩色图像（HSV图像，不是BGR图像）或灰度图像。

  • lowerb: 颜色范围的下界（数组或元组），指定了要提取的颜色的最小值。

  • upperb: 颜色范围的上界（数组或元组），指定了要提取的颜色的最大值。

返回值

  • 返回一个二值图像，白色部分表示在指定颜色范围内的区域，黑色部分表示不在范围内的区域

案例

import cv2
import numpy as np
​
# 读取图像
image = cv2.imread("images/car.png")
# 将图像从 BGR 转换到 HSV 颜色空间
hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
# 定义颜色范围，(蓝色区域)
lower = np.array([100, 100, 100])
upper = np.array([140, 255, 255])
# 使用 inRange 函数创建掩模
mask = cv2.inRange(hsv_image, lower, upper)
cv2.imshow('01', mask)
cv2.waitKey(0)
cv2.destroyAllWindows()
import cv2
import numpy as np
​
img=cv2.imread("image/car5.png")
#把图像转换成HSV空间
hsv_img=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
#获取蓝色所在HSV范围,需要自己根据实际情况做调整
lower=np.array([100,100,50])
height=np.array([140,255,255])
#创建掩膜-针对特定的颜色
#hsv_img输入的图像是HSV图像
mask=cv2.inRange(hsv_img,lower,height)
cv2.imshow("b",img)
cv2.imshow("a",mask)
cv2.waitKey(0)
cv2.destroyAllWindows()

图像位与操作

cv2.bitwise_and() 是 OpenCV 库中的一个函数，用于对两个图像进行按位与操作。这个操作会逐个像素地对两个输入图像进行比较，只有在两个像素均为 255（白色）时，输出的像素才会为 255（白色），否则输出为 0（黑色）。这个函数在图像处理中的应用非常广泛，尤其是在掩膜和图像分割等任务中

函数原型

dst = cv2.bitwise_and(src1, src2, mask=None)
​

参数说明

  • src1: 第一个输入图像。

  • src2: 第二个输入图像。两幅图像应具有相同的尺寸和类型。

  • mask: 可选参数，用于指定一个掩膜。如果提供，只有在掩膜的相应位置为非零时，才会计算输出。

返回值

  • 返回按位与操作后的图像（dst）。

案例

import cv2
import numpy as np
​
# 读取图像
image = cv2.imread("images/car.png")
# 将图像从 BGR 转换到 HSV 颜色空间
hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
# 定义颜色范围，(蓝色区域)
lower = np.array([100, 100, 100])
upper = np.array([140, 255, 255])
# 使用 inRange 函数创建掩模
mask = cv2.inRange(hsv_image, lower, upper)
#位与操作
image = cv2.bitwise_and(image,image,mask=mask)
cv2.imshow('01', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

图像检测轮廓

cv2.findContours 函数可以在二值图像中找到轮廓，并返回轮廓的点集。轮廓可以用来表示物体的边界，常用于物体检测、分割和形状分析。

语法

contours, hierarchy = cv2.findContours(image, mode, method)

参数

  1. image: 输入的二值图像。通常在调用该函数之前需要将图像转换为灰度图像并进行二值化处理（如使用 cv2.threshold 或 cv2.Canny）。

  2. mode

    : 轮廓检索模式：

    • cv2.RETR_EXTERNAL: 只检索外部轮廓。

    • cv2.RETR_LIST: 检索所有轮廓，并将其放入列表中。

    • cv2.RETR_TREE: 检索所有轮廓，并建立层级关系。

  3. method

    : 轮廓逼近方法：

    • cv2.CHAIN_APPROX_SIMPLE: 压缩轮廓，仅保留端点。

    • cv2.CHAIN_APPROX_NONE: 保留所有轮廓点。

返回值

  • contours: 一个 Python 列表，其中每个元素是一个轮廓（即一组点），轮廓的点以 NumPy 数组的形式存储。

  • hierarchy: 轮廓的层级信息，包含轮廓之间的关系。

案例：

import cv2
​
# 读取图像并转换为灰度图像
image = cv2.imread("images/car.png")
# 将图像从BGR到灰度图像的转换
image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 二值化处理
retval, binary_image = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)
# 查找轮廓
contours, hierarchy = cv2.findContours(binary_image, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
​
# 把灰度图像转换彩色图像
output_image = cv2.cvtColor(binary_image, cv2.COLOR_GRAY2BGR)
# 绘制轮廓
cv2.drawContours(output_image, contours, -1, (0, 255, 0), 2)
# 显示结果
cv2.imshow('Contours', output_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

cv2.boundingRect 函数介绍

cv2.boundingRect 是 OpenCV 中用于计算轮廓的最小外接矩形的函数。这个函数可以返回一个包含轮廓的最小矩形的边界框，通常用于对象检测、图像分割等任务中。最小外接矩形是一个完全包围轮廓的矩形，其边与图像的坐标轴平行。

案例

import cv2
​
# 读取图像并转换为灰度图像
image = cv2.imread("images/car.png")
# 将图像从BGR到灰度图像的转换
image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 二值化处理
retval, binary_image = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)
# 查找轮廓
contours, hierarchy = cv2.findContours(binary_image, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
​
# 把灰度图像转换彩色图像
output_image = cv2.cvtColor(binary_image, cv2.COLOR_GRAY2BGR)
# 绘制轮廓
cv2.drawContours(output_image, contours, -1, (0, 255, 0), 2)
# 在每个轮廓上绘制最小外接矩形
for contour in contours:#获取绘制轮廓的边界框x, y, w, h = cv2.boundingRect(contour)cv2.rectangle(output_image, (x, y), (x + w, y + h), (0, 100, 0), 2)
# 显示结果
cv2.imshow('Contours', output_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

练习：

完成对车牌的分割提取

1 基于车牌是蓝色，可以通过掩模找到车牌所在区域

import cv2
import numpy as np
​
# 读取图像
image = cv2.imread("../images/car.png")
​
# 将图像从 BGR 转换到 HSV 颜色空间
hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
​
# 定义颜色范围，(蓝色区域)
lower = np.array([100, 100, 100])
upper = np.array([140, 255, 255])
# 使用 inRange 函数创建掩模
mask = cv2.inRange(hsv_image, lower, upper)
cv2.imshow('Contours', mask)
cv2.waitKey(0)
cv2.destroyAllWindows()

效果图如下：

2 掩模返回一个二值对象，可以通过图像轮廓检测，检测当前掩码图像的轮廓

# 查找轮廓
contours, hierarchy = cv2.findContours(mask, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
​
# 在每个轮廓上绘制最小外接矩形
for contour in contours:#获取绘制轮廓的边界框x, y, w, h = cv2.boundingRect(contour)cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)
# 显示结果
cv2.imshow('Contours', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

效果如下：

3 获取所有轮廓的边界框，我们发现车牌轮廓也在期间，通过调试，我们给一个车牌尺寸的范围值，提取车牌

    x, y, w, h = cv2.boundingRect(contour)if w > 50 and h > 20:  # 可根据实际车牌尺寸调整cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)

效果如下：

4 最后，用图片切割切出车牌

  plate_image = image[y:y + h, x:x + w]  # 切割车牌区域

import cv2
import numpy as np
img=cv2.imread("image/car.png")
#把图像转换成HSV空间
hsv_img=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
#获取蓝色所在HSV范围,需要自己根据实际情况做调整
lower=np.array([100,100,50])
height=np.array([140,255,255])
#创建掩模-针对特定的颜色
#hsv_img输入的图像是HSV图像
mask=cv2.inRange(hsv_img,lower,height)
​
# #把图像转化为灰度图像
# # gay_img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#二值化处理
ret,t_img=cv2.threshold(mask,120,255,cv2.THRESH_BINARY)
#检测轮廓
myList,c=cv2.findContours(t_img,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
#把图像转换成BGR图像
bgr_img=cv2.cvtColor(t_img,cv2.COLOR_GRAY2BGR)
#画出检测的轮廓的点
out_img=cv2.drawContours(bgr_img,myList,-1,(0,255,0),1)
​
for c in myList:x,y,w,h=cv2.boundingRect(c)print(x,y,w,h)# 根据图片实际情况调整if w>100 and h>50:
#画出轮廓cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),1)#找w,h最大值cai_img=img[y:y+h,x:x+w]
​
​
cv2.imshow("a",img)
cv2.waitKey(0)
cv2.destroyAllWindows()

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/462354.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

scrapy爬取名人名言

scrapy爬取名人名言

爬取名人名言&#xff1a;http://quotes.toscrape.com/ 1 创建爬虫项目&#xff0c;在终端中输入&#xff1a; scrapy startproject quotes2 创建之后&#xff0c;在spiders文件夹下面创建爬虫文件quotes.py&#xff0c;内容如下&#xff1a; import scrapy from scrapy.spi…
阅读更多...
一文了解Linux内核I2C子系统，驱动苹果MFI加密芯片

一文了解Linux内核I2C子系统，驱动苹果MFI加密芯片

版本 日期 作者 变更表述 1.0 2024/10/27 于忠军 文档创建 背景&#xff1a;由于苹果有一套MFI IAP2的蓝牙私有协议&#xff0c;这个协议是基于BR/EDR的RFCOMM自定义UUID来实现IAP2协议的通信&#xff0c;中间会牵扯到苹果加密芯片的I2C读取&#xff0c;所以我们借此机…
阅读更多...
Spring之依赖注入（DI）和控制反转(IoC)——配置文件、纯注解

Spring之依赖注入（DI）和控制反转(IoC)——配置文件、纯注解

依赖注入 依赖注入(Dependency Injection&#xff0c;简称 DI)与控制反转(loC)的含义相同&#xff0c;只不过这两 个称呼是从两个角度描述的同一个概念。对于一个 Spring 初学者来说&#xff0c;这两种称呼很难理解, 下面我们将通过简单的语言来描述这两个概念。 当Java对象&…
阅读更多...
Ubuntu 22.04安装部署

Ubuntu 22.04安装部署

一、部署环境 表 1‑1 环境服务版本号系统Ubuntu22.04 server lts运行环境1JDK1.8前端WEBNginx1.8数据库postgresqlpostgresql13postgis3.1pgrouting3.1消息队列rabbitmq3.X(3.0以上)运行环境2erlang23.3.3.1 二、安装系统 2.1安装 1.安装方式&#xff0c;选第一条。 2.选择…
阅读更多...
基于ResNet50模型的船型识别与分类系统研究

基于ResNet50模型的船型识别与分类系统研究

项目源码获取方式见文章末尾&#xff01; 600多个深度学习项目资料&#xff0c;快来加入社群一起学习吧。 《------往期经典推荐------》 项目名称 1.【LSTM模型实现光伏发电功率的预测】 2.【卫星图像道路检测DeepLabV3Plus模型】 3.【GAN模型实现二次元头像生成】 4.【CNN模…
阅读更多...
信息学科平台系统开发：基于Spring Boot的最佳实践

信息学科平台系统开发：基于Spring Boot的最佳实践

3系统分析 3.1可行性分析 通过对本基于保密信息学科平台系统实行的目的初步调查和分析&#xff0c;提出可行性方案并对其一一进行论证。我们在这里主要从技术可行性、经济可行性、操作可行性等方面进行分析。 3.1.1技术可行性 本基于保密信息学科平台系统采用Spring Boot框架&a…
阅读更多...
Cityscapes数据集：如何将像素级的多边形标注的分割数据标注转为目标检测的bbox标注

Cityscapes数据集：如何将像素级的多边形标注的分割数据标注转为目标检测的bbox标注

Cityscapes数据集官网下载地址&#xff1a; https://www.cityscapes-dataset.com/ 相关介绍&#xff1a;从官网下载这三个压缩包文件leftImg8bit_trainvaltest.zip、gtCoarse.zip、gtFine_trainvaltest.zip 1&#xff09;leftImg8bit_trainvaltest.zip分为train、val以及tes…
阅读更多...
【周末推荐】Windows无缝连接iPhone

【周末推荐】Windows无缝连接iPhone

关注“ONE生产力”&#xff0c;获取更多精彩推荐&#xff01; 又到了周末推荐时间了&#xff0c;今天我们介绍一个Windows内置的功能&#xff0c;能够帮助大家将自己的电脑和iPhone连接在一起。 很多用Windows的小伙伴羡慕macOS可以和iPhone无缝连接&#xff0c;轻松阅读和回…
阅读更多...
JDBC/ODBC—数据库连接API概述

JDBC/ODBC—数据库连接API概述

JDBC/ODBC概述 在数据库连接领域&#xff0c;有两种广泛使用的技术&#xff1a;ODBC&#xff08;Open Database Connectivity - 开放数据库连接&#xff09;和 JDBC&#xff08;Java Database Connectivity - Java 数据库连接&#xff09;。 一、什么是 ODBC&#xff1f; Ope…
阅读更多...
Vagrant使用教程：创建CentOS 8虚拟机

Vagrant使用教程：创建CentOS 8虚拟机

目录 简介准备工作下载配置Vagrant修改环境变量创建VAGRANT_HOME环境变量修改virturalBox新建虚拟机文件的默认生成路径修改Vagrant配置支持VirtualBox7.1.x版本创建Vagrant文件添加镜像 初始化并开机初始化开发环境开机 其他配置项宿主机的交换目录修改虚拟机内存修改 访问方式…
阅读更多...
使用Django Channels实现WebSocket实时通信

使用Django Channels实现WebSocket实时通信

&#x1f493; 博客主页&#xff1a;瑕疵的CSDN主页 &#x1f4dd; Gitee主页&#xff1a;瑕疵的gitee主页 ⏩ 文章专栏&#xff1a;《热点资讯》 使用Django Channels实现WebSocket实时通信 Django Channels 简介 环境搭建 安装 Django 和 Channels 创建 Django 项目 配置 A…
阅读更多...
【JAVA 笔记】11 ch08_opp_intermediate 第8章 面向对象编程(中级部分)

【JAVA 笔记】11 ch08_opp_intermediate 第8章 面向对象编程(中级部分)

第8章 面向对象编程(中级部分) IDEA 常用快捷键 包 包的三大作用 包基本语法 包的本质分析 包的命名 常用的包 如何引入包 注意事项和使用细节 访问修饰符 基本介绍 访问修饰符的访问范围! 使用的注意事项 面向对象编程三大特征 基本介绍 封装介绍 封装的理解和好处 封装的实现…
阅读更多...
面试题：JVM（四）

面试题：JVM（四）

new对象流程&#xff1f;&#xff08;龙湖地产&#xff09; 对象创建方法&#xff0c;对象的内存分配。&#xff08;360安全&#xff09; 1. 对象实例化 创建对象的方式有几种&#xff1f; 创建对象的步骤 指针碰撞&#xff1a;以指针为分界线&#xff0c;一边是已连续使用的…
阅读更多...
无人机螺旋桨动平衡分析测试台

无人机螺旋桨动平衡分析测试台

产品简介 Flight Stand系列动力测试台全部支持螺旋桨动平衡分析测试功能&#xff0c;用户仅需几个简单的操作步骤&#xff0c;轻松实现电机和螺旋桨ISO 21940-11:2016标准级的动平衡精度。 功能说明 测试台一体化集成有三坐标振动传感器和转速传感器&#xff0c;通过测量动力…
阅读更多...
qt QTextEdit详解

qt QTextEdit详解

QTextEdit是Qt框架中的一个文本编辑控件类&#xff0c;它提供了丰富的功能用于编辑和显示纯文本以及富文本。 重要方法 setPlainText(const QString &text)&#xff1a;设置纯文本内容。toPlainText()&#xff1a;获取纯文本内容。setHtml(const QString &text)&#…
阅读更多...
杂项——USB键盘与鼠标流量分析——BUUCTF——流量分析

杂项——USB键盘与鼠标流量分析——BUUCTF——流量分析

第一次做USB键盘与鼠标流量分析的题目&#xff0c;现在来好好做一个总结 1. 基础知识 USB流量指的是USB设备接口的流量&#xff0c;攻击者能够通过监听usb接口流量获取键盘敲击键、鼠标移动与点击、存储设备的铭文传输通信、USB无线网卡网络传输内容等等。 在正式介绍 USB H…
阅读更多...
Windows部署rabbitmq

Windows部署rabbitmq

本次安装环境&#xff1a; 系统&#xff1a;Windows 11 软件建议版本&#xff1a; erlang OPT 26.0.2rabbitmq 3.12.4 一、下载 1.1 下载erlang 官网下载地址&#xff1a; 1.2 下载rabbitmq 官网下载地址&#xff1a; 建议使用解压版&#xff0c;安装版可能会在安装软件…
阅读更多...
HTML静态网页成品作业(HTML+CSS)——自行车介绍网页设计制作(1个页面)

HTML静态网页成品作业(HTML+CSS)——自行车介绍网页设计制作(1个页面)

&#x1f389;不定期分享源码&#xff0c;关注不丢失哦 文章目录 一、作品介绍二、作品演示三、代码目录四、网站代码HTML部分代码CSS部分代码 五、源码获取 一、作品介绍 &#x1f3f7;️本套采用HTMLCSS&#xff0c;未使用Javacsript代码&#xff0c;共有1个页面。 二、作品…
阅读更多...
工厂电气及PLC【1章各种元件符号】

工厂电气及PLC【1章各种元件符号】

交流接触器的线圈通电后&#xff0c;线圈电流会产生磁场&#xff0c;衔铁在磁吸引力作用下带动触点动作&#xff1a;常开的主触点闭合&#xff0c;接通主电路&#xff1b;同时&#xff0c;常开的辅助触点闭合&#xff0c;常闭的辅助触点断开。当线圈失电或电压显著降低时&#…
阅读更多...
使用GraphQL构建现代API

使用GraphQL构建现代API

使用GraphQL构建现代API GraphQL简介 安装GraphQL 使用npm安装GraphQL 使用Yarn安装GraphQL 创建GraphQL服务器 定义Schema 编写Resolver 查询数据 变更数据 使用Apollo Client GraphQL订阅 数据验证 错误处理 分页查询 拆分和组合Schema 总结 随着API的发展&#xff0c;传统…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023