Python-OpenCV中的图像处理-直方图

Python-OpenCV中的图像处理-直方图

  • 直方图
    • 统计直方图
    • 绘制直方图
      • Matplotlib绘制灰度直方图
      • Matplotlib绘制RGB直方图
    • 使用掩膜统计直方图
    • 直方图均衡化
      • Numpy图像直方图均衡化
      • OpenCV中的直方图均衡化
      • CLAHE 有限对比适应性直方图均衡化
    • 2D直方图
      • OpenCV中的2D直方图
      • Numpy中2D直方图
    • 直方图反射投影
      • Numpy 中的直方图反射投影算法
      • OpenCV中的直方图反射投影算法

直方图

  • 通过直方图你可以对整幅图像的灰度分布有一个整体的了解。直方图的 x 轴是灰度值（ 0 到 255）， y 轴是图片中具有同一个灰度的点的数目。
  • BINS：上面的直方图显示了每个灰度值对应的像素数。如果像素值为 0到255，你就需要 256 个数来显示上面的直方图。但是，如果你不需要知道每一个像素值的像素点数目的，而只希望知道两个像素值之间的像素点数目怎么办呢？举例来说，我们想知道像素值在 0 到 15 之间的像素点的数目，接着是 16 到31,…， 240 到 255。我们只需要 16 个值来绘制直方图。
  • DIMS：表示我们收集数据的参数数目。在本例中，我们对收集到的数据只考虑一件事：灰度值。所以这里就是 1。
  • RANGE：就是要统计的灰度值范围，一般来说为 [0， 256]，也就是说所有的灰度值。

统计直方图

  • cv2.calcHist()：OpenCV统计直方图
    cv2:calcHist(images; channels; mask; histSize; ranges[; hist[; accumulate]])
    1. images: 原图像（图像格式为 uint8 或 float32）。当传入函数时应该
      用中括号 [] 括起来，例如： [img]。
    2. channels: 同样需要用中括号括起来，它会告诉函数我们要统计那幅图
      像的直方图。如果输入图像是灰度图，它的值就是 [0]；如果是彩色图像
      的话，传入的参数可以是 [0]， [1]， [2] 它们分别对应着通道 B， G， R。
    3. mask: 掩模图像。要统计整幅图像的直方图就把它设为 None。但是如
      果你想统计图像某一部分的直方图的话，你就需要制作一个掩模图像，并
      使用它。（后边有例子）
    4. histSize:BIN 的数目。也应该用中括号括起来，例如： [256]。
    5. ranges: 像素值范围，通常为 [0， 256]

    img = cv2.imread(‘home.jpg’,0)
    #别忘了中括号 [img],[0],None,[256],[0,256]，只有 mask 没有中括号
    hist = cv2.calcHist([img],[0],None,[256],[0,256])
    hist 是一个 256x1 的数组，每一个值代表了与次灰度值对应的像素点数目。

  • np.histogram()：Numpy统计直方图
  • np.bincount():Numpy统计直方图(一维直方图，速度快)

#img.ravel() 将图像转成一维数组，这里没有中括号。
hist,bins = np.histogram(img.ravel(),256,[0,256])
Numpy 还 有 一 个 函 数 np.bincount()， 它 的 运 行 速 度 是
np.histgram 的 十 倍。 所 以 对 于 一 维 直 方 图， 我 们 最 好 使 用 这 个函 >数。 使 用 np.bincount 时 别 忘 了 设 置 minlength=256。
hist=np.bincount(img.ravel()， minlength=256)

绘制直方图

Matplotlib绘制灰度直方图

import numpy as np
import cv2
from matplotlib import pyplot as pltimg = cv2.imread('./resource/opencv/image/leuvenA.jpg', cv2.IMREAD_GRAYSCALE)
plt.hist(img.ravel(), 256, [0, 256])
plt.show()

在这里插入图片描述
在这里插入图片描述

Matplotlib绘制RGB直方图

import numpy as np
import cv2
from matplotlib import pyplot as pltimg = cv2.imread('./resource/opencv/image/leuvenA.jpg', cv2.IMREAD_COLOR)color = ('b', 'g', 'r')for i, col in enumerate(color):histr = cv2.calcHist([img], [i], None, [256], [0, 256])plt.plot(histr, color = col)plt.xlim([0, 256])
plt.show()

在这里插入图片描述

使用掩膜统计直方图

要统计图像某个局部区域的直方图只需要构建一副掩模图像。将要统计的部分设置成白色，其余部分为黑色，就构成了一副掩模图像。然后把这个掩模图像传给函数就可以了。

import numpy as np
import cv2
from matplotlib import pyplot as pltimg = cv2.imread('./resource/opencv/image/leuvenA.jpg', cv2.IMREAD_GRAYSCALE)
h,w = img.shape
print(h,w)# create mask
mask = np.zeros(img.shape[:2], np.uint8)
mask[100:400, 100:500] = 255
masked_img = cv2.bitwise_and(img, img, mask = mask)hist_full = cv2.calcHist([img], [0], None, [256], [0, 256])
hist_mask = cv2.calcHist([img], [0], mask, [256], [0, 256])plt.subplot(221), plt.imshow(img, 'gray')
plt.subplot(222), plt.imshow(mask, 'gray')
plt.subplot(223), plt.imshow(masked_img, 'gray')
plt.subplot(224), plt.plot(hist_full, 'r'), plt.plot(hist_mask, 'b')
plt.xlim([0, 256])
plt.show()

红色线是整幅图的直方图，蓝色线是掩膜之后的直方图：
在这里插入图片描述

直方图均衡化

  • 如果一副图像中的大多是像素点的像素值都集中在一个像素值范围之内会怎样呢？例如，如果一幅图片整体很亮，那所有的像素值应该都会很高。但是一副高质量的图像的像素值分布应该很广泛。所以你应该把它的直方图做一个横向拉伸（如下图），这就是直方图均衡化要做的事情。通常情况下这种操作会改善图像的对比度。在这里插入图片描述

  • 直方图均衡化处理可以提高图像的清晰度

Numpy图像直方图均衡化

import numpy as np
import cv2
from matplotlib import pyplot as pltimg = cv2.imread('./resource/opencv/image/leuvenA.jpg', cv2.IMREAD_GRAYSCALE)# 1.使用Numpy统计原图直方图
# flatten() 将数组变成一维
hist, bins = np.histogram(img.flatten(), 256, [0, 256])
# 计算累积分布图
cdf = hist.cumsum()
cdf_normalized = cdf * hist.max() / cdf.max()# 2.使用Numpy直方图均衡化处理
# 构建 Numpy 掩模数组， cdf 为原数组，当数组元素为 0 时，掩盖（计算时被忽略）。
cdf_m = np.ma.masked_equal(cdf, 0)
cdf_m = (cdf_m - cdf_m.min()) *255/(cdf_m.max() - cdf_m.min())
# 对被掩盖的元素赋值，这里赋值为 0
cdf = np.ma.filled(cdf_m, 0).astype('uint8')
# 现在就获得了一个表，我们可以通过查表得知与输入像素对应的输出像素的值。我们只需要把这种变换应用到图像上就可以了
img2 = cdf[img]# 3. 绘制原图直方图
plt.subplot(221), plt.imshow(cv2.cvtColor(img, cv2.COLOR_GRAY2RGB))
plt.subplot(222)
plt.plot(cdf_normalized, color='b')
plt.hist(img.flatten(), 256, [0, 256], color='r')
plt.xlim([0, 256])
plt.legend(('cdf', 'histogram'), loc='upper left')# 4.绘制均衡化直方图
plt.subplot(223), plt.imshow(cv2.cvtColor(img2, cv2.COLOR_GRAY2RGB))
plt.subplot(224)
plt.plot(cdf_m, color='g')
plt.hist(img2.flatten(), 256, [0, 256], color='r')
plt.xlim([0, 256])
plt.legend(('cdf', 'histogram'), loc='upper left')plt.show()

在这里插入图片描述

OpenCV中的直方图均衡化

OpenCV 中的直方图均衡化函数为 cv2.equalizeHist()。这个函数的输入图片仅仅是一副灰度图像，输出结果是直方图均衡化之后的图像。

import numpy as np
import cv2img = cv2.imread('./resource/opencv/image/leuvenA.jpg', cv2.IMREAD_GRAYSCALE)
# 直方图均衡化
equ = cv2.equalizeHist(img)
# 图像拼接，左边原图，右边直方图均衡化之后的图像
res = np.hstack((img, equ))cv2.imshow('img', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

左边原图，右边直方图均衡化之后的图像
在这里插入图片描述

CLAHE 有限对比适应性直方图均衡化

文章上边做的直方图均衡化会改变整个图像的对比度，但是在很多情况下，这样做的效果并不好。例如，下图分别是输入图像和进行直方图均衡化之后的输出图像。的确在进行完直方图均衡化之后，图片背景的对比度被改变了。但是你再
对比一下两幅图像中雕像的面图，由于太亮我们丢失了很多信息。
在这里插入图片描述
为了解决这个问题，我们需要使用自适应的直方图均衡化。这种情况下，整幅图像会被分成很多小块，这些小块被称为“tiles”（在 OpenCV 中 tiles 的大小默认是 8x8），然后再对每一个小块分别进行直方图均衡化（跟前面类似）。所以在每一个的区域中，直方图会集中在某一个小的区域中（除非有噪声干扰）。如果有噪声的话，噪声会被放大。为了避免这种情况的出现要使用对比度限制。对于每个小块来说，如果直方图中的 bin 超过对比度的上限的话，就把其中的像素点均匀分散到其他 bins 中，然后在进行直方图均衡化。最后，为了去除每一个小块之间“人造的”（由于算法造成）边界，再使用双线性差值，对小块进行缝合。

import numpy as np
import cv2
from matplotlib import pyplot as pltimg = cv2.imread('./resource/opencv/image/clahe_2.jpg', cv2.IMREAD_GRAYSCALE)# 均衡化处理
equ = cv2.equalizeHist(img)# 自适应均衡化处理
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
cl1 = clahe.apply(img)# 绘制图像
plt.subplot(131), plt.imshow(cv2.cvtColor(img, cv2.COLOR_GRAY2RGB)), plt.title('img')
plt.subplot(132), plt.imshow(cv2.cvtColor(equ, cv2.COLOR_GRAY2RGB)), plt.title('equ')
plt.subplot(133), plt.imshow(cv2.cvtColor(cl1, cv2.COLOR_GRAY2RGB)), plt.title('cl1')
plt.show()

在这里插入图片描述

2D直方图

在前面的文章介绍了如何绘制一维直方图，之所以称为一维，是因为我们只考虑了图像的一个特征：灰度值。但是在 2D 直方图中我们就要考虑两个图像特征。对于彩色图像的直方图通常情况下我们需要考虑每个的颜色（ Hue）和饱和度（ Saturation）。根据这两个特征绘制 2D 直方图。

OpenCV中的2D直方图

使用函数 cv2.calcHist() 来计算直方图既简单又方便。如果要绘制颜色直方图的话，我们首先需要将图像的颜色空间从 BGR 转换到 HSV。（记住，计算一维直方图，要从 BGR 转换到 HSV）。计算 2D 直方图，函数的参数要做如下修改：

  • channels=[0， 1] 因为我们需要同时处理 H 和 S 两个通道。
  • bins=[180， 256]H 通道为 180， S 通道为 256。
  • range=[0， 180， 0， 256]H 的取值范围在 0 到 180， S 的取值范围在 0 到 256。
import numpy as np
import cv2
from matplotlib import pyplot as pltimg = cv2.imread('./resource/opencv/image/home.jpg', cv2.IMREAD_COLOR)
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
hist = cv2.calcHist([hsv], [0, 1], None, [180, 256], [0, 180, 0, 256])plt.subplot(121), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB), 'gray')
plt.subplot(122), plt.imshow(hist, interpolation = 'nearest')
plt.show()

在这里插入图片描述

Numpy中2D直方图

Numpy 同样提供了绘制 2D 直方图的函数：

  • np.histogram()：一维直方图
  • np.histogram2d()：二纬直方图
import numpy as np
import cv2
from matplotlib import pyplot as pltimg = cv2.imread('./resource/opencv/image/home.jpg', cv2.IMREAD_COLOR)
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
h, s, v = cv2.split(hsv)#分离通道
hist, xbins, ybins = np.histogram2d(h.ravel(),s.ravel(),[180,256],[[0,180],[0,256]])plt.subplot(131), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
plt.subplot(132), plt.imshow(hist)
plt.show()

在这里插入图片描述

直方图反射投影

  • 直方图反向投影是由 Michael J. Swain 和 Dana H. Ballard 在他们的文章“Indexing via color histograms”中提出。
  • 它可以用来做图像分割，或者在图像中找寻我们感兴趣的部分。简单来说，它会输出与输入图像（待搜索）同样大小的图像，其中的每一个像素值代表了输入图像上对应点属于目标对象的概率。用更简单的话来解释，输出图像中像素值越高（越白）的点就越可能代表我们要搜索的目标（在输入图像所在的位置）。这是一个直观的解释。直方图投影经常与 camshift算法等一起使用。
  • 我们应该怎样来实现这个算法呢？首先我们要为一张包含我们要查找目标的图像创建直方图（在我们的示例中，我们要查找的是草地，其他的都不要）。我们要查找的对象要尽量占满这张图像（换句话说，这张图像上最好是有且仅有我们要查找的对象）。最好使用颜色直方图，因为一个物体的颜色要比它的灰度能更好的被用来进行图像分割与对象识别。接着我们再把这个颜色直方图投影到输入图像中寻找我们的目标，也就是找到输入图像中的每一个像素点的像素值在直方图中对应的概率，这样我们就得到一个概率图像，最后设置适当的阈值对概率图像进行二值化，就这么简单。

Numpy 中的直方图反射投影算法

首先，我们要创建两幅颜色直方图，目标图像的直方图（ ‘M’），（待搜索）输入图像的直方图（ ‘I’）。

import numpy as np
import cv2
from matplotlib import pyplot as pltroi = cv2.imread('./resource/opencv/image/target.jpg', cv2.IMREAD_COLOR)
hsv = cv2.cvtColor(roi, cv2.COLOR_BGR2HSV)target = cv2.imread('./resource/opencv/image/messi5.jpg', cv2.IMREAD_COLOR)
hsvt = cv2.cvtColor(target, cv2.COLOR_BGR2HSV)M = cv2.calcHist([hsv],  [0, 1], None, [180, 256], [0, 180, 0, 256])
I = cv2.calcHist([hsvt], [0, 1], None, [180, 256], [0, 180, 0, 256])# 计算比值： R = M/I 。反向投影 R，也就是根据 R 这个”调色板“创建一
# 副新的图像，其中的每一个像素代表这个点就是目标的概率。
# 例如 B (x; y) = R [h (x; y) ; s (x; y)]，
# 其中 h 为点（ x， y）处的 hue 值， s 为点（ x， y）处的
# saturation 值。最后加入再一个条件 B (x; y) = min [B (x; y) ; 1]
R = M/Ih, s, v = cv2.split(hsvt)
B = R[h.ravel(), s.ravel()]
B = np.minimum(B, 1)
B = B.reshape(hsvt.shape[:2])# 现在使用一个圆盘算子做卷积， B = D × B，其中 D 为卷积核
disc = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5,5))
B = cv2.filter2D(B, -1, disc)
B = np.uint8(B)# 归一化处理
cv2.normalize(B,B,0,255,cv2.NORM_MINMAX)
ret, thresh = cv2.threshold(B, 50, 255, 0)
# 别忘了是三通道图像，因此这里使用 merge 变成 3 通道
thresh = cv2.merge((thresh,thresh,thresh))
res = cv2.bitwise_and(target, thresh)res = np.hstack((target, thresh, res))
cv2.imshow('img', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

程序运行结果：
在这里插入图片描述
target.jpg：是另外一副图草地区域的一块截图
在这里插入图片描述
messi5.jpg：
在这里插入图片描述

OpenCV中的直方图反射投影算法

OpenCV 提供的函数 cv2.calcBackProject() 可以用来做直方图反向投影。它的参数与函数 cv2.calcHist 的参数基本相同。其中的一个参数是我们要查找目标的直方图。同样再使用目标的直方图做反向投影之前我们应该先对其做归一化处理。返回的结果是一个概率图像，我们再使用一个圆盘形卷积核对其做卷操作，最后使用阈值进行二值化。

import cv2
import numpy as nproi = cv2.imread('./resource/opencv/image/target.jpg', cv2.IMREAD_COLOR)
hsv = cv2.cvtColor(roi, cv2.COLOR_BGR2HSV)target = cv2.imread('./resource/opencv/image/messi5.jpg', cv2.IMREAD_COLOR)
hsvt = cv2.cvtColor(target, cv2.COLOR_BGR2HSV)# calculating object histogram
roihist = cv2.calcHist([hsv], [0,1], None, [180, 256], [0, 180, 0, 256])# normalize histogram and apply backprojection
# 归一化：原始图像，结果图像，映射到结果图像中的最小值，最大值，归一化类型
#cv2.NORM_MINMAX 对数组的所有值进行转化，使它们线性映射到最小值和最大值之间
# 归一化之后的直方图便于显示，归一化之后就成了 0 到 255 之间的数了
cv2.normalize(roihist, roihist, 0, 255, cv2.NORM_MINMAX)
dst = cv2.calcBackProject([hsvt], [0, 1], roihist, [0, 180, 0, 256], 1)# Now convolute with circular disc
# 此处卷积可以把分散的点连在一起
disc = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5,5))
dst = cv2.filter2D(dst, -1, disc)# threshold and binary AND
ret, thresh = cv2.threshold(dst, 50, 255, 0)
# 别忘了是三通道图像，因此这里使用 merge 变成 3 通道
thresh = cv2.merge((thresh,thresh,thresh))
res = cv2.bitwise_and(target, thresh)res = np.hstack((target, thresh, res))
cv2.imshow('img', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

程序运行结果：
在这里插入图片描述
target.jpg：是另外一副图草地区域的一块截图
在这里插入图片描述
messi5.jpg：
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/85742.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

Glide 的超时控制相关处理

Glide 的超时控制相关处理

作者：newki 前言 Glide 相信大家都不陌生，各种源码分析，使用介绍大家应该都是烂熟于心。但是设置 Glide 的超时问题大家遇到过没有。 我遇到了，并且掉坑里了，情况是这样的。 调用接口从网络拉取用户头像&#xff0c…
阅读更多...
在外SSH远程连接Ubuntu系统

在外SSH远程连接Ubuntu系统

在外SSH远程连接Ubuntu系统【无公网IP】 文章目录 在外SSH远程连接Ubuntu系统【无公网IP】前言1. 在Ubuntu系统下安装cpolar软件2. 完成安装后打开cpolar客户端web—UI界面3. 创建隧道取得连接Ubuntu系统公网地址4. 打开Windows的命令界面并输入命令 前言 随着科技和经济的发展…
阅读更多...
解锁Python集合的妙用：常用函数与实例深度解析

解锁Python集合的妙用：常用函数与实例深度解析

Python的集合（Set）是一种无序且不重复的数据结构，拥有强大的去重和集合运算功能。在这篇博客中，我们将深入探讨集合的常用函数，并通过实际案例为你展示其灵活应用。 创建集合​ 集合可以通过花括号来创建&#xff0c…
阅读更多...
golang拥有wireshark数据包解析能力

golang拥有wireshark数据包解析能力

golang拥有wireshark数据包解析能力 1. 功能和实现 wireshark拥有世界上最全面的协议解析能力并且还在不断更新中，通过调研，没有办法找到与wireshark同水平的解析工具。 为了使得golang语言可以拥有wireshark一样强大的协议解析能力，库 gowir…
阅读更多...
生态系统服务（InVEST模型）

生态系统服务（InVEST模型）

第一天： 1. 生态系统服务理论联系实践案例讲解 2. InVEST模型的开发历程、不同版本的差异及对数据需求的讲解 3. InVEST所需数据的要求（分辨率、格式、投影系统等）、获取及标准化预处理讲解 4. InVEST运行常见问题及处理解决方法讲解 5.…
阅读更多...
微信小程序实现当前页面更新上一个页面

微信小程序实现当前页面更新上一个页面

日常项目中需要实现的一个价格脱敏功能：通过点击页面二中的查看完整信息 点击回退按钮实现页面一中的价格显露出来 通过查询了大量资料发现 大多数都是通过调用上一个接口的onload 或者onshow 实现视图更新 经测试后 发现 无法实现 只能更改数据 无法更新视图 实现…
阅读更多...
解决：django设置DEBUG=false时出现的问题

解决：django设置DEBUG=false时出现的问题

首先，我用的是django4.2，python3.10版本 本来，如果在settings.py中使用 DEBUG True，那么什么问题也没有，当然，这属于调试模式。 DEBUG True TEMPLATE_DEBUG DEBUGSTATIC_URL /static/ STATICFILES_DI…
阅读更多...
【C++】开源：ceres和g2o非线性优化库配置使用

【C++】开源：ceres和g2o非线性优化库配置使用

😏★,:.☆(￣▽￣)/$:.★ 😏 这篇文章主要介绍ceres和g2o非线性优化库配置使用。 无专精则不能成，无涉猎则不能通。——梁启超 欢迎来到我的博客，一起学习，共同进步。 喜欢的朋友可以关注一下&…
阅读更多...
大模型落地金融业，想象力在哪？

大模型落地金融业，想象力在哪？

金融大模型的难点在于，能否在产业中扎得更深；其颠覆性也更建立在，纵深到产业中去，赋能金融行业的长尾场景发展，以及重拾“金融信任”。 作者|思杭 编辑|皮爷 出品|产业家 “从经济角度讲，整个金融业…
阅读更多...
eNSP 实现 CLI 窗口叠放

eNSP 实现 CLI 窗口叠放

文章目录 1 问题截图2 问题解决3 扩展3.1 打开所有 CLI3.2 CLI：Command line interface 1 问题截图 问题描述：命令行窗口是分开的，找对应的窗口太麻烦了 2 问题解决 解决办法：点下图控件即可。 效果展示： 3 扩展 …
阅读更多...
16-3_Qt 5.9 C++开发指南_使用QStyle 设置界面外观_实现不同系统下的界面效果的匹配

16-3_Qt 5.9 C++开发指南_使用QStyle 设置界面外观_实现不同系统下的界面效果的匹配

文章目录 1. QStyle的作用（实现不同系统下的界面效果的匹配）2. Qt内置样式的使用3. 源码3.1 可视化UI设计3.2 mainwindow.cpp 1. QStyle的作用（实现不同系统下的界面效果的匹配） Qt 是一个跨平台的类库，相同的界面组件…
阅读更多...
STM32 4G学习

STM32 4G学习

硬件连接 ATK-IDM750C模块可直接与正点原子 MiniSTM32F103开发板板载的ATK模块接口（ATK-MODULE）进行连接。 功能说明 ATK-IDM750C是正点原子（ALIENTEK）团队开发的一款高性能4G Cat1 DTU产品，支持移动4G、联通4G和…
阅读更多...
MySQL_事务学习笔记

MySQL_事务学习笔记

事务 注意：一定要使用 Innodb 存储引擎 概述：一组操作的集合，是不可分割的工作单元，会把一个部分当成一个整体来处理，事务会把操作同时提交或者是撤销。要么同时成功，要么同时失败。 比如：上云…
阅读更多...
LVS集群

LVS集群

目录 1、lvs简介： 2、lvs架构图： 3、 lvs的工作模式： 1） VS/NAT： 即（Virtual Server via Network Address Translation） 2）VS/TUN ：即（Virtual Server v…
阅读更多...
SAP Fiori 将GUI中的自开发报表添加到Fiori 工作台

SAP Fiori 将GUI中的自开发报表添加到Fiori 工作台

1. 首先我们在workbench 中开发一个GUI report 这里我们开发的是一个简单的物料清单报表 2. 分配一个事务代码。 注意这里的SAP GUI for HTML 要打上勾 3. 创建语义对象（ Create Semantic Object） 事物代码： path: SAP NetWeaver ->…
阅读更多...
如何写一篇吸引人的新闻稿？揭秘新闻稿写作的技巧！

如何写一篇吸引人的新闻稿？揭秘新闻稿写作的技巧！

一篇高质量的新闻稿不仅能够吸引读者的眼球，还能提高文章的曝光量。下面，伯乐网络传媒将给大家揭秘新闻稿写作的十大技巧，帮助大家写出更有吸引力的新闻稿。 1. 选择热门而有吸引力的话题或爆点 要想写出一篇吸引人的新闻稿，首先…
阅读更多...
SQL | 使用函数处理数据

SQL | 使用函数处理数据

8-使用函数处理数据 8.1-函数 SQL可以用函数来处理数据。函数一般是在数据上执行的，为数据的转换和处理提供了方便。 8.1.1 函数带来的问题 每种DBMS都有特定的函数，只有很少一部分函数，是被所有主要的DBMS等同的支持。 虽然所有的类型的…
阅读更多...
『赠书活动 ｜ 第十七期』《Python网络爬虫：从入门到实战》

『赠书活动 ｜ 第十七期』《Python网络爬虫：从入门到实战》

💗wei_shuo的个人主页 💫wei_shuo的学习社区 🌐Hello World ！ 『赠书活动 ｜ 第十七期』 本期书籍：《Python网络爬虫：从入门到实战》 赠书规则：评论区：点赞｜收…
阅读更多...
ORA-04031

ORA-04031

ORA-04031：unable to allocate 3264 bytes of shared memory 1、问题背景 修改SGA重启数据库后报错系统内存：8G 原SGA大小：3G 修改后SGA大小：5G数据库可以正常重启，但是trance日志一直在报错 2、解决办法 调整shared…
阅读更多...
React入门学习笔记3

React入门学习笔记3

事件处理 通过onXxx属性指定事件处理函数(注意大小写) React使用的是自定义(合成)事件, 而不是使用的原生DOM事件——为了更好的兼容性 eg：οnclick》onClickReact中的事件是通过事件委托方式处理的(委托给组件最外层的元素)——为了更高效通过event.target得到发生…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023