点云处理【三】(点云降采样)

news2025/1/24 9:35:59

点云降采样

第一章 点云数据采集
第二章 点云滤波
第二章 点云降采样

1. 为什么要降采样？

我们获得的数据量大，特别是几十万个以上的点云，里面有很多冗余数据，会导致处理起来比较耗时。
降采样是一种有效的减少数据、缩减计算量的方法。

2.降采样算法

2.1 随机降采样

根据设置的比例系数随机删除点云，比较接近均匀采样，但不稳定。

Open3d

import numpy as np
import open3d as o3d

pcd = o3d.io.read_point_cloud("second_radius_cloud.pcd")
print(pcd)  # 输出点云点的个数
o3d.visualization.draw_geometries([pcd], window_name="原始点云",
                                  width=1024, height=768,
                                  left=50, top=50,
                                  mesh_show_back_face=True)
downpcd = pcd.random_down_sample(sampling_ratio=0.5)
print(downpcd) #降采样后的点云数
o3d.visualization.draw_geometries([downpcd], window_name="随机降采样",
                                  width=1024, height=768,
                                  left=50, top=50,
                                  mesh_show_back_face=True)

在这里插入图片描述
PCL

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/filters/random_sample.h>

int main(int argc, char** argv) {
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_downsampled(new pcl::PointCloud<pcl::PointXYZ>);
    if (pcl::io::loadPCDFile<pcl::PointXYZ> ("1697165371469.pcd", *cloud) == -1){
        PCL_ERROR("couldn't read file");
        return 0;
    }

    std::cout << "Loaded " << cloud->width * cloud->height
              << " data points" << std::endl;
              
    pcl::RandomSample<pcl::PointXYZ> random_sampling;
    random_sampling.setInputCloud(cloud);
    random_sampling.setSample(10000);  // 设置希望得到的点数
    random_sampling.filter(*cloud_downsampled);

    std::cout << "downsampled cloud size: " << cloud_downsampled->width * cloud_downsampled->height << std::endl;

    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));
    viewer->setBackgroundColor(0, 0, 0);  // 设置背景色
    viewer->addPointCloud<pcl::PointXYZ>(cloud_downsampled, "sample cloud");
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "sample cloud");
    viewer->initCameraParameters();
    while (!viewer->wasStopped())
    {
        viewer->spinOnce(100);
    }

    return 0;
}

请添加图片描述

2.2 均匀降采样

就是每隔多远采集一个点，

Open3d

import numpy as np
import open3d as o3d

pcd = o3d.io.read_point_cloud("second_radius_cloud.pcd")
print(pcd)  # 输出点云点的个数
o3d.visualization.draw_geometries([pcd], window_name="原始点云",
                                  width=1024, height=768,
                                  left=50, top=50,
                                  mesh_show_back_face=True)
downpcd = pcd.uniform_down_sample(6)
print(downpcd) #降采样后的点云数
o3d.visualization.draw_geometries([downpcd], window_name="均匀降采样",
                                  width=1024, height=768,
                                  left=50, top=50,
                                  mesh_show_back_face=True)

在这里插入图片描述

PCL

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/filters/uniform_sampling.h>

int main(int argc, char** argv) {
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_downsampled(new pcl::PointCloud<pcl::PointXYZ>);
    if (pcl::io::loadPCDFile<pcl::PointXYZ> ("1697165371469.pcd", *cloud) == -1){
        PCL_ERROR("couldn't read file");
        return 0;
    }

    std::cout << "Loaded " << cloud->width * cloud->height
              << " data points" << std::endl;
              
    pcl::UniformSampling<pcl::PointXYZ> filter;		// 创建均匀采样对象
    filter.setInputCloud(cloud);					// 设置待采样点云
    filter.setRadiusSearch(10.0f);					// 设置采样半径
    filter.filter(*cloud_downsampled);					// 执行均匀采样，结果保存在cloud_filtered中
    
    std::cout << "downsampled cloud size: " << cloud_downsampled->width * cloud_downsampled->height << std::endl;

    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));
    viewer->setBackgroundColor(0, 0, 0);  // 设置背景色
    viewer->addPointCloud<pcl::PointXYZ>(cloud_downsampled, "sample cloud");
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "sample cloud");
    viewer->initCameraParameters();
    viewer->saveScreenshot("screenshot.png");
    while (!viewer->wasStopped())
    {
        viewer->spinOnce(100);
    }

    return 0;
}

请添加图片描述

2.3 体素降采样

将空间切割为均匀大小的体素网格，以非空体素的质心代替该体素内的所有点。

原点云位置使用体素降采样后会发生变化。

open3d

import numpy as np
import open3d as o3d
pcd = o3d.io.read_point_cloud("second_radius_cloud.pcd")
print(pcd)  # 输出点云点的个数
o3d.visualization.draw_geometries([pcd], window_name="原始点云",
                                  width=1024, height=768,
                                  left=50, top=50,
                                  mesh_show_back_face=True)

downpcd = pcd.voxel_down_sample(voxel_size=5)
print(downpcd)
o3d.visualization.draw_geometries([downpcd], window_name="体素降采样",
                                  width=1024, height=768,
                                  left=50, top=50,
                                  mesh_show_back_face=True)

请添加图片描述

pcl

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/filters/voxel_grid.h>

int main(int argc, char** argv) {
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_downsampled(new pcl::PointCloud<pcl::PointXYZ>);
    if (pcl::io::loadPCDFile<pcl::PointXYZ> ("1697165371469.pcd", *cloud) == -1){
        PCL_ERROR("couldn't read file");
        return 0;
    }

    std::cout << "Loaded " << cloud->width * cloud->height
              << " data points" << std::endl;
              
    pcl::VoxelGrid<pcl::PointXYZ> sor;
    sor.setInputCloud(cloud);
    sor.setLeafSize(10.0f, 10.0f, 10.0f);
    sor.filter(*cloud_downsampled);

    std::cout << "downsampled cloud size: " << cloud_downsampled->width * cloud_downsampled->height << std::endl;

    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));
    viewer->setBackgroundColor(0, 0, 0);  // 设置背景色
    viewer->addPointCloud<pcl::PointXYZ>(cloud_sampled, "sample cloud");
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "sample cloud");
    viewer->initCameraParameters();
    viewer->saveScreenshot("screenshot.png");
    while (!viewer->wasStopped())
    {
        viewer->spinOnce(100);
    }

    return 0;
}

请添加图片描述

2.4 最远点降采样

首先随机选择一个点，其次，在剩下点中寻找最远的点，再去再剩下点中找到同时离这两个点最远的点，直到满足采样点个数。
Open3d

import numpy as np
import open3d as o3d

pcd = o3d.io.read_point_cloud("second_radius_cloud.pcd")
print(pcd)  # 输出点云点的个数
o3d.visualization.draw_geometries([pcd], window_name="原始点云",
                                  width=1024, height=768,
                                  left=50, top=50,
                                  mesh_show_back_face=True)
downpcd=pcd.farthest_point_down_sample(10000)
print(downpcd) #降采样后的点云数
o3d.visualization.draw_geometries([downpcd], window_name="最远点降采样",
                                  width=1024, height=768,
                                  left=50, top=50,
                                  mesh_show_back_face=True)

请添加图片描述
PCL

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/common/distances.h>

int main(int argc, char** argv) {
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_downsampled(new pcl::PointCloud<pcl::PointXYZ>);
    if (pcl::io::loadPCDFile<pcl::PointXYZ> ("1697165371469.pcd", *cloud) == -1){
        PCL_ERROR("couldn't read file");
        return 0;
    }

    std::cout << "Loaded " << cloud->width * cloud->height
              << " data points" << std::endl;
              
    size_t N = cloud->size();
	assert(N >= 10000);

	srand(time(0));
	size_t seed_index = rand() % N;
	pcl::PointXYZ p = cloud->points[seed_index];;
	cloud_downsampled->push_back(p);
	cloud->erase(cloud->begin() + seed_index);

	for (size_t i = 1; i < 10000; i++)
	{
		float max_distance = 0;
		size_t max_index = 0;
		
		for (size_t j = 0; j < cloud->size(); j++)
		{
			float distance = pcl::euclideanDistance(p, cloud->points[j]);
			if (distance > max_distance)
			{
				max_distance = distance;
				max_index = max_index;
			}
		}
		p = cloud->points[max_index];
		cloud_downsampled->push_back(p);
		cloud->erase(cloud->begin() + max_index);
	}

    std::cout << "downsampled cloud size: " << cloud_downsampled->width * cloud_downsampled->height << std::endl;

    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));
    viewer->setBackgroundColor(0, 0, 0);  // 设置背景色
    viewer->addPointCloud<pcl::PointXYZ>(cloud_downsampled, "sample cloud");
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "sample cloud");
    viewer->initCameraParameters();
    while (!viewer->wasStopped())
    {
        viewer->spinOnce(100);
    }

    return 0;
}

在这里插入图片描述

2.5 移动最小二乘法降采样

在MLS法中，需要在一组不同位置的节点附近建立拟合曲线，每个节点都有自己的一组系数用于定义该位置附近拟合曲线的形态。因此，在计算某个节点附近的拟合曲线时，只需要计算该点的该组系数值即可。

此外，每个节点的系数取值只考虑其临近采样点，且距离节点越近的采样点贡献越大，对于未置较远的点则不予考虑。

许多文章都将移动最小二乘法作为降采样方法，我觉得这只是一种平滑，所以这里给了重建代码，不进一步实验了。

PCL

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/surface/mls.h>
#include <pcl/search/kdtree.h>

int main(int argc, char** argv) {
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_downsampled(new pcl::PointCloud<pcl::PointXYZ>);
    if (pcl::io::loadPCDFile<pcl::PointXYZ> ("second_radius_cloud.pcd", *cloud) == -1){
        PCL_ERROR("couldn't read file");
        return 0;
    }

    std::cout << "Loaded " << cloud->width * cloud->height
              << " data points" << std::endl;
              
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ>);
    
    // 输出的PointCloud中有PointNormal类型，用来存储MLS算出的法线
    pcl::PointCloud<pcl::PointNormal> mls_points;

    // 定义MovingLeastSquares对象并设置参数
    pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointNormal> mls;
    mls.setComputeNormals(true);
    mls.setInputCloud(cloud);
    mls.setSearchMethod(tree);
    mls.setSearchRadius(30);

    // 曲面重建
    mls.process(mls_points);

    //std::cout << "downsampled cloud size: " << mls_points->width * mls_points->height << std::endl;


    // 使用PCLVisualizer进行可视化
    boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("MLS Cloud Viewer"));
    viewer->addPointCloud<pcl::PointNormal>(mls_points.makeShared(), "MLS Cloud");
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "MLS Cloud");
    viewer->addPointCloudNormals<pcl::PointNormal>(mls_points.makeShared(), 1, 0.05, "normals");  // 可选：显示法线
    viewer->saveScreenshot("screenshot.png");
    while (!viewer->wasStopped())
    {
        viewer->spinOnce(100);
    }
    return 0;
}

2.6 法线空间采样

通过在法向量空间内均匀随机抽样，使所选点之间的法线分布尽可能大，结果表现为地物特征变化大的地方剩余点较多，变化小的地方剩余点稀少，可有效保持地物特征。

Open3d

import open3d as o3d
import numpy as np

def normal_space_sampling(pcd, num_bins=5, num_samples=10000):
    # 1. 估算法线
    pcd.estimate_normals(search_param=o3d.geometry.KDTreeSearchParamHybrid(radius=10, max_nn=30))
    normals = np.asarray(pcd.normals)

    # 2. 使用法线的x、y和z分量将法线映射到一个3D直方图或“bin”空间
    bins = np.linspace(-1, 1, num_bins)
    normal_bins = np.digitize(normals, bins)

    unique_bins = np.unique(normal_bins, axis=0)
    sampled_indices = []

    for b in unique_bins:
        indices = np.all(normal_bins == b, axis=1)
        bin_points = np.where(indices)[0]
        if bin_points.size > 0:
            sampled_indices.append(np.random.choice(bin_points))

    # 如果采样点数不足，从原点云中随机选择其他点
    while len(sampled_indices) < num_samples:
        sampled_indices.append(np.random.randint(0, len(pcd.points)))

    # 3. 从每个bin中选择一个点进行采样
    sampled_points = np.asarray(pcd.points)[sampled_indices]
    sampled_pcd = o3d.geometry.PointCloud()
    sampled_pcd.points = o3d.utility.Vector3dVector(sampled_points)

    return sampled_pcd

# 读取点云
pcd = o3d.io.read_point_cloud("second_radius_cloud.pcd")
sampled_pcd = normal_space_sampling(pcd)
o3d.visualization.draw_geometries([sampled_pcd])

在这里插入图片描述

PCL

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/filters/normal_space.h>
#include <pcl/features/normal_3d.h>

int main(int argc, char** argv) {
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_downsampled(new pcl::PointCloud<pcl::PointXYZ>);
    if (pcl::io::loadPCDFile<pcl::PointXYZ> ("second_radius_cloud.pcd", *cloud) == -1){
        PCL_ERROR("couldn't read file");
        return 0;
    }

    std::cout << "Loaded " << cloud->width * cloud->height
              << " data points" << std::endl;
       
    // 计算法线
    pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
    ne.setInputCloud(cloud);
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
    ne.setSearchMethod(tree);
    pcl::PointCloud<pcl::Normal>::Ptr cloud_normals(new pcl::PointCloud<pcl::Normal>);
    ne.setRadiusSearch(30);  // 设置法线估计的半径
    ne.compute(*cloud_normals);

    // 法线空间采样
    pcl::NormalSpaceSampling<pcl::PointXYZ, pcl::Normal> nss;
    nss.setInputCloud(cloud);
    nss.setNormals(cloud_normals);
    nss.setBins(5, 5, 5);  // 设置法线空间的bin数量
    nss.setSample(cloud->size() / 10);  // 例如，取原始点云大小的1/10
    nss.filter(*cloud_downsampled);
    std::cout << "downsampled cloud size: " << cloud_downsampled->width * cloud_downsampled->height << std::endl;

    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));
    viewer->setBackgroundColor(0, 0, 0);  // 设置背景色
    viewer->addPointCloud<pcl::PointXYZ>(cloud_downsampled, "sample cloud");
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "sample cloud");
    viewer->initCameraParameters();
    while (!viewer->wasStopped())
    {
        viewer->spinOnce(100);
    }

    return 0;
}

请添加图片描述

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.coloradmin.cn/o/1101815.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

喜报 | 擎创科技实力亮相2023科创会并荣获科技创新奖

喜报 | 擎创科技实力亮相2023科创会并荣获科技创新奖

近日&#xff0c;由国家互联网数据中心产业技术创新战略联盟&#xff08;NIISA&#xff09;主办的“2023第二届国际互联网产业科技创新大会暨互联网创新产品展览会”于北京圆满落幕。 擎创科技副总裁冯陈湧受邀出席本次论坛&#xff0c;并发表了“银行分布式核心智能运维体系思…
阅读更多...
毫米波雷达模块技术革新：在自动驾驶汽车中的前沿应用

毫米波雷达模块技术革新：在自动驾驶汽车中的前沿应用

随着自动驾驶技术的快速发展&#xff0c;毫米波雷达模块的技术革新成为推动这一领域的关键因素之一。本文将深入研究毫米波雷达模块技术的最新进展&#xff0c;并探讨其在自动驾驶汽车中的前沿应用。 毫米波雷达模块的基本原理 解释毫米波雷达模块的基本工作原理&#xff0c;强…
阅读更多...
Goby 漏洞发布｜Honeywell PM43 loadfile.lp 文件命令执行漏洞（CVE-2023-3710）

Goby 漏洞发布｜Honeywell PM43 loadfile.lp 文件命令执行漏洞（CVE-2023-3710）

漏洞名称&#xff1a;Honeywell PM43 loadfile.lp 文件命令执行漏洞&#xff08;CVE-2023-3710&#xff09; English Name&#xff1a;Honeywell PM43 loadfile.lp file command execution vulnerability (CVE-2023-3710) CVSS core: 9.8 影响资产数&#xff1a; 96 漏洞描…
阅读更多...
等保三级测评（MySQL）

等保三级测评（MySQL）

mysql版本号：5.7.x 进入Mysql 通过mysql -u root -p 进入MySQL命令行，开展数据库配置核查； a）应对登录的用户进行身份标识和鉴别，身份标识具有唯一性，身份鉴别信息具有复杂度要求并定期更换； SELECT Host,User,authentication_string,plugin FROM mysql.user;b）被测…
阅读更多...
软件测试（一）概念

软件测试（一）概念

软件测试 软件测试的生命周期&#xff1a; 需求分析→测试计划→ 测试设计、测试开发→ 测试执行→ 测试评估 需求分析&#xff1a;需求是非完整&#xff0c;需求是否正确测试计划&#xff1a;确定软件由谁测试&#xff0c;什么时候开始&#xff0c;什么时候结束&#xff0c;…
阅读更多...
内网和热点同时连接使用配置

内网和热点同时连接使用配置

解决如标题问题 查看当前永久路由信息 route print截图保存(重要) 截图保存(重要)查出来的永久路由&#xff0c;以防配置不成功时回退&#xff0c;回退方法就是下面的“添加永久路由” 删除当前的路由 0.0.0.0 是上面查出的网络地址 route delete 0.0.0.0内网IP信息 添加永久…
阅读更多...
MATLAB——RBF、GRNN和PNN神经网络案例参考程序

MATLAB——RBF、GRNN和PNN神经网络案例参考程序

欢迎关注“电击小子程高兴的MATLAB小屋” %————RBF程序实例 %% I. 清空环境变量 clear all clc %% II. 训练集/测试集产生 %% % 1. 导入数据 load spectra_data.mat %% % 2. 随机产生训练集和测试集 temp randperm(size(NIR,1)); % 训练集——50个样本 P_train NIR(t…
阅读更多...
2023 香山杯 --- Crypto wp

2023 香山杯 --- Crypto wp

文章目录 题目解题思路解题代码 题目 import os import gmpy2 from Crypto.Util.number import * import random from secrets import flag def pad(s,l):return s os.urandom(l - len(s)) def gen():g getPrime(8)while True:p g * random.getrandbits(138) 1if isPrime(…
阅读更多...
E138: Can‘t write viminfo file

E138: Can‘t write viminfo file

E138: Can’t write viminfo file /home/xxx/.viminfo! 原因 进入/home/xxx/目录下&#xff0c;用ls -a你会发现有很多.viminfa.tmp - .viminfz.tmp 这种的临时文件&#xff0c;这是因为使用vim编辑器时&#xff0c;如果编辑器没有正常退出就会生成一个暂存文件&#xff0c;…
阅读更多...
车载开发前景广阔，分析市场变化赢未来

车载开发前景广阔，分析市场变化赢未来

车载开发行业在未来具有广阔的前景&#xff0c;主要受益于汽车科技的快速发展和智能出行概念的普及。随着科技的不断进步&#xff0c;车载开发行业将继续受益于创新和需求的推动。车载行业的分布未来也是非常之多&#xff0c;分析现在的车载智能发展&#xff0c;可以得出以下车…
阅读更多...
安达发|制造企业生产排产现状和APS系统的解决方案

安达发|制造企业生产排产现状和APS系统的解决方案

随着市场竞争的加剧&#xff0c;制造业企业面临着生产效率、成本控制和客户满意度等方面的巟大压力。在这种背景下&#xff0c;生产排产作为制造业的核心环节&#xff0c;对企业的生产经营具有重要意义。本文将针对制造业的生产排产现状进行分析&#xff0c;并提出相应的APS系统…
阅读更多...
创新与重塑，佛塑科技打造集团型 CRM 建设标杆

创新与重塑，佛塑科技打造集团型 CRM 建设标杆

“十四五”时期是我国全面建成小康社会、实现第一个百年奋斗目标之后&#xff0c;乘势而上开启全面建设社会主义现代化国家新征程、向第二个百年奋斗目标进军的第一个五年。 在政府有序推进“十四五”规划的进程中&#xff0c;佛山佛塑科技集团股份有限公司&#xff08;证券简…
阅读更多...
小程序原生代码转uniapp

小程序原生代码转uniapp

写了一份小程序原生代码&#xff0c;想转为uniapp 再转为其他平台发布 1、在命令行里&#xff0c;运行【 npm install miniprogram-to-uniapp -g 】进行安装&#xff0c;因为这个包是工具&#xff0c;要求全局都能使用&#x…
阅读更多...
机械设计师应该在工作中培养哪些良好习惯？

机械设计师应该在工作中培养哪些良好习惯？

图纸规范 1、一定要按照制图标准设计图纸&#xff01;图纸上任何一条直线&#xff08;无论是点划线、粗实线、细实线等等&#xff09;、数值、公差、图标等&#xff0c;都必须有理有据&#xff0c;不能想当然。图纸是产品生产的基础&#xff0c;无论是生产、加工、装配&#x…
阅读更多...
一键重装系统Win10步骤和详细教程

一键重装系统Win10步骤和详细教程

在使用Win10系统的时候&#xff0c;有时候我们会遇到系统运行缓慢、软件问题、病毒感染等问题。一键重装系统成为了解决这些问题的最佳方法&#xff0c;但是&#xff0c;很多用户不清楚详细的操作步骤方法&#xff0c;接下来小编就给大家介绍最简单且有效的一键重装步骤吧。 推…
阅读更多...
Spring5应用之基础注解开发

Spring5应用之基础注解开发

作者简介&#xff1a;☕️大家好&#xff0c;我是Aomsir&#xff0c;一个爱折腾的开发者&#xff01; 个人主页&#xff1a;Aomsir_Spring5应用专栏,Netty应用专栏,RPC应用专栏-CSDN博客 当前专栏&#xff1a;Spring5应用专栏_Aomsir的博客-CSDN博客 文章目录 参考文献前言注解…
阅读更多...
建筑机械相关温、振、应力、动力、拖动、作业标准汇集

建筑机械相关温、振、应力、动力、拖动、作业标准汇集

信息源&#xff1a;首页 - 全国标准信息公共服务平台https://std.samr.gov.cn/ https://std.samr.gov.cn/search/orgDetailView?data_id75039D194EE1FD57E05397BE0A0AB9A4https://std.samr.gov.cn/search/orgDetailView?data_id75039D194EE1FD57E05397BE0A0AB9A4 1.建筑工程…
阅读更多...
代码随想录Day21 回溯 LeetCodeT216 组合总和III LeetCode T17电话号码的字母总和

代码随想录Day21 回溯 LeetCodeT216 组合总和III LeetCode T17电话号码的字母总和

LeetCode T216 组合总和III 题目链接 216. 组合总和 III - 力扣&#xff08;LeetCode&#xff09; 题目思路 经过昨天组合问题的思考,这道题的难度也就降低了,这道题其实相较于组合问题就是多了一个限制,要求我们元素的和是n,元素个数是k,这里我们仍然是使用回溯三部曲来完成任…
阅读更多...
Java基础之接口（interface）详解

Java基础之接口（interface）详解

对Java核心技术卷的一个简单笔记 目录 前言1.接口的概念2.接口的声明格式3.接口的属性4.接口和抽象类的区别5.继承和接口混合使用的一些规则6.继承父类和实现接口时的一些同名冲突问题6.1方法名冲突6 .2常量名冲突 前言 总结一下基础阶段接口常见的问题 1.接口的概念 接口 &…
阅读更多...
分享一个比对图片是否一致的小工具(来源: github)

分享一个比对图片是否一致的小工具(来源: github)

运行效果图: 官网: GitHub - codingfishman/image-diff: 一个方便的图片对比工具一个方便的图片对比工具. Contribute to codingfishman/image-diff development by creating an account on GitHub.https://github.com/codingfishman/image-diff 优缺点: 1.采用比对各色块是…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023