OpenCV #以图搜图：均值哈希算法（Average Hash Algorithm）原理与实验

news2024/9/20 0:51:32

1. 介绍

均值哈希算法（Average Hash Algorithm） 是哈希算法的一种，主要用来做相似图片的搜索工作。

 

2. 原理

均值哈希算法（aHash）首先将原图像缩小成一个固定大小的像素图像，然后将图像转换为灰度图像，通过缩小图像的每个像素与平均灰度值的比较，生成一组哈希值。最后，利用两组图像的哈希值的汉明距离来评估图像的相似度。

魔法： 概括地讲，均值哈希算法一共可细分六步：

  1. 缩小图像： 将目标图像缩小为一个固定的大小，通常为8x8像素，总共64个像素。作用是去除各种图像尺寸和图像比例的差异，只保留结构、明暗等基本信息，目的是确保图像的一致性，降低计算的复杂度。
  2. 图像灰度化： 将缩小的图像转换为灰度图像。
  3. 灰度平均值： 计算灰度图像的平均灰度值。减少计算量。
  4. 比较平均值： 遍历灰度图像的每个像素，比较每个像素的灰度值是否大于或小于平均值。对于大于等于平均值的像素，将其表示为1，对于小于平均值的像素，将其表示为0。最后，得到一个64位的二进制值（8x8像素的图像）。
  5. 生成哈希值： 由于64位二进制值太长，所以按每4个字符为1组，由2进制转成16进制。这样就转为一个长度为16的字符串。这个字符串也就是这个图像可识别的哈希值，也叫图像指纹，即这个图像所包含的特征。
  6. 哈希值比较： 通过比较两个图像的哈希值的汉明距离（Hamming Distance），就可以评估图像的相似度，距离越小表示图像越相似。

 

3. 实验

第一步：缩小图像

将目标图像缩小为一个固定的大小，通常为8x8像素，总共64个像素。作用是去除各种图像尺寸和图像比例的差异，只保留结构、明暗等基本信息，目的是确保图像的一致性，降低计算的复杂度。

1）读取原图

# 测试图片路径
img_path = 'img_test/apple-01.jpg'

# 通过OpenCV加载图像
img = cv2.imread(img_path)

# 通道重排，从BGR转换为RGB
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

aHash-0001

2）缩小原图

# 缩小图像：使用OpenCV的resize函数将图像缩放为8x8像素，采用Cubic插值方法进行图像重采样
img_resize = cv2.resize(img, (8, 8), cv2.INTER_CUBIC)

aHash-0002
OpenCV 的 cv2.resize() 函数提供了4种插值方法，以根据图像的尺寸变化来进行图像重采样。

  • cv2.INTER_NEAREST： 最近邻插值，也称为最近邻算法。它简单地使用最接近目标像素的原始像素的值。虽然计算速度快，但可能导致图像质量下降。
  • cv2.INTER_LINEAR： 双线性插值，通过对最近的4个像素进行线性加权来估计目标像素的值。比最近邻插值更精确，但计算成本略高。
  • cv2.INTER_CUBIC： 双三次插值，使用16个最近像素的加权平均值来估计目标像素的值。通常情况下，这是一个不错的插值方法，适用于图像缩小。
  • cv2.INTER_LANCZOS4： Lanczos插值，一种高质量的插值方法，使用Lanczos窗口函数。通常用于缩小图像，以保留图像中的细节和纹理。

第二步：图像灰度化

将缩小的图像转换为灰度图像。也就是说，所有像素点总共只有64种灰度颜色。

# 图像灰度化：将彩色图像转换为灰度图像。
img_gray = cv2.cvtColor(img_resize, cv2.COLOR_BGR2GRAY)
print(f"缩放8x8的图像中每个像素的颜色=\n{img_gray}")

输出打印：

缩放8x8的图像中每个像素的颜色=
[[253 253 253 253 253 253 253 253]
 [253 253 253 148 253 253 253 253]
 [253 253 253 215 178 253 253 253]
 [253 253 119  93 132 176 253 253]
 [253 253  61  61  53 130 253 253]
 [253 253 112  67  66 142 253 253]
 [253 253 252  54  54 253 253 253]
 [253 253 236  63 146 249 253 253]]

aHash-0003

第三步：灰度平均值

计算灰度图像的平均灰度值。减少计算量。

img_average = np.mean(img_gray) 
print(f"灰度图像中所有像素的平均值={img_average}")

输出打印：

灰度图像中所有像素的平均值=209.890625

第四步：比较平均值

遍历灰度图像的每个像素，比较每个像素的灰度值是否大于或小于平均值。对于大于等于平均值的像素，将其表示为1；对于小于平均值的像素，将其表示为0。最后，得到一组长64位的二进制字符串（8x8像素的图像）。因为对于机器而言，只认识0和1，所以这组64位的二进制就可以表示这张图像的结构和亮度分布。

# 遍历图像像素：嵌套循环遍历图像的所有像素，对比灰度图像的平均灰度值，转换为二进制的图像哈希值
img_hash_binary = [] 
for i in range(img_gray.shape[0]): 
    for j in range(img_gray.shape[1]): 
        if img_gray[i,j] >= img_average: 
            img_hash_binary.append(1)
        else: 
            img_hash_binary.append(0)
print(f"对比灰度图像的平均像素值降噪（图像的二进制哈希值）数组={img_hash_binary}")

# 将列表中的元素转换为字符串并连接起来，形成一组64位的图像二进制哈希值字符串
img_hash_binary_str = ''.join(map(str, img_hash_binary))
print(f"对比灰度图像的平均像素值降噪（图像的二进制哈希值）={img_hash_binary_str}")

代码分解和含义如下：

  1. 初始化空列表：创建一个空的列表 img_hash_binary，用于存储图像的哈希值。
  2. 遍历图像像素：嵌套循环遍历图像的所有像素，其中 img_gray 是输入的灰度图像，img_gray.shape[0] 和 img_gray.shape[1] 分别表示图像的高度和宽度。
  3. 计算平均值：代码中使用变量 img_average 存储了一个平均值，用于与图像像素的灰度值进行比较。
  4. 根据亮度值生成哈希值：对于每个像素，代码比较像素的灰度值与平均值 (img_gray[i, j] >= img_average)。如果像素的灰度值大于或等于平均值，就将数字1添加到 img_hash_binary 列表中，表示该像素是亮的。如果像素的灰度值小于平均值，就将数字0添加到 img_hash_binary 列表中，表示该像素是暗的。
  5. 最终哈希值：完成循环后，img_hash_binary 列表将包含图像的二进制哈希值，其中每个元素代表一个像素的明暗情况。

输出打印：

对比灰度图像的平均像素值降噪（图像的二进制形式）数组=[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 0, 0, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 1, 1, 1, 1, 1, 0, 0, 1, 1, 1, 1, 1, 1, 0, 0, 1, 1, 1]
对比灰度图像的平均像素值降噪（图像的二进制形式）=1111111111101111111101111100001111000011110000111110011111100111

或者，使用等价的 lambda 表达式。效果一样。

# lambda表达式
img_hash_binary_str = ""
for i in range(8):
    img_hash_binary_str += ''.join(map(lambda i: '0' if i < img_average else '1', img_gray[i]))
print(f"对比灰度图像的平均像素值降噪（图像的二进制哈希值）={img_hash_binary_str}")

输出打印：

对比灰度图像的平均像素值降噪（图像的二进制形式）=1111111111101111111101111100001111000011110000111110011111100111

第五步：生成哈希值

由于64位二进制值太长，所以按每4个字符为1组，由2进制转成16进制。这样就转为一个长度为16的字符串。这个字符串也就是这个图像可识别的哈希值，也叫图像指纹，即这个图像所包含的特征。

img_hash = ""
for i in range(0, 64, 4):
    img_hash += "".join('%x' % int(img_hash_binary_str[i : i + 4], 2))
print(f"图像可识别的哈希值={img_hash}")

代码分解和含义如下：

  1. 初始化为空字符串：创建一个空的字符串 img_hash，用于存储图像哈希值的十六进制表示。
  2. 遍历二进制哈希值：通过循环，代码以4位为一组遍历二进制哈希值 img_hash_binary_str。range(0, 64, 4) 确保代码在哈希值的每4位之间进行迭代。
  3. 将4位二进制转换为一个十六进制字符：在每次循环中，代码取出哈希值中的4位二进制（例如，img_hash_binary_str[i : i + 4]），然后使用’%x’ % int(…, 2) 将这4位二进制转换为一个十六进制字符。int(…, 2) 将二进制字符串转换为整数，‘%x’ 将整数转换为十六进制字符。
  4. 将十六进制字符追加到 img_hash：在每次循环中，得到的十六进制字符将被追加到 img_hash 字符串中。
  5. 最终哈希值：完成循环后，img_hash 将包含图像哈希值的十六进制表示，其中每个字符表示4位二进制。

输出打印：

图像可识别的哈希值=ffeff7c3c3c3e7e7

第六步：哈希值比较

通过比较两个图像的哈希值的汉明距离（Hamming Distance），就可以评估图像的相似度，距离越小表示图像越相似。

def hamming_distance(s1, s2):
    # 检查这两个字符串的长度是否相同。如果长度不同，它会引发 ValueError 异常，因为汉明距离只适用于等长的字符串
    if len(s1) != len(s2):
        raise ValueError("Input strings must have the same length")
    
    distance = 0
    for i in range(len(s1)):
        # 遍历两个字符串的每个字符，比较它们在相同位置上的值。如果发现不同的字符，将 distance 的值增加 1
        if s1[i] != s2[i]:
            distance += 1
    return distance

 

4. 测试

我们来简单测试一下基于均值哈希算法的以图搜图 – 基于一张原图找最相似图片，看看效果如何。
这里，我准备了10张图片，其中9张是苹果，但形态不一，1张是梨子。
aHash-0004
输出打印：

图片名称：img_test/apple-01.jpg，图片HASH：ffeff7c3c3c3e7e7，与图片1的近似值（汉明距离）：0
图片名称：img_test/apple-02.jpg，图片HASH：ffcfc3e3e3e3e7ff，与图片1的近似值（汉明距离）：8
图片名称：img_test/apple-03.jpg，图片HASH：ffe7c3c3c3c7c7ff，与图片1的近似值（汉明距离）：7
图片名称：img_test/apple-04.jpg，图片HASH：e7e7c3c3c3eff7ff，与图片1的近似值（汉明距离）：10
图片名称：img_test/apple-05.jpg，图片HASH：f3f3e7c7c3c7c7e7，与图片1的近似值（汉明距离）：7
图片名称：img_test/apple-06.jpg，图片HASH：ffffd981818189dd，与图片1的近似值（汉明距离）：13
图片名称：img_test/apple-07.jpg，图片HASH：fff7f3e3e3e3f0ff，与图片1的近似值（汉明距离）：10
图片名称：img_test/apple-08.jpg，图片HASH：000006fdf171f9f8，与图片1的近似值（汉明距离）：16
图片名称：img_test/apple-09.jpg，图片HASH：ffcfe7c1c1c3e7ff，与图片1的近似值（汉明距离）：6
图片名称：img_test/pear-001.jpg，图片HASH：fffbe5c1c3c3c3ef，与图片1的近似值（汉明距离）：8
耗时：0.09571695327758789

汉明距离：两个长度相同的字符串在相同位置上的字符不同的个数。
aHash-0005

简单的测试分析：

原图相似图片相似值（汉明距离）相似图片特点相似图片与原图Hash对比结果
图片01图片010自己自己与自己相似度100%
图片01图片096青苹果最相似。相同背景相同物体位置下最相似。
图片01图片03、图片057红蛇果（苹果）、青苹果（2D）次相似。同上，单物体对比时，背景、物体位置越近越相似。
图片01图片028两者几乎相似比较相似。影响相似距离的似乎是苹果下方的阴影有无。
图片01图片pear-0018黄色的梨子意外相似。相似搜索并不能识别物体/内容，因为工作原理是通过图片灰度后的灰色像素点位置与对比。
图片01图片0410原图像的180度旋转图相差甚远。对于原图旋转变换相对不敏感，因为均值哈希算法只捕获了图像的平均亮度和粗略结构。
图片01图片06、07、0810以上复杂、多主体、多色调较难分辨。复杂、多主体、多色调的图片较难与原图相似。

10张测试图片中，汉明距离在5以内1张；汉明距离在5以外9张。
从抽样简单测试结果看，平均哈希简单且计算速度快，但它对图像的细节变化比较敏感，容易受到局部图像的特性的干扰。

备注：如果汉明距离0，则表示这两张图片非常相似；如果汉明距离小于5，则表示有些不同，但比较相近；如果汉明距离大于10，则表明是完全不同的图片。

 

5. 总结

经过实验和测试，平均哈希算法优缺点明显。

特点： 传统
优点： 简单、计算效率高，适用于快速图像相似性比较。
缺点： 对于图片的旋转和主体内容变换相对不敏感；对于复杂、多主体、多色调的图片较难相似，因为它只捕获了图片的平均亮度和粗略结构。

 

6. 实验代码

"""
以图搜图：均值哈希算法（Average Hash Algorithm）的原理与实现
测试环境：win10 | python 3.9.13 | OpenCV 4.4.0 | numpy 1.21.1
实验时间：2023-10-20
"""

import cv2
import time
import numpy as np
import matplotlib.pyplot as plt

def get_hash(img_path):
    # 读取图像：通过OpenCV的imread加载图像
    # 缩小图像：使用OpenCV的resize函数将图像缩放为8x8像素，采用Cubic插值方法进行图像重采样
    img_rgb = cv2.cvtColor(cv2.imread(img_path), cv2.COLOR_BGR2RGB)

    # 使用OpenCV的resize函数将图像缩放为8x8像素，采用Cubic插值方法进行图像重采样
    img_resize = cv2.resize(img_rgb, (8, 8), cv2.INTER_CUBIC)

    # 图像灰度化：将彩色图像转换为灰度图像。较少计算量。
    img_gray = cv2.cvtColor(img_resize, cv2.COLOR_BGR2GRAY)
    # print(f"缩放8x8的图像中每个像素的颜色=\n{img_gray}")

    # 灰度平均值：计算灰度图像的平均灰度值
    img_average = np.mean(img_gray) 
    # print(f"灰度图像中所有像素的平均值={img_average}")

    """
    # # 比较平均值：嵌套循环遍历图像的所有像素，对比灰度图像的平均灰度值，转换为二进制的图像哈希值
    # # img_gray：是灰度图像
    # # img_gray.shape[0] 和 img_gray.shape[1] 分别表示图像的高度和宽度
    # img_hash_binary = [] 
    # for i in range(img_gray.shape[0]): 
    #     for j in range(img_gray.shape[1]): 
    #         if img_gray[i,j] >= img_average: 
    #             img_hash_binary.append(1)
    #         else: 
    #             img_hash_binary.append(0)
    # print(f"对比灰度图像的平均像素值降噪（图像的二进制哈希值）数组={img_hash_binary}")

    # # 将列表中的元素转换为字符串并连接起来，形成一组64位的图像二进制哈希值字符串
    # img_hash_binary_str = ''.join(map(str, img_hash_binary))
    # print(f"对比灰度图像的平均像素值降噪（图像的二进制哈希值）={img_hash_binary_str}")

    # # 生成哈希值
    # img_hash = ""
    # # 遍历二进制哈希值：通过循环，代码以4位为一组遍历二进制哈希值 img_hash_binary_str。
    # # range(0, 64, 4) 确保代码在哈希值的每4位之间进行迭代。
    # for i in range(0, 64, 4):
    #     # 将4位二进制转换为一个十六进制字符
    #     # 在每次循环中，代码取出哈希值中的4位二进制（例如，img_hash_binary_str[i : i + 4]）
    #     # 然后使用'%x' % int(..., 2)将这4位二进制转换为一个十六进制字符。
    #     # int(..., 2)将二进制字符串转换为整数，'%x'将整数转换为十六进制字符。
    #     # 将十六进制字符追加到 img_hash：在每次循环中，得到的十六进制字符将被追加到 img_hash 字符串中。
    #     img_hash += "".join('%x' % int(img_hash_binary_str[i : i + 4], 2))
    # print(f"图像可识别的哈希值={img_hash}")
    """

    # 图像二进制哈希值
    img_hash_binary_str = ''
    for i in range(8):
        img_hash_binary_str += ''.join(map(lambda i: '0' if i < img_average else '1', img_gray[i]))
    # print(f"对比灰度图像的平均像素值降噪（图像的二进制哈希值）={img_hash_binary_str}")

    # 图像可识别哈希值
    img_hash = ''.join(map(lambda x:'%x' % int(img_hash_binary_str[x : x + 4], 2), range(0, 64, 4)))
    # print(f"图像可识别的哈希值={img_hash}")
    return img_hash
    

# 汉明距离：计算两个等长字符串（通常是二进制字符串或位字符串）之间的汉明距离。用于确定两个等长字符串在相同位置上不同字符的数量。
def hamming_distance(s1, s2):
    # 检查这两个字符串的长度是否相同。如果长度不同，它会引发 ValueError 异常，因为汉明距离只适用于等长的字符串
    if len(s1) != len(s2):
        raise ValueError("Input strings must have the same length")
    
    distance = 0
    for i in range(len(s1)):
        # 遍历两个字符串的每个字符，比较它们在相同位置上的值。如果发现不同的字符，将 distance 的值增加 1
        if s1[i] != s2[i]:
            distance += 1
    return distance


# --------------------------------------------------------- 测试 ---------------------------------------------------------

time_start = time.time()

img_1 = 'img_test/apple-01.jpg'
img_2 = 'img_test/apple-02.jpg'
img_3 = 'img_test/apple-03.jpg'
img_4 = 'img_test/apple-04.jpg'
img_5 = 'img_test/apple-05.jpg'
img_6 = 'img_test/apple-06.jpg'
img_7 = 'img_test/apple-07.jpg'
img_8 = 'img_test/apple-08.jpg'
img_9 = 'img_test/apple-09.jpg'
img_10 = 'img_test/pear-001.jpg'

img_hash1 = get_hash(img_1)
img_hash2 = get_hash(img_2)
img_hash3 = get_hash(img_3)
img_hash4 = get_hash(img_4)
img_hash5 = get_hash(img_5)
img_hash6 = get_hash(img_6)
img_hash7 = get_hash(img_7)
img_hash8 = get_hash(img_8)
img_hash9 = get_hash(img_9)
img_hash10 = get_hash(img_10)

distance1 = hamming_distance(img_hash1, img_hash1)
distance2 = hamming_distance(img_hash1, img_hash2)
distance3 = hamming_distance(img_hash1, img_hash3)
distance4 = hamming_distance(img_hash1, img_hash4)
distance5 = hamming_distance(img_hash1, img_hash5)
distance6 = hamming_distance(img_hash1, img_hash6)
distance7 = hamming_distance(img_hash1, img_hash7)
distance8 = hamming_distance(img_hash1, img_hash8)
distance9 = hamming_distance(img_hash1, img_hash9)
distance10 = hamming_distance(img_hash1, img_hash10)

time_end = time.time()

print(f"图片名称：{img_1}，图片HASH：{img_hash1}，与图片1的近似值（汉明距离）：{distance1}")
print(f"图片名称：{img_2}，图片HASH：{img_hash2}，与图片1的近似值（汉明距离）：{distance2}")
print(f"图片名称：{img_3}，图片HASH：{img_hash3}，与图片1的近似值（汉明距离）：{distance3}")
print(f"图片名称：{img_4}，图片HASH：{img_hash4}，与图片1的近似值（汉明距离）：{distance4}")
print(f"图片名称：{img_5}，图片HASH：{img_hash5}，与图片1的近似值（汉明距离）：{distance5}")
print(f"图片名称：{img_6}，图片HASH：{img_hash6}，与图片1的近似值（汉明距离）：{distance6}")
print(f"图片名称：{img_7}，图片HASH：{img_hash7}，与图片1的近似值（汉明距离）：{distance7}")
print(f"图片名称：{img_8}，图片HASH：{img_hash8}，与图片1的近似值（汉明距离）：{distance8}")
print(f"图片名称：{img_9}，图片HASH：{img_hash9}，与图片1的近似值（汉明距离）：{distance9}")
print(f"图片名称：{img_10}，图片HASH：{img_hash10}，与图片1的近似值（汉明距离）：{distance10}")

print(f"耗时：{time_end - time_start}")

 

7. 疑难杂症

问题1： 为什么通过 cv2.imread(img_path) 加载的图像，显示出来之后，原图由红色变成了蓝色？
aHash-0006
问题原因： 如果原图是红色的，但通过OpenCV加载显示的图像是蓝色的，这可能是由于图像的通道顺序不同导致的。在OpenCV中，图像的通道顺序通常是BGR（蓝绿红），而在一些其他库（如matplotlib）中，通常使用RGB（红绿蓝）通道顺序。
解决方案： 使用OpenCV的通道重排功能，将图像的通道顺序从BGR转换为RGB，然后再显示图像。以下是修改后的代码：

# 通过OpenCV加载图像
img = cv2.imread(img_path)

# 通道重排，从BGR转换为RGB
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

问题2： 为什么使用了 cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ，但显示出来图像是彩色的？
aHash-0007
问题原因： 这可能是由于你使用了 matplotlib 来显示图像，而 matplotlib 默认将灰度图像显示为伪彩色图像。Matplotlib会将单通道的灰度图像（每个像素只有一个亮度值）显示为伪彩色图像以便于可视化。
解决方案： 在使用 imshow 函数显示图像时，添加 cmap 参数，并将其设置为 ‘gray’，以确保图像以灰度形式显示。例如：

# 测试图片路径
img_path = 'img_test/apple-01.jpg'

# 通过OpenCV加载图像
img = cv2.imread(img_path)

# 通道重排，从BGR转换为RGB
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 使用OpenCV的resize函数将图像缩放为8x8像素，采用Cubic插值方法
img_resize = cv2.resize(img_rgb, (8, 8), cv2.INTER_CUBIC)

# 灰度化：将彩色图像转换为灰度图像。
img_gray = cv2.cvtColor(img_resize, cv2.COLOR_BGR2GRAY)

# 灰度形式查看图像
plt.imshow(img_gray, cmap='gray')
# 显示图像
plt.show()

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/1133024.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

贝叶斯优化分步指南：基于 Python 的方法

贝叶斯优化分步指南：基于 Python 的方法

图片 奥坎耶尼贡 一、说明 对于存在隐含变量的模型&#xff0c;有卡尔曼、隐马尔可夫、混合高斯模型、EM算法&#xff0c;这些模型都是建立在一种理论&#xff0c;贝叶斯推断理论&#xff0c;本篇讲授典型的贝叶斯推断原理。 二、原理综述 贝叶斯优化是一种用于黑盒函数全局&am…
阅读更多...
【多线程】Java如何实现多线程？如何保证线程安全？如何自定义线程池？

【多线程】Java如何实现多线程？如何保证线程安全？如何自定义线程池？

个人简介&#xff1a;Java领域新星创作者&#xff1b;阿里云技术博主、星级博主、专家博主&#xff1b;正在Java学习的路上摸爬滚打&#xff0c;记录学习的过程~ 个人主页&#xff1a;.29.的博客 学习社区&#xff1a;进去逛一逛~ 多线程 Java多线程1. 进程与线程2. 多线程1&am…
阅读更多...
Pytorch指定数据加载器使用子进程

Pytorch指定数据加载器使用子进程

torch.utils.data.DataLoader(train_dataset, batch_sizebatch_size, shuffleTrue,num_workers4, pin_memoryTrue) num_workers 参数是 DataLoader 类的一个参数&#xff0c;它指定了数据加载器使用的子进程数量。通过增加 num_workers 的数量&#xff0c;可以并行地读取和预处…
阅读更多...
多伦多 Pwn2Own 大赛首日战报！三星 Galaxy S23 被黑两次

多伦多 Pwn2Own 大赛首日战报！三星 Galaxy S23 被黑两次

Bleeping Computer 网站披露&#xff0c;加拿大多伦多举行的 Pwn2Own 2023 黑客大赛的第一天&#xff0c;网络安全研究人员就成功两次攻破三星 Galaxy S23。 大会现场&#xff0c;研究人员还“演示"了针对小米 13 Pro 智能手机、打印机、智能扬声器、网络附加存储 (NAS) 设…
阅读更多...
Ubuntu卸载或重置防火墙规则

Ubuntu卸载或重置防火墙规则

Ubuntu卸载或重置防火墙规则 1、开启防火墙后查看对应规则编号&#xff0c;然后进行删除 sudo ufw status numbered ——查看所有规则编号id sudo ufw delete 2 ——删除对应id的规则&#xff08;比如删除2号规则&#xff09; 2、按规则来删除。 例如&#xff0c;如果你使用s…
阅读更多...
Meetup 回顾｜Data Infra 研究社第十六期（含资料发布）

Meetup 回顾｜Data Infra 研究社第十六期（含资料发布）

本文整理于上周六&#xff08;10月21日&#xff09;Data Infra 第 16 期的活动内容。本次活动由 Databend 研发工程师-王旭东为大家带来了一场主题为《Databend hash join spill 设计与实现》的分享&#xff0c;让我们一起回顾一下吧~ 以下是本次活动的相关视频、资料及文字&a…
阅读更多...
【算法】模拟退火算法（SAA,Simulated Annealing Algorithm）

【算法】模拟退火算法（SAA,Simulated Annealing Algorithm）

模拟退火算法&#xff08;SAA&#xff09;简介 模拟退火算法&#xff08;SAA&#xff0c;Simulated Annealing Algorithm&#xff09;的灵感来源于工艺铸造流程中的退火处理&#xff0c;随着铸造温度升高&#xff0c;分子运动趋于无序&#xff0c;徐徐冷却后&#xff0c;分子运…
阅读更多...
【数据分享】2014-2022年我国淘宝村点位数据（Excel格式/Shp格式）

【数据分享】2014-2022年我国淘宝村点位数据（Excel格式/Shp格式）

电子商务是过去一二十年我国发展最快的行业&#xff0c;其中又以淘宝为代表&#xff0c;淘宝的发展壮大带动了一大批服务淘宝电子商务的村庄&#xff0c;这些村庄被称为淘宝村&#xff01; 截至到目前&#xff0c;阿里研究院梳理并公布了2014-2022年共9个年份的淘宝村名单&…
阅读更多...
2.AUTOSAR SWC设计概述

2.AUTOSAR SWC设计概述

1.SWC概述 SWC，全称Software Components，运行在RTE之上，属于应用算法逻辑这一层，如下图： 由1.AUTOSAR的架构及方法论中我们了解到该框架的提出就是为了减少平台移植成本、加快研发效率；这也就是说在AUTOSAR框架下，SWC作为组件是需要被重用的，意味着一个…
阅读更多...
数据预处理（超详细）

数据预处理（超详细）

import pandas as pd import numpy as np【例5-1】使用read_csv函数读取CSV文件。 df1 pd.read_csv("sunspots.csv")#读取CSV文件到DataFrame中 print(df1.sample(5))df2 pd.read_table("sunspots.csv",sep ",")#使用read_table&#xff0c;…
阅读更多...
人工智能基础_机器学习003_有监督机器学习_sklearn中线性方程和正规方程的计算_使用sklearn解算八元一次方程---人工智能工作笔记0042

人工智能基础_机器学习003_有监督机器学习_sklearn中线性方程和正规方程的计算_使用sklearn解算八元一次方程---人工智能工作笔记0042

然后我们再来看看,如何使用sklearn,来进行正规方程的运算,当然这里 首先要安装sklearn,这里如何安装sklearn就不说了,自己查一下 首先我们还是来计算前面的八元一次方程的解,但是这次我们不用np.linalg.solve这个 解线性方程的方式,也不用 直接 解正规方程的方式: 也就是上面…
阅读更多...
接口自动化测试实践

接口自动化测试实践

接口自动化概述 Python接口自动化测试零基础入门到精通&#xff08;2023最新版&#xff09; 众所周知&#xff0c;接口自动化测试有着如下特点&#xff1a; 低投入&#xff0c;高产出。 比较容易实现自动化。 和UI自动化测试相比更加稳定。 如何做好一个接口自动化测试项目呢…
阅读更多...
华媒舍：怎样利用KOL出文营销推广打造出超级影响力？

华媒舍：怎样利用KOL出文营销推广打造出超级影响力？

利用KOL&#xff08;Key Opinion Leader&#xff09;出文营销推广已成为很多个人和企业提高影响力的重要方法。根据恰当的思路与技巧&#xff0c;你也能轻松吸引大批粉丝并打造无敌的存在影响力。下面我们就以科谱的形式详细介绍怎样利用KOL 出文营销推广&#xff0c;帮助自己做…
阅读更多...
SD-WAN让跨境网络访问更快、更安全！

SD-WAN让跨境网络访问更快、更安全！

目前许多外贸企业都面临着跨境网络不稳定、不安全的问题&#xff0c;给业务合作带来了很多困扰。但是&#xff0c;现在有一个解决方案能够帮助您解决这些问题&#xff0c;让您的跨境网络访问更快、更安全&#xff0c;那就是SD-WAN&#xff01; 首先&#xff0c;让我们来看看SD-…
阅读更多...
微机原理：逻辑运算指令、移位指令

微机原理：逻辑运算指令、移位指令

文章目录 一、逻辑运算指令1、取反运算指令2、与运算指令3、或运算指令4、异或运算 二、移位指令1、开环移位指令算术左移&#xff1a;SHL、SAL算术右移&#xff1a;SAR逻辑右移&#xff1a;SHR 2、闭环移位指令含进位的循环左移&#xff1a;RCL含进位的循环右移&#xff1a;RC…
阅读更多...
lunar-1.5.jar

lunar-1.5.jar

公历农历转换包 https://mvnrepository.com/artifact/com.github.heqiao2010/lunar <!-- https://mvnrepository.com/artifact/com.github.heqiao2010/lunar --> <dependency> <groupId>com.github.heqiao2010</groupId> <artifactId>l…
阅读更多...
使用文件附件

使用文件附件

文件附件在peoplesoft中非常常见 This chapter provides an overview of the file attachment functions and discusses: Developing applications that use file attachment functions. Application development considerations. Application deployment and system configu…
阅读更多...
基于 Appium 的 Android UI 自动化测试！

基于 Appium 的 Android UI 自动化测试！

自动化测试是研发人员进行质量保障的重要一环&#xff0c;良好的自动化测试机制能够让开发者及早发现编码中的逻辑缺陷&#xff0c;将风险前置。日常研发中&#xff0c;由于快速迭代的原因&#xff0c;我们经常需要在各个业务线上进行主流程回归测试&#xff0c;目前这种测试大…
阅读更多...
Kafka入门04——原理分析

Kafka入门04——原理分析

目录 01理解Topic和Partition Topic(主题) Partition(分区) 02理解消息分发 消息发送到分区 消费者订阅和消费指定分区 总结 03再均衡(rebalance) 再均衡的触发 分区分配策略 RangeAssignor(范围分区) RoundRobinAssignor(轮询分区) StickyAssignor(粘性分区) Re…
阅读更多...
软件测试面试1000问（含文档）

软件测试面试1000问（含文档）

前前后后面试了有20多家的公司吧&#xff0c;最近抽空把当时的录音整理了下&#xff0c;然后给大家分享下 开头都是差不多&#xff0c;就让做一个自我介绍&#xff0c;这个不用再给大家普及了吧 同时&#xff0c;我也准备了一份软件测试视频教程&#xff08;含接口、自动化、…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023