我在Vscode学OpenCV 图像运算（权重、逻辑运算、掩码、位分解、数字水印）

news2024/11/22 16:29:42

文章目录

  • 权重 _ 要求两幅图像是相同大小的。
    • [ 1 ] 以数据说话
      • （ 1） 最终：
      • （ 2 ）gamma _输出图像的标量值
    • [ 2 ] 图像的展现力
      • gamma并不等同于增加曝光度
        • （ 1 ）gamma=100
        • （ 2 ）gamma = -100
  • 逻辑运算
    • 【1】用 cv2.bitwise_and()函数来实现按位与运算
      • [ 1 ] 对比函数和逻辑运算符
        • （1）速度
        • （2）array展示
      • [ 2 ] 创造一个掩码
        • plt.subplot()是matplotlib库中的一个函数
        • masked = cv.bitwise_and(imgx, imgx, mask=mask)
    • 【2】用 cv2.bitwise_or()函数来实现按位或运算
    • 【3】cv2.bitwise_not()来实现按位取反操作
    • 【4】cv2.bitwise_xor()来实现按位异或运算
      • 可以用其简单的加密
  • 掩模（也被称作掩码）
  • 位平面分解
    • 【1】用途：
    • 【2】拆解一张照片 和 分解出权重
      • （1）可视化位平面的内容
      • （2）保留位平面的原始权重。
      • （3）区别点： plane = ((img >> i) & 1) * 【255或者（2**i）】它们的处理方式有所不同。
    • 【3】数字水印
        • （1）嵌入过程：将载体图像的第 0 个位平面替换为数字水印信息（一幅二值图像），将载体图像的最低有效位所构成的第 0 个位平面提取出来，得到数字水印信息
        • （2）实现
        • （3） 对比

权重 _ 要求两幅图像是相同大小的。

如果做的是普通的水印直接用水印就好了

再上一篇对于加法运算的了解，我们应该想想，在优先保留更多的图片有效信息的情况下，我们就应当对图像某一区域进行加法饱和或者模运算的限制，或者对某种类型和通道进行特殊限制。

要求

  1. 输入图像：需要两个输入图像，它们的大小和类型必须相同。

  2. 权重：每个输入图像都需要一个相应的权重。这些权重决定了每个像素从每个输入图像中获取的贡献。

  3. gamma校正：这是一个可选参数，用于调整输出图像的亮度。

dst = cv2.addWeighted(src1, alpha, src2, beta, gamma)
  • src1：第一个输入图像。
  • alpha：第一个图像的权重。
  • src2：第二个输入图像。
  • beta：第二个图像的权重。
  • gamma：一个添加到输出图像的标量值（必写项，不可省略，0也得在函数中标清）。

注意，alpha和beta的值通常在0到1之间，gamma通常设置为0或者。

[ 1 ] 以数据说话

用Jupyter notebook做

如果你在cv.addweighted()函数中使用了浮点数权重，那么结果会被四舍五入到最接近的整数。

如果一个图像的权重大于另一个图像，那么在输出图像中，权重大的图像会更显眼。换句话说，权重大的图像对输出图像的影响更大。例如，如果你有两个图像 img1 和 img2,你可以使用 cv.addweighted(img1, 0.7,img2,0.3,0) 来创建一个新的图像，其中img1的内容会比img2的内容更显眼，因为 img1的权重(0.7)大于img2的权重(0.3) 。

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

img1 = np.random.randint(0,255,(3,3),dtype=np.uint8)
img1

在这里插入图片描述

img2 = np.random.randint(0,255,(3,3),dtype=np.uint8)
img2

在这里插入图片描述

imgx=cv.addWeighted(img1,0.3,img2,0.7,0)
imgx

在这里插入图片描述

（ 1） 最终：

如果你在cv.addweighted()函数中使用了浮点数权重，那么结果会被四舍五入到最接近的整数。
在这里插入图片描述

（ 2 ）gamma _输出图像的标量值

在 cv.addweighted（）函数中，gamma是一个标量值，它被添加到最终的加权和中。这个函数的完整公式是: dst = src1*alpha + src2*beta +gaa

在这个公式中,src1和src2是输入图像,α和β是它们的权重,γ是一个标量的值。

gamma 的主要作用是调整输出图像的亮度。
如果 gamma 的值大于0，输出图像会变亮；
如果 gamma 的值小于0，输出图像会变暗；
如果 gamma 的值等于0，输出图像的亮度不变。

所以，你可以通过调整 gamma 的值来调整输出图像的亮度。

[ 2 ] 图像的展现力

gamma并不等同于增加曝光度

虽然增加 gamma 值可以使图像看起来更亮，但这并不等同于增加曝光度。
在摄影中，曝光度是指相机传感器接收到的光的量。增加曝光度通常意味着更长的快门速度或更大的光圈，使更多的光进入相机。

gamma值的调整更像是在图像已经被拍摄和处理之后,对图像的亮度进行后期调整。
增加gamma值会使所有的像素值变得更亮，但并不会改变图像的对比度或颜色平衡，这与增加曝光度的效果是不同的。
所以，虽然增加 gamma 值可以使图像看起来更亮，但这并不等同于增加曝光度。

（ 1 ）gamma=100

在这里插入图片描述

（ 2 ）gamma = -100

加粗样式

逻辑运算

在这里插入图片描述

【1】用 cv2.bitwise_and()函数来实现按位与运算

dst = cv2.bitwise_and( src1, src2[, mask]]

dst 表示与输入值具有同样大小的 array 输出值。
src1 表示第一个 array 或 scalar 类型的输入值。
src2 表示第二个 array 或 scalar 类型的输入值。
mask 表示可选操作掩码，8 位单通道 array。

按位与操作有如下特点：
（1）将任何数值 N 与数值 0 进行按位与操作，都会得到数值 0。
（2） 将任何数值 N（这里仅考虑 8 位值）与数值 255（8 位二进制数是 1111 1111）进行按位与操作，都会得到数值 N 本身

[ 1 ] 对比函数和逻辑运算符

（1）速度
import cv2
import numpy as np
import timeit

a = np.random.randint(0,255,(1000,1000),dtype=np.uint8)
b = np.zeros((1000,1000),dtype=np.uint8)
b[0:500,0:500] = 255
b[999,999] = 255

start = timeit.default_timer()
c = cv2.bitwise_and(a,b)
end = timeit.default_timer()
print("cv2.bitwise_and time: ", end - start)

start = timeit.default_timer()
d = a & b
end = timeit.default_timer()
print("& operation time: ", end - start)

在这里插入图片描述

（2）array展示
import cv2
import numpy as np
a=np.random.randint(0,255,(5,5),dtype=np.uint8)
b=np.zeros((5,5),dtype=np.uint8)
b[0:3,0:3]=255
b[4,4]=255
c=cv2.bitwise_and(a,b)
d=a&b
print("a=\n",a)
print("b=\n",b)
print("c=\n",c)
print("d=\n",d)

在这里插入图片描述

[ 2 ] 创造一个掩码

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

# 读取图像
imgx = cv.imread("Pic/test_img.jpg")

# 创建一个掩码，大小和图像一样，类型为uint8，初始值全为255
mask = np.ones(imgx.shape[:2], dtype="uint8") * 255

# 获取图像的中心坐标
h, w = imgx.shape[:2]
center_h, center_w = h // 2, w // 2

# 将掩码的中心部分设置为0，创建一个小的黑色方块
size = 50  # 方块的大小
mask[center_h - size:center_h + size, center_w - size:center_w + size] = 0

# 使用掩码
masked = cv.bitwise_and(imgx, imgx, mask=mask)

# 显示原图和添加掩码后的图像
plt.subplot(1, 2, 1)
plt.imshow(cv.cvtColor(imgx, cv.COLOR_BGR2RGB))
plt.title('Original Image')

plt.subplot(1, 2, 2)
plt.imshow(cv.cvtColor(masked, cv.COLOR_BGR2RGB))
plt.title('Masked Image')

plt.show()

在这里插入图片描述

plt.subplot()是matplotlib库中的一个函数

函数的格式是plt.subplot(nrows, ncols, index)

  • nrows和ncols是子图的行数和列数。例如，nrows=1和ncols=2表示创建一个1行2列的子图网格。

  • index是子图的索引，用于指定当前活动的子图。索引从1开始，从左到右，从上到下。例如，index=1表示第一个子图，index=2表示第二个子图。

所以，plt.subplot(1, 2, 1)表示创建一个1行2列的子图网格，并选择第一个子图为当前活动的子图。你可以在这个子图上进行绘图操作，例如plt.plot()或plt.imshow()等。

masked = cv.bitwise_and(imgx, imgx, mask=mask)

bitwise_and函数对两个图像进行位运算的AND操作，mask参数指定了一个掩码，只有掩码为非零的部分才会被计算。

掩码（Mask）在图像处理中通常被用来指定对图像的某些部分进行操作，而忽略其他部分。

【2】用 cv2.bitwise_or()函数来实现按位或运算

dst = cv2.bitwise_or( src1, src2[, mask]] )
式中：
 dst 表示与输入值具有同样大小的 array 输出值。
 src1 表示第一个 array 或 scalar 类型的输入值。
 src2 表示第二个 array 或 scalar 类型的输入值。
 mask 表示可选操作掩码，8 位单通道 array 值

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

# 创建两个简单的图像
img1 = np.zeros((300, 300), dtype="uint8")
cv.rectangle(img1, (50, 50), (250, 250), 255, -1)
img2 = np.zeros((300, 300), dtype="uint8")
cv.circle(img2, (150, 150), 100, 255, -1)

# 使用cv2.bitwise_or()函数将两个图像合并
bitwise_or = cv.bitwise_or(img1, img2)

# 显示原图和合并后的图像
plt.subplot(1, 3, 1)
plt.imshow(img1, cmap='gray')
plt.title('Image 1')

plt.subplot(1, 3, 2)
plt.imshow(img2, cmap='gray')
plt.title('Image 2')

plt.subplot(1, 3, 3)
plt.imshow(bitwise_or, cmap='gray')
plt.title('Image after bitwise_or')

plt.show()

在这里插入图片描述

【3】cv2.bitwise_not()来实现按位取反操作

dst = cv2.bitwise_not( src[, mask]] )

 dst 表示与输入值具有同样大小的 array 输出值。
 src 表示 array 类型的输入值。
 mask 表示可选操作掩码，8 位单通道 array 值

如果你有一个二进制数1101，按位取反后，它会变成0010。

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

# 读取图像
imgx = cv.imread("Pic/test_img.jpg")

# 对图像进行按位取反操作
imgx_not = cv.bitwise_not(imgx)

# 再次对图像进行按位取反操作
imgx_not_not = cv.bitwise_not(imgx_not)

# 显示原图、第一次取反后的图像和第二次取反后的图像
plt.subplot(1, 3, 1)
plt.imshow(cv.cvtColor(imgx, cv.COLOR_BGR2RGB))
plt.title('Original Image')

plt.subplot(1, 3, 2)
plt.imshow(cv.cvtColor(imgx_not, cv.COLOR_BGR2RGB))
plt.title('Image after first bitwise_not')

plt.subplot(1, 3, 3)
plt.imshow(cv.cvtColor(imgx_not_not, cv.COLOR_BGR2RGB))
plt.title('Image after second bitwise_not')

plt.show()

在这里插入图片描述

【4】cv2.bitwise_xor()来实现按位异或运算

dst = cv2.bitwise_xor( src1, src2[, mask]] )

式中：
 dst 表示与输入值具有同样大小的 array 输出值。
 src1 表示第一个 array 或 scalar 类型的输入值。
 src2 表示第二个 array 或 scalar 类型的输入值。
 mask 表示可选操作掩码，8 位单通道 array 值

import cv2
import numpy as np
a=np.random.randint(0,255,(5,5),dtype=np.uint8)
b=np.random.randint(0,255,(5,5),dtype=np.uint8)
b[0:3,0:3]=255
b[4,4]=255
c=cv2.bitwise_xor(a,b)
d=a^b


print("a=\n",a)
print("b=\n",b)
print("c=\n",c)
print("d=\n",d)

在这里插入图片描述

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

# 创建两个简单的图像
img1 = np.zeros((300, 300), dtype="uint8")
cv.rectangle(img1, (50, 50), (250, 250), 255, -1)
img2 = np.zeros((300, 300), dtype="uint8")
cv.circle(img2, (150, 150), 100, 255, -1)

# 使用cv2.bitwise_xor()函数将两个图像合并
bitwise_xor = cv.bitwise_xor(img1, img2)

# 显示原图和合并后的图像
plt.subplot(1, 3, 1)
plt.imshow(img1, cmap='gray')
plt.title('Image 1')

plt.subplot(1, 3, 2)
plt.imshow(img2, cmap='gray')
plt.title('Image 2')

plt.subplot(1, 3, 3)
plt.imshow(bitwise_xor, cmap='gray')
plt.title('Image after bitwise_xor')

plt.show()

在这里插入图片描述

可以用其简单的加密

找到合适的“密码”
一次异或操作为加密兔
二次拿着加密密码解码

掩模（也被称作掩码）

用于屏蔽模板的灰度图像

# ，操作只会在掩模值为非空的像素点上执行，并将其他像素点的值置为0。
计算结果=cv2.add(参数 1 , 参数 2 , 掩模)

cv2.add(img1, img2, mask=mask)函数将img1和img2中对应的像素值相加，结果存储在img3中。但是，只有mask中值为1的位置才会被计算，mask中值为0的位置将被忽略

import cv2
import numpy as np

# 创建两个图像和一个掩码
img1 = np.ones((4,4), dtype=np.uint8) * 10
img2 = np.ones((4,4), dtype=np.uint8) * 20
mask = np.zeros((4,4), dtype=np.uint8)
mask[2:4, 2:4] = 1

# 创建一个初始值全为66的图像
img3 = np.ones((4,4), dtype=np.uint8) * 66

print("img1=\n", img1)
print("img2=\n", img2)
print("mask=\n", mask)
print("初始值 img3=\n", img3)

# 使用掩码将img1和img2中对应的像素值相加，结果存储在img3中
img3 = cv2.add(img1, img2, mask=mask)

print("求和后 img3=\n", img3)

在这里插入图片描述

位平面分解

位平面分解是一种将数字图像分解成多个二进制位平面的方法。在数字图像中，每个像素通常用几个字节表示，每个字节由8个二进制位组成。位平面分解通过将每个像素的二进制表示拆分成各个位（或者称为二进制平面），从而提取出图像中每个像素的不同位信息。

在这里插入图片描述

对于灰度图像，位平面分解通常用于灰度图像。每个像素只有一个8位的强度值，值是一个介于0和255之间的整数，位平面分解就是将这8位二进制数分解为8个单独的位，每个位平面都是一个二值图像，表示原图像中对应位的值。
在这里插入图片描述
在这里插入图片描述

对于彩色图像，每个像素有三个8位的强度值（通常是红色、绿色和蓝色通道）。值是一个包含三个介于0和255之间的整数的向量，你可以分别对这三个通道进行位平面分解，得到三组位平面。每组位平面都是一个二值图像，表示原图像中对应通道和对应位的值【你可以对每个通道分别进行位平面分解，但这会得到24个位平面，而不是8个。】

【1】用途：

在这里插入图片描述

【2】拆解一张照片 和 分解出权重

（1）可视化位平面的内容

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

# 读取图像
img = cv2.imread('./img/c1c.jpg', 1)
if img is None:
    print('Failed to load image.')
else:
    # 进行位平面分解
    bit_planes = []
    for i in range(8):
        plane = ((img >> i) & 1) * 255
        bit_planes.append(plane)


    # 显示各个位平面的图像
    for i, plane in enumerate(bit_planes):
        plt.subplot(3, 4, i + 1)
        plt.imshow(plane[:,:,::-1], cmap='gray')
        plt.title(f'Bit plane {i}')
        plt.axis('off')

    # 显示所有位平面的和
    plt.subplot(3, 4, 9)
    plt.axis('off')
    plt.imshow(img[:,:,::-1])
    plt.title('Combined1')
plt.tight_layout()
plt.show()

在这里插入图片描述
在这里插入图片描述

（2）保留位平面的原始权重。

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

# 读取图像
img = cv2.imread('./img/cc.jpg', 1)
if img is None:
    print('Failed to load image.')
else:
    # 进行位平面分解
    bit_planes = []
    for i in range(8):
        plane = ((img >> i) & 1) * (2**i)
        bit_planes.append(plane)

    # 复原位平面
    reconstructed = np.sum(bit_planes, axis=0).astype(np.uint8)

    # 显示各个位平面的图像
    for i, plane in enumerate(bit_planes):
        plt.subplot(3, 4, i + 1)
        plt.imshow(plane[:,:,::-1], cmap='gray')
        plt.title(f'Bit plane {i}')
        plt.axis('off')

    # 显示复原的图像
    plt.subplot(3, 4, 9)
    plt.axis('off')
    plt.imshow(reconstructed[:,:,::-1])
    plt.title('Reconstructed')

plt.tight_layout()
plt.show()

在这里插入图片描述

在这里插入图片描述

（3）区别点： plane = ((img >> i) & 1) * 【255或者（2**i）】它们的处理方式有所不同。

plane = ((img >> i) & 1) * 255这行代码将图像的每个像素值右移i位，然后与1进行位与运算。这样可以得到每个像素值的第i位。然后，这个位值被乘以255，所以结果图像的每个像素值要么是0（如果原像素值的第i位是0），要么是255（如果原像素值的第i位是1）。这样可以清晰地看到每个位平面的内容。

plane = ((img >> i) & 1) * (2**i)这行代码的处理方式类似，但是它将位值乘以2**i而不是255。这意味着结果图像的每个像素值要么是0，要么是2**i。这样可以保留每个位平面的原始权重，但是可能会使得低位平面的内容难以看清，因为低位平面的像素值要么是0，要么是1、2、4等较小的数。

总的来说，plane = ((img >> i) & 1) * 255更适合于可视化位平面的内容，不适用于重新复原图片；而plane = ((img >> i) & 1) * (2**i)更适合于保留位平面的原始权重。

【3】数字水印

如果做的是普通的水印直接用前面提到的水印就好了

最低有效位（LSB）是二进制数的最低位，也就是第0位，用于表示二进制数的最小值。在图像处理中，最低有效位信息隐藏是一种技术，它将一个二值图像嵌入到载体图像的最低有效位中。

这种方法充分利用了最低有效位的特性。当我们将二值图像嵌入到最低有效位层时，对于载体图像来说，这些位的变化微弱到几乎无法被肉眼察觉。由于隐藏的二值图像位于最低有效位上，对载体图像的影响非常不明显，从而实现了较高程度的隐蔽性。

最低有效位信息隐藏技术在图像隐写领域得到广泛应用，可用于保护敏感信息的安全传输。然而需要注意的是，最低有效位信息隐藏是一种相对简单的隐藏方法，容易被一些隐写分析算法检测出来。因此，在实际应用中，可能需要采用更复杂的隐写技术来提高隐蔽性和安全性。

（1）嵌入过程：将载体图像的第 0 个位平面替换为数字水印信息（一幅二值图像），将载体图像的最低有效位所构成的第 0 个位平面提取出来，得到数字水印信息

（1）图像
在这里插入图片描述

在这里插入图片描述
“最低有效位”位平面
在这里插入图片描述
（2）水印处理
在灰度二值图像中，像素值只有 0 和 255 两种类型值，分别用来表示黑色和白色。可以将其中的 255 转换为 1，这样就得到了一幅二进制二值图像。。在二进制二值图像中，仅仅用一个比特位表示一个像素值，像素值只有 0 和 1 两种可能值。

在这里插入图片描述

在这里插入图片描述

（3）嵌入

由于信息的最低有效位对值的大小影响有限，因此，将载体图像最低有效位的值用水印信息替换后，载体图像像素的值并没有发生太大变化，人眼不足以看出区别，水印具有较高的隐
蔽性
在这里插入图片描述
在这里插入图片描述

（2）实现

将像素值对 2 取模（或者&1也可以判断），可以获取像素值的最低有效位。因此，可以通过让含水印载体图像对 2 取模的方式，获取图像的“最低有效位”位平面，提取到的位平面即为水印信息

在这里插入图片描述
在数字图像处理中，一个像素的值通常是一个范围在0到255之间的整数，这个整数被表示为8位二进制数。在这个二进制数中，最高位（最左边的位）是最重要的，它包含了大部分的像素信息。相反，最低位（最右边的位）是最不重要的，它只包含了一小部分的像素信息。

当我们需要在图像中隐藏某些信息（例如数字水印）时，通常会选择在最低有效位（LSB）中进行隐藏，因为这对原始图像的影响很小，几乎不可见。

我们会使用数字254（二进制表示为11111110）作为一个掩码，将像素值的最低位设置为0。这可以通过按位与运算来实现。按位与运算的规则是，如果两个位都是1，则结果为1，否则为0。因此，当一个像素值（范围在0到255之间的整数）与254进行按位与运算时，结果的最低位总是0，而其他位保持不变。这样就实现了将像素值的最低位设置为0的目的。

您可以将要隐藏的信息（如数字水印）嵌入到这个最低位中。这可以通过按位或运算来实现。按位或运算的规则是，如果两个位中至少有一个是1，则结果为1，否则为0。因此，将您的水印值（0或1）与已经被设置为0的像素值进行按位或运算，如果水印值为1，则结果的最低位为1，否则结果的最低位仍为0。这样就实现了将水印嵌入到像素值的最低位的目的。

数字254在这里的作用是作为一个掩码，用来清除像素值的最低位，以便在该位置上嵌入水印。

（3） 对比

（1）原图：

import cv2
import numpy as np
import matplotlib.pyplot as plt
# 读取图像
img = cv2.imread('./Pic/test_img.jpg', 1)
img

在这里插入图片描述
（2）数字水印后

import cv2
import numpy as np

# 读取图像
img = cv2.imread('./Pic/test_img.jpg', 1)
if img is None:
    print('Failed to load image.')
else:
    # 创建一个简单的水印
    watermark = np.zeros_like(img)
    watermark[:50, :50] = 255  # 前50行和前50列的像素设置为255

    # 将原图像的最低有效位设置为0
    img = img & 0xFE  # 0xFE = 11111110

    # 将水印的最高有效位嵌入到原图像的最低有效位
    img = img | (watermark >> 7)

    # 显示带有水印的图像
    cv2.imshow('Watermarked Image', img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

在这里插入图片描述

（3）生成元素值都是 254 的数组
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.coloradmin.cn/o/1182100.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

武器检测YOLOV8NANO

武器检测YOLOV8NANO

武器检测（匕首，步枪，手枪），采用YOLOV8NANO训练，得到pt模型，然后转换成Onnx模型，供OPENCV DNN调用，支持C,PYTHON,ANDROID。有标注的训练集 武器检测YOLOV8NANO
阅读更多...
04-react基础知识-路由

04-react基础知识-路由

一、react路由环境安装 使用指令：npm i --save react-router-dom type/react-router-dom进行react路由环境安装 二、引入路由 在main.jsx文件中引入该语句： import { createBrowserRouter, RouterProvider } from react-router-dom 定义一个变量rou…
阅读更多...
Socket 通信

Socket 通信

文章目录 Socket 通信创建流程图通信示例对一些概念进行讲述对Socke 编程所用的函数进行讲解 网络通信 和 Socket Socket 通信流程图 ： 通信示例 对Socket 编程有一个初步的了解, 看看具体代码是如何实现的. 示例的主要功能: 实现大小写的转化,客户端发送数据 …
阅读更多...
传输线的阻抗和反射到底是什么关系？

传输线的阻抗和反射到底是什么关系？

传输线的阻抗和反射到底是什么关系? 传输线是通信系统中最基本的传输元件之一，它可以将信号从一个端点传输到另一个端点。然而，在实际的通信系统中，传输线往往面临着许多问题，其中最主要的两个问题是阻抗不匹配和信号反射。本文将…
阅读更多...
zabbix监控安装-linux

zabbix监控安装-linux

zabbix6.4中文文档1. 简介 (zabbix.com) Zabbix 是一个企业级的开源分布式监控解决方案。 1.zabbix结构体系 Server： server 是存储所有配置、统计和操作数据的中央存储库。 Proxy： zabbix proxy可以代替 Zabbix server 收集性能和可用性数据。p…
阅读更多...
linux的美化工具 oh-my-zsh的安装与使用 神器工具

linux的美化工具 oh-my-zsh的安装与使用 神器工具

目录 1 安装zsh的环境2 安装 Oh My Zsh3 主题设置重新启动终端:关闭连接 在重新链接一下附加 -插件管理案例讲解看效果 Oh My Zsh 是一款基于 Zsh 的开源命令行工具，它提供了丰富的主题和插件，可以帮助用户更加高效地使用终端。本文将详细介绍 Oh My Zsh…
阅读更多...
【StringBuilder和StringBuffer】

【StringBuilder和StringBuffer】

文章目录 StringBuilder和StringBufferString类、StringBuilder和StringBuffer的区别 StringBuilder和StringBuffer的区别StringBuilder 字符串逆置 StringBuilder和StringBuffer String类、StringBuilder和StringBuffer的区别 String类的特点是不可变性，所以Stri…
阅读更多...
Android项目升级到AndroidX

Android项目升级到AndroidX

1、 2、 然后报错了： The gradle plugin version in your project build.gradle file needs to be set to at least com.android.tools.build:gradle:3.2.0 in order to migrate to AndroidX. 修改gradle版本 31报错了就用30.0.0了 3、 提示备份、然后执行do re…
阅读更多...
软文发布如何选择对应的媒体

软文发布如何选择对应的媒体

企业做软文推广第一步，就是选择合适的媒体进行投放，然而许多企业不知道如何选择合适的媒体导致推广工作十分被动，无法取得效果，今天媒介盒子就来和大家分享，企业应该如何选择对应的媒体。 一、 媒体类型 根据软文类型…
阅读更多...
视频集中存储EasyCVR平台播放一段时间后出现黑屏是什么原因？该如何解决？

视频集中存储EasyCVR平台播放一段时间后出现黑屏是什么原因？该如何解决？

安防视频监控/视频集中存储/云存储/磁盘阵列EasyCVR平台可拓展性强、视频能力灵活、部署轻快，可支持的主流标准协议有国标GB28181、RTSP/Onvif、RTMP等，以及支持厂家私有协议与SDK接入，包括海康Ehome、海大宇等设备的SDK等。平台既具备传统安…
阅读更多...
有关环境变量

有关环境变量

什么是环境变量 用户变量仅对当前用户有效，系统变量对整个系统有效 环境变量就是一个字符串，为了方便修改给隔开了（图形化界面） 环境变量可以用来配置路径，也可以用来配置其他，比如图中的 NUMBER_OF_PROC…
阅读更多...
医院陪诊小程序源码 医院陪诊陪护系统源码

医院陪诊小程序源码 医院陪诊陪护系统源码

医院陪诊小程序源码 医院陪诊陪护系统源码 陪诊系统小程序：提高陪诊效率，改善医疗服务体验 近年来，随着互联网技术的不断发展，我们的生活中出现了越来越多的智能设备和智能应用，这些智能应用不仅极大方便了我们的生活…
阅读更多...
数据仓库工具箱-零售业务

数据仓库工具箱-零售业务

文章目录 一、维度模型设计的4步过程1.1 第一步：选择业务过程1.2 第二步：声明粒度1.3 第三步：确定维度1.4 第四步：确定事实 二、零售业务案例研究2.1 第一步：选择业务过程2.2 第二步：声明粒度2.3 第三步&am…
阅读更多...
AI智能客服代替IVR

AI智能客服代替IVR

什么是IVR导航？ “欢迎致电XXX客服热线 XXX请按1 XX服务请按2 重听请按3 人工服务请按0 返回请按*号键” 这个导航称为语音导航IVR。传统的电话通道系统通过电话上的按钮广播语音信息来通知客户或等待客户输入内容，然后根据客户的输入进行下一步的…
阅读更多...
webgoat-client side客户端问题

webgoat-client side客户端问题

client side Bypass front-end restrictions 用户对 Web 应用程序的前端有很大程度的控制权。 它们可以更改 HTML 代码，有时也可以更改脚本。这就是为什么 需要特定输入格式的应用也应在服务器端进行验证，而不是只在前端做限制。 0x02 先提交请求&am…
阅读更多...
技术分享 | 想做App测试就一定要了解的App结构

技术分享 | 想做App测试就一定要了解的App结构

app 的结构包含了 APK 结构和 app 页面结构两个部分 APK结构 APK 是 Android Package 的缩写，其实就是 Android 的安装包。通过将 APK 文件直接传到 Android 模拟器或 Android 手机中执行即可安装。 APK 文件其实是 zip 格式，但后缀名被修改为 apk&am…
阅读更多...
虚幻引擎:如何在工程里面添加插件

虚幻引擎:如何在工程里面添加插件

1.在自己的项目中安装插件 在content目录下创建一个Plugins的文件,将插件文件放进去即可 2.在软件上安装,这样所有创建的项目都会带有此插件 将插件放在自己软件的这个目录下就好了
阅读更多...
【JavaSE】基础笔记 - 类和对象（下）

【JavaSE】基础笔记 - 类和对象（下）

目录 1、this引用 1.1、为什么要有this引用 1.2、什么是this引用 1.3、 this引用的特性 2、 对象的构造及初始化 2.1、 如何初始化对象 2.2、构造方法 2.2.1、概念 2.2.2、特性 2.3、默认初始化 2.4、就地初始化 上篇：【JavaSE】基础笔记 - 类和对象&#…
阅读更多...
拥抱电大新时代，助力学业攀升——广东开放大学电大搜题微信公众号助您一臂之力

拥抱电大新时代，助力学业攀升——广东开放大学电大搜题微信公众号助您一臂之力

随着信息时代的快速发展和教育的普及化，广东开放大学作为一所以开放教育为主要特色的学府，致力于为更多渴望进修和提升自己的学子们提供良好的学习环境和便捷的学习工具。在这个日新月异的时代，我们尽力拓宽学生学习的途径，让学子…
阅读更多...
京东数据分析（京东销量）：2023年9月京东投影机行业品牌销售排行榜

京东数据分析（京东销量）：2023年9月京东投影机行业品牌销售排行榜

鲸参谋监测的京东平台9月份投影机市场销售数据已出炉！ 根据鲸参谋电商数据分析平台的相关数据数据显示，9月份，京东平台投影机的销量为13万，环比下滑约17%，同比下滑约25%；销售额将近2.6亿，环比下…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023