我在Vscode学OpenCV 图像处理四（轮廓查找 cv2.findContours() cv2.drawContours()）-- 待补充

news2025/4/22 3:04:11

图像处理四（轮廓查找）

  • 一、前言
    • 1.1 边缘检测和轮廓查找的区别是什么
      • 1.1.1 边缘检测：
      • 1.1.2 轮廓查找：
    • 1.2 边缘检测和轮廓查找在图像处理中的关系和流程
  • 二、查找并绘制轮廓
    • 2.1 cv2.findContours()：
      • 2.1.1 详细介绍：
      • 2.1.2 注意事项：
    • 2.2 cv2.drawContours()：
      • 2.2.1 详细介绍：
    • 2.3 实际运用
    • 2.4 标记记数，再说先前函数参数
      • 2.4.1 分析代码的走向：
      • 2.4.2 在给轮廓标注序号的过程中，使用了OpenCV的 `cv.putText()` 函数。这个函数用于在图像上绘制文本，具体的用法如下：
        • （1）findContours函数的contours参数
        • （2）findContours函数的hierarchy参数
      • 2.4.3 分开显示
        • 逐步解释：

一、前言

在OpenCV中，边缘检测和轮廓查找是两个不同的图像处理任务，它们有不同的目标和应用。

1.1 边缘检测和轮廓查找的区别是什么

1.1.1 边缘检测：

  • 定义： 边缘检测是指寻找图像中灰度级别变化明显的地方，即图像中物体之间的界限。这些变化通常表示图像中的边缘或轮廓。
  • 方法： 常用的边缘检测算法包括Sobel、Canny、Laplacian等。这些算法通过在图像中寻找灰度级别变化最大的地方来标记边缘。
import cv2

# 读取图像
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

# 使用Canny边缘检测
edges = cv2.Canny(image, 100, 200)

# 显示边缘检测结果
cv2.imshow('Edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

1.1.2 轮廓查找：

  • 定义： 轮廓是图像中连续的边界线，表示相同颜色或灰度的区域的边界。轮廓查找的目标是找到图像中对象的外形。
  • 方法： OpenCV提供了findContours函数来查找图像中的轮廓。这个函数返回轮廓的坐标点，然后可以通过绘制这些坐标点来可视化轮廓。
import cv2

# 读取图像
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

# 使用Canny边缘检测
edges = cv2.Canny(image, 100, 200)

# 查找轮廓
contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 在原图上绘制轮廓
cv2.drawContours(image, contours, -1, (0, 255, 0), 2)

# 显示结果
cv2.imshow('Contours', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

总结：
边缘检测强调的是图像中灰度级别的变化，而轮廓查找强调的是图像中相邻区域的边界。在实际应用中，这两种技术通常可以结合使用，先进行边缘检测，然后通过轮廓查找来识别和分析图像中的对象。

1.2 边缘检测和轮廓查找在图像处理中的关系和流程

边缘检测用于发现图像中灰度变化明显的区域，但这些边缘通常是不连续的。为了构成完整的对象轮廓，需要将这些边缘连接在一起。

为了进行轮廓查找，首先需要将图像转换为二值图像，其中对象是白色，背景是黑色。这可以通过预先进行阈值分割或者边缘检测处理来实现。

轮廓查找通常会修改原始图像，因此为了保留原始图像的完整性，我们通常会在原始图像的一份拷贝上进行操作。

在OpenCV中，默认情况下假设对象是白色，背景是黑色。因此，在进行轮廓查找时，确保对象是白色，背景是黑色，以确保正确识别图像中的对象轮廓。

二、查找并绘制轮廓

cv2.findContours()
cv2.drawContours()

在OpenCV中，cv2.findContours() 是用于查找图像轮廓的函数，
而 cv2.drawContours() 则是用于将查找到的轮廓绘制到图像上的函数。

2.1 cv2.findContours()：

  • 这个函数用于在二值图像中查找对象的轮廓。
  • 返回轮廓的坐标点列表和层次结构（hierarchy）信息。
import cv2

# 读取图像并转换为灰度图
image = cv2.imread('image.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 进行阈值分割，得到二值图像
_, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

# 查找轮廓
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# contours 包含了所有轮廓的坐标点
# hierarchy 包含了轮廓的层次结构信息

2.1.1 详细介绍：

cv2.findContours() 是 OpenCV 中用于查找图像轮廓的函数。它的基本用法如下：

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

其中各参数的含义如下：

  • image： 输入的二值图像（通常是经过阈值处理的图像）。要确保输入图像是单通道的（灰度图像）且为二值图像，可以使用 cv2.cvtColor() 和 cv2.threshold() 进行转换和阈值处理。

  • mode： 轮廓检索模式。指定轮廓的检索模式，有以下几个可选值：

    • cv2.RETR_EXTERNAL：只检索最外层的轮廓。
    • cv2.RETR_LIST：检索所有的轮廓，并将其保存到列表中。
    • cv2.RETR_CCOMP：检索所有轮廓，并将其组织为两层的层次结构（目前不常用）。

    【建立两个等级的轮廓，上面的一层为外边界,里面的一层为内孔的边界信息。如果内孔内还有一个连通物体，这个物体的边界也在顶层。】

    • cv2.RETR_TREE：检索所有轮廓，并重构轮廓之间的完整层次结构。

    建立一个等级树结构的轮廓。

  • method： 轮廓逼近方法。指定轮廓的逼近方法，有以下几个可选值

    • cv2.CHAIN_APPROX_NONE：保存所有的轮廓点。

    存储所有的轮廓点，相邻的两个点的像素位置差不超过1，max (abs (x1-x2) , abs (y2-y1) ) ==1

    • cv2.CHAIN_APPROX_SIMPLE：压缩水平、垂直和对角方向，只保留端点。

    只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息[节约空间]

    cv2.CHAIN_APPROX_NONE 存储的轮廓，保存
    了轮廓中的每一个点；右图是使用参数值 cv2.CHAIN_APPROX_SIMPLE 存储的轮廓，仅仅保
    存了边界上的四个点。
    在这里插入图片描述

    • cv2.CHAIN_APPROX_TC89_L1：使用 Teh-Chin 链逼近算法。
    • cv2.CHAIN_APPROX_TC89_KCOS：使用 Teh-Chin 链逼近算法。

函数返回三个值：

  • image： 输入图像，通常不会改变。
  • contours： 包含轮廓坐标的列表。每个轮廓由一系列坐标点表示。
  • hierarchy： 轮廓的层次结构信息，用于表示轮廓之间的嵌套关系。

示例代码：

import cv2

# 读取图像并转换为灰度图
image = cv2.imread('image.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 进行阈值分割，得到二值图像
_, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

# 查找轮廓
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# contours 包含了所有轮廓的坐标点
# hierarchy 包含了轮廓的层次结构信息

这个函数在图像处理中常用于对象检测、形状分析等任务。

2.1.2 注意事项：

遇到的错误 “not enough values to unpack (expected 3, got 2)” 可能是因为在OpenCV 4.x中，cv.findContours 函数只返回两个值：轮廓（contours）和层次结构（hierarchy）。在你的代码中，你试图解包三个值 (img, contours, hierachy)，这导致了错误

在OpenCV的3.x版本和4.x版本之间，主要的变化之一是cv2.findContours()函数的返回值。在3.x版本中，该函数返回三个值，而在4.x版本中，只返回两个值。下面是一个简要对比：

OpenCV 3.x:

# OpenCV 3.x
img, contours, hierarchy = cv2.findContours(image, mode, method)
  • img: 原始图像
  • contours: 轮廓坐标的列表
  • hierarchy: 轮廓的层次结构信息

OpenCV 4.x:

# OpenCV 4.x
contours, hierarchy = cv2.findContours(image, mode, method)
  • contours: 轮廓坐标的列表
  • hierarchy: 轮廓的层次结构信息

如上所示，主要的变化是在4.x版本中去除了原始图像的返回，使得函数的返回结果更加简洁。如果你从3.x版本迁移到4.x版本，需要注意修改相关代码以适应新的函数返回形式。

2.2 cv2.drawContours()：

  • 这个函数用于将查找到的轮廓绘制到图像上。
  • 可以选择绘制所有轮廓或者仅绘制特定的轮廓。
# 绘制所有轮廓
cv2.drawContours(image, contours, -1, (0, 255, 0), 2)

# 显示绘制轮廓后的图像
cv2.imshow('Contours', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

这两个函数通常一起使用，cv2.findContours() 用于获取轮廓信息，然后 cv2.drawContours() 用于将轮廓绘制到图像上，以便进一步分析或可视化。

2.2.1 详细介绍：

cv2.drawContours() 是 OpenCV 中用于在图像上绘制轮廓的函数。它的基本用法如下：

result = cv2.drawContours(image, contours, contourIdx, color, thickness)

其中各参数的含义如下：

  • image： 要绘制轮廓的图像。

  • contours： 包含轮廓坐标的列表，通常是由 cv2.findContours() 函数返回的轮廓。

  • contourIdx： 要绘制的轮廓在 contours 列表中的索引。如果为负数（默认值为 -1），则绘制所有的轮廓。

  • color： 绘制轮廓的颜色，通常是一个包含三个整数值的元组，表示BGR颜色。

  • thickness： 绘制轮廓的线条厚度。如果为负数，表示填充轮廓。

函数返回一个新的图像，包含了绘制了轮廓的结果。

示例代码：

import cv2
import numpy as np

# 创建一张空白图像
image = np.zeros((300, 300, 3), dtype=np.uint8)

# 创建一个包含轮廓坐标的列表
contours = np.array([[[50, 50]], [[150, 50]], [[100, 150]]], dtype=np.int32)

# 绘制轮廓
result = cv2.drawContours(image, [contours], -1, (0, 255, 0), 2)

# 显示绘制轮廓后的图像
cv2.imshow('Contours', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

这个函数在图像处理中用于可视化检测到的轮廓，使得我们能够直观地观察到图像中对象的形状和边界。

2.3 实际运用

import cv2 as cv
import matplotlib.pyplot as plt

# 读取图像
image = cv.imread('img8/ss.jpg')

# 转换为灰度图
gray_image = cv.cvtColor(image, cv.COLOR_BGR2GRAY)

# 阈值处理得到二值图像
ret, binary = cv.threshold(gray_image, 127, 255, cv.THRESH_BINARY)

# 寻找轮廓
contours, hierarchy = cv.findContours(binary, cv.RETR_TREE, cv.CHAIN_APPROX_NONE)

# 在原始图像的副本上绘制轮廓
image_with_contours = image.copy()
cv.drawContours(image_with_contours, contours, -1, (122, 55, 215), 10)

# 使用 matplotlib 显示原图和带有轮廓的图像
plt.figure(figsize=(12, 6))

# 显示原图
plt.subplot(1, 2, 1)
plt.title('Original Image')
plt.imshow(cv.cvtColor(image, cv.COLOR_BGR2RGB))
plt.axis('off')

# 显示带有轮廓的图像
plt.subplot(1, 2, 2)
plt.title('Image with Contours')
plt.imshow(cv.cvtColor(image_with_contours, cv.COLOR_BGR2RGB))
plt.axis('off')

plt.show()

在这里插入图片描述

2.4 标记记数，再说先前函数参数

import cv2 as cv
import matplotlib.pyplot as plt

image = cv.imread('img8/ss.jpg')
gray_image = cv.cvtColor(image, cv.COLOR_BGR2GRAY)

ret, binary = cv.threshold(gray_image, 127, 255, cv.THRESH_BINARY)

# 寻找轮廓
contours, hierarchy = cv.findContours(binary, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)

# 在原始图像的副本上绘制轮廓并标注序号
image_with_contours = image.copy()
for i, contour in enumerate(contours):
    cv.drawContours(image_with_contours, [contour], -1, (122, 55, 215), 2)
    # 标注轮廓序号
    cv.putText(image_with_contours, str(i+1), tuple(contour[0][0]), cv.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

# 使用 matplotlib 显示结果
plt.subplot(121), plt.imshow(cv.cvtColor(image, cv.COLOR_BGR2RGB)), plt.title('Original Image')
plt.subplot(122), plt.imshow(cv.cvtColor(image_with_contours, cv.COLOR_BGR2RGB)), plt.title('Image with Contours')
plt.show()

在这里插入图片描述

2.4.1 分析代码的走向：

  1. cv.imread('img8/ss.jpg'): 从文件中读取一张图像（文件路径为 'img8/ss.jpg'）。

  2. cv.cvtColor(image, cv.COLOR_BGR2GRAY): 将彩色图像转换为灰度图像。

  3. cv.threshold(gray_image, 127, 255, cv.THRESH_BINARY): 对灰度图像进行阈值处理，得到二值图像。

  4. cv.findContours(binary, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE): 寻找二值图像中的轮廓，并返回轮廓的坐标和层次结构。

  5. image_with_contours = image.copy(): 复制原始图像，用于在其上绘制轮廓。

  6. for i, contour in enumerate(contours):: 对于每个轮廓，使用enumerate获取轮廓的索引和轮廓本身。

    a. cv.drawContours(image_with_contours, [contour], -1, (122, 55, 215), 2): 在图像副本上绘制轮廓，颜色为(122, 55, 215)，线条粗细为2。

    b. cv.putText(image_with_contours, str(i+1), tuple(contour[0][0]), cv.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2): 标注轮廓序号，以文本形式显示在图像上，颜色为(0, 255, 0)（绿色），字体大小为0.5，线条粗细为2。

  7. plt.subplot(121), plt.imshow(cv.cvtColor(image, cv.COLOR_BGR2RGB)), plt.title('Original Image'): 创建Matplotlib子图，显示原始图像。

  8. plt.subplot(122), plt.imshow(cv.cvtColor(image_with_contours, cv.COLOR_BGR2RGB)), plt.title('Image with Contours'): 创建Matplotlib子图，显示带有轮廓的图像。

  9. plt.show(): 显示Matplotlib绘制的原始图像和带有轮廓的图像。

总体而言，这段代码的目的是可视化图像处理中的轮廓查找过程，通过标注轮廓序号，使用户能够更清晰地理解图像中检测到的对象的形状和位置。

2.4.2 在给轮廓标注序号的过程中，使用了OpenCV的 cv.putText() 函数。这个函数用于在图像上绘制文本，具体的用法如下：

cv.putText(img, text, org, fontFace, fontScale, color, thickness, lineType, bottomLeftOrigin)

各参数含义如下：

  • img: 需要绘制文本的图像。
  • text: 要绘制的文本内容。
  • org: 文本的起始坐标，即文本左下角的坐标。
  • fontFace: 字体类型，例如 cv.FONT_HERSHEY_SIMPLEX。
  • fontScale: 字体缩放因子。
  • color: 文本的颜色。
  • thickness: 文本线条的粗细。
  • lineType: 线条类型。
  • bottomLeftOrigin: 如果为真，文本起始坐标将被认为是左下角；如果为假（默认），则为左上角。

在给轮廓标注序号的代码中，这个函数的具体应用如下：

# 标注轮廓序号
cv.putText(image_with_contours, str(i+1), tuple(contour[0][0]), cv.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 0), 2)

这一行代码的作用是将轮廓的序号以文本的形式标注在原始图像的副本上。str(i+1) 将轮廓的索引加1转换为字符串，tuple(contour[0][0]) 是轮廓的第一个点的坐标，cv.FONT_HERSHEY_SIMPLEX 是字体类型，0.5 是字体缩放因子，(255, 0, 0) 是文本颜色（蓝色），2 是文本线条的粗细。这样，每个轮廓的序号就被标注在了图像上。

（1）findContours函数的contours参数

这个呢，是标记的时候字段+1了，所以和下标错位1的

print (type(contours))
print (len(contours[0])) 
print (len(contours[1])) 
print (len(contours[2])) 
print (len(contours))

print (contours[0])
print(contours[1].shape)
print(contours[2].shape)

在这里插入图片描述

（2）findContours函数的hierarchy参数
[Next，Previous，First_Child，Parent]

 Next：后一个轮廓的索引编号。
 Previous：前一个轮廓的索引编号。
 First_Child：第 1 个子轮廓的索引编号。
 Parent：父轮廓的索引编号。
如果上述各个参数所对应的关系为空时，也就是没有对应的关系时，则将该参数所对应的
值设为“-1”。
在这里插入图片描述

2.4.3 分开显示

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

o = cv2.imread('img8/ss.jpg')
plt.imshow(cv2.cvtColor(o, cv2.COLOR_BGR2RGB))
plt.title('Original Image')
plt.show()

gray = cv2.cvtColor(o, cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

n = len(contours)
contoursImg = []

for i in range(n):
    temp = np.zeros(o.shape, np.uint8)
    contoursImg.append(temp)
    contoursImg[i] = cv2.drawContours(contoursImg[i], contours, i, (255, 255, 255), 5)

    # Display each contour using plt
    plt.imshow(cv2.cvtColor(contoursImg[i], cv2.COLOR_BGR2RGB))
    plt.title(f'Contour {i + 1}')
    plt.show()

在这里插入图片描述

逐步解释：

以下是对上述代码每一步的分析：

  1. 读取原始图像：

    o = cv2.imread('contours.bmp')
plt.imshow(cv2.cvtColor(o, cv2.COLOR_BGR2RGB))
plt.title('Original Image')
plt.show()
    • 使用 OpenCV 读取名为 ‘contours.bmp’ 的图像。
    • 将图像转换为 RGB 格式，并使用 Matplotlib 显示原始图像。

  2. 灰度转换和二值化：

    gray = cv2.cvtColor(o, cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
    • 将原始图像转换为灰度图。
    • 对灰度图进行二值化处理。

  3. 查找轮廓：

    image, contours, hierarchy = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    • 使用 cv2.findContours() 函数查找二值图像中的轮廓。
    • cv2.RETR_EXTERNAL 参数表示只检测外部轮廓。
    • cv2.CHAIN_APPROX_SIMPLE 参数表示使用简化的轮廓表示。

  4. 绘制并显示每个轮廓：

    n = len(contours)
contoursImg = []

for i in range(n):
    temp = np.zeros(o.shape, np.uint8)
    contoursImg.append(temp)
    contoursImg[i] = cv2.drawContours(contoursImg[i], contours, i, (255, 255, 255), 5)

    # Display each contour using plt
    plt.imshow(cv2.cvtColor(contoursImg[i], cv2.COLOR_BGR2RGB))
    plt.title(f'Contour {i + 1}')
    plt.show()
    • 遍历所有检测到的轮廓，每个轮廓都被绘制在 contoursImg 的相应元素中。
    • 使用 Matplotlib 显示每个绘制了轮廓的图像，标题显示轮廓的序号。

总体而言，这段代码的目的是在原始图像中找到轮廓，然后将每个轮廓在图像上绘制出来并使用 Matplotlib 逐个显示，以便用户更好地理解轮廓检测的结果。

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/1346259.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

x-cmd pkg | openssl - 密码学开源工具集

x-cmd pkg | openssl - 密码学开源工具集

目录 简介首次用户技术特点竞品分析进一步阅读 简介 OpenSSL 是一个开源的密码库和 SSL/TLS 协议实现，它提供了一组密码学工具和加密功能，用于保护数据通信的安全性。项目发展历史可以追溯到 1998 年，源自 Eric A. Young 和 Tim J. Hudson 开…
阅读更多...
计算机毕业设计------ssm茶叶溯源系统

计算机毕业设计------ssm茶叶溯源系统

项目介绍 茶叶溯源系统，分为前台与后台。普通用户可在前台通过18位的编码查询茶叶的出售历史。 后台分为两种角色，管理员与经销商； 管理员主要功能包括： 主界面； 管理员管理：管理员列表、添加管理员&am…
阅读更多...
软件测试/测试开发丨Python 内置装饰器 学习笔记

软件测试/测试开发丨Python 内置装饰器 学习笔记

内置类装饰器 不用实例化、直接调用提升代码的可读性 内置装饰器含义classmethod类方法staticmethod静态方法 普通方法 定义： 第一个参数为self，代表 实例本身 调用： 要有实例化的过程，通过 实例对象.方法名 调用 # 1. 定义 c…
阅读更多...
自定义docker镜像，ubuntu安装命令并导出

自定义docker镜像，ubuntu安装命令并导出

文章目录 问题现象解决步骤相关命令详细介绍docker save 与 docker loaddocker import 与 docker exportdocker commit 问题现象 我们的通讯服务，需要监测前端设备的在线情况（是否在线、丢包率、延迟等），使用ping命令去实现此功能…
阅读更多...
unity学习笔记----游戏练习03

unity学习笔记----游戏练习03

一、修复植物种植的问题 1.当手上存在植物时，再次点击卡片上的植物就会在手上添加新的植物，需要修改成只有手上没有植物时才能再次获取到植物。需要修改AddPlant方法。 public bool AddPlant(PlantType plantType) { //防止手上出现多个植…
阅读更多...
Python pandas 操作 excel 详解

Python pandas 操作 excel 详解

文章目录 1 概述1.1 pandas 和 openpyxl 区别1.2 Series 和 DataFrame 2 常用操作2.1 创建 Excel：to_excel()2.2 读取 Excel：read_excel()2.2.1 header：标题的行索引2.2.2 index_col：索引列2.2.3 dtype：数据类型2.2.4 …
阅读更多...
Java基础语法(注释,关键字,字面量,变量,数据类型,标识符,键盘录入,IDEA安装,类,模块,项目)

Java基础语法(注释,关键字,字面量,变量,数据类型,标识符,键盘录入,IDEA安装,类,模块,项目)

文章目录 day02 - Java基础语法1. 注释使用的技巧注意点 2. 关键字2.1 概念2.2 第一个关键字class 3. 字面量区分技巧 4. 变量4.1 什么是变量？4.2 变量的定义格式4.2.1 格式详解4.2.2 常用的数据类型4.2.3 变量的注意事项 4.3 变量的练习 5. 数据类型5.1 Java语言数…
阅读更多...
YOLOv5算法进阶改进（9）— 引入ASPP | 空洞空间金字塔池化

YOLOv5算法进阶改进（9）— 引入ASPP | 空洞空间金字塔池化

前言：Hello大家好，我是小哥谈。ASPP是空洞空间金字塔池化（Atrous Spatial Pyramid Pooling）的缩写。它是一种用于图像语义分割任务的特征提取方法。ASPP通过在不同尺度上进行空洞卷积操作，从而捕捉到图像中不同尺度的上下文信息。ASPP的主要思想是在输入特征图上应用多个不…
阅读更多...
High-Throughput Algae Cell Detection

High-Throughput Algae Cell Detection

一、数据集 About Dataset Microalgae, as an important natural resource, find widespread applications in various fields such as marine environments, biomedical research, clean energy, and food engineering. Monitoring the abundance and species composition of…
阅读更多...
MFC消息机制详细剖析

MFC消息机制详细剖析

易语言程序的破解99%的时候都需要用到FF55FC5F5E这个特征码 新建一个MFC应用程序： 去编辑MFC的.rc资源文件来DIY窗体 静态编译的，把很多静态库的代码都添加进去了 ，所以速度很慢 消息机制针对的是GUI程序（比如窗口程序&#xf…
阅读更多...
51单片机项目（24）——基于51单片机的温控风扇protues仿真

51单片机项目（24）——基于51单片机的温控风扇protues仿真

1.功能设计 使用传感器测量温度，并将温度显示在LCD1602上。如果温度超过阈值，那么就打开风扇，否则风扇不打开。（仿真的时候，用直流电机模拟风扇）。 仿真截图如下： 此时温度是27度，我…
阅读更多...
感染了后缀为.[sqlback@memeware.net].2700勒索病毒如何应对？数据能够恢复吗？

感染了后缀为.[sqlback@memeware.net].2700勒索病毒如何应对？数据能够恢复吗？

导言： 近期，[sqlbackmemeware.net].2700 勒索病毒成为网络安全的一大威胁。该勒索病毒采用高度复杂的加密算法，将用户文件加密并勒索赎金。了解该病毒的特征对于有效恢复被加密数据以及预防进一步感染至关重要。如果受感染的数据确实有恢复的…
阅读更多...
私有部署ELK，搭建自己的日志中心（三）-- Logstash的安装与使用

私有部署ELK，搭建自己的日志中心（三）-- Logstash的安装与使用

一、部署ELK 上文把采集端filebeat如何使用介绍完，现在随着数据的链路，继续~~ 同样，使用docker-compose部署： version: "3" services:elasticsearch:container_name: elasticsearchimage: elastic/elasticsearch:7.9…
阅读更多...
『精』CSS 小技巧之BEM规范

『精』CSS 小技巧之BEM规范

『精』CSS 小技巧之BEM规范 文章目录 『精』CSS 小技巧之BEM规范一、什么是BEM？二、BEM要怎么用？三、不用BEM会少个胳膊吗？💊四、Sass与BEM的结合🎈五、块与修饰符应放在一块👿参考资料💘推荐博…
阅读更多...
Redis经典五大类型源码及底层实现（一）

Redis经典五大类型源码及底层实现（一）

👏作者简介：大家好，我是爱吃芝士的土豆倪，24届校招生Java选手，很高兴认识大家📕系列专栏：Spring源码、JUC源码、Kafka原理、分布式技术原理、数据库技术🔥如果感觉博主的文章还不错的…
阅读更多...
年度总结｜存储随笔2023年度最受欢迎文章榜单TOP15-part1

年度总结｜存储随笔2023年度最受欢迎文章榜单TOP15-part1

原创 古猫先生 存储随笔 2023-12-31 08:31 发表于上海 回首2023 2-8月份有近半年时间基本处于断更状态 好在8月份后小编没有松懈 （虽然2023年度总结，更像是近4个月总结） 本年度顺利加V啦！ 感谢各位粉丝朋友的一路支持与陪伴 …
阅读更多...
Linux之磁盘分区，挂载

Linux之磁盘分区，挂载

Linux分区 分区介绍 对linux来说无论有几个分区，分给哪个目录使用，归根结底只有一个根目录，linux中每个分区都是用来组成整个文件系统的一部分。linux采用“载入"的处理方法，他的整个文件系统中包含一整套的文件和目录&…
阅读更多...
osg::DrawElements*系列函数及GL_QUAD_STRIP、GL_QUADS绘制四边形效率对比

osg::DrawElements*系列函数及GL_QUAD_STRIP、GL_QUADS绘制四边形效率对比

目录 1. 前言 2. osg::DrawElements*系列函数用法说明 3. GL_QUADS、GL_QUAD_STRIP用法及不同点 4. 效率对比 5. 总结 6. 参考资料 1. 前言 利用osg绘制图元，如：三角形、四边形等，一般用osg::PrimitiveSet类。其派生出了很多子类&#…
阅读更多...
【网络安全 | Misc】miss_01 太湖杯

【网络安全 | Misc】miss_01 太湖杯

解压时提示输入密码： 如果 frFlags 或 deFlags 不为0会导致zip的伪加密 将deFlags的值修改为0 将9改为0，另存为123.zip： 即可绕过加密： 得到一个zip一个docx，但zip需要密码： 因此看docx有无敏感信息&#x…
阅读更多...
面向对象基础-类与对象-封装

面向对象基础-类与对象-封装

1、类与对象 1.1 概念 类：类是一个抽象的概念，用于描述一类对象的特点。 对象：根据类的概念所创造的实体。 【思考】一个对象可以没有对应的类嘛？ 不可以，因为必须现有类才能创建对象。 1.2 类的内容 类中最基础的内容…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023