点云——噪声（代码）

news2024/11/16 2:24:09

本人硕士期间研究的方向就是三维目标点云跟踪，对点云和跟踪有着较为深入的理解，但一直忙于实习未进行梳理，今天趁着在家休息对点云的噪声进行梳理，因为预处理对于点云项目是至关重要的，所有代码都是近期重新复现过。

这篇之前写的，主要是对P2B点云跟踪进行复现以及学习记录，里面也包含了一些对点云的理解

P2B论文复现——点云学习记录_etw_pytorch_utils.git-CSDN博客

对PTT代码是更为熟悉的，几篇论文都是基于这个进行修改，等我今年毕业后会更新一次

目录

1、点云噪声是什么

2、点云噪声滤波技术

3、点云数据

4、统计滤波器

5、体素网格滤波

6、半径离群值移除

7、边缘保留滤波

8、将无组织的点云映射到二维图像

9、将无组织的点云转换为有组织的点云 

1、点云噪声是什么

点云噪声是指在使用三维扫描设备（如激光扫描仪、立体视觉相机等）获取点云数据时，由于各种原因引入的误差或偏差。这些噪声可能来源于设备的精度限制、扫描环境的影响（如光照条件、反射表面）、或者是数据处理过程中的算法误差。点云噪声会影响数据的质量，进而影响后续的处理和分析，如三维重建、模型识别等。

噪声的表现形式多种多样，包括：

  • 随机噪声：这是最常见的噪声类型，表现为点的位置存在随机偏差。
  • 系统噪声：由扫描设备的固有特性引起，如畸变、校准错误等，导致点云数据整体偏移或变形。
  • 环境噪声：由扫描环境引起，如由于表面反射特性不同，导致某些区域点云密度不均或缺失。

为了提供直观的理解，可以想象一个简单的场景：使用激光扫描仪扫描一个球体。理想情况下，扫描得到的点应该均匀分布在球体表面。然而，在实际情况中，扫描得到的点云数据可能会因为噪声的存在而出现以下问题：

  • 球体表面的点不是完全均匀分布，而是有些区域点更密集，有些区域点更稀疏。
  • 球体的形状看起来可能不是完全光滑的圆形，而是有些凹凸不平的地方。
  • 在球体的边缘或特定区域可能会有一些离群点，这些点明显偏离了球体的真实表面。

2、点云噪声滤波技术

解决点云噪声的方法通常涉及多种滤波技术，旨在去除或减少噪声，同时尽量保留有用的数据信息。以下是一些常用的点云滤波技术：

  1. 统计滤波器（Statistical Outlier Removal, SOR）：此方法基于统计分析，移除那些与其邻近点距离大幅偏离平均值的点。它假设点云的噪声是高斯分布的，通过计算每个点到其邻居的距离的平均值和标准差，然后根据这些统计数据移除离群点。

  2. 体素网格滤波（Voxel Grid Filter）：该技术通过创建一个三维体素网格覆盖在整个点云上，然后在每个体素内部将所有点简化为一个代表点（例如，通过取平均位置），以减少点云中的点数。这种方法对于降低数据量和滤除噪声很有效。

  3. 半径离群值移除（Radius Outlier Removal）：在这种方法中，对于每一个点，如果在给定的半径内找到的邻近点数少于某个阈值，这个点就被认为是离群值并被移除。这种方法对于去除孤立的噪声点很有效。

  4. 边缘保留滤波：这种方法尤其适用于在尽量保留数据特征边缘的同时去除噪声。例如，双边滤波器和引导滤波器能够在平滑数据的同时，保留边缘信息。

  5. 深度学习方法：最近，深度学习技术也被应用于点云噪声的去除。通过训练神经网络模型来识别和滤除噪声点，这种方法可以非常有效，尤其是在处理复杂数据和场景时。

选择合适的滤波技术时，需要考虑数据的特点、处理目标以及对结果质量的要求。在实际应用中，可能需要尝试多种方法或将几种方法组合使用，以达到最佳的去噪效果。

3、点云数据

一般是pcd和ply，这两个都可以互相转换

ply转pcd

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/io/ply_io.h>

int main(int argc, char** argv)
{
    pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZRGB>);

    if (pcl::io::loadPLYFile<pcl::PointXYZRGB>(R"(D:\CPlusProject\PCL\pclTest\Data\Sparse.ply)", *cloud) == -1) //加载文件
    {
        PCL_ERROR("Couldn't read file Sparse.ply \n");
        system("PAUSE");
        return (-1);
    }
    //显示点云数量
    std::cout << "Loaded "
        << cloud->width * cloud->height
        << " data points from Sparse.ply with the following fields: "
        << std::endl;

    //保存文件，包括颜色信息
    std::string filename("Sparse.pcd");
    pcl::PCDWriter writer;
    writer.write<pcl::PointXYZRGB>(R"(D:\CPlusProject\PCL\pclTest\Data\Sparse.pcd)", *cloud, true); // 第三个参数为true时表示保存为二进制格式，可以包含颜色信息

    system("PAUSE");
    return 0;
}

4、统计滤波器

#include <iostream>
#include <pcl/point_types.h>
#include <pcl/filters/statistical_outlier_removal.h>
#include <pcl/io/pcd_io.h>

int main()
{
    // 创建点云指针
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);

    // 读取点云文件
    if (pcl::io::loadPCDFile<pcl::PointXYZ>(R"(D:\CPlusProject\PCL\pclTest\Data\Sparse.pcd)", *cloud) == -1)
    {
        PCL_ERROR("Couldn't read file Sparse.pcd \n");
        return (-1);
    }
    std::cout << "Loaded "
        << cloud->width * cloud->height
        << " data points from Sparse.pcd with the following fields: "
        << std::endl;

    // 创建滤波器对象
    pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
    sor.setInputCloud(cloud);
    sor.setMeanK(50); // 设置在进行统计分析时考虑的临近点个数
    sor.setStddevMulThresh(1.0); // 设置标准差倍数阈值
    sor.filter(*cloud_filtered);

    

    // 保存过滤后的点云
    pcl::io::savePCDFile(R"(D:\CPlusProject\PCL\pclTest\Data\Sparse_Filter.pcd)", *cloud_filtered);

    std::cout << "Cloud after filtering: " << std::endl;
    std::cout << "Saved "
        << cloud_filtered->width * cloud_filtered->height
        << " data points to filtered_output.pcd."
        << std::endl;

    return 0;
}

 报错如下。解决方案：通过项目属性->C/C++->代码生成->启用增强指令集->选择AVX

原图 

 设置下点的大小

滤波后 ，看左下角，一些单个的离群点已经消除，算法滤波能力取决于参数

5、体素网格滤波

对于降低数据量和滤除噪声很有效

因此上一个点云数据有点太小了，建议换大点的，我换了一个点云是不带RGB颜色的，也就是把PointXYZRGB换成PointXYZ




#include <iostream>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/io/pcd_io.h>
#include <pcl/filters/voxel_grid.h>

int main(int argc, char** argv)
{
    // 定义点云对象指针
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);

    // 读取PCD文件
    if (pcl::io::loadPCDFile<pcl::PointXYZ>(R"(D:\CPlusProject\PCL\pclTest\Data\chef.pcd)", *cloud) == -1) //* 打开点云文件
    {
        PCL_ERROR("Couldn't read file input_color.pcd \n");
        return (-1);
    }
    std::cout << "Loaded "
        << cloud->width * cloud->height
        << " data points from input_color.pcd with the following fields: "
        << std::endl;

    // 创建体素网格滤波器对象
    pcl::VoxelGrid<pcl::PointXYZ> sor;
    sor.setInputCloud(cloud);
    sor.setLeafSize(0.01f, 0.01f, 0.01f); // 设置体素网格的大小
    sor.filter(*cloud_filtered);

    std::cout << "PointCloud after filtering: " << cloud_filtered->width * cloud_filtered->height
        << " data points." << std::endl;

    // 保存过滤后的点云
    pcl::io::savePCDFile(R"(D:\CPlusProject\PCL\pclTest\Data\chef_VoxelGrid.pcd)", *cloud_filtered);

    return (0);
}

原图 

滤波后，很明显的数据量减少

6、半径离群值移除

 这种方法对于去除孤立的噪声点很有效

#include <iostream>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/io/pcd_io.h>
#include <pcl/filters/radius_outlier_removal.h>

int main(int argc, char** argv)
{
    // 创建点云指针
    pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZRGB>);
    pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZRGB>);

    // 读取点云文件
    if (pcl::io::loadPCDFile<pcl::PointXYZRGB>(R"(D:\CPlusProject\PCL\pclTest\Data\Sparse.pcd)", *cloud) == -1)
    {
        PCL_ERROR("Couldn't read file input_color.pcd \n");
        return (-1);
    }
    std::cout << "Loaded "
        << cloud->width * cloud->height
        << " data points from input_color.pcd with the following fields: "
        << std::endl;

    // 创建半径离群值移除滤波器
    pcl::RadiusOutlierRemoval<pcl::PointXYZRGB> outrem;
    outrem.setInputCloud(cloud);
    outrem.setRadiusSearch(0.2); // 设置搜索半径
    outrem.setMinNeighborsInRadius(5); // 设置半径内最小邻居数目

    // 应用滤波器
    outrem.filter(*cloud_filtered);

    std::cout << "PointCloud after filtering: " << cloud_filtered->width * cloud_filtered->height
        << " data points." << std::endl;

    // 保存过滤后的点云
    pcl::io::savePCDFile(R"(D:\CPlusProject\PCL\pclTest\Data\Sparse_RadiusOutlierRemoval.pcd)", *cloud_filtered);

    return (0);
}

原图

滤波后，还是比较明显的，离群点不见了

7、边缘保留滤波

旨在平滑数据的同时保留边缘特征，如物体边界。我们可以利用类似于图像处理中边缘保留技术的方法，例如双边滤波（Bilateral filter），来实现类似的效果。双边滤波是一种常见的边缘保留滤波方法，可以在平滑点云数据的同时保留其边缘信息。

#include <iostream>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/io/pcd_io.h>
#include <pcl/filters/fast_bilateral.h> // 注意：PCL版本可能影响这个头文件的可用性

int main(int argc, char** argv)
{
    // 加载点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>());
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>());

    if (pcl::io::loadPCDFile<pcl::PointXYZ>(R"(D:\CPlusProject\PCL\pclTest\Data\chef.pcd)", *cloud) == -1) //* 打开点云文件
    {
        PCL_ERROR("Couldn't read file input.pcd \n");
        return (-1);
    }

    // 创建双边滤波对象
    pcl::FastBilateralFilter<pcl::PointXYZ> fbFilter;
    fbFilter.setInputCloud(cloud);
    fbFilter.setSigmaS(1.5); // 空间范围的标准差
    fbFilter.setSigmaR(0.05f); // 颜色或强度范围的标准差

    // 应用滤波器
    fbFilter.applyFilter(*cloud_filtered);

    // 保存过滤后的点云
    pcl::io::savePCDFile(R"(D:\CPlusProject\PCL\pclTest\Data\chef_organized_FastBilateralFilter.pcd)", *cloud_filtered);

    return 0;
}

报错

[pcl::FastBilateralFilter] Input cloud needs to be organized.

[pcl::PCDWriter::writeASCII] Input point cloud has no data!

输入的点云需要是有组织的（organized）。有组织的点云类似于图像数据，其中每个点都有明确的像素位置（即它们是按矩阵形式排列的），这通常是从深度相机（如Kinect或Realsense）直接获取的数据。如果你的点云是无组织的（unorganized），即简单的点云列表，那么FastBilateralFilter无法直接应用。

 如何将无组织的点云转换为有组织的点云?

将无组织的点云映射到二维图像->二维图像映射成三维点云

看完第8节和第9节应该可以得到如下图片，双边滤波的参数对z轴影响很大，注意参数调节

8、将无组织的点云映射到二维图像

要实现将无组织的点云映射到一个特定平面并为其分配一个固定分辨率的过程，我们需要考虑几个关键步骤：定义映射平面、选择分辨率、计算2D像素位置。这个示例不会涉及复杂的相机内参转换。深度信息直接用z来进行表示。



#include <iostream>
#include <vector>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/io/pcd_io.h>
#include <pcl/common/common.h> // 包含 getMinMax3D

#include <opencv2/opencv.hpp> // 包含OpenCV库头文件
#include <opencv2/highgui/highgui.hpp>
#include <algorithm> // std::minmax_element

int main() {
    // 假设已经加载了点云数据到cloud变量
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);

    // 加载点云文件
    if (pcl::io::loadPCDFile<pcl::PointXYZ>(R"(D:\CPlusProject\PCL\pclTest\Data\chef.pcd)", *cloud) != 0) {
        return -1;
    }

    int imageWidth = 640;
    int imageHeight = 480;
    // 初始化深度图，使用-1表示该像素位置没有对应的点云数据
    std::vector<std::vector<float>> depthMap(imageHeight, std::vector<float>(imageWidth, -1));

    // 确定点云的边界
    pcl::PointXYZ minPt, maxPt;
    pcl::getMinMax3D(*cloud, minPt, maxPt);

    // 遍历点云中的每个点
    for (const auto& point : cloud->points) {
        // 将点云的坐标转换为2D图像的像素坐标
        // 这里使用简单的线性映射，假设点云完全覆盖图像平面
        int u = static_cast<int>((point.x - minPt.x) / (maxPt.x - minPt.x) * (imageWidth - 1));
        int v = static_cast<int>((point.y - minPt.y) / (maxPt.y - minPt.y) * (imageHeight - 1));

        // 选择z值作为深度信息
        float depth = point.z;

        // 更新深度图
        if (u >= 0 && u < imageWidth && v >= 0 && v < imageHeight) {
            // 这里简单地将点云的z值直接赋给像素，实际应用中可能需要其他处理方式
            depthMap[v][u] = depth;
        }
    }


    // 将depthMap转换为cv::Mat
    int rows = depthMap.size();
    int cols = depthMap[0].size();
    cv::Mat depthImage(rows, cols, CV_32FC1); // 浮点单通道图像

    for (int i = 0; i < rows; ++i) {
        for (int j = 0; j < cols; ++j) {
            depthImage.at<float>(i, j) = depthMap[i][j];
        }
    }

    // 可视化处理
    // 为了更好地在图像中显示深度信息，我们可以对深度值进行归一化
    double minVal, maxVal;
    cv::minMaxIdx(depthImage, &minVal, &maxVal); // 查找深度图中的最小和最大值
    cv::Mat normalizedDepthImage;
    cv::convertScaleAbs(depthImage, normalizedDepthImage, 255 / (maxVal - minVal), -minVal * 255 / (maxVal - minVal));

    // 显示深度图
    cv::namedWindow("Depth Image", cv::WINDOW_AUTOSIZE);
    cv::imshow("Depth Image", normalizedDepthImage);
    cv::waitKey(0); // 等待按键

    // 保存深度图为图片
    cv::imwrite(R"(D:\CPlusProject\PCL\pclTest\Data\chef_depth_image.png)", normalizedDepthImage);
    
    return 0;
}

这段代码首先将深度图转换为OpenCV的cv::Mat格式，然后使用cv::minMaxIdx查找深度图中的最小和最大深度值，以便对深度值进行归一化处理，使其范围在0到255之间。这样处理后的深度图更适合在屏幕上显示和保存为图片。

运行代码即可看到三维点云已经映射到二维图像上了

9、将无组织的点云转换为有组织的点云 

前提是做了前一步，三维映射到二维得到深度图 

这边的相机模型参数是简单的一种模拟



#include <iostream>
#include <vector>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/io/pcd_io.h>
#include <pcl/common/common.h> // 包含 getMinMax3D


int main() {
    // 假设已经加载了点云数据到cloud变量
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);

    // 加载点云文件
    if (pcl::io::loadPCDFile<pcl::PointXYZ>(R"(D:\CPlusProject\PCL\pclTest\Data\chef.pcd)", *cloud) != 0) {
        return -1;
    }

    int imageWidth = 640;
    int imageHeight = 480;
    // 初始化深度图，使用-1表示该像素位置没有对应的点云数据
    std::vector<std::vector<float>> depthMap(imageHeight, std::vector<float>(imageWidth, -1));

    // 确定点云的边界
    pcl::PointXYZ minPt, maxPt;
    pcl::getMinMax3D(*cloud, minPt, maxPt);

    // 遍历点云中的每个点
    for (const auto& point : cloud->points) {
        // 将点云的坐标转换为2D图像的像素坐标
        // 这里使用简单的线性映射，假设点云完全覆盖图像平面
        int u = static_cast<int>((point.x - minPt.x) / (maxPt.x - minPt.x) * (imageWidth - 1));
        int v = static_cast<int>((point.y - minPt.y) / (maxPt.y - minPt.y) * (imageHeight - 1));

        // 选择z值作为深度信息
        float depth = point.z;

        // 更新深度图
        if (u >= 0 && u < imageWidth && v >= 0 && v < imageHeight) {
            // 这里简单地将点云的z值直接赋给像素，实际应用中可能需要其他处理方式
            depthMap[v][u] = depth;
        }
    }


    // 有了深度图 depthMap 和对应的尺寸 imageWidth, imageHeight
    pcl::PointCloud<pcl::PointXYZ>::Ptr organizedCloud(new pcl::PointCloud<pcl::PointXYZ>);

    organizedCloud->width = imageWidth;
    organizedCloud->height = imageHeight;
    organizedCloud->is_dense = false; // 有组织的点云可能包含无效点
    organizedCloud->points.resize(organizedCloud->width * organizedCloud->height);

    // 假设的相机参数
    float focalLength = 1500.0; // 焦距，以某种单位表示
    float centerX = imageWidth / 2.0;
    float centerY = imageHeight / 2.0;
    float scalingFactor = 1; // 将深度值转换为相同单位的比例因子

    for (int i = 0; i < imageHeight; ++i) {
        for (int j = 0; j < imageWidth; ++j) {
            pcl::PointXYZ point;
            if (depthMap[i][j] != -1) {
                float z = depthMap[i][j] * scalingFactor; // 转换深度值
                float x = (j - centerX) * z / focalLength;
                float y = (i - centerY) * z / focalLength;
                point.x = x;
                point.y = y;
                point.z = z;
            }
            else {
                point.x = point.y = point.z = std::numeric_limits<float>::quiet_NaN();
            }
            organizedCloud->points[i * imageWidth + j] = point;
        }
    }



    //保存为有组织的三维点云
    if (pcl::io::savePCDFile(R"(D:\CPlusProject\PCL\pclTest\Data\chef_organized.pcd)", *organizedCloud) == -1) {
        PCL_ERROR("Couldn't save the organized point cloud file.\n");
        return -1;
    }
    
    return 0;
}

 好的，大家可与拿这个有组织的点云数据跑双边滤波了，已经测过，不会报错了。

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/1439535.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

中科大计网学习记录笔记（七）：Web and HTTP

中科大计网学习记录笔记（七）：Web and HTTP

前言&#xff1a; 学习视频&#xff1a;中科大郑烇、杨坚全套《计算机网络&#xff08;自顶向下方法 第7版&#xff0c;James F.Kurose&#xff0c;Keith W.Ross&#xff09;》课程 该视频是B站非常著名的计网学习视频&#xff0c;但相信很多朋友和我一样在听完前面的部分发现信…
阅读更多...
vulnhub通关-3 DC-3（含靶场资源）

vulnhub通关-3 DC-3（含靶场资源）

文章目录 一、环境搭建1.环境描述靶场描述题目表述概括&#xff08;目标&#xff09; 2.靶场下载下载地址 3.环境启动 二、渗透靶场1.信息收集&#xff1a;寻找靶机IP分析nmap扫描存活主机 2.信息收集&#xff1a;服务和端口探测命令解析 3.访问Web4.探测框架版本号joomscan安装…
阅读更多...
编码技巧——在项目中使用Alibaba Cloud Toolkit远程部署

编码技巧——在项目中使用Alibaba Cloud Toolkit远程部署

背景 在新公司项目开发&#xff0c;当前项目为自建项目&#xff0c;意思是从开发到运维都需要自己负责&#xff0c;远程的服务器也是自己搭建的win操作系统&#xff1b; 之前在大厂工作时&#xff0c;一般提交代码之后&#xff0c;CICD流水线会自动的执行最新代码的拉取、构建打…
阅读更多...
【iOS ARKit】3D人体姿态估计实例

【iOS ARKit】3D人体姿态估计实例

与2D人体姿态检测一样&#xff0c;在ARKit 中&#xff0c;我们不必关心底层的人体骨骼关节点检测算法&#xff0c;也不必自己去调用这些算法&#xff0c;在运行使用 ARBodyTrackingConfiguration 配置的 ARSession 之后&#xff0c;基于摄像头图像的3D人体姿态估计任务也会启动…
阅读更多...
SERVLET过滤器

SERVLET过滤器

SERVLET过滤器 全球因特网用户使用不同类型的Web浏览器访问应用服务器上存储的Web应用程序。每个浏览器根据对应的Web浏览器窗口中的设置显示应用程序中的信息。Web应用程序可能会有一些客户机的Web浏览器不支持的HTML标记或功能。这种情况下，应用程序在客户机的Web浏览器中可…
阅读更多...
基于SpringBoot3的快速迭代平台

基于SpringBoot3的快速迭代平台

SpringBoot3的快速开发平台 前言一、技术栈二、项目结构三、总结 前言 MateBoot是一个基于SpringBoot3的快速开发平台&#xff0c;采用前后端分离的模式&#xff0c;前端采用Element Plus组件&#xff0c;后端采用SpringBoot3、Sa-token、Mybatis-Plus、Redis、RabbitMQ、Fast…
阅读更多...
蓝桥杯Web应用开发-CSS3 新特性【练习三：文本阴影】

蓝桥杯Web应用开发-CSS3 新特性【练习三：文本阴影】

文本阴影 text-shadow 属性 给文本内容添加阴影的效果。 文本阴影的语法格式如下&#xff1a; text-shadow: x-offset y-offset blur color;• x-offset 是沿 x 轴方向的偏移距离&#xff0c;允许负值&#xff0c;必须参数。 • y-offset 是沿 y 轴方向的偏移距离&#xff0c…
阅读更多...
项目02《游戏-09-开发》Unity3D

项目02《游戏-09-开发》Unity3D

基于 项目02《游戏-08-开发》Unity3D &#xff0c; 本次任务是做抽卡界面&#xff0c;获取的卡片增添在背包中&#xff0c;并在背包中可以删除卡片&#xff0c; 首先在Canvas下创建一个空物体&#xff0c;命名为LotteryPanel&#xff0c;作为抽卡界面&#xff0c; …
阅读更多...
软件价值10-数字时钟

软件价值10-数字时钟

这是一个数字时钟程序&#xff1a; # importing whole module from tkinter import * from tkinter.ttk import *# importing strftime function to # retrieve systems time from time import strftime# creating tkinter window root Tk() root.title(Clock)# This functio…
阅读更多...
多路服务器技术如何处理大量并发请求？

多路服务器技术如何处理大量并发请求？

在当今的互联网时代&#xff0c;随着用户数量的爆炸性增长和业务规模的扩大&#xff0c;多路服务器技术已成为处理大量并发请求的关键手段。多路服务器技术是一种并行处理技术&#xff0c;它可以通过多个服务器同时处理来自不同用户的请求&#xff0c;从而显著提高系统的整体性…
阅读更多...
three.js 箭头ArrowHelper的实践应用

three.js 箭头ArrowHelper的实践应用

效果&#xff1a; 代码&#xff1a; <template><div><el-container><el-main><div class"box-card-left"><div id"threejs" style"border: 1px solid red"></div></div></el-main></…
阅读更多...
复制和粘贴文本时剥离格式的5种方法(MacWindows)

复制和粘贴文本时剥离格式的5种方法(MacWindows)

您可能每天复制和粘贴多次。虽然它是一个非常方便的功能&#xff0c;但最大的烦恼之一就是带来了特殊的格式。从网络上获取一些文本&#xff0c;您经常会发现粘贴到文档中时&#xff0c;它保持原始样式。 我们将展示如何使用一些简单的技巧在不格式化的情况下复制和粘贴。 1.…
阅读更多...
Zabbix 配置实时开通的LDAP认证-基于AD

Zabbix 配置实时开通的LDAP认证-基于AD

介绍 本教程适用于6.4-7.0版本的Zabbix&#xff0c;域控&#xff08;AD&#xff09;使用Windows Server 2022搭建&#xff0c;域控等级为 2016。 域控域名为 songxwn.com 最终实现AD用户统一认证&#xff0c;统一改密&#xff0c;Zabbix用户自动添加。&#xff08;6.4之前不…
阅读更多...
【远程通信系统】服务端初始化

【远程通信系统】服务端初始化

服务器架构&#xff1a;libevent 线程池 数据库&#xff1a;MySQL 有两张表&#xff1a;chat_user和chat_group&#xff0c;分别保存用户信息和群信息 在线用户和群的保存&#xff1a; struct User {std::string name;//账号&#xff08;用户名struct bufferevent* bev;//客…
阅读更多...
WordPress如何实现随机显示一句话经典语录？怎么添加到评论框中？

WordPress如何实现随机显示一句话经典语录？怎么添加到评论框中？

我们在一些WordPress网站的顶部或侧边栏或评论框中&#xff0c;经常看到会随机显示一句经典语录&#xff0c;他们是怎么实现的呢&#xff1f; 其实&#xff0c;boke112百科前面跟大家分享的『WordPress集成一言&#xff08;Hitokoto&#xff09;API经典语句功能』一文中就提供…
阅读更多...
94.网游逆向分析与插件开发-游戏窗口化助手-地图数据获取的逆向分析与C++代码还原

94.网游逆向分析与插件开发-游戏窗口化助手-地图数据获取的逆向分析与C++代码还原

内容参考于&#xff1a;易道云信息技术研究院VIP课 上一个内容&#xff1a;升级经验数据获取的逆向分析 码云地址&#xff08;游戏窗口化助手 分支&#xff09;&#xff1a;https://gitee.com/dye_your_fingers/sro_-ex.git 码云版本号&#xff1a;c4351a5b346d8953a1a8e3ec…
阅读更多...
Android:国际化弹出框

Android:国际化弹出框

3.13 风格与主题、国际化 1、应用国际化 应用国际化&#xff0c;通过修改系统语言&#xff0c;应用显示语言跟着改变。 选择Locale,点击>>符号。 创建多个国家&#xff0c;地区strings.xml文件&#xff0c;有一个默认strings.xml文件&#xff0c;各个stirngs.xml中<…
阅读更多...
以“防方视角”观社工钓鱼攻击

以“防方视角”观社工钓鱼攻击

为方便您的阅读&#xff0c;可点击下方蓝色字体&#xff0c;进行跳转↓↓↓ 01 案例概述02 攻击路径03 防方思路 01 案例概述 这篇文章来自奇安信攻防社区“小艾”&#xff0c;记录的某师傅通过社工钓鱼诱导企业员工点击含有木马的文件&#xff0c;侵入系统取得了终端控制权。接…
阅读更多...
中科大计网学习记录笔记（四）：Internet 和 ISP | 分组延时、丢失和吞吐量

中科大计网学习记录笔记（四）：Internet 和 ISP | 分组延时、丢失和吞吐量

前言&#xff1a; 学习视频&#xff1a;中科大郑烇、杨坚全套《计算机网络&#xff08;自顶向下方法 第7版&#xff0c;James F.Kurose&#xff0c;Keith W.Ross&#xff09;》课程 该视频是B站非常著名的计网学习视频&#xff0c;但相信很多朋友和我一样在听完前面的部分发现信…
阅读更多...
27. 云原生流量治理之kubesphere灰度发布

27. 云原生流量治理之kubesphere灰度发布

云原生专栏大纲 文章目录 灰度发布介绍灰度发布策略KubeSphere中恢复发布策略蓝绿部署金丝雀发布流量镜像 灰度发布实战部署自制应用金丝雀发布创建金丝雀发布任务测试金丝雀发布情况 蓝绿部署创建蓝绿部署测试蓝绿部署情况 流量镜像创建流量进行任务测试流量镜像情况 灰度发布…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023