pyrealsense2获取保存点云

news2024/9/25 23:21:10

一、第一种实现代码

Python

import sys
import cv2
import pyrealsense2 as rs
import numpy as np
import keyboard
import open3d as o3d
import os

if __name__ == "__main__":
    output_folder = 'output_data/'
    os.makedirs(output_folder, exist_ok=True)

    pipeline = rs.pipeline()
    config = rs.config()
    config.enable_stream(rs.stream.depth, 848, 480, rs.format.z16, 30)
    config.enable_stream(rs.stream.color, 848, 480, rs.format.bgr8, 30)
    # Start streaming
    pipeline.start(config)
    # 深度图像向彩色对齐
    align_to_color = rs.align(rs.stream.color)
    i = 0
    try:
        while True:
            pc = rs.pointcloud()
            # Wait for a coherent pair of frames: depth and color
            frames = pipeline.wait_for_frames()
            frames = align_to_color.process(frames)

            depth_frame = frames.get_depth_frame()
            color_frame = frames.get_color_frame()
            if not depth_frame or not color_frame:
                print("wrong!")

            cv2.imshow("color_image", np.asanyarray(color_frame.get_data()))
            cv2.waitKey(1)
            if keyboard.is_pressed("a"):
                pc.map_to(color_frame)
                points = pc.calculate(depth_frame)
                vtx = np.asanyarray(points.get_vertices())
                npy_vtx = np.array(vtx).view(np.float32).reshape(-1, 3)

                tex_coords = np.asanyarray(points.get_texture_coordinates())
                tex_coords = np.array(tex_coords).view(np.float32).reshape(-1, 2)
                color_image = np.asanyarray(color_frame.get_data())
                u_pixel_indices = (tex_coords[:, 0] * (color_image.shape[1] - 1)).astype(int)
                v_pixel_indices = (tex_coords[:, 1] * (color_image.shape[0] - 1)).astype(int)
                u_pixel_indices = np.clip(u_pixel_indices, 0, color_image.shape[1] - 1)
                v_pixel_indices = np.clip(v_pixel_indices, 0, color_image.shape[0] - 1)
                colors = color_image[v_pixel_indices, u_pixel_indices, :]
                colors = colors[:, [2, 1, 0]] / 255.0
                print("points", type(points), points)
                print("npy_vtx", npy_vtx.shape, npy_vtx)

                pcd = o3d.geometry.PointCloud()
                pcd.points = o3d.utility.Vector3dVector(npy_vtx)
                pcd.colors = o3d.utility.Vector3dVector(colors)
                # 显示点云
                o3d.io.write_point_cloud(output_folder + str(i) + ".ply",
                                         pcd)
                i += 1
            if keyboard.is_pressed("q"):
                sys.exit()

    finally:
        # Stop streaming
        pipeline.stop()

代码解析：

这段代码是使用Python和Intel RealSense SDK (pyrealsense2) 来捕捉深度相机的数据，并将深度数据与彩色数据结合，形成彩色的点云，然后将点云保存为PLY文件。同时，这里也使用了OpenCV来显示彩色图像和Open3D来处理和保存点云。

代码的执行流程如下：

  1. 首先，设置输出文件夹，如果不存在则创建。

  2. 初始化RealSense流水线(pipeline)和配置(config)，分别启用深度和彩色流。

  3. 启动流水线开始捕获数据。

  4. 创建一个rs.align对象，以便将深度帧对齐到彩色帧。

  5. 进入一个无限循环中，不断地从流水线获取帧（即图像数据）。

  6. 使用align_to_color.process(frames)处理帧，使深度帧与彩色帧对齐。

  7. 提取深度帧和彩色帧，如果没有获取到这些帧，打印错误信息。

  8. 使用OpenCV显示彩色图像。

  9. 检查用户是否按下了“A”键。如果按下了，执行以下操作：

    • 使用pc.map_to(color_frame)映射颜色到点云。

    • 使用pc.calculate(depth_frame)计算点云。

    • 将点云的顶点(vtx)转换为NumPy数组，并重塑为三维数据。

    • 获取纹理坐标，重塑并转换为像素索引。

    • 使用像素索引从彩色图像中检索每个点的颜色。

    • 颜色数组的通道顺序可能需要从BGR转换为RGB，并归一化到[0, 1]范围。

    • 创建一个Open3D点云对象，并设置其顶点和颜色。

    • 将点云保存为PLY文件，文件名包含一个递增的编号。

  10. 如果程序被中断（可能是通过Ctrl+C或其他方式），则会执行finally块，停止流水线。

此代码还包含了一些关键函数和方法：

  • pipeline.wait_for_frames()：从流水线等待并获取一组一致的帧。

  • pipeline.stop()：停止流水线。

  • cv2.imshow("color_image", image)：用于显示图片的OpenCV函数。

  • cv2.waitKey(1)：用于OpenCV图像显示的键盘事件监听。

  • o3d.geometry.PointCloud()：创建一个空的Open3D点云对象。

  • o3d.io.write_point_cloud()：用于保存点云到文件的Open3D函数。

  • keyboard.is_pressed("a")和keyboard.is_pressed("q")：检查是否按下了特定的按键。

结果：

本人用的是一个放在白纸上的小方块，用cloudcompare软件查看点云

二、第一种实现代码 

Python

import sys
import cv2
import pyrealsense2 as rs
import numpy as np
import keyboard
import open3d as o3d
import os

if __name__ == "__main__":
    output_folder = 'output_data/'
    os.makedirs(output_folder, exist_ok=True)
    pipeline = rs.pipeline()
    config = rs.config()
    config.enable_stream(rs.stream.depth, 848, 480, rs.format.z16, 30)
    config.enable_stream(rs.stream.color, 848, 480, rs.format.bgr8, 30)
    i = 0
    pipeline.start(config)
    align_to_color = rs.align(rs.stream.color)
    try:
        while True:

            # Wait for a coherent pair of frames: depth and color
            frames = pipeline.wait_for_frames()
            frames = align_to_color.process(frames)

            depth_frame = frames.get_depth_frame()

            color_frame = frames.get_color_frame()

            depth_intrinsics = depth_frame.profile.as_video_stream_profile().intrinsics
            profile = frames.get_profile()
            if not depth_frame or not color_frame:
                continue

            # Convert images to numpy arrays
            depth_image = np.asanyarray(depth_frame.get_data())
            color_image = np.asanyarray(color_frame.get_data())

            cv2.imshow("color_image", color_image)
            cv2.waitKey(1)
            color_image = cv2.cvtColor(color_image, cv2.COLOR_BGR2RGB)
            depth_image = cv2.cvtColor(depth_image, cv2.COLOR_BGR2RGB)
            if keyboard.is_pressed("a"):
                print("type of depth_image:", type(depth_image))
                print("shape of depth_image:", depth_image.shape)

                o3d_color = o3d.geometry.Image(color_image)
                o3d_depth = o3d.geometry.Image(depth_image)
                rgbd_image = o3d.geometry.RGBDImage.create_from_color_and_depth(o3d_color, o3d_depth,
                                                                                depth_scale=1000.0,
                                                                                depth_trunc=3.0,
                                                                                convert_rgb_to_intensity=False)

                intrinsics = profile.as_video_stream_profile().get_intrinsics()
                # 转换为open3d中的相机参数
                pinhole_camera_intrinsic = o3d.camera.PinholeCameraIntrinsic(
                    intrinsics.width, intrinsics.height,
                    intrinsics.fx, intrinsics.fy,
                    intrinsics.ppx, intrinsics.ppy
                )
                o3d_result = o3d.geometry.PointCloud.create_from_rgbd_image(
                    rgbd_image,
                    pinhole_camera_intrinsic
                )
                o3d.io.write_point_cloud(output_folder + str(i) + ".ply",
                                         o3d_result)
                i += 1
            if keyboard.is_pressed("q"):
                sys.exit()

    finally:
        pipeline.stop()

代码解析：

这段代码使用Intel RealSense SDK (pyrealsense2) 与 Open3D 库结合来捕获深度和彩色图像数据，并生成彩色点云，最后将点云保存为PLY文件格式。同时，该代码也使用了OpenCV来显示彩色图像，并使用keyboard库来监听键盘事件。下面是对代码的详细解析：

  1. output_folder = 'output_data/'：定义输出文件夹的路径。

  2. os.makedirs(output_folder, exist_ok=True)：创建输出文件夹，如果该文件夹已经存在，则不会引发错误。

  3. 创建一个RealSense流水线(pipeline)和配置(config)对象，配置深度流和彩色流。

  4. 使用配置启动流水线(pipeline.start(config))。

  5. 定义一个rs.align对象align_to_color，以便将深度数据对齐到彩色数据。

  6. 进入一个无限循环，等待获取一对深度和彩色帧。

  7. 使用align_to_color.process(frames)将获取的帧对齐，以确保深度和彩色图像匹配。

  8. 转换深度帧和彩色帧到NumPy数组，并使用OpenCV显示彩色图像。

  9. 将彩色图像从BGR格式转换为RGB格式，因为Open3D使用的是RGB格式。

  10. 如果用户按下了“A”键，则执行以下步骤：

    • 打印深度图像的类型和形状。

    • 将NumPy中的图像数组转换为Open3D图像对象。

    • 使用Open3D创建RGBD图像对象。

    • 从帧的配置文件中获取相机内参。

    • 将相机内参转换成Open3D格式。

    • 使用RGBD图像和相机内参生成Open3D点云。

    • 将点云保存为PLY格式的文件。

  11. 如果用户按下了“Q”键，则退出程序。

  12. 如果程序被中断，无论是正常退出还是异常终止，finally块确保流水线被停止，释放相关资源。

代码中的depth_scale和depth_trunc参数在创建RGBD图像时使用，分别用于定义深度图像的单位转换(毫米到米)和深度截断阈值(超过此值的深度将被忽略)。convert_rgb_to_intensity参数设置为False，意味着在生成RGBD图像时不需要将彩色图像转换为灰度图像的强度值。

结果：

三、提取感兴趣区域点云的第一种实现代码 

Python

import sys
import cv2
import pyrealsense2 as rs
import numpy as np
import keyboard
import open3d as o3d
import os

if __name__ == "__main__":
    output_folder = 'output_data/'
    os.makedirs(output_folder, exist_ok=True)
    width = 848
    height = 480
    pipeline = rs.pipeline()
    config = rs.config()
    config.enable_stream(rs.stream.depth, width, height, rs.format.z16, 30)
    config.enable_stream(rs.stream.color, width, height, rs.format.bgr8, 30)
    pipeline.start(config)
    align_to_color = rs.align(rs.stream.color)
    i = 0

    try:
        while True:
            pc = rs.pointcloud()
            frames = pipeline.wait_for_frames()
            frames = align_to_color.process(frames)
            depth_frame = frames.get_depth_frame()
            color_frame = frames.get_color_frame()
            if not depth_frame or not color_frame:
                continue
            cv2.imshow("color_image", np.asanyarray(color_frame.get_data()))
            cv2.waitKey(1)
            if keyboard.is_pressed("a"):
                pc.map_to(color_frame)
                points = pc.calculate(depth_frame)

                # 获取点云的顶点
                vtx = np.asarray(points.get_vertices())

                # 获取点云的纹理坐标
                tex_coords = np.asarray(points.get_texture_coordinates())

                # 获取彩色图像的数据，用于提取颜色
                color_image = np.asanyarray(color_frame.get_data())

                # (定义ROI边界 (x_min, y_min, x_max, y_max))
                x_min, y_min, x_max, y_max = 100, 100, 540, 380
                # 过滤ROI内的点和纹理坐标
                roi_vtx = []
                roi_tex_coords = []
                for y in range(y_min, y_max):
                    for x in range(x_min, x_max):
                        index = y * width + x
                        if vtx[index][2]:  # 如果深度值非零
                            roi_vtx.append(vtx[index])
                            roi_tex_coords.append(tex_coords[index])

                roi_vtx = np.array(roi_vtx).view(np.float32).reshape(-1, 3)
                roi_tex_coords = np.array(roi_tex_coords).view(np.float32).reshape(-1, 2)

                # 转换纹理坐标为像素坐标
                u_pixel_indices = (roi_tex_coords[:, 0] * (color_image.shape[1] - 1)).astype(int)
                v_pixel_indices = (roi_tex_coords[:, 1] * (color_image.shape[0] - 1)).astype(int)

                # 获取点云颜色
                roi_colors = color_image[v_pixel_indices, u_pixel_indices, :]

                # 创建Open3D点云
                pcd = o3d.geometry.PointCloud()
                pcd.points = o3d.utility.Vector3dVector(roi_vtx)
                pcd.colors = o3d.utility.Vector3dVector(roi_colors[:, [2, 1, 0]] / 255.0)  # 归一化颜色值

                # 保存点云
                o3d.io.write_point_cloud(output_folder + str(i) + ".ply", pcd)
                i += 1
            if keyboard.is_pressed("q"):
                sys.exit()

    finally:
        pipeline.stop()

代码解析：

x_min, y_min, x_max, y_max = 100, 100, 540, 380
# 过滤ROI内的点和纹理坐标
roi_vtx = []
roi_tex_coords = []
for y in range(y_min, y_max):
for x in range(x_min, x_max):
index = y * width + x
if vtx[index][2]:  # 如果深度值非零
roi_vtx.append(vtx[index])
roi_tex_coords.append(tex_coords[index])

  1. x_min, y_min, x_max, y_max = 100, 100, 540, 380：这一行定义了ROI的边界，在此示例中，ROI是矩形框，其左上角坐标为 (100, 100)，右下角坐标为 (540, 380)。

  2. width = 848 和 height = 480：这两行定义了深度图像的宽度和高度。在此示例中，深度图像的分辨率是 848x480。

  3. roi_vtx = [] 和 roi_tex_coords = []：这两行初始化两个空列表，用于存储ROI内的顶点（vtx）和纹理坐标（tex_coords）。

  4. 接下来的嵌套循环遍历定义的ROI中的每个像素坐标 (x, y)：

    • for y in range(y_min, y_max): 遍历ROI垂直方向上的每一行。

    • for x in range(x_min, x_max): 遍历ROI水平方向上的每一列。

  5. index = y * width + x：这一行计算当前 (x, y) 坐标在深度图像一维数组中的索引。深度图像的数据以一维数组形式存储，计算索引时需要将二维坐标 (x, y) 转换为一维索引。转换方法是：y 行乘以每行的像素数(width)，然后加上当前行的列坐标 x。

  6. if vtx[index][2]:：这一行检查当前点的深度值是否非零（索引 [2] 表示 Z 轴，即深度）。如果深度值为零，表示该点没有有效的深度信息，因此不包含在ROI内的点云中。

  7. roi_vtx.append(vtx[index]) 和 roi_tex_coords.append(tex_coords[index])：如果当前点具有有效的深度信息，则将点的顶点和纹理坐标追加到 roi_vtx 和 roi_tex_coords 列表中。

结果：

四、提取感兴趣区域点云的第二种实现代码

Python

import sys
import cv2
import pyrealsense2 as rs
import numpy as np
import keyboard
import open3d as o3d
import os

if __name__ == "__main__":
    output_folder = 'output_data3/'
    os.makedirs(output_folder, exist_ok=True)
    pipeline = rs.pipeline()
    config = rs.config()
    # 定义感兴趣区域(ROI)的边界
    x_min, y_min, x_max, y_max = 100, 100, 540, 380
    config.enable_stream(rs.stream.depth, 848, 480, rs.format.z16, 30)
    config.enable_stream(rs.stream.color, 848, 480, rs.format.bgr8, 30)
    i = 0
    pipeline.start(config)
    align_to_color = rs.align(rs.stream.color)
    try:
        while True:
            # Wait for a coherent pair of frames: depth and color
            frames = pipeline.wait_for_frames()
            frames = align_to_color.process(frames)
            depth_frame = frames.get_depth_frame()
            color_frame = frames.get_color_frame()
            if not depth_frame or not color_frame:
                continue

            # Convert images to numpy arrays
            depth_image = np.asanyarray(depth_frame.get_data())
            color_image = np.asanyarray(color_frame.get_data())

            # Defining ROI on color image
            color_image_roi = color_image[y_min:y_max, x_min:x_max]
            # Defining ROI on depth image
            depth_image_roi = depth_image[y_min:y_max, x_min:x_max]

            cv2.imshow("color_image", color_image)
            cv2.imshow("color_image_roi", color_image_roi)  # 显示ROI的彩色图像
            cv2.waitKey(1)
            color_image = cv2.cvtColor(color_image_roi, cv2.COLOR_BGR2RGB)
            depth_image = cv2.cvtColor(depth_image_roi, cv2.COLOR_BGR2RGB)
            if keyboard.is_pressed("a"):
                o3d_color = o3d.geometry.Image(color_image)
                o3d_depth = o3d.geometry.Image(depth_image)
                rgbd_image = o3d.geometry.RGBDImage.create_from_color_and_depth(
                    o3d_color,
                    o3d_depth,
                    depth_scale=1000.0,
                    depth_trunc=3.0,
                    convert_rgb_to_intensity=False
                )

                profile = frames.get_profile()
                intrinsics = profile.as_video_stream_profile().get_intrinsics()
                # 转换为open3d中的相机参数
                pinhole_camera_intrinsic = o3d.camera.PinholeCameraIntrinsic(
                    intrinsics.width, intrinsics.height,
                    intrinsics.fx, intrinsics.fy,
                    intrinsics.ppx, intrinsics.ppy
                )
                o3d_result = o3d.geometry.PointCloud.create_from_rgbd_image(
                    rgbd_image,
                    pinhole_camera_intrinsic
                )
                # Transform the point cloud to the original coordinate system
                o3d_result.transform([[1, 0, 0, -x_min], [0, 1, 0, -y_min], [0, 0, 1, 0], [0, 0, 0, 1]])
                o3d.io.write_point_cloud(output_folder + str(i) + ".ply", o3d_result)
                i += 1
            if keyboard.is_pressed("q"):
                sys.exit()
    finally:
        pipeline.stop()

代码解析： 

color_image_roi = color_image[y_min:y_max, x_min:x_max]
depth_image_roi = depth_image[y_min:y_max, x_min:x_max]
color_image = cv2.cvtColor(color_image_roi, cv2.COLOR_BGR2RGB)
depth_image = cv2.cvtColor(depth_image_roi, cv2.COLOR_BGR2RGB)
o3d_result.transform([[1, 0, 0, -x_min], [0, 1, 0, -y_min], [0, 0, 1, 0], [0, 0, 0, 1]])

  1. color_image_roi = color_image[y_min:y_max, x_min:x_max]: 这行代码定义了彩色图像的一个区域兴趣（ROI），通过在原始彩色图像数组上使用数组切片功能。color_image 是一个NumPy数组，而 [y_min:y_max, x_min:x_max] 是一个切片操作，它从图像中提取从 y_min 到 y_max 行和从 x_min 到 x_max 列的像素。结果是一个新的图像数组，只包含原始彩色图像中指定矩形区域的像素。

  2. depth_image_roi = depth_image[y_min:y_max, x_min:x_max]: 这行代码与上面的类似，它定义了深度图像的一个ROI。这意味着只有深度图像中的指定区域将被用于后续处理。在捕获彩色图像的同时，同样的区域也从深度图像中取出，以确保彩色和深度图像的对应关系。

  3. color_image = cv2.cvtColor(color_image_roi, cv2.COLOR_BGR2RGB): 这行代码使用OpenCV库的 cvtColor 函数将ROI中的彩色图像从BGR颜色空间转换到RGB颜色空间。这通常是必要的，因为OpenCV默认使用BGR颜色顺序，而Open3D和其他许多图像处理库则预期图像为RGB颜色顺序。

  4. depth_image = cv2.cvtColor(depth_image_roi, cv2.COLOR_BGR2RGB): 这行代码似乎不正确，因为深度图像通常是单通道的（灰度图），它只包含深度信息而没有颜色。因此，深度图像不需要从BGR转换到RGB，而应该保留原始格式。这可能是一个编码错误，应该将该行代码删除或替换为正确处理单通道深度图像的代码。

  5. o3d_result.transform([[1, 0, 0, -x_min], [0, 1, 0, -y_min], [0, 0, 1, 0], [0, 0, 0, 1]]): 这行代码应用了一个4x4的仿射变换矩阵，以调整点云的坐标。在这个变换中，仅在x和y方向上应用了平移（-x_min 和 -y_min），目的是将点云对齐回其在原始图像中的相对位置。这是因为创建点云时仅使用了原始图像的一个小区域（ROI），而不是整个图像。

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/1539110.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

Prometheus+Grafana 监控Tongweb嵌入式（by lqw）

Prometheus+Grafana 监控Tongweb嵌入式（by lqw）

文章目录 1.思路2.部署准备3.Grafana仪表盘json文件下载4.tw嵌入式jar包本地引入依赖并测试运行5.运行jmx_prometheus_javaagent-0.19.0.jar形式获取监控数据（方法一）6.使用Actuator 获取监听数据（方法二）7.Prometheus部署8.Prome…
阅读更多...
项目配置之道：优化Scrapy参数提升爬虫效率

项目配置之道：优化Scrapy参数提升爬虫效率

前言 在当今信息时代，数据是无处不在且无比重要的资源。为了获取有效数据，网络爬虫成为了一项至关重要的技术。Scrapy作为Python中最强大的网络爬虫框架之一，提供了丰富的功能和灵活的操作，让数据采集变得高效而简单。本文将以爬…
阅读更多...
算法打卡day25|回溯法篇05|Leetcode 491.递增子序列、46.全排列、47.全排列 II

算法打卡day25|回溯法篇05|Leetcode 491.递增子序列、46.全排列、47.全排列 II

算法题 Leetcode 491.递增子序列 题目链接:491.递增子序列 大佬视频讲解：递增子序列视频讲解 个人思路 和昨天的子集2有点像，但昨天的题是通过排序，再加一个标记数组来达到去重的目的。 而本题求自增子序列，是不能对原数组进行…
阅读更多...
Prometheus+Grafana 监控Tongweb7（by lqw）

Prometheus+Grafana 监控Tongweb7（by lqw）

文章目录 1.准备工作2.Tongweb7部署3.Prometheus部署4.上传jar包并配置Tongweb75.Prometheus配置6.安装和配置Grafana 1.准备工作 本次参考：Prometheus监控Tongweb容器 1.使用虚拟机ip：192.168.10.51（tongweb），192.1…
阅读更多...
oracle设置主键自增步骤

oracle设置主键自增步骤

设置主键自增步骤： 每一张表都要设置序列，然后设置触发器。比mysql繁琐。 一、设置序列 选中表后，—》 文件—》新建—》其他—》序列. 设置如下四个值即可。 crtls保存。 给序列起个名字，一定要全大写字母。 二、设置触发器…
阅读更多...
防火墙在解决方案及典型项目中的应用

防火墙在解决方案及典型项目中的应用

防火墙在解决方案及典型项目中的应用 防火墙作为基础安全防护产品，在各种解决方案、业务场景中配套应用，本节给出各类方案资料链接方便查阅。 防火墙在华为网络解决方案中的应用 解决方案 文档 主要应用 CloudFabric云数据中心网解决方案 资料专区…
阅读更多...
java设计模式（2）---六大原则

java设计模式（2）---六大原则

设计模式之六大原则 这篇博客非常有意义，希望自己能够理解的基础上，在实际开发中融入这些思想，运用里面的精髓。 先列出六大原则：单一职责原则、里氏替换原则、接口隔离原则、依赖倒置原则、迪米特原则、开闭原则。 一、单一职…
阅读更多...
Java中调用由C/C++实现的本地库（JNI本地程序调用）

Java中调用由C/C++实现的本地库（JNI本地程序调用）

文章目录 背景介绍什么是JNI？什么是本地库？开发Java使用JNI本地库步骤 编写Java类实现JNI本地调用windows系统下编译动态链接库创建Java项目（demo）第一步：编写带有native的Java类第二步：javac生成NativeDem…
阅读更多...
C++的缺省参数，函数重载，引用

C++的缺省参数，函数重载，引用

目录 1、缺省参数（不能在函数声明和定义中同时出现，若声明和定义是分开的，则缺省参数放在声明里面） 1.1、缺省参数的概念 1.2、全缺省 1.3、半缺省 2、函数重载 2.1、特殊情况 2.2、特殊情况 2.3、为什么C支持函数重载而C语…
阅读更多...
springboot+itextpdf+thymeleaf+ognl根据静态模版文件实现动态生成pdf文件并导出demo

springboot+itextpdf+thymeleaf+ognl根据静态模版文件实现动态生成pdf文件并导出demo

第一步&#xff1a;导入maven依赖 <!-- 导出为PDF依赖包 --><dependency><groupId>com.itextpdf</groupId><artifactId>itextpdf</artifactId></dependency><dependency><groupId>com.itextpdf</groupId><art…
阅读更多...
网络安全慢速攻击

网络安全慢速攻击

什么是低速缓慢攻击&#xff1f; 低速缓慢攻击是 DoS 或 DDoS 攻击的一种&#xff0c;依赖一小串非常慢的流量&#xff0c;可以针对应用程序或服务器资源发起攻击。与更传统的蛮力攻击不同&#xff0c;低速缓慢攻击所需的带宽非常小&#xff0c;并且难以防护&#xff0c;因为它…
阅读更多...
Day60：WEB攻防-PHP反序列化POP链构造魔术方法流程漏洞触发条件属性修改

Day60：WEB攻防-PHP反序列化POP链构造魔术方法流程漏洞触发条件属性修改

目录 PHP-DEMO1-序列化和反序列化 序列化操作 - 即类型转换 序列化案例 PHP-DEMO2-魔术方法触发规则 __construct(): //当对象new的时候会自动调用 __destruct()&#xff1a;//当对象被销毁时会被自动调用 __sleep(): //serialize()执行时被自动调用 __wakeup(): //uns…
阅读更多...
程序员表白

程序员表白

啥&#xff1f;&#xff01;你说程序员老实&#xff0c;认真工作&#xff0c;根本不会什么表白&#xff01;那你就错了&#xff01;(除了我) 那今天我们就来讲一下这几个代码&#xff01;赶紧复制下来&#xff0c;这些代码肯定有你有用的时候&#xff01; 1.Python爱心代码 im…
阅读更多...
MNN 执行推理（九）

MNN 执行推理（九）

系列文章目录 MNN createFromBuffer&#xff08;一&#xff09; MNN createRuntime&#xff08;二&#xff09; MNN createSession 之 Schedule&#xff08;三&#xff09; MNN createSession 之创建流水线后端&#xff08;四&#xff09; MNN Session 之维度计算&#xff08;五…
阅读更多...
墨菲安全在软件供应链安全领域阶段性总结及思考

墨菲安全在软件供应链安全领域阶段性总结及思考

向外看&#xff1a;墨菲安全在软件供应链安全领域的一些洞察、思考、行动 洞察 现状&挑战&#xff1a; 过去开发安全体系是无法解决软件供应链安全问题的&#xff1b;一些过去专注开发安全领域的厂商正在错误的引导行业用开发安全思维解决软件供应链安全问题&#xff0c;治…
阅读更多...
Linux：详解https协议

Linux：详解https协议

文章目录 什么是https协议信息窃取常见的加密数据摘要和数据指纹https的工作过程只使用对称加密只使用非对称加密都使用非对称加密非对称加密对称加密 证书数据签名https方案 本篇要总结的内容是关于https协议的相关内容 什么是https协议 在讲述https协议之前&#xff0c;首先…
阅读更多...
Linux镜像文件下载地址--SCAS 开源镜像站，速度快

Linux镜像文件下载地址--SCAS 开源镜像站，速度快

SCAS 开源镜像站 https://mirror.iscas.ac.cn/举例&#xff1a; 下载centos7 Index of /centos/7/isos/x86_64/ (iscas.ac.cn)
阅读更多...
【C++算法】二分算法、二分模板详解，四道例题带详细注释

【C++算法】二分算法、二分模板详解，四道例题带详细注释

文章目录 [toc]1&#xff09;整数二分2&#xff09;解二分题步骤AcWing 789.数的范围洛谷 P1873.EKO/砍树洛谷 P1678.烦恼的高考志愿 2&#xff09;浮点二分AcWing 790. 数的三次方根 1&#xff09;整数二分 有单调性的题目一定可以二分&#xff0c;但是用二分做的题目不一定拥…
阅读更多...
Linux初学（八）磁盘管理

Linux初学（八）磁盘管理

一、磁盘管理 1.1 简介 磁盘的工作原理&#xff1a; 添加磁盘对磁盘进行分区格式化磁盘挂载和使用磁盘 磁盘的类型&#xff1a; 固态机械 磁盘的接口类型&#xff1a; IDESTSTSCSI 磁盘工作的原理&#xff1a; 磁盘&#xff0c;特别是硬盘&#xff0c;和内存不同&#xff0c;…
阅读更多...
【Bug】记录2024年遇到的Bug以及修复方案

【Bug】记录2024年遇到的Bug以及修复方案

--------------------------------------------------------分割线 2024.3.22------------------------------------------------------- 1、load_sample_image raise AttributeError(“Cannot find sample image: %s” % image_name) AttributeError: Cannot find sample ima…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023