C/C++开发，opencv轮廓提取实现

news2024/9/20 17:58:21

一、cv::findContours轮廓提取函数

       1.1  cv::findContours函数简介

   cv::findContours 函数是用于从二值图像（灰度图）中检索轮廓。这个函数在OpenCV的不同版本中参数可能有所不同，但基本概念保持一致。特别是在OpenCV 3.x和4.x版本中，cv::findContours 的参数主要包括输入图像、输出轮廓、轮廓检索模式（mode）和轮廓近似方法（method）。

void cv::findContours(InputOutputArray image,  
                      OutputArrayOfArrays contours,  
                      OutputArray hierarchy,  
                      int mode,  
                      int method,  
                      Point offset = Point());

//image：输入图像，必须是8位单通道图像，且通常是通过阈值处理（如cv::threshold或cv::adaptiveThreshold）或边缘检测（如cv::Canny）得到的二值图像。
//hierarchy：轮廓的层次结构信息，可选参数。
//mode：轮廓检索模式，可以是cv::RETR_EXTERNAL、cv::RETR_LIST、cv::RETR_CCOMP或cv::RETR_TREE。
//method：轮廓逼近方法，可以是cv::CHAIN_APPROX_NONE、cv::CHAIN_APPROX_SIMPLE、cv::CHAIN_APPROX_TC89_L1或cv::CHAIN_APPROX_TC89_KCOS。
//offset：可选的偏移量，所有找到的轮廓点都会移动这个偏移量。默认值为Point()。

轮廓检索模式（Mode）

轮廓检索模式决定了如何检索轮廓。OpenCV提供了以下几种模式：

  • cv::RETR_EXTERNAL：只检索最外层的轮廓，忽略轮廓内部的孔洞。
  • cv::RETR_LIST：检索所有的轮廓，但不创建任何父子关系。
  • cv::RETR_CCOMP：检索所有的轮廓，并将它们组织为两层：外层轮廓和它们的内层轮廓（孔洞）。
  • cv::RETR_TREE：检索所有的轮廓，并重新建立完整的轮廓层次结构。

轮廓近似方法（Method）

轮廓近似方法定义了轮廓如何被近似表示。主要有以下几种方法：

  • cv::CHAIN_APPROX_NONE：存储轮廓的每一个点，即轮廓的精确表示。
  • cv::CHAIN_APPROX_SIMPLE（或cv::CHAIN_APPROX_TC89_L1, cv::CHAIN_APPROX_TC89_KCOS）：压缩水平、垂直和对角线段，只留下它们的端点。对于大多数应用来说，这种近似是足够的，并且可以显著减少轮廓点的数量。
  • cv::CHAIN_APPROX_TC89_LKB：使用Teh-Chin链近似算法的一个变种。
1.2 需要将图像转为二值图

        图像轮廓检测，通常需要将图像转换为灰度图（二值图像），并应用阈值操作。

// 读取图像  
    cv::Mat src = cv::imread(argv[1]);  
	// cv::Mat src = cv::imread("path_to_image.jpg");  
    if (src.empty()) {  
        std::cerr << "Could not read the image" << std::endl;  
        return 1;  
    }else{
		// 显示结果  
    	cv::imshow("orgimg", src);  
		cv::waitKey(0);  
	}  

// 应用阈值 ，提取需要像素，主要是针对轮廓部分的值范围，例如215~235 
    cv::Mat binary;  
	cv::threshold(src, binary, 215, 235, cv::THRESH_BINARY);   
	if (binary.empty())
	{
		std::cerr << "Could show the image" << std::endl;  
        return 1; 
	}else{
		// 显示结果  
    	cv::imshow("binaryimg", binary);  
		cv::waitKey(0);  
	}
1.3 从二值图像中查找轮廓实现代码

        假设存在一个cv::Mat binary二值图像（PS：确保你的输入图像是二值的，即图像中的像素值只有0和255），采用cv::findContours函数查询轮廓代码实现如下，不同参数组合成效不同：

// 查找轮廓  
    std::vector<std::vector<cv::Point>> contours;  
	cv::Mat hierarchy; 
    // 查找轮廓
	// cv::findContours(binary, contours, hierarchy, cv::RETR_TREE, cv::CHAIN_APPROX_NONE);  
    cv::findContours(binary, contours, hierarchy, cv::RETR_TREE, cv::CHAIN_APPROX_SIMPLE);  
	// cv::findContours(binary, contours, hierarchy, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE);  
	// cv::findContours(binary, contours, hierarchy, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_NONE);  
	// cv::findContours(binary, contours, hierarchy, cv::RETR_LIST, cv::CHAIN_APPROX_SIMPLE); 
	// cv::findContours(binary, contours, hierarchy, cv::RETR_CCOMP, cv::CHAIN_APPROX_SIMPLE); 

	// cv::findContours(binary, contours, hierarchy, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_TC89_L1); 
	// cv::findContours(binary, contours, hierarchy, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_TC89_KCOS); 
	// cv::findContours(binary, contours, hierarchy, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_TC89_KCOS
	// 	,cv::Point(binary.cols/2,binary.rows/2));
1.4 绘制轮廓

   cv::drawContours 函数用于在图像上绘制轮廓。这个函数非常有用，特别是在进行图像处理和计算机视觉任务时，如边缘检测、形状分析等。cv::drawContours 可以将找到的轮廓绘制在原始图像、空白图像或任何其他图像上。

//函数原型：
void cv::drawContours(InputOutputArray image, InputArrayOfArrays contours,  
                      int contourIdx, const Scalar& color,  
                      int thickness = 1, int lineType = LINE_8,  
                      InputArray hierarchy = noArray(),  
                      int maxLevel = INT_MAX, Point offset = Point());
/*
参数说明：
    image: 目标图像，轮廓将被绘制在这个图像上。它应该是单通道（如灰度图）或三通道（如彩色图）的图像。
    contours: 一个包含轮廓点的点的向量向量（std::vector<std::vector<cv::Point>>）。这通常是通过findContours函数获得的。
    contourIdx: 指定要绘制的轮廓的索引。如果它是负数，则绘制所有轮廓。
    color: 轮廓的颜色。对于灰度图像，它是一个表示灰度级的标量。对于彩色图像，它是一个表示BGR颜色的三元素向量。
    thickness: 轮廓线的厚度。如果它是负数（如FILLED），则轮廓内部将被填充。
    lineType: 线条的类型。它可以是LINE_8、LINE_AA等。LINE_8表示8连通的线条，而LINE_AA表示抗锯齿线条，这会使线条看起来更平滑。
    hierarchy: 可选的，包含轮廓层次结构的向量。这是findContours函数的输出之一，但在绘制轮廓时通常不需要。
    maxLevel: 绘制轮廓的最大层级。只有当hierarchy非空时才有效。
    offset: 轮廓点从原图像到目标图像的偏移量。
*/

        将已经提取的轮廓点绘制图像代码如下：

// 轮廓点存放  
    std::vector<std::vector<cv::Point>> contours;  
// 查找轮廓 
......  
// 绘制轮廓  
    cv::Mat contoursImg = cv::Mat::zeros(binary.size(), CV_8UC1); 
    for (size_t i = 0; i < contours.size(); i++) {  
        cv::Scalar color = cv::Scalar(255); //这里为白色 
        cv::drawContours(contoursImg, contours, static_cast<int>(i), color, 2, cv::LINE_8, hierarchy, 0);  
    } 
	
	if (contoursImg.empty())
	{
		std::cerr << "Could show the image" << std::endl;  
        return 1; 
	}
	
    // 显示结果  
    cv::imshow("Contours", contoursImg);  
    cv::waitKey(0);

二、在指定图像区域查找轮廓

2.1指定一个cv::Rect区域

在OpenCV中，如果你想在图像的指定区域内查找轮廓，通常使用ROI（Region of Interest，感兴趣区域）的概念。首先需要定义这个ROI区域，然后，你可以在这个ROI上应用轮廓查找函数。

// 读取图像  
    cv::Mat src = cv::imread(argv[1]); 
//指定检测区域
	int x = 180; // ROI左上角x坐标 
	int y = 135; // ROI左上角y坐标  
	int width = 210; // ROI宽度  
	int height = 320; // ROI高度  
	cv::Rect roi(x, y, width, height);  
	cv::Mat roiImg = src(roi);

        上述代码中先读取一个图像，然后在该图像上规划处一个矩形区域作为轮廓查找的ROI。

2.2 指定多边形区域提取图像

        在OpenCV中，从一幅图像中根据指定的多边形区域提取图像，使用cv::fillPoly函数来绘制这个多边形区域，并填充它，或者使用cv::fillConvexPoly（如果多边形是凸的，这会更高效），然后结合图像掩码（mask）来提取该区域内的图像。

        通常做法是：

  • 定义多边形：定义多边形顶点。这些顶点定义了你要从图像中提取的区域。

  • 创建掩码：基于多边形顶点，创建一个与原图同样大小的掩码图像，并填充多边形区域为白色（或任何其他与背景不同的颜色），其余部分为黑色。

  • 应用掩码：最后，使用掩码来提取多边形区域内的图像。

	// 定义多边形顶点（注意：OpenCV中的坐标系统是(x,y)）  
	//指定范围内提取轮廓
    std::vector<cv::Point> pts;  
    pts.push_back(cv::Point(207, 209));  
    pts.push_back(cv::Point(279, 138));  
	pts.push_back(cv::Point(317, 139)); 
    pts.push_back(cv::Point(357, 196));  
	pts.push_back(cv::Point(325, 228));  
	pts.push_back(cv::Point(328, 299)); 
	pts.push_back(cv::Point(303, 443)); 
	pts.push_back(cv::Point(234, 444)); 
	pts.push_back(cv::Point(238, 353)); 
	pts.push_back(cv::Point(242, 297)); 
	pts.push_back(cv::Point(247, 236)); 
	pts.push_back(cv::Point(212, 232)); 
    pts.push_back(cv::Point(207, 209)); // 闭合多边形  

    // 创建掩码，大小与原图相同，初始化为全黑  
    cv::Mat mask = cv::Mat::zeros(gray.size(), CV_8UC1); 
    // 填充多边形区域为白色  
    const cv::Point* ppt[1] = { &pts[0] };  
    int npt[] = { static_cast<int>(pts.size()) };  
    fillPoly(mask, ppt, npt, 1, cv::Scalar(255), 8, 0); 
    // 应用掩码提取多边形区域内的图像  
    cv::Mat result;
    bitwise_and(gray, gray, result, mask);

三、轮廓提取的预处理方法

3.1 降噪处理

        在C++中使用OpenCV进行轮廓提取之前，进行降噪预处理是一个常见的步骤，以提高轮廓检测的准确性和鲁棒性。降噪处理可以减少图像中的噪声，使轮廓更加清晰和易于检测。

1. 高斯模糊（Gaussian Blur）

        高斯模糊是一种常用的图像平滑技术，它通过应用高斯函数来减少图像中的噪声和细节。高斯模糊对于去除高斯噪声特别有效。


// 读取图像  
    cv::Mat src = cv::imread(argv[1]);  
//高斯模糊
    cv::Mat result;
    cv::GaussianBlur(src, result, cv::Size(5, 5), 1.4);

2. 中值模糊（Median Blur）

        中值模糊是一种非线性滤波技术，它用像素邻域内的中值替换该像素的值。中值模糊对于去除椒盐噪声特别有效。

// 读取图像  
    cv::Mat src = cv::imread(argv[1]);  
//中值模糊
    cv::Mat result;
    cv::medianBlur(src, result, 5);

3. 双边滤波（Bilateral Filter）

        双边滤波在平滑图像的同时，还能保持边缘的锐利。它同时考虑像素间的空间距离和像素值的差异。

// 读取图像  
    cv::Mat src = cv::imread(argv[1]);  
//中值模糊
    cv::Mat result;
    cv::bilateralFilter(src, result, 5, 20, 20);

4. 形态学操作

        形态学操作如开运算（先腐蚀后膨胀）和闭运算（先膨胀后腐蚀）也可以用于降噪和去除小的噪声点。这些操作对于二值化图像尤其有用。

	// 读取图像  
    cv::Mat src = cv::imread(argv[1]);  
    // 应用阈值  
    cv::Mat binary;  
	cv::threshold(src, binary, 215, 235, cv::THRESH_BINARY); 
    // 使用形态学开运算去除小的白噪声  
	cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3, 3));  
	cv::morphologyEx(binary, binary/*result*/, cv::MORPH_OPEN, kernel);
3.2 图像缩放

        在OpenCV中，轮廓提取时，不少图像是高清图像，由于显示屏幕限制，处理结果会存在显示不全的尴尬问题。cv::resize函数是一个非常常用的函数，用于调整图像的大小。这个函数可以根据指定的尺寸或缩放比例来改变图像的大小。它定义在opencv2/imgproc.hpp头文件中，并属于imgproc模块。

//函数原型：
void cv::resize(InputArray src, OutputArray dst,  
                Size dsize, double fx = 0, double fy = 0,  
                int interpolation = INTER_LINEAR );
/*
参数说明:
    src: 输入图像。
    dst: 输出图像，其大小和类型由dsize、src.type()和fx、fy决定。
    dsize: 输出图像的大小。如果它是零，那么大小是通过src.size()、fx和fy计算得到的（两者都不能为零）。
    fx: 沿水平轴的比例因子（宽度）。如果它是零，那么它会自动计算为 (double)dsize.width/src.cols。
    fy: 沿垂直轴的比例因子（高度）。如果它是零，那么它会自动计算为 (double)dsize.height/src.rows。
    interpolation: 插值方法。插值算法决定了在调整图像大小时使用的算法。常用的插值方法包括：
        INTER_NEAREST - 最近邻插值
        INTER_LINEAR - 双线性插值（默认）
        INTER_AREA - 使用像素区域关系进行重采样（图像缩小时使用）
        INTER_CUBIC - 双三次插值（图像放大时使用）
        INTER_LANCZOS4 - Lanczos插值
*/

函数应用示例：

if(contoursImg.cols>1000 || contoursImg.rows>1000){
	// 假设我们想要将图片宽高都缩小为原来的1/2
		cv::Mat dst;  
		cv::Size size(contoursImg.cols / 2, contoursImg.rows / 2); // 目标尺寸  
		// 使用resize函数进行缩放  
		// 第一个参数是源图像，第二个参数是目标图像，第三个参数是目标尺寸  
		// 第四个参数是插值方法，这里使用INTER_LINEAR（双线性插值）  
		cv::resize(contoursImg, dst, size, 0, 0, cv::INTER_LINEAR);  
		if (contoursImg.empty())
		{
			std::cerr << "Could show the image" << std::endl;  
			return 1; 
		}
		// 显示原图和处理后的图片  
		cv::imshow("dst_Contours", dst);  
		// 等待任意键盘按键  
		cv::waitKey(0);  
   }

四、完整案例

        将前面涉及方法代码集成测试案例。

4.1 下载提取轮廓的图片

        如图，提取图中人物轮廓，需要跟进该图片设置ROI或多边形轮廓，详细见程序代码。

4.2 程序代码

        main.cpp实现

#include <opencv2/opencv.hpp>  
#include <vector>  
  
int main( int argc,char** argv )
{
	if(argc< 2){ 
		std::cout <<"specify input image" << std::endl; 
		return -1;
	}
    // 读取图像  
    cv::Mat src = cv::imread(argv[1]);  
	// cv::Mat src = cv::imread("path_to_image.jpg");  
    if (src.empty()) {  
        std::cerr << "Could not read the image" << std::endl;  
        return 1;  
    }else{
		// 显示结果  
    	cv::imshow("orgimg", src);  
		cv::waitKey(0);  
	}  
	//指定检测区域
	int x = 180; // ROI左上角x坐标 
	int y = 135; // ROI左上角y坐标  
	int width = 210; // ROI宽度  
	int height = 320; // ROI高度  
	cv::Rect roi(x, y, width, height);  
	cv::Mat roiImg = src(roi);
  
    // 转换为灰度图  
    cv::Mat gray;  
    // cv::cvtColor(roiImg, gray, cv::COLOR_BGR2GRAY);  
	cv::cvtColor(src, gray, cv::COLOR_BGR2GRAY);  
	if (gray.empty())
	{
		std::cerr << "Could show the image" << std::endl;  
        return 1; 
	}else{
		// 显示结果  
    	cv::imshow("grayimg", gray);  
		cv::waitKey(0);  
	}
	// 定义多边形顶点（注意：OpenCV中的坐标系统是(x,y)）  
	//指定范围内提取轮廓
    std::vector<cv::Point> pts;  
    pts.push_back(cv::Point(207, 209));  
    pts.push_back(cv::Point(279, 138));  
	pts.push_back(cv::Point(317, 139)); 
    pts.push_back(cv::Point(357, 196));  
	pts.push_back(cv::Point(325, 228));  
	pts.push_back(cv::Point(328, 299)); 
	pts.push_back(cv::Point(303, 443)); 
	pts.push_back(cv::Point(234, 444)); 
	pts.push_back(cv::Point(238, 353)); 
	pts.push_back(cv::Point(242, 297)); 
	pts.push_back(cv::Point(247, 236)); 
	pts.push_back(cv::Point(212, 232)); 
    pts.push_back(cv::Point(207, 209)); // 闭合多边形  

    // 创建掩码，大小与原图相同，初始化为全黑  
    cv::Mat mask = cv::Mat::zeros(gray.size(), CV_8UC1); 
    // 填充多边形区域为白色  
    const cv::Point* ppt[1] = { &pts[0] };  
    int npt[] = { static_cast<int>(pts.size()) };  
    fillPoly(mask, ppt, npt, 1, cv::Scalar(255), 8, 0); 
    // 应用掩码提取多边形区域内的图像  
    cv::Mat result;
    bitwise_and(gray, gray, result, mask);  

	cv::Mat Filter_dst; 
	// cv::GaussianBlur(result, result, cv::Size(5, 5), 1.4); 
	// cv::medianBlur(result, result, 5); 
	cv::bilateralFilter(result, Filter_dst, 5, 20, 20);
    // 应用阈值  
    cv::Mat binary;  
	cv::threshold(Filter_dst, binary, 215, 235, cv::THRESH_BINARY);  
    // cv::threshold(result, binary, 215, 235, cv::THRESH_BINARY);  
	if (binary.empty())
	{
		std::cerr << "Could show the image" << std::endl;  
        return 1; 
	}else{
		// 显示结果  
    	cv::imshow("binaryimg", binary);  
		cv::waitKey(0);  
	}
	// // 使用形态学开运算去除小的白噪声  
	// cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3, 3));  
	// cv::morphologyEx(binary, binary, cv::MORPH_OPEN, kernel); 

    // 查找轮廓  
    std::vector<std::vector<cv::Point>> contours;  
	cv::Mat hierarchy; 
    // 查找轮廓
	// cv::findContours(binary, contours, hierarchy, cv::RETR_TREE, cv::CHAIN_APPROX_NONE);  
    cv::findContours(binary, contours, hierarchy, cv::RETR_TREE, cv::CHAIN_APPROX_SIMPLE);  
	// cv::findContours(binary, contours, hierarchy, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE);  
	// cv::findContours(binary, contours, hierarchy, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_NONE);  
	// cv::findContours(binary, contours, hierarchy, cv::RETR_LIST, cv::CHAIN_APPROX_SIMPLE); 
	// cv::findContours(binary, contours, hierarchy, cv::RETR_CCOMP, cv::CHAIN_APPROX_SIMPLE); 

	// cv::findContours(binary, contours, hierarchy, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_TC89_L1); 
	// cv::findContours(binary, contours, hierarchy, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_TC89_KCOS); 
	// cv::findContours(binary, contours, hierarchy, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_TC89_KCOS
	// 	,cv::Point(binary.cols/2,binary.rows/2)); 

    // 绘制轮廓  
    cv::Mat contoursImg = cv::Mat::zeros(binary.size(), CV_8UC1); 
    for (size_t i = 0; i < contours.size(); i++) {  
        cv::Scalar color = cv::Scalar(255); //这里为白色 
        cv::drawContours(contoursImg, contours, static_cast<int>(i), color, 2, cv::LINE_8, hierarchy, 0);  
    } 
	
	if (contoursImg.empty())
	{
		std::cerr << "Could show the image" << std::endl;  
        return 1; 
	}
	
    // 显示结果  
    cv::imshow("Contours", contoursImg);  
    cv::waitKey(0);  
  
   if(contoursImg.cols>1000 || contoursImg.rows>1000){
	// 假设我们想要将图片宽高都缩小为原来的1/2
		cv::Mat dst;  
		cv::Size size(contoursImg.cols / 2, contoursImg.rows / 2); // 目标尺寸  
		// 使用resize函数进行缩放  
		// 第一个参数是源图像，第二个参数是目标图像，第三个参数是目标尺寸  
		// 第四个参数是插值方法，这里使用INTER_LINEAR（双线性插值）  
		cv::resize(contoursImg, dst, size, 0, 0, cv::INTER_LINEAR);  
		if (contoursImg.empty())
		{
			std::cerr << "Could show the image" << std::endl;  
			return 1; 
		}
		// 显示原图和处理后的图片  
		cv::imshow("dst_Contours", dst);  
		// 等待任意键盘按键  
		cv::waitKey(0);  
   }
    return 0;  
}
4.3 程序编译及运行

        本文是采用win系统下，opencv采用MinGW编译的静态库（C/C++开发，win下OpenCV+MinGW编译环境搭建_opencv mingw-CSDN博客），建立makefile：

#/bin/sh
#win32
CX= g++ -DWIN32 
#linux
#CX= g++ -Dlinux 

BIN 		:= ./
TARGET      := contours_img01.exe
FLAGS		:= -std=c++11 -static
SRCDIR 		:= ./
#INCLUDES
INCLUDEDIR 	:= -I"../../opencv_MinGW/include" -I"./"
#-I"$(SRCDIR)"
staticDir   := ../../opencv_MinGW/x64/mingw/staticlib/
#LIBDIR		:= $(staticDir)/libopencv_world460.a\
#			   $(staticDir)/libade.a \
#			   $(staticDir)/libIlmImf.a \
#			   $(staticDir)/libquirc.a \
#			   $(staticDir)/libzlib.a \
#			   $(wildcard $(staticDir)/liblib*.a) \
#			   -lgdi32 -lComDlg32 -lOleAut32 -lOle32 -luuid 
#opencv_world放弃前，然后是opencv依赖的第三方库，后面的库是MinGW编译工具的库

LIBDIR 	    := -L $(staticDir) -lopencv_world460 -lade -lIlmImf -lquirc -lzlib \
				-llibjpeg-turbo -llibopenjp2 -llibpng -llibprotobuf -llibtiff -llibwebp \
				-lgdi32 -lComDlg32 -lOleAut32 -lOle32 -luuid 
source		:= $(wildcard $(SRCDIR)/*.cpp) 

$(TARGET) :
	$(CX) $(FLAGS) $(INCLUDEDIR) $(source)  -o $(BIN)/$(TARGET) $(LIBDIR)

clean:
	rm  $(BIN)/$(TARGET)

编译如下：

程序运行输出如下：

各位读者可以自由调节各个参数来观察其效果，或更换你需要的图片来验证。

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/1974989.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

贪吃蛇（使用QT）

贪吃蛇（使用QT）

贪吃蛇小游戏 一.项目介绍**[贪吃蛇项目地址](https://gitee.com/strandingzy/QT/tree/zyy/snake)**界面一&#xff1a;游戏大厅界面二&#xff1a;关卡选择界面界面三&#xff1a;游戏界面 二.项目实现2.1 游戏大厅2.2关卡选择界面2.3 游戏房间2.3.1 封装贪吃蛇数据结构2.3.2 …
阅读更多...
如何通过谷歌外链快速增加网站流量？

如何通过谷歌外链快速增加网站流量？

利用谷歌外链提升流量的方法非常直接&#xff0c;但实际上&#xff0c;外链影响的是关键词排名&#xff0c;关键词排名提升了&#xff0c;自然就会有流量&#xff0c;所以谷歌外链不是直接能提升网站流量&#xff0c;而是间接的&#xff0c;下面&#xff0c;我会详细介绍几种有…
阅读更多...
验收测试：确保软件符合业务需求和合同要求

验收测试：确保软件符合业务需求和合同要求

目录 前言1. 验收测试的概念1.1 用户验收测试&#xff08;UAT&#xff09;1.2 操作验收测试&#xff08;OAT&#xff09; 2. 验收测试的主要作用2.1 确认业务需求的满足2.2 验证合同要求的实现2.3 提升用户信心 3. 验收测试在整个测试中的地位3.1 测试的最后一道关卡3.2 用户与…
阅读更多...
niushop逻辑漏洞

niushop逻辑漏洞

niushop逻辑漏洞 安装环境 这里控制不了 抓包在数据包中可以改数据
阅读更多...
非线性系统稳定控制器设及案例仿真(s-function函数)

非线性系统稳定控制器设及案例仿真(s-function函数)

目录 前沿一、案例11. 系统模型 二、案例21. 系统模型2. 稳定性分析3. 仿真(包含代码)1. 仿真效果2. 仿真结果3. 仿真剖析4. 仿真图与代码 前沿 定义一个系统 x ˙ f ( x , u ) \dot{x} f(x,u) x˙f(x,u), 其中 x x x 为状态变量&#xff0c; u u u 为系统输入&#xff0c…
阅读更多...
跨平台终端工具Tabby安装配置与远程ssh连接Linux_ubuntu详细教程

跨平台终端工具Tabby安装配置与远程ssh连接Linux_ubuntu详细教程

文章目录 前言1. Tabby下载安装2. Tabby相关配置3. Tabby简单操作4. ssh连接Linux4.1 ubuntu系统安装ssh4.2 Tabby远程ssh连接ubuntu 5. 安装内网穿透工具5.1 创建公网地址5.2 使用公网地址远程ssh连接 6. 配置固定公网地址 前言 今天和大家分享一下如何在Windows系统使用Tabb…
阅读更多...
构建LVS负载均衡群集

构建LVS负载均衡群集

构建LVS负载均衡群集 实验环境实验环境 201：客户端 101：调度器 （需要用到2个网卡） 102：web 103：web 104：NFS存储 101:（添加一个网卡） 2 [root@localhost ~]# cd /etc/sysconfig/network-scripts/ 3 4 //查看另一个网卡的名字ens36 5 [root@localhost network-scrip…
阅读更多...
人工智能深度学习系列—深度学习中的相似性追求：Triplet Loss 全解析

人工智能深度学习系列—深度学习中的相似性追求：Triplet Loss 全解析

文章目录 1. 背景介绍2. Loss计算公式3. 使用场景4. 代码样例5. 总结 1. 背景介绍 在机器学习和模式识别领域&#xff0c;相似性度量是核心问题之一。Triplet Loss&#xff0c;作为一种特殊的损失函数&#xff0c;被设计用来学习数据的相对距离&#xff0c;从而使得相似样本更…
阅读更多...
5.C_Demo_排序

5.C_Demo_排序

冒泡排序法 原理&#xff1a; 依次比较相邻的两个元素&#xff0c;如果顺序错误就交换。 思路&#xff1a; 这种方法&#xff0c;显然需要很多轮才能完成&#xff0c;每一轮只能排序一个最大值或最小值(第一层for)&#xff0c;将全部的数据排序完成&#xff0c;需要很多轮(第…
阅读更多...
第三期书生大模型实战营之书生大模型全链路开源开放体系

第三期书生大模型实战营之书生大模型全链路开源开放体系

一. Introduction 大模型是发展通用人工智能的重要途经 二. 开源历程以及InternLM2 2024年1月17日 InternLM2 2开源 三. 书生浦语2.0的主要亮点 3.1 超长上下文 3.2 综合性能全面提升 3.3 优秀的对话和创作体验 3.4 工具调用能力整体升级 3.5 突出的数理能力和实用的…
阅读更多...
Among Us 私服的制作之路

Among Us 私服的制作之路

文章目录 Among Us 私服的制作之路这游戏通常包括以下核心元素&#xff1a;角色设定&#xff1a;游戏机制&#xff1a;游戏界面&#xff1a; 第四步&#xff1a;添加社交特性第五&#xff1a;测试与优化方面 十分基础的框架(Web)注意事项 Among Us 私服的制作之路 作者正在准备…
阅读更多...
嵌入式：简单的UI框架

嵌入式：简单的UI框架

1&#xff1a;UI框架简介 除了服务框架外&#xff0c;我们还需要对外显示UI&#xff0c;所以我们就需要一个UI的框架&#xff0c;跟服务框架一样&#xff0c;不用这个UI框架我们也是可以实现&#xff0c;但是这样每个人写的UI都会有差异&#xff0c;需要的事件&#xff0c;数据…
阅读更多...
牛客JS题（二十）判断斐波那契数组

牛客JS题（二十）判断斐波那契数组

注释很详细&#xff0c;直接上代码 涉及知识点&#xff1a; 循环判断斐波那契数列组递归判断斐波那契数列组合法性判断 题干&#xff1a; 我的答案 <!DOCTYPE html> <html><head><meta charset"utf-8" /></head><body><scrip…
阅读更多...
嵌入式数据库 sqlite3

嵌入式数据库 sqlite3

数据库文件与普通文件区别: 1.普通文件对数据管理(增删改查)效率低 2.数据库对数据管理效率高,使用方便 常用数据库: 1.关系型数据库 将复杂的数据结构简化为二维表格形式 大型:Oracle、DB2 中型:MySql、SQLServer 小型:Sqlite …
阅读更多...
c# .net core项目角色授权机制

c# .net core项目角色授权机制

前言 角色授权机制是确保应用程序安全性的重要组成部分，它允许开发者根据用户的角色来限制对应用程序中不同资源的访问。 基本概念： 角色授权基于用户角色的访问控制，即根据用户所属的角色来决定其能够访问的资源或执行的操作。在.NET Core中，这通常与身份认证（Authent…
阅读更多...
怎么配置一个axios来拦截前后端请求

怎么配置一个axios来拦截前后端请求

首先创建一个axios.js文件 导入我们所需要的依赖 import axios from "axios"; import Element from element-ui import router from "./router"; 设置请求头和它的类型和地址 注意先注释这个url,还没有解决跨域问题,不然会出现跨域 // axios.defaults.…
阅读更多...
Python Sklearn库SVM算法应用

Python Sklearn库SVM算法应用

SVM 是一种有监督学习分类算法&#xff0c;输入值为样本特征值向量和其对应的类别标签&#xff0c;输出具有预测分类功能的模型&#xff0c;当给该模型喂入特征值时&#xff0c;该模型可以它对应的类别标签&#xff0c;从而实现分类。 Sklearn库SVM算法 下面我看一下 Python …
阅读更多...
CSS学习 - 选择器

CSS学习 - 选择器

基础选择器 ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- 类型选择器&…
阅读更多...
牛逼，两百行Python代码带你打造一款《天天酷跑》游戏!（附源码）

牛逼，两百行Python代码带你打造一款《天天酷跑》游戏!（附源码）

《天天酷跑》是一款广受欢迎的跑酷类手机游戏&#xff0c;玩家需要控制角色在赛道上奔跑&#xff0c;躲避障碍物&#xff0c;收集金币和道具&#xff0c;以获取高分。虽然完全复现这款游戏的复杂度和图形效果在简单的Python环境中难以实现&#xff08;特别是游戏图形和动画&…
阅读更多...
市电220V

市电220V

概念 市电 220V 是指在中国及许多其他国家使用的标准交流电压，该值是电压的有效值（RMS值，Root Mean Square）。有效值是交流电压或电流的一个测量方式，它表示在一个周期内，交流电的平方平均值等于直流电压（或电流）的值。 有效值在交流电中具有特殊意义，因为交流电的瞬…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023