OpenCv学习-python

news2024/9/24 15:26:34

一.OpenCv介绍

简介

OpenCV（Open Source Computer Vision Library：opencv官网地址)是一个开源的基于BSD许可的库，它包括数百种计算机视觉算法。文档OpenCV 2.x API描述的是C++ API，相对还有一个基于C语言的OpenCV 1.x API，后者的描述在文档opencv1.x.pdf中。

OpenCV具有模块化结构，这就意味着开发包里面包含多个共享库或者静态库。下面是可使用的模块：

  • 核心功能（Core functionality） - 一个紧凑的模块，定义了基本的数据结构，包括密集的多维Mat数组和被其他模块使用的基本功能。

  • 图像处理（Image processing） - 一个图像处理模块，它包括线性和非线性图像滤波，几何图形转化（重置大小，放射和透视变形，通用基本表格重置映射），色彩空间转换，直方图等。

  • 影像分析（video） - 一个影像分析模块，它包括动作判断，背景弱化和目标跟踪算法。

  • 对象侦查（objdetect） - 目标和预定义类别实例化的侦查（例如：脸、眼睛、杯子、人、汽车等等）。
    highgui - 一个容易使用的用户功能界面。

  • 视频输入输出（videoio） - 一个容易使用的视频采集和视频解码器。

  • GPU - 来自不同OpenCV模块的GPU加速算法。

    • 3D校准（calib3d） - 基于多视图的几何算法，平面和立体摄像机校准，对象姿势判断，立体匹配算法，和3D元素的重建。
      平面特征（features2d） - 突出的特征判断，特征描述和对特征描述的对比。

  • … 一些其他的辅助模块，比如FLANN和谷歌的测试封装，Python绑定和其他。

安装OpenCv-python

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python

二.opencv基础操作

导入库

在Python中导入OpenCV库：

import cv2

1. 读取图像

使用cv2.imread()读取图像：

image = cv2.imread('path_to_image.jpg')

# 显示图像
cv2.imshow('Image', image)
cv2.waitKey(0)  # 等待键盘输入

2. 显示图像

cv2.imshow(arg1,arg2)
参数：
arg1:显示图像的窗口名称，以字符串类型表示
arg2:要加载的图像

cv2.imshow('Image', image)
cv2.waitKey(0)

3. 保存图像

cv2.imwrite(arg1,arg2)

参数：

  • arg1:文件名，要保存在哪里
  • arg2:要保存的图像
    使用cv2.imwrite()保存图像：
cv2.imwrite('output_image.jpg', image)

4. 图像基本属性

获取图像的基本属性（如高度、宽度和通道数）：

height, width, channels = image.shape
print('Height:', height)
print('Width:', width)
print('Channels:', channels)

5. 改变图像大小

使用cv2.resize()改变图像大小：

resized_image = cv2.resize(image, (width // 2, height // 2))  # 变成原尺寸的一半

三.绘制几何图像

1. 绘制直线：cv2.line()

cv2.line(img, pt1, pt2, color, thickness=1, lineType=8, shift=0)
  • img: 要绘制的图像。
  • pt1: 直线起点的坐标，格式为 (x, y)。
  • pt2: 直线终点的坐标，格式为 (x, y)。
  • color: 直线颜色，BGR格式，例如红色为 (0, 0, 255)。
  • thickness: 线条粗细，默认值为 1。
  • lineType: 线型，默认为 8，表示8-connected线，还可以设置为 cv2.LINE_AA 表示抗锯齿线。
  • shift: 点坐标的小数点位数，默认值为 0。

***注：opencv颜色为格式BGR,不是RGB***

代码示列：

import cv2  
import numpy as np  
# 创建一个黑色背景图像  
image = np.zeros((400, 400, 3), dtype=np.uint8)  

# 绘制直线  
cv2.line(image, (50, 50), (300, 300), (255, 0, 0), 2)  # 蓝色线条  

# 显示图像  
cv2.imshow('Line', image)  
cv2.waitKey(0)  
cv2.destroyAllWindows() # 关闭窗口

2. 绘制矩形：cv2.rectangle()

cv2.rectangle(img, pt1, pt2, color, thickness=1, lineType=8, shift=0)
  • img: 要绘制的图像。
  • pt1: 矩形一个顶点的坐标，格式为 (x, y)。
  • pt2: 矩形对角顶点的坐标，格式为 (x, y)。
  • color: 矩形颜色，BGR格式。
  • thickness: 矩形边框的粗细，默认值为 1。如果设置为 -1，将填充矩形。
  • lineType: 线型，保持跟直线一致。
  • shift: 点坐标的小数点位数，默认值为 0。
import cv2  
import numpy as np  
# 创建一个黑色背景图像  
image = np.zeros((400, 400, 3), dtype=np.uint8)  
# 绘制矩形
cv2.rectangle(image, (100, 100), (300, 200), (0, 255, 0), 3)  # 绿色矩形
cv2.imshow("image",image)
cv2.waitKey()
cv2.destroyAllWindows()

3. 绘制圆：cv2.circle()

cv2.circle(img, center, radius, color, thickness=1, lineType=8, shift=0)
  • img: 要绘制的图像。
  • center: 圆心坐标，格式为 (x, y)。
  • radius: 圆的半径。
  • color: 圆的颜色，BGR格式。
  • thickness: 边框的粗细，默认值为 1，设置为 -1 将填充圆。
  • lineType: 线型，通常为 8 或 cv2.LINE_AA。
  • shift: 点坐标的小数点位数，默认值为 0。

4. 绘制椭圆：cv2.ellipse()

cv2.ellipse(img, center, axes, angle, startAngle, endAngle, color, thickness=1, lineType=8, shift=0)
  • img: 要绘制的图像。
  • center: 椭圆中心的坐标，格式为 (x, y)。
  • axes: 椭圆的长短轴长度，格式为 (长轴, 短轴)。
  • angle: 椭圆的旋转角度，单位为度。
  • startAngle: 椭圆的起始角度，单位为度。
  • endAngle: 椭圆的结束角度，单位为度。
  • color: 椭圆颜色，BGR格式。
  • thickness: 边框的粗细，默认为 1，设置为 -1 将填充椭圆。
  • lineType: 线型，同上。
  • shift: 点坐标的小数点位数，默认值为 0。
# 绘制椭圆
cv2.ellipse(image, (200, 200), (100, 50), 0, 0, 180, (0, 255, 255), 2)  # 黄色椭圆
cv2.imshow("image",image)
cv2.waitKey()

5. 绘制多边形：cv2.polylines() 和 cv2.fillPoly()

cv2.polylines()
cv2.polylines(img, pts, isClosed, color, thickness=1, lineType=8, shift=0)
  • img: 要绘制的图像。
  • pts: 顶点数组，格式为 np.array([[点1], [点2], ...])。
  • isClosed: 布尔值，表示多边形是否封闭。
  • color: 多边形边框颜色，BGR格式。
  • thickness: 边框的粗细，默认值为 1。
  • lineType: 线型，通常为 8 或 cv2.LINE_AA。
  • shift: 点坐标的小数点位数，默认值为 0。
import cv2
import numpy as np
image = np.zeros([500,500,3],dtype=np.uint8)

# 定义多边形的顶点
points = np.array([[100, 50], [200, 150], [100, 250], [0, 150]], np.int32)
print(points)
points = points.reshape((-1, 1, 2))

# 绘制多边形边框
cv2.polylines(image, [points], isClosed=True, color=(255, 0, 255), thickness=2)
cv2.imshow("image",image)
cv2.waitKey()
cv2.destroyAllWindows()
cv2.fillPoly()
cv2.fillPoly(img, pts, color)
  • img: 要绘制的图像。
  • pts: 顶点数组，格式为 np.array([[点1], [点2], ...])。
  • color: 填充颜色，BGR格式。
import cv2
import numpy as np
image = np.zeros([500,500,3],dtype=np.uint8)

# 定义多边形的顶点
points = np.array([[100, 50], [200, 150], [100, 250], [0, 150]], np.int32)
print(points)
points = points.reshape((-1, 1, 2))

# # 填充多边形
cv2.fillPoly(image, [points], (255, 0, 255))  # 填充紫色
cv2.imshow("image",image)
cv2.waitKey()
cv2.destroyAllWindows()


#points.reshape((-1, 1, 2))
# -1 表示 NumPy 将根据原始数组的元素数量自动计算出第一个维度的大小。
# 由于原始 points 数组的形状为 (4, 2)，其中有 4 * 2 = 8 个元素。我们需要将
#其重塑为 (n, 1, 2) 的形状。因为第二维和第三维已经确定为 1 和 2，所以 NumPy 
#会计算出第一维的大小为 4，从而生成 points 的新形状 (4, 1, 2)。

6. 绘制文本：cv2.putText()

cv2.putText(img, text, org, fontFace, fontScale, color, thickness=1, lineType=8, bottomLeftOrigin=False)
  • img: 要绘制文本的图像。
  • text: 要绘制的文本字符串。
  • org: 文本起始位置的坐标，格式为 (x, y)。
  • fontFace: 字体类型，可以是 cv2.FONT_HERSHEY_SIMPLEX 等。
  • fontScale: 字体大小的缩放因子。
  • color: 文本颜色，BGR格式。
  • thickness: 文本的线条粗细，默认为 1。
  • lineType: 线型，通常为 8 或 cv2.LINE_AA。
  • bottomLeftOrigin: 布尔值，表示是否将文本的起点视为左下角（默认是左上角）。
import cv2
import numpy as np
image = np.zeros([500,500,3],dtype=np.uint8)

cv2.putText(image,"你爹来了",(100,300),cv2.FONT_HERSHEY_SIMPLEX,1,color=(0,255,255))

cv2.imshow("image",image)
cv2.waitKey()

7.获取并修改图像中的像素点

import cv2
img = cv2.imread('1.jpg')
# 获取某个像素点的值
px = img[100,100]
print(px)
# 修改某个位置的像素值
img[100,100] = [0,0,255]
cv2.imshow("img",img)
cv2.waitKey(0)

8. 视频捕捉

从摄像头捕捉视频：

import cv2

cap = cv2.VideoCapture(0)  # 0为默认摄像头

while True:
    ret, frame = cap.read()  # 读取一帧
    
     # 检查读取是否成功
    if not ret:
        break
        
    cv2.imshow('my Video ', frame)

    if cv2.waitKey(1) & 0xFF == ord('q'):  # 按‘q’退出
        break

cap.release()
cv2.destroyAllWindows()

四.像素

  • 像素是图像的基本单元，每个像素存储着图像的颜色、亮度和其他特征。一系列像素组合到一起就形成了完整的图像，在计算机中，图像以像素的形式存在并采用二进制格式进行存储。根据图像的颜色不同，每个像素可以用不同的二进制数表示。

  • 常见的图像是RGB三原色图。RGB图上的每个点都是由红（R）、绿（G）、蓝（B）三个颜色按照一定比例混合而成的，几乎所有颜色都可以通过这三种颜色按照不同比例调配而成。在计算机中，RGB三种颜色被称为RGB三通道，根据这三个通道存储的像素值，来对应不同的颜色

在这里插入图片描述

灰度图像：像素值：0-255之间。0：纯黑；255 白色

二值图像：像素值：0：黑 ； 1 白

好的！下面是对二值图像、灰度图和RGB图的详细介绍，包括它们的特性、使用场景以及如何在 OpenCV 中实现。

1. 二值图像

特性
  • 定义：二值图像（Binary Image）是只包含两种像素值的图像，通常是 0（黑色）和 255（白色）。
  • 像素值：每个像素的值可以是 0 或 1（在某些情况下是 0 或 255），表示黑或白。
  • 存储效率：由于仅使用两个可能的值，二值图像的存储需求通常低于灰度图或RGB图。
使用场景
  • 边缘检测：用于提取和强调图像边缘。
  • 形态学操作：如膨胀、腐蚀，通常用于处理和分析形状。
  • 光学字符识别（OCR）：将文本图像转换为计算机可读的格式。
OpenCV 示例代码
import cv2
import numpy as np

# 创建一个二值图像
binary_image = np.zeros((300, 300), dtype=np.uint8)
cv2.circle(binary_image, (150, 150), 100, 255, -1)  # 白色圆形

# 显示二值图像
cv2.imshow('Binary Image', binary_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

2. 灰度图

特性
  • 定义：灰度图（Grayscale Image）是通过将图像的每个像素映射到一个范围内的灰度值，通常在 0 到 255 之间，不同程度的黑白表示。
  • 像素值：每个像素只有一个值，从黑到白的灰度级变化。
  • 色彩信息：丢弃了颜色信息（RGB），只保留亮度信息。
使用场景
  • 图像处理：许多图像处理算法（如边缘检测、图像分割）在灰度图上表现更好。
  • 图像分析：用于人脸识别、物体检测等任务，通常优先采用灰度图。
OpenCV 示例代码
# 创建一个灰度图
gray_image = np.zeros((300, 300), dtype=np.uint8)
cv2.rectangle(gray_image, (50, 50), (250, 250), 128, -1)  # 灰色矩形

# 显示灰度图像
cv2.imshow('Gray Image', gray_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

3. RGB 图

特性
  • 定义：RGB图像使用红色（R）、绿色（G）和蓝色（B）三种颜色进行表示，通常每个颜色通道的值在 0 到 255 之间。
  • 色彩信息：通过组合不同的 RGB 值，可以显示出丰富的颜色。
  • 通道分离：可以将 RGB 图像分离为三个单独的通道，以便进行独立处理。
使用场景
  • 数字摄影：几乎所有数字相机捕获的图像都是 RGB 格式。
  • 计算机视觉：在深度学习和图像分析中普遍使用。
OpenCV 示例代码
# 创建一个 RGB 图像
rgb_image = np.zeros((300, 300, 3), dtype=np.uint8)

# 用蓝色填充整个图像
rgb_image[:] = [255, 0, 0]  # BGR 格式 (蓝色)

# 显示 RGB 图像
cv2.imshow('RGB Image', rgb_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

五.二值图像处理

这些方法都与图像处理中的阈值化技术密切相关，用于将灰度图像转化为二值图像。

1. 最大值法

  • 定义：将图像中所有像素的值与预设的最大值进行比较，像素值高于最大值的被设为白色（或1），低于的设为黑色（或0）。
  • 应用：快速分割物体与背景，但对噪声敏感。
import cv2  
import numpy as np  

def max_thresholding(image, max_value):  
    _, binary_image = cv2.threshold(image, max_value, 255, cv2.THRESH_BINARY)  
    return binary_image

2. 平均值法

  • 定义：计算图像的平均像素值，像素值高于平均值的被设为白色，低于的则设为黑色。
  • 应用：适用于对比度较低的图像，简单易行。

3. 加权值法

  • 定义：根据不同的权重计算像素值，可能会考虑不同通道的贡献，然后与某个阈值进行比较。
  • 应用：在具有色彩信息的场合，可以更加灵活地处理目标，尤其是在对比度变化较大的情况下。

4. 阈值法（THRESH_BINARY）

  • 定义：选择一个固定的阈值，像素值高于此阈值的设为白色，低于的设为黑色。
  • 应用：常见的基本阈值化方法，简单易用。

5. 反阈值法（或称为双阈值法THRESH_BINARY_INV））

  • 定义：使用两个不同的阈值来进行分割，像素值在高阈值以上的设为白色，低于低阈值的设为黑色，而介于两者之间的则没变化（通常保留为灰度或原值）。
  • 应用：常用于边缘检测，能够更好地减少噪声影响。

6. 截断阈值法（THRESH_TRUNC）

  • 定义：仅对高于某个阈值的像素赋予某个固定的值（如设为最大值或白色），低于阈值的像素则保持原有值。
  • 应用：可以在视觉上突显图像中特定的亮度区域。

7. 低阈值零处理（THRESH_TOZERO）

  • 定义：在低于某个阈值的像素被直接设为零（黑色），而高于阈值的像素值保持不变。
  • 应用：用于消除低亮度噪声，突出高亮度区域。

8. 超阈值零处理（THRESH_TOZERO_INV）

  • 定义：在高于某个阈值的像素被直接设为某个固定值，而低于此阈值的像素被设为零（黑色）。
  • 应用：常用于强化高对比度的结构。

9. Otsu阈值法

  • 定义：一种自动阈值选择方法，通过最大化类间方差来选择最佳阈值，将图像分为两部分。适用于双峰的灰度直方图。
  • 应用：非常有效，尤其在处理背景和前景对比明确的图像时，常用于医学成像和缺陷检测。
import cv2  
import numpy as np  
#最大值法
def max_thresholding(image, max_value):  
    _, binary_image = cv2.threshold(image, max_value, 255,cv2.THRESH_BINARY)  
    return binary_image

#平均值法
def average_thresholding(image):  
    avg_value = np.mean(image)  
    _, binary_image = cv2.threshold(image, avg_value, 255,cv2.THRESH_BINARY)  
    return binary_image

#加权值法
def weighted_thresholding(image, weights):  
    weighted_image = cv2.transform(image, weights)  
    _, binary_image = cv2.threshold(weighted_image, np.mean(weighted_image), 255, cv2.THRESH_BINARY)  
    return binary_image

#阈值法
def simple_thresholding(image, threshold):  
    _, binary_image = cv2.threshold(image, threshold, 255, v2.THRESH_BINARY)  
    return binary_image
#反阈值法（双阈值法）
def double_thresholding(image, low_thresh, high_thresh):  
    binary_image = cv2.inRange(image, low_thresh, high_thresh)  
    return binary_image
#截断阈值法
def truncated_thresholding(image, threshold):  
    truncated_image = np.where(image > threshold, 255, image)  
    return truncated_image.astype(np.uint8)

#低阈值零处理
def low_thresh_zero(image, threshold):  
    processed_image = np.where(image < threshold, 0, image)  
    return processed_image.astype(np.uint8)

#超阈值零处理
def high_thresh_zero(image, threshold, fixed_value=255):  
    processed_image = np.where(image > threshold, fixed_value, 0)  
    return processed_image.astype(np.uint8)

#Otsu阈值法
def otsu_thresholding(image):  
    _, binary_image = cv2.threshold(image, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)  
    return binary_image


if __name__ == "__main__":  
    image = cv2.imread('1.jpg', cv2.IMREAD_GRAYSCALE)  

    max_binary = max_thresholding(image, 128)  
    avg_binary = average_thresholding(image)  
    simple_binary = simple_thresholding(image, 128)  
    otsu_binary = otsu_thresholding(image)  

    cv2.imshow('Max Value Binary', max_binary)  
    cv2.imshow('Average Value Binary', avg_binary)  
    cv2.imshow('Simple Threshold Binary', simple_binary)  
    cv2.imshow('Otsu Binary', otsu_binary)  
    cv2.waitKey(0)  
    cv2.destroyAllWindows()

1. 灰度图转换—cv2.cvtColor()

函数：cv2.cvtColor()

用来将彩色图像转换为灰度图像。

函数签名：

cv2.cvtColor(src, code)

参数解释：

  • src：输入图像，通常是彩色图像。
  • code：转换代码，用于指定转换的类型。对于灰度图转换，使用 cv2.COLOR_BGR2GRAY 或 cv2.COLOR_RGB2GRAY，这取决于图像的色彩空间（BGR 或 RGB）。

示例代码：

import cv2

# 读取彩色图像
color_image = cv2.imread('image.jpg')

# 转换为灰度图像
gray_image = cv2.cvtColor(color_image, cv2.COLOR_BGR2GRAY)

# 显示图像
cv2.imshow('Gray Image', gray_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

2. 二值化图像—cv2.threshold()

函数：cv2.threshold()

用来将灰度图像转换为二值图像。

函数签名：

cv2.threshold(src, thresh, maxval, type)

参数解释：

  • src：输入的灰度图像。
  • thresh：阈值，像素值大于该阈值的将被设置为 maxval，否则设置为 0。
  • maxval：设置为 thresh 之上的像素值。
  • type：阈值类型，常用的有：
    • cv2.THRESH_BINARY：大于阈值的像素值设置为 maxval，其余设置为 0。
    • cv2.THRESH_BINARY_INV：大于阈值的像素值设置为 0，其余设置为 maxval。
    • cv2.THRESH_TRUNC：大于阈值的像素值设置为阈值，其余不变。
    • cv2.THRESH_TOZERO：小于阈值的像素值设置为 0，其余不变。
    • cv2.THRESH_TOZERO_INV：大于阈值的像素值不变，其余设置为 0。

返回值：

  • retval：阈值（与提供的 thresh 相同）。
  • dst：输出的二值图像。

示例代码：

import cv2

# 读取灰度图像
gray_image = cv2.imread('gray_image.jpg', cv2.IMREAD_GRAYSCALE)
#cv2.IMREAD_GRAYSCALE 是 OpenCV 中用于读取图像时的标志，表示将图像以灰度模式加载。
# 应用阈值
ret, binary_image = cv2.threshold(gray_image, 127, 255, cv2.THRESH_BINARY)

# 显示图像
cv2.imshow('Binary Image', binary_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

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/2046380.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

生成式人工智能服务大模型——安全评估要求

生成式人工智能服务大模型——安全评估要求

&#xff08;推荐性条款是指能愿动词为“宜”或“不宜”的条款&#xff09;正式稿许多调整有调整。 自行开展安全评估的&#xff0c;评估报告应至少具有三名负责人共同签字。 单位法定代表人&#xff08;表述更正&#xff09;。 整体负责安全评估工作的负责人&#xff0c;应为单…
阅读更多...
多串口互传指令代码遇到的问题

多串口互传指令代码遇到的问题

1.首先是字节格式&#xff0c;因为串口底层是一字节一字节的传输&#xff0c;所以每个要传输的字符与16进制数都要经过设计一定要保证是一字节一字节的发送 下面是把字符串拆分成字节一个一个发送示例 void Serial_SendString(char *String) {uint8_t i;for (i 0; String[i]…
阅读更多...
泛微OA流程监控设置

泛微OA流程监控设置

泛微OA的流程监控设置问题 简单介绍 给流程设置监控主要是为了对系统中流转的流程进行相应的监控&#xff0c;例如对流程进行流程干预、强制归档、删除、查看等操作 如何设置 监控设置这个需要有相应后台权限账号的用户进行设置&#xff0c;进入流程引擎----->监控管理-…
阅读更多...
用uniapp写app，想要打包后横屏显示的方法

用uniapp写app，想要打包后横屏显示的方法

在网络上找了很多方法&#xff0c;打包之后都没什么用&#xff0c;该竖屏还是竖屏&#xff0c;挺无语的&#xff0c;最后试了一种方法才解决了打包后也横屏显示的方法 在 pages.json 文件中&#xff1a; "pageOrientation": "auto" 这一条属性即可 设置…
阅读更多...
可视化大屏适不适合组件化？报表类的很适合，数字孪生也可以

可视化大屏适不适合组件化？报表类的很适合，数字孪生也可以

有小伙伴们问&#xff0c;可视化大屏能不能组件化&#xff0c;其实没问题的&#xff0c;而且已经很常见 也很成熟了&#xff0c;比如一些报表软件&#xff0c;把组件拖到画布上&#xff0c;设置一下&#xff0c;对接一下数据源&#xff0c;很快就做好了。 即便在UI设计环节&am…
阅读更多...
【docker】docker资源管理

【docker】docker资源管理

docker资源管理 docker cpu管理 Docker提供了多种方式来管理容器的CPU使用情况&#xff0c;包括以下几种方法&#xff1a; CPU限制&#xff1a;使用--cpus参数可以限制容器使用的CPU核心数。例如&#xff0c;docker run --cpus 2将限制容器使用2个CPU核心。CPU共享&#xff…
阅读更多...
iPhone如何全选删除照片：一步到位的清理指南

iPhone如何全选删除照片：一步到位的清理指南

随着时间的推移&#xff0c;iPhone中的照片会迅速累积&#xff0c;最终可能占据大量的存储空间。无论是为了释放空间&#xff0c;还是整理照片库&#xff0c;iPhone如何全选删除照片成为许多用户的需求。然而&#xff0c;iPhone原生的“照片”应用并没有直接提供“全选删除”功…
阅读更多...
软考学习笔记(0):软考准备

软考学习笔记(0):软考准备

文章目录 前言软考的优点软考项目的选择资料选择时间安排 前言 最近因为某些原因&#xff0c;我又开始上班了。新工作是纯内网开发&#xff0c;那以后发博客的频率我估计就会很少了。 软考的优点 简单来说&#xff0c;软考考上了&#xff0c;大概一个月的薪资可以涨1000-300…
阅读更多...
使用JvisualVM 连接linux远程服务器

使用JvisualVM 连接linux远程服务器

一、添加配置 在 java 启动参数中添加如下配置 -Dcom.sun.management.jmxremotetrue -Djava.rmi.server.hostname服务器IP(公网) -Dcom.sun.management.jmxremote.port端口号 -Dcom.sun.management.jmxremote.sslfalse -Dcom.sun.management.jmxremote.authenticatefalse添加…
阅读更多...
树莓派智能语音助手之ASR2 – sherpa-ncnn

树莓派智能语音助手之ASR2 – sherpa-ncnn

前几天虽然让树莓派学会了“听”&#xff08;《树莓派智能语音助手之ASR – SpeechRecognitionPocketSphinx》&#xff09;&#xff0c;但是&#xff0c;PocketSphinx的识别效果真心不咋的。可我的树莓派因为系统等原因&#xff0c;一直装不了sherpa-onnx。正当我只能无奈地接受…
阅读更多...
Windows配置开机直达桌面并跳过锁屏登录界面在 Windows 10 中添加在启动时自动运行的应用

Windows配置开机直达桌面并跳过锁屏登录界面在 Windows 10 中添加在启动时自动运行的应用

目录 Win10开机直达桌面并跳过锁屏登录界面修改组策略修改注册表跳过登录界面 在 Windows 10 中添加在启动时自动运行的应用设置系统级别服务一、Windows下使用sc将应用程序设置为系统服务1. 什么是sc命令&#xff1f;2. sc命令的基本语法3. 创建Windows服务的步骤与示例创建服…
阅读更多...
spring boot同时连接两个数据库

spring boot同时连接两个数据库

一、需求说明 1. 项目要求同时操作两个数据库&#xff0c;一个在本地服务器&#xff0c;一个在云服务器。 2. 两个数据库均为SQL server数据库。 二、实现 1. 在pom中导入多数据源依赖 <dependency><groupId>com.baomidou</groupId><artifactId>dynam…
阅读更多...
【Kubernetes】身份认证与鉴权

【Kubernetes】身份认证与鉴权

一&#xff0c;认证 所有 Kubernetes 集群有两类用户&#xff1a;由Kubernetes管理的ServiceAccounts(服务账户)和(Users Accounts)普通账户。 两种账户的区别&#xff1a; 普通帐户是针对(人)用户的&#xff0c;服务账户针对Pod进程普通帐户是全局性。在集群所有namespaces…
阅读更多...
ansible安装K8s

ansible安装K8s

部署Kubernetes (k8s) 集群使用Ansible是一个常见的自动化解决方案。下面我将提供一个基本的步骤概述和所需的命令&#xff0c;用于在CentOS 7.8上使用Ansible部署k8s集群&#xff0c;包括Master节点和Worker节点&#xff08;Web和DB节点&#xff09;。 步骤 1: 准备环境 确保所…
阅读更多...
# 利刃出鞘_Tomcat 核心原理解析（七）

# 利刃出鞘_Tomcat 核心原理解析（七）

利刃出鞘_Tomcat 核心原理解析&#xff08;七&#xff09; 一、Tomcat专题 - Tomcat管理配置 - host-manager 1、Tomcat 管理配置 从早期的Tomcat版本开始&#xff0c;就提供了Web版的管理控制台&#xff0c;他们是两个独立的Web应用&#xff0c;位于webapps目录下。Tomcat …
阅读更多...
C语言典型例题40

C语言典型例题40

《C程序设计教程&#xff08;第四版&#xff09;——谭浩强》 题目 例题3.8 运输公司对用户计算运费。路程&#xff08;以s表示&#xff0c;单位为千米&#xff09;&#xff0c;吨/千米运费越低。标准如下&#xff1a; s<250 没…
阅读更多...
C:每日一题：逆序字符串（牛客）

C:每日一题：逆序字符串（牛客）

一、题目来源 字符逆序__牛客网 (nowcoder.com) 二、题目介绍 将一个字符串str的内容颠倒过来&#xff0c;并输出。 三、思路分析 要将字符串str存储起来&#xff0c;可以使用字符数组或者字符指针的方式存储起来&#xff1b;从题目中我们知道该题需要我们自己输入字符串&a…
阅读更多...
C++优先级队列priority_queue（容器适配器）

C++优先级队列priority_queue（容器适配器）

目录 一、优先级队列简述 二、优先级队列的大堆、小堆&#xff08;仿函数控制&#xff09; 三、优先级队列与sort函数中仿函数区别 四、优先级队列的接口 一、优先级队列简述 priority_queue是一个类模板 二、优先级队列的大堆、小堆&#xff08;仿函数控制&#xff09; p…
阅读更多...
LLM 量化算法AutoRound 0.3 发布及原理浅析

LLM 量化算法AutoRound 0.3 发布及原理浅析

这里写自定义目录标题 AutoRound V0.3 特性原理浅析其他工作AutoRound 原理 AutoRound&#xff08;https://github.com/intel/auto-round&#xff09;在Llama3.1-8B-Instruct上效果明显优于AWQ/GPTQ等方法&#xff0c;在10个任务的平均准确率上我们以63.93%由于AWQ的63.15%和GP…
阅读更多...
Qt登录窗口

Qt登录窗口

#include "widget.h" #include "ui_widget.h"Widget::Widget(QWidget *parent): QWidget(parent), ui(new Ui::Widget),btn(new QPushButton("取消", this)),login_btn(new QPushButton("登录", this)) { ui->setupUi(this);thi…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023