Python计算机视觉 第1章-基本的图像操作和处理

news2024/11/15 7:05:00

Python计算机视觉 第1章-基本的图像操作和处理

本章讲解操作和处理图像的基础知识，将通过大量示例介绍处理图像所需的Python工具包，并介绍用于读取图像、图像转换和缩放、计算导数、画图和保存结果等的基本工具。

1.1 PIL：Python图像处理类库

利用PIL中的函数，我们可以从大多数图像格式的文件中读取数据，然后写入最常见的图像格式文件中。PIL中最重要的模块为Image。要读取一幅图像，可以使用：

from PIL import Image
pil_im = Image.open('empire.jpg')

上述代码的返回值pil_im是一个PIL图像对象。

from PIL import Image
import matplotlib.pyplot as plt

# 打开并转换图像为灰度模式
pil_im = Image.open('img.png').convert('L')

# 显示图像
plt.imshow(pil_im, cmap='gray')
plt.axis('off')  # 隐藏坐标轴
plt.show()

上述代码是将图片转为灰度图像并显示出来
在这里插入图片描述

实验图1 转为灰度图象

接下来对该图生成缩略图，裁剪图片中间部分，并将图片旋转45°

from PIL import Image
import matplotlib.pyplot as plt
from matplotlib import rcParams

# 设置中文字体
rcParams['font.sans-serif'] = ['SimHei']  # 使用黑体
rcParams['axes.unicode_minus'] = False    # 解决负号显示问题

# 打开并转换图像为灰度模式
pil_im = Image.open('img.png').convert('L')

# 创建一个图形窗口，准备展示多张图片
fig, axs = plt.subplots(1, 3, figsize=(15, 5))

# 1. 显示缩略图
thumbnail_im = pil_im.copy()  # 复制图像以保持原图
thumbnail_im.thumbnail((100, 100))  # 创建缩略图，大小设置为 (100, 100)
axs[0].imshow(thumbnail_im, cmap='gray')
axs[0].set_title('缩略图')
axs[0].axis('off')

# 2. 裁剪图像的中间部分
width, height = pil_im.size
left = (width - 100) // 2
top = (height - 100) // 2
right = (width + 100) // 2
bottom = (height + 100) // 2
cropped_im = pil_im.crop((left, top, right, bottom))  # 裁剪中间 100x100 的区域
axs[1].imshow(cropped_im, cmap='gray')
axs[1].set_title('裁剪中间部分')
axs[1].axis('off')

# 3. 将图像旋转45°
rotated_im = pil_im.rotate(45)  # 旋转图像45°
axs[2].imshow(rotated_im, cmap='gray')
axs[2].set_title('旋转 45°')
axs[2].axis('off')

# 显示所有图像
plt.show()

在这里插入图片描述

实验图2 生成缩略图，裁剪图片中间部分，图片旋转45°

1.2　Matplotlib

接下来对该图像绘制图像轮廓，并生成图像的灰度直方图

from PIL import Image, ImageDraw, ImageFilter
import matplotlib.pyplot as plt
import numpy as np
from matplotlib import rcParams

# 设置中文字体
rcParams['font.sans-serif'] = ['SimHei']  # 使用黑体（SimHei）字体
rcParams['axes.unicode_minus'] = False    # 解决负号显示问题

# 打开图像并转换为灰度模式
img = Image.open('img.png').convert('L')

# 创建一个绘图对象
draw = ImageDraw.Draw(img)

# 绘制点
draw.point((50, 50), fill=255)  # 在 (50, 50) 位置绘制一个白色点

# 绘制线条
draw.line((20, 20, 80, 80), fill=255, width=2)  # 从 (20, 20) 到 (80, 80) 画一条白色线

# 生成图像轮廓
contour_img = img.filter(ImageFilter.CONTOUR)

# 绘制直方图
histogram = np.array(img).flatten()  # 将图像转为数组并展平
fig, axs = plt.subplots(1, 3, figsize=(18, 5))

# 原图显示
axs[0].imshow(img, cmap='gray')
axs[0].set_title('原图')
axs[0].axis('off')

# 显示轮廓图像
axs[1].imshow(contour_img, cmap='gray')
axs[1].set_title('图像轮廓')
axs[1].axis('off')

# 显示直方图
axs[2].hist(histogram, bins=256, range=(0, 255), density=True, color='gray')
axs[2].set_title('灰度直方图')

# 交互式标注功能
def onclick(event):
    if event.inaxes is not None:
        x, y = int(event.xdata), int(event.ydata)
        color = img.getpixel((x, y))
        axs[0].annotate(f'({x}, {y}) - {color}', (x, y), color='red')
        fig.canvas.draw()

fig.canvas.mpl_connect('button_press_event', onclick)

# 显示所有图像和直方图
plt.show()

在这里插入图片描述

实验图3 绘制图像轮廓，生成图像的直方图

1.3 NumPy

1.3.1 图像数组表示

以下是实验代码

import numpy as np
from PIL import Image

# 1. 从文件读取图像
img_path = 'img.png'
img = Image.open(img_path)

# 2. 将图像转换为灰度图像
gray_img = img.convert('L')
gray_img_array = np.array(gray_img)

# 3. 图像缩放
scaled_img = gray_img.resize((128, 128))
scaled_img_array = np.array(scaled_img)

# 4. 直方图均衡化
hist, bins = np.histogram(scaled_img_array.flatten(), 256, [0, 256])
cdf = hist.cumsum()  # 计算累计分布函数（CDF）
cdf_normalized = cdf * hist.max() / cdf.max()  # 归一化

# 使用 CDF 进行直方图均衡化
cdf_m = np.ma.masked_equal(cdf, 0)  # 忽略 CDF 中的 0 值
cdf_m = (cdf_m - cdf_m.min()) * 255 / (cdf_m.max() - cdf_m.min())  # 归一化 CDF
cdf = np.ma.filled(cdf_m, 0).astype('uint8')  # 填充被屏蔽的值并转换为 uint8
equalized_img_array = cdf[scaled_img_array]  # 应用均衡化后的 CDF 到图像

# 5. 确保所有图像具有相同的尺寸
gray_img_resized = gray_img.resize((128, 128))
gray_img_resized_array = np.array(gray_img_resized)

# 6. 保存图像数组到 NumPy 文件
np.savez('image_arrays.npz',
         gray_img=gray_img_resized_array,
         scaled_img=scaled_img_array,
         equalized_img=equalized_img_array)

print("图像数组已保存到 'image_arrays.npz'")

# 7. 加载保存的图像数组
data = np.load('image_arrays.npz')

# 获取所有数组的名称
array_names = data.files

# 显示每个数组的信息
for name in array_names:
    array = data[name]
    print(f"数组名称: {name}")
    print(f"形状: {array.shape}")
    print(f"数据类型: {array.dtype}")
    print(f"前几项数据: {array.flat[:10]}")  # 打印前 10 个数据项（扁平化）
    print()  # 添加空行以便于阅读

# 关闭文件
data.close()

在这里插入图片描述

实验图4 生成图像数组 

from PIL import Image
import numpy as np
import matplotlib.pyplot as plt

# 1. 读取图像并转换为灰度图像
image_path = r'img.png'
original_img = Image.open(image_path).convert('L')
original_img_array = np.array(original_img)

# 2. 图像缩放
# 将图像缩放到 128x128 像素
resized_img = original_img.resize((128, 128))
resized_img_array = np.array(resized_img)

# 3. 灰度变换
# 反向处理图像
inverted_img_array = 255 - resized_img_array

# 4. 显示图像
plt.rcParams['font.sans-serif'] = ['SimHei']  # 支持中文字体

fig, axes = plt.subplots(1, 3, figsize=(15, 5))

# 原始图像
axes[0].imshow(original_img_array, cmap='gray')
axes[0].set_title('原始图像')
axes[0].axis('off')

# 缩放后的图像
axes[1].imshow(resized_img_array, cmap='gray')
axes[1].set_title('缩放图像')
axes[1].axis('off')

# 反向处理图像
axes[2].imshow(inverted_img_array, cmap='gray')
axes[2].set_title('反向处理')
axes[2].axis('off')

plt.tight_layout()
plt.show()

在这里插入图片描述

实验图5 对图像进行反向处理和缩放

接下来对图像直方图均衡化，以下为实验代码：

from PIL import Image
import numpy as np
import matplotlib.pyplot as plt


def histogram_equalization(image, num_bins=256):
    # 计算图像的直方图
    image_hist, bin_edges = np.histogram(image.flatten(), num_bins, density=True)

    # 计算累积分布函数 (CDF)
    cdf = image_hist.cumsum()
    cdf = 255 * cdf / cdf[-1]

    # 应用累积分布函数进行图像均衡化
    equalized_image = np.interp(image.flatten(), bin_edges[:-1], cdf)
    return equalized_image.reshape(image.shape), cdf


# 读取图像并转换为灰度图像
image_path = r'img.png'
original_image = Image.open(image_path).convert('L')
original_image_array = np.array(original_image)

# 对图像进行直方图均衡化
equalized_image_array, cdf = histogram_equalization(original_image_array)

# 显示结果
plt.rcParams['font.sans-serif'] = ['SimHei']  # 支持中文字体

fig, axes = plt.subplots(2, 2, figsize=(12, 10))

# 原始图像
axes[0, 0].imshow(original_image_array, cmap='gray')
axes[0, 0].set_title('原始灰度图像')
axes[0, 0].axis('off')

# 均衡化后的图像
axes[0, 1].imshow(equalized_image_array, cmap='gray')
axes[0, 1].set_title('均衡化图像')
axes[0, 1].axis('off')

# 原始图像直方图
axes[1, 0].hist(original_image_array.flatten(), bins=128, range=(0, 256))
axes[1, 0].set_title('原始图像直方图')
axes[1, 0].set_xlabel('像素强度')
axes[1, 0].set_ylabel('频率')

# 均衡化图像直方图
axes[1, 1].hist(equalized_image_array.flatten(), bins=128, range=(0, 256))
axes[1, 1].set_title('均衡化图像直方图')
axes[1, 1].set_xlabel('像素强度')
axes[1, 1].set_ylabel('频率')

plt.tight_layout()
plt.show()

在这里插入图片描述

实验图6 对图像直方图均衡化

1.4 SciPy

SciPy是建立在NumPy 基础上，用于数值运算的开源工具包。SciPy 提供很多高效的操作，可以实现数值积分、优化、统计、信号处理，以及对我们来说最重要的图像处理功能。

1.4.1 图像模糊

以下为实验代码：

from PIL import Image
import numpy as np
from scipy.ndimage import gaussian_filter
import matplotlib.pyplot as plt

# 读取图像并转换为灰度图像
image_path = r'img.png'
original_image = Image.open(image_path).convert('L')
original_image_array = np.array(original_image)

# 应用高斯滤波
sigma = 5
smoothed_image_array = gaussian_filter(original_image_array, sigma=sigma)

# 可视化结果
plt.rcParams['font.sans-serif'] = ['SimHei']  # 支持中文字体

fig, axes = plt.subplots(1, 2, figsize=(12, 6))

# 显示原始图像
axes[0].imshow(original_image_array, cmap='gray')
axes[0].set_title('原始灰度图像')
axes[0].axis('off')

# 显示平滑后的图像
axes[1].imshow(smoothed_image_array, cmap='gray')
axes[1].set_title('高斯滤波结果')
axes[1].axis('off')

plt.tight_layout()
plt.show()

在这里插入图片描述

实验图7 图像模糊结果

1.4.2 图像导数

为了生成图像的导数，可以使用梯度算子（如 Sobel 算子）来计算图像的梯度。

以下为实验代码：

from PIL import Image
import numpy as np
from scipy.ndimage import sobel
import matplotlib.pyplot as plt

# 读取图像并转换为灰度图像
image_path = r'img.png'
original_image = Image.open(image_path).convert('L')
image_array = np.array(original_image)

# 计算图像的梯度
gradient_x = sobel(image_array, axis=0)  # x 方向的梯度
gradient_y = sobel(image_array, axis=1)  # y 方向的梯度

# 计算梯度幅度
gradient_magnitude = np.sqrt(gradient_x**2 + gradient_y**2)

# 可视化结果
plt.rcParams['font.sans-serif'] = ['SimHei']  # 支持中文字体

fig, axes = plt.subplots(1, 3, figsize=(18, 6))

# 显示原始图像
axes[0].imshow(image_array, cmap='gray')
axes[0].set_title('原始灰度图像')
axes[0].axis('off')

# 显示 x 方向梯度
axes[1].imshow(gradient_x, cmap='gray')
axes[1].set_title('X 方向梯度')
axes[1].axis('off')

# 显示 y 方向梯度
axes[2].imshow(gradient_y, cmap='gray')
axes[2].set_title('Y 方向梯度')
axes[2].axis('off')

plt.tight_layout()
plt.show()

# 可选：显示梯度幅度
plt.figure(figsize=(6, 6))
plt.imshow(gradient_magnitude, cmap='gray')
plt.title('梯度幅度')
plt.axis('off')
plt.show()

在这里插入图片描述

实验图8 生成图像导数

1.4.3 形态学：对象计数

形态学（或数学形态学）是度量和分析基本形状的图像处理方法的基本框架与集合。形态学通常用于处理二值图像，但是也能够用于灰度图像。二值图像是指图像的每个像素只能取两个值，通常是0和1。二值图像通常是，在计算物体的数目，或者度量其大小时，对一幅图像进行阈值化后的结果。

以下为示例代码：

from PIL import Image
import numpy as np
from scipy.ndimage import measurements, morphology
import matplotlib.pyplot as plt

# 读取图像并转换为灰度图像
image_path = r'img.png'
original_image = Image.open(image_path).convert('L')
image_array = np.array(original_image)

# 二值化处理
binary_image = (image_array < 128).astype(int)

# 标记二值化图像中的连通区域
labels, num_objects = measurements.label(binary_image)

# 执行开操作（形态学开操作）
structure_element = np.ones((9, 5))
opened_image = morphology.binary_opening(binary_image, structure_element, iterations=2)
opened_labels, num_opened_objects = measurements.label(opened_image)

# 可视化结果
plt.rcParams['font.sans-serif'] = ['SimHei']  # 支持中文字体

fig, axes = plt.subplots(2, 2, figsize=(12, 12))

# 显示二值化图像
axes[0, 0].imshow(binary_image, cmap='gray')
axes[0, 0].set_title('二值化图像')
axes[0, 0].axis('off')

# 显示标签图像
axes[0, 1].imshow(labels, cmap='nipy_spectral')
axes[0, 1].set_title('标签数组图像')
axes[0, 1].axis('off')

# 显示开操作后的图像
axes[1, 0].imshow(opened_image, cmap='gray')
axes[1, 0].set_title('开操作后图像')
axes[1, 0].axis('off')

# 显示开操作后的标签图像
axes[1, 1].imshow(opened_labels, cmap='nipy_spectral')
axes[1, 1].set_title('开操作后标签数组图像')
axes[1, 1].axis('off')

plt.tight_layout()
plt.show()

# 打印对象个数
print(f"开操作前对象个数为：{num_objects}")
print(f"开操作后对象个数为：{num_opened_objects}")

在这里插入图片描述

实验图9 处理结果

在这里插入图片描述

实验图10 对象计数

1.5 高级去噪

图像去噪是在去除图像噪声的同时，尽可能地保留图像细节和结构的处理技术。我们这里使用ROF（Rudin-Osher-Fatemi）去噪模型。该模型最早出现在文献[28]中。图像去噪对于很多应用来说都非常重要；这些应用范围很广，小到让你的假期照片看起来更漂亮，大到提高卫星图像的质量。ROF模型具有很好的性质：使处理后的图像更平滑，同时保持图像边缘和结构信息。

以下为实验代码，先对图像进行高斯模糊，然后再去噪：

from matplotlib import pyplot as plt
from PIL import Image
import numpy as np
from scipy.ndimage import gaussian_filter

def denoise(image, initial_guess, tolerance=0.1, tau=0.125, K=100):
    m, n = image.shape
    U = initial_guess
    px = image.copy()
    py = image.copy()
    error = 1

    while error > tolerance:
        U_old = U.copy()
        grad_x = np.roll(U, -1, axis=1) - U
        grad_y = np.roll(U, -1, axis=0) - U
        px_new = px + (tau / K) * grad_x
        py_new = py + (tau / K) * grad_y
        norm_new = np.maximum(1, np.sqrt(px_new**2 + py_new**2))

        px = px_new / norm_new
        py = py_new / norm_new

        rx_px = np.roll(px, 1, axis=1)
        ry_py = np.roll(py, 1, axis=0)
        div_p = (px - rx_px) + (py - ry_py)
        U = image + K * div_p
        error = np.linalg.norm(U - U_old) / np.sqrt(m * n)

    return U, image - U

# 读取图像并转换为灰度图像
image_path = r'img.png'
original_image = Image.open(image_path).convert('L')
image_array = np.array(original_image)

# 去噪处理
denoised_image, _ = denoise(image_array, image_array)

# 应用高斯模糊
blurred_image = gaussian_filter(image_array, sigma=10)

# 可视化结果
plt.rcParams['font.sans-serif'] = ['SimHei']  # 支持中文字体

fig, axes = plt.subplots(1, 3, figsize=(18, 6))

# 显示原始图像
axes[0].imshow(image_array, cmap='gray')
axes[0].set_title('原始图像')
axes[0].axis('off')

# 显示经过高斯模糊后的图像
axes[1].imshow(blurred_image, cmap='gray')
axes[1].set_title('高斯模糊后')
axes[1].axis('off')

# 显示去噪后的图像
axes[2].imshow(denoised_image, cmap='gray')
axes[2].set_title('去噪后')
axes[2].axis('off')

plt.tight_layout()
plt.show()

在这里插入图片描述

实验图10 处理结果

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/2054569.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

零基础学习Redis(4) -- 常用数据结构介绍

零基础学习Redis(4) -- 常用数据结构介绍

我们之前提到过&#xff0c;redis中key只能是字符串类型&#xff0c;而value有多种类型。 redis中的数据结构有自己独特的实现方式能根据特定的场景进行优化 1. string(字符串) 内部编码&#xff1a; raw&#xff1a;最基本的字符串&#xff0c;类比我们平常使用的Stringin…
阅读更多...
MFC读取 Excel

MFC读取 Excel

2.添加读取excel数据的接口类&#xff1a; 添加读取excel的接口类&#xff1a; 3、添加完成后&#xff0c;找到这几个接口类的头文件&#xff0c;注释/删除 下图红框中的引入语句 注意&#xff1a;每个接口类的头文件都需进行处理。 4、添加源文件 excel.h文件&#xff1a; …
阅读更多...
Spring websocket并发发送消息异常的解决

Spring websocket并发发送消息异常的解决

https://www.jb51.net/program/297186nkq.htm本文主要介绍了 Spring websocket并发发送消息异常的解决,当多个线程同时尝试通过 WebSocket 会话发送消息时,会抛出异常,下面就来解决一下,感兴趣的可以了解一下https://www.jb51.net/program/297186nkq.htm
阅读更多...
centos系统配置转发和iptables使之成为网关

centos系统配置转发和iptables使之成为网关

centos系统配置转发和iptables使之成为网关 在当下互联网环境中&#xff0c;有很多内网服务器不能出网&#xff0c;例如安装软件包&#xff0c;更新程序之类的&#xff0c;偶尔会需要出网&#xff0c;下面这种方式就是专门解决这个事情的。 如下配置在 centos 6 7 8 rocky 8 …
阅读更多...
FPGA 最小系统 EP2C5T144C8N

FPGA 最小系统 EP2C5T144C8N

参考 &#xff1a; 微雪　ep2c5t 米尔 所需元件&#xff1a; 1.2v 3.3v稳压芯片 7个10k电阻 一个use blast 5v-》3.3v稳压-》1.2v稳压 1.JTAG连接 JTAG连接 NSTATUS nconfig config_done 因为没有外部存储器&#xff0c;直接使用Jtag烧录&#xff0c;从而nconfig 为3.3 &…
阅读更多...
全场景——（三）USB开发基础（2）

全场景——（三）USB开发基础（2）

文章目录 一、USB 描述符1.1 USB 设备状态切换图1.2 标准设备请求1.2.1 SETUP事务的数据格式1.2.2 标准设备请求1.2.3 设备/配置/接口/端点 1.3 描述符1.3.1 设备描述符1.3.2 配置描述符1.3.3 接口描述符1.3.4 端点描述符1.3.5 示例 1.4 设备枚举过程示例 二、USBX 组件2.1 Azu…
阅读更多...
Rhinoceros 8 for Mac/Win：重塑三维建模边界的革新之作

Rhinoceros 8 for Mac/Win：重塑三维建模边界的革新之作

Rhinoceros 8&#xff08;简称Rhino 8&#xff09;&#xff0c;作为一款由Robert McNeel & Assoc公司开发的顶尖三维建模软件&#xff0c;无论是对于Mac还是Windows用户而言&#xff0c;都是一款不可多得的高效工具。Rhino 8以其强大的功能、广泛的应用领域以及卓越的性能&…
阅读更多...
阿里云发送短信功能（Java）

阿里云发送短信功能（Java）

&#xff08;1&#xff09;注册用户&#xff0c;并且开通短信套餐 &#xff08;2&#xff09; 点击快速学习&#xff0c;然后绑定测试的手机号码。 选用专用测试签名&#xff08;自定义的话阿里可能会验证什么什么的比较麻烦&#xff09; 然后在选取调用API &#xff08;3&…
阅读更多...
Excel ——3个实用的随机函数(RAND 、RANDBETWEEN、RANDARRAY)

Excel ——3个实用的随机函数(RAND 、RANDBETWEEN、RANDARRAY)

1、RAND 函数 RAND 函数是一个没有参数的函数&#xff1a;RAND () 返回一个大于等于 0&#xff0c;小于 1 的随机实数。 选中任一单元格&#xff0c;在编辑栏输入公式&#xff1a; 如果要生成 a 与 b 之间的随机数&#xff0c;就用&#xff1a; RAND()*(b-a)a 比如要生成-5…
阅读更多...
Docker Compose运行Elasticsearch

Docker Compose运行Elasticsearch

前提&#xff1a;确保你已经安装了Docker和Docker Compose 创建项目目录 创建一个目录来存放项目文件 mkdir es cd es 创建docker-compose.yml文件 touch docker-compose.yml version: 3.3 services: elasticsearch: image: docker.elastic.co/elasticsearch/elastics…
阅读更多...
mysql windows、Ubuntu安装与远程连接配置

mysql windows、Ubuntu安装与远程连接配置

下载 在Windows下安装MySQL需要在官网下载安装包 官网地址www.mysql.com 找到社区下载 选择适用于Windows的MYSQL安装程序 选择自己电脑对应的版本和所要下载的mysql版本一般是5.7版本和8.0版本 按照图片上的选项进行安装 到此就安装完成了 需要自己手动配置环境变量…
阅读更多...
光纤猫光功率正常值是多少

光纤猫光功率正常值是多少

光纤猫光功率正常值是多少 1. 光猫发送的光功率正常范围为负15dBm。 2. 光猫接收的光功率理想值为负9dBm至负27dBm。 3. 光模块发射的光功率应为0dBm或正1dBm以上。 4. 光信号通过一级光交箱跳纤会损失1到2dBm&#xff0c;因此到达一级光分箱的主纤光功率为负2dBm。 5. 经过一级…
阅读更多...
模拟实现Stack的适配器【栈】【C++】

模拟实现Stack的适配器【栈】【C++】

P. S.&#xff1a;以下代码均在VS2022环境下测试&#xff0c;不代表所有编译器均可通过。 P. S.&#xff1a;测试代码均未展示头文件stdio.h的声明&#xff0c;使用时请自行添加。 博主主页&#xff1a;LiUEEEEE                        …
阅读更多...
sentinel 02 核心类

sentinel 02 核心类

01 02. 03. 04. 05. 4.1 4.2 4.3 4.4 5调用链
阅读更多...
JavaScript学习笔记（十二）：JS Web API

JavaScript学习笔记（十二）：JS Web API

1、Web API - 简介 Web API 是开发人员的梦想。 它可以扩展浏览器的功能它可以极大简化复杂的功能它可以为复杂的代码提供简单的语法 1.1 什么是 Web API&#xff1f; API 指的是应用程序编程接口&#xff08;Application Programming Interface&#xff09;。 Web API 是 …
阅读更多...
基于SpringBoot的网上宠物店系统

基于SpringBoot的网上宠物店系统

系统背景 在当今快节奏的城市生活中&#xff0c;宠物逐渐成为许多家庭不可或缺的一员&#xff0c;它们不仅是忠诚的伴侣&#xff0c;更是心灵的慰藉。随着宠物市场的日益扩大&#xff0c;人们对于宠物相关服务的需求也日益增长&#xff0c;从宠物食品、玩具到健康护理、训练课程…
阅读更多...
SAP-MM-框架协议和货源清单的配合使用

SAP-MM-框架协议和货源清单的配合使用

一、业务场景： 某公司一直使用源清单功能，新增框架协议功能， 根据业务需求，公司与供应商签订备货框架协议，供应商要求我司提供单号用于备货使用，但业务部门要求，此单号不能在SRM系统中体现，不能直接做送货单，需要转正式采购订单才能在SRM系统中创建送货单，用于送货…
阅读更多...
腾讯云 AI 代码助手四大基础功能介绍

腾讯云 AI 代码助手四大基础功能介绍

引言 随着技术的不断进步&#xff0c;软件开发者们面临着日益复杂的编程任务和挑战。他们不仅需要处理大量的代码&#xff0c;还要在保证代码质量的前提下&#xff0c;提高开发效率。在这样的背景下&#xff0c;一款能够辅助开发者进行高效编码的工具显得尤为重要。 腾讯云AI…
阅读更多...
数字文化产业：融合科技与人文的先锋力量

数字文化产业：融合科技与人文的先锋力量

在当今数字化的时代&#xff0c;数字文化产业正以惊人的速度崛起&#xff0c;成为经济发展和文化繁荣的重要驱动力。那么&#xff0c;究竟什么是数字文化产业呢&#xff1f; 数字文化产业是文化与科技深度融合的产物。它借助先进的数字技术&#xff0c;如大数据、人工智能、虚拟…
阅读更多...
【论文分享】通过社交媒体图片和计算机视觉分析城市绿道的使用情况

【论文分享】通过社交媒体图片和计算机视觉分析城市绿道的使用情况

城市街道为路面跑步提供了环境。本次给大家带来一篇SCI论文的全文翻译&#xff01;该论文提出了一种非参数方法&#xff0c;使用机器学习模型来预测路面跑步强度。该论文提供了关于路面跑步的实证证据&#xff0c;并突出了规划者、景观设计师和城市管理者在设计适于跑步的城市街…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023