opencv-python的简单练习

news2024/12/16 3:35:47

题目1.读取一张彩色图像并将其转换为灰度图。

import cv2
# 读取图片文件
img = cv2.imread('./1.png')

# 将原图灰度化
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

# 输出图片
cv2.imshow('img',img)
cv2.imshow('img_g',img_gray)
# 进行阻塞
cv2.waitKey(0)

题目2：二值化与形态学操作‌

编写程序，读取一张彩色图像【flower.png】，将其转换为灰度图，然后进行二值化处理。

接着，对二值化后的图像执行腐蚀和膨胀操作，并显示处理前后的图像。

二值化图像

腐蚀图像

 

膨胀图像

‌题目3：图像变换与颜色识别‌

编写程序，读取一张彩色图像，执行以下操作：

  1. 将图像缩放至指定大小（例如，宽度和高度都缩小为原来的一半）。
  2. 对缩放后的图像应用仿射变换，实现图像的旋转（例如，旋转45度）。
  3. 将图像从BGR颜色空间转换为HSV颜色空间，并提取出特定的颜色范围（例如，提取黄色区域）。
  4. 显示处理后的图像，并在图像上标记出识别到的颜色区域。

import cv2
import numpy as np

img = cv2.imread('./2.png')
img = cv2.resize(img,dsize=None,fx=0.5,fy=0.5)

# 获取放射变换矩阵
M =cv2.getRotationMatrix2D(center=(img.shape[1]/2,img.shape[0]/2), # 旋转的中心
                             angle=45, # 旋转的角度
                             scale=0.5) # 缩放 返回一个旋转矩阵

img_ro = cv2.warpAffine(img,M,(img.shape[0],img.shape[1]),
                        flags = cv2.INTER_LINEAR, # 插值的方式
                        borderMode=cv2.BORDER_REFLECT_101) # 填充边缘的方式

# 将原图转换成hsv
img_hsv = cv2.cvtColor(img_ro,cv2.COLOR_BGR2HSV)
# 制作掩膜
# 选取颜色 这里选择黄色
hsv_min = np.array([26,43,46],dtype=np.float32)
hsv_max = np.array([34,255,255],dtype=np.float32)
mask = cv2.inRange(img_hsv,hsv_min,hsv_max)

# 将掩膜与原图进行与运算
img_color = cv2.bitwise_and(img_ro,img_ro,mask=mask)

# 利用掩膜识别边缘
c,h =cv2.findContours(mask,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)

#用红线在原图标识
cv2.drawContours(img_ro,c,-1,(0,0,255),2)







cv2.imshow('image',img_ro)
cv2.imshow('img_color',img_color)
cv2.waitKey(0)

‌题目4：图像矫正

编写程序，读取一张彩色图像，执行以下操作

  1. 找到原图 和目标图的四个点，获取透视变换矩阵
  2. 对图像应用透视变换，实现油画区域的矫正

import cv2
import numpy as np


# 读取图像
img = cv2.imread('./youhua.png')
# 高斯滤波
img_blur = cv2.GaussianBlur(img,(3,3),1)

# 灰度化
img_gray = cv2.cvtColor(img_blur,cv2.COLOR_BGR2GRAY)

# 二值化
_,img_binary = cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)

# 寻找轮廓
contours,_ = cv2.findContours(img_binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnt = sorted(contours,key=cv2.contourArea,reverse=True)[0]
img_copy = img.copy()

img_copy = cv2.drawContours(img_copy,[cnt],-1,(0,0,255),2)


# 找到card的轮廓  做多边形逼近  获取四个顶点
arc_len = cv2.arcLength(cnt,True)
approx = cv2.approxPolyDP(cnt,float(0.04)*arc_len,True)
img_draw = img.copy()
# approx

points1 = np.float32(approx).reshape(-1,2)
print(approx)
points2 = np.float32([
        [max(points1[:, 0]), min(points1[:, 1])],  # 右上角
        [min(points1[:, 0]), min(points1[:, 1])],  # 左上角
        [min(points1[:, 0]), max(points1[:, 1])],  # 左下角
        [max(points1[:, 0]), max(points1[:, 1])],  # 右下角
        ]
        )

M = cv2.getPerspectiveTransform(points1,points2)
img_draw = cv2.warpPerspective(img_draw,M,(img.shape[1],img.shape[0]))


# 画轮廓

# 获取透视变换矩阵
# 进行透视变换

# 输出图形
cv2.imshow('img',img)
cv2.imshow('img_copy',img_copy)
cv2.imshow('img_draw',img_draw)
cv2.waitKey(0)

 

题目5：边缘检测

请编写一段Python代码，使用OpenCV库对一张图像进行以下处理：

  1. 将图像转换为灰度图。
  2. 使用高斯滤波器平滑图像，内核大小为5x5，标准差为1。
  3. 使用Canny边缘检测算法检测图像边缘，阈值1为50，阈值2为150。
  4. 在检测到的边缘图像上绘制轮廓，轮廓颜色为红色，厚度为2。

 

import cv2
img = cv2.imread('./picture.png')
# 灰度化
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

# 高斯滤波
img_blur = cv2.GaussianBlur(img_gray,(5,5),1)
# 边缘检测
img_canny = cv2.Canny(img_blur,50,150)
c,h = cv2.findContours(img_canny,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img,c,-1,(0,0,255),2)

cv2.imshow('image',img)

cv2.imshow('img_canny',img_canny)
cv2.waitKey(0)

题目6：车牌识别预处理 

假设你正在开发一个车牌识别系统，首先需要从图像中识别出车牌区域。请描述并编写代码实现以下步骤：

  1. 读取一张包含车牌的图像。
  2. 将图像转换为灰度图以简化处理。
  3. 使用高斯滤波器平滑图像，减少噪声干扰。
  4. 应用Canny边缘检测算法检测图像中的边缘。
  5. 查找图像中的轮廓。
  6. 逐一遍历轮廓。
  7. 设定一个面积双阈值，只保留面积在该阈值的轮廓。
  8. 计算这些轮廓的长宽比，长宽比ratio在2到5.5之间的，在原图上用矩形框标出，这些轮廓可能是车牌的候选区域。

import cv2
import matplotlib.pyplot as plt
import numpy as np

# 读取车牌图像
img =cv2.imread('./img_1.png')

# 转化为单通道图像便于处理
img= cv2.resize(img,dsize=None,fx=0.5,fy=0.5)

img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)


# 使用高斯滤波平滑图像，减少噪声干扰
img_blur = cv2.GaussianBlur(img_gray,(5,5),1)

# 使用canny检测图像边缘
img_canny =cv2.Canny(img_blur,50,150)

# 查找轮廓点集
c,_ = cv2.findContours(img_canny,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
# 遍历轮廓 寻找面积合适的图像
for cnt in c:
    if cv2.contourArea(cnt)<900 or cv2.contourArea(cnt)>81000000:
        continue
    else:

        # 计算长宽比
        arc_len = cv2.arcLength(cnt,  # 轮廓
                                True)  # 表示轮廓是否闭合
        approx = cv2.approxPolyDP(cnt,  # 轮廓
                                  float(0.004) * arc_len,  # 这是从原始轮廓到近似多边形的最大距离，决定了逼近精度
                                  True  # 是否闭合
                                  )  # 返回逼近多边形的 坐标点集

        x, y, w, h = cv2.boundingRect(approx)
        ratio = w / h
        if 2.0 < ratio < 4.5:  # 设定范围减免因图像扭曲产生的误差

            cv2.rectangle(img,
                          [x, y],  # 左上角坐标
                          [x + w, y + h],  # 右下角坐标
                          (0, 0, 255),  # 矩形颜色
                          2  # 矩形线条粗细

                          )

cv2.imshow('img',img)
cv2.imshow('img_b', img_canny)
cv2.waitKey(0)

 

交通信号灯识别‌：

你正在开发一个自动驾驶系统，需要识别交通信号灯的颜色（红、黄、绿）。请设计一个简化的流程，说明如何使用OpenCV来识别交通信号灯的颜色。

思路分析‌：

  1. 读取包含交通信号灯的图像。
  2. 转换图像到HSV颜色空间。
  3. 分别为红、黄、绿三种颜色定义HSV范围，并创建三个掩膜。
  4. 对每个掩膜进行轮廓检测，识别出可能的信号灯区域。

import cv2
import numpy as np
img = cv2.imread('./demo111.png')

# 转化hsv空间
img_hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)

# 红色空间
hsv_min2 = np.array([0,43,46])
hsv_max2 = np.array([10,255,255])
hsv_min1 = np.array([156,43,46])
hsv_max1 = np.array([180,255,255])
mask_1 = cv2.inRange(img_hsv,hsv_min1,hsv_max1)
mask_2 = cv2.inRange(img_hsv,hsv_min2,hsv_max2)
mask_red = cv2.bitwise_or(mask_1,mask_2)
mask_red = cv2.GaussianBlur(mask_red,(3,3),1)
c,_ = cv2.findContours(mask_red,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
c = sorted(c,key=cv2.contourArea,reverse=True)[1]
img = cv2.drawContours(img,[c],-1,(0,0,255),2)

# 绿色空间
hsv_min3 = np.array([35,43,46])
hsv_max3 = np.array([99,255,255])
mask_green = cv2.inRange(img_hsv,hsv_min3,hsv_max3)
mask_green = cv2.GaussianBlur(mask_green,(3,3),1)
c,_ = cv2.findContours(mask_green,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
c = sorted(c,key=cv2.contourArea,reverse=True)[0]
img = cv2.drawContours(img,[c],-1,(0,255,0),2)

# 黄色空间
hsv_min4 = np.array([11,20,20])
hsv_max4 = np.array([34,255,255])
mask_yellow = cv2.inRange(img_hsv,hsv_min4,hsv_max4)
mask_yellow = cv2.GaussianBlur(mask_yellow,(3,3),1)
c,_ = cv2.findContours(mask_yellow,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
c = sorted(c,key=cv2.contourArea,reverse=True)[0]
img = cv2.drawContours(img,[c],-1,(0,255,255),2)

mask = cv2.bitwise_or(mask_red,mask_yellow,mask_green)
img_mask_color = cv2.bitwise_and(img,img,mask=mask)

cv2.imshow('image',img)
cv2.imshow('mask',mask)
cv2.imshow('img_mask_color',img_mask_color)

cv2.waitKey(0)

 

在一家生产彩色玩具的工厂中，需要检测产品是否按照正确的颜色进行生产。请设计一个使用OpenCV的自动化检测系统，该系统能够识别并报告不符合颜色标准的产品。

‌思路分析‌：

  1. 设定产品的标准颜色范围（HSV值）。
  2. 使用摄像头或图像文件获取待检测产品的图像。
  3. 转换图像到HSV颜色空间。
  4. 为每种标准颜色创建掩膜，并与产品图像进行比对。
  5. 识别出颜色不符合标准的产品，并记录或报告。

 

import cv2
import numpy as np
img = cv2.imread('./duck.png')
img = cv2.resize(img,dsize=None,fx=0.4,fy=0.4)
# 转化hsv空间
img_hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)

# 红色空间
hsv_min2 = np.array([0,43,46])
hsv_max2 = np.array([10,255,255])
hsv_min1 = np.array([156,43,46])
hsv_max1 = np.array([180,255,255])
mask_1 = cv2.inRange(img_hsv,hsv_min1,hsv_max1)
mask_2 = cv2.inRange(img_hsv,hsv_min2,hsv_max2)
mask_red = cv2.bitwise_or(mask_1,mask_2)
mask_red = cv2.GaussianBlur(mask_red,(3,3),1)

# 绿色空间
hsv_min3 = np.array([35,43,46])
hsv_max3 = np.array([99,255,255])
mask_green = cv2.inRange(img_hsv,hsv_min3,hsv_max3)
mask_green = cv2.GaussianBlur(mask_green,(3,3),1)

# 黑色空间
hsv_min3 = np.array([0,0,40])
hsv_max3 = np.array([180,255,46])
mask_black = cv2.inRange(img_hsv,hsv_min3,hsv_max3)
mask_black = cv2.GaussianBlur(mask_green,(3,3),1)

# 蓝色空间
hsv_min3 = np.array([78,43,46])
hsv_max3 = np.array([124,255,255])
mask_blue = cv2.inRange(img_hsv,hsv_min3,hsv_max3)
mask_blue = cv2.GaussianBlur(mask_blue,(3,3),1)

mask = cv2.bitwise_or(mask_red,mask_black,mask_blue)

mask_color = cv2.bitwise_and(img,img,mask=mask)

c,_ = cv2.findContours(mask,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
img = cv2.drawContours(img,c,-1,(0,255,255),2)


cv2.imshow('image',img)
cv2.imshow('mask',mask)
cv2.imshow('img_mask_color',mask_color)

cv2.waitKey(0)

图像预处理与特征提取‌

  1. 将图像转换为灰度图
  2. 对灰度图进行二值化处理
  3. 使用形态学变换去除噪声【开运算】
  4. 检测图像中的边缘
  5. 查找并绘制图像中的轮廓
  6. 逐一遍历轮廓，输出所有四边形的周长 和 面积。

 

 

import cv2
import numpy as np


# 读取图片
img = cv2.imread('./img_2.png')

# 灰度化  二值化
img_gary = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
_,img_binary = cv2.threshold(img_gary,127,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)

# 高斯滤波
img_blur = cv2.GaussianBlur(img_binary,(3,3),1)


# 开运算消除噪点 腐蚀和膨胀
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))
img_erode = cv2.erode(img_blur,kernel)
img_dilate = cv2.dilate(img_erode,kernel)


# 寻找轮廓
contours,_ = cv2.findContours(img_dilate,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

# 绘制轮廓
img_copy = img.copy()

# 循环遍历轮廓
for cnt in contours:
    M = cv2.moments(cnt)
    if int(M['m00'] )== 0:
        continue
    else:
        # 排序非常小的轮廓后，寻找与图形相似形状
        # 把周长的几倍长度的线段作为一条边
        arc_len = cv2.arcLength(cnt,   # 轮廓
                      True) # 表示轮廓是否闭合
        approx = cv2.approxPolyDP(cnt, # 轮廓
                         float(0.04)*arc_len, #这是从原始轮廓到近似多边形的最大距离，决定了逼近精度
                         True # 是否闭合
                         ) # 返回逼近多边形的 坐标点集
        # 进行形状判断


        if len(approx) == 4:
            # 需要进一步判断是正方形还是非正方形
            x,y,w,h = cv2.boundingRect(approx)
            ratio = w/h

            shape = 'rectangle'
            color = (0,255,0)

            img_copy = cv2.drawContours(img_copy, contours, -1, (0, 0, 0), 1)
            str1 = shape+'area:'+str(cv2.contourArea(cnt))
            str2 = 'len:'+str(cv2.arcLength(cnt,True))
            # 先计算轮廓形状的中心坐标
            cX = int(M['m10']/M['m00'])
            cY = int(M['m01']/M['m00'])
            # 将识别到的轮廓形状的文字写道轮廓的重点处youhua.png
            cv2.putText(img_copy, # 图片
                    str1,  # 要添加的文字字符串
                    (cX,cY), # 要输入文字的坐标
                    cv2.FONT_HERSHEY_SIMPLEX,# 字体类型
                    0.4, # 缩放
                    color)
            cv2.putText(img_copy,  # 图片
                        str2,  # 要添加的文字字符串
                        (cX, cY+15),  # 要输入文字的坐标
                        cv2.FONT_HERSHEY_SIMPLEX,  # 字体类型
                        0.4,  # 缩放
                        color)











# 输出数据
cv2.imshow('image',img)
cv2.imshow('img_copy',img_copy)
cv2.waitKey(0)

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/2260276.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

go-zero(十三)使用MapReduce并发

go-zero(十三)使用MapReduce并发

go zero 使用MapReduce并发 一、MapReduce 介绍 MapReduce 是一种用于并行计算的编程模型&#xff0c;特别适合在大规模数据处理场景中简化逻辑代码。 官方文档&#xff1a; https://go-zero.dev/docs/components/mr 1. MapReduce 的核心概念 在 MapReduce 中&#xff0c;主…
阅读更多...
探索React与Microi吾码的完美结合：快速搭建项目，低代码便捷开发教程

探索React与Microi吾码的完美结合：快速搭建项目，低代码便捷开发教程

一、摘要 在当今的数字化时代&#xff0c;软件开发就像是一场探险&#xff0c;每个开发者都是探险家&#xff0c;探索着代码的奥秘。React作为前端开发的领军框架&#xff0c;其组件化和高效的渲染机制为开发者提供了强大的工具。而Microi吾码低代码平台的出现&#xff0c;则为…
阅读更多...
SAP FICO物料分类账实操

SAP FICO物料分类账实操

物料分类账所涉及到的差异从采购入库的时候就可能已经产生&#xff0c;接下来从创建物料主数据开始对可能产生差异地方进行分析。其中有些操作步骤在标准价格估算这一篇博文中已经有过演示&#xff0c;可以先做了解。 其中的某些创建在有直接可用的情况下是非必须的&#xff0…
阅读更多...
WordPress酱茄主题 开源版 博客资讯自媒体网站模板

WordPress酱茄主题 开源版 博客资讯自媒体网站模板

一款免费开源的WordPress主题&#xff0c;主题专为WordPress博客、资讯、自媒体网站而设计 运行环境 支持WordPress版本&#xff1a;5.6 兼容Chrome、Firefox、Safari等主流浏览器 支持设备&#xff1a;响应式布局&#xff0c;不同设备不同展示效果 服务器环境建议&#x…
阅读更多...
【HF设计模式】03-装饰者模式

【HF设计模式】03-装饰者模式

声明&#xff1a;仅为个人学习总结&#xff0c;还请批判性查看&#xff0c;如有不同观点&#xff0c;欢迎交流。 摘要 《Head First设计模式》第3章笔记&#xff1a;结合示例应用和代码&#xff0c;介绍装饰者模式&#xff0c;包括遇到的问题、遵循的 OO 原则、达到的效果。 …
阅读更多...
Linux查看是否有www-data用户,如果没有添加一个

Linux查看是否有www-data用户,如果没有添加一个

在 Linux 系统中&#xff0c;www-data 用户通常是用来运行 Web 服务&#xff08;如 Nginx 或 Apache&#xff09;的。如果你想检查系统中是否已经存在 www-data 用户&#xff0c;并在没有的情况下添加一个&#xff0c;可以按照以下步骤操作&#xff1a; ### 1. 检查 www-data …
阅读更多...
23.模块和包

23.模块和包

模块 模块Module,是一个python文件&#xff0c;以.py结尾。 模块能定义函数、类和变量。 模块导入 模块在使用前需要先导入 [from 模块名] import [模块 | 类 | 变量 | 函数 | *] [as 别名] import 模块 import time print("start...") time.sleep(5) print(&…
阅读更多...
IDEA报错：无效的源发行版、无效的目标发行版

IDEA报错：无效的源发行版、无效的目标发行版

1. 无效的源发行版 创建项目的时候&#xff0c;会遇见这个报错&#xff0c;原因就是编译的JDK版本与发布版本不一致。 解决方法&#xff1a; 1.1. 找到问题所在地 英文&#xff1a;File -> Project Structure ->Project Settings 中文&#xff1a;文件->项目结构 …
阅读更多...
2025年，客服知识库与人工智能的结合

2025年，客服知识库与人工智能的结合

随着人工智能&#xff08;AI&#xff09;技术的飞速发展&#xff0c;传统客服模式正在经历前所未有的变革。特别是在2025年&#xff0c;客服知识库与AI的深度融合&#xff0c;不仅极大地提升了客服处理的效率与准确性&#xff0c;还为用户带来了更加个性化、高效的服务体验。 …
阅读更多...
JVM 双亲委派模型以及垃圾回收机制

JVM 双亲委派模型以及垃圾回收机制

目录 1. JVM 内存区域划分 2. JVM 中类加载的过程 1) 类加载的基本流程 2) 双亲委派模型 3. JVM 中垃圾回收机制 1) 找到垃圾 a) 引用计数 b) 可达性分析 2) 释放垃圾 1. JVM 内存区域划分 一个运行起来的 Java 进程&#xff0c;其实就是一个 JVM 虚拟机。 而进程是…
阅读更多...
微信小程序跳转其他小程序以及跳转网站

微信小程序跳转其他小程序以及跳转网站

一、跳转其他小程序 1.1 知道appid和页面路径 wx.navigateToMiniProgram({appId: appid, // 替换为目标小程序 AppIDpath: pathWithParams, // 小程序路径envVersion: release, // 开发版、体验版或正式版success(res) {console.log("跳转到其他小程序成功&#xff01;&q…
阅读更多...
学习笔记：从ncsi/nc-si协议和代码了解网络协议的设计范式

学习笔记：从ncsi/nc-si协议和代码了解网络协议的设计范式

学习笔记&#xff1a;从ncsi/nc-si协议和代码了解网络协议的设计范式 参考文档&#xff1a; https://www.dmtf.org/standards/published_documents https://www.dmtf.org/dsp/DSP0222 https://www.dmtf.org/sites/default/files/standards/documents/DSP0222_1.2.0.pdf参考代…
阅读更多...
深度学习训练参数之学习率介绍

深度学习训练参数之学习率介绍

学习率 1. 什么是学习率 学习率是训练神经网络的重要超参数之一&#xff0c;它代表在每一次迭代中梯度向损失函数最优解移动的步长&#xff0c;通常用 η \eta η 表示。它的大小决定网络学习速度的快慢。在网络训练过程中&#xff0c;模型通过样本数据给出预测值&#xff0…
阅读更多...
【数据结构——线性表】单链表的基本运算（头歌实践教学平台习题）【合集】

【数据结构——线性表】单链表的基本运算（头歌实践教学平台习题）【合集】

目录&#x1f60b; 任务描述 相关知识 测试说明 我的通关代码: 测试结果&#xff1a; 任务描述 本关任务&#xff1a;编写一个程序实现单链表的基本运算。 相关知识 为了完成本关任务&#xff0c;你需要掌握&#xff1a;初始化线性表、销毁线性表、判定是否为空表、求线性…
阅读更多...
利用ROS的Camera Calibration工具进行D435相机标定

利用ROS的Camera Calibration工具进行D435相机标定

一、安装ROS Camera Calibration sudo apt-get install ros-melodic-camera-calibration 二、安装realsense-ros 安装ROS Wrapper for Intel RealSense&#xff08;realsense-ros&#xff09; 三、启动数据读取节点 ctrlaltt打开终端 cd catkin_ws_ur source devel/setu…
阅读更多...
让文案生成更具灵活性/chatGPT新功能canvas画布编辑

让文案生成更具灵活性/chatGPT新功能canvas画布编辑

​ ​ OpenAI最近在2024年12月发布了canvas画布编辑功能&#xff0c;这是一项用途广泛的创新工具&#xff0c;专为需要高效创作文案的用户设计。 无论是职场人士、学生还是创作者&#xff0c;这项功能都能帮助快速生成、优化和编辑文案&#xff0c;提升效率的同时提高内容质量…
阅读更多...
C# 网络编程--关于UDP 通信（二）

C# 网络编程--关于UDP 通信（二）

UDP (User Datagram Protocol) 是一种无连接的传输层协议&#xff0c;主要用于支持数据报文的传输。它的主要特点包括简单、高效、不保证可靠性和顺序。 1.UDP协议基本概念 1.udp基于IP的简单的协议&#xff0c;不可靠的协议 2.优点&#xff1a;简单、 轻量化、 传输速度高、…
阅读更多...
Spring Boot 集成 MyBatis 全面讲解

Spring Boot 集成 MyBatis 全面讲解

Spring Boot 集成 MyBatis 全面讲解 MyBatis 是一款优秀的持久层框架&#xff0c;与 Spring Boot 集成后可以大大简化开发流程。本文将全面讲解如何在 Spring Boot 中集成 MyBatis&#xff0c;包括环境配置、基础操作、高级功能和最佳实践。 一、MyBatis 简介 1. SqlSession …
阅读更多...
解决Jmeter HTTP Cookie管理器cookie不生效

解决Jmeter HTTP Cookie管理器cookie不生效

解决Jmeter HTTP Cookie管理器cookie不生效问题 解决Jmeter HTTP Cookie管理器cookie不生效问题1、设置Jmeter HTTP Cookie管理器cookie后&#xff0c;发起的请求显示[no cookies]jmeter问题复现&#xff1a;这里同样使用postman进行重试&#xff0c;发现是可以正常获取数据的&…
阅读更多...
freeswitch(开启支持MCU视频会议,使用mod_av模块)

freeswitch(开启支持MCU视频会议,使用mod_av模块)

亲测版本centos 7.9系统–》 freeswitch1.10.9 本人freeswitch安装路径（根据自己的路径进入） /usr/local/freeswitch/etc/freeswitch场景说明： 有些场景想使用视频会议MCU融合画面进行开会使用方法： 第一步：下载插件 yum install -y epel-release yum install
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023