itk中的一些图像处理

news2024/11/30 10:41:51

文章目录

      • 1.BinomialBlurImageFilter计算每个维度上的最近邻居平均值
      • 2.高斯平滑
      • 3.图像的高阶导数 RecursiveGaussianImageFilter
      • 4.均值滤波
      • 5.中值滤波
      • 6.离散高斯平滑
      • 7.曲率驱动流去噪图像 CurvatureFlowImageFilter
      • 8.由参数alpha和beta控制的幂律自适应直方图均衡化
      • 9.Canny 边缘检测
      • 10.Sobel边缘检测和基于过零的边缘检测

保存图像和读取图像

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

def saveImage(inImage,savePath):
    writer = itk.ImageFileWriter[type(inImage)].New()
    writer.SetFileName(savePath)
    writer.SetInput(inImage)
    writer.Update()

PixelType = itk.UC
Dimension = 2
ImageType = itk.Image[PixelType, Dimension]
imagePath1 = r'D:\svnproject\drrimage.tif'
reader1 = itk.ImageFileReader[ImageType].New()
reader1.SetFileName(imagePath1)
reader1.Update()
image1 = reader1.GetOutput()

1.BinomialBlurImageFilter计算每个维度上的最近邻居平均值

#BinomialBlurImageFilter计算每个维度上的最近邻居平均值。根据用户的指定，该过程将重复多次。原则上，经过大量的迭代，结果将接近高斯卷积。
#https://examples.itk.org/src/filtering/smoothing/blurringanimageusingabinomialkernel/documentation
#number_of_repetitions（整型）值越大,图像越模糊
def SmoothingWithBinomialKernel(inputImage,number_of_repetitions):
    ImageType = type(inputImage)
    binomialFilter = itk.BinomialBlurImageFilter[ImageType,ImageType].New()
    binomialFilter.SetInput(inputImage)
    binomialFilter.SetRepetitions(number_of_repetitions)

    rescaler = itk.RescaleIntensityImageFilter[ImageType, ImageType].New()
    rescaler.SetInput(binomialFilter.GetOutput())
    rescaler.SetOutputMinimum(0)
    rescaler.SetOutputMaximum(255)

    outputFileName = 'outImage_'+str(number_of_repetitions)+'.png'
    saveImage(rescaler.GetOutput(),outputFileName)

    return rescaler.GetOutput()
    
resImage1 = SmoothingWithBinomialKernel(image1,1)
resImage2 = SmoothingWithBinomialKernel(image1,10)
resImage3 = SmoothingWithBinomialKernel(image1,20)
resImage4 = SmoothingWithBinomialKernel(image1,50)
resImage5 = SmoothingWithBinomialKernel(image1,100)
resImage6 = SmoothingWithBinomialKernel(image1,150)
plt.subplot(231),plt.imshow(itk.GetArrayFromImage(resImage1),'gray'),plt.title('repetitions1')
plt.subplot(232),plt.imshow(itk.GetArrayFromImage(resImage2),'gray'),plt.title('repetitions10')
plt.subplot(233),plt.imshow(itk.GetArrayFromImage(resImage3),'gray'),plt.title('repetitions20')
plt.subplot(234),plt.imshow(itk.GetArrayFromImage(resImage4),'gray'),plt.title('repetitions50')
plt.subplot(235),plt.imshow(itk.GetArrayFromImage(resImage5),'gray'),plt.title('repetitions100')
plt.subplot(236),plt.imshow(itk.GetArrayFromImage(resImage6),'gray'),plt.title('repetitions150')
plt.show()

结果：
在这里插入图片描述

2.高斯平滑

#通过高斯核卷积计算图像的平滑。 https://examples.itk.org/src/filtering/smoothing/computessmoothingwithgaussiankernel/documentation?highlight=smooth
# sigmaValue（浮点型，可以大于1.0）值越大,图像越模糊
def SmoothingWithGaussianKernel(inputImage,sigmaValue):
    ImageType = type(inputImage)
    smoothFilter = itk.SmoothingRecursiveGaussianImageFilter[ImageType, ImageType].New()
    smoothFilter.SetInput(inputImage)
    smoothFilter.SetSigma(sigmaValue)

    outputFileName = 'outImage_'+str(sigmaValue)+'.png'
    saveImage(smoothFilter.GetOutput(),outputFileName)

    return smoothFilter.GetOutput()

#高斯平滑
resImage1 = SmoothingWithGaussianKernel(image1,0.1)
resImage2 = SmoothingWithGaussianKernel(image1,0.5)
resImage3 = SmoothingWithGaussianKernel(image1,0.9)
resImage4 = SmoothingWithGaussianKernel(image1,1.5)
resImage5 = SmoothingWithGaussianKernel(image1,2.5)
resImage6 = SmoothingWithGaussianKernel(image1,5.5)
plt.subplot(231),plt.imshow(itk.GetArrayFromImage(resImage1),'gray'),plt.title('sigmaValue0.1')
plt.subplot(232),plt.imshow(itk.GetArrayFromImage(resImage2),'gray'),plt.title('sigmaValue0.5')
plt.subplot(233),plt.imshow(itk.GetArrayFromImage(resImage3),'gray'),plt.title('sigmaValue0.9')
plt.subplot(234),plt.imshow(itk.GetArrayFromImage(resImage4),'gray'),plt.title('sigmaValue1.5')
plt.subplot(235),plt.imshow(itk.GetArrayFromImage(resImage5),'gray'),plt.title('sigmaValue2.5')
plt.subplot(236),plt.imshow(itk.GetArrayFromImage(resImage6),'gray'),plt.title('sigmaValue5.5')
plt.show()

结果：
在这里插入图片描述

3.图像的高阶导数 RecursiveGaussianImageFilter

#求图像的高阶导数。https://examples.itk.org/src/filtering/smoothing/findhigherderivativesofimage/documentation
#axisType--0表示x轴，1表示y轴  (突出边界)
def SmoothingWithHigherDerivatives(inputImage,axisType):
    ImageType = type(inputImage)
    gaussianFilter = itk.RecursiveGaussianImageFilter[ImageType, ImageType].New()
    gaussianFilter.SetInput(inputImage)
    gaussianFilter.SetDirection(axisType) #"x" axis
    gaussianFilter.SetSecondOrder()

    outputFileName = 'outImage_'+str(axisType)+'.png'
    saveImage(gaussianFilter.GetOutput(),outputFileName)

    return gaussianFilter.GetOutput()

#求图像的高阶导数
resImage1 = SmoothingWithHigherDerivatives(image1,0)
resImage2 = SmoothingWithHigherDerivatives(image1,1)
plt.subplot(121),plt.imshow(itk.GetArrayFromImage(resImage1),'gray'),plt.title('axisType X')
plt.subplot(122),plt.imshow(itk.GetArrayFromImage(resImage2),'gray'),plt.title('axisType Y')
plt.show()

结果：
在这里插入图片描述

4.均值滤波

#对图像应用均值滤波。https://examples.itk.org/src/filtering/smoothing/meanfilteringofanimage/documentation
# radius（整型）值越大,图像越模糊
def SmoothingWithMeanFiltering(inputImage,radius):
    ImageType = type(inputImage)
    meanFilter = itk.MeanImageFilter[ImageType, ImageType].New()
    meanFilter.SetInput(inputImage)
    meanFilter.SetRadius(radius)

    outputFileName = 'outImage_'+str(radius)+'.png'
    saveImage(meanFilter.GetOutput(),outputFileName)

    return meanFilter.GetOutput()

#均值滤波
resImage1 = SmoothingWithMeanFiltering(image1,1)
resImage2 = SmoothingWithMeanFiltering(image1,5)
resImage3 = SmoothingWithMeanFiltering(image1,10)
resImage4 = SmoothingWithMeanFiltering(image1,20)
resImage5 = SmoothingWithMeanFiltering(image1,40)
resImage6 = SmoothingWithMeanFiltering(image1,80)
plt.subplot(231),plt.imshow(itk.GetArrayFromImage(resImage1),'gray'),plt.title('radius1')
plt.subplot(232),plt.imshow(itk.GetArrayFromImage(resImage2),'gray'),plt.title('radius5')
plt.subplot(233),plt.imshow(itk.GetArrayFromImage(resImage3),'gray'),plt.title('radius10')
plt.subplot(234),plt.imshow(itk.GetArrayFromImage(resImage4),'gray'),plt.title('radius20')
plt.subplot(235),plt.imshow(itk.GetArrayFromImage(resImage5),'gray'),plt.title('radius40')
plt.subplot(236),plt.imshow(itk.GetArrayFromImage(resImage6),'gray'),plt.title('radius80')
plt.show()

结果：
在这里插入图片描述

5.中值滤波

#在图像上应用中值滤波。https://examples.itk.org/src/filtering/smoothing/medianfilteringofanimage/documentation
#radius（整型）值越大,图像越模糊
def SmoothingWithMedianFiltering(inputImage,radius):
    ImageType = type(inputImage)
    medianFilter = itk.MedianImageFilter[ImageType, ImageType].New()
    medianFilter.SetInput(inputImage)
    medianFilter.SetRadius(radius)

    outputFileName = 'outImage_'+str(radius)+'.png'
    saveImage(medianFilter.GetOutput(),outputFileName)

    return medianFilter.GetOutput()

resImage1 = SmoothingWithMedianFiltering(image1,1)
resImage2 = SmoothingWithMedianFiltering(image1,5)
resImage3 = SmoothingWithMedianFiltering(image1,10)
resImage4 = SmoothingWithMedianFiltering(image1,20)
resImage5 = SmoothingWithMedianFiltering(image1,40)
resImage6 = SmoothingWithMedianFiltering(image1,80)
plt.subplot(231),plt.imshow(itk.GetArrayFromImage(resImage1),'gray'),plt.title('radius1')
plt.subplot(232),plt.imshow(itk.GetArrayFromImage(resImage2),'gray'),plt.title('radius5')
plt.subplot(233),plt.imshow(itk.GetArrayFromImage(resImage3),'gray'),plt.title('radius10')
plt.subplot(234),plt.imshow(itk.GetArrayFromImage(resImage4),'gray'),plt.title('radius20')
plt.subplot(235),plt.imshow(itk.GetArrayFromImage(resImage5),'gray'),plt.title('radius40')
plt.subplot(236),plt.imshow(itk.GetArrayFromImage(resImage6),'gray'),plt.title('radius80')
plt.show()

结果：
在这里插入图片描述

6.离散高斯平滑

#用离散高斯滤波器平滑图像。https://examples.itk.org/src/filtering/smoothing/smoothimagewithdiscretegaussianfilter/documentation
# variance（浮点型，可以大于1.0）值越大,图像越模糊
def SmoothWithDiscreteGaussianfilter(inputImage,variance):
    ImageType = type(inputImage)
    gaussianFilter = itk.DiscreteGaussianImageFilter[ImageType, ImageType].New()
    gaussianFilter.SetInput(inputImage)
    gaussianFilter.SetVariance(variance) 

    outputFileName = 'outImage_'+str(variance)+'.png'
    saveImage(gaussianFilter.GetOutput(),outputFileName)

    return gaussianFilter.GetOutput()

#离散高斯滤波器平滑图像
resImage1 = SmoothWithDiscreteGaussianfilter(image1,1.0)
resImage2 = SmoothWithDiscreteGaussianfilter(image1,4.0)
resImage3 = SmoothWithDiscreteGaussianfilter(image1,8.0)
resImage4 = SmoothWithDiscreteGaussianfilter(image1,15.0)
resImage5 = SmoothWithDiscreteGaussianfilter(image1,30.0)
resImage6 = SmoothWithDiscreteGaussianfilter(image1,50.0)
plt.subplot(231),plt.imshow(itk.GetArrayFromImage(resImage1),'gray'),plt.title('variance1')
plt.subplot(232),plt.imshow(itk.GetArrayFromImage(resImage2),'gray'),plt.title('variance4')
plt.subplot(233),plt.imshow(itk.GetArrayFromImage(resImage3),'gray'),plt.title('variance8')
plt.subplot(234),plt.imshow(itk.GetArrayFromImage(resImage4),'gray'),plt.title('variance15')
plt.subplot(235),plt.imshow(itk.GetArrayFromImage(resImage5),'gray'),plt.title('variance30')
plt.subplot(236),plt.imshow(itk.GetArrayFromImage(resImage6),'gray'),plt.title('variance50')
plt.show()

结果：
在这里插入图片描述

7.曲率驱动流去噪图像 CurvatureFlowImageFilter


#使用曲率驱动流去噪图像。https://examples.itk.org/src/filtering/anisotropicsmoothing/computecurvatureflow/documentation?highlight=denois
#time_step越大，迭代次数越多，图像越暗
def DenoiseImageWithCurvatureDrivenFlow(inputImagePath,number_of_iterations,time_step):
    PixelType = itk.F
    Dimension = 2
    ImageType = itk.Image[PixelType, Dimension]
    reader = itk.ImageFileReader[ImageType].New()
    reader.SetFileName(inputImagePath)
    reader.Update()
    ImageType = type(reader.GetOutput())
    FilterType = itk.CurvatureFlowImageFilter[ImageType, ImageType]
    curvatureFlowFilter = FilterType.New()
    curvatureFlowFilter.SetInput(reader.GetOutput())
    curvatureFlowFilter.SetNumberOfIterations(number_of_iterations)
    curvatureFlowFilter.SetTimeStep(time_step)

    OutputImageType = itk.Image[itk.UC,2]

    RescaleFilterType = itk.RescaleIntensityImageFilter[ImageType, OutputImageType]
    rescaler = RescaleFilterType.New()
    rescaler.SetInput(curvatureFlowFilter.GetOutput())

    outputPixelTypeMinimum = itk.NumericTraits[itk.UC].min()
    outputPixelTypeMaximum = itk.NumericTraits[itk.UC].max()

    rescaler.SetOutputMinimum(outputPixelTypeMinimum)
    rescaler.SetOutputMaximum(outputPixelTypeMaximum)

    outputFileName = 'outImage_'+str(number_of_iterations)+'_'+str(time_step)+'.png'
    saveImage(rescaler.GetOutput(),outputFileName)

    return rescaler.GetOutput()

#使用曲率驱动流去噪图像
resImage1 = DenoiseImageWithCurvatureDrivenFlow(imagePath1,1,0.5)
resImage2 = DenoiseImageWithCurvatureDrivenFlow(imagePath1,3,0.5)
resImage3 = DenoiseImageWithCurvatureDrivenFlow(imagePath1,6,0.5)
resImage4 = DenoiseImageWithCurvatureDrivenFlow(imagePath1,1,2.5)
resImage5 = DenoiseImageWithCurvatureDrivenFlow(imagePath1,3,2.5)
resImage6 = DenoiseImageWithCurvatureDrivenFlow(imagePath1,6,2.5)
plt.subplot(231),plt.imshow(itk.GetArrayFromImage(resImage1),'gray'),plt.title('iterations1,time_step 0.5')
plt.subplot(232),plt.imshow(itk.GetArrayFromImage(resImage2),'gray'),plt.title('iterations3,time_step 0.5')
plt.subplot(233),plt.imshow(itk.GetArrayFromImage(resImage3),'gray'),plt.title('iterations6,time_step 0.5')
plt.subplot(234),plt.imshow(itk.GetArrayFromImage(resImage4),'gray'),plt.title('iterations1,time_step 2.5')
plt.subplot(235),plt.imshow(itk.GetArrayFromImage(resImage5),'gray'),plt.title('iterations3,time_step 2.5')
plt.subplot(236),plt.imshow(itk.GetArrayFromImage(resImage6),'gray'),plt.title('iterations6,time_step 2.5')
plt.show()

结果：
在这里插入图片描述

8.由参数alpha和beta控制的幂律自适应直方图均衡化


# 应用由参数alpha和beta控制的幂律自适应直方图均衡化。
# https://examples.itk.org/src/filtering/imagestatistics/adaptivehistogramequalizationimagefilter/documentation?highlight=histogram
# 参数alpha控制了过滤器有多像经典直方图均衡化方法(alpha = 0)，到过滤器有多像非锐化蒙版(alpha = 1)。
# 参数beta控制过滤器在多大程度上像非锐化蒙版(beta = 0)和过滤器在多大程度上像穿透(beta = 1，其中alpha = 1)。
# 参数窗口(或半径)控制计算局部统计信息的区域的大小。
# alpha:浮点型  beta:浮点型   radius：整型
def ImageHistogramEqualization(inputImage,alpha,beta,radius):
    ImageType = type(inputImage)
    histogramEqualization = itk.AdaptiveHistogramEqualizationImageFilter[ImageType].New()
    histogramEqualization.SetInput(inputImage)
    histogramEqualization.SetAlpha(alpha)
    histogramEqualization.SetBeta(beta)

    radiusArr = itk.Size[2]()
    radiusArr.Fill(radius)
    histogramEqualization.SetRadius(radiusArr)

    outputFileName = 'outImage_'+str(alpha)+'_'+str(beta)+'_'+str(radius)+'.png'
    itk.imwrite(histogramEqualization, outputFileName)
    return histogramEqualization.GetOutput()

#自适应直方图均衡化
resImage1 = ImageHistogramEqualization(image1,0.0,1.0,3)
resImage2 = ImageHistogramEqualization(image1,1.0,0.0,3)
resImage3 = ImageHistogramEqualization(image1,0.5,0.5,3)
resImage4 = ImageHistogramEqualization(image1,0.0,1.0,7)
resImage5 = ImageHistogramEqualization(image1,1.0,0.0,7)
resImage6 = ImageHistogramEqualization(image1,0.5,0.5,7)
plt.subplot(231),plt.imshow(itk.GetArrayFromImage(resImage1),'gray'),plt.title('alpha0.0,beta1.0,radius3')
plt.subplot(232),plt.imshow(itk.GetArrayFromImage(resImage2),'gray'),plt.title('alpha1.0,beta0.0,radius3')
plt.subplot(233),plt.imshow(itk.GetArrayFromImage(resImage3),'gray'),plt.title('alpha0.5,beta0.5,radius3')
plt.subplot(234),plt.imshow(itk.GetArrayFromImage(resImage4),'gray'),plt.title('alpha0.0,beta1.0,radius7')
plt.subplot(235),plt.imshow(itk.GetArrayFromImage(resImage5),'gray'),plt.title('alpha1.0,beta0.0,radius7')
plt.subplot(236),plt.imshow(itk.GetArrayFromImage(resImage6),'gray'),plt.title('alpha0.5,beta0.5,radius7')
plt.show()

结果：
在这里插入图片描述

9.Canny 边缘检测

用之前的图像存在问题，以后有时间找原因


#使用 Canny 边缘检测过滤器检测边缘
#https://examples.itk.org/src/filtering/imagefeature/detectedgeswithcannyedgedetectionfilter/documentation?highlight=edge
def CannyEdgeDetectionImageFilter(inputImagePath,variance,lower_threshold,upper_threshold):
    InputPixelType = itk.F
    OutputPixelType = itk.UC
    Dimension = 2

    InputImageType = itk.Image[InputPixelType, Dimension]
    OutputImageType = itk.Image[OutputPixelType, Dimension]

    reader = itk.ImageFileReader[InputImageType].New()
    reader.SetFileName(inputImagePath)

    cannyFilter = itk.CannyEdgeDetectionImageFilter[InputImageType, InputImageType].New()
    cannyFilter.SetInput(reader.GetOutput())
    cannyFilter.SetVariance(variance)
    cannyFilter.SetLowerThreshold(lower_threshold)
    cannyFilter.SetUpperThreshold(upper_threshold)

    rescaler = itk.RescaleIntensityImageFilter[InputImageType, OutputImageType].New()
    rescaler.SetInput(cannyFilter.GetOutput())
    rescaler.SetOutputMinimum(0)
    rescaler.SetOutputMaximum(255)

    outputFileName = 'outImage_'+str(variance)+'_'+str(lower_threshold)+'_'+str(upper_threshold)+'.png'
    saveImage(rescaler.GetOutput(),outputFileName)

    return rescaler.GetOutput()

#Canny 边缘检测
imagePath1 = r'D:\dell\picture\lena.png'
resImage1 = CannyEdgeDetectionImageFilter(imagePath1,0.1,0,255)
resImage2 = CannyEdgeDetectionImageFilter(imagePath1,0.5,0,255)
resImage3 = CannyEdgeDetectionImageFilter(imagePath1,1.0,0,255)
resImage4 = CannyEdgeDetectionImageFilter(imagePath1,5.0,0,255)
resImage5 = CannyEdgeDetectionImageFilter(imagePath1,10.0,0,255)
resImage6 = CannyEdgeDetectionImageFilter(imagePath1,50.0,0,255)
plt.subplot(231),plt.imshow(itk.GetArrayFromImage(resImage1),'gray'),plt.title('variance0.1')
plt.subplot(232),plt.imshow(itk.GetArrayFromImage(resImage2),'gray'),plt.title('variance0.5')
plt.subplot(233),plt.imshow(itk.GetArrayFromImage(resImage3),'gray'),plt.title('variance1.0')
plt.subplot(234),plt.imshow(itk.GetArrayFromImage(resImage4),'gray'),plt.title('variance5.0')
plt.subplot(235),plt.imshow(itk.GetArrayFromImage(resImage5),'gray'),plt.title('variance10')
plt.subplot(236),plt.imshow(itk.GetArrayFromImage(resImage6),'gray'),plt.title('variance50')
plt.show()

结果：
在这里插入图片描述

10.Sobel边缘检测和基于过零的边缘检测


#将 SobelEdgeDetectionImageFilter 应用于图像
#https://examples.itk.org/src/filtering/imagefeature/sobeledgedetectionimagefilter/documentation?highlight=edge
def SobelEdgeDetectionImageFilter(inputImagePath):
    input_image = itk.imread(inputImagePath, pixel_type=itk.F)
    output_image = itk.sobel_edge_detection_image_filter(input_image)

    rescaler = itk.RescaleIntensityImageFilter[type(output_image), itk.Image[itk.UC, 2]].New()
    rescaler.SetInput(output_image)
    rescaler.SetOutputMinimum(0)
    rescaler.SetOutputMaximum(255)

    outputFileName = 'outImage_obelEdgeDetection.png'
    saveImage(rescaler.GetOutput(),outputFileName)

    return rescaler.GetOutput()

#基于过零的边缘检测
#https://examples.itk.org/src/filtering/imagefeature/zerocrossingbasededgedecor/documentation?highlight=edge
def ZerocrossingEdgeDetecor(inputImagePath,variance=5.0):
    FloatImageType = itk.Image[itk.F, 2]
    FilterType = itk.ZeroCrossingBasedEdgeDetectionImageFilter[FloatImageType, FloatImageType]
    input_image = itk.imread(inputImagePath, pixel_type=itk.F)
    edgeDetector = FilterType.New()
    edgeDetector.SetInput(input_image)
    edgeDetector.SetVariance(variance)

    rescaler = itk.RescaleIntensityImageFilter[type(edgeDetector.GetOutput()), itk.Image[itk.UC, 2]].New()
    rescaler.SetInput(edgeDetector.GetOutput())
    rescaler.SetOutputMinimum(0)
    rescaler.SetOutputMaximum(255)

    outputFileName = 'outImage_ZerocrossingEdgeDetection'+str(variance)+'.png'
    saveImage(rescaler.GetOutput(),outputFileName)

    return rescaler.GetOutput()

#Sobel边缘检测
resImage1 = SobelEdgeDetectionImageFilter(imagePath1)

# 基于过零的边缘检测
resImage2 = ZerocrossingEdgeDetecor(imagePath1,0.1)
resImage3 = ZerocrossingEdgeDetecor(imagePath1,0.5)
resImage4 = ZerocrossingEdgeDetecor(imagePath1,1.0)
resImage5 = ZerocrossingEdgeDetecor(imagePath1,5.0)
resImage6 = ZerocrossingEdgeDetecor(imagePath1,20.0)

plt.subplot(231),plt.imshow(itk.GetArrayFromImage(resImage1),'gray'),plt.title('Sobel')
plt.subplot(232),plt.imshow(itk.GetArrayFromImage(resImage2),'gray'),plt.title('variance0.1')
plt.subplot(233),plt.imshow(itk.GetArrayFromImage(resImage3),'gray'),plt.title('variance0.5')
plt.subplot(234),plt.imshow(itk.GetArrayFromImage(resImage4),'gray'),plt.title('variance1')
plt.subplot(235),plt.imshow(itk.GetArrayFromImage(resImage5),'gray'),plt.title('variance5')
plt.subplot(236),plt.imshow(itk.GetArrayFromImage(resImage6),'gray'),plt.title('variance20')
plt.show()

结果：
在这里插入图片描述

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/363570.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

React hooks之useContext《类比Vue的Provide》（三）

React hooks之useContext《类比Vue的Provide》（三）

系列文章目录 提示：我又来更新啦！！！这次又把之前useEffect的补充了一次！！！！ 文章目录系列文章目录前言1.Vue中的Provide和useContext（相同点）2..Vue中的Provi…
阅读更多...
大数据Hadoop教程-学习笔记02【Apache Hadoop、HDFS】

大数据Hadoop教程-学习笔记02【Apache Hadoop、HDFS】

视频教程：哔哩哔哩网站：黑马大数据Hadoop入门视频教程教程资源：https://pan.baidu.com/s/1WYgyI3KgbzKzFD639lA-_g 提取码: 6666【P001-P017】大数据Hadoop教程-学习笔记01【大数据导论与Linux基础】【P018-P037】大数据Hadoop教程-学习笔记0…
阅读更多...
0301微分中值定理-微分中值定理与导数的应用

0301微分中值定理-微分中值定理与导数的应用

文章目录1 罗尔定理2 拉格朗日定理3 柯西中值定理5后记1 罗尔定理 费马引理 设函数f(x)在点x0f(x)在点x_0f(x)在点x0​的某邻域U(x0)U(x_0)U(x0​)内有定义，并且在点x0x_0x0​处可导，如果对任意的x∈U(x0),x\in U(x_0),x∈U(x0​),有 f(x)≤f(x0)(或f(x)…
阅读更多...
给你的Vim加上自动编程功能

给你的Vim加上自动编程功能

Vim 是高度可定制、可扩展的编辑器。这对热爱折腾的程序员来说，绝对是一种乐趣，同时也是进一步提升开发效率的源泉。近期CodeGeeX举办的黑客松活动中，参赛选手Lance 提交了一款名叫Vim with CodeGeeX的作品，这款作品是基于CodeGee…
阅读更多...
Java开源工具库使用之httpclient

Java开源工具库使用之httpclient

文章目录前言一、简单使用1.1 get 请求1.2 post 简单表单请求1.3 表单上传文件1.4 上传 json 数据二、高级用法2.1 超时和重试2.2 Cookie2.3 拦截器2.4 fluent API三、3.1旧版本使用3.1 Get 请求3.2 Post 请求四、异步版本使用4.1 基本请求4.2 请求流水线执行参考前言 HttpCli…
阅读更多...
SSM SpringBoot vue 健康医疗预约系统

SSM SpringBoot vue 健康医疗预约系统

SSM SpringBoot vue 健康医疗预约系统 SSM 健康医疗预约系统 功能介绍 首页 图片轮播展示 出诊信息推荐 医院公告 科室信息 科室详情 出诊信息 医生详情 挂号预约 登录注册 留言反馈 个人中心 我的收藏 后台管理 登录 注册医生 个人中心 用户管理 科室信息管理 医生管理 出诊…
阅读更多...
二、Java虚拟机的基本结构

二、Java虚拟机的基本结构

Java虚拟机的架构1.内存结果概述2.类加载器子系统的作用3. 类加载器ClassLoader角色4.类的加载过程5.类加载器的分类1.引导类加载器(虚拟机自带的加载器)Bootstrap ClassLoader2.扩展类加载器(虚拟机自带的加载器) Extenssion ClassLoader3.应用程序类加载器(虚拟机自带的加载器…
阅读更多...
CAN TP层函数介绍

CAN TP层函数介绍

如果想使用CAN TP层函数，首先需要在网络节点或测试节点配置页面的Componets组件一栏添加osek_tp.dll文件。路径为：C:\Program Files\Vector CANoe 15\Exec32 至于节点的CAPL程序内需不需要引用这个dll文件，无所谓，可写可不写。但是如果是其他dll，必须在CAPL程序中引用。为…
阅读更多...
多服务器节点访问解决一人一单问题+redis设置锁方案

多服务器节点访问解决一人一单问题+redis设置锁方案

项目地址及项目具体介绍-码云仓库：https://gitee.com/flowers-bloom-is-the-sea/distributeNodeSolvePessimisticLockByRedis 测试1： 这里使用jmeter同时启动2各线程： 原来的数据库表的数据： goods的数据是： id …
阅读更多...
金蝶云星空物料批量禁用反禁用程序

金蝶云星空物料批量禁用反禁用程序

【需求描述】：需要通过批量禁用反禁用操作物料。 【操作方法】： 下载附件批量禁用程序。 首先双击安装，一直下一步。 双击打开 会提示需要配置账套信息 点击菜单栏配置 输入相关配置信息 填写完毕后 然后点击下载模板导入要下载的数据 选…
阅读更多...
Linux进程学习【三】

Linux进程学习【三】

✨个人主页： Yohifo 🎉所属专栏： Linux学习之旅 🎊每篇一句： 图片来源 🎃操作环境： CentOS 7.6 阿里云远程服务器 Perseverance is not a long race; it is many short races one after another…
阅读更多...
Word控件Spire.Doc 【Table】教程(18)：如何在 C# 中的 Word 中创建嵌套表格

Word控件Spire.Doc 【Table】教程(18)：如何在 C# 中的 Word 中创建嵌套表格

Spire.Doc for .NET是一款专门对 Word 文档进行操作的 .NET 类库。在于帮助开发人员无需安装 Microsoft Word情况下，轻松快捷高效地创建、编辑、转换和打印 Microsoft Word 文档。拥有近10年专业开发经验Spire系列办公文档开发工具，专注于创建、编辑、转…
阅读更多...
「JVM 编译优化」即时编译器

「JVM 编译优化」即时编译器

前端编译器（javac）将 Java 代码转为字节码（抽象语法树），优化手段主要用于提升程序的编码效率； 后端编译器（内置于 JVM 的 JIT/AOT Compiler，C1，C2）将字节码转…
阅读更多...
2022年休闲游戏市场总结

2022年休闲游戏市场总结

在预测 2023 年之前，我们先回顾一下 2022 年。从上一年发生的事件中往往能看到未来趋势的影子，所以 2022 年的总结至关重要。一、2022年总结回顾1、流行游戏类型回顾 2022 年，三种超休闲游戏表现最为突出：跑酷游戏：跑酷…
阅读更多...
spring之声明式事务开发

spring之声明式事务开发

文章目录一、声明式事务之全注解式开发1、新建springConfig类2、测试程序3、测试结果二、声明式事务之XML实现方式1、配置步骤2、测试程序3、运行结果附一、声明式事务之全注解式开发 基于之前的银行转账系统，将spring.xml配置文件嘎掉，变成全注解式开发…
阅读更多...
【极海APM32替代笔记】低功耗模式下的RTC唤醒（非闹钟唤醒，而是采用RTC_WAKEUPTIMER）

【极海APM32替代笔记】低功耗模式下的RTC唤醒（非闹钟唤醒，而是采用RTC_WAKEUPTIMER）

【极海APM32替代笔记】低功耗模式下的RTC唤醒（非闹钟唤醒，而是采用RTC_WAKEUPTIMER） 【STM32笔记】低功耗模式配置及避坑汇总 前文： blog.csdn.net/weixin_53403301/article/details/128216064 【STM32笔记】HAL库低功耗模式配置…
阅读更多...
Spring Boot整合RabbitMQ教程

Spring Boot整合RabbitMQ教程

1.首页我们了解一下消息中间件的应用场景异步处理场景说明：用户注册后，需要发注册邮件和注册短信,传统的做法有两种1.串行的方式;2.并行的方式 (1)串行方式:将注册信息写入数据库后,发送注册邮件,再发送注册短信,以上三个任务全部完成后才返回给客户端。…
阅读更多...
js实现轮播图

js实现轮播图

实现的效果图 原理:一次性加载所有图片，使用定位将图片重合在一起，根据opacity，z-index 属性显示当前图片 一、基本的HTML布局 创建一个外部容器来存放图片，prev-next是添加的左右切换按钮，dot存放图片下方的小白点…
阅读更多...
《爆肝整理》保姆级系列教程python接口自动化（二十一）--unittest简介（详解）

《爆肝整理》保姆级系列教程python接口自动化（二十一）--unittest简介（详解）

简介 前边的随笔主要介绍的requests模块的有关知识个内容，接下来看一下python的单元测试框架unittest。熟悉 或者了解java 的小伙伴应该都清楚常见的单元测试框架 Junit 和 TestNG，这个招聘的需求上也是经常见到的。python 里面也有单元 测试框架-unitt…
阅读更多...
小熊电器：精品与创意，走上“顶流之路”的两把“宝剑”

小熊电器：精品与创意，走上“顶流之路”的两把“宝剑”

回顾2022年，小家电市场降温趋势明显，业绩表现整体低迷，如主打高端路线的北鼎，去年8亿元的营收出现个位数下滑，归母净利润同比下降超56%；苏泊尔营收也出现微降，归母净利润预计同比增长不到10%。而…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023