PCL学习十：Segmentation-分割

news2024/12/23 13:12:09

参考引用

  • Point Cloud Library
  • 黑马机器人 | PCL-3D点云

PCL点云库学习笔记（文章链接汇总）

1. 引言

  • 点云分割是根据空间、几何和纹理等特征对点云进行划分，使得同一划分区域内的点云拥有相似的特征。点云的有效分割往往是许多应用的前提，例如：在逆向工程 CAD/CAM 领域，对零件的不同扫描表面进行分割，然后才能更好地进行孔洞修复、曲面重建、特征描述和提取，进而进行基于 3D 内容的检索、组合重用等。在激光遥感领域，同样需要对地面、物体首先进行分类处理，然后才能进行后期地物的识别、重建

  • 总之，分割采用分而治之的思想，在点云处理中和滤波一样属于重要的基础操作，在 PCL 中目前实现了进行分割的基础架构，为后期更多的扩展奠定了基础，现有实现的分割算法是鲁棒性比较好的 Cluster 聚类分割和 RANSAC 基于随机采样一致性的分割

  • PCL 分割库包含多种算法，这些算法用于将点云分割为不同簇。适合处理由多个隔离区域空间组成的点云。将点云分解成其组成部分，然后可以对其进行独立处理。下面这两个图说明了平面模型分割（上）和圆柱模型分割（下）的结果

在这里插入图片描述

2. 平面模型分割

  • planar_segmentation.cpp

    #include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/ModelCoefficients.h>
#include <pcl/point_types.h>
#include <pcl/sample_consensus/method_types.h>
#include <pcl/sample_consensus/model_types.h>
#include <pcl/segmentation/sac_segmentation.h>

int main(int argc, char *argv[]) {
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);

    // 生成 15 个无序点云，x，y 为随机数，z 为 1.0
    cloud->width = 15;
    cloud->height = 1;
    cloud->points.resize(cloud->width * cloud->height);
    for (size_t i = 0; i < cloud->points.size(); ++i) {
        cloud->points[i].x = 1024 * rand() / (RAND_MAX + 1.0f);
        cloud->points[i].y = 1024 * rand() / (RAND_MAX + 1.0f);
        cloud->points[i].z = 1.0;
    }
    // 将 points 中 0、3、6 索引位置的 z 值进行修改，将之作为离群值
    cloud->points[0].z = 2.0;
    cloud->points[3].z = -2.0;
    cloud->points[6].z = 4.0;

    std::cerr << "Point cloud data: " << cloud->points.size() << " points" << std::endl;
    for (std::size_t i = 0; i < cloud->points.size(); ++i) {
        std::cerr << "  " << cloud->points[i].x
                  << " " << cloud->points[i].y
                  << " " << cloud->points[i].z << std::endl;
    }

    // 将输入的点云数据拟合成一个平面模型并返回该平面模型的系数
        // coefficients 用于存储平面模型的系数；inliers 用于存储被拟合平面包含的点的索引
    pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients);
    pcl::PointIndices::Ptr inliers(new pcl::PointIndices);

    pcl::SACSegmentation<pcl::PointXYZ> seg;
    seg.setOptimizeCoefficients(true);    // 启用平面模型系数优化
    seg.setModelType(pcl::SACMODEL_PLANE);    // 设置模型类型为平面模型
    seg.setMethodType(pcl::SAC_RANSAC);    // 采用 RANSAC 算法进行估计，因为 RANSAC 比较简单
    // 设置点到平面距离的阈值，用于确定属于平面的点集
        // 只要点到 z=1 平面距离小于该阈值的点都作为内点看待，而大于该阁值的则看做离群点
    seg.setDistanceThreshold(0.01);    
    seg.setInputCloud(cloud);
    // 开始分割
        // 将符合条件的点集索引存储在 inliers 中，平面模型系数存储在 coefficients 中
    seg.segment(*inliers, *coefficients);

    if (inliers->indices.size() == 0) {
        PCL_ERROR("Could not estimate a planar model for the given dataset.");
        return (-1);
    }

    // 此段代码用来打印出估算的平面模型的参数（以 ax+by+ca+d=0 形式）
    // 详见 RANSAC 采样一致性算法的 SACMODEL_PLANE 平面模型
    std::cerr << "Model coefficients: " << coefficients->values[0] << " "
              << coefficients->values[1] << " "
              << coefficients->values[2] << " "
              << coefficients->values[3] << std::endl;
    
    std::cerr << "Model inliers: " << inliers->indices.size() << std::endl;
    for (std::size_t i = 0; i < inliers->indices.size(); ++i) {
        std::cerr << inliers->indices[i] << "   " << cloud->points[inliers->indices[i]].x
                                         << " " << cloud->points[inliers->indices[i]].y
                                         << " " << cloud->points[inliers->indices[i]].z << std::endl;
    }

    return 0;
}

  • 配置文件 CMakeLists.txt

    cmake_minimum_required(VERSION 3.5 FATAL_ERROR)
 
project(planar_segmentation)
 
find_package(PCL 1.2 REQUIRED)
 
include_directories(${PCL_INCLUDE_DIRS})
link_directories(${PCL_LIBRARY_DIRS})
add_definitions(${PCL_DEFINITIONS})

add_executable (planar_segmentation planar_segmentation.cpp)
target_link_libraries (planar_segmentation ${PCL_LIBRARIES})

  • 编译并执行

    $ mkdir build
$ cd build
$ cmake ..
$ make

$ ./planar_segmentation

    # 输出结果
Point cloud data: 15 points
    0.352222 -0.151883 2
    -0.106395 -0.397406 1
    -0.473106 0.292602 1
    -0.731898 0.667105 -2
    0.441304 -0.734766 1
    0.854581 -0.0361733 1
    -0.4607 -0.277468 4
    -0.916762 0.183749 1
    0.968809 0.512055 1
    -0.998983 -0.463871 1
    0.691785 0.716053 1
    0.525135 -0.523004 1
    0.439387 0.56706 1
    0.905417 -0.579787 1
    0.898706 -0.504929 1
Model coefficients: 0 0 1 -1
Model inliers: 12
1    -0.106395 -0.397406 1
2    -0.473106 0.292602 1
4    0.441304 -0.734766 1
5    0.854581 -0.0361733 1
7    -0.916762 0.183749 1
8    0.968809 0.512055 1
9    -0.998983 -0.463871 1
10    0.691785 0.716053 1
11    0.525135 -0.523004 1
12    0.439387 0.56706 1
13    0.905417 -0.579787 1
14    0.898706 -0.504929 1

在这里插入图片描述

3. 圆柱体模型分割

本例介绍了如何采用 RANSAC 估计从带有噪声的点云中提取一个圆柱体模型，整个程序处理流程如下

  • 过滤掉远于 1.5m 的数据点
  • 估计每个点的表面法线
  • 分割出平面模型（数据集中的桌面）并保存到磁盘中
  • 分割圆出柱体模型（数据集中的杯子）并保存到磁盘中
  • cylinder_segmentation.cpp
#include <pcl/io/pcd_io.h>
#include <pcl/ModelCoefficients.h>
#include <pcl/point_types.h>
#include <pcl/filters/extract_indices.h>
#include <pcl/filters/passthrough.h>
#include <pcl/features/normal_3d.h>
#include <pcl/sample_consensus/method_types.h>
#include <pcl/sample_consensus/model_types.h>
#include <pcl/segmentation/sac_segmentation.h>

typedef pcl::PointXYZ PointT;

int main(int argc, char *argv[]) {
    pcl::PCDReader reader;    // PCD 文件读取对象
    pcl::PassThrough<PointT> pass;    // 直通滤波器
    pcl::NormalEstimation<PointT, pcl::Normal> ne;    // 法线估算对象
    pcl::SACSegmentationFromNormals<PointT, pcl::Normal> seg;    // 分割器
    pcl::PCDWriter writer;                                       // PCD 文件写入对象
    pcl::ExtractIndices<PointT> extract;                         // 点提取对象
    pcl::ExtractIndices<pcl::Normal> extract_normals;            // 法线提取对象
    pcl::search::KdTree<PointT>::Ptr tree(new pcl::search::KdTree<PointT>());

    pcl::PointCloud<PointT>::Ptr cloud(new pcl::PointCloud<PointT>);
    pcl::PointCloud<PointT>::Ptr cloud_filtered(new pcl::PointCloud<PointT>);
    pcl::PointCloud<pcl::Normal>::Ptr cloud_normals(new pcl::PointCloud<pcl::Normal>);
    pcl::PointCloud<PointT>::Ptr cloud_filtered2(new pcl::PointCloud<PointT>);
    pcl::PointCloud<pcl::Normal>::Ptr cloud_normals2(new pcl::PointCloud<pcl::Normal>);
    pcl::ModelCoefficients::Ptr coefficients_plane(new pcl::ModelCoefficients), coefficients_cylinder(new pcl::ModelCoefficients);
    pcl::PointIndices::Ptr inliers_plane(new pcl::PointIndices), inliers_cylinder(new pcl::PointIndices);

    // 读取点云数据
    reader.read("../data/table_scene_mug_stereo_textured.pcd", *cloud);
    std::cerr << "PointCloud has: " << cloud->points.size() << " data points." << std::endl;

    // 构建直通滤波器去除伪 NaNs
    pass.setInputCloud(cloud);
    pass.setFilterFieldName("z");
    pass.setFilterLimits(0, 1.5);
    pass.filter(*cloud_filtered);
    std::cerr << "PointCloud after filtering has: " << cloud_filtered->points.size() << " data points." << std::endl;

    // 估计点的法线
    ne.setSearchMethod(tree);
    ne.setInputCloud(cloud_filtered);
    ne.setKSearch(50);
    ne.compute(*cloud_normals);

    // 为平面模型创建分割对象，并设置所有参数
    seg.setOptimizeCoefficients(true);    // 启用平面模型系数（平面方程的系数）的优化
    seg.setModelType(pcl::SACMODEL_NORMAL_PLANE);    // 设置模型类型为法向量估计的平面模型
    // 设置法向量距离权重系数为 0.1，表示在拟合平面的时候更加注重法向量的一致性
        // 即：使得拟合出来的平面法向量与原始点云法向量的夹角最小
    seg.setNormalDistanceWeight(0.1);
    seg.setModelType(pcl::SAC_RANSAC);
    seg.setMaxIterations(100);
    seg.setDistanceThreshold(0.03);    // 设置距离阈值为 0.03，表示与平面拟合误差超过该值的点将被视为离群点
    seg.setInputCloud(cloud_filtered);
    seg.setInputNormals(cloud_normals);
    // 将拟合出来的平面模型系数存储到 coefficients_plane 中，同时将属于平面的点的索引存储到 inliers_plane 中
    seg.segment(*inliers_plane, *coefficients_plane);
    std::cerr << "Plane coefficients: " << *coefficients_plane << std::endl;    // 输出拟合出来的平面模型系数到控制台

    // 从输入点云中提取平面内点
    extract.setInputCloud(cloud_filtered);
    extract.setIndices(inliers_plane);
    extract.setNegative(false);

    // 将提取到的平面内点写入磁盘
    pcl::PointCloud<PointT>::Ptr cloud_plane(new pcl::PointCloud<PointT>());
    extract.filter(*cloud_plane);
    std::cerr << "PointCloud representing the planar component: " << cloud_plane->points.size() << " data points."
              << std::endl;
    writer.write("table_scene_mug_stereo_textured_plane.pcd", *cloud_plane, false);

    // 去除平面内点，提取剩余的点
    extract.setNegative(true);
    extract.filter(*cloud_filtered2);
    extract_normals.setNegative(true);
    extract_normals.setInputCloud(cloud_normals);
    extract_normals.setIndices(inliers_plane);
    extract_normals.filter(*cloud_normals2);

    // 创建用于圆柱体分割的分割对象，并设置所有参数
    seg.setOptimizeCoefficients(true);
    seg.setModelType(pcl::SACMODEL_CYLINDER);   // 设置分割模型为圆柱体
    seg.setMethodType(pcl::SAC_RANSAC);         // 设置采用 RANSAC 算法进行参数估计
    seg.setNormalDistanceWeight(0.1);           // 设置表面法线权重系数
    seg.setMaxIterations(10000);                // 设置最大迭代次数 10000
    seg.setDistanceThreshold(0.05);             // 设置内点到模型的最大距离 0.05m
    seg.setRadiusLimits(0, 0.1);                // 设置圆柱体的半径范围 0 ~ 0.1m
    seg.setInputCloud(cloud_filtered2);
    seg.setInputNormals(cloud_normals2);
    seg.segment(*inliers_cylinder, *coefficients_cylinder);
    std::cerr << "Cylinder coefficients: " << *coefficients_cylinder << std::endl;

    // 将圆柱体内点写入磁盘
    extract.setInputCloud(cloud_filtered2);
    extract.setIndices(inliers_cylinder);
    extract.setNegative(false);
    pcl::PointCloud<PointT>::Ptr cloud_cylinder(new pcl::PointCloud<PointT>());
    extract.filter(*cloud_cylinder);
    if (cloud_cylinder->points.empty()) {
        std::cerr << "Can't find the cylindrical component." << std::endl;
    } else {
        std::cerr << "PointCloud representing the cylindrical component: " << cloud_cylinder->points.size()
                  << " data points." << std::endl;
        writer.write("table_scene_mug_stereo_textured_cylinder.pcd", *cloud_cylinder, false);
    }

    return 0;
}

  • 配置文件 CMakeLists.txt

    cmake_minimum_required(VERSION 3.5 FATAL_ERROR)
 
project(cylinder_segmentation)
 
find_package(PCL 1.2 REQUIRED)
 
include_directories(${PCL_INCLUDE_DIRS})
link_directories(${PCL_LIBRARY_DIRS})
add_definitions(${PCL_DEFINITIONS})

add_executable (cylinder_segmentation cylinder_segmentation.cpp)
target_link_libraries (cylinder_segmentation ${PCL_LIBRARIES})

  • 编译并执行

    $ mkdir build
$ cd build
$ cmake ..
$ make

$ ./cylinder_segmentation

    # 输出结果
PointCloud has: 307200 data points.
PointCloud after filtering has: 139897 data points.
Plane coefficients: header: 
seq: 0 stamp: 0 frame_id: 
values[]
  values[0]:   0.015758
  values[1]:   -0.838789
  values[2]:   -0.544229
  values[3]:   0.527018

PointCloud representing the planar component: 126168 data points.
Cylinder coefficients: header: 
seq: 0 stamp: 0 frame_id: 
values[]
  values[0]:   0.0585808
  values[1]:   0.279481
  values[2]:   0.900414
  values[3]:   -0.0129607
  values[4]:   -0.843949
  values[5]:   -0.536267
  values[6]:   0.0387611

PointCloud representing the cylindrical component: 9271 data points.

    # 将三个点云在一个窗口内显示
$ pcl_viewer ../data/table_scene_mug_stereo_textured.pcd table_scene_mug_stereo_textured_plane.pcd table_scene_mug_stereo_textured_cylinder.pcd

在这里插入图片描述

4. 欧式聚类提取

  • cluster_extraction.cpp
#include <pcl/ModelCoefficients.h>
#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/filters/extract_indices.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/features/normal_3d.h>
#include <pcl/kdtree/kdtree.h>
#include <pcl/sample_consensus/method_types.h>
#include <pcl/sample_consensus/model_types.h>
#include <pcl/segmentation/sac_segmentation.h>
#include <pcl/segmentation/extract_clusters.h>
#include <pcl/visualization/pcl_visualizer.h>

int main(int argc, char **argv) {
    // 读取输入点云
    pcl::PCDReader reader;
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>), cloud_f(
            new pcl::PointCloud<pcl::PointXYZ>);
    reader.read("./data/tabletop.pcd", *cloud);
    std::cout << "PointCloud before filtering has: " << cloud->points.size() << " data points." << std::endl; //*

    // 执行降采样滤波，叶子大小 1cm
    pcl::VoxelGrid<pcl::PointXYZ> vg;
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
    vg.setInputCloud(cloud);
    vg.setLeafSize(0.01f, 0.01f, 0.01f);
    vg.filter(*cloud_filtered);
    std::cout << "PointCloud after filtering has: " << cloud_filtered->points.size() << " data points." << std::endl;

    // 创建平面模型分割器并初始化参数
    pcl::SACSegmentation<pcl::PointXYZ> seg;
    pcl::PointIndices::Ptr inliers(new pcl::PointIndices);
    pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients);
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_plane(new pcl::PointCloud<pcl::PointXYZ>());
    pcl::PCDWriter writer;
    seg.setOptimizeCoefficients(true);
    seg.setModelType(pcl::SACMODEL_PLANE);
    seg.setMethodType(pcl::SAC_RANSAC);
    seg.setMaxIterations(100);
    seg.setDistanceThreshold(0.02);

    int i = 0, nr_points = (int) cloud_filtered->points.size();
    while (cloud_filtered->points.size() > 0.3 * nr_points) {
        // 分割出剩余点云中最大的平面
        seg.setInputCloud(cloud_filtered);
        // 执行分割，将分割出来的平面点云索引保存到 inliers 中
        seg.segment(*inliers, *coefficients);
        if (inliers->indices.size() == 0) {
            std::cout << "Could not estimate a planar model for the given dataset." << std::endl;
            break;
        }

        // 从输入点云中取出平面内点
        pcl::ExtractIndices<pcl::PointXYZ> extract;
        extract.setInputCloud(cloud_filtered);
        extract.setIndices(inliers);
        extract.setNegative(false);

        // 得到与 cloud_plane 平面相关的点
        extract.filter(*cloud_plane);
        std::cout << "PointCloud representing the planar component: " << cloud_plane->points.size() << " data points." << std::endl;

        // 从点云中剔除这些平面内点，提取出剩下的点保存到 cloud_f 中，并重新赋值给 cloud_filtered
        extract.setNegative(true);
        extract.filter(*cloud_f);
        *cloud_filtered = *cloud_f;
    }

    // 为提取算法的搜索方法创建一个 KdTree 对象
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
    tree->setInputCloud(cloud_filtered);

    /*
     * cluster_indices 是一个 vector，包含多个检测到的簇的 PointIndices 的实例
     * 因此，cluster_indices[0] 包含点云中第一个 cluster(簇)的所有索引
     * 从点云中提取簇（集群），并将点云索引保存在 cluster_indices 中
    */
    std::vector<pcl::PointIndices> cluster_indices;
    pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;
    // 如果搜索半径取一个非常小的值，那么一个实际独立的对象就会被分割为多个聚类；如果将值设置得太高，那么多个对象就会被分割为一个聚类
    ec.setClusterTolerance(0.02);        // 设置聚类搜索半径（搜索容差）为 2cm
    ec.setMinClusterSize(100);           // 每个簇（集群）的最小 大小，限制一个聚类最少需要的点数目
    ec.setMaxClusterSize(25000);         // 每个簇（集群）的最大 大小，限制一个聚类最多需要的点数目
    ec.setSearchMethod(tree);            // 设置点云搜索算法
    ec.setInputCloud(cloud_filtered);    // 设置输入点云
    ec.extract(cluster_indices);         // 设置提取到的簇，将每个簇以索引的形式保存到 cluster_indices

    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));

    // 将一个点云数据集中的点根据聚类结果，划分为多个簇，并可视化显示每个簇
    int j = 0;
    for (std::vector<pcl::PointIndices>::const_iterator it = cluster_indices.begin();
         it != cluster_indices.end(); ++it) {

        // 每次创建一个新的点云数据集，并将所有当前簇的点写入到点云数据集中
        pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_cluster(new pcl::PointCloud<pcl::PointXYZ>);
        const std::vector<int> &indices = it->indices;

        for (std::vector<int>::const_iterator pit = indices.begin(); pit != indices.end(); ++pit) {
            cloud_cluster->points.push_back(cloud_filtered->points[*pit]);
        }

        // 输出当前簇所包含的点的数量
        cloud_cluster->width = cloud_cluster->points.size();
        cloud_cluster->height = 1;
        cloud_cluster->is_dense = true;
        std::cout << "PointCloud representing the Cluster: " << cloud_cluster->points.size() << " data points." << std::endl;

        std::stringstream ss;
        ss << "cloud_cluster_" << j;
        // 生成随机颜色
        pcl::visualization::PointCloudColorHandlerRandom<pcl::PointXYZ> single_color(cloud_cluster);
        viewer->addPointCloud<pcl::PointXYZ>(cloud_cluster, single_color, ss.str());
        viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, ss.str());

        j++;  // 增加计数器 j，以便为下一个簇创建一个不同的名称
    }
    std::cout << "cloud size: " << cluster_indices.size() << std::endl;

    viewer->addCoordinateSystem(0.5);

    while (!viewer->wasStopped()) {
        viewer->spinOnce();
    }

    return (0);
}

  • 配置文件 CMakeLists.txt

    cmake_minimum_required(VERSION 3.5 FATAL_ERROR)

project(cluster_extraction)

find_package(PCL 1.2 REQUIRED)

include_directories(${PCL_INCLUDE_DIRS})
link_directories(${PCL_LIBRARY_DIRS})
add_definitions(${PCL_DEFINITIONS})

add_executable (cluster_extraction cluster_extraction.cpp)
target_link_libraries (cluster_extraction ${PCL_LIBRARIES})

  • 编译并执行

    $ mkdir build
$ cd build
$ cmake ..
$ make

$ ./cluster_extraction

    # 输出结果
PointCloud before filtering has: 460400 data points.
PointCloud after filtering has: 41049 data points.
PointCloud representing the planar component: 20536 data points.
PointCloud representing the planar component: 12442 data points.
PointCloud representing the Cluster: 4857 data points.
PointCloud representing the Cluster: 1386 data points.
PointCloud representing the Cluster: 321 data points.
PointCloud representing the Cluster: 291 data points.
PointCloud representing the Cluster: 123 data points.
cloud size: 5

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/514631.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

【OAI】部署5GSA独立组网网络切片例程及例程解析

【OAI】部署5GSA独立组网网络切片例程及例程解析

文章目录 摘要引言关键技术介绍5G核心网核心网网元功能 网络切片OAIDocker官方例程详解整体介绍具体详解网络切片架构部署概览与说明1-41.预先准备5.部署OAI 5G核心网6.获取基站仿真docker镜像7.部署基站仿真8.通信测试9.分析结果10. 使用多切片的UE11. 解除部署11.1解除RAN部署…
阅读更多...
面了一个4年经验的测试员，一问三不知还反过来怼我？

面了一个4年经验的测试员，一问三不知还反过来怼我？

金三银四期间&#xff0c;我们公司也开始大量招人了&#xff0c;我这次是公司招聘的面试官之一&#xff0c;主要负责一些技术上的考核&#xff0c;这段时间还真让我碰到了不少奇葩求职者 昨天公司的HR小席刚跟我吐槽&#xff1a;这几个星期没有哪天不加班的&#xff01;各种招…
阅读更多...
(8)Qt---数据库

(8)Qt---数据库

目录 1. Qt数据库简介 2. 连接与关闭 3. 建表 4. 增删改 5. 查询 6.银行管理系统程序代码(包含增删改查) 1. Qt数据库简介 Qt只是作为媒介去操作数据库&#xff0c;本身不具备数据库的功能&#xff0c;因此除了Qt以外&#xff0c;还需要在计算机中安装对应的数据库软件&#xf…
阅读更多...
Windows 11 支持安卓应用

Windows 11 支持安卓应用

更改系统国家 打开windows自带的搜索&#xff0c;找到更改国家或地区。把地区改成美国。 开启电脑VT 不同电脑开启方式不一样&#xff0c;请搜索&#xff1a;xxx进入BIOS和xxx开启VT打开你电脑的VT。 安装子系统 电脑打开Microsoft Store直接搜是搜不到的&#xff0c; 点…
阅读更多...
C/C++的内存管理

C/C++的内存管理

C/C的内存管理 1.C/C的内存分布2.C语言的动态内存管理方式&#xff1a;malloc/calloc/realloc/free3. C内存管理方式3.1. new/delete操作内置类型3.2.new和delete操作自定义类型 4.operator new与operator delete函数4.1 operator new与operator delete函数 5.new和delete的实现…
阅读更多...
一次查找分子级Bug的经历，过程太酸爽了

一次查找分子级Bug的经历，过程太酸爽了

“Debugging is like trying to find a needle in a haystack, except the needle is also made of hay.” Debug调试就像是在大片的干草堆中找针一样&#xff0c;只不过针也是由干草制成的。 在软件开发的世界里&#xff0c;偶尔会出现一些非常隐蔽的 Bug&#xff0c;这时候工…
阅读更多...
数据结构之“树”——二叉树、红黑树、B树、B+树、B*树

数据结构之“树”——二叉树、红黑树、B树、B+树、B*树

这篇文章主要简单总结下二叉树、红黑树、B树、B树、B*树的基本结构和原理。 一、二叉树 二叉树就是度不超过2的树(每个结点最多有两个子结点)。 二叉树是有序树&#xff08;二叉排序树&#xff09;&#xff0c;若将其左右子树颠倒&#xff0c;则成为另一棵不同的二叉树。 二叉…
阅读更多...
MYSQL跨服务器访问数据库 ：FEDERATED存储引擎

MYSQL跨服务器访问数据库 ：FEDERATED存储引擎

当想从不同服务器的数据库获取数据时&#xff0c;我们会想到oracle的DBLink&#xff1b;sqlserver的链接访问&#xff08;傻瓜式操作&#xff0c;按照步骤配置即可&#xff09;&#xff0c;那么mysql有没有跨服务器访问的功能呢&#xff1f;答案自然是有的。 博主这就分享给大家…
阅读更多...
语音识别-置信度

语音识别-置信度

1.CONFIDENCE ESTIMATION FOR ATTENTION-BASED SEQUENCE-TO-SEQUENCE MODELS FOR SPEECH RECOGNITION : https://arxiv.org/pdf/2010.11428.pdf 1.引言 1&#xff09;.置信度的目的&#xff1a; 在半监督学习和主动学习中&#xff0c;选择较高置信度的数据来进一步提高ASR性能…
阅读更多...
JVM学习04：类加载与字节码技术

JVM学习04：类加载与字节码技术

JVM学习04&#xff1a;类加载与字节码技术 1、类文件结构 一个简单的 HelloWorld.java&#xff1a; //HelloWorld示例 public class HelloWorld {public static void main(String[] args) {System.out.println("hello world");} }执行javac -parameters -d . Hello…
阅读更多...
生物识别技术是否会对安全产生挑战？

生物识别技术是否会对安全产生挑战？

生物识别技术通过人体独特的生物特征来识别个人身份，包括指纹、虹膜、面部识别、声纹识别等技术。这些技术可以在安全领域得到广泛应用，例如入境控制、安全认证、金融交易等方面。但是，生物识别技术也可能带来安全挑战，具体如下： 数据泄露：生物识别技术需要收集个人生物特…
阅读更多...
老杨说运维 | 如何成为卓有成效的管理者（关于AIOps的几点思考）

老杨说运维 | 如何成为卓有成效的管理者（关于AIOps的几点思考）

1966年&#xff0c;管理学领域被誉为“大师中的大师”的彼得德鲁克出版了日后被无数次再版的经典作品——《卓有成效的管理者》。 在书中他提到&#xff1a;管理者的使命就是“卓有成效”&#xff0c;但是卓有成效并非天分赋予&#xff0c;而是可以通过后天学习和实践获取的能力…
阅读更多...
python 反编译

python 反编译

步骤1&#xff1a; &#xff08;前置&#xff09;下载pyinstxtractor.py ①将pyinstxtractor.py文件移动到想要解包的文件目录下 ②并在当前目录下输入cmd打开终端&#xff0c;执行>python pyinstxtractor.py 待反编译.exe eg:E:\my_decode>python pyinstxtractor.py …
阅读更多...
单向散列函数——获取消息的 “指纹”

单向散列函数——获取消息的 “指纹”

目录 什么是单向散列函数散列算法的特征散列算法的用途散列算法的分类密码学哈希和非密码学哈希不安全的密码学哈希算法主流的密码学哈希算法 SHA256散列算法&#xff08;SHA2算法&#xff09;SHA256算法过程SM3散列算法 应该使用哪种单向散列函数呢 什么是单向散列函数 单向散…
阅读更多...
【920信号与系统笔记】第二章 连续时间系统的时域分析

【920信号与系统笔记】第二章 连续时间系统的时域分析

连续时间系统的时域分析 2.1引言综述n阶线性系统1.数学模型2.解法古典解法近代时域法&#xff08;卷积法、算子法&#xff09; 叠加积分法1.本质2. 待解决问题 2.2系统方程的算子表示法算子及其运算规则1.微分算子和积分算子2.运算规则3.电容和电感的伏安特性 转移算子1.定义2.…
阅读更多...
20230508MTCNN1

20230508MTCNN1

多目标检测思路 单目标检测&#xff1a;图片 输入到 模型&#xff0c;模型输出 4个值 为什么模型只能检测单个目标&#xff1f; 因为模型 固定输出4个值&#xff0c;表示 一个目标 如何实现多目标检测&#xff1f;思路&#xff1a;一个一个地数 模型要能够 认识目标&#xff…
阅读更多...
LiangGaRy-学习笔记-Day12

LiangGaRy-学习笔记-Day12

1、作业回顾 1.1、判断磁盘利用率 要求&#xff1a; 判断磁盘的使用率&#xff0c;如果超过了90%就警告 [rootNode1 sh]# vim disk_check.sh #!/bin/bash #Author By LiangGaRy #2023年5月9日 #Usage:检测硬盘的使用率 ########################################### #定义一…
阅读更多...
蓝奥声核心技术分享——用电插座的安全保护技术（安全计量插座）

蓝奥声核心技术分享——用电插座的安全保护技术（安全计量插座）

1.技术背景 用电插座的安全保护技术主要针对在用电负载接入接出&#xff08;即插拔&#xff09;用电插座的过程&#xff0c;解决瞬态异常监控及安全保护问题。该项技术涉及物联网智能硬件设备与测控技术领域&#xff0c;尤其涉及电能信号监测与用电安全监控的技术领域。 随着…
阅读更多...
【Redis高级应用】分布式缓存

【Redis高级应用】分布式缓存

文章目录 单机Redis存在的问题Redis持久化RDB持久化执行时机RDB原理 AOF持久化AOF原理AOF配置AOF文件重写 RDB与AOF对比 Redis主从搭建主从架构主从数据同步原理全量同步增量同步repl_backlog原理 主从同步优化小结 Redis哨兵哨兵原理集群结构和作用集群监控原理集群故障恢复原…
阅读更多...
MySQL多列字段去重的案例实践

MySQL多列字段去重的案例实践

同事提了个需求&#xff0c;如下测试表&#xff0c;有code、cdate和ctotal三列&#xff0c; select * from tt;现在要得到code的唯一值&#xff0c;但同时带着cdate和ctotal两个字段。 提起"唯一值"&#xff0c;想到的就是distinct。distinct关键字可以过滤多余的重…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023