【OpenCV（C++）快速入门】--opencv学习

news/2025/1/18 13:53:11/

0 配置环境

配置环境网上很多资料，这里就不赘述了。

笔者使用的是VS2022+opencv4.9.0

测试配置环境

// 打开摄像头样例
#include <opencv2/highgui/highgui.hpp>  
#include <opencv2/imgproc/imgproc.hpp>  
#include <opencv2/imgcodecs/imgcodecs.hpp>
#include <opencv2/core/core.hpp>  
using namespace cv;int main()
{VideoCapture cap(0);Mat frame;while (1){cap >> frame;imshow("调用摄像头", frame);waitKey(30);}return 0;
}

如果配置正确，会调用电脑摄像头

1 读图片和视频

读图片

#include <opencv2/imgcodecs.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
#include <iostream>
#include <string>images ///
int main()
{std::string path = "Resources/test.png";		// 图片路径cv::Mat img = cv::imread(path);					// 读数据cv::imshow("Image", img);						// 显示数据cv::waitKey(0);									// 增加延时，0表示无穷return 0;
}

读视频

#include <opencv2/imgcodecs.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
#include <iostream>
#include <string>video ///
// 视频是一系列的图像，因此需要遍历所有的图像/帧，捕获并且显示
int main()
{std::string path = "Resources/test_video.mp4";	// 视频路径cv::VideoCapture capture(path);cv::Mat img;while (1){capture.read(img);							// 读到img中cv::imshow("Vedio", img);					// 显示cv::waitKey(20);							// 延时20ms，数值越大，视频越慢}return 0;
}

读相机

#include <opencv2/imgcodecs.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
#include <iostream>
#include <string>Webcam ///
// 视频是一系列的图像，因此需要遍历所有的图像/帧，捕获并且显示
int main()
{cv::VideoCapture capture(0);					// 只有一个相机cv::Mat img;while (1){capture.read(img);							// 读到img中cv::imshow("Vedio", img);					// 显示cv::waitKey(1);								// 延时1ms，数值越大，视频越慢}return 0;
}

2 基本函数

cvtColor

// cvt是convert的缩写，将图像从一种颜色空间转换为另一种颜色空间
// 把img转换成imgGray
cv::cvtColor(img, imgGray, cv::COLOR_BGR2GRAY);

  • img：输入图像，这是一个BGR格式的彩色图像。

  • imgGray：输出图像，转换后的灰度图像。

  • cv::COLOR_BGR2GRAY：转换代码，表示将BGR格式的图像转换为灰度图像。

GaussianBlur

高斯模糊处理

// 使用高斯滤波器模糊图像。该函数将源图像与指定的高斯核进行卷积,Size(7,7)是核大小,数字越大越模糊
// 把img模糊成imgBlur
cv::GaussianBlur(img, imgBlur, cv::Size(7, 7), 5, 0);

  • cv::GaussianBlur是OpenCV中的一个函数，用于对图像进行高斯模糊处理。高斯模糊是一种图像处理技术，通过使用高斯核对图像进行卷积，可以有效地减少图像的噪声和细节，使图像变得模糊。

  • 参数解释：

    • img：输入图像，这是一个cv::Mat类型的对象，表示要进行高斯模糊处理的图像。

    • imgBlur：输出图像，经过高斯模糊处理后的图像，也是一个cv::Mat类型的对象。

    • cv::Size(7, 7)：高斯核的大小，表示高斯核的宽度和高度。这里使用7×7的高斯核。高斯核的大小必须是正奇数，以确保核的中心能够对准图像的每个像素。

    • 5：高斯核的标准差（σ）在X方向上的值。标准差越大，模糊效果越明显。如果设置为0，OpenCV会根据高斯核的大小自动计算标准差。

    • 0：高斯核的标准差（σ）在Y方向上的值。如果设置为0，OpenCV会使用与X方向相同的标准差。

Canny

边缘检测

// 边缘检测，阈值1，2可调，目的：显示更多的边缘，使用模糊的图像
cv::Canny(imgBlur, imgCanny, 25, 75);

  • cv::Canny是OpenCV中的一个函数，用于执行Canny边缘检测算法。Canny边缘检测是一种多步骤的算法，包括高斯模糊、梯度计算、非极大值抑制和双阈值检测等步骤。

  • 参数解释：

    • imgBlur：输入图像，这是一个经过高斯模糊处理的cv::Mat类型的对象。高斯模糊处理可以减少图像的噪声，使边缘检测更加准确。

    • imgCanny：输出图像，经过Canny边缘检测后的图像，也是一个cv::Mat类型的对象。输出图像是一个二值图像，边缘部分的像素值为255，非边缘部分的像素值为0。

    • 25：低阈值（threshold1），用于Canny边缘检测中的双阈值检测。低阈值用于确定弱边缘。

    • 75：高阈值（threshold2），用于Canny边缘检测中的双阈值检测。高阈值用于确定强边缘。

dilate和erode

膨胀和侵蚀

// 扩大和侵蚀图像
// 创建一个核，增加Size（只能是奇数）会扩张/侵蚀更多
cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3, 3));
cv::dilate(imgCanny, imgDila, kernel);			// 扩张边缘，增加边缘厚度
cv::erode(imgDila, imgErode, kernel);			// 侵蚀边缘，减小边缘厚度

  • cv::getStructuringElement：

    • cv::getStructuringElement是OpenCV中的一个函数，用于创建形态学操作的结构元素（也称为核或掩模）。

  • 参数解释：

    • cv::MORPH_RECT：指定结构元素的形状为矩形。

    • cv::Size(3, 3)：指定结构元素的大小为3×3。这意味着结构元素是一个3×3的矩形，中心像素为(1, 1)。

  • cv::dilate：

    • cv::dilate是OpenCV中的一个函数，用于对图像进行膨胀操作。膨胀操作可以扩大图像中的白色区域，通常用于连接断开的部分或填补小孔。

  • 参数解释：

    • imgCanny：输入图像，这是一个经过Canny边缘检测的二值图像。

    • imgDila：输出图像，经过膨胀操作后的图像。

    • kernel：结构元素，用于定义膨胀操作的邻域。

  • cv::erode：

    • cv::erode是OpenCV中的一个函数，用于对图像进行腐蚀操作。腐蚀操作可以缩小图像中的白色区域，通常用于去除小的噪点或分离粘连的部分。

  • 参数解释：

    • imgDila：输入图像，这是一个经过膨胀操作的图像。

    • imgErode：输出图像，经过腐蚀操作后的图像。

    • kernel：结构元素，用于定义腐蚀操作的邻域。

总体代码

#include <opencv2/imgcodecs.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>basic functions ///
int main()
{std::string path = "Resources/test.png";		// 图片路径cv::Mat img = cv::imread(path);					// 读数据cv::Mat imgGray, imgBlur, imgCanny, imgDila, imgErode;// cvt是convert的缩写，将图像从一种颜色空间转换为另一种颜色空间// 把img转换成imgGraycv::cvtColor(img, imgGray, cv::COLOR_BGR2GRAY);// 使用高斯滤波器模糊图像。该函数将源图像与指定的高斯核进行卷积,Size(7,7)是核大小,数字越大越模糊// 把img模糊成imgBlurcv::GaussianBlur(img, imgBlur, cv::Size(7, 7), 5, 0);// 边缘检测，阈值1，2可调，目的：显示更多的边缘，使用模糊的图像cv::Canny(imgBlur, imgCanny, 25, 75);// 扩大和侵蚀图像// 创建一个核，增加Size（只能是奇数）会扩张/侵蚀更多cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3, 3));cv::dilate(imgCanny, imgDila, kernel);			// 扩张边缘，增加边缘厚度cv::erode(imgDila, imgErode, kernel);			// 侵蚀边缘，减小边缘厚度cv::imshow("Image", img);						// 显示数据cv::imshow("Image Gray", imgGray);				// 显示灰色数据cv::imshow("Image Blur", imgBlur);				// 显示模糊数据cv::imshow("Image Canny", imgCanny);			// 显示边缘检测数据cv::imshow("Image imgDila", imgDila);			// 显示扩张边缘数据cv::imshow("Image imgErode", imgErode);			// 显示侵蚀检测数据cv::waitKey(0);									// 增加延时，0表示无穷return 0;
}

测试

3 resize and crop

调整图片和裁剪图片

#include <opencv2/imgcodecs.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
#include <iostream>using namespace std;
using namespace cv;resize and crop ///int main(int argc, char** argv)
{string path = "Resources/test.png";		// 图片路径cv::Mat img = cv::imread(path);			// 读图片cv::Mat imgResize, imgCrop;				// 调整图片和裁剪图片// [768 x 559]//std::cout << img.size() << std::endl;// 调整大小//cv::resize(img, imgResize, Size(), 0.5, 0.5);  // 长宽各自缩小0.5cv::resize(img, imgResize, Size(680, 400));		 // 缩小到680*400// 裁剪// 从200*100处开始裁剪，各自裁剪300cv::Rect rect(200, 100, 300, 300);imgCrop = img(rect);// 显示cv::imshow("Image", img);cv::imshow("Image Resize", imgResize);cv::imshow("Image Crop", imgCrop);cv::waitKey(0);									// 增加延时，0表示无穷return 0;
}

测试

4 Draw shapes and Text

#include <opencv2/highgui.hpp>
#include <opencv2/imgcodecs.hpp>
#include <opencv2/imgproc.hpp>using namespace std;
using namespace cv;Draw shapes and Text ///int main(int argc, char** argv)
{// blank image// 8bit3通道，白色cv::Mat img(512, 512, CV_8UC3, cv::Scalar(255, 255, 255));// 基于上图画一个圆，圆心在(256,256)处，半径是155，颜色是0, 69, 255，厚度是10// cv::circle(img, cv::Point(256, 256), 155, cv::Scalar(0, 69, 255), 10);cv::circle(img, cv::Point(256, 256), 155, cv::Scalar(0, 69, 255), FILLED);	// 填充// 画一个矩形// 左上角是(130, 226)，右下角是(382, 286)// 颜色是cv::Scalar(255, 255, 255)，厚度是3//cv::rectangle(img, cv::Point(130, 226), cv::Point(382, 286), cv::Scalar(255, 255, 255), 3);cv::rectangle(img, cv::Point(130, 226), cv::Point(382, 286), cv::Scalar(255, 255, 255), FILLED);// 画一条线cv::line(img, Point(130, 296), cv::Point(382, 296), cv::Scalar(255, 255, 255), 2);//cv::line(img, Point(130, 296), cv::Point(382, 450), cv::Scalar(255, 255, 255), 2);// 本文// FONT_HERSHEY_DUPLEX字体，0.75是比例cv:putText(img, "StudyWinter", cv::Point(160, 262), cv::FONT_HERSHEY_DUPLEX, 0.75, cv::Scalar(0, 69, 255));cv::imshow("Image", img);cv::waitKey(0);return 0;
}

测试

5 wrap images

图像扭曲

#include <opencv2/imgcodecs.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/highgui.hpp>
#include <iostream>using namespace std;
using namespace cv;wrap images ///
float w = 250, h = 350;
cv::Mat matrix, imgWrap;int main(int argc, char** argv)
{string path = "Resources/cards.jpg";			// 图片路径cv::Mat img = cv::imread(path);					// 读数据cv::Point2f src[4] = { {529, 142}, {771, 190}, {405, 395}, {674, 457} };cv::Point2f dst[4] = { {0.0f, 0.0f}, {w, 0.0f}, {0.0f, h}, {w, h} };使用圆圈，取四个点在图中标记，放在这里转换后图片有圆//for (int i = 0; i < 4; i++)//{//	cv::circle(img, src[i], 10, cv::Scalar(0, 0, 255), FILLED);//}// 转换matrix = getPerspectiveTransform(src, dst);cv::warpPerspective(img, imgWrap, matrix, cv::Point(w, h));// 使用圆圈，取四个点在图中标记for (int i = 0; i < 4; i++){cv::circle(img, src[i], 10, cv::Scalar(0, 0, 255), FILLED);}cv::imshow("Image", img);						// 显示数据cv::imshow("Image Warp", imgWrap);				// 显示数据cv::waitKey(0);return 0;
}

这段代码的主要功能是读取一张图像，定义四个源点和对应的目标点，计算透视变换矩阵，对图像进行透视变换，并在源图像中标记源点，最后显示原始图像和变换后的图像。通过这种方式，可以将图像中的某个区域（如一张卡片）从任意角度变换为正视图。

测试

6 Color detection

test1

#include <opencv2/imgcodecs.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
#include <iostream>
#include <string>Color detection ///
cv::Mat imgHSV, mask;
// h色调 s饱和度 v明度
int hmin = 0, smin = 110, vmin = 153;
int hmax = 19, smax = 240, vmax = 255;int main()
{std::string path = "Resources/lambo.png";		// 图片路径cv::Mat img = cv::imread(path);					// 读数据// 颜色转换cv::cvtColor(img, imgHSV, cv::COLOR_BGR2HSV);// 创建窗口cv::namedWindow("Trackbars");// 创建跟踪栏cv::createTrackbar("Hue Min", "Trackbars", &hmin, 179);cv::createTrackbar("Hue Max", "Trackbars", &hmax, 179);cv::createTrackbar("Sat Min", "Trackbars", &smin, 255);cv::createTrackbar("Sat Max", "Trackbars", &smax, 255);cv::createTrackbar("Val Min", "Trackbars", &vmin, 255);cv::createTrackbar("Val Max", "Trackbars", &vmax, 255);while (1){// 定义标量cv::Scalar lower(hmin, smin, vmin);cv::Scalar upper(hmax, smax, vmax);cv::inRange(imgHSV, lower, upper, mask);cv::imshow("Image", img);						// 显示数据cv::imshow("image HSV", imgHSV);				// 显示数据cv::imshow("image Mask", mask);					// 显示数据cv::waitKey(0);									// 增加延时，0表示无穷}return 0;
}

这段代码的主要功能是读取一张图像，将其从BGR颜色空间转换为HSV颜色空间，通过创建跟踪栏动态调整HSV颜色空间中的阈值，生成掩码图像，并显示原始图像、HSV图像和掩码图像。通过调整跟踪栏，可以实时看到不同阈值下检测到的颜色区域。

7 形状轮廓检测

这小节，将会通过OpenCV提供的函数进行，简单的形状检测，并给检测出来的形状添加boundingbox。整个过程的流程如下图所示：

图像的预处理阶段，实质上就是通过灰度处理、高斯模糊、边缘检测然后再加粗边缘得到一个二值化的图像，便于边界检测函数进行检测。

#include <opencv2/imgcodecs.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/highgui.hpp>
#include <iostream>///int main(int argc, char** argv)
{std::string path = "Resources/shapes.png";		// 图片路径cv::Mat img = cv::imread(path);					// 读数据// 预处理// cvt是convert的缩写，将图像从一种颜色空间转换为另一种颜色空间。cv::Mat imgGray, imgBlur, imgCanny, imgDil;cv::cvtColor(img, imgGray, cv::COLOR_BGR2GRAY);// 使用高斯滤波器模糊图像。该函数将源图像与指定的高斯核进行卷积,Size(7,7)是核大小,数字越大越模糊cv::GaussianBlur(imgGray, imgBlur, cv::Size(3, 3), 3, 0);// 边缘检测，阈值1，2可调，目的：显示更多的边缘cv::Canny(imgBlur, imgCanny, 25, 75);// 创建一个核，增加Size（只能是奇数）,会扩张/侵蚀更多cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3, 3));cv::dilate(imgCanny, imgDil, kernel);cv::imshow("Image", img);cv::imshow("Image Gray", imgGray);cv::imshow("Image Blur", imgBlur);cv::imshow("Image Canny", imgCanny);cv::imshow("Image dilate", imgDil);cv::waitKey(0);return 0;
}

测试

图片预处理之后，便可以进行形状检测了，需要使用到以下的函数：

void findContours(InputArray image, OutputArrayOfArrays contours,OutputArray hierarchy, int mode,int method);

InputArray image ：这需要我们预处理之后得到的二值化图像（8bit单通道图像）；

OutputArrayOfArrays contours：这是函数的输出，它是std::vector<vector> 类型的，可以看成是一个存储多个向量的组。每一个向量代表一个形状。

OutputArray hierarchy：该变量存储了contours中对应元素的相关拓扑信息，其类型为std::vector< cv::Vec4i > 。Vec4i 即 std::vector<int, 4>类型。

int mode，int method ：这里的mode 和 method是指形状检测的模式和方法，OpenCV提供了多种的模式和方法，这里不细讲，详细的可以去官网查一下。

#include <opencv2/imgcodecs.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/highgui.hpp>
#include <vector>
#include <iostream>///// imgDil是传入的扩张边缘的图像用来查找轮廓，img是要在其上绘制轮廓的图像
void getContours(cv::Mat imgDil, cv::Mat img)
{// 轮廓检测到的轮廓。每个轮廓线存储为一个点的向量std::vector<std::vector<cv::Point>> contours;// 包含关于映像拓扑的信息  typedef Vec<int, 4> Vec4i;具有4个整数值std::vector<cv::Vec4i> hierarchy;// 在二值图像中查找轮廓cv::findContours(imgDil, contours, hierarchy, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE);// 获得提取的轮廓以后，通过下面的函数将检测到的轮廓在图上表示出来// 其中 -1 表示把全部检测到的轮廓都输出， 向量Scalar(255, 0, 255) 表示颜色, 2 表示轮廓厚度cv::drawContours(img, contours, -1, cv::Scalar(255, 0, 255), 2);}int main(int argc, char** argv)
{std::string path = "Resources/shapes.png";		// 图片路径cv::Mat img = cv::imread(path);					// 读数据// 预处理// cvt是convert的缩写，将图像从一种颜色空间转换为另一种颜色空间。cv::Mat imgGray, imgBlur, imgCanny, imgDil;cv::cvtColor(img, imgGray, cv::COLOR_BGR2GRAY);// 使用高斯滤波器模糊图像。该函数将源图像与指定的高斯核进行卷积,Size(7,7)是核大小,数字越大越模糊cv::GaussianBlur(imgGray, imgBlur, cv::Size(3, 3), 3, 0);// 边缘检测，阈值1，2可调，目的：显示更多的边缘cv::Canny(imgBlur, imgCanny, 25, 75);// 创建一个核，增加Size（只能是奇数）,会扩张/侵蚀更多cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3, 3));cv::dilate(imgCanny, imgDil, kernel);// 形状检测getContours(imgDil, img);cv::imshow("Image", img);//cv::imshow("Image Gray", imgGray);//cv::imshow("Image Blur", imgBlur);//cv::imshow("Image Canny", imgCanny);//cv::imshow("Image dilate", imgDil);cv::waitKey(0);return 0;
}

测试

不难发现，图像中的所有形状都被检测出来了，因为这张图像是比较理想情况，如果图像中出现一些噪点（例如图像中右上角的小黑圆圈），很可能也会被检测出来，这是不想看到的，这个时候，需要采取一些手段来去除这些噪点，这里提供一种根据形状图像面积过滤小形状的方法：

#include <opencv2/imgcodecs.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/highgui.hpp>
#include <vector>
#include <iostream>///// imgDil是传入的扩张边缘的图像用来查找轮廓，img是要在其上绘制轮廓的图像
void getContours(cv::Mat imgDil, cv::Mat img)
{// 轮廓检测到的轮廓。每个轮廓线存储为一个点的向量std::vector<std::vector<cv::Point>> contours;// 包含关于映像拓扑的信息  typedef Vec<int, 4> Vec4i;具有4个整数值std::vector<cv::Vec4i> hierarchy;// 在二值图像中查找轮廓cv::findContours(imgDil, contours, hierarchy, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE);// 获得提取的轮廓以后，通过下面的函数将检测到的轮廓在图上表示出来// 其中 -1 表示把全部检测到的轮廓都输出， 向量Scalar(255, 0, 255) 表示颜色, 2 表示轮廓厚度//cv::drawContours(img, contours, -1, cv::Scalar(255, 0, 255), 2);// 根据形状图像面积过滤小形状for (int i = 0; i < contours.size(); i++){// 获取每个形状的面积double area = cv::contourArea(contours[i]);if (area - 15000 > 0.00000001 || area - 15000 > -0.00000001){// 输出cv::drawContours(img, contours, i, cv::Scalar(255, 0, 255), 2);}}}int main(int argc, char** argv)
{std::string path = "Resources/shapes.png";		// 图片路径cv::Mat img = cv::imread(path);					// 读数据// 预处理// cvt是convert的缩写，将图像从一种颜色空间转换为另一种颜色空间。cv::Mat imgGray, imgBlur, imgCanny, imgDil;cv::cvtColor(img, imgGray, cv::COLOR_BGR2GRAY);// 使用高斯滤波器模糊图像。该函数将源图像与指定的高斯核进行卷积,Size(7,7)是核大小,数字越大越模糊cv::GaussianBlur(imgGray, imgBlur, cv::Size(3, 3), 3, 0);// 边缘检测，阈值1，2可调，目的：显示更多的边缘cv::Canny(imgBlur, imgCanny, 25, 75);// 创建一个核，增加Size（只能是奇数）,会扩张/侵蚀更多cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3, 3));cv::dilate(imgCanny, imgDil, kernel);// 形状检测getContours(imgDil, img);cv::imshow("Image", img);//cv::imshow("Image Gray", imgGray);//cv::imshow("Image Blur", imgBlur);//cv::imshow("Image Canny", imgCanny);//cv::imshow("Image dilate", imgDil);cv::waitKey(0);return 0;
}

测试

添加此函数以后，可以看到，面积小于15000的没有被表示出来。

8 检测人脸

#include <opencv2/imgcodecs.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/objdetect.hpp>
#include <iostream>Webcam ///
// 视频是一系列的图像，因此需要遍历所有的图像/帧，捕获并且显示int main()
{cv::VideoCapture capture(0);					// 只有一个相机cv::Mat img;while (1){capture.read(img);							// 读到img中// opencv提供的分类器cv::CascadeClassifier faceCascade;// 从加载模型（已经训练好的）faceCascade.load("Resources/haarcascade_frontalface_default.xml");// 检测文件是否加载成功if (faceCascade.empty()){std::cout << "XML file not loaded" << std::endl;}// 定义用于接收检测结果的std::vector<cv::Rect> faces;// 在输入图像中检测不同大小的对象，检测到的对象以矩形的列表的形式返回// 通过增加最近邻的值可以消除误报，但是过大将会导致漏检测// img/*输入*/, faces/*输出*/, 1.1/*比例因子*/, 3/*最近邻*/faceCascade.detectMultiScale(img, faces, 1.1, 3);// 绘制矩形for (int i = 0; i < faces.size(); i++){cv::rectangle(img, faces[i].tl(), faces[i].br(), cv::Scalar(255, 0, 255), 3);}cv::imshow("Vedio", img);					// 显示cv::waitKey(1);								// 延时1ms，数值越大，视频越慢}return 0;
}

自行测试

学习：4h上手C++版Opencv_哔哩哔哩_bilibili


http://www.ppmy.cn/news/1564164.html

相关文章

网络安全中攻击溯源有哪些方法?

网络安全中攻击溯源有哪些方法?

目前网络攻击已经成为常见的安全威胁之一&#xff0c;其造成的危害和损失都是不可估量的&#xff0c;因此网络攻击受到了高度重视。而当我们遭遇网络攻击时&#xff0c;攻击溯源是一项非常重要的工作&#xff0c;可以帮助我们迅速发现并应对各类网络攻击行为&#xff0c;那么网…
阅读更多...
Python基本概念与实践

Python基本概念与实践

Python语言&#xff0c;总给我一种“嗯&#xff1f;还能这么玩儿&#xff1f;”的感觉 Python像一个二三十岁的年轻人&#xff0c;自由、年轻、又灵活 欢迎一起进入Python的世界~ 本人工作中经常使用Python&#xff0c;针对一些常用的语法概念进行持续记录。 一、类与常见数据结…
阅读更多...
《机器学习》——SVD（奇异分解）降维

《机器学习》——SVD（奇异分解）降维

文章目录 SVD基本定义SVD降维的步骤SVD降维使用场景SVD 降维的优缺点SVD降维实例导入所需库定义SVD降维函数导入图像处理图像处理图像打印降维结果并显示处理后两个图像的对比图 SVD基本定义 简单来说就是&#xff0c;通过SVD&#xff08;奇异值分解&#xff09;对矩阵数据进行…
阅读更多...
vulnhub靶场【Raven系列】之2 ，对于mysql udf提权的复习

vulnhub靶场【Raven系列】之2 ，对于mysql udf提权的复习

前言 靶机&#xff1a;Raven-2&#xff0c;IP地址为192.168.10.9 攻击&#xff1a;kali&#xff0c;IP地址为192.168.10.2 都采用虚拟机&#xff0c;网卡为桥接模式 文章所用靶机来自vulnhub&#xff0c;可通过官网下载&#xff0c;或者通过链接:https://pan.quark.cn/s/a65…
阅读更多...
Java中 try-with-resources 自动关闭资源的使用

Java中 try-with-resources 自动关闭资源的使用

目录 前言 一、基本概念 二、语法 三、使用方法与代码示例 示例 1&#xff1a;使用 try-with-resources 读取文件 示例 2&#xff1a;多个资源的管理 四、注意事项 五、优缺点 优点 缺点 六、总结 前言 在 Java 开发中&#xff0c;资源管理是一个非…
阅读更多...
【Flink系列】6. Flink中的时间和窗口

【Flink系列】6. Flink中的时间和窗口

6. Flink中的时间和窗口 在批处理统计中&#xff0c;我们可以等待一批数据都到齐后&#xff0c;统一处理。但是在实时处理统计中&#xff0c;我们是来一条就得处理一条&#xff0c;那么我们怎么统计最近一段时间内的数据呢&#xff1f;引入“窗口”。 所谓的“窗口”&#xff…
阅读更多...
软考中级 软件设计师 第一章 第六节 流水线技术

软考中级 软件设计师 第一章 第六节 流水线技术

目录 1、概念 2、图解 3、算法 3.1、时间算法 3.2、吞吐率 1、概念 流水线是指在程序执行时多条指令重叠进行操作的一种准并行处理实现技术。 各种部件同时处理是针对不同指令而言的&#xff0c;它们可以同时为多条指令的不同部分进行工作&#xff0c;以提高各部件的利用…
阅读更多...
EE213 Lab2 hspice simulation Static Device Characteristics

EE213 Lab2 hspice simulation Static Device Characteristics

目录 0 前言 1 仿真目标 2 IDS-VDS 3 IDS-VGS 4 VTH 5 IDS-VGS(log) 6 Body bias(Ids-Vbs) 7 Body bias(Vth-Vbs) 8 Ids-Temperature 0 前言 记录一下来到skd上的强度比较大的一门课&#xff0c;数字集成电路2的lab设计还是蛮好的&#xff0c;该帖非详细教程只是单纯…
阅读更多...
最新文章

Copyright @ 2022~2023