python中使用opencv LED屏数字识别（可用做车牌识别，一样的原理）

news/2024/11/24 2:31:55/

应项目要求需要基于cpu的LED数字识别，为了满足需求，使用传统方法进行实验。识别传感器中显示的数字。因此使用opencv的函数做一些处理，实现功能需求。

在这里插入图片描述

首先读取图像，因为我没想大致得到LED屏幕的区域，因此将RGB转换为HSV空间，并分别设置H、S和V的阈值，让该区域显现出来。可以看到代码中进行了resize操作，这个操作不是必须的，具体H、S和V的数值根据具体的图像自行设置。

img = cv2.imread('pic.jpg')
#start = time.time()
new_size = (640, 400)
img = cv2.resize(img, new_size)
hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
mask = np.zeros(hsv_img.shape[:2], dtype=np.uint8)
mask[(hsv_img[:,:,0] >= 130) & (hsv_img[:,:,0] <= 255) & (hsv_img[:,:,1] >= 0) &
(hsv_img[:,:,1] <= 255) & (hsv_img[:,:,2] >= 0) & (hsv_img[:,:,2] <= 90)] = 1
result = cv2.bitwise_and(img, img, mask=mask)

原图处理后结果：

在这里插入图片描述

接下来需要检测轮廓信息，因此进行灰度化处理。

gray = cv2.cvtColor(result,cv2.COLOR_BGR2GRAY)

处理后结果：

在这里插入图片描述

使用Canny做轮廓检测，并保存所有轮廓信息，将所有轮廓信息框选出来，因为框选区域矩形，所以采用面积策略删掉小块区域面积只显示大块的面积。

#转灰度，做单通道计算比较节省时间
edges = cv2.Canny(gray,50,150,apertureSize = 3)#所有轮廓的列表contours和分层信息
contours, hierarchy = cv2.findContours(edges, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# print("轮廓数量：", len(contours))img_copy = img.copy() # 复制原图，避免在原图上直接画框for cnt in contours:x, y, w, h = cv2.boundingRect(cnt) # 获取轮廓的边界矩形area = w * hif area > 10000:x, y, w, h = cv2.boundingRect(cnt)area = w * h# print("xywh", x, y, w, h)# print("矩形面积：", area)roi = img_copy[y:y + h + 26, x:x + w+2]# cv2.imshow("ROI", roi)# cv2.waitKey(0)# print("矩形面积：", area)

该图为框选的所有轮廓

在这里插入图片描述

做面积阈值处理后得到液晶屏幕区域的矩形框：

在这里插入图片描述

后边拿出框选的区域做处理就行了，直接从原图中拿出框选区域做灰度处理，并作边缘检测，边缘检测前做高斯处理，去除一下噪声。

gray = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY)
# 高斯滤波
blur = cv2.GaussianBlur(gray, (3, 3), 0)# 边缘检测
edges = cv2.Canny(gray, 50, 255)

得到框选区域并进行边缘检测结果：

在这里插入图片描述

在这里插入图片描述

到这里已经检测到LED屏的轮廓了，可以看出我们的拍摄得到的框是斜的，因此需要进行透视校正，而透视校正需要得到四个顶点的坐标值，这里我尝试了两种方法：一、绘制最小外接矩形；二、获取白色像素点坐标（这里自己思考的一种策略，分别按照x轴和y轴找，分别找x轴白色边缘最小值和最大值坐标，y轴白色边缘最小值和最大值坐标）

一、使用最小外接矩形做透视校正

# 获得轮廓信息
contours, hierarchy = cv2.findContours(edges, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 绘制最小外接矩形
for cnt in contours:rect = cv2.minAreaRect(cnt)box = cv2.boxPoints(rect)box = np.int0(box)cv2.drawContours(roi, [box], 0, (0, 255, 0), 1)# 获取矩形的四个顶点坐标rect_points = np.int0(cv2.boxPoints(rect))# print("矩形的四个顶点坐标：", rect_points)# cv2.imshow('Contours', roi)
# cv2.waitKey(0)# 定义原图像的四个角点坐标
src = np.float32([[-8,61],[186 , -3],[ 23, 156], [218 , 91]])# 定义输出图像的四个角点坐标
dst = np.float32([[0, 0],[200, 0],[0, 100],[200, 100]])# 计算变换矩阵
M = cv2.getPerspectiveTransform(src, dst)# 应用变换矩阵
result = cv2.warpPerspective(roi, M, (200, 100))显示图像
cv2.imshow('Contours', result)
cv2.waitKey(0)

得到最小外接矩形：

在这里插入图片描述

透视校正结果：

在这里插入图片描述

从最小外接矩形可以看出框选的区域除了LED屏幕还有一些其他区域影响，这边后边的实验中发现，这些多余地方会影响后序的实验准确性。

二、分别获取x轴和y轴白色像素点坐标

# 获取白色像素点坐标
coordinates = np.column_stack(np.where(edges == 255))# # 打印白色像素点坐标
# print(coordinates)# 在x轴方向上找到最小和最大的两个坐标
x_min = coordinates[np.argmin(coordinates[:,0])].copy()
x_min[0], x_min[1] = x_min[1], x_min[0]
x_max = coordinates[np.argmax(coordinates[:,0])].copy()
x_max[0], x_max[1] = x_max[1], x_max[0]# 在y轴方向上找到最小和最大的两个坐标
y_min = coordinates[np.argmin(coordinates[:,1])].copy()
y_min[0], y_min[1] = y_min[1], y_min[0]
y_max = coordinates[np.argmax(coordinates[:,1])].copy()
y_max[0], y_max[1] = y_max[1], y_max[0]# # # 打印最小和最大的两个坐标
# print('x_min:', x_min)
# print('x_max:', x_max)
# print('y_min:', y_min)
# print('y_max:', y_max)# 定义原图像的四个角点坐标
src = np.float32([y_min,x_min,x_max, y_max])# 定义输出图像的四个角点坐标
dst = np.float32([[0, 0],[200, 0],[0, 100],[200, 100]])# 计算变换矩阵
M = cv2.getPerspectiveTransform(src, dst)# 应用变换矩阵
result = cv2.warpPerspective(roi, M, (200, 100))
#显示图像
# cv2.imshow('result', result)
# cv2.waitKey(0)

按照思路找x轴和y轴最大最小值对于的白色像素点坐标并绘制框：

在这里插入图片描述

透视校正后：

在这里插入图片描述

将透视校正后的图像区域继续进行RGB转换HSV，并设置阈值使数字区域更好的显示出来

hsv_img = cv2.cvtColor(result, cv2.COLOR_BGR2HSV)
# cv2.imshow('hsv_img', hsv_img)
# cv2.waitKey(0)
mask = np.zeros(hsv_img.shape[:2], dtype=np.uint8)
mask[(hsv_img[:,:,0] >= 0) & (hsv_img[:,:,0] <= 255) & (hsv_img[:,:,1] >= 0) &
(hsv_img[:,:,1] <= 255) & (hsv_img[:,:,2] >= 0) & (hsv_img[:,:,2] <= 100)] = 1
result1 = cv2.bitwise_and(hsv_img, hsv_img, mask=mask)# cv2.imshow("Contours", result1)
# cv2.waitKey(0)

RGB转换HSV：

在这里插入图片描述

H、S和V设置阈值使数字区域显示：

在这里插入图片描述

将得到的图像进行二值化处理

# 转换为灰度图像
gray = cv2.cvtColor(result1, cv2.COLOR_BGR2GRAY)
# cv2.imshow('gray', gray)
# cv2.waitKey(0)
#
#二值化处理
_, binary = cv2.threshold(gray, 50, 255, cv2.THRESH_BINARY)# 
# cv2.imshow("Contours", binary)
# cv2.waitKey(0)

灰度处理和二值化后的结果：

在这里插入图片描述
在这里插入图片描述

可以看到图像中含有多余的部分，继续使用形态学操作（腐蚀）处理。这里分别进行x方向和y方向的腐蚀操作。

# 自定义 1x3 的核进行 x 方向的膨胀腐蚀
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (1, 3))
xtx_img = cv2.dilate(binary, kernel, iterations=3)
xtx_img = cv2.erode(xtx_img, kernel, iterations=3)#y 腐蚀去除碎片# cv2.imshow("Contours", xtx_img)
# cv2.waitKey(0)# 自定义 3x1 的核进行 y 方向的膨胀腐蚀
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 1))
xtx_img = cv2.dilate(xtx_img, kernel, iterations=3)#x 膨胀回复形态
xtx_img = cv2.erode(xtx_img, kernel, iterations=3)#x 腐蚀去除碎片
#
# cv2.imshow("Contours", xtx_img)
# cv2.waitKey(0)

x方向腐蚀结果：

在这里插入图片描述

y方向腐蚀结果

在这里插入图片描述

然后需要找到所有的轮廓，因为opencv中默认函数找到的是白色轮廓，因此需要将得到的二值化结果取反操作。再使用函数获取所有的白色轮廓。运行出来的结果符合预期，确实是4。

# 将二值化图像取反
binary_inv = cv2.bitwise_not(xtx_img)
# cv2.imshow("Contours", binary_inv)
# cv2.waitKey(0)
#所有轮廓的列表contours和分层信息
contours, hierarchy = cv2.findContours(binary_inv, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 打印轮廓数量print("轮廓数量：", len(contours))

在这里插入图片描述

得到轮廓后绘制在原图上看一下

img_contour = cv2.drawContours(result, contours, -1, (0, 255, 0), 1)# cv2.imshow("img_contour", img_contour)
# cv2.waitKey(0)

感觉像那么回事了：

在这里插入图片描述

得到轮廓后按照轮廓的x轴坐标进行排序，以免后序识别中顺序乱了，从这每个数字就被我们单独拿出来了。

# 存储所有轮廓的图像
plate_imgs = []# 获取所有轮廓的x坐标
x_coordinates = []
for contour in contours:x, y, w, h = cv2.boundingRect(contour)x_coordinates.append(x)# 将轮廓按照x坐标排序
sorted_contours = [contours[i] for i in np.argsort(x_coordinates)]

有了这些数字后，就需要分别识别这些数字都是数字几了，这里可以使用分类任务，训练一个自己的模型识别这些数字，这里我们采用一种自己研究生方向学到的结构相似性来做识别，只要能识别出来就行，结构相似性的值在0-1之间，越大说明两个图像越像（大概可以这么理解），因此我们提前保存好数字的图片，并且图片的名字分别对应数字的编号，这样在识别出来后，就直接打印图片的命名就知道这个数字是几了，因为这个LED屏幕中只有2、7、1三个数字因此我们只保存了这三张图片，用来识别，至于前边的第一个框区域不识别，是因为除过这些数字外还有CO甲烷等东西，这里没有做识别。我们分别将分割出来的每个数字和提前保存到文件夹中的数字对比结构相似性，保留结构相似性最高的数字以及文件名最终得到识别结果。

# 初始化最高相似度和对应文件名
max_sim = -1
max_sim_filename = ''# 按x轴逐个绘制
for i, contour in enumerate(sorted_contours):x, y, w, h = cv2.boundingRect(contour)cv2.rectangle(xtx_img, (x, y), (x + w, y + h), (0, 255, 0), 1)plate_img1 = binary_inv[y:y + h, x:x + w].copy()# 生成文件名，加上时间戳# filename = f"saved_image_{i}_{int(time.time())}.jpg"# cv2.imwrite(filename, plate_img1)# cv2.imshow("img_contour", plate_img1)# cv2.waitKey(0)plate_img = cv2.resize(plate_img1, (22, 60))# cv2.imshow("img_contour", plate_img)# cv2.waitKey(0)max_sim = 0# 遍历result文件夹下的所有文件for filename in os.listdir('Desktop\\count\\result2'):if filename.endswith('.png'):# 读取图像并resize//C:\\Users\\12561\\Desktop\\count\\result\\img2 = cv2.imread(os.path.join('Desktop\\count\\result2', filename), cv2.IMREAD_GRAYSCALE)img2 = cv2.resize(img2, (22, 60))# 计算相似度similarity = ssim(plate_img, img2)print(similarity, end=' ')# 如果相似度更高，则更新最高相似度和对应文件名if similarity > max_sim:max_sim = similaritymax_sim_filename = os.path.splitext(filename)[0]  # 去掉文件后缀#if max_sim_filename == '_':#max_sim_filename = '.'# print(max_sim_filename, end='')print(f"{max_sim_filename} ({max_sim:.5f})", end=' ')print()

最终运行结果打印了每种图像的结构相似性值，得到最大的，并且处理速度很快，完全可以在CPU下实现快速处理。

在这里插入图片描述

项目完整代码：

import cv2
import numpy as np
import time
import os
from skimage.metrics import structural_similarity as ssimimg = cv2.imread('304.jpg')
start = time.time()
new_size = (640, 400)
img = cv2.resize(img, new_size)
hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
mask = np.zeros(hsv_img.shape[:2], dtype=np.uint8)
mask[(hsv_img[:,:,0] >= 130) & (hsv_img[:,:,0] <= 255) & (hsv_img[:,:,1] >= 0) &
(hsv_img[:,:,1] <= 255) & (hsv_img[:,:,2] >= 0) & (hsv_img[:,:,2] <= 90)] = 1
result = cv2.bitwise_and(img, img, mask=mask)# cv2.imshow("Contours", result)
# cv2.waitKey(0)gray = cv2.cvtColor(result,cv2.COLOR_BGR2GRAY)# cv2.imshow("Contours", gray)
# cv2.waitKey(0)#边缘检测
#转灰度，做单通道计算比较节省时间
edges = cv2.Canny(gray,50,150,apertureSize = 3)#所有轮廓的列表contours和分层信息
contours, hierarchy = cv2.findContours(edges, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# print("轮廓数量：", len(contours))img_copy = img.copy() # 复制原图，避免在原图上直接画框for cnt in contours:x, y, w, h = cv2.boundingRect(cnt) # 获取轮廓的边界矩形area = w * hif area > 10000:x, y, w, h = cv2.boundingRect(cnt)area = w * h# print("xywh", x, y, w, h)# print("矩形面积：", area)roi = img_copy[y:y + h + 26, x:x + w+2]# cv2.imshow("ROI", roi)# cv2.waitKey(0)# print("矩形面积：", area)# cv2.rectangle(img_copy, (x, y), (x + w, y + h + 25), (0, 255, 0), 1)  # 画矩形框，绿色，宽度为2# cv2.imshow("ROI", roi)
# cv2.waitKey(0)# 转换为灰度图像
gray = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY)
# 高斯滤波
blur = cv2.GaussianBlur(gray, (3, 3), 0)# 边缘检测
edges = cv2.Canny(gray, 50, 255)
# cv2.imshow("ROI", edges)
# cv2.waitKey(0)# # 获得轮廓信息
# contours, hierarchy = cv2.findContours(edges, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
#
# # 绘制最小外接矩形
# for cnt in contours:
#     rect = cv2.minAreaRect(cnt)
#     box = cv2.boxPoints(rect)
#     box = np.int0(box)
#
#     cv2.drawContours(roi, [box], 0, (0, 255, 0), 1)
#
#     # 获取矩形的四个顶点坐标
#     rect_points = np.int0(cv2.boxPoints(rect))
#     # print("矩形的四个顶点坐标：", rect_points)
#
# # cv2.imshow('Contours', roi)
# # cv2.waitKey(0)
#
# # 定义原图像的四个角点坐标
# src = np.float32([[-8,61],[186 , -3],[ 23, 156], [218 , 91]])
#
# # 定义输出图像的四个角点坐标
# dst = np.float32([[0, 0],[200, 0],[0, 100],[200, 100]])
#
# # 计算变换矩阵
# M = cv2.getPerspectiveTransform(src, dst)
#
# # 应用变换矩阵
# result = cv2.warpPerspective(roi, M, (200, 100))
#
#
# 显示图像
# cv2.imshow('Contours', result)
# cv2.waitKey(0)#
# 获取白色像素点坐标
coordinates = np.column_stack(np.where(edges == 255))# # 打印白色像素点坐标
# print(coordinates)# 在x轴方向上找到最小和最大的两个坐标
x_min = coordinates[np.argmin(coordinates[:,0])].copy()
x_min[0], x_min[1] = x_min[1], x_min[0]
x_max = coordinates[np.argmax(coordinates[:,0])].copy()
x_max[0], x_max[1] = x_max[1], x_max[0]# 在y轴方向上找到最小和最大的两个坐标
y_min = coordinates[np.argmin(coordinates[:,1])].copy()
y_min[0], y_min[1] = y_min[1], y_min[0]
y_max = coordinates[np.argmax(coordinates[:,1])].copy()
y_max[0], y_max[1] = y_max[1], y_max[0]# # # 打印最小和最大的两个坐标
# print('x_min:', x_min)
# print('x_max:', x_max)
# print('y_min:', y_min)
# print('y_max:', y_max)# 定义原图像的四个角点坐标
src = np.float32([y_min,x_min,x_max, y_max])# 定义输出图像的四个角点坐标
dst = np.float32([[0, 0],[200, 0],[0, 100],[200, 75]])# 计算变换矩阵
M = cv2.getPerspectiveTransform(src, dst)# 应用变换矩阵
result = cv2.warpPerspective(roi, M, (200, 75))
#显示图像
# cv2.imshow('result', result)
# cv2.waitKey(0)# gray = cv2.cvtColor(result, cv2.COLOR_BGR2GRAY)
# cv2.imshow('hsv_img', gray)
# cv2.waitKey(0)hsv_img = cv2.cvtColor(result, cv2.COLOR_BGR2HSV)
# cv2.imshow('hsv_img', hsv_img)
# cv2.waitKey(0)
mask = np.zeros(hsv_img.shape[:2], dtype=np.uint8)
mask[(hsv_img[:,:,0] >= 0) & (hsv_img[:,:,0] <= 255) & (hsv_img[:,:,1] >= 0) &
(hsv_img[:,:,1] <= 255) & (hsv_img[:,:,2] >= 0) & (hsv_img[:,:,2] <= 100)] = 1
result1 = cv2.bitwise_and(hsv_img, hsv_img, mask=mask)# cv2.imshow("Contours", result1)
# cv2.waitKey(0)# 转换为灰度图像
gray = cv2.cvtColor(result1, cv2.COLOR_BGR2GRAY)
# cv2.imshow('gray', gray)
# cv2.waitKey(0)
#
#二值化处理
_, binary = cv2.threshold(gray, 50, 255, cv2.THRESH_BINARY)#
# cv2.imshow("Contours", binary)
# cv2.waitKey(0)# 自定义 1x3 的核进行 x 方向的膨胀腐蚀
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (1, 3))
xtx_img = cv2.dilate(binary, kernel, iterations=3)
xtx_img = cv2.erode(xtx_img, kernel, iterations=3)#y 腐蚀去除碎片# cv2.imshow("Contours", xtx_img)
# cv2.waitKey(0)# 自定义 3x1 的核进行 y 方向的膨胀腐蚀
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 1))
xtx_img = cv2.dilate(xtx_img, kernel, iterations=3)#x 膨胀回复形态
xtx_img = cv2.erode(xtx_img, kernel, iterations=3)#x 腐蚀去除碎片
#
# cv2.imshow("Contours", xtx_img)
# cv2.waitKey(0)# 将二值化图像取反
binary_inv = cv2.bitwise_not(xtx_img)
# cv2.imshow("Contours", binary_inv)
# cv2.waitKey(0)
#所有轮廓的列表contours和分层信息
contours, hierarchy = cv2.findContours(binary_inv, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 打印轮廓数量print("轮廓数量：", len(contours))# # 创建一个空图像，与原图像大小和通道数相同
# contours_img = np.zeros_like(result)# 绘制轮廓
img_contour = cv2.drawContours(result, contours, -1, (0, 255, 0), 1)# cv2.imshow("img_contour", img_contour)
# cv2.waitKey(0)# 存储所有轮廓的图像
plate_imgs = []# 获取所有轮廓的x坐标
x_coordinates = []
for contour in contours:x, y, w, h = cv2.boundingRect(contour)x_coordinates.append(x)# 将轮廓按照x坐标排序
sorted_contours = [contours[i] for i in np.argsort(x_coordinates)]# 初始化最高相似度和对应文件名
max_sim = -1
max_sim_filename = ''# 按x轴逐个绘制
for i, contour in enumerate(sorted_contours):x, y, w, h = cv2.boundingRect(contour)cv2.rectangle(xtx_img, (x, y), (x + w, y + h), (0, 255, 0), 1)plate_img1 = binary_inv[y:y + h, x:x + w].copy()# 生成文件名，加上时间戳# filename = f"saved_image_{i}_{int(time.time())}.jpg"# cv2.imwrite(filename, plate_img1)# cv2.imshow("img_contour", plate_img1)# cv2.waitKey(0)plate_img = cv2.resize(plate_img1, (22, 60))# cv2.imshow("img_contour", plate_img)# cv2.waitKey(0)max_sim = 0# 遍历result文件夹下的所有文件for filename in os.listdir('Desktop\\count\\result2'):if filename.endswith('.png'):# 读取图像并resize//C:\\Users\\12561\\Desktop\\count\\result\\img2 = cv2.imread(os.path.join('Desktop\\count\\result2', filename), cv2.IMREAD_GRAYSCALE)img2 = cv2.resize(img2, (22, 60))# 计算相似度similarity = ssim(plate_img, img2)print(similarity, end=' ')# 如果相似度更高，则更新最高相似度和对应文件名if similarity > max_sim:max_sim = similaritymax_sim_filename = os.path.splitext(filename)[0]  # 去掉文件后缀if max_sim_filename == '_':max_sim_filename = '.'# print(max_sim_filename, end='')print(f"{max_sim_filename} ({max_sim:.5f})", end=' ')print()# print(max_sim_filename)# cv2.imwrite("C:\\Users\\12561\\Desktop\\count\\result\\plate_img1.png", dilation)  # 保存结果为 PNG 文件# cv2.imshow("Contours", plate_img1)# cv2.waitKey(0)print()
end = time.time();
print("time =",end-start)

项目中很多阈值都需要按照特殊图片特殊设置。

总体步骤：

  • 轮廓检测
  • 透视校正
  • 字符分割
  • 字符识别

http://www.ppmy.cn/news/63643.html

相关文章

【JavaScript由浅入深】常用的正则表达式

【JavaScript由浅入深】常用的正则表达式

【JavaScript由浅入深】常用的正则表达式 文章目录 【JavaScript由浅入深】常用的正则表达式写在前面一、认识正则表达式1.1 正则表达式的概念 二、正则表达式的使用2.1 使用构造函数创建正则表达式2.2 使用字面量创建正则表达式2.3 补充 三、正则表达式常见规则3.1 字符类3.2 …
阅读更多...
Oracle imp/impdp、exp/expdp的使用方法

Oracle imp/impdp、exp/expdp的使用方法

以下是创建新用户并授权角色和系统权限&#xff0c;使用imp/impdp导入dmp文件到数据库&#xff0c;exp/expdp导出文件到数据库的综合示例&#xff1a; 创建新用户并授权角色和系统权限 CREATE USER new_user IDENTIFIED BY password;GRANT CONNECT, RESOURCE TO new_user;GRA…
阅读更多...
关于百度地图开放平台api覆盖物“自定义Marker图标”不能正常显示的解决方案

关于百度地图开放平台api覆盖物“自定义Marker图标”不能正常显示的解决方案

“自定义Marker图标”不能正常显示&#xff08;用网上图片能正常显示&#xff0c;用本地图片就不能显示&#xff09;&#xff0c; 分两种情况&#xff1a; 1.网上图片&#xff0c;往往是图片的url地址有问题&#xff0c;也可能是url地址的图片失效了。 2.本地图片&#xff0c;这…
阅读更多...
C++数据结构与算法详解：链表、栈、队列、树、二叉树和图结构的实现与应用

C++数据结构与算法详解：链表、栈、队列、树、二叉树和图结构的实现与应用

C/C 基础知识 三一、链表1.1 定义1.2 实现1.2.1 单向链表1.2.2 双向链表1.2.3 常见操作(反转 合并 查找)1.3 应用二、 栈-Stack 队列-Queue1.1 定义1.2 实现1.2.1 数组实现 栈和队列 示例&#xff1a;1.2.3链表实现 栈和队列 示例&#xff1a;1.3 应用三、树和二叉树1.1 定义1.…
阅读更多...
【Linux】Linux安装Redis（图文解说详细版）

【Linux】Linux安装Redis（图文解说详细版）

文章目录 前言第一步&#xff0c;下载安装包第二步&#xff0c;上传安装包到/opt下&#xff08;老规矩了&#xff0c;安装包在opt下&#xff09;第三步&#xff0c;解压安装包第四步&#xff0c;编译第五步&#xff0c;安装第六步&#xff0c;配置redis第七步&#xff0c;设置开…
阅读更多...
【华为OD机试python】静态扫描【2023 Q1 A卷|100分】

【华为OD机试python】静态扫描【2023 Q1 A卷|100分】

华为OD机试- 题目列表 2023Q1 点这里！！ 2023华为OD机试-刷题指南 点这里！！ 题目描述 静态扫描可以快速识别源代码的缺陷，静态扫描的结果以扫描报告作为输出: 1、文件扫描的成本和文件大小相关，如果文件大小为N，则扫描成本为N个金币 2、扫描报告的缓存成本和文件大小无…
阅读更多...
Android编译优化之混淆配置

Android编译优化之混淆配置

Android编译优化之混淆配置 背景 为了使用java8及后续java新版本的特性&#xff0c;Google增加了一步编译过程—脱糖&#xff08;desugaring&#xff09;&#xff0c;但这一步会导致更长的编译时间&#xff0c;这也是为什么Google会推出D8和R8编译器来优化编译速度。 什么是脱…
阅读更多...
Docker Compose-简单安装与卸载教程

Docker Compose-简单安装与卸载教程

文章目录 Windows安装Linux安装PIP 安装Mac安装Linux下的卸载 Compose 是用于定义和运行多容器 Docker 应用程序的工具。通过 Compose&#xff0c;您可以使用 YML 文件来配置应用程序需要的所有服务。然后&#xff0c;使用一个命令&#xff0c;就可以从 YML 文件配置中创建并启…
阅读更多...
最新文章

Copyright @ 2022~2023