图像处理与视觉感知---期末复习重点(6)
文章目录
- 一、图像分割
- 二、间断检测
- 2.1 概述
- 2.2 点检测
- 2.3 线检测
- 2.4 边缘检测
- 三、边缘连接
- 3.1 概述
- 3.2 Hough变换
- 3.3 例子
- 3.4 Hough变换的具体步骤
- 3.5 Hough变换的法线表示形式
- 3.6 Hough变换的扩展
- 四、阈值处理
- 4.1 概述
- 4.2 计算基本全局阈值算法
- 4.3 自适应阈值
- 五、基于区域的分割
- 5.1 概述
- 5.2 区域生长
- 5.3 区域的分裂与合并
一、图像分割
1. 图像分割定义:是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。特性可以是灰度、颜色、纹理等;目标可以对应单个区域,也可以对应多个区域。
2. 图像分割的目的:将图像划分为不同区域。
3. 图像分割的原理:图像分割算法是基于亮度值的不连续性和相似性。
(1) 不连续性是基于亮度的不连续变化分割图像,如图像边缘。
(2) 根据制定的准则将图像分割为相似的区域,如阈值处理、区域生长、区域分离和聚合。
二、间断检测
2.1 概述
1. 间断检测分为点检测、线检测和边缘检测。
2. 寻找间断的一般方法:对整幅图像使用一个模板进行检测,这一过程包括计算模板所包围区域内灰度级与模板系数乘积之和,在图像中任意点的模板响应由下列公式给出: R = W 1 ∗ Z 1 + W 2 ∗ Z 2 + . . . . . W 9 ∗ Z 9 R=W_1*Z_1+W_2*Z_2+.....W_9*Z_9 R=W1∗Z1+W2∗Z2+.....W9∗Z9。
这里 Z i Z_i Zi 是与模板系数相联系的像素灰度级,模板响应定义是对于它的中心位置。
2.2 点检测
1. 使用如下图所示的模板,如果 ∣ R ∣ ≥ T |R| ≥ T ∣R∣≥T,则在模板中心位置检测到一个点。其中, T T T 是阈值, R R R 是模板计算值。
2. 如果一个孤立点与它周围的点不同,则可以使用该模板进行检测。(该点的灰度级与其背景的差异相当大并且它所在的位置是一个均匀或近似均匀的区域)
注意:如果模板响应为 0 0 0,则表示在灰度级为常数的区域。
2.3 线检测
1. 四个线检测模板如下图所示:
(1) 第一个模板对水平线有最大响应。
(2) 第二个模板对 45 ° 45° 45° 方向线有最大响应。
(3) 第三个模板对垂直线有最大响应。
(4) 第四个模板对 − 45 ° -45° −45° 方向线有最大响应。
2. 用 R 1 R_1 R1, R 2 R_2 R2, R 3 R_3 R3 和 R 4 R_4 R4 分别代表水平、 45 ° 45° 45°、垂直和 − 45 ° -45° −45° 方向线的模板响应。在图像中心的点,如果 ∣ R i ∣ > ∣ R j ∣ |R_i| > |R_j| ∣Ri∣>∣Rj∣, j ≠ i j ≠i j=i,则此点被认为与在模板 i i i 方向上的线更相关。
例:如果 ∣ R 1 ∣ > ∣ R j ∣ |R_1| > |R_j| ∣R1∣>∣Rj∣, j = 2 , 3 , 4 j = 2,3,4 j=2,3,4,则该点与水平线有更大的关联。
注:在灰度恒定的区域,上述 4 4 4 个模板的响应均为零。
2.4 边缘检测
1. 区分 “边缘” 和 “线”:边缘——图像局部区域特征不相同的那些区域间的分界线;线——具有很小宽度的其中间区域具有相同的图像特征。
2. 常见的边缘模型:
(1) 台阶边缘是指在 1 1 1 个像素的距离上发生两个灰度级间理想的过渡。
(2) 一个更接近灰度斜坡的剖面。斜坡的斜度与边缘的模糊程度成反比,在这个模型中,不再存在一条细的( 1 1 1 像素宽)轨迹。相反,一个边缘点现在是斜坡中包含的任何点,而一条边缘线段是一组已连接起来的这样的点。
3. (1) 在边缘斜面上,一阶导数为正,其它区域为零。 (2) 在边缘与黑色交界处,二阶导数为正。 (3) 在边缘与亮色交界处,二阶导数为负。 (4) 沿着斜坡和灰度为常数的区域二阶导数为零。
4. 结论:(1) 一阶导数可用于检测图像中的一个点是否在边缘上。 (2) 二阶导数可以判断一个边缘像素是在边缘亮的一边还是暗的一边。 (3) 一条连接二阶导数正值和负值的虚构直线将在边缘中点附近穿过零点。 (4) 一阶导数使用梯度算子,二阶导数使用拉普拉斯算子。
三、边缘连接
3.1 概述
1. 为什么需要边缘连接:由于噪声、照明等原因产生边缘间断,使得一组像素难以完整形成边缘;因此,在边缘检测算法后,使用连接过程将间断的边缘像素组合成完整边缘。
2. 局部处理:分析图像中每个边缘点 ( x , y ) (x,y) (x,y) 的一个邻域内的像素,根据某种准则将相似点进行连接,由满足该准则的像素连接形成边缘。
3.2 Hough变换
1. Hough变换问题的提出:在找出边界点集之后,需要连接形成完整的边界图形描述。
2. Hough变换的基本思想:
(1) 对于边界上的 n n n 个点的点集,找出共线的点集和直线方程。
(2) 对于任意两点的直线方程: y = a x + b y = ax + b y=ax+b,构造一个参数 a a a, b b b 的平面,从而有如下结论:
① x y xy xy 平面上的任意一条直线 y = a x + b y=ax+b y=ax+b,对应在参数 a b ab ab 平面上都有一个点。
② 过 x y xy xy 平面一个点 ( x , y ) (x,y) (x,y) 的所有直线,构成参数 a b ab ab 平面上的一条直线。
③ 如果点 ( x 1 , y 1 ) (x_1,y_1) (x1,y1) 与点 ( x 2 , y 2 ) (x_2,y_2) (x2,y2) 共线,那么这两点在参数 a b ab ab 平面上的直线将有一个交点,具有相同的 a a a 和 b b b。
④ 在参数 a b ab ab 平面上相交直线最多的点,对应的 x y xy xy 平面上的直线就是我们的解。
⑤ 得到点 A ( a , b ) A(a,b) A(a,b) 是我们的解(相交直线最多), ( a , b ) (a,b) (a,b) 对应到图像坐标系 x y xy xy 中所求直线的斜率和截距。
3.3 例子
1. 如下图四个点: A . ( 0 , 0 ) A. (0,0) A.(0,0), B . ( 1 , 1 ) B. (1,1) B.(1,1), C . ( 2 , 2 ) C. (2,2) C.(2,2), D . ( 3 , 3 ) D. (3,3) D.(3,3)。 y = a x + b y = ax + b y=ax+b, b = − x a + y b = −xa + y b=−xa+y。
在关于 b b b 和 a a a 的方程中带入四个点则 b = 0 b=0 b=0; b = − a + 1 b=-a+1 b=−a+1; b = − 2 a + 2 b=-2a+2 b=−2a+2; b = − 3 a + 3 b=-3a+3 b=−3a+3。
2. 为了找到交点,首先将 a , b a,b a,b 离散化,假定 a , b a, b a,b 的范围在 [ − 2 , 2 ] [-2,2] [−2,2] 之间, a = [ − 2 , − 1 , 0 , 1 , 2 ] a=[-2,-1,0,1,2] a=[−2,−1,0,1,2], b = [ − 2 , − 1 , 0 , 1 , 2 ] b=[-2,-1,0,1,2] b=[−2,−1,0,1,2],同时定义 5 ∗ 5 5*5 5∗5 二维数组,每个位置对应 a , b a,b a,b 空间中离散化的点。
(1) 对于直线 b = − a + 1 b=-a+1 b=−a+1:让 a a a 在区间 [ − 2 , − 1 , 0 , 1 , 2 ] [-2,-1,0,1,2] [−2,−1,0,1,2] 内取值,可以得到直线 b = − a + 1 b=-a+1 b=−a+1 上的 5 5 5 个点 ( − 2 , 3 ) (-2, 3) (−2,3), ( − 1 , 2 ) (-1,2) (−1,2), ( 0 , 1 ) (0,1) (0,1), ( 1 , 0 ) (1,0) (1,0), ( 2 , − 1 ) (2,-1) (2,−1),注意到 ( − 2 , 3 ) (-2,3) (−2,3) 不在表格内。
(2) 对于直线 b = 0 b=0 b=0:让 a a a 在区间 [ − 2 , − 1 , 0 , 1 , 2 ] [-2,-1,0,1,2] [−2,−1,0,1,2] 内取值,可以得到直线 b = 0 b=0 b=0 上的 5 5 5 个点 ( − 2 , 0 ) (-2, 0) (−2,0), ( − 1 , 0 ) (-1,0) (−1,0), ( 0 , 0 ) (0,0) (0,0), ( 1 , 0 ) (1,0) (1,0), ( 2 , 0 ) (2,0) (2,0)。注意到 ( 1 , 0 ) (1,0) (1,0) 在对应的表格中再次出现,累加起来变成了 2 2 2。
(3) 对于直线 b = − 2 a + 2 b=-2a+2 b=−2a+2:让 a a a 在区间 [ − 2 , − 1 , 0 , 1 , 2 ] [-2,-1,0,1,2] [−2,−1,0,1,2] 内取值,可以得到直线 b = − 2 a + 2 b=-2a+2 b=−2a+2 上的 5 5 5 个点 ( − 2 , 6 ) (-2, 6) (−2,6), ( − 1 , 4 ) (-1,4) (−1,4), ( 0 , 2 ) (0,2) (0,2), ( 1 , 0 ) (1,0) (1,0), ( 2 , − 2 ) (2,-2) (2,−2)。注意到 ( 1 , 0 ) (1,0) (1,0) 在对应的表格中再次出现,累加起来变成了 3 3 3。
(4) 对于直线 b = − 3 a + 3 b=-3a+3 b=−3a+3:让 a a a 在区间 [ − 2 , − 1 , 0 , 1 , 2 ] [-2,-1,0,1,2] [−2,−1,0,1,2] 内取值,可以得到直线 b = − 3 a + 3 b=-3a+3 b=−3a+3 上的 5 5 5 个点 ( − 2 , 9 ) (-2, 9) (−2,9), ( − 1 , 6 ) (-1,6) (−1,6), ( 0 , 3 ) (0,3) (0,3), ( 1 , 0 ) (1,0) (1,0), ( 2 , − 3 ) (2,-3) (2,−3)。注意到 ( 1 , 0 ) (1,0) (1,0) 在对应的表格中再次出现,累加起来变成了 4 4 4。找到数组内最大值对应的参数,即 a = 1 a=1 a=1, b = 0 b=0 b=0;写出 4 4 4 个点所在的方程为 y = x y=x y=x。
3.4 Hough变换的具体步骤
1. 首先确定参数 a a a, b b b 的每个取值区间,等间隔的离散化,建立对应的二维表格。
2. 对于图像中的每个边缘点,在参数直线代入 a a a 的离散值得量化的 b b b 值,得到一组参数空间点,判断数据点在对应的表格中是否出现,出现加 1 1 1。
3. 找到表格中最大数对应的参数值 a a a 和 b b b,写出直线方程。
3.5 Hough变换的法线表示形式
1. 由于垂直直线的斜率 a a a 为无穷大,我们改用极坐标形式 x c o s θ + y s i n θ = ρ xcosθ + ysinθ = ρ xcosθ+ysinθ=ρ。
2. 参数平面为 θ , ρ θ,ρ θ,ρ,对应不是直线而是正弦曲线。
3. 使用交点累加器,或交点统计直方图,找出相交线段最多的参数空间的点。
4. 然后找出该点对应的 x y xy xy 平面的直线线段。
3.6 Hough变换的扩展
1. Hough变换不只对直线,也可以用于圆:
2. 在参数空间里建立一个3D(三个参数的空间)的累加单元的数组 A A A,其元素可写为 A ( a , b , r ) A(a,b,r) A(a,b,r)。
3. 让 a a a 和 b b b 依次变化并根据式计算出 r r r,并对 A A A 累加: A ( a , b , r ) = A ( a , b , r ) + 1 A(a,b,r)=A(a,b,r)+1 A(a,b,r)=A(a,b,r)+1。从理论上说,计算量和累加器尺寸随参数个数的增加是指数增加的,所以实际中Hough变换比较适合检测较简单曲线上的点。
四、阈值处理
4.1 概述
1. 阈值处理操作: T = T [ x , y , p ( x , y ) , f ( x , y ) ] T =T[x, y, p(x, y), f(x, y)] T=T[x,y,p(x,y),f(x,y)]。 f ( x , y ) f(x,y) f(x,y) 是点 ( x , y ) (x,y) (x,y) 的灰度级, p ( x , y ) p(x,y) p(x,y) 表示该点的局部性质,如以 ( x , y ) (x,y) (x,y) 为中心的邻域的平均灰度级。
2. 阈值处理后的图像 g ( x , y ) g(x,y) g(x,y) 定义如下:
3. 标记为 1 1 1 的像素对应于对象,标记为 0 0 0 的像素对应于背景。当 T T T 仅取决于 f ( x , y ) f(x,y) f(x,y),阈值称为全局的;当 T T T 取决于 f ( x , y ) f(x,y) f(x,y) 和 p ( x , y ) p(x,y) p(x,y),阈值是局部的;当 T T T 取决于空间坐标 x x x 和 y y y,阈值就是动态的或自适应的。
4.2 计算基本全局阈值算法
1. 选择一个 T T T 的初始估计值。
2. 用 T T T 分割图像,生成两组像素: G 1 G_1 G1 由所有灰度值大于 T T T 的像素组成,而 G 2 G_2 G2 由所有灰度值小于或等于 T T T 的像素组成。
3. 对区域 G 1 G_1 G1 和 G 2 G_2 G2 中的所有像素计算平均灰度值 µ 1 µ_1 µ1 和 µ 2 µ_2 µ2。
4. 计算新的阈值: T = 1 / 2 ( µ 1 + µ 2 ) T=1/2(µ_1+µ_2) T=1/2(µ1+µ2)。
5. 重复步骤 2 2 2 到 4 4 4,直到逐次迭代所得的 T T T 值之差小于事先定义的参数 T 0 T_0 T0。
4.3 自适应阈值
1. 单一全局阈值存在的问题:不均匀亮度图像无法有效分割。
2. 方法:将图像进一步细分为子图像,并对不同的子图像使用不同的阈值处理。
解决的关键问题:如何将图像进行细分和如何为得到的子图像估计阈值。
自适应阈值:取决于像素在子图像中的位置。
五、基于区域的分割
5.1 概述
1. 目标:将区域 R R R 划分为若干个子区域 R 1 R_1 R1, R 2 R_2 R2,…, R n R_n Rn,这些子区域满足 5 5 5 个条件:
(1) 完备性: ∑ R i = R ∑R_i=R ∑Ri=R。
(2) 连通性:每个 R i R_i Ri 都是一个连通区域。
(3) 独立性:对于任意 i ≠ j i≠j i=j, R i ∩ R j = Ф R_i∩R_j= Ф Ri∩Rj=Ф。
(4) 单一性:每个区域内的灰度级相等, P ( R i ) = T R U E P(R_i)= TRUE P(Ri)=TRUE, i = 1 , 2 , … , n i = 1,2,…,n i=1,2,…,n。
(5) 互斥性:任两个区域的灰度级不等, P ( R i ∪ R j ) = F A L S E P(R_i∪R_j)= FALSE P(Ri∪Rj)=FALSE, i ≠ j i≠j i=j。
2. 基于区域的分割方法分两类:(1) 区域生长。 (2) 区域分裂与合并。
5.2 区域生长
1. 区域生长的算法实现:
(1) 根据图像的不同应用选择一个或一组种子,它或者是最亮或最暗的点,或者是位于点簇中心的点。
(2) 选择一个描述符(条件)。
(3) 从该种子开始向外扩张,首先把种子像素加入结果集合,然后不断将与集合中各个像素连通、且满足描述符的像素加入集合。
(4) 上一过程进行到不再有满足条件的新结点加入集合为止。
2. 例子:
(1) 种子选择准则:最亮的点。
(2) 相似性准则:新加入像素值与已生长的区域的平均值之差的绝对值小于 2 2 2(含不等于),且为 4 4 4 连通。
(3) 终止准则:没有像素加入。
5.3 区域的分裂与合并
1. 生长方法:先从单个种子像素开始通过不断接纳新像素,最后得到整个区域。
另外一种分割的想法:先从整幅图像开始通过不断分裂,得到各个区域(在实际中,先将图像分成任意大小且不重叠的区域,然后再合并或分裂这些区域,以满足分割的要求)。在这类方法中,常根据图像的统计特性设定图像区域属性的一致性测度。
注:基于灰度统计特性;区域的边缘信息来决定是否对区域进行合并或分裂。
2. 算法实现:
(1) 将图像分成分成大小相等的四个区域。
(2) 对每个区域不满足相似性准则的继续划分。
(3) 如果相邻的区域满足特定的准则,则将其合并。
(4) 反复进行(1)和(2)操作,直至不再有新的分裂与合并为止。
3. 例子:
4. 对于灰度图象的一些可以选择的分裂-合并准则:
(1) 同一区域中最大灰度值与最小灰度值之差或方差小于某选定的阈值。
(2) 两个区域的平均灰度值之差及方差小于某个选定的阈值。
(3) 两个区域的灰度分布函数之差小于某个选定的阈值。
(4) 两个区域的某种图像统计特征值的差小于等于某个阈值。
5. 例子如下。图中红色区域为目标,其它区域为背景,它们都具有常数灰度值。
(1) 对整个图像 R R R, P ( R ) = F A L S E P(R)=FALSE P(R)=FALSE,( P ( R ) = T R U E P(R)=TRUE P(R)=TRUE 代表在 R R R 中的所有像素都具有相同的灰度值),所以先将其分裂成如图 (a) 所示的四个正方形区域。
(2) 由于左上角区域满足 P P P,所以不必继续分裂,其它三个区域继续分裂而得到 (b)。
(3) 此时除包括目标下部的两个子区域外,其它区域都可分别按目标和背景合并。对下面的两个子区域继续分裂可得到 (c ),因为此时所有区域都已满足 P P P,所以最后一次合并可得到 (d) 的分割结果。
相关文章:
图像处理与视觉感知---期末复习重点(6)
文章目录 一、图像分割二、间断检测2.1 概述2.2 点检测2.3 线检测2.4 边缘检测 三、边缘连接3.1 概述3.2 Hough变换3.3 例子3.4 Hough变换的具体步骤3.5 Hough变换的法线表示形式3.6 Hough变换的扩展 四、阈值处理4.1 概述4.2 计算基本全局阈值算法4.3 自适应阈值 五、基于区域…...
git 如何删除本地和远程分支
删除本地分支 确认当前分支:首先,确保你没有在要删除的分支上。你可以通过运行git branch命令来查看当前的分支。 切换分支:如果你在要删除的分支上,需要先切换到另一个分支。例如,切换到main分支,可以使用…...
Kong基于QPS、IP限流
Rate Limiting限流插件 https://docs.konghq.com/hub/kong-inc/rate-limiting/ 它可以针对consumer ,credential ,ip ,service,path,header 等多种维度来进行限流.流量控制的精准度也有多种方式可以参考,比如可以做到秒级,分钟级,小时级等限流控制. 基于IP限流 源码地址&…...
基于springboot实现甘肃非物质文化网站系统项目【项目源码+论文说明】
摘要 现代经济快节奏发展以及不断完善升级的信息化技术,让传统数据信息的管理升级为软件存储,归纳,集中处理数据信息的管理方式。本甘肃非物质文化网站就是在这样的大环境下诞生,其可以帮助管理者在短时间内处理完毕庞大的数据信…...
【瑞萨RA6M3】1. 基于 vscode 搭建开发环境
基于 vscode 搭建开发环境 1. 准备2. 安装2.1. 安装瑞萨软件包2.2. 安装编译器2.3. 安装 cmake2.4. 安装 openocd2.5. 安装 ninja2.6. 安装 make 3. 生成初始代码4. 修改 cmake 脚本5. 调试准备6. 仿真 1. 准备 需要瑞萨仓库中的两个软件: MDK_Device_Packs.zipse…...
使用pip install替代conda install将packet下载到anaconda虚拟环境
问题描述 使用conda install 下载 stable_baseline3出现问题 一番搜索下是Anaconda.org缺少源 解决方法 首先使用管理员权限打开 anaconda prompt 然后激活目标环境:conda activate env_name 接着使用:conda env list查看目标env的位置 如D:\anacon…...
【HTML】常用CSS属性
文章目录 前言1、字体和文本属性2、边距和填充3、border边框4、列表属性 前言 上一篇我们学习了CSS扩展选择器以及它的继承性,对于页面元素样式设置相信大家都不陌生了。 这一篇我们就来看看具体都有哪些样式可以设置?又该如何设置? 喜欢的【…...
python中的print(f‘‘)具体用法
在Python中,print(f) 是格式化字符串(f-string)的语法,它允许你在字符串中嵌入表达式,这些表达式在运行时会被其值所替换。f 或 F 前缀表示这是一个格式化字符串字面量。 在 f 或 F 中的大括号 {} 内,你可…...
《青少年成长管理2024》022 “成长七要素之三:文化”4/5
《青少年成长管理2024》022 “成长七要素之三:文化”4/5 七、物质文化(一)什么是物质文化(二)物质文化的分类(三)人类物质文化最新成果有哪些(四)青少年了解物质文化的途…...
Linux(05) Debian 系统修改主机名
查看主机名 方法1:hostname hostname 方法2:cat etc/hostname cat /etc/hostname 如果在创建Linux系统的时候忘记修改主机名,可以采用以下的方式来修改主机名称。 修改主机名 注意,在linux中下划线“_”可能是无效的字符&…...
之前翻硬币问题胡思乱想的完善
题目背景 小明正在玩一个“翻硬币”的游戏。 题目描述 桌上放着排成一排的若干硬币。我们用 * 表示正面,用 o 表示反面(是小写字母,不是零),比如可能情形是 **oo***oooo,如果同时翻转左边的两个硬币&#x…...
前端与后端协同:实现Excel导入导出功能
🌟 前言 欢迎来到我的技术小宇宙!🌌 这里不仅是我记录技术点滴的后花园,也是我分享学习心得和项目经验的乐园。📚 无论你是技术小白还是资深大牛,这里总有一些内容能触动你的好奇心。🔍 &#x…...
Docker:探索容器化技术,重塑云计算时代应用交付与管理
一,引言 在云计算时代,随着开发者逐步将应用迁移至云端以减轻硬件管理负担,软件配置与环境一致性问题日益凸显。Docker的横空出世,恰好为软件开发者带来了全新的解决方案,它革新了软件的打包、分发和管理方式ÿ…...
畅捷通T+ KeyInfoList.aspx SQL漏洞复现
0x01 产品简介 畅捷通 T+ 是一款灵动,智慧,时尚的基于互联网时代开发的管理软件,主要针对中小型工贸与商贸企业,尤其适合有异地多组织机构(多工厂,多仓库,多办事处,多经销商)的企业,涵盖了财务,业务,生产等领域的应用,产品应用功能包括:采购管理、库存管理、销售…...
【面经】interrupt()、interrupted()和isInterrupted()的区别与使用
📝个人主页:五敷有你 🔥系列专栏:面经 ⛺️稳中求进,晒太阳 interrupt方法 如果打断线程正在sleep,wait,join会导致被打断的线程抛出InterruptedException,并清除打断标记。如…...
了解这些技术:Flutter应用顺利登陆iOS平台的步骤与方法
引言 🚀 Flutter作为一种跨平台的移动应用程序开发框架,为开发者提供了便利,使他们能够通过单一的代码库构建出高性能、高保真度的应用程序,同时支持Android和iOS两个平台。然而,完成Flutter应用程序的开发只是第一步…...
经济学 劳动市场 医疗经济学
目录 劳动市场 医疗经济学 劳动市场 自愿交换 劳动力的供给,取决于能够胜任这个工作的人的数量,雇主提供的工资必须要能覆盖他的机会成本,他失去的自由世界和他做其他事情能够挣到钱 派生需求:劳动力的需求,取决于…...
vue + koa + Sequelize + 阿里云部署 + 宝塔:宝塔数据库连接
之前文章已经介绍了宝塔上传前后端代码并部署,不清楚的请看这篇文章: vue koa 阿里云部署 宝塔:宝塔前后端部署 下面是宝塔创建数据库: 我用的 koa Sequelize 连接的数据库,Sequelize 非常适合前端使用…...
华为昇腾认证考试内容有哪些
华为昇腾认证考试的内容主要包括理论知识和实践操作两部分。 在理论知识部分,考生需要掌握昇腾计算的基础知识,包括昇腾计算平台的架构、性能特点、应用场景等。此外,还需要深入理解昇腾AI框架、算子开发、模型优化等相关技术原理和应用方法…...
Spring Boot接收从前端传过来的数据常用方式以及处理的技巧
一、params 传参 参数是会拼接到url后面的请求 场景规范:url后面的key值<3个参数的时候,使用params 传参 支持的请求方式:get(正规的是get方式)、post 都行 例如: http://localhost:8080/simpleParam?…...
EFCore通用数据操作类
public class ServiceBase : IServiceBase {protected DbContext Context { get; private set; }public ServiceBase(IEFContext eFContext){Context eFContext.CreateDBContext();}public void Commit(){this.Context.SaveChanges(); // 直接保存就行了}public void Delete&l…...
java Web 辅助学习管理系统idea开发mysql数据库web结构java编程计算机网页源码maven项目
一、源码特点 java Web 辅助学习管理系统是一套完善的信息管理系统,结合java 开发技术和bootstrap完成本系统,对理解JSP java编程开发语言有帮助,系统具有完整的源代码和数据库,系统主要采用B/S模式开发。 前段主要技术 bootstr…...
使用Python实现K近邻算法
K近邻(K-Nearest Neighbors,简称KNN)是一种简单而有效的分类和回归算法,它通过比较新样本与训练样本的距离来进行预测。在本文中,我们将使用Python来实现一个基本的K近邻算法,并介绍其原理和实现过程。 什…...
Celery的任务流
Celery的任务流 在之前调用任务的时候只是使用delay()和apply_async()方法。但是有时我们并不想简单的执行单个异步任务,比如说需要将某个异步任务的结果作为另一个异步任务的参数或者需要将多个异步任务并行执行,返回一组返回值,为了实现此…...
使用Arcpy进行数据批处理-批量裁剪
时空大数据使我们面临前所未有的机遇和挑战,尤其在地学、遥感或空间技术等专业领域,无疑是一个全新的时代。 伴随着时空大数据的到来,海量数据的处理是一个所有科研工作者都无法忽视的重要问题。传统的数据(主要指空间数据&#x…...
【攻防世界】ics-05
php://filter 伪协议查看源码 preg_replace 函数漏洞 1.获取网页源代码。多点点界面,发现点云平台设备维护中心时,页面发生变化。 /?pageindex 输入什么显示什么,有回显。 用php://filter读取网页源代码 ?pagephp://filter/readconvert.…...
VTK的交互器
VTK中鼠标消息是在交互类型对象(interactorstyle)中响应,因此通过为交互类型对象(interactorstyle)添加观察者(observer)来监听相应的消息,当消息触发时,由命令模式执行相…...
ChatGPT(3.5版本)开放无需注册:算力背后的数据之战悄然打响
✨✨ 欢迎大家来访Srlua的博文(づ ̄3 ̄)づ╭❤~✨✨ 🌟🌟 欢迎各位亲爱的读者,感谢你们抽出宝贵的时间来阅读我的文章。 我是Srlua小谢,在这里我会分享我的知识和经验。&am…...
python项目练习——14.学生管理系统
这个项目可以让用户管理学生的信息,包括学生的姓名、年龄、成绩等,并提供添加、编辑、删除、查询等功能。这个项目涉及到数据库操作、用户界面设计、数据验证等方面的技术。 代码示例: import tkinter as tk # 导入 Tkinter 库 import sqli…...
基于SpringBoot的公益慈善平台
一、项目背景介绍: 基于SpringBoot的公益慈善平台是一款致力于为社会所有人带来便利服务的B/S架构的应用程序。随着网络技术的发展,公益慈善网站已经逐渐成为公益行动的主要信息载体。在这个平台上,主要有管理员、捐赠者和志愿者三种角色&…...
西宁网站建设电话/优化营商环境个人心得
提升程序员工作效率的工具/技巧推荐系列 推荐一个功能强大的文件搜索工具SearchMyFiles 介绍一个好用的免费流程图和UML绘制软件-Diagram Designer 介绍Windows任务管理器的替代者-Process Explorer 介绍一个强大的磁盘空间检测工具Space Sniffer 如何在电脑上比较两个相似文件…...
.网站建设的目标/做营销怎样才能吸引客户
西雅图IT圈:seattleit【今日作者】Dexter读书巨慢理事会会长粉丝眼里的小公举,黑粉眼中的白莲花,Taylor Swift 不仅是全美乃至全球最吸流量最有影响力的明星之一,更是以1亿8500万美元的收入登上了2019年福布斯名人收入榜的榜首。所…...
网站布局图/苏州关键词优化排名推广
文章目录9.1 哈希表(散列)-Google 上机题9.2 哈希表的基本介绍9.3 google 公司的一个上机题:4)思路分析并画出示意图5)代码实现6)运行结果【学习笔记】【学习资料】9.1 哈希表(散列)-Google 上机题 看一个实际需求,google 公司的一…...
成都建设网站哪个好/网络营销的特点有哪些?
ug768和ug799文档介绍了7系列芯片中包含的基本逻辑单元,对其中常用的单元,进行下分析。 图片 1、IOBUF单元 图片 (1)真值表 图片(2)用途 the design element is a bidirectional single-ended I/O…...
有了域名就可以做网站了吗/职业技能培训有哪些
1.spring运行期例外(unchecked Exception)事务可以回滚,用户例外(checked Exception,即try...catch...finally块)事务不回滚;2.若要checked Exception回滚,在需要回滚的方法前添加注解:Transactional(rollbackForException.class)3.要unchecked Exception不回滚,在需要回滚的方…...
wordpress 代码质量/培训体系包括四大体系
一、业务需求: 将几百张excel表的业务数据抽取到mysql数据库中 二、系统环境 kettle8.3 mysql5.7.29 三、遇到的问题 excel表的中文抽取到mysql数据库,显示乱码...