如何使用Python的Open3D开源库进行三维数据处理

简介

在本文中,我提供了一个关于如何使用Python的Open3D库(一个用于3D数据处理的开源库)来探索、处理和可视化3D模型的快速演练。

使用Open3D可视化的3D模型(链接https://sketchfab.com/3d-models/tesla-model-s-plaid-9de8855fae324e6cbbb83c9b5288c961处可找到原始3D模型)

如果您正在考虑处理特定任务的3D数据/模型,例如训练3D模型分类和/或分割AI模型,那么您会发现本演练是很有帮助的。互联网上的3D模型(在ShapeNet等数据集中)有多种格式,如.obj、.glb、.gltf等。使用Open3D等库,可以轻松处理、可视化这些模型,并将其转换为其他格式,如点云,因为这些格式更容易理解和解释。

注意,这篇文章也可以作为Jupyter笔记本提供给那些希望跟随并在本地运行代码的人。包含Jupyter笔记本以及所有其他数据和有关资源的zip文件可以从下面的链接下载。

3D Data Processing with Open3D.zip。

在本教程中,我将完成以下任务:

  1. 将三维模型加载为网格并将其可视化
  2. 通过采样点将网格转换为点云
  3. 从点云中删除隐藏点
  4. 将点云转换为数据帧
  5. 保存点云和数据帧

下面,让我们从导入所有必要的库开始:

# 导入open3d和所有其他必要的库。

import open3d as o3d
import os
import copy
import numpy as np
import pandas as pd
from PIL import Image

np.random.seed(42)
#正在检查open3d上安装的版本。

o3d.__version__
# Open3D version used in this exercise: 0.16.0
将三维模型加载为网格并将其可视化

通过运行以下代码行,可以将3D模型读取为网格:

#定义三维模型文件的路径。
mesh_path = "data/3d_model.obj"

# 使用open3d将三维模型文件读取为三维网格。
mesh = o3d.io.read_triangle_mesh(mesh_path)

要可视化网格,请运行以下代码行:

#可视化网格。
draw_geoms_list = [mesh]
o3d.visualization.draw_geometries(draw_geoms_list)

网格应该在一个新窗口中打开,看起来应该像下面的图像(请注意,网格打开时是静态图像,而不是像这里显示的动画图像)。可以使用鼠标指针根据需要旋转网格图像。

可视化为网格的3D模型(在估计曲面法线之前)

如上所述,汽车网格看起来不像典型的3D模型,而是渲染成了统一的灰色。这是因为网格没有任何关于三维模型中顶点和曲面的法线的信息。

什么是法线呢?-曲面在给定点处的法向量是垂直于该点处曲面的向量。法向量通常简称为“法线”。要关于此主题的内容,可以参考以下两个链接:法线向量和估计点云中的曲面法线。

可以通过运行以下代码行来估计上面三维网格的法线:

# 计算网格的法线。
mesh.compute_vertex_normals()

#可视化网格。
draw_geoms_list = [mesh]
o3d.visualization.draw_geometries(draw_geoms_list)

一旦可视化,网格应该如下图所示出现。计算法线后,汽车将正确渲染,看起来像一个3D模型。

可视化为网格的3D模型(在估计表面法线之后)

现在,让我们创建一个XYZ坐标系,以了解这个汽车模型在欧几里得空间中的方向。XYZ坐标系可以覆盖在上面的3D网格上,并通过运行以下代码行进行可视化:

# 创建XYZ轴笛卡尔坐标系的网格。
# 该网格将显示X、Y和Z轴指向的方向,并且可以覆盖在3D网格上,以可视化其在欧几里得空间中的方向。
# X-axis : 红色箭头
# Y-axis : 绿色箭头
# Z-axis : 蓝色箭头
mesh_coord_frame = o3d.geometry.TriangleMesh.create_coordinate_frame(size=5, origin=[0, 0, 0])

#使用坐标系可视化网格,以了解方向。
draw_geoms_list = [mesh_coord_frame, mesh]
o3d.visualization.draw_geometries(draw_geoms_list)

使用XYZ坐标系可视化的三维网格(X轴:红色箭头,Y轴:绿色箭头,Z轴:蓝色箭;[简记为——XYZ::RGB])

从上面的可视化中,我们可以看到这个汽车网格的方向如下:

  • XYZ轴的原点:在汽车模型的体积中心(在上图中看不到,因为它在汽车网格内)。
  • X轴(红色箭头):沿着汽车的长度尺寸,正X轴指向汽车的发动机罩(在上图中看不到,因为它在汽车网格内)。
  • Y轴(绿色箭头):沿着汽车的高度尺寸,正Y轴指向汽车的车顶。
  • Z轴(蓝色箭头):沿着汽车的宽度尺寸,正Z轴指向汽车的右侧。

现在,让我们来看看这个汽车模型里面有什么。为此,我们将在Z轴上裁剪网格,并移除汽车的右半部分(正Z轴)。

#使用其束框裁剪汽车网格以移除其右半部分(正Z轴)。
bbox = mesh.get_axis_aligned_bounding_box()
bbox_points = np.asarray(bbox.get_box_points())
bbox_points[:, 2] = np.clip(bbox_points[:, 2], a_min=None, a_max=0)
bbox_cropped = o3d.geometry.AxisAlignedBoundingBox.create_from_points(o3d.utility.Vector3dVector(bbox_points))
mesh_cropped = mesh.crop(bbox_cropped)

# 可视化裁剪的网格。
draw_geoms_list = [mesh_coord_frame, mesh_cropped]
o3d.visualization.draw_geometries(draw_geoms_list)

在移除汽车右半部分的情况下,在Z轴上裁剪三维网格(正Z轴)。裁剪后的网格显示了此3D汽车模型中的详细内部

从上面的可视化中,我们可以看到这款车型有着详细的内饰。现在我们已经看到了这个3D网格内部的内容,我们可以在移除属于汽车内部的“隐藏”点之前将其转换为点云。

通过采样点将网格转换为点云

通过定义,我们希望从网格中采样的点的数量,可以在Open3D中轻松地将网格转换为点云。

#从网格中均匀采样100000个点,将其转换为点云。
n_pts = 100_000
pcd = mesh.sample_points_uniformly(n_pts)

#可视化点云。
draw_geoms_list = [mesh_coord_frame, pcd]
o3d.visualization.draw_geometries(draw_geoms_list)

通过从三维网格中均匀采样100000个点创建的三维点云

请注意,上面点云中的颜色仅指示点沿Z轴的位置。

如果我们像裁剪上面的网格一样裁剪点云,它会是这样的:

#使用边界框裁剪汽车点云以移除其右半部分(正Z轴)。
pcd_cropped = pcd.crop(bbox_cropped)

#可视化裁剪的点云。
draw_geoms_list = [mesh_coord_frame, pcd_cropped]
o3d.visualization.draw_geometries(draw_geoms_list)

在移除汽车右半部分的情况下在Z轴上裁剪的三维点云(正Z轴)。与上面裁剪的网格一样,裁剪的点云也显示了此3D汽车模型中的详细内部

我们在裁剪点云的可视化中看到,它还包含属于汽车模型内部的点。这是意料之中的,因为该点云是通过对整个网格中的点进行均匀采样而创建的。在下一节中,我们将删除这些属于汽车内部且不在点云外表面的“隐藏”点。

从点云中删除隐藏点

想象一下,你把一盏灯指向汽车模型的右侧。落在三维模型右外表面上的所有点都将被照亮,而点云中的所有其他点则不会被照亮。

显示Open3D的隐藏点移除如何从给定的视点处理点云的插图。所有被照亮的点都被视为“可见”,而所有其他点都被认为是“隐藏”

现在,让我们将这些照明点标记为“可见”,将所有未照明点标记“隐藏”。这些“隐藏”点还将包括属于汽车内部的所有点。

此操作在Open3D中称为“隐藏点删除”。为了使用Open3D在点云上执行此操作,请运行以下代码行:

# 定义隐藏点删除操作的摄影机和半径参数。
diameter = np.linalg.norm(np.asarray(pcd.get_min_bound()) - np.asarray(pcd.get_max_bound()))
camera = [0, 0, diameter]
radius = diameter * 100

# 使用上面定义的摄影机和半径参数对点云执行隐藏点删除操作。
#输出是可见点的索引列表。
_, pt_map = pcd.hidden_point_removal(camera, radius)

使用上面的可见点索引输出列表,我们可以在可视化点云之前将可见点和隐藏点涂成不同的颜色。

# 将点云中的所有可见点绘制为蓝色,将所有隐藏点绘制为红色。

pcd_visible = pcd.select_by_index(pt_map)
pcd_visible.paint_uniform_color([0, 0, 1]) #蓝色点是可见点(需要保留)。
print("No. of visible points : ", pcd_visible)

pcd_hidden = pcd.select_by_index(pt_map, invert=True)
pcd_hidden.paint_uniform_color([1, 0, 0]) # 红色点是隐藏点(要删除)。
print("No. of hidden points : ", pcd_hidden)

# 可视化点云中的可见(蓝色)和隐藏(红色)点。
draw_geoms_list = [mesh_coord_frame, pcd_visible, pcd_hidden]
o3d.visualization.draw_geometries(draw_geoms_list)

从上图所示的摄影机视点移除隐藏点操作后的点云。“可见”点为蓝色,而“隐藏”点为红色

从上面的可视化中,我们可以看到隐藏点移除操作是如何从给定的相机视点工作的。该操作消除了背景中被来自给定相机视点的前景中的点遮挡的所有点。

为了更好地理解这一点,我们可以再次重复相同的操作,但这次是在稍微旋转点云之后。实际上,我们正在努力改变这里的观点。但是,我们将旋转点云本身,而不是通过重新定义相机参数来改变它。

复制

#定义将度数转换为弧度的函数。
def deg2rad(deg):
 return deg * np.pi/180

#将点云绕X轴旋转90度。
x_theta = deg2rad(90)
y_theta = deg2rad(0)
z_theta = deg2rad(0)
tmp_pcd_r = copy.deepcopy(pcd)
R = tmp_pcd_r.get_rotation_matrix_from_axis_angle([x_theta, y_theta, z_theta])
tmp_pcd_r.rotate(R, center=(0, 0, 0))

#可视化旋转的点云。
draw_geoms_list = [mesh_coord_frame, tmp_pcd_r]
o3d.visualization.draw_geometries(draw_geoms_list)

围绕X轴旋转90度的三维点云。请注意,与以前不同的是,现在Y轴(绿色箭头)沿着汽车的宽度尺寸运行,Z轴(蓝色箭头)沿着车辆的高度尺寸运行。X轴(红色箭头)没有变化,它仍然沿着汽车的长度方向运行

图示显示了隐藏点删除操作如何从与前面相同的给定视点对旋转的点云进行操作。如前所述,所有照明点都被视为“可见”,而所有其他点都被认为是“隐藏”。

通过对旋转的汽车模型再次重复相同的过程,我们可以看到,这一次,落在3D模型(车顶)上外表面的所有点都会被照亮,而点云中的所有其他点都不会被照亮。

我们可以通过运行以下代码行,对旋转的点云重复隐藏点删除操作:

# 使用上面定义的相同摄影机和半径参数对旋转的点云执行隐藏点移除操作。
#输出是可见点的索引列表。
_, pt_map = tmp_pcd_r.hidden_point_removal(camera, radius)

# 将旋转的点云中的所有可见点绘制为蓝色,将所有隐藏点绘制为红色。

pcd_visible = tmp_pcd_r.select_by_index(pt_map)
pcd_visible.paint_uniform_color([0, 0, 1]) # 蓝色点是可见点(需要保留)。
print("No. of visible points : ", pcd_visible)

pcd_hidden = tmp_pcd_r.select_by_index(pt_map, invert=True)
pcd_hidden.paint_uniform_color([1, 0, 0]) #红色点是隐藏点(要删除)。
print("No. of hidden points : ", pcd_hidden)

#可视化旋转的点云中的可见(蓝色)和隐藏(红色)点。
draw_geoms_list = [mesh_coord_frame, pcd_visible, pcd_hidden]
o3d.visualization.draw_geometries(draw_geoms_list)

从上图所示的摄影机视点移除隐藏点操作后旋转的点云。同样,“可见”点为蓝色,而“隐藏”点为红色

上面旋转的点云的可视化清楚地说明了隐藏点移除操作是如何工作的。因此,现在,为了从这个汽车点云中移除所有“隐藏”点,我们可以通过将点云围绕所有三个轴从-90度到+90度稍微旋转来依次执行隐藏点移除操作。在每次删除隐藏点操作之后,我们可以聚合点的索引的输出列表。在所有隐藏点移除操作之后,点索引的聚合列表将包含所有未隐藏的点(即,位于点云的外表面上的点)。以下代码执行此顺序隐藏点删除操作:

# 定义一个函数以在X、Y和Z轴上旋转点云。
def get_rotated_pcd(pcd, x_theta, y_theta, z_theta):
 pcd_rotated = copy.deepcopy(pcd)
 R = pcd_rotated.get_rotation_matrix_from_axis_angle([x_theta, y_theta, z_theta])
 pcd_rotated.rotate(R, center=(0, 0, 0))
 return pcd_rotated

# 定义一个函数以获取隐藏点移除操作的点云的相机和半径参数。
def get_hpr_camera_radius(pcd):
 diameter = np.linalg.norm(np.asarray(pcd.get_min_bound()) - np.asarray(pcd.get_max_bound()))
 camera = [0, 0, diameter]
 radius = diameter * 100
 return camera, radius

# 定义一个函数,使用前面定义的摄影机和半径参数对点云执行隐藏点删除操作。
#输出是未隐藏的点的索引列表。
def get_hpr_pt_map(pcd, camera, radius):
 _, pt_map = pcd.hidden_point_removal(camera, radius) 
 return pt_map
# 通过在三个轴中的每一个轴上将点云从-90度略微旋转到+90度,依次执行隐藏点移除操作,并在每次操作后聚合未隐藏的点的索引列表。

# 定义一个列表来存储每个隐藏点删除操作的聚合输出列表。
pt_map_aggregated = []

# 定义旋转点云的步长和角度值范围。
theta_range = np.linspace(-90, 90, 7)

# 对顺序操作的次数进行计数。
view_counter = 1
total_views = theta_range.shape[0] ** 3

# 获取隐藏点移除操作的相机和半径参数。
camera, radius = get_hpr_camera_radius(pcd)

# 循环使用上面为每个轴定义的角度值。
for x_theta_deg in theta_range:
 for y_theta_deg in theta_range:
 for z_theta_deg in theta_range:

 print(f"Removing hidden points - processing view {view_counter} of {total_views}.")

 #按给定的角度值旋转点云。
 x_theta = deg2rad(x_theta_deg)
 y_theta = deg2rad(y_theta_deg)
 z_theta = deg2rad(z_theta_deg)
 pcd_rotated = get_rotated_pcd(pcd, x_theta, y_theta, z_theta)

 # 使用上面定义的摄影机和半径参数对旋转的点云执行隐藏点移除操作。
 pt_map = get_hpr_pt_map(pcd_rotated, camera, radius)

 # 聚合未隐藏的点的索引的输出列表。
 pt_map_aggregated += pt_map

 view_counter += 1

# 通过将聚合列表转换为集合,从聚合列表中删除所有重复的点。
pt_map_aggregated = list(set(pt_map_aggregated))
# 将点云中的所有可见点绘制为蓝色,将所有隐藏点绘制为红色。

pcd_visible = pcd.select_by_index(pt_map_aggregated)
pcd_visible.paint_uniform_color([0, 0, 1]) # 蓝色点是可见点(需要保留)。
print("No. of visible points : ", pcd_visible)

pcd_hidden = pcd.select_by_index(pt_map_aggregated, invert=True)
pcd_hidden.paint_uniform_color([1, 0, 0]) # 红色点是隐藏点(要删除)。
print("No. of hidden points : ", pcd_hidden)

# 可视化点云中的可见(蓝色)和隐藏(红色)点。
draw_geoms_list = [mesh_coord_frame, pcd_visible, pcd_hidden]
# draw_geoms_list = [mesh_coord_frame, pcd_visible]
# draw_geoms_list = [mesh_coord_frame, pcd_hidden]
o3d.visualization.draw_geometries(draw_geoms_list)

从同一摄影机视点执行所有顺序隐藏点移除操作后的点云。聚合的“可见”点(即点云外表面上的点)为蓝色,而“隐藏”点(如不在点云外表面对的点)则为红色

让我们再次裁剪点云,看看属于汽车内部的点。

#使用先前定义的边界框裁剪可见点的点云,以移除其右半部分(正Z轴)。
pcd_visible_cropped = pcd_visible.crop(bbox_cropped)

# 使用先前定义的边界框裁剪隐藏点的点云,以移除其右半部分(正Z轴)。
pcd_hidden_cropped = pcd_hidden.crop(bbox_cropped)

# 可视化裁剪的点云。
draw_geoms_list = [mesh_coord_frame, pcd_visible_cropped, pcd_hidden_cropped]
o3d.visualization.draw_geometries(draw_geoms_list)

在所有顺序的隐藏点移除操作之后裁剪的点云,以红色显示属于3D汽车模型内部的所有“隐藏”点

从隐藏点移除操作后裁剪的点云的上述可视化中,我们可以看到,属于汽车模型内部的所有“隐藏”点(红色)现在都与点云外表面的“可见”点(蓝色)分离。

将点云转换为数据帧

正如人们所期望的那样,点云中每个点的位置可以由三个数值定义——X、Y和Z坐标。请记住,在上面的部分中,我们还估计了3D网格中每个点的曲面法线。当我们从该网格中采样点以创建点云时,点云中的每个点还包含与这些曲面法线相关的三个附加属性——X、Y和Z方向上的法线单位向量坐标。

因此,为了将点云转换为数据帧,点云中的每个点都可以用以下七个属性列在一行中来表示:

  1. X坐标(浮动)
  2. Y坐标(浮动)
  3. Z坐标(浮动)
  4. X方向上的法向量坐标(浮点)
  5. Y方向上的法向量坐标(浮点)
  6. Z方向上的法向量坐标(浮动)
  7. 可见点(布尔值True或False)

通过运行以下代码行,可以将点云转换为数据帧:

# 为点云创建一个数据帧,其中包含所有点的X、Y和Z位置坐标以及X、Y、Z方向上的法向单位向量坐标。
pcd_df = pd.DataFrame(np.concatenate((np.asarray(pcd.points), np.asarray(pcd.normals)), axis=1),
 columns=["x", "y", "z", "norm-x", "norm-y", "norm-z"]
 )

# 使用上面隐藏点删除操作中的点索引聚合列表,添加一列以指示点是否可见。
pcd_df["point_visible"] = False
pcd_df.loc[pt_map_aggregated, "point_visible"] = True

这将返回如下所示的数据帧,其中每个点都是由上面解释的七个属性列表示的行。

转换为数据帧的三维点云

保存点云和数据帧

现在可以通过运行以下代码行来保存点云(删除隐藏点之前和之后)和数据帧:

# 将整个点云保存为.pcd文件。
pcd_save_path = "data/3d_model.pcd"
o3d.io.write_point_cloud(pcd_save_path, pcd)

# 将删除了隐藏点的点云保存为.pcd文件。
pcd_visible_save_path = "data/3d_model_hpr.pcd"
o3d.io.write_point_cloud(pcd_visible_save_path, pcd_visible)

# 将点云数据帧保存为.csv文件。
pcd_df_save_path = "data/3d_model.csv"
pcd_df.to_csv(pcd_df_save_path, index=False)

三维模型(顶部:整体,底部:裁剪)可视化为:1——网格;2——一个点云;3——删除隐藏点后的点云

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:/a/204252.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

HarmonyOS入门开发(三) 持久化存储Preferences

接入鸿蒙几天以来,发现各种和Android不一样的地方,今天来看一下Preferences存储 在Android中比如有ShardPreferences、Mmkv这些持久化存储方式,开发起来很方便,读取速度也很快,在鸿蒙里面也提供了对应的持久化存储方案…

为什么修改IP和隐藏IP地址?修改IP地址带来哪些好处?

随着互联网的普及,越来越多的人开始依赖网络进行日常生活和工作。然而,在上网过程中,我们的IP地址是暴露无遗的,这就有可能导致一些安全问题。因此,修改IP和隐藏IP地址的需求应运而生。那么,为什么要修改IP…

Vue.js 组件生命周期

Vue.js 组件生命周期 生命周期函数(钩子)就是给我们提供了一些特定的时刻,让我们可以在这个周期段内加入自己的代码,做一些需要的事情; 生命周期钩子中的this指向是VM 或 组件实例对象 在JS 中,函数的执行上下文&#…

主播岗位面试

一、自我介绍 在面试的开始阶段,你需要准备一个简洁而有力的自我介绍。这个自我介绍应该包括你的姓名、教育背景、工作经验以及你为何对这个主播职位感兴趣。这个自我介绍应该控制在1-2分钟之内,避免冗长的表述。 二、主播经历和特点 在这个环节&…

Docker的基本概念和优势,以及实际应用场景

目录 概要 基本概念 容器 (Container) 什么是容器 容器与虚拟机的区别 镜像 (Image) Dockerfile 仓库 (Repository) 容器编排 (Orchestration) Docker Compose Docker Daemon 和 Docker Client 网络 (Network) 数据卷 (Volume) 主要优势 提高移植性和可移植性 提…

elementui中添加开关控制

<template><!-- 图层管理 --><div class"home-wrapper"><div class"table-list"><div class"list"><el-table :data"tableData" height"100%" style"width: 100%;" border>&…

nginx 改变您的HTTP服务器的缺省banner

可通过HTTP获取远端WWW服务信息【原理扫描】 低风险 建议您采取以下措施以降低威胁&#xff1a;* 改变您的HTTP服务器的缺省banner。 80 系统扫描漏洞修复 已nginx-1.22.1为例 1、修改源码文件 #进入之前安装nginx的源码目录 cd /usr/local/src/nginx-1.22.1/#需要修改的…

性能优化之FPS

如果每秒钟有60帧&#xff0c;那么每一帧的时间就是总时间&#xff08;1秒&#xff09;除以总帧数&#xff08;60帧&#xff09;&#xff1a; 所以&#xff1a;每帧时间1000 毫秒/60 帧≈16.67 毫秒 因此&#xff0c;如果每秒有60帧&#xff0c;那么每一帧大约需要16.67毫秒来…

Trie字典树

文章目录 什么是 T r i e Trie Trie 树一般条件 AcWing 835. Trie字符串统计CODE解释一下 i n s e r t ( ) insert() insert() 函数 i d x idx idx 的意义 什么是 T r i e Trie Trie 树 一种树结构&#xff0c;用来存储字符串&#xff0c;能够查询某字符串是否存在 由一个统…

国内如何访问github

1 购买一台美国硅谷的服务器 https://account.aliyun.com/login/login.htm?oauth_callbackhttps%3A%2F%2Fecs-buy.aliyun.com%2Fecs%3Fspm%3D5176.8789780.J_4267641240.2.721e45b559Ww1z%26accounttraceid%3Def6b6cc734bc49f896017a234071bfd9bctf 记得配置公网的ip&#xf…

MySQL进阶知识:SQL性能优化

目录 SQL性能分析 SQL执行频率 慢查询日志 profile详情 explain执行计划 索引的使用 最左前缀法则 范围查询 索引列运算 字符串加引号 模糊查询 or连接的条件 数据分布影响 SQL提示 覆盖索引 前缀索引 索引设计原则 SQL优化 insert优化 主键优化 页分裂 …

Agent举例与应用

什么是Agent OpenAI 应用研究主管 Lilian Weng 在一篇长文中提出了 Agent LLM&#xff08;大型语言模型&#xff09;记忆规划技能工具使用这一概念&#xff0c;并详细解释了Agent的每个模块的功能。她对Agent未来的应用前景充满信心&#xff0c;但也表明到挑战无处不在。 现…

yolov5利用yaml文件生成模型

一、yolov5的yaml文件构成 yaml文件如下图 不论是backbone还是head&#xff0c;每一行都由一个列表组成&#xff0c;列表里面有四个元素&#xff0c;另外&#xff0c;还有两个参数depth和width。在搭建模型的时候&#xff0c;会利用每一行的信息生成一个模块&#xff0c;并按照…

QT QGraphicsItem 图元覆盖导致鼠标点击事件不能传递到被覆盖图元

一、概述 在日常开发中&#xff0c;遇到这样一个问题&#xff0c;线图元和引脚图元重叠&#xff0c;导致点击引脚图元&#xff0c;没有进入引脚图元的鼠标点击事件中。 二、产生原因 如果您的 QGraphicsItem 上有一个图元覆盖了它&#xff0c;可能会导致鼠标事件无法正常触发…

跟国外客户沟通用词不同,效果可能也不同

每次和客户商量好所需要的商品的细节后&#xff0c;到了开支付链接的阶段&#xff0c;我都会习惯的说&#xff1a;shall we open the payment link for you now? 其实这句话是站在我们销售的立场上来说的&#xff0c;或者说是直接从汉语翻译成英语的句式。 但是最近我却突然想…

内存占用高排查

一、定位内存占用高的进程 top指令是最常见的检测系统运行状态的指令&#xff0c;但是因为展示界面和实时刷新的限制&#xff0c;则通过top指令不一定能够发现占用的内存很高的进程。因此&#xff0c;我们使用ps aux指令检索当前系统下的所有运行的进程。 • 下述指令查看系统…

样品实验Celloxide2021P环脂肪族环氧树脂TDS说明书

样品实验Celloxide2021P环脂肪族环氧树脂TDS说明书 200克 500克 1KG/瓶

c#把bitmap格式转换为其他格式图片

增加引用命名空间 using System.Drawing.Imaging; 打开对话框的方式读入bmp格式图片&#xff0c;转换为其他格式。 也可以直接传入图片名称。 OpenFileDialog ofd new OpenFileDialog();ofd.Title "打开对话框";ofd.InitialDirectory "D:/";ofd.Filt…

强化学习-DQN

网上看来很多&#xff0c;但是还是觉得这篇文章将得最好&#xff1a; 可视化强化学习解释 - Deep Q Networks&#xff0c;循序渐进 |Ketan Doshi 博客 (ketanhdoshi.github.io)

Qt串口助手

QT5 串口助手 ​ 由于C课程作业的需要&#xff0c;用QT5写了个简陋的串口助手。只作为一个简单的案例以供参考&#xff0c;默认读者具有C基础和了解简单的Qt操作。 功能展示 【用QT写了个简单的串口助手】 准备工作 Qt自带有<QSerialPort> 库, 可以方便地配置和调用…