Harris关键点检测以及SAC-IA粗配准

一、Harris关键点检测

C++

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/common/io.h>
#include <pcl/keypoints/harris_3d.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>
#include <pcl/visualization/cloud_viewer.h> 
#include <pcl/common/common_headers.h>
using namespace std;

int main(int, char** argv)
{
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);//要配准变化的点云
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_target(new pcl::PointCloud<pcl::PointXYZ>);//目标点云(不变的）
	if (pcl::io::loadPCDFile<pcl::PointXYZ>("pcd/pig_view1.pcd", *cloud) == -1)
	{
		PCL_ERROR("加载点云失败\n");
	}
	if (pcl::io::loadPCDFile<pcl::PointXYZ>("pcd/pig_view2.pcd", *cloud_target) == -1)
	{
		PCL_ERROR("加载点云失败\n");
	}
	pcl::PointCloud<pcl::PointXYZI>::Ptr keypoints1(new pcl::PointCloud<pcl::PointXYZI>);
	pcl::PointCloud<pcl::PointXYZI>::Ptr keypoints2(new pcl::PointCloud<pcl::PointXYZI>);

	pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());

	pcl::HarrisKeypoint3D<pcl::PointXYZ, pcl::PointXYZI> harris1;
	harris1.setSearchMethod(tree);
	harris1.setInputCloud(cloud);
	harris1.setNumberOfThreads(8);     //初始化调度器并设置要使用的线程数
	harris1.setRadius(4);  //方块半径
	harris1.setRadiusSearch(4);
	harris1.setNonMaxSupression(true);
	//harris1.setThreshold(1E-6);
	harris1.compute(*keypoints1);

	pcl::HarrisKeypoint3D<pcl::PointXYZ, pcl::PointXYZI> harris2;
	harris2.setSearchMethod(tree);
	harris2.setInputCloud(cloud_target);
	harris2.setNumberOfThreads(8);     //初始化调度器并设置要使用的线程数
	harris2.setRadius(4);  //方块半径
	harris2.setRadiusSearch(4);
	harris2.setNonMaxSupression(true);
	//harris2.setThreshold(1E-6);
	harris2.compute(*keypoints2);



	
	pcl::PointIndicesConstPtr keypoints1_indices = harris1.getKeypointsIndices();
	pcl::PointCloud<pcl::PointXYZ>::Ptr keys1(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::copyPointCloud(*cloud, *keypoints1_indices, *keys1);

	pcl::PointIndicesConstPtr keypoints2_indices = harris2.getKeypointsIndices();
	pcl::PointCloud<pcl::PointXYZ>::Ptr keys2(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::copyPointCloud(*cloud_target, *keypoints2_indices, *keys2);


	关键点显示
	boost::shared_ptr<pcl::visualization::PCLVisualizer>viewer1(new pcl::visualization::PCLVisualizer("v1"));
	viewer1->setBackgroundColor(0, 0, 0);
	viewer1->setWindowName("Harris");
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> in_color1(keys1, 0.0, 255.0, 0.0);
	viewer1->addPointCloud<pcl::PointXYZ>(keys1, in_color1, "key_color");//特征点
	viewer1->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "key_color");
	while (!viewer1->wasStopped())
	{
		viewer1->spinOnce(100);
		boost::this_thread::sleep(boost::posix_time::microseconds(100));
	}

	boost::shared_ptr<pcl::visualization::PCLVisualizer>viewer2(new pcl::visualization::PCLVisualizer("v2"));
	viewer2->setBackgroundColor(0, 0, 0);
	viewer2->setWindowName("Harris");
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> in_color2(keys2, 0.0, 255.0, 0.0);
	viewer2->addPointCloud<pcl::PointXYZ>(keys2, in_color2, "key_color");//特征点
	viewer2->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "key_color");
	while (!viewer2->wasStopped())
	{
		viewer2->spinOnce(100);
		boost::this_thread::sleep(boost::posix_time::microseconds(100));
	}

	boost::shared_ptr<pcl::visualization::PCLVisualizer>viewer3(new pcl::visualization::PCLVisualizer("v3"));
	viewer3->setBackgroundColor(0, 0, 0);
	viewer3->setWindowName("Harris");
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> in_color3(cloud, 0.0, 255.0, 0.0);
	viewer3->addPointCloud<pcl::PointXYZ>(cloud, in_color3, "in_color");
	viewer3->addPointCloud<pcl::PointXYZ>(keys1, "key_color");//特征点
	viewer3->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "key_color");
	viewer3->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 1.0, 0.0, 0.0, "key_color");
	while (!viewer3->wasStopped())
	{
		viewer3->spinOnce(100);
		boost::this_thread::sleep(boost::posix_time::microseconds(100));
	}

	boost::shared_ptr<pcl::visualization::PCLVisualizer>viewer4(new pcl::visualization::PCLVisualizer("v4"));
	viewer4->setBackgroundColor(0, 0, 0);
	viewer4->setWindowName("Harris");
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> in_color4(cloud_target, 0.0, 255.0, 0.0);
	viewer4->addPointCloud<pcl::PointXYZ>(cloud_target, in_color4, "in_color");
	viewer4->addPointCloud<pcl::PointXYZ>(keys2, "key_color");//特征点
	viewer4->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "key_color");
	viewer4->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 1.0, 0.0, 0.0, "key_color");
	while (!viewer4->wasStopped())
	{
		viewer4->spinOnce(100);
		boost::this_thread::sleep(boost::posix_time::microseconds(100));
	}
	return 0;

}

关键代码解析：


pcl::PointCloudpcl::PointXYZI::Ptr keypoints1(new pcl::PointCloudpcl::PointXYZI);
pcl::search::KdTreepcl::PointXYZ::Ptr tree(new pcl::search::KdTreepcl::PointXYZ());
pcl::HarrisKeypoint3D<pcl::PointXYZ, pcl::PointXYZI> harris1;
harris1.setSearchMethod(tree);
harris1.setInputCloud(cloud);
harris1.setNumberOfThreads(8);     //初始化调度器并设置要使用的线程数
harris1.setRadius(4);  //方块半径
harris1.setRadiusSearch(4);
harris1.setNonMaxSupression(true);
harris1.setThreshold(1E-6);
harris1.compute(*keypoints1);
pcl::PointIndicesConstPtr keypoints1_indices = harris1.getKeypointsIndices();
pcl::PointCloudpcl::PointXYZ::Ptr keys1(new pcl::PointCloudpcl::PointXYZ);
pcl::copyPointCloud(*cloud, *keypoints1_indices, *keys1);

  1. pcl::PointCloud<pcl::PointXYZI>::Ptr keypoints1(new pcl::PointCloud<pcl::PointXYZI>);：创建一个指向包含带有强度信息的三维关键点的点云的指针。harris1.compute()成员函数只能放入pcl::PointCloud<pcl::PointXYZI>类型的变量。

  2. pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());：创建一个KD树搜索对象的指针，用于在点云中搜索最近邻点。

  3. pcl::HarrisKeypoint3D<pcl::PointXYZ, pcl::PointXYZI> harris1;：创建一个Harris角点检测对象。这里指定输入点的类型为pcl::PointXYZ，输出点的类型为pcl::PointXYZI，即带有强度信息的点。

  4. harris1.setSearchMethod(tree);：设置Harris角点检测中使用的搜索方法为KD树搜索。

  5. harris1.setInputCloud(cloud);：设置输入点云，即要在其上执行Harris角点检测的点云。

  6. harris1.setNumberOfThreads(8);：初始化并设置用于计算的线程数。在这里，设置为8个线程。

  7. harris1.setRadius(4);：设置用于Harris角点检测的立方体的半边长。这个参数用于确定局部区域以计算Harris角点响应。

  8. harris1.setRadiusSearch(4);：设置用于搜索最近邻点的球形邻域的半径。这个参数控制着点云中每个点的邻域大小。

  9. harris1.setNonMaxSupression(true);：设置是否进行非最大抑制，以在检测到的角点之间进行抑制，只保留局部最大值。

  10. harris1.setThreshold(1E-6);：设置Harris响应阈值。只有大于此阈值的角点才会被保留。

  11. harris1.compute(*keypoints1);：执行Harris角点检测，并将检测到的角点存储在keypoints1中。

  12. pcl::PointIndicesConstPtr keypoints1_indices = harris1.getKeypointsIndices();：获取检测到的角点的索引。

  13. pcl::PointCloud<pcl::PointXYZ>::Ptr keys1(new pcl::PointCloud<pcl::PointXYZ>);：创建一个新的点云对象，用于存储没有强度信息的角点。

  14. pcl::copyPointCloud(*cloud, *keypoints1_indices, *keys1);：将检测到的角点从原始点云中复制到新创建的点云对象中。

这些参数的设置会影响Harris角点检测的性能和结果。例如，调整半径、阈值和是否进行非最大抑制会影响检测到的角点数量和质量。增加线程数可以加速计算，但也会增加计算资源的消耗。

结果：

输入点云的关键点 

 输出点云的关键点 

输入点云的关键点与输入点云一起展示 

输出点云的关键点与输出点云一起展示  

二、Harris关键点检测及SAC-IA粗配准  

C++

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/common/io.h>
#include <pcl/keypoints/harris_3d.h>
#include <pcl/features/normal_3d.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/features/fpfh_omp.h>  
#include <pcl/common/common_headers.h>
#include <pcl/registration/ia_ransac.h>
using namespace std;
void extract_keypoint(pcl::PointCloud<pcl::PointXYZ>::Ptr& cloud, pcl::PointCloud<pcl::PointXYZI>::Ptr& keypoint)
{
	pcl::HarrisKeypoint3D<pcl::PointXYZ, pcl::PointXYZI> harris;
	pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
	harris.setSearchMethod(tree);
	harris.setInputCloud(cloud);
	harris.setNumberOfThreads(8);     //初始化调度器并设置要使用的线程数
	harris.setRadius(4);  //方块半径
	harris.setRadiusSearch(4);
	harris.setNonMaxSupression(true);
	//harris.setThreshold(1E-6);
	harris.compute(*keypoint);

}
pcl::PointCloud<pcl::FPFHSignature33>::Ptr compute_fpfh_feature(pcl::PointCloud<pcl::PointXYZI>::Ptr& keypoint)
{
	pcl::search::KdTree<pcl::PointXYZI>::Ptr tree;
	pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);
	pcl::NormalEstimation<pcl::PointXYZI, pcl::Normal> n;
	n.setInputCloud(keypoint);
	n.setSearchMethod(tree);
	n.setKSearch(10);
	n.compute(*normals);
	pcl::PointCloud<pcl::FPFHSignature33>::Ptr fpfh(new pcl::PointCloud<pcl::FPFHSignature33>);
	pcl::FPFHEstimationOMP<pcl::PointXYZI, pcl::Normal, pcl::FPFHSignature33> f;
	f.setNumberOfThreads(8);
	f.setInputCloud(keypoint);
	f.setInputNormals(normals);
	f.setSearchMethod(tree);
	f.setRadiusSearch(50);
	f.compute(*fpfh);

	return fpfh;
}
pcl::PointCloud<pcl::PointXYZ>::Ptr sac_align(pcl::PointCloud<pcl::PointXYZ>::Ptr& cloud, pcl::PointCloud<pcl::PointXYZI>::Ptr s_k, pcl::PointCloud<pcl::PointXYZI>::Ptr t_k, pcl::PointCloud<pcl::FPFHSignature33>::Ptr sk_fpfh, pcl::PointCloud<pcl::FPFHSignature33>::Ptr tk_fpfh)
{
	pcl::SampleConsensusInitialAlignment<pcl::PointXYZ, pcl::PointXYZ, pcl::FPFHSignature33> scia;
	pcl::PointCloud<pcl::PointXYZ>::Ptr s_k1(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::PointCloud<pcl::PointXYZ>::Ptr t_k1(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::copyPointCloud(*s_k, *s_k1);
	pcl::copyPointCloud(*t_k, *t_k1);
	scia.setInputSource(s_k1);
	scia.setInputTarget(t_k1);
	scia.setSourceFeatures(sk_fpfh);
	scia.setTargetFeatures(tk_fpfh);
	scia.setMinSampleDistance(7);///参数：设置采样点之间的最小距离，满足的被当做采样点
	scia.setNumberOfSamples(100);设置每次迭代设置采样点的个数(这个参数多可以增加配准精度)
	scia.setCorrespondenceRandomness(6);//设置选择随机特征对应点时要使用的邻域点个数。值越大，特征匹配的随机性就越大
	pcl::PointCloud<pcl::PointXYZ>::Ptr sac_result(new pcl::PointCloud<pcl::PointXYZ>);
	scia.align(*sac_result);
	pcl::transformPointCloud(*cloud, *sac_result, scia.getFinalTransformation());
	return sac_result;
}
int main(int, char** argv)
{
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);//要配准变化的点云
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_target(new pcl::PointCloud<pcl::PointXYZ>);//目标点云(不变的）
	if (pcl::io::loadPCDFile<pcl::PointXYZ>("pcd/pig_view1.pcd", *cloud) == -1)
	{
		PCL_ERROR("加载点云失败\n");
	}
	if (pcl::io::loadPCDFile<pcl::PointXYZ>("pcd/pig_view2.pcd", *cloud_target) == -1)
	{
		PCL_ERROR("加载点云失败\n");
	}

	boost::shared_ptr<pcl::visualization::PCLVisualizer>viewer1(new pcl::visualization::PCLVisualizer("v2"));
	viewer1->setWindowName("Harris");
	viewer1->setBackgroundColor(0, 0, 0);  //设置背景颜色为黑色
	// 对目标点云着色可视化 (red).
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>target_color1(cloud_target, 255, 0, 0);
	viewer1->addPointCloud<pcl::PointXYZ>(cloud_target, target_color1, "target cloud");
	viewer1->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "target cloud");
	// 对源点云着色可视化 (green).
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>input_color1(cloud, 0, 255, 0);
	viewer1->addPointCloud<pcl::PointXYZ>(cloud, input_color1, "input cloud");
	viewer1->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "input cloud");
	while (!viewer1->wasStopped())
	{
		viewer1->spinOnce(100);
		boost::this_thread::sleep(boost::posix_time::microseconds(100));
	}

	///粗配准
	pcl::PointCloud<pcl::PointXYZI>::Ptr s_k(new pcl::PointCloud<pcl::PointXYZI>);
	pcl::PointCloud<pcl::PointXYZI>::Ptr t_k(new pcl::PointCloud<pcl::PointXYZI>);
	extract_keypoint(cloud, s_k);
	extract_keypoint(cloud_target, t_k);

	pcl::PointCloud<pcl::FPFHSignature33>::Ptr sk_fpfh = compute_fpfh_feature(s_k);
	pcl::PointCloud<pcl::FPFHSignature33>::Ptr tk_fpfh = compute_fpfh_feature(t_k);
	pcl::PointCloud<pcl::PointXYZ>::Ptr result(new pcl::PointCloud<pcl::PointXYZ>);
	result = sac_align(cloud, s_k, t_k, sk_fpfh, tk_fpfh);

	//可视化
	cout << "读取点云个数: " << cloud->points.size() << endl;
	cout << "Harris_3D points 的提取结果为 " << s_k->points.size() << endl;

	//配准可视化
	boost::shared_ptr<pcl::visualization::PCLVisualizer>viewer2(new pcl::visualization::PCLVisualizer("v2"));
	viewer2->setWindowName("Harris");
	viewer2->setBackgroundColor(0, 0, 0);  //设置背景颜色为黑色
	// 对目标点云着色可视化 (red).
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>target_color2(cloud_target, 255, 0, 0);
	viewer2->addPointCloud<pcl::PointXYZ>(cloud_target, target_color2, "target cloud");
	viewer2->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "target cloud");
	// 对源点云着色可视化 (green).
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>input_color2(result, 0, 255, 0);
	viewer2->addPointCloud<pcl::PointXYZ>(result, input_color2, "input cloud");
	viewer2->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "input cloud");
	while (!viewer2->wasStopped())
	{
		viewer2->spinOnce(100);
		boost::this_thread::sleep(boost::posix_time::microseconds(100));
	}
	return 0;
}

关键代码解析：

我之前在iss关键点检测以及SAC-IA粗配准-CSDN博客

和本章第一部分已经解释了大部分函数，这里就不赘述了

结果：

输入点云与输出点云

配准后的输入点云与输出点云，实际效果相对较好，运行不算慢，只要一两分钟就能出结果 

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/390724.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

机器学习面试：请你谈谈逻辑回归的用法？

机器学习面试：请你谈谈逻辑回归的用法？

逻辑回归可用于以下几个方面: (1)用于概率预测。用于可能性预测时&#xff0c;得到的结果有可比性。比如根据模型进而预测在不同的自变量情况下&#xff0c;发生某病或某种情况的概率有多大。 (2)用于分类。实际上跟预测有些类似&#xff0c;也是根据模型&#xff0c;判断某人属…
阅读更多...
沐编程APP免费下载|获取免费项目以及技术教程

沐编程APP免费下载|获取免费项目以及技术教程

软件介绍 沐编程专注于分享IT编程相关知识的网站&#xff0c;主要分享毕业设计案例代码&#xff0c;课程设计案例代码&#xff0c;实用功能代码&#xff0c;bug解决方案&#xff0c;编程工具推荐以及编程课程分享等 下载方式 蓝奏云下载&#xff1a;https://wfr.lanzout.com…
阅读更多...
嵌入式各种存储器的区别，NAND、DDR、LPDDR、eMMC

嵌入式各种存储器的区别，NAND、DDR、LPDDR、eMMC

存储领域发展至今&#xff0c;已有很多不同种类的存储器产品。下面给大家介绍几款常见的存储器及其应用&#xff1a; 一、NAND NAND Flash存储器是Flash存储器的一种&#xff0c;属于非易失性存储器&#xff0c;其内部采用非线性宏单元模式&#xff0c;为固态大容量内存的实现…
阅读更多...
2.12：C语言测试题

2.12：C语言测试题

1.段错误&#xff1a;申请堆区内存未返回&#xff0c;str指向NULL 2.段错误&#xff1a;局部变量&#xff0c;本函数结束&#xff0c;p也释放 3.越界访问&#xff0c;可能正常输出hello&#xff0c;可能报错 4.可能段错误&#xff0c;释放后&#xff0c;str未指向NULL&#x…
阅读更多...
sqlserver对已有的表插入列

sqlserver对已有的表插入列

现有如下的一个表&#xff1b; 现在要插入一个 人员id 列&#xff1b;如下图在设计视图的行首单击&#xff0c;选择 插入列&#xff1b; 然后添加一个 人员id 列&#xff1b; 保存&#xff0c;出现下图提示&#xff0c;不能保存设计&#xff1b; 这就直接使用sql语句更改&#…
阅读更多...
活用 Composition API 核心函数，打造卓越应用（上）

活用 Composition API 核心函数，打造卓越应用（上）

&#x1f90d; 前端开发工程师、技术日更博主、已过CET6 &#x1f368; 阿珊和她的猫_CSDN博客专家、23年度博客之星前端领域TOP1 &#x1f560; 牛客高级专题作者、打造专栏《前端面试必备》 、《2024面试高频手撕题》 &#x1f35a; 蓝桥云课签约作者、上架课程《Vue.js 和 E…
阅读更多...
蓝桥省赛真题|简单：分数

蓝桥省赛真题|简单：分数

题目链接&#xff1a;https://www.lanqiao.cn/problems/610/learning/?page1&first_category_id1&second_category_id3&tags2018&name%E5%88%86%E6%95%B0 题不难&#xff0c;但是可以帮助编程时好的习惯的养成&#xff0c;更加注意一些细节。 注意几个地方︰…
阅读更多...
C++ STL-＞list模拟实现

C++ STL-＞list模拟实现

theme: smartblue list list文档 list是可以在常数范围内在任意位置进行插入和删除的序列式容器&#xff0c;并且该容器可以前后双向迭代。list的底层是双向链表结构&#xff0c;双向链表中每个元素存储在互不相关的独立节点中&#xff0c;在节点中通过指针指向 其前一个元素…
阅读更多...
solara，好用的 Python 太阳能系统的建模库！

solara，好用的 Python 太阳能系统的建模库！

🏷️个人主页：鼠鼠我捏，要死了捏的主页 🏷️付费专栏：Python专栏 🏷️个人学习笔记，若有缺误，欢迎评论区指正 前言 大家好，今天为大家分享一个超级厉害的 Python 库 - solara。 Github地址：https://github.com/widgetti/solara 在可持续能源领域，太阳能是一种…
阅读更多...
Github 2024-02-17 开源项目日报 Top10

Github 2024-02-17 开源项目日报 Top10

根据Github Trendings的统计&#xff0c;今日(2024-02-17统计)共有10个项目上榜。根据开发语言中项目的数量&#xff0c;汇总情况如下&#xff1a; 开发语言项目数量Python项目4TypeScript项目3Rust项目2Jupyter Notebook项目1PowerShell项目1JavaScript项目1 Black&#xff…
阅读更多...
linux系统---防火墙

linux系统---防火墙

目录 一、防火墙的认识 1.防火墙定义 2.防火墙分类 二、Linux系统防火墙 1.Netfilter 2.防火墙工具介绍 2.1iptables 2.2firewalld 2.3nftables 2.4netfilter的五个勾子函数和报文流向 2.4.1五个勾子 2.4.2三种报文流向 3.iptables 3.1iptables概述 3.2iptables…
阅读更多...
移动WEB开发知识总结

移动WEB开发知识总结

浏览器现状 PC端常见浏览器 360浏览器、谷歌浏览器、火狐浏览器、QQ浏览器、百度浏览器、搜狗浏览器、IE浏览器。 移动端常见浏览器 UC浏览器&#xff0c;QQ浏览器&#xff0c;欧朋浏览器&#xff0c;百度手机浏览器&#xff0c;360安全浏览器&#xff0c;谷歌浏览器&#xf…
阅读更多...
TenorFlow多层感知机识别手写体

TenorFlow多层感知机识别手写体

文章目录 数据准备建立模型建立输入层 x建立隐藏层h1建立隐藏层h2建立输出层 定义训练方式建立训练数据label真实值 placeholder定义loss function选择optimizer 定义评估模型的准确率计算每一项数据是否正确预测将计算预测正确结果&#xff0c;加总平均 开始训练画出误差执行结…
阅读更多...
微信网页版能够使用（会顶掉微信app的登陆）

微信网页版能够使用（会顶掉微信app的登陆）

一、文件结构 新建目录chrome新建icons&#xff0c;其中图片你自己找吧新建文件manifest.json新建文件wx-rules.json 二、文件内容 对应的png你们自己改下 1、manifest.json {"manifest_version": 3,"name": "wechat-need-web","author…
阅读更多...
揭开Markdown的秘籍：引用|代码块|超链接

揭开Markdown的秘籍：引用|代码块|超链接

&#x1f308;个人主页&#xff1a;聆风吟 &#x1f525;系列专栏&#xff1a;Markdown指南、网络奇遇记 &#x1f516;少年有梦不应止于心动&#xff0c;更要付诸行动。 文章目录 &#x1f4cb;前言一. ⛳️Markdown 引用1.1 &#x1f514;引用1.2 &#x1f514;嵌套引用1.3 &…
阅读更多...
网络原理-TCP_IP(6)

网络原理-TCP_IP(6)

网络层 在复杂的网络环境中确定一个合适的路径. IP协议 与TCP协议并列,都是网络体系中最核心的协议. 基本概念 主机:配有IP地址,但是不进行路由控制的设备; 路由器:即配有IP地址,又能进行路由控制; 节点:主机和路由器的统称; 协议头格式 4位版本号(version):指定IP协议的版…
阅读更多...
Vue的一些基础设置

Vue的一些基础设置

1.浏览器控制台显示Vue 设置找到扩展&#xff0c;搜索Vue 下载这个 然后 点击扩展按钮 点击详细信息 选择这个&#xff0c;然后重启一下就好了 ——————————————————————————————————————————— 2.优化工程结构 src的components里要…
阅读更多...
wayland(xdg_wm_base) + egl + opengles 纹理贴图进阶实例(四)

wayland(xdg_wm_base) + egl + opengles 纹理贴图进阶实例(四)

文章目录 前言一、使用gstreamer 获取 pattern 图片二、代码实例1. pattern 图片作为纹理数据源的代码实例1.1 基于opengles2.0 接口的 egl_wayland_texture2_1.c1.2 基于opengles3.0 接口的 egl_wayland_texture3_1.c2. xdg-shell-client-protocol.h 和 xdg-shell-protocol.c3…
阅读更多...
IDEA中的神仙插件——Smart Input （自动切换输入法）

IDEA中的神仙插件——Smart Input （自动切换输入法）

IDEA中的神仙插件——Smart Input &#xff08;自动切换输入法&#xff09; 设置 更多功能详见官方文档&#xff1a;Windows版SmartInput使用入门
阅读更多...
面试经典150题——串联所有单词的子串（困难）

面试经典150题——串联所有单词的子串（困难）

"Opportunities dont happen, you create them." ​ - Chris Grosser 1. 题目描述 2. 题目分析与解析 2.1 思路一——暴力求解 遇见这种可能刚开始没什么思路的问题&#xff0c;先试着按照人的思维来求解该题目。对于一个人来讲&#xff0c;我想要找到 s 字符串中…
阅读更多...
最新文章

Copyright @ 2022~2023