点云处理中阶 Octree模块

一、什么是Octree

      八叉树（Octree）是一种用于描述三维空间的树状数据结构。八叉树的每个节点表示一个正方体的体积元素，每个节点有八个子节点，这八个子节点所表示的体积元素加在一起就等于父节点的体积。一般中心点作为节点的分叉中心。且每个节点可以继续分割，直到满足某个条件（如达到最大深度或最小点数）。这种结构特别适合于稀疏点云数据的处理，能够高效地进行空间查询和操作。

实现八叉树的原理 

　　(1). 设定最大递归深度。

　　(2). 找出场景的最大尺寸，并以此尺寸建立第一个立方体。

　　(3). 依序将单位元元素丢入能被包含且没有子节点的立方体。

　　(4). 若没达到最大递归深度，就进行细分八等份，再将该立方体所装的单位元元素全部分担给八个子立方体。

　　(5). 若发现子立方体所分配到的单位元元素数量不为零且跟父立方体是一样的，则该子立方体停止细分，因为跟据空间分割理论，细分的空间所得到的分配必定较少，若是一样数目，则再怎么切数目还是一样，会造成无穷切割的情形。

　　(6). 重复3，直到达到最大递归深度。

二、八叉树应用

1、点云压缩

      点云由巨大的数据集组成，这些数据集描述了三维点，并与诸如距离、颜色、法线等附加信息相关联。此外，它们可以以很高的速率创建，因此占用大量的内存资源。一旦点云必须在速率有限的通信信道上存储或传输，压缩这类数据的方法就变得非常有趣了。

      点云库提供点云压缩功能。它允许编码所有类型的点云，包括无序的点云，其特征是不存在的点引用，不同的点大小，分辨率，密度和/或点顺序。

      此外，底层八叉树数据结构能够有效地合并来自多个来源的点云数据。

      以下示例演示如何有效地压缩单点云以及点云流。

压缩单点云

  1. 几何压缩：

    • Octree编码：将空间分割成八个子区域，递归进行，直到每个节点包含的点数少于某个阈值。使用八叉树结构可以有效减少存储需求。
    • KD树编码：通过平衡树结构将点云分割，并按层次顺序存储，可以较好地压缩数据。

  2. 基于变换的压缩：

    • 主成分分析 (PCA)：对点云数据进行主成分分析，将点云数据投影到主成分上，减少维度，从而达到压缩的目的。
    • 离散余弦变换 (DCT) 和 小波变换：将点云数据转变到频域，利用能量集中在低频部分的特性，舍弃高频部分，实现压缩。

  3. 点位置编码：

    • 量化：将点的坐标值进行量化，可以在一定程度上减少数据量。
    • 预测编码：使用点的邻域信息预测当前点的位置，仅存储预测误差，从而减少存储量。

压缩点云流

  1. 时间冗余压缩：

    • 帧间差分编码：仅存储相邻帧之间的差异，而不是每一帧的完整数据。可以大大减少数据量。
    • 运动估计和补偿：通过估计点云流中的运动矢量，只存储运动矢量和补偿信息。

  2. 基于模型的压缩：

    • 动态几何模型：利用物体的运动模型（如刚体运动模型、骨架动画等）来预测点的位置，只存储模型参数。
    • 稀疏表示：使用稀疏矩阵或张量表示点云流，存储非零元素及其索引。

  3. 空间和时间联合压缩：

    • 四维（3D空间+时间）Octree编码：将时间维度加入Octree结构，实现空间和时间的联合压缩。
    • 时空小波变换：对点云流进行时空小波变换，利用点云流在时空域的稀疏性进行压缩。

  4. 机器学习方法：

    • 自编码器：使用神经网络的自编码器结构学习点云数据的低维表示，从而实现压缩。
    • 生成对抗网络（GANs）：利用GAN生成逼真的点云数据，可以仅存储生成器的模型参数，而不是所有点数据。

示例一（进行压缩和解压缩）

#include <iostream>
#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/io/octree_pointcloud_compression.h>

int main(int argc, char** argv) {
    // 创建一个点云对象
    pcl::PointCloud<pcl::PointXYZRGBA>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZRGBA>());
    pcl::PointCloud<pcl::PointXYZRGBA>::Ptr cloudOut(new pcl::PointCloud<pcl::PointXYZRGBA>());

    // 生成一些示例点云数据
    cloud->width = 100;
    cloud->height = 1;
    cloud->points.resize(cloud->width * cloud->height);
    for (size_t i = 0; i < cloud->points.size(); ++i) {
        cloud->points[i].x = 1024 * rand() / (RAND_MAX + 1.0f);
        cloud->points[i].y = 1024 * rand() / (RAND_MAX + 1.0f);
        cloud->points[i].z = 1024 * rand() / (RAND_MAX + 1.0f);
        cloud->points[i].r = rand() % 256;
        cloud->points[i].g = rand() % 256;
        cloud->points[i].b = rand() % 256;
        cloud->points[i].a = 255;
    }

    // 初始化点云压缩和解压缩对象
    pcl::io::compression_Profiles_e compressionProfile = pcl::io::HIGH_RES_ONLINE_COMPRESSION_WITHOUT_COLOR;
    bool showStatistics = true;
    pcl::io::OctreePointCloudCompression<pcl::PointXYZRGBA> PointCloudEncoder(compressionProfile, showStatistics);
    pcl::io::OctreePointCloudCompression<pcl::PointXYZRGBA> PointCloudDecoder;

    // 压缩点云
    std::stringstream compressedData;
    PointCloudEncoder.encodePointCloud(cloud, compressedData);

    // 解压缩点云
    PointCloudDecoder.decodePointCloud(compressedData, cloudOut);

    // 打印压缩和解压缩后的点云数据
    std::cout << "Original Point Cloud: " << std::endl;
    for (size_t i = 0; i < cloud->points.size(); ++i) {
        std::cout << "    " << cloud->points[i] << std::endl;
    }

    std::cout << "Decompressed Point Cloud: " << std::endl;
    for (size_t i = 0; i < cloudOut->points.size(); ++i) {
        std::cout << "    " << cloudOut->points[i] << std::endl;
    }

    return 0;
}

示例二（OpenNI兼容设备）

下面的代码为OpenNI兼容设备实例化一个新的采样器，并且启动循环回调接口，每从设备获取一帧数据就回调函数一次，，这里的回调函数就是实现数据压缩和可视化解压缩结果。

出处：PCL学习八叉树 - Being_young - 博客园 (cnblogs.com)

#include <pcl/point_cloud.h>                         // 点云类型
#include <pcl/point_types.h>                          //点数据类型
#include <pcl/io/openni_grabber.h>                    //点云获取接口类
#include <pcl/visualization/cloud_viewer.h>            //点云可视化类

#include <pcl/compression/octree_pointcloud_compression.h>   //点云压缩类

#include <stdio.h>
#include <sstream>
#include <stdlib.h>

#ifdef WIN32
# define sleep(x) Sleep((x)*1000)
#endif

class SimpleOpenNIViewer
{
public:
  SimpleOpenNIViewer () :
    viewer (" Point Cloud Compression Example")
  {
  }
/************************************************************************************************
  在OpenNIGrabber采集循环执行的回调函数cloud_cb_中，首先把获取的点云压缩到stringstream缓冲区，下一步就是解压缩，
  它对压缩了的二进制数据进行解码，存储在新的点云中解码了点云被发送到点云可视化对象中进行实时可视化
*************************************************************************************************/
  
 void  cloud_cb_ (const pcl::PointCloud<pcl::PointXYZRGBA>::ConstPtr &cloud)
  {
    if (!viewer.wasStopped ())
    {
      // 存储压缩点云的字节流对象
      std::stringstream compressedData;
      // 存储输出点云
      pcl::PointCloud<pcl::PointXYZRGBA>::Ptr cloudOut (new pcl::PointCloud<pcl::PointXYZRGBA> ());

      // 压缩点云
      PointCloudEncoder->encodePointCloud (cloud, compressedData);

      // 解压缩点云
      PointCloudDecoder->decodePointCloud (compressedData, cloudOut);


      // 可视化解压缩的点云
      viewer.showCloud (cloudOut);
    }
  }
/**************************************************************************************************************
 在函数中创建PointCloudCompression类的对象来编码和解码，这些对象把压缩配置文件作为配置压缩算法的参数所提供的压缩配置文件为OpenNI兼容设备采集到的点云预先确定的通用参数集，本例中使用MED_RES_ONLINE_COMPRESSION_WITH_COLOR配置参数集，用于快速在线的压缩，压缩配置方法可以在文件/io/include/pcl/compression/compression_profiles.h中找到，
 在PointCloudCompression构造函数中使用MANUAL——CONFIGURATION属性就可以手动的配置压缩算法的全部参数
******************************************************************************************************************/
  void run ()
  {

    bool showStatistics = true;  //设置在标准设备上输出打印出压缩结果信息

    // 压缩选项详情在: /io/include/pcl/compression/compression_profiles.h
    pcl::io::compression_Profiles_e compressionProfile = pcl::io::MED_RES_ONLINE_COMPRESSION_WITH_COLOR;

    // 初始化压缩和解压缩对象  其中压缩对象需要设定压缩参数选项，解压缩按照数据源自行判断
    PointCloudEncoder = new pcl::io::OctreePointCloudCompression<pcl::PointXYZRGBA> (compressionProfile, showStatistics);
    PointCloudDecoder = new pcl::io::OctreePointCloudCompression<pcl::PointXYZRGBA> ();
    /***********************************************************************************************************
    下面的代码为OpenNI兼容设备实例化一个新的采样器，并且启动循环回调接口，每从设备获取一帧数据就回调函数一次，，这里的回调函数就是实现数据压缩和可视化解压缩结果。
   ************************************************************************************************************/
    //创建从OpenNI获取点云的抓取对象
    pcl::Grabber* interface = new pcl::OpenNIGrabber ();

    // 建立回调函数
    boost::function<void
    (const pcl::PointCloud<pcl::PointXYZRGBA>::ConstPtr&)> f = boost::bind (&SimpleOpenNIViewer::cloud_cb_, this, _1);

    //建立回调函数和回调信息的绑定
    boost::signals2::connection c = interface->registerCallback (f);
    // 开始接受点云的数据流
    interface->start ();

    while (!viewer.wasStopped ())
    {
      sleep (1);
    }

    interface->stop ();

    // 删除压缩与解压缩的实例
    delete (PointCloudEncoder);
    delete (PointCloudDecoder);

  }

  pcl::visualization::CloudViewer viewer;
  pcl::io::OctreePointCloudCompression<pcl::PointXYZRGBA>* PointCloudEncoder;
  pcl::io::OctreePointCloudCompression<pcl::PointXYZRGBA>* PointCloudDecoder;

};

int
main (int argc, char **argv)
{
  SimpleOpenNIViewer v;  //创建一个新的SimpleOpenNIViewer  实例并调用他的run方法
  v.run ();
  return (0);
}

示例三（官方demo）

#include <pcl/point_cloud.h>
#include <pcl/point_types.h>
#include <pcl/io/openni_grabber.h>
#include <pcl/visualization/cloud_viewer.h>

#include <pcl/compression/octree_pointcloud_compression.h>

#include <stdio.h>
#include <sstream>
#include <stdlib.h>

#ifdef WIN32
# define sleep(x) Sleep((x)*1000)
#endif

class SimpleOpenNIViewer
{
public:
  SimpleOpenNIViewer () :
    viewer (" Point Cloud Compression Example")
  {
  }

  void
  cloud_cb_ (const pcl::PointCloud<pcl::PointXYZRGBA>::ConstPtr &cloud)
  {
    if (!viewer.wasStopped ())
    {
      // stringstream to store compressed point cloud
      std::stringstream compressedData;
      // output pointcloud
      pcl::PointCloud<pcl::PointXYZRGBA>::Ptr cloudOut (new pcl::PointCloud<pcl::PointXYZRGBA> ());

      // compress point cloud
      PointCloudEncoder->encodePointCloud (cloud, compressedData);

      // decompress point cloud
      PointCloudDecoder->decodePointCloud (compressedData, cloudOut);


      // show decompressed point cloud
      viewer.showCloud (cloudOut);
    }
  }

  void
  run ()
  {

    bool showStatistics = true;

    // for a full list of profiles see: /io/include/pcl/compression/compression_profiles.h
    pcl::io::compression_Profiles_e compressionProfile = pcl::io::MED_RES_ONLINE_COMPRESSION_WITH_COLOR;

    // instantiate point cloud compression for encoding and decoding
    PointCloudEncoder = new pcl::io::OctreePointCloudCompression<pcl::PointXYZRGBA> (compressionProfile, showStatistics);
    PointCloudDecoder = new pcl::io::OctreePointCloudCompression<pcl::PointXYZRGBA> ();

    // create a new grabber for OpenNI devices
    pcl::Grabber* interface = new pcl::OpenNIGrabber ();

    // make callback function from member function
    std::function<void(const pcl::PointCloud<pcl::PointXYZRGBA>::ConstPtr&)> f =
      [this] (const pcl::PointCloud<pcl::PointXYZRGBA>::ConstPtr& cloud) { cloud_cb_ (cloud); };

    // connect callback function for desired signal. In this case its a point cloud with color values
    boost::signals2::connection c = interface->registerCallback (f);

    // start receiving point clouds
    interface->start ();

    while (!viewer.wasStopped ())
    {
      sleep (1);
    }

    interface->stop ();

    // delete point cloud compression instances
    delete (PointCloudEncoder);
    delete (PointCloudDecoder);

  }

  pcl::visualization::CloudViewer viewer;

  pcl::io::OctreePointCloudCompression<pcl::PointXYZRGBA>* PointCloudEncoder;
  pcl::io::OctreePointCloudCompression<pcl::PointXYZRGBA>* PointCloudDecoder;

};

int
main ()
{
  SimpleOpenNIViewer v;
  v.run ();

  return (0);
}

2、空间分区与点云检索

      下篇文章单独讲检索

3、点云数据空间变换检测

官网demo：Spatial change detection on unorganized point cloud data — Point Cloud Library 0.0 documentationicon-default.png?t=N7T8https://pcl.readthedocs.io/projects/tutorials/en/latest/octree_change.html#octree-change-detection

八叉树是一种基于树的数据结构，用于组织稀疏的三维数据。在本demo中，我们将学习如何使用八叉树实现来检测多个无组织点云之间的空间变化，这些变化可能在大小，分辨率，密度和点顺序上有所不同。变换检测主要用于检测点云数据中不同时间点之间的变化。这种变化检测在很多实际应用场景中非常有用，特别是需要监控环境变化或检测动态物体的领域，即识别到场景中物体的变换。

通过递归比较八叉树的树结构，可以识别由体素配置差异所代表的空间变化。

此外，我们解释了如何使用pcl八叉树“双缓冲”技术，使我们能够随着时间的推移有效地处理多个点云。

3.1 示例

#include <pcl/point_cloud.h>
#include <pcl/point_types.h>
#include <pcl/octree/octree_pointcloud_changedetector.h>
#include <iostream>

int main() {
    // 定义点云类型
    typedef pcl::PointXYZ PointT;

    // 创建两个点云
    pcl::PointCloud<PointT>::Ptr cloudA(new pcl::PointCloud<PointT>);
    pcl::PointCloud<PointT>::Ptr cloudB(new pcl::PointCloud<PointT>);

    // 添加点到第一个点云 (cloudA)
    cloudA->push_back(PointT(1.0, 1.0, 1.0));
    cloudA->push_back(PointT(1.0, 2.0, 1.0));
    cloudA->push_back(PointT(1.0, 3.0, 1.0));

    // 添加点到第二个点云 (cloudB)
    cloudB->push_back(PointT(1.0, 1.0, 1.0));
    cloudB->push_back(PointT(1.0, 2.0, 1.0));
    cloudB->push_back(PointT(1.0, 3.0, 1.0));
    cloudB->push_back(PointT(1.0, 4.0, 1.0)); // 新增点

    // 创建八叉树变化检测器，设置分辨率
    float resolution = 0.5f;
    pcl::octree::OctreePointCloudChangeDetector<PointT> octree(resolution);

    // 将第一个点云 (cloudA) 添加到八叉树中
    octree.setInputCloud(cloudA);
    octree.addPointsFromInputCloud();

    // 切换到第二个点云 (cloudB)
    octree.switchBuffers();
    octree.setInputCloud(cloudB);
    octree.addPointsFromInputCloud();

    // 获取变化检测结果
    std::vector<int> newPointIdxVector;
    octree.getPointIndicesFromNewVoxels(newPointIdxVector);

    // 输出变化点的索引和坐标
    std::cout << "Points added in cloudB:" << std::endl;
    for (std::size_t i = 0; i < newPointIdxVector.size(); ++i) {
        std::cout << "Index: " << newPointIdxVector[i]
                  << ", Point: " << cloudB->points[newPointIdxVector[i]].x << " "
                  << cloudB->points[newPointIdxVector[i]].y << " "
                  << cloudB->points[newPointIdxVector[i]].z << std::endl;
    }

    return 0;
}

3.2 解释 

  • 定义点云类型：使用 pcl::PointXYZ 作为点云的点类型
  • 创建点云：创建两个点云 cloudA 和 cloudB 并向其中添加点
  • 创建八叉树变化检测器：使用 pcl::octree::OctreePointCloudChangeDetector 创建八叉树变化检测器，并设置分辨率。分辨率决定了八叉树的叶子节点大小，即检测变化的精度
  • 添加第一个点云到八叉树中：将第一个点云（cloudA）添加到八叉树中
  • 切换缓冲区：调用 switchBuffers 方法，这样八叉树会保存之前点云的状态，并准备接收新的点云数据。

       OctreePointCloudChangeDetector类继承自Octree2BufBase类，后者能够同时在内存中保持和管理两个八树。此外，它实现了一个内存池，可以重用已经分配的节点对象，从而在生成多点云的八叉树时减少昂贵的内存分配和释放操作。通过调用" octree. switchbuffers() "，重置了八叉树类，同时在内存中保留了之前的八叉树结构。

  • 添加第二个点云到八叉树中：将第二个点云（cloudB）添加到八叉树中。
  • 获取变化检测结果：调用 getPointIndicesFromNewVoxels 方法，获取在第二个点云中新增的点的索引。

      为了检索存储在当前八叉树结构(基于cloudB)体素上的点，这些点在之前的八叉树结构(基于cloudA)中不存在，我们可以调用“getPointIndicesFromNewVoxels”方法，该方法返回结果点索引的向量。

  • 输出变化点：遍历新点的索引，并输出它们的坐标。

三、接口文档学习

pcl_octree库提供了从点云数据创建分层树数据结构的有效方法。这允许对点数据集进行空间分区、下采样和搜索操作。每个八叉树节点要么有八个子节点，要么没有子节点。根节点描述了一个立方体边界框，它封装了所有的点。在每个树级别，该空间被细分为2倍，从而提高体素分辨率。

pcl_octree实现提供了高效的最近邻搜索例程，如“体素内邻居搜索”、“K近邻搜索”和“半径内邻居搜索”。它会根据点数据集自动调整其尺寸。一组叶节点类提供了额外的功能，例如空间“占用”和“每体素点密度”检查。序列化和反序列化函数能够有效地将八叉树结构编码为二进制格式。此外，在需要高速创建八叉树的场景中，内存池实现减少了昂贵的内存分配和释放操作。

1、Octree模块主要类

  1. pcl::octree::OctreePointCloud<T>

    • 功能：这是 Octree 模块的基类，提供了基本的八叉树结构和功能，包括树的构建、插入、删除等操作。
    • 主要子类：
      • pcl::octree::OctreePointCloudSinglePoint<T>
      • pcl::octree::OctreePointCloudPointVector<T>
      • pcl::octree::OctreePointCloudVoxelCentroid<T>

  2. pcl::octree::OctreePointCloudSinglePoint<T>

    • 功能：此类继承自 OctreePointCloud<T>，用于每个八叉树节点存储单个点。

  3. pcl::octree::OctreePointCloudPointVector<T>

    • 功能：此类继承自 OctreePointCloud<T>，用于每个八叉树节点存储一个点向量（多个点）。

  4. pcl::octree::OctreePointCloudVoxelCentroid<T>

    • 功能：此类继承自 OctreePointCloud<T>，用于每个八叉树节点存储体素（Voxel）质心。

  5. pcl::octree::OctreePointCloudSearch<T>

    • 功能：提供搜索功能，包括邻域搜索、半径搜索和 K 近邻搜索等。继承自 OctreePointCloudPointVector<T>。

  6. pcl::octree::OctreePointCloudCompression<T>

    • 功能：用于点云数据的压缩和解压缩，利用八叉树结构来减少数据存储需求。

2、类之间的关系

OctreePointCloud<T> 是 Octree 模块的基类，其他类通过继承自它来实现不同的功能。具体关系如下：

  • pcl::octree::OctreePointCloud<T>：基类，定义了基本的八叉树操作。
    • pcl::octree::OctreePointCloudSinglePoint<T>：继承自 OctreePointCloud<T>，每个节点存储一个点。
    • pcl::octree::OctreePointCloudPointVector<T>：继承自 OctreePointCloud<T>，每个节点存储一个点向量。
    • pcl::octree::OctreePointCloudVoxelCentroid<T>：继承自 OctreePointCloud<T>，每个节点存储一个体素质心。
    • pcl::octree::OctreePointCloudSearch<T>：继承自 OctreePointCloudPointVector<T>，提供搜索功能。
    • pcl::io::OctreePointCloudCompression<T>：独立实现，但依赖 Octree 结构进行压缩和解压缩。

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/643409.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

《计算机网络微课堂》2-3 传输方式

《计算机网络微课堂》2-3 传输方式

本节课我们介绍几种传输方式&#xff1a; 串行传输和并行传输同步传输和异步传输单工&#xff0c;半双工‍‍以及全双工通信 ​​ ‍ 串行 我们首先来看串行传输和并行传输&#xff0c;串行传输是指‍‍数据是一个比特依次发送的&#xff0c;因此在发送端和接收端之间‍‍只…
阅读更多...
每日5题Day10 - LeetCode 46 - 50

每日5题Day10 - LeetCode 46 - 50

每一步向前都是向自己的梦想更近一步&#xff0c;坚持不懈&#xff0c;勇往直前&#xff01; 第一题&#xff1a;46. 全排列 - 力扣&#xff08;LeetCode&#xff09; class Solution {//这道题就是一个dfs//把所有结果遍历&#xff0c;到叶子节点就可以添加结果了List<Int…
阅读更多...
helloworld 可执行程序得到的过程

helloworld 可执行程序得到的过程

// -E 预处理 开发过程中可以确定某个宏 // -c 把预处理 编译 汇编 都做了,但是不链接 // -o 指定输出文件 // -I 指定头文件目录 // -L 指定链接库文件目录 // -l 指定链接哪一个库文件 #include <stdio.h> #include <stdlib.h> #include <string.h>int mai…
阅读更多...
用栈实现队列（C语言）

用栈实现队列（C语言）

目录 题目题目分析 代码栈的实现结构体。栈的初始化栈的销毁 入栈删除查找顶部数据判空 答案结构体初始化插入数据删除数据获取队列开头元素判空销毁栈 题目 题目分析 链接: 题目 请你仅使用两个栈实现先入先出队列。队列应当支持一般队列支持的所有操作&#xff08;push、po…
阅读更多...
【机器学习系列】使用高斯贝叶斯模型进行数据分类的完整流程

【机器学习系列】使用高斯贝叶斯模型进行数据分类的完整流程

目录 一、导入数据 二、选择特征 三、十折交叉验证 四、划分训练集和测试集 五、训练高斯贝叶斯模型 六、预测测试集 七、查看训练集和测试集上的分数 八、查看混合矩阵 九、输出评估指标 一、导入数据 # 根据商户数据预测其是否续约案例 import pandas #读取数据到 da…
阅读更多...
驱动编译报error: negative width in bit-field ‘＜anonymous＞’错误

驱动编译报error: negative width in bit-field ‘＜anonymous＞’错误

错误如下图所示&#xff1a; 代码如下&#xff1a; 问题点&#xff1a;module_param的其他用户的权限参数上。 在Linux中&#xff0c;文件权限由读(r)、写(w)、执行(x)权限组成&#xff0c;分别对应数值4、2、1。 第一位0是占位符&#xff0c;在这里没有意义&#xff0c;因为…
阅读更多...
Cloneable接口和深拷贝

Cloneable接口和深拷贝

在java中如何对对象进行拷贝呢&#xff1f;我们可以使用Object类中的clone方法。 一、浅拷贝 在使用clone方法对对象进行拷贝的时候&#xff0c;需要注意&#xff1a; 1.需要重写clone方法&#xff1b; 2.clone方法的返回值是Object类&#xff0c;需要强制类型转化&#xf…
阅读更多...
软考之零碎片段记录（三十一）+复习巩固（错题整理，知识点总结，易错题）

软考之零碎片段记录（三十一）+复习巩固（错题整理，知识点总结，易错题）

1. 奇偶校验 只能检测一位数的错误。但无法纠正错误。若有奇数个数据位出错&#xff0c;可检测。有局限性。 2. 深度与广度优先遍历 参考题【【数据结构自用】1.图深度优先遍历2.找有向图中的强连通分量数目3.给出图的任意两个拓扑序列】https://www.bilibili.com/video/BV…
阅读更多...
python 面对对象 类 魔法方法

python 面对对象 类 魔法方法

魔法方法 一、__init__ 构造函数&#xff0c;可以理解为初始化 触发条件&#xff1a;在实例化的时候就会触发 class People():def __init__(self, name):print(init被执行)self.name namedef eat(self):print(f{self.name}要吃饭)a People(张三) a.eat() # in…
阅读更多...
前端 防抖和节流

前端 防抖和节流

在前端开发中&#xff0c;防抖&#xff08;Debounce&#xff09;和节流&#xff08;Throttle&#xff09;是两种常用的性能优化技术&#xff0c;尤其在处理频繁触发的事件时显得尤为重要。无论是在用户输入、窗口调整大小&#xff0c;还是滚动事件中&#xff0c;这两种技术都可…
阅读更多...
HarmonyOS 鸿蒙应用开发 - 多态样式 stateStyles

HarmonyOS 鸿蒙应用开发 - 多态样式 stateStyles

前言&#xff1a;Styles和Extend仅仅应用于静态页面的样式复用&#xff0c;stateStyles可以依据组件的内部状态的不同&#xff0c;快速设置不同样式&#xff0c;类似于css伪类&#xff0c;但语法不同。 ArkUI提供以下四种状态&#xff1a; focused&#xff1a;获焦态。normal&…
阅读更多...
每日一题 包含不超过两种字符的最长子串

每日一题 包含不超过两种字符的最长子串

目录 1.前言 2.题目解析 3.算法原理 4.代码实现 1.前言 首先我打算介绍一下&#xff0c;我对滑动窗口的理解。 滑动窗口可以分为四个步骤&#xff1a; 进窗口&#xff1a; 在这一步骤中&#xff0c;我们决定了要在窗口中维护的信息。例如&#xff0c;在这个问题中&#xff…
阅读更多...
学习经验分享【37】YOLOv10解读——最新YOLO版本

学习经验分享【37】YOLOv10解读——最新YOLO版本

YOLO算法更新速度很快&#xff0c;已经出到V10版本&#xff0c;后续大家有想发论文或者搞项目可更新自己的baseline了。有需要改进方法的和相关资料可以关注后私信获取。 代码&#xff1a;GitHub - THU-MIG/yolov10: YOLOv10: Real-Time End-to-End Object Detection 摘要&…
阅读更多...
LabVIEW控制Trio控制器

LabVIEW控制Trio控制器

将LabVIEW与Trio控制器结合&#xff0c;可以实现对复杂运动系统的控制和监测。以下是详细的方法和注意事项&#xff1a; 一、准备工作 软件安装&#xff1a; 安装LabVIEW开发环境&#xff0c;确保版本兼容性。 安装Trio控制器的相关驱动程序和软件&#xff0c;如Trio Motion …
阅读更多...
数据驱动的UI艺术：智能设计的视觉盛宴

数据驱动的UI艺术：智能设计的视觉盛宴

数据驱动的UI艺术&#xff1a;智能设计的视觉盛宴 引言 在当今这个数据泛滥的时代&#xff0c;大数据不仅仅是一种技术手段&#xff0c;它更是一种艺术形式。当大数据遇上UI设计&#xff0c;两者的结合便催生了一种全新的艺术形式——数据驱动的UI艺术。本文将探讨如何将数据…
阅读更多...
项目如何有效做资源管理？易趋项目管理软件让资源管理可视化

项目如何有效做资源管理？易趋项目管理软件让资源管理可视化

在项目管理的过程中&#xff0c;有效的资源管理能够确保资源得到合理的分配和使用&#xff0c;避免资源的浪费和冗余&#xff0c;进而提高整体工作效率、确保项目的成功&#xff1b;同时降低组织的运营成本。 但在项目推进过程中&#xff0c;项目经理总会面临各种资源管理的难…
阅读更多...
Linux-命令上

Linux-命令上

at是一次性的任务&#xff0c;crond是循环的定时任务 如果 cron.allow 文件存在&#xff0c;只有在文件中出现其登录名称的用户可以使用 crontab 命令。root 用户的登录名必须出现在 cron.allow 文件中&#xff0c;如果这个文件存在的话。系统管理员可以明确的停止一个用户&am…
阅读更多...
Langchain-Chatchat的markdownHeaderTextSplitter使用

Langchain-Chatchat的markdownHeaderTextSplitter使用

文章目录 背景排查步骤官方issue排查测试正常对话测试官方默认知识库Debug排查vscode配置launch.json命令行自动启动condadebug知识库搜索测试更换ChineseRecursiveTextSplitter分词器 结论 关于markdownHeaderTextSplitter的探索标准的markdown测试集Langchain区分head1和head…
阅读更多...
Notes for video: EDC-Con 2022/01 - EDC Conceptual Overview and Architecture

Notes for video: EDC-Con 2022/01 - EDC Conceptual Overview and Architecture

Eclipse Dataspace Connector 中文概念 Eclipse Dataspace Connector (EDC) 是一个开源项目&#xff0c;旨在提供一种标准化的方法来连接和共享数据空间中的数据。它是 Eclipse Foundation 下的一个项目&#xff0c;目标是促进数据共享和数据交换的互操作性。以下是 EDC 的一些…
阅读更多...
【前端学习——react坑】useState使用

【前端学习——react坑】useState使用

问题 使用useState 时&#xff0c;例如 const [selectedId, setSelectedId] useState([false,true,false]);这样直接利用&#xff0c;无法引发使用selectedId状态的组件的变化&#xff0c;但是selectedId是修改了的 let tempselectedId;temp[toggledId]selectedId[toggledId…
阅读更多...
最新文章

Copyright @ 2022~2023