Opencv图像处理技术（图像轮廓）

1图像轮廓概念：

图像轮廓是指图像中连续的像素边界，这些边界通常代表了图像中的物体或者物体的边缘。在数字图像处理中，轮廓是由相同像素值组成的曲线，它们连接相同的颜色或灰度值，并且具有连续性。轮廓可以用来描述和分析图像中的形状和结构，是许多计算机视觉任务的基础，如目标检测、形状识别、图像分割等

任务2 查找与绘制图像轮廓

2.1查找图像轮廓

在 OpenCV 中，查找图像轮廓的函数是 `cv2.findContours()`，其语法如下：

contours, hierarchy = cv2.findContours(image, mode, method[, contours[, hierarchy[, offset]]])


各参数的意义如下：

  • - image：输入的二值图像，通常是经过阈值化或边缘检测后的图像。
  • - mode：轮廓检索模式，指定轮廓的检索方式。常用的模式包括：
  •   - cv2.RETR_EXTERNAL：仅检测外部轮廓。
  •   - cv2.RETR_LIST：检测所有轮廓，不建立轮廓间的层级关系。
  •   - cv2.RETR_CCOMP：检测所有轮廓，建立两级轮廓结构。
  •   - cv2.RETR_TREE：检测所有轮廓，建立完整的轮廓层级结构。
  • - `method`：轮廓逼近方法，指定轮廓的逼近方式。常用的方法包括：
  •   - `cv2.CHAIN_APPROX_NONE`：保存所有的轮廓点。
  •   - `cv2.CHAIN_APPROX_SIMPLE`：压缩水平、垂直和对角方向的像素，只保留端点。
  •   - `cv2.CHAIN_APPROX_TC89_L1`：使用 Teh-Chin 链逼近算法之一。
  •   - `cv2.CHAIN_APPROX_TC89_KCOS`：使用 Teh-Chin 链逼近算法之二。
函数返回两个值：
- contours：检测到的轮廓，每个轮廓是一个点集的列表。
- hierarchy：可选输出的层级信息，用于描述轮廓之间的层级关系。
2.2绘制图像轮廓

在 OpenCV 中，绘制图像轮廓的函数是 `cv2.drawContours()`，其语法如下：

`
 

image = cv2.drawContours(image, contours, contourIdx, color, thickness[, lineType[, hierarchy[, maxLevel[, offset]]]])

其中各参数的意义如下：

  • - `image`：要绘制轮廓的输入图像。
  • - `contours`：要绘制的轮廓列表，通常是通过 `cv2.findContours()` 函数得到的轮廓。
  • - `contourIdx`：要绘制的轮廓的索引，如果为负数，则绘制所有轮廓。
  • - `color`：轮廓的颜色，可以是一个单通道的灰度值（0-255），或者是一个包含三个通道的颜色值 (B, G, R)。
  • - `thickness`：轮廓的线条粗细，如果为负数或 `cv2.FILLED`，则填充轮廓内部。
  • - `lineType`：轮廓线条的类型，可选参数，默认为 `cv2.LINE_8`。
  • - `hierarchy`：可选参数，用于描述轮廓之间的层级关系。
  • - `maxLevel`：可选参数，绘制轮廓的最大层级。
  • - `offset`：可选参数，指定轮廓偏移量。
任务演练-实现图像轮廓的绘制与查找

代码1 绘制图像外轮廓：

#8.1
import cv2
import numpy as np
img= cv2.imread("C:/Users/win11/opencv/sucai8/shape.jpg")
cv2.imshow("img",img)
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,binary=cv2.threshold(gray,180,255,0)
contours,hierarchy=cv2.findContours(binary,cv2.RETR_EXTERNAL,\
                                   cv2.CHAIN_APPROX_NONE)
dst=cv2.drawContours(img,contours,-1,(0,255,255),thickness=5)
cv2.imshow("contours",dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

结果如下：可以看出实现的图在原图上多了一层黄色的外轮廓

代码2绘制图像的全部轮廓

#8-2
import cv2
import numpy as np
img= cv2.imread("C:/Users/win11/opencv/sucai8/shape.jpg")
cv2.imshow("img",img)
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,binary=cv2.threshold(gray,180,255,0)
contours,hierarchy=cv2.findContours(binary,cv2.RETR_TREE,\
                                   cv2.CHAIN_APPROX_NONE)
dst=cv2.drawContours(img,contours,-1,(0,255,255),thickness=5)
cv2.imshow("binary",binary)
cv2.imshow("contours",dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

结果如下：所有的图像外面都有一层轮廓

任务3：计算轮廓长度与面积

在OpenCV中，你可以使用`cv2.arcLength()`函数计算轮廓的长度，以及使用`cv2.contourArea()`函数计算轮廓的面积。这两个函数的语法如下：

length = cv2.arcLength(curve, closed)
area = cv2.contourArea(contour)

其中各参数的意义如下：

  • - `curve`：要计算长度的曲线，通常是轮廓中的点集。
  • - `closed`：布尔值，指示曲线是否封闭。对于轮廓来说，通常是True，表示闭合曲线。
  • - `contour`：要计算面积的轮廓。

任务演练：使用cv2.arcLength()函数计算轮廓长度，返回单位为像素点个数

代码:

import cv2
img= cv2.imread("C:/Users/win11/opencv/sucai8/shape.jpg")
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,binary=cv2.threshold(gray,220,255,cv2.THRESH_BINARY)
contours,hierarchy=cv2.findContours(binary,cv2.RETR_TREE,\
                                   cv2.CHAIN_APPROX_NONE)
n=len(contours)
contoursImg=[]
for i in range(n):
    length=cv2.arcLength(contours[i],True)
    print(f"轮廓{i+1}的长度：\n{length}")

结果如图：

 2使用cv2.contoursArea()函数计算轮廓面积 ，返回单位为像素点个数

代码：

import cv2
img= cv2.imread("C:/Users/win11/opencv/sucai8/shape.jpg")
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,binary=cv2.threshold(gray,220,255,cv2.THRESH_BINARY)
contours,hierarchy=cv2.findContours(binary,cv2.RETR_TREE,\
                                   cv2.CHAIN_APPROX_NONE)
n=len(contours)
contoursImg=[]
for i in range(n):
    area=cv2.contourArea(contours[i])
    print(f"轮廓{i}的面积：\n{area}")

任务3：实现形状匹配

在 OpenCV 中，你可以使用 `cv2.matchShapes()` 函数来实现形状匹配。这个函数可以用来比较两个形状或轮廓的相似度。它的语法如下：


 

match_value = cv2.matchShapes(contour1, contour2, method, parameter)

其中各参数的意义如下：

  • - `contour1`：第一个输入的轮廓。
  • - `contour2`：第二个输入的轮廓。
  • - `method`：形状匹配的方法，是一个比较轮廓相似度的度量标准。常用的方法包括：
  •   - `cv2.CONTOURS_MATCH_I1`：Hu 矩的相关性，具有较高的鲁棒性。
  •   - `cv2.CONTOURS_MATCH_I2`：Hu 矩的其他相关性度量。
  •   - `cv2.CONTOURS_MATCH_I3`：基于物理距离的相似性度量。
  • - `parameter`：方法参数，通常为0。

函数返回形状匹配的数值，值越小表示两个形状越相似。

任务演练——形状匹配

代码：

import cv2

o1 = cv2.imread("C:/Users/win11/opencv/sucai8/m1.png")
o2 = cv2.imread("C:/Users/win11/opencv/sucai8/m2.png")

gray1 = cv2.cvtColor(o1, cv2.COLOR_BGR2GRAY)
gray2 = cv2.cvtColor(o2, cv2.COLOR_BGR2GRAY)

ret, binary1 = cv2.threshold(gray1, 127, 255, cv2.THRESH_BINARY)
ret, binary2 = cv2.threshold(gray2, 127, 255, cv2.THRESH_BINARY)

contours1, hierarchy = cv2.findContours(binary1, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
contours2, hierarchy = cv2.findContours(binary2, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)

cent1 = contours1[0]
cent2 = contours2[0]

ret0 = cv2.matchShapes(cent1, cent1, 1, 0.0)
ret1 = cv2.matchShapes(cent1, cent2, 1, 0.0)

print("相同图像的matchShape=", ret0)
print("相似图像的matchShape=", ret1)

m1和m2的图像如下：

 结果如下：

相同图像的matchShape= 0.0
相似图像的matchShape= 0.28749410662718267

任务4轮廓的几何形状拟合

4.1

在 OpenCV 中，你可以使用 cv2.boundingRect() 函数来获取轮廓的矩形包围框。这个函数可以用来获取包围轮廓的最小矩形，即矩形包围框的左上角坐标以及宽度和高度。它的语法如下：

x, y, w, h = cv2.boundingRect(points)

其中各参数的意义如下：

  • points：轮廓中的点集。
  • x, y：矩形的左上角坐标。
  • w：矩形的宽度。
  • h：矩形的高度。

函数返回矩形包围框的左上角坐标以及宽度和高度。

4.2

在 OpenCV 中，你可以使用 cv2.minAreaRect() 函数来获取轮廓的最小外接矩形框。这个函数可以用来获取包围轮廓的最小旋转矩形，即旋转矩形框的中心点坐标、宽度、高度以及旋转角度。它的语法如下：

rect = cv2.minAreaRect(points)

其中各参数的意义如下：

  • points：轮廓中的点集。
  • rect：返回的最小外接矩形对象，包含矩形的中心点坐标、宽度、高度以及旋转角度。

函数返回的是一个 RotatedRect 对象，你可以通过该对象的方法来获取矩形的信息

 

4.3

OpenCV 中，你可以使用 cv2.minEnclosingCircle() 函数来获取轮廓的最小包围圆。这个函数可以用来获取包围轮廓的最小圆，即圆心坐标和半径。它的语法如下：

(center, radius) = cv2.minEnclosingCircle(points)

其中各参数的意义如下：

  • points：轮廓中的点集。
  • center：返回的圆心坐标，通常是一个二元元组 (x, y)。
  • radius：返回的圆的半径。

函数返回的是一个二元元组，包含圆心坐标和半径信息。

任务演练——几何形状拟合实践

1使用矩形包围框进行拟合

代码：

import cv2

img = cv2.imread("C:/Users/win11/opencv/sucai8/shape.jpg")
cv2.imshow("original", img)

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)

x, y, w, h = cv2.boundingRect(contours[0])
cv2.rectangle(img, (x, y), (x+w, y+h), (0, 0, 0), 2)

cv2.imshow("result", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

结果如下：

2使用最小包围矩形框进行拟合

代码：

import cv2
import numpy as  np
img = cv2.imread("C:/Users/win11/opencv/sucai8/shape.jpg")
cv2.imshow("original", img)

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
retval=cv2.minAreaRect(contours[1])
points=cv2.boxPoints(retval)
points=np.int64(points)
cv2.drawContours(img,[points],0,(0,0,0),2)

cv2.imshow("result", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

结果如下：

3使用最小包围圆形进行拟合

代码：

import cv2
import numpy as np

# 读取图像
img = cv2.imread("C:/Users/win11/opencv/sucai8/shape.jpg")
cv2.imshow("Original", img)

# 转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化处理
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

# 寻找轮廓
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)

# 获取第二个轮廓的最小外接圆
(x, y), radius = cv2.minEnclosingCircle(contours[1])
center = (int(x), int(y))
radius = int(radius)

# 绘制最小外接圆
cv2.circle(img, center, radius, (0, 0, 0), 2)

# 显示结果图像
cv2.imshow("Result", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

结果如下：

任务5——绘制凸包

凸包是指包围一组点集的最小凸多边形。在计算机视觉和图形学中，凸包常用于图像处理中的形状分析和轮廓检测。通常，通过计算轮廓中的凸包可以得到目标物体的外形信息，这对于识别和分析图像中的对象非常有用。

在OpenCV中，可以使用 cv2.convexHull() 函数来计算凸包并绘制。下面是该函数的语法和参数：

hull = cv2.convexHull(points[, hull[, clockwise[, returnPoints]]])

  • points: 输入的点集，通常是轮廓的点集。
  • hull: 可选参数，输出的凸包点集。
  • clockwise: 可选参数，指定是否输出凸包点按照顺时针排序，默认为 False。
  • returnPoints: 可选参数，指定输出是点集的索引还是实际坐标，默认为 True，表示输出实际坐标。

任务演练——获取简单图像的凸包

代码：

import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("C:/Users/win11/opencv/sucai8/contours2.png")
cv2.imshow("original", img)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
hull=cv2.convexHull(contours[0])
cv2.polylines(img,[hull],True,(255,0,0),2)
cv2.imshow("hull", img)
cv2.waitKey(0)
cv2.destroyAllWindows()
plt.imshow(img)

结果如下：

任务6——轮廓分类

在 OpenCV 中，有一些函数和参数可以用于轮廓分类、计算宽高比和占空比：

  1. 轮廓分类（Contour Hierarchy）：

    • cv2.findContours() 函数中的 hierarchy 参数用于指定轮廓的层级信息。常用的层级类型包括 cv2.RETR_LIST、cv2.RETR_EXTERNAL、cv2.RETR_TREE 等，它们会影响轮廓的提取和排序方式。

  2. 宽高比计算：

    • 计算轮廓外接矩形的宽高比可以通过计算矩形的宽度除以高度来实现。在代码中，可以使用以下公式来计算宽高比： 
      aspect_ratio = float(w) / h

  3. 占空比计算：

    • 占空比（Aspect Ratio）是指对象的宽度与高度之比。在轮廓分析中，可以将外接矩形的宽度和高度比较来计算占空比。在代码中，可以使用以下公式来计算： 
      aspect_ratio = float(w) / h

任务演练——轮廓分类  使用特征值对轮廓进行分类 将长扁圆与扁扁圆进行分类 并对其更换yans

代码：

import cv2  # 导入OpenCV库

import numpy as np  # 导入NumPy库用于数组操作

# 读取图像
img = cv2.imread("C:/Users/win11/opencv/sucai8/face.png")
cv2.imshow("original", img)  # 显示原始图像


gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 转换为灰度图像
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)#对灰度图像进行二值化处理
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)#查找图像中的轮廓。

h, w, c = img.shape  # 获取图像的高度、宽度和通道数
mask = np.zeros((h, w, c), np.uint8)  # 创建与原始图像相同大小的全零图像作为掩码

# 遍历轮廓
for cnt in contours:
    # 获取边界框
    x, y, w, h = cv2.boundingRect(cnt)#获取当前轮廓的边界框
    cv2.rectangle(img, (x, y), (x+w, y+h), (255, 255, 255), 3)  # 绘制边界框 在原始图像上绘制当前轮廓的全白边界框。
    cv2.imshow("temp", img)  # 显示临时结果图像
    
    # 计算椭圆的宽高比
    AR = float(w) / h
    if AR < 1:
        # 绘制红色轮廓（长的椭圆）
        cv2.drawContours(mask, [cnt], -1, (0, 0, 255), -1)  # 在填充 掩码mask上绘制轮廓填充
        print(AR, "是长的椭圆")
    else:
        # 绘制红色轮廓（扁的椭圆）
        cv2.drawContours(mask, [cnt], -1, (0, 255, 255), -1)  # 在掩码上绘制轮廓
        print(AR, "是扁的椭圆")

# 显示最终结果
cv2.imshow("result", mask)
cv2.waitKey(0)  # 等待按键按下
cv2.destroyAllWindows()  # 关闭所有窗口

 结果如下：

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/660459.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

滴滴一季度营收同比增长14.9%至491亿元 经调整EBITA盈利9亿元

滴滴一季度营收同比增长14.9%至491亿元 经调整EBITA盈利9亿元

【头部财经】5月29日&#xff0c;滴滴在其官网发布2024年一季度业绩报告。一季度滴滴实现总收入491亿元&#xff0c;同比增长14.9%&#xff1b;经调整EBITA&#xff08;非公认会计准则口径&#xff09;盈利9亿元。其中&#xff0c;中国出行一季度实现收入445亿元&#xff0c;同…
阅读更多...
VSCode小技巧，忽略不想格式化的代码行

VSCode小技巧，忽略不想格式化的代码行

零&#xff0e;格式化工具文档 1 . Black Ignoring sections功能 2 . autopep8 disabling-line-by-line功能&#xff1b;&#xff1b;–line-range选项 3 . Prettier prettier-ignore功能(例&#xff1a;适用于JS的// prettier-ignore&#xff0c;适用于CSS的/* prettier-igno…
阅读更多...
02_变量提升与函数提升及其优先级（JS高级）

02_变量提升与函数提升及其优先级（JS高级）

目录 一、 变量提升与函数提升 为什么要进行变量提升和函数提升 1.1 变量提升 1.2 函数提升 1.3 变量提升与函数提升的优先级 二、执行上下文 三、执行上下文栈 四、习题 一、 变量提升与函数提升 为什么要进行变量提升和函数提升 JS引擎在读取js代码的过程中&#xf…
阅读更多...
Dinky MySQLCDC 整库同步到 Doris

Dinky MySQLCDC 整库同步到 Doris

资源&#xff1a;flink 1.17.0、dinky 1.0.2、doris-2.0.1-rc04 问题&#xff1a;Cannot deserialize value of type int from String &#xff0c;detailMessageunknowndatabases &#xff0c;not a valid int value 2024-05-29 16:52:20.136 ERROR org.apache.doris.flink.…
阅读更多...
OpenAI开始训练新的前沿模型——但GPT-5至少在90天内不会推出

OpenAI开始训练新的前沿模型——但GPT-5至少在90天内不会推出

ChatGPT 制造商 OpenAI 今早宣布&#xff0c;已开始训练其新的“前沿模型”&#xff0c;并成立了一个新的安全委员会&#xff0c;由现任董事会成员 Bret Taylor&#xff08;OpenAI 董事会主席兼客户服务初创公司 Sierra AI 联合创始人、前谷歌地图负责人和前 Facebook 首席技术…
阅读更多...
DNSlog环境搭建

DNSlog环境搭建

阿里云域名公网VPS地址 购买阿里云域名后设置“自定义DNSHOST” DNS服务器填写ns1和ns2 如&#xff1a;ns1.aaa.com IP地址填写你的VPS地址 如&#xff1a;1.1.1.1 填写解析记录&#xff0c;一个A记录、一个NS记录 NS记录就是*.域名指向记录值ns1.域名 如&#xff1a;*.aaa…
阅读更多...
JVM之加载class文件

JVM之加载class文件

1.JVM相关概念 官网地址:Java Platform Standard Edition 8 Documentation (oracle.com) jvm: java虚拟机&#xff0c;是java程序的运行环境(java二进制字节码的运行环境) jre:jvm基础类库(java.lang包下工具类、IO、集合类库、线程类等)组成了完整的运行环境 jdk:是由jvmj…
阅读更多...
ElementUI之el-table标题列中显示el-tooltip

ElementUI之el-table标题列中显示el-tooltip

ElementUI之el-table标题列中显示el-tooltip 文章目录 ElementUI之el-table标题列中显示el-tooltip1. el-table标题列中显示el-tooltip2. 实现代码3. 展示效果 1. el-table标题列中显示el-tooltip 在el-table-column标签内添加具名插槽v-slot:header 在el-tooltip标签中使用具…
阅读更多...
AI企业需要“联盟营销”？一文带你探索AI企业营销新玩法！

AI企业需要“联盟营销”？一文带你探索AI企业营销新玩法！

为什么联盟营销对AI业务有较大优势 联盟营销在电商领域、saas领域与其他产品领域同样有效。在AI业务中&#xff0c;它有效的原因与其他领域大不相同。 高好奇心和试用率 AI领域是创新的热点。它吸引了一群渴望探索和尝试每一项新技术的人群。这种蓬勃的好奇心为聪明的AI企业提…
阅读更多...
NTP服务的DDoS攻击：原理和防御

NTP服务的DDoS攻击：原理和防御

NTP协议作为一种关键的互联网基础设施组件&#xff0c;旨在确保全球网络设备间的时钟同步&#xff0c;对于维护数据一致性和安全性至关重要。然而&#xff0c;其设计上的某些特性也为恶意行为者提供了发动大规模分布式拒绝服务(DDoS)攻击的机会。以下是NTP服务DDoS攻击及其防御…
阅读更多...
34岁嵌入式开发工程师的出路在哪儿？

34岁嵌入式开发工程师的出路在哪儿？

作为一个从事智能穿戴行业11年的资深从业者&#xff0c;您积累了丰富的技术和经验&#xff0c;IT行业内有很多发展机会和出路可以选择&#xff0c;以下是一些建议供参考&#xff1a;刚好我有一些资料&#xff0c;是我根据网友给的问题精心整理了一份「嵌入式的资料从专业入门到…
阅读更多...
uniapp开发vue3监听右滑返回操作，返回到指定页面，解决边缘区域监听错误问题

uniapp开发vue3监听右滑返回操作，返回到指定页面，解决边缘区域监听错误问题

想要在uniapp框架中监听左滑或者右滑手势&#xff0c;需要使用touchstart和touchend两个api&#xff0c;因为没有原生的左右滑监听api&#xff0c;所以我们只能依靠这两个api来获取滑动开始时候的x坐标和滑动结束后的x坐标做比对&#xff0c;右滑的话&#xff0c;结束时候的x坐…
阅读更多...
gitea的git库备份与恢复

gitea的git库备份与恢复

文章目录 gitea库的备份与恢复概述笔记实验环境更新git for windows更新 TortoiseGit备份已经存在的gitea的git库目录使用gitea本身来备份所有git库目录将gitea库恢复到新目录m1m2m3启动gitea - 此时已经恢复完成FETCH_HEAD 中有硬写位置再查一下app.ini, 是否改漏了。m1m2 总结…
阅读更多...
pytorch深度学习-环境搭建-2

pytorch深度学习-环境搭建-2

1.1下载cudnn,解压 1.2.找到本级cuda安装路径 1.3.刚才解压文件复制到cuda安装目录 2.1 安装pytouch conda install pytorch torchvision torchaudio pytorch-cuda12.1 -c pytorch -c nvidia 3.pytouch验证 我这儿是有问题的 PS C:\Users\Administrator\PycharmProjects\pyth…
阅读更多...
BGP路由策略实验

BGP路由策略实验

一、实验拓扑 二、IP分配(骨干) R1&#xff1a; 0/0/0 15.0.0.1 24 0/0/1 18.0.0.2 24 0/0/2 19.0.0.1 24 R2: 0/0/0 16.0.0.1 24 0/0/1 15.0.0.2 24 R3: 0/0/0 17.0.0.2 24 0/0/1 18.0.0.1 24 R4: 0/0/0 16.0…
阅读更多...
怎么将3D模型转换立面图---模大狮模型网

怎么将3D模型转换立面图---模大狮模型网

在建筑设计、室内设计以及产品建模等领域&#xff0c;经常需要将3D模型转换为立面图以进行展示、分析或交流。立面图能够清晰地呈现物体的外观和结构&#xff0c;是设计和施工中不可或缺的一部分。 一、导出3D模型 首先&#xff0c;需要将3D模型导出为CAD软件能够识别的格式。…
阅读更多...
零基础学习图生图

零基础学习图生图

目录 一、图生图是什么二、安装秋叶整合包2.1 秋叶包安装2.2 秋叶包拓展安装&#xff1a;2.3 ckpt配置&#xff1a;2.4 界面常用功能配置&#xff1a; 三、图生图基本功能展示3.1 图生图的界面3.2 重要的参数设置&#xff1a;3.3 涂鸦功能3.4 局部重绘功能3.5 涂鸦重绘3.6 上传…
阅读更多...
microk8s 报错tls: failed to verify certificate: x509:

microk8s 报错tls: failed to verify certificate: x509:

问题&#xff1a; ssh命令出现如下图所示 输入任何microk8s的容器命令几乎都是x509报错 kubectl get pods -ALL 原因&#xff1a; 证书过期 相关文档&#xff1a; MicroK8s - 服务和端口 Microk8S v1.24 - refresh-certs 似乎无法刷新证书 问题 #3241 规范/microk8s Git…
阅读更多...
二叉树介绍及堆

二叉树介绍及堆

文章目录 树 概念及结构 二叉树 概念及结构 特殊的二叉树 完全二叉树 满二叉树 性质 储存 顺序存储 链式储存 堆 概念及结构 小堆 大堆 建堆 向上调整建堆 向下调整建堆 TOPK问题 法一&#xff1a; 法二&#xff1a; 树 概念及结构 树是一种非线性的数据…
阅读更多...
[图解]企业应用架构模式2024新译本讲解02-表数据入口

[图解]企业应用架构模式2024新译本讲解02-表数据入口

1 00:00:00,420 --> 00:00:04,330 这个案例&#xff0c;我们就是用书上的案例了 2 00:00:06,080 --> 00:00:08,860 收入确认的一个案例 3 00:00:09,510 --> 00:00:11,100 书上讲了&#xff0c;收入确认 4 00:00:13,330 --> 00:00:15,270 就是说&#xff0c;你给…
阅读更多...
最新文章

Copyright @ 2022~2023