树莓派4B_OpenCv学习笔记13：OpenCv颜色追踪_程序手动调试HSV色彩空间_检测圆

今日继续学习树莓派4B 4G：（Raspberry Pi，简称RPi或RasPi）

 本人所用树莓派4B 装载的系统与版本如下:

 版本可用命令 (lsb_release -a) 查询:

 Opencv 版本是4.5.1：

 OpenCv颜色追踪_程序手动调试HSV色彩空间_检测灰度图中的圆

今日学习的程序主要是为了能够手动微调整好更为适合多变环境的HSV色彩空间

文章提供测试代码讲解，整体代码贴出、测试效果图

目录

实验目的：

实验大致过程视频：

完整实例代码贴出:

代码小结:

代码实验操作与测试结果图:

应用HSV阈值函数 cv2.inRange()：

组合HSV阈值 cv2.bitwise_and():

形态学操作函数:(膨胀/腐蚀/开运算/闭运算):

高斯模糊cv2.GaussianBlur():

 霍夫圆变换来检测圆形:

网上查阅资料贴出:

实验目的：

实时地从视频流中检测特定颜色范围内的圆形物体。

用户可以通过Trackbars调整HSV颜色阈值来指定要检测的HSV颜色范围。使得程序对特定颜色小球的检测更为准确

检测到的圆形物体将在原始帧上被绘制出来，并根据其大小以不同的颜色和线宽进行区分。此外，如果检测到的圆的半径超过某个阈值（在这里是35），则会设置一个标志（buzz）。

实验全部过程视频：

OpenCv颜色追踪_程序手动调试HSV色彩空间_检测圆

完整实例代码贴出:

实时地从视频流中检测特定颜色范围内的圆形物体。

可以通过Trackbars调整HSV颜色阈值来指定要检测圆的颜色范围。

# -*- coding: utf-8 -*-
import cv2
import numpy as np
import time  

kernel = np.ones((5,5),np.uint8)
# 从网络摄像头获取输入
cap = cv2.VideoCapture(0)

time.sleep(0.5)

# 将视频尺寸减小到320x240，这样rpi处理速度就会更快
cap.set(3,320)
cap.set(4,240)

#第一个空回调函数
def nothing(x):
    pass

# 创建一个供以后使用的窗口
cv2.namedWindow('HueComp')
cv2.namedWindow('SatComp')
cv2.namedWindow('ValComp')
cv2.namedWindow('closing')
cv2.namedWindow('tracking')

# 创建跟踪条的最小和最大的色调，饱和度和价值
# 允许用户实时调整参数值HSV
cv2.createTrackbar('hmin', 'HueComp',12,179,nothing)
cv2.createTrackbar('hmax', 'HueComp',37,179,nothing)

cv2.createTrackbar('smin', 'SatComp',96,255,nothing)
cv2.createTrackbar('smax', 'SatComp',255,255,nothing)

cv2.createTrackbar('vmin', 'ValComp',186,255,nothing)
cv2.createTrackbar('vmax', 'ValComp',255,255,nothing)


while(1):
    buzz = 0

   #读取帧并转换到HSV空间
    _, frame = cap.read()
    hsv = cv2.cvtColor(frame,cv2.COLOR_BGR2HSV)
    hue,sat,val = cv2.split(hsv)

	#获取Trackbar的当前值
    hmn = cv2.getTrackbarPos('hmin','HueComp')
    hmx = cv2.getTrackbarPos('hmax','HueComp')
    
    smn = cv2.getTrackbarPos('smin','SatComp')
    smx = cv2.getTrackbarPos('smax','SatComp')

    vmn = cv2.getTrackbarPos('vmin','ValComp')
    vmx = cv2.getTrackbarPos('vmax','ValComp')

	#应用HSV阈值
    hthresh = cv2.inRange(np.array(hue),np.array(hmn),np.array(hmx))
    sthresh = cv2.inRange(np.array(sat),np.array(smn),np.array(smx))
    vthresh = cv2.inRange(np.array(val),np.array(vmn),np.array(vmx))
	# 组合HSV阈值 使用按位与操作来组合三个HSV分量的阈值结果，从而得到颜色范围内所有像素的掩码。
    tracking = cv2.bitwise_and(hthresh,cv2.bitwise_and(sthresh,vthresh))
	
	#形态学操作
	#对掩码进行膨胀、闭操作和高斯模糊，以减少噪声并增强圆形物体的检测。
    dilation = cv2.dilate(tracking,kernel,iterations = 1)
    closing = cv2.morphologyEx(dilation, cv2.MORPH_CLOSE, kernel)
    closing = cv2.GaussianBlur(closing,(5,5),0)

	#使用霍夫圆变换来检测圆形。
    circles = cv2.HoughCircles(closing,cv2.HOUGH_GRADIENT,2,120,param1=120,param2=50,minRadius=10,maxRadius=0)

	#绘制检测到的圆形
	#如果检测到圆形，就在原始帧上绘制它们。根据圆形的半径大小，使用不同的颜色和线宽进行绘制。
    if circles is not None:
        x, y, r = circles[0][0]
        x_p = int(round(x))
        print (x_p)
        for i in circles[0,:]:
                if int(round(i[2])) < 30:
                        cv2.circle(frame,(int(round(i[0])),int(round(i[1]))),int(round(i[2])),(0,255,0),5)
                        cv2.circle(frame,(int(round(i[0])),int(round(i[1]))),2,(0,255,0),10)
                elif int(round(i[2])) > 35:
                        cv2.circle(frame,(int(round(i[0])),int(round(i[1]))),int(round(i[2])),(0,0,255),5)
                        cv2.circle(frame,(int(round(i[0])),int(round(i[1]))),2,(0,0,255),10)
                        buzz = 1  
    cv2.imshow('HueComp',hthresh)
    cv2.imshow('SatComp',sthresh)
    cv2.imshow('ValComp',vthresh)
    cv2.imshow('closing',closing)
    cv2.imshow('tracking',frame)

    if cv2.waitKey(1) & 0xFF == ord('q'):
            cap.release()
            L_Motor.stop()
            R_Motor.stop()
            GPIO.cleanup()
            cv2.destroyAllWindows() 
            break

cap.release()
cv2.destroyAllWindows()

代码小结:

1、创建Trackbar

2、始化循环，读取帧并转换到HSV空间

3、获取Trackbar的当前值

4、应用HSV阈值

5、组合HSV阈值

6、形态学操作

7、检测圆形

8、绘制检测到的圆形

9、输出和判断

代码实验操作与测试结果图:

1、使用树莓派的USB摄像头拍摄一张球形物体的图片用于取色获取大致BGR色域范围：

我的颜色范围是：138   67   17

拍摄程序在这篇文章有提到：树莓派4B_OpenCv学习笔记4:测试摄像头_imread加载显示图像_imwrite保存图片_树莓派摄像头怎么保存照片-CSDN博客

2、运行程序将BGR颜色空间转换为HSV：

BGR_HSV转换程序在这篇文章有提到：

树莓派4B_OpenCv学习笔记6:OpenCv识别已知颜色_运用掩膜_树莓派 图像融合-CSDN博客

3、运行本次实验的程序，将TrackBar调整到差不多的HSV范围：

发现如果不进行调整直接运用第二步得到的颜色空间范围，那么将会检测到许多的“圆”：

然后根据HSV窗口展示轮廓，调整它们的最大值与最小值，使其掩膜中的目标圆球轮廓更清晰，而其余噪声点更小：

然后拿远点测试，以及将瓶盖侧放，看是否会误检测为圆：

应用HSV阈值函数 cv2.inRange()：

    #应用HSV阈值
    hthresh = cv2.inRange(np.array(hue),np.array(hmn),np.array(hmx))
    sthresh = cv2.inRange(np.array(sat),np.array(smn),np.array(smx))
    vthresh = cv2.inRange(np.array(val),np.array(vmn),np.array(vmx))

  1. hthresh

    • np.array(hue): HSV图像中的色调通道（H）。
    • np.array(hmn): 色调通道的下限值。
    • np.array(hmx): 色调通道的上限值。
    • 输出: 一个二值图像，其中在hmn和hmx之间的色调值被设置为白色，其他值被设置为黑色。

  2. sthresh

    • np.array(sat): HSV图像中的饱和度通道（S）。
    • np.array(smn): 饱和度通道的下限值。
    • np.array(smx): 饱和度通道的上限值。
    • 输出: 一个二值图像，其中在smn和smx之间的饱和度值被设置为白色，其他值被设置为黑色。

  3. vthresh

    • np.array(val): HSV图像中的亮度通道（V或I，取决于你如何称呼它）。
    • np.array(vmn): 亮度通道的下限值。
    • np.array(vmx): 亮度通道的上限值。
    • 输出: 一个二值图像，其中在vmn和vmx之间的亮度值被设置为白色，其他值被设置为黑色。

Tip：之前的颜色追踪实验也用到了掩膜，inRange(),只不过指定的通道为HSV全部：

树莓派4B_OpenCv学习笔记12：OpenCv颜色追踪_画出轨迹-CSDN博客

组合HSV阈值 cv2.bitwise_and():

    # 组合HSV阈值 使用按位与操作来组合三个HSV分量的阈值结果，

        从而得到颜色范围内所有像素的掩码。
    tracking = cv2.bitwise_and(hthresh,cv2.bitwise_and(sthresh,vthresh))

函数作用：

cv2.bitwise_and() 对两个数组进行按位与操作，通常用于组合或修改二值图像。

当想将多个二值图像（或掩码）组合在一起时，通常需要使用这个函数来确保只有在所有掩码中对应位置都为“真”（即白色或255）的像素才会在结果图像中保留为白色。

在给出的例子中，将三个HSV分量（色调、饱和度和亮度）的阈值结果组合成一个最终的掩码，以识别特定颜色范围内的所有像素。

在这个修正后的代码中：

  • hsv_thresh_hs 是 hthresh 和 sthresh 的按位与结果，它只包含同时在色调和饱和度范围内的像素。
  • tracking 是 hsv_thresh_hs 和 vthresh 的按位与结果，它只包含同时在色调、饱和度和亮度范围内的像素，即您想要跟踪的颜色范围内的所有像素。

形态学操作函数:(膨胀/腐蚀/开运算/闭运算):

closing = cv2.morphologyEx(dilation, cv2.MORPH_CLOSE, kernel)

cv2.morphologyEx() 是 OpenCV 中用于形态学变换的函数，它可以执行各种形态学操作，如腐蚀（erosion）、膨胀（dilation）、开运算（opening）和闭运算（closing）等。

在给出的例子中，cv2.morphologyEx(dilation, cv2.MORPH_CLOSE, kernel) 是执行闭运算（closing operation）的调用。

函数作用：闭运算首先执行膨胀操作，然后执行腐蚀操作。闭运算的主要目的是消除图像中的小孔（即黑色区域中的白色点），并连接相邻的对象。这在图像处理中用于平滑物体的轮廓，去除小的孔洞，以及连接断裂的轮廓。

传入参数：

src：

输入图像，通常是二值图像。在给出的例子中，是 dilation，即已经过膨胀操作的图像。

  • 类型：可以是灰度图或二值图，其数据类型通常是 CV_8U, CV_16U, CV_16S, CV_32F, 或 CV_64F 之一。
  • 描述：源图像，即要进行形态学操作的图像。

operation：

形态学操作的类型。在给出的例子中，是 cv2.MORPH_CLOSE，表示执行闭运算。

  • cv2.MORPH_ERODE：腐蚀操作
  • cv2.MORPH_DILATE：膨胀操作
  • cv2.MORPH_OPEN：开运算（先腐蚀后膨胀）
  • cv2.MORPH_CLOSE：闭运算（先膨胀后腐蚀）
  • cv2.MORPH_GRADIENT：形态学梯度
  • cv2.MORPH_TOPHAT：原图像减去膨胀的图像
  • cv2.MORPH_HITMISS：结构元素对应的点集比较
  • 注意：其他可能还有如 cv2.MORPH_BLACKHAT 等操作，具体请参考 OpenCV 官方文档。
kernel：结构元素（structuring element）。
  • 类型：数组，通常是 numpy 数组，形状如矩形、椭圆或交叉形等。
  • 描述：定义了形态学操作的局部形状和大小。可以使用cv2.getStructuringElement() 函数来创建结构元素。

dst (输出图像, 可选):

  • 类型：与 src 相同的数据类型
  • 描述：输出图像，如果未指定，则函数会创建一个新的输出图像。

anchor (锚点位置, 可选):

  • 类型：元组，指定了结构元素的锚点位置。
  • 描述：默认为结构元素的中心。如果指定了锚点，则形态学操作将围绕该点进行。

iterations (迭代次数, 可选):

  • 类型：整数
  • 描述：腐蚀与膨胀被应用的次数。默认为1。

borderType (边界类型, 可选):

  • 类型：整数
  • 描述：像素边界扩展类型，具体类型请参考 OpenCV 官方文档中的 BorderTypes。

borderValue (边界值, 可选):

  • 类型：与 src 相同的数据类型
  • 描述：当 borderType 为 BORDER_CONSTANT 时，用于填充边界的常量值。

高斯模糊cv2.GaussianBlur():

closing = cv2.GaussianBlur(closing,(5,5),0)

在 OpenCV 中用于对图像进行高斯模糊。高斯模糊是一种用于减少图像噪声和细节层次的图像滤波技术。它使用一个高斯函数来创建模糊滤波器，该滤波器在中心点的权重最高，然后随着距离的增加权重逐渐降低。

该函数对 closing 图像进行高斯模糊。这通常在图像处理流程中用于减少图像的细节和噪声，尤其是在特征检测或对象识别之前。

传入参数：

  1. src (closing 在此例中)：输入图像，即要进行高斯模糊的图像。
  2. ksize ((5,5) 在此例中)：高斯核的大小。它必须是正奇数，并且可以是元组 (width, height)，其中 width 和 height 必须是正整数且都是奇数。如果 ksize 是一个整数，那么它会被视为 (ksize, ksize) 的正方形核。在此例中，(5,5) 表示一个 5x5 的核。
  3. sigmaX (0 在此例中)：X 方向的标准差；决定了模糊的程度。如果 sigmaX 是 0，那么它会根据核大小来计算。如果 sigmaY 也是 0，那么 sigmaY 会与 sigmaX 相等。在此例中，因为 sigmaX 是 0，所以会根据 5x5 的核大小来计算标准差。

输出：
输出是一个与输入图像 closing 大小和类型相同的新图像，其中包含了高斯模糊的结果。这个新的图像是原图像的模糊版本，细节层次被降低，噪声被减少。

 霍夫圆变换来检测圆形:

#使用霍夫圆变换来检测圆形。
circles = cv2.HoughCircles(closing,cv2.HOUGH_GRADIENT,2,120,param1=120,param2=50,minRadius=10,maxRadius=0)

cv2.HoughCircles 函数用于在灰度图像中检测圆形。它使用霍夫变换的一个变种来检测图像中的圆形。

传入参数：

  1. image：8位单通道灰度图像。
  2. method：检测方法，如 cv2.HOUGH_GRADIENT 或 cv2.HOUGH_GRADIENT_ALT。
  3. dp：检测器分辨率的倒数。如果设置为 1，则与图像分辨率相同。如果设置为 2，则分辨率是原始图像的一半。
  4. minDist：检测到的圆心之间的最小距离。
  5. param1：Canny 边缘检测中的高阈值。
  6. param2：在检测阶段，检测到的圆心的累加器阈值。这个值越小，检测到的圆就越多。
  7. minRadius：最小圆半径。
  8. maxRadius：最大圆半径。如果设置为 0，则使用最大可能的半径。

输出：
返回一个 NumPy 数组，其中包含检测到的圆的 (x,y) 坐标和半径。数组的形状是 (num_circles, 3)，其中每一行包含三个值：(x, y, radius)。

网上查阅资料贴出:

[树莓派基础]8.树莓派OpenCV颜色追踪讲解_哔哩哔哩_bilibili

文心一言

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/746846.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

绕过命令过滤器：探索UnixLinux中的Bypass技术

绕过命令过滤器：探索UnixLinux中的Bypass技术

前言 在Unix或Linux系统的安全测试和网络防御中&#xff0c;了解如何绕过命令过滤器是非常重要的。今天&#xff0c;我们将探讨几种利用shell命令绕过安全限制的技巧&#xff0c;这些技巧常用于渗透测试中&#xff0c;以检测系统的安全漏洞。 0x00 命令介绍 一般而言&#x…
阅读更多...
web前端——VUE

web前端——VUE

1.什么是框架&#xff1f; ①概述 框架结构就是基本功能&#xff0c;把很多基础功能已经实现了、封装了。在基础语言之上&#xff0c;对各种基础功能进行封装&#xff0c;方便开发者&#xff0c;提高开发效率 ②前端框架 javaScript是原生的 vue.js&#xff1a; 是一个js框架&…
阅读更多...
一文了解Linux中的内存映射

一文了解Linux中的内存映射

目录 一、概念 工作原理&#xff1a; 特点&#xff1a; 适用场景&#xff1a; 二、详解mmap&#xff08;&#xff09;函数 1. mmap的基本概念 2. mmap的特点 3. mmap的用途 4. mmap的优缺点 三、实验 实验一&#xff1a;基础读写实验 实验二&#xff1a;证明开始显…
阅读更多...
three.js基础环境搭建

three.js基础环境搭建

three.js three.js介绍安装threejs文件资源目录介绍本地静态服务器vscode配置live-server插件nodejs配置本地静态服务器项目的开发环境引入threejs 基础知识右手坐标系程序结构 three.js介绍 three.js官网 Three.js是一款基于WebGL的JavaScript 3D库&#xff0c;它使得开发者能…
阅读更多...
Spring统一功能

Spring统一功能

文章目录 一、什么是统一功能二、拦截器2.1 什么是拦截器2.2 拦截器的使用2.3 案例&#xff1a;不拦截前端的请求2.4 拦截器是如何实现的 ---- >分析DispatcherServlet源码分析 三、适配器模式四、统一数据返回格式五、统一异常六、案例&#xff1a;在图书管理系统使用统一功…
阅读更多...
Linux系统启动流程

Linux系统启动流程

init程序类型&#xff1a; ①、SysV&#xff1a;init&#xff0c;centos 5之前&#xff0c;配置文件/etc/init.d/ ②、Upstart: init&#xff0c;centos 6&#xff0c;配置文件/etc/init.d/ /etc/init/ ③、Systemd:Systemd&#xff0c;centos 7&#xff0c;配置文件/usr/li…
阅读更多...
鸿蒙开发系统基础能力：【@ohos.systemTime (设置系统时间)】

鸿蒙开发系统基础能力：【@ohos.systemTime (设置系统时间)】

设置系统时间 本模块用来设置、获取当前系统时间&#xff0c;设置、获取当前系统日期和设置、获取当前系统时区。 说明&#xff1a; 本模块首批接口从API version 7开始支持。后续版本的新增接口&#xff0c;采用上角标单独标记接口的起始版本。 导入模块 import systemTime …
阅读更多...
第三十三篇——互联网广告：为什么Google搜索的广告效果好？

第三十三篇——互联网广告：为什么Google搜索的广告效果好？

目录 一、背景介绍二、思路&方案三、过程1.思维导图2.文章中经典的句子理解3.学习之后对于投资市场的理解4.通过这篇文章结合我知道的东西我能想到什么&#xff1f; 四、总结五、升华 一、背景介绍 对于信息的利用&#xff0c;再广告这个维度中去洞察&#xff0c;你又能发…
阅读更多...
在低版本Excel中创建次级下拉列表

在低版本Excel中创建次级下拉列表

在低版本中indirect函数不支持选区&#xff0c;创建次级下拉列表得依靠“名称管理”给选区命名。 (笔记模板由python脚本于2024年06月26日 06:24:22创建&#xff0c;本篇笔记适合常用Excel处理数据的coder翻阅) 【学习的细节是欢悦的历程】 Python 官网&#xff1a;https://www…
阅读更多...
3.任务的创建与删除

3.任务的创建与删除

1.什么是任务&#xff1f; 任务可以理解为进程/线程&#xff0c;创建一个任务&#xff0c;就会在内存开辟一个空间。 任务通常都含有while(1)死循环 2.任务创建与删除相关的函数 3.CUBEMAX相关配置 编辑一个led1闪烁的任务
阅读更多...
JAVA开发的一套医院绩效考核系统源码：KPI关键绩效指标的清晰归纳

JAVA开发的一套医院绩效考核系统源码：KPI关键绩效指标的清晰归纳

KPI是关键绩效指标&#xff08;Key Performance Indicators&#xff09;的缩写&#xff0c;它是一种用于衡量员工或组织绩效的量化指标。这些指标通常与组织的目标和战略相关&#xff0c;并帮助管理层评估员工和组织的实际表现。KPI还可以为员工提供清晰的方向&#xff0c;使他…
阅读更多...
怎么把不同的文件做成二维码？多种文件类型在线生码的制作方法

怎么把不同的文件做成二维码？多种文件类型在线生码的制作方法

扫码来展示文件是现在很多场景下会使用的一种内容展示方法&#xff0c;这种方式能够简化其他人获取文件的流程&#xff0c;从而提升文件传播的效率&#xff0c;用户可以存储二维码&#xff0c;随时扫码查看文件内容。文件生成二维码支持多种类型的文件使用&#xff0c;比如ppt、…
阅读更多...
PS教程29

PS教程29

图层蒙版 以案例来解释蒙版的作用 将这两张图片原框背景切换将图二的背景选中使用套索工具选中区域切换图一CtrlA全选CtrlC复制编辑-选择性粘贴-贴入即可贴入如果位置不对用移动工具进行调整 这就是图层蒙版 图层蒙版本质作用&#xff1a;是临时通道&#xff0c;支持黑白灰三种…
阅读更多...
什么是凸/非凸数据？

什么是凸/非凸数据？

简单来说&#xff0c;数据集D中任意两点的连线上的点&#xff0c;也会在数据集D内&#xff0c;那么数据集D就是一个凸集。 如下图&#xff0c;左边非凸&#xff0c;右边为凸
阅读更多...
【华为OD机试|01】最远足迹（Java/C/Py/JS）

【华为OD机试|01】最远足迹（Java/C/Py/JS）

目录 一、题目介绍 1.1 题目描述 1.2 备注&#xff1a; 1.3 输入描述 1.4 输出描述 1.5 用例 二、Java代码实现 2.1 实现思路 2.2 详细代码 2.3 代码讲解&#xff1a; 三、C语言实现 3.1实现步骤 3.2 实现代码 3.3 代码详解 四、Python实现 4.1 实现步骤 4.2 …
阅读更多...
Linux开发讲课16--- 【内存管理】页表映射基础知识2

Linux开发讲课16--- 【内存管理】页表映射基础知识2

ARM32页表和Linux页表那些奇葩的地方 ARM32硬件页表中PGD页目录项PGD是从20位开始的&#xff0c;但是为何头文件定义是从21位开始&#xff1f; 历史原因&#xff1a;Linux最初是基于x86的体系结构设计的&#xff0c;因此Linux内核很多的头文件的定义都是基于x86的&#xff0c…
阅读更多...
离线安装docker-v26.1.4，compose-v2.27.0

离线安装docker-v26.1.4，compose-v2.27.0

目录 ​编辑 1.我给大家准备好了提取即可 2.安装docker和compose 3.解压 4.切换目录 5.执行脚本 6.卸载docker和compose 7.执行命令 “如果您在解决类似问题时也遇到了困难&#xff0c;希望我的经验分享对您有所帮助。如果您有任何疑问或者想分享您的经历&#xff0c;…
阅读更多...
Java 8 新特性：Lambda表达式让你的代码焕然一新——掌握它，让编程变得轻松又高效！

Java 8 新特性：Lambda表达式让你的代码焕然一新——掌握它，让编程变得轻松又高效！

前言 Java 8 是 Java 发展史上的一次重要里程碑。作为企业级开发语言&#xff0c;它在性能和功能上做了巨大的提升。这其中&#xff0c;Lambda表达式是一个关键的新特性&#xff0c;它为 Java 语言带来了函数式编程的概念。本篇文章将深入探讨Lambda表达式&#xff0c;并结合热…
阅读更多...
[油猴脚本] Image To Ascii 快速转换审计网站图片中敏感信息插件

[油猴脚本] Image To Ascii 快速转换审计网站图片中敏感信息插件

项目地址:https://github.com/MartinxMax/ImageToAscii 导入 将ImagetoAscii.user.js导入油猴 进行按照 访问网站分析图片 当鼠标靠近图片时会出现分析按钮 通过审查图片信息,我们可以快速发现这张图片存在PHP代码。 当然在渗透测试中,你可以快速查看上传的图片木马中PHP代码…
阅读更多...
vuejs3用gsap实现动画

vuejs3用gsap实现动画

效果 gsap官网地址&#xff1a; https://gsap.com/ 安装gsap npm i gsap 创建Gsap.vue文件 <script setup> import {reactive, watch} from "vue"; import gsap from "gsap"; const props defineProps({value:{type:Number,default:0} }) cons…
阅读更多...
最新文章

Copyright @ 2022~2023