【IP101】边缘检测技术全解析:从Sobel到Canny的进阶之路
🌟 边缘检测的艺术
🎨 在图像处理的世界里,边缘检测就像是给图像画眉毛 —— 没有它,你的图像就像一只没有轮廓的熊猫🐼。让我们一起来探索这个神奇的"美妆"技术!
📚 目录
- 基础概念 - 边缘检测的魔法
- 微分滤波 - 最简单的边缘检测
- Sobel算子 - 经典边缘检测
- Prewitt算子 - 另一种选择
- Laplacian算子 - 二阶微分
- 浮雕效果 - 艺术与技术的结合
- 综合边缘检测 - 多方法融合
- 性能优化指南 - 让边缘检测飞起来
基础概念
什么是边缘检测? 🤔
想象一下你正在玩一个闭着眼睛用手指描边的游戏 —— 沿着杯子的边缘摸索,这就是边缘检测要做的事情!在图像处理中,我们的"手指"是算法,而"杯子"就是图像中的物体。
边缘检测就像是图像世界的"轮廓画家",它能找出图像中物体的"边界线"。如果把图像比作一张脸,边缘检测就是在勾勒五官的轮廓,让整张脸变得立体生动。
基本原理 📐
在数学界,边缘是个"变化多端"的家伙。它在图像中负责制造"戏剧性"的灰度值变化。用数学公式来表达这种"戏剧性":
G = G x 2 + G y 2 G = \sqrt{G_x^2 + G_y^2} G=Gx2+Gy2
其中:
- G x G_x Gx 是x方向的梯度(就像是"东西"方向的变化)
- G y G_y Gy 是y方向的梯度(就像是"南北"方向的变化)
- G G G 是最终的梯度幅值(就像是"变化剧烈程度"的体温计)
微分滤波
理论基础 🎓
微分滤波就像是图像处理界的"新手村",简单但是效果还不错。它就像是用一把尺子测量相邻像素之间的"身高差":
G x = I ( x + 1 , y ) − I ( x − 1 , y ) G y = I ( x , y + 1 ) − I ( x , y − 1 ) G_x = I(x+1,y) - I(x-1,y) \\ G_y = I(x,y+1) - I(x,y-1) Gx=I(x+1,y)−I(x−1,y)Gy=I(x,y+1)−I(x,y−1)
代码实现 💻
def differential_filter(img_path, kernel_size=3):"""微分滤波:最简单的边缘检测方法这里的代码就像是给图像装上了"边缘雷达"参数:img_path: 输入图像路径kernel_size: 滤波器大小,默认为3"""# 读取图像img = cv2.imread(img_path)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 创建输出图像result = np.zeros_like(gray)# 计算填充大小pad = kernel_size // 2# 对图像进行填充padded = np.pad(gray, ((pad, pad), (pad, pad)), mode='edge')# 手动实现微分滤波for y in range(gray.shape[0]):for x in range(gray.shape[1]):# 计算x方向和y方向的差分dx = padded[y+1, x+2] - padded[y+1, x]dy = padded[y+2, x+1] - padded[y, x+1]# 计算梯度幅值result[y, x] = np.sqrt(dx*dx + dy*dy)return result
Sobel算子
理论基础 📚
如果说微分滤波是个实习生,那Sobel算子就是个经验丰富的老警探了。它用特制的"放大镜"(卷积核)来寻找那些躲藏得很好的边缘:
G x = [ − 1 0 1 − 2 0 2 − 1 0 1 ] ∗ I G y = [ − 1 − 2 − 1 0 0 0 1 2 1 ] ∗ I G_x = \begin{bmatrix} -1 & 0 & 1 \\ -2 & 0 & 2 \\ -1 & 0 & 1 \end{bmatrix} * I \\ G_y = \begin{bmatrix} -1 & -2 & -1 \\ 0 & 0 & 0 \\ 1 & 2 & 1 \end{bmatrix} * I Gx= −1−2−1000121 ∗IGy= −101−202−101 ∗I
看到这个矩阵没?它就像是一个"边缘探测器",能发现那些藏得很深的边缘。
代码实现 💻
def sobel_filter(img_path, kernel_size=3):"""Sobel算子:经典的边缘检测方法参数:img_path: 输入图像路径kernel_size: 滤波器大小,默认为3"""# 读取图像img = cv2.imread(img_path)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 定义Sobel算子sobel_x = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]])sobel_y = np.array([[-1, -2, -1], [0, 0, 0], [1, 2, 1]])# 创建输出图像result = np.zeros_like(gray)# 计算填充大小pad = kernel_size // 2# 对图像进行填充padded = np.pad(gray, ((pad, pad), (pad, pad)), mode='edge')# 手动实现Sobel滤波for y in range(gray.shape[0]):for x in range(gray.shape[1]):# 提取当前窗口window = padded[y:y+kernel_size, x:x+kernel_size]# 计算x方向和y方向的卷积gx = np.sum(window * sobel_x)gy = np.sum(window * sobel_y)# 计算梯度幅值result[y, x] = np.sqrt(gx*gx + gy*gy)return result
Prewitt算子
理论基础 📚
Prewitt算子是Sobel的表兄,他们长得很像,但是性格不太一样。Prewitt更喜欢"快准狠"的风格:
G x = [ − 1 0 1 − 1 0 1 − 1 0 1 ] ∗ I G y = [ − 1 − 1 − 1 0 0 0 1 1 1 ] ∗ I G_x = \begin{bmatrix} -1 & 0 & 1 \\ -1 & 0 & 1 \\ -1 & 0 & 1 \end{bmatrix} * I \\ G_y = \begin{bmatrix} -1 & -1 & -1 \\ 0 & 0 & 0 \\ 1 & 1 & 1 \end{bmatrix} * I Gx= −1−1−1000111 ∗IGy= −101−101−101 ∗I
代码实现 💻
def prewitt_filter(img_path, kernel_size=3):"""Prewitt算子:另一种边缘检测方法参数:img_path: 输入图像路径kernel_size: 滤波器大小,默认为3"""# 读取图像img = cv2.imread(img_path)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 定义Prewitt算子prewitt_x = np.array([[-1, 0, 1], [-1, 0, 1], [-1, 0, 1]])prewitt_y = np.array([[-1, -1, -1], [0, 0, 0], [1, 1, 1]])# 创建输出图像result = np.zeros_like(gray)# 计算填充大小pad = kernel_size // 2# 对图像进行填充padded = np.pad(gray, ((pad, pad), (pad, pad)), mode='edge')# 手动实现Prewitt滤波for y in range(gray.shape[0]):for x in range(gray.shape[1]):# 提取当前窗口window = padded[y:y+kernel_size, x:x+kernel_size]# 计算x方向和y方向的卷积gx = np.sum(window * prewitt_x)gy = np.sum(window * prewitt_y)# 计算梯度幅值result[y, x] = np.sqrt(gx*gx + gy*gy)return result
Laplacian算子
理论基础 📚
这位可是数学界的"二阶导高手"!如果说其他算子是在用放大镜找边缘,Laplacian就像是开了透视挂,直接看穿图像的本质:
∇ 2 I = ∂ 2 I ∂ x 2 + ∂ 2 I ∂ y 2 \nabla^2 I = \frac{\partial^2 I}{\partial x^2} + \frac{\partial^2 I}{\partial y^2} ∇2I=∂x2∂2I+∂y2∂2I
常用的Laplacian卷积核为:
[ 0 1 0 1 − 4 1 0 1 0 ] \begin{bmatrix} 0 & 1 & 0 \\ 1 & -4 & 1 \\ 0 & 1 & 0 \end{bmatrix} 0101−41010
代码实现 💻
def laplacian_filter(img_path, kernel_size=3):"""Laplacian算子:二阶微分边缘检测参数:img_path: 输入图像路径kernel_size: 滤波器大小,默认为3"""# 读取图像img = cv2.imread(img_path)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 定义Laplacian算子laplacian = np.array([[0, 1, 0], [1, -4, 1], [0, 1, 0]])# 创建输出图像result = np.zeros_like(gray)# 计算填充大小pad = kernel_size // 2# 对图像进行填充padded = np.pad(gray, ((pad, pad), (pad, pad)), mode='edge')# 手动实现Laplacian滤波for y in range(gray.shape[0]):for x in range(gray.shape[1]):# 提取当前窗口window = padded[y:y+kernel_size, x:x+kernel_size]# 计算Laplacian卷积result[y, x] = np.sum(window * laplacian)# 取绝对值result = np.abs(result)return result
浮雕效果
理论基础 🎭
浮雕效果是一种特殊的边缘检测应用,它通过差分和偏移来创造立体感:
I e m b o s s = I ( x + 1 , y + 1 ) − I ( x − 1 , y − 1 ) + o f f s e t I_{emboss} = I(x+1,y+1) - I(x-1,y-1) + offset Iemboss=I(x+1,y+1)−I(x−1,y−1)+offset
代码实现 💻
def emboss_effect(img_path, kernel_size=3, offset=128):"""浮雕效果:艺术与技术的结合参数:img_path: 输入图像路径kernel_size: 滤波器大小,默认为3offset: 偏移值,默认为128"""# 读取图像img = cv2.imread(img_path)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 定义浮雕算子emboss = np.array([[2, 0, 0], [0, -1, 0], [0, 0, -1]])# 创建输出图像result = np.zeros_like(gray)# 计算填充大小pad = kernel_size // 2# 对图像进行填充padded = np.pad(gray, ((pad, pad), (pad, pad)), mode='edge')# 手动实现浮雕效果for y in range(gray.shape[0]):for x in range(gray.shape[1]):# 提取当前窗口window = padded[y:y+kernel_size, x:x+kernel_size]# 计算浮雕卷积result[y, x] = np.sum(window * emboss) + offsetreturn result
综合边缘检测
理论基础 📚
综合边缘检测结合多种方法,以获得更好的效果:
- 使用Sobel/Prewitt算子检测边缘
- 使用Laplacian算子检测边缘
- 结合多个结果
代码实现 💻
def edge_detection(img_path, method='sobel', threshold=100):"""综合边缘检测:多方法融合参数:img_path: 输入图像路径method: 边缘检测方法,可选 'sobel', 'prewitt', 'laplacian'threshold: 阈值,默认为100"""# 读取图像img = cv2.imread(img_path)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 根据选择的方法进行边缘检测if method == 'sobel':result = sobel_filter(img_path)elif method == 'prewitt':result = prewitt_filter(img_path)elif method == 'laplacian':result = laplacian_filter(img_path)else:raise ValueError(f"不支持的方法: {method}")# 二值化处理_, binary = cv2.threshold(result, threshold, 255, cv2.THRESH_BINARY)return binary
🚀 性能优化指南
选择策略就像选武器 🗡️
图像大小 | 推荐策略 | 性能提升 | 就像是… |
---|---|---|---|
< 512x512 | 基础实现 | 基准 | 用小刀切黄瓜 |
512x512 ~ 2048x2048 | SIMD优化 | 2-4倍 | 用食品处理器 |
> 2048x2048 | SIMD + OpenMP | 4-8倍 | 开着收割机干活 |
优化技巧就像厨房妙招 🥘
- 数据对齐:就像把菜刀排排好
// 确保16字节对齐,就像把菜刀按大小排列
float* aligned_buffer = (float*)_mm_malloc(size * sizeof(float), 16);
- 缓存优化:就像把食材分类放好
// 分块处理,就像把大块食材切成小块再处理
const int BLOCK_SIZE = 32;
for (int by = 0; by < height; by += BLOCK_SIZE) {for (int bx = 0; bx < width; bx += BLOCK_SIZE) {process_block(by, bx, BLOCK_SIZE);}
}
🎯 实践练习
想要成为边缘检测界的"大厨"吗?试试这些练习:
- 实现一个"火眼金睛"的边缘检测器,能自动挑选最适合的方法
- 创建一个"选美比赛"展示工具,让不同的边缘检测方法同台竞技
- 实现一个"边缘检测直播间",实时处理视频流
📚 延伸阅读
- OpenCV文档 - 图像处理界的"新华字典"
- 计算机视觉实践 - 实战经验的"江湖笔记"
💡 记住:找边缘不是目的,就像寻宝不是为了藏宝图,而是为了找到宝藏背后的故事。
—— 一位沉迷边缘检测的浪漫主义者 🌟
相关文章:
【IP101】边缘检测技术全解析:从Sobel到Canny的进阶之路
🌟 边缘检测的艺术 🎨 在图像处理的世界里,边缘检测就像是给图像画眉毛 —— 没有它,你的图像就像一只没有轮廓的熊猫🐼。让我们一起来探索这个神奇的"美妆"技术! 📚 目录 基础概念 …...
Nx 智能分发机制(Nx Agents + Nx Cloud)
Nx 智能分发机制(Nx Agents Nx Cloud) 阶段关键做的事作用1. 收集信息- Project Graph:解析整个 workspace 依赖关系(谁依赖谁)- 历史统计:每次 CI 结束后将每个任务的实际用时与缓存命中情况上传…...
《“昊龙一号”:开启中国航天货运新时代》
中国航天新力量:昊龙一号登场 在 2024 年 10 月 29 日上午,神舟十九号载人飞行任务新闻发布会如一颗重磅炸弹,在航天领域激起千层浪。发布会上,一系列关乎中国载人航天工程未来走向的重要信息被披露,其中,“昊龙一号” 货运航天飞机入围空间站低成本货物运输系统总体方案…...
C++ 多态:原理、实现与应用
目录 引言 一、多态的概念 二、多态的定义及实现 (一)构成条件 (二)虚函数的深入理解 (三)虚函数的重写(覆盖) 三、抽象类 (一)概念 (二&…...
多模态大语言模型arxiv论文略读(五十八)
How Does the Textual Information Affect the Retrieval of Multimodal In-Context Learning? ➡️ 论文标题:How Does the Textual Information Affect the Retrieval of Multimodal In-Context Learning? ➡️ 论文作者:Yang Luo, Zangwei Zheng, …...
TS 枚举类型
枚举 参数为枚举成员中的一个 数字枚举 字符串枚举 枚举特点 、 缺点:转为JS代码时会编译成JS代码,增大开销...
Python容器与循环:数据处理的双剑合璧
Python作为一门简洁强大的编程语言,其容器类型和循环结构的完美结合为数据处理提供了极大的便利。本文将带领初学者深入理解Python中的四大容器(列表、元组、字典、集合)以及它们与循环结构的配合使用,助你掌握数据处理的核心技能…...
ST-LINKV2仿真器下载
ST-LINKV2仿真器 — 正点原子资料下载中心 1.0.0 文档...
RAGFlow 接入企业微信应用实现原理剖析与最佳实践
背景 近期有医美行业客户咨询我们智能客服产品,期望将自己企业的产品、服务以及报价信息以企微应用的方式给到客户进行体验互动,提升企业运营效率。关于企业微信对接,我们分享下最佳实践,抛砖引玉。效果图如下: 这里也…...
大模型实践:图文解锁Ollama在个人笔记本上部署llm
使用在线模型服务时,我们常常需要支付API调用费用,这对于个人开发者或小型组织来说可能是一笔不小的开支。那么,有没有方法可以在本地免费使用这些强大的模型呢?答案是肯定的——Ollama就是这样一个工具。 当然如果是比较大的组织…...
如何提高情商?(优化版)
引言 提高情商(EQ)是一个需要长期练习和自我反思的过程,核心在于理解自己、管理情绪、共情他人并有效沟通。以下是一些具体且可操作的方法,结合理论和实际场景,帮助你逐步提升: 一、核心方法:…...
学习黑客Linux权限
在 Linux 的王国里,“权限”就是装备与技能加成:决定谁能拔剑(读 r)、挥剑(写 w)、进入房间(执行 x)。本文用“闯关升级”视角,把常见 rwx、八进制数字、SUID/SGID/Stick…...
信息系统监理师第二版教材模拟题第二组(含解析)
信息系统监理师模拟题第二组(30题) 监理理论与法规 根据《信息系统工程监理暂行规定》,监理单位应当独立于( ) A. 建设单位和承建单位 B. 政府监管部门 C. 行业组织 D. 最终用户答案:A 解析:监理单位应当保持独立性,不得与建设单位和承建单位有隶属关系或其他利害关系…...
C与指针——输入输出
错误定位 当一个库函数出错时,errno会被重置 perror(const char* s);\\输出s: errno 对应的错误信息 \\如果单独想要错误信息可以 char* e strerror(errno);\\系统错误码转换为对应的错误信息字符串输出缓冲区 一般输出缓冲区满的时候才刷新,也就是…...
RR(Repeatable Read)级别如何防止幻读
在 MySQL 数据库事务隔离级别中,RR(可重复读) 通过 MVCC(多版本并发控制) 和 锁机制 的组合策略来避免幻读问题。 一、MVCC机制:快照读与版本控制 快照读(Snapshot Read) 每个事务启…...
Python之学习笔记(六)
文章目录 1. 字典(Dictionary)2. 集合(Set)3. 字典 vs 集合4. 应用场景5. 注意事项 Python中的字典( dict)和集合( set)是两种高效且常用的数据结构,适用于不同的场景。…...
Easy云盘总结篇-文件上传02
说在前面:此项目是跟着B站一位大佬写的,不分享源码,支持项目付费 文件预览 主要分视频和其他文件预览,但实现逻辑相同,只是请求路径有区别。 这段逻辑: 拿视频预览举例: 视频开始时ÿ…...
window-docker的容器使用宿主机音频设备
文章目录 前言操作配置 前言 你有没有遇到过这种情况? 你兴冲冲地在Windows上用Docker搭了个语音识别项目,准备让容器高歌一曲,或者至少"Hey Docker"一下。结果——静音。 Docker Desktop一脸无辜:“亲,默…...
NaVILA: Legged Robot Vision-Language-ActionModel for Navigation
摘要 本文旨在解决基于视觉与语言导航(VLN)在四足机器人上的实现问题。该任务不仅为人类提供了一种灵活的指令方式,还使机器人能够在更具挑战性和杂乱的场景中导航。然而,将人类自然语言指令转换为低层次的腿部关节控制指令并非易…...
LeetCode 2071 你可以安排的最多任务数目 题解(附带自己的错误做题思路 过了25/49)
示例 输入:tasks [3,2,1], workers [0,3,3], pills 1, strength 1 输出:3 解释: 我们可以按照如下方案安排药丸: - 给 0 号工人药丸。 - 0 号工人完成任务 2(0 1 > 1) - 1 号工人完成任务 1&#…...
高翔《视觉SLAM十四讲》中第13讲,单目稠密重建中的RMODE数据集
高翔《视觉SLAM十四讲》中第13讲,单目稠密重建,中的RMODE数据集, 原作者苏黎世大学slam小组提供,但是网址已失效 下载方式: 1 https://vj6cqktnxq.feishu.cn/wiki/KBqtwD6XJio3Rmkm2FkckMY8nPg 2 参考地址:…...
PyTorch_张量形状操作
搭建模型时,数据都是基于张量形式的表示,网络层与层之间很多都是以不同的shape的方式进行表现和运算。 对张量形状的操作,以便能够更好处理网络各层之间的数据连接。 reshape 函数的用法 reshape 函数可以再保证张量数据不变的前提下改变数…...
【浅尝Java】变量与数据类型(含隐式类型转换、强制类型转换、整型与字符串互相转换等)
🍞自我激励:每天努力一点点,技术变化看得见 文章目录 字面常量数据类型变量变量概念语法格式整型变量字节型变量(byte)短整型变量(short)整型变量(int)长整型(…...
Ubuntu环境下使用uWSGI服务器【以flask应用部署为例】
0、前置内容说明 首先要知道WSGI是什么,关于WSGI服务器的介绍看这篇:WSGI(Web Server Gateway Interface)服务器 由于从Python 3.11开始限制了在系统级 Python 环境中使用 pip 安装第三方包,以避免与系统包管理器&am…...
GCC 使用指南
安装 GCC Ubuntu/Debian: sudo apt update && sudo apt install gcc gCentOS/RHEL: sudo yum install gcc gcc-cmacOS (通过 Homebrew): brew install gcc基本用法 编译 C 程序 gcc hello.c -o hello # 编译 hello.c,生成可执行文件 hello ./hello …...
虚函数 vs 纯虚函数 vs 静态函数(C++)
🧩 一图看懂:虚函数 vs 纯虚函数 特性虚函数(Virtual)纯虚函数(Pure Virtual)语法virtual void foo();virtual void foo() 0;是否必须实现✅ 必须在类中实现❌ 不在基类实现,派生类必须实现是…...
CF1000E We Need More Bosses
CF1000E We Need More Bosses 题目描述 题目大意: 给定一个 n n n 个点 m m m 条边的无向图,保证图连通。找到两个点 s , t s,t s,t,使得 s s s到 t t t必须经过的边最多(一条边无论走哪条路线都经过ta,这条边就是…...
Python:Seaborn 美化图表的技术指南
🎨 1、简述 Seaborn 是建立在 Matplotlib 基础上的高级可视化库,提供了更美观、更简洁的数据统计图表。本文将带你深入了解 Seaborn 的强大功能,并通过多个实践案例掌握使用技巧。 2、Seaborn 1️⃣ 什么是 Seaborn? Seaborn 是一个基于 matplotlib 构建的 Python 可视…...
go实现循环链表
需求 实现循环链表的节点生成、顺序遍历、指定删除。 实现 package mainimport ("fmt" )type zodiac_sign struct {number intdizhi stringanimal stringyear intnext *zodiac_sign }// 添加 // func add_node_by_order(previous_node zodiac_sign, current_…...
QT | 常用控件
前言 💓 个人主页:普通young man-CSDN博客 ⏩ 文章专栏:C_普通young man的博客-CSDN博客 ⏩ 本人giee: 普通小青年 (pu-tong-young-man) - Gitee.com 若有问题 评论区见📝 🎉欢迎大家点赞👍收藏⭐文章 —…...
EasyExcel使用总结
EasyExcel 文章目录 EasyExcel1、导入1.1、基本方式导入1.导入依赖2. 加载源文件基本语法 3. 读取数据行4. 读取结果 1.2、模型映射导入1.定义实体映射类2. 操作读取基本语法 3. 读取数据行4. 读取结果 1.3、导入类型转换器语法 1.4、导入监听器基本语法: 1.5、多行…...
【形式化验证】动态逻辑(DL)的定义解释与示例
动态逻辑(Dynamic Logic, DL)是一种用于描述和验证程序行为的逻辑系统。它结合了命题逻辑、谓词逻辑以及模态逻辑的特点,特别适用于表达程序执行前后的状态变化。以下将从语法、语义以及实际应用等方面详细介绍DL公式的相关内容。 1. 动态逻…...
OpenCv实战笔记(1)在win11搭建opencv4.11.1 + qt5.15.2 + vs2019_x64开发环境
一. 准备工作 Visual Studio 2019(安装时勾选 C 桌面开发 和 Windows 10 SDK) CMake 3.20(官网下载) Qt 5.15.2(下载 Qt Online Installer)安装时勾选 MSVC 2019 64-bit 组件。 opencv 4.11.1 源码下载 git…...
四年级数学知识边界总结思考-上册
目录 一、背景二、过程1.大数的认识**一、知识点梳理****二、知识点的由来****三、作用与意义****四、总结** 2. 公顷和平方千米**一、知识点梳理****二、知识点的由来****三、作用与意义** 3.角的度量**一、知识点梳理****二、知识点的由来****三、作用与意义** 4.平行四边形和…...
(undone) MIT6.S081 2023 学习笔记 (Day10: LAB9 fs file system)
url: https://pdos.csail.mit.edu/6.1810/2023/labs/fs.html 任务1:Large files (moderate) ----------------- 完成 本次作业中,你将扩大xv6文件的最大容量。当前xv6文件被限制为268个块(即268*BSIZE字节,xv6中BSIZE为1024&…...
SpringMVC详解
一:Maven 1.1 概述 (1)项目结构 所有IDE使用Maven创建的项目结构完全一样,maven项目可通用 (2)构建流程(编译、测试、打包、发布) (3)依赖管理 定义ÿ…...
【Python】一直没搞懂生成器是什么。。
生成器 上期我们讲解了迭代器:【Python】一直没搞懂迭代器是什么。。-CSDN博客 这期我们来讲讲它的好兄弟——生成器 生成器 (Generator)? 生成器是一种特殊的 迭代器 (Iterator)。 迭代器 是你可以逐个访问其元素的对象(比如在 for 循环中使用)。列表、元组、字典、字符…...
高等数学同步测试卷 同济7版 试卷部分 上 做题记录 第四章 不定积分同步测试卷 B卷
第四章 不定积分同步测试卷 B卷 一、单项选择题(本大题共5小题,每小题3分,总计15分) 1. 2. 3. 4. 5. 二、填空题(本大题共5小题,每小题3分,总计15分) 6. 7. 8. 9. 10. 三、求解下列各题(本大题共5小题,每小题6分,总计30分) 11. 12. …...
只用Prettier进行格式化项目
1.下载Prettier插件,禁用ESlint 2.在项目根目录新建.prettierrc文件 {"singleQuote": true,"jsxSingleQuote": true,"printWidth": 100,"trailingComma": "none","tabWidth": 2,"semi": f…...
ARM寻址方式
寻址方式指的是确定操作数位置的方式。 寻址方式: 立即数寻址 直接寻址(绝对寻址),ARM不支持这种寻址方式,但所有CISC处理器都支持 寄存器间接寻址 3种寻址方式总结如下: 助记符 RTL格式 描述 ADD r0,r1…...
2025年- H25-Lc133- 104. 二叉树的最大深度(树)---java版
1.题目描述 2.思路 返回左右子树中,最高高度的子树,高度从0开始计数。 3.代码实现 class TreeNode {int val;TreeNode left;TreeNode right;TreeNode() {}TreeNode(int val) { this.val val; }TreeNode(int val, TreeNode left, TreeNode right) {this.val val;…...
深入理解 Spring MVC:DispatcherServlet 与视图解析机制
import javax.servlet.ServletException; import javax.servlet.http.HttpServletRequest; import javax.servlet.http.HttpServletResponse; import java.io.IOException; import java.util.Locale; import java.util.Map;// 继承自 FrameworkServlet 的 DispatcherServlet 类…...
Python基本语法(lambda表达式)
lambda表达式 lambda的一般形式是在关键字lambda后面跟一个或多个参数,之后再紧跟一个 冒号,接下来是一个表达式。lambda是一个表达式,而不是一个语句,它能够出现 在Python语法不允许def出现的地方。作为表达式,lambd…...
嵌入式按键原理、中断过程与中断程序设计(键盘扫描程序)
按键去抖动 通常的按键所用开关为机械弹性开关,当机械触点断开、闭合时,电压信号波型如下图。由于机械触点的弹性作用,一个按键开关在闭合时不会马上稳定地接通,在断开时也不会一下子断开。因而在闭合及断开的瞬间均伴随有一连串的抖动。…...
C++负载均衡远程调用学习之实时监测与自动发布功能
目录 1.LarsDns-V0.3BackenThread后端实时监控线程流程 2.LarsDns-V0.3加载当前Route版本号方法实现 3.LarsDns-V0.3加载RouteChange修改表的信息 4.LarsDns-V0.3实现实时监控流程线程业务 5.LarsDnsV0.3编译bug修改和功能测试 6.Lars Web管理界面的集成 7.LarsDnsV0.3 D…...
VSCode常用插件推荐
文章目录 VSCode常用插件推荐1 Git相关插件2 代码格式3 AI工具4 语言插件通用工具参考 VSCode常用插件推荐 1 Git相关插件 2 代码格式 3 AI工具 4 语言插件 通用工具 参考 50 个 VSCode 必装插件推荐 https://mp.weixin.qq.com/s/b_OKvg3hdavtnv7pbWcKWg...
性能优化实践:内存优化技巧
性能优化实践:内存优化技巧 在Flutter应用开发中,内存优化是提升应用性能的关键环节之一。本文将从实战角度深入探讨Flutter内存优化的各种技巧,帮助你构建高性能的Flutter应用。 一、内存分析工具使用 1. DevTools内存分析器 启动DevTool…...
WPF中Behaviors
行为的好处 可以把复杂的界面逻辑抽象出去,让xaml的界面设计更简单,更清爽 1.安装包 Microsoft.Xaml.Behaviors.Wpf2.简单实现拖动效果 <Border Width"100"Height"100"Background"Red"><i:Interaction.Behav…...
FreeRTOS菜鸟入门(十)·消息队列
目录 1. 基本概念 2. 数据存储 3. 运作机制 4. 阻塞机制 4.1 出队阻塞 4.2 入队阻塞 5. 操作示意图 5.1 创建队列 5.2 向队列发送第一个消息 5.3 向队列发送第二个消息 5.4 从队列读取消息 6. 消息队列控制块 7. 消息队列常用函数 7.1 消息队列创建…...
Day3:设置页面全局渐变线性渐变背景色uniapp壁纸实战
效果: 页面全局渐变线性渐变背景色会让这个设计更加有质感 想给页面加背景的时候,就给最外部的布局容器添加一个pageBg这样一个类别 接下来,我们就可以在之前写的common的公共的style里的common-style.css里改变它就行了 线性渐变࿱…...