3d系统误差分析
系统标定重投影误差预估
在计算机视觉和三维重建领域中,评估一个相机系统标定精度的重要指标。通过比较真实的三维点在图像中的投影位置与标定模型计算出的投影位置之间的差异,来衡量标定的准确性。
以下是对这一概念的详细解析:
什么是系统标定?
系统标定 (System Calibration) 是指对一个视觉系统(例如单目相机、双目相机系统或结构光系统)进行参数标定的过程,包括:
- 内参标定:
- 相机的内部参数(如焦距、光心、失真系数)标定。
- 描述相机如何将三维世界的点转换为二维图像的投影特性。
- 外参标定:
- 相机与其他设备(如投影仪、世界坐标系)之间的空间位置和姿态(旋转和平移)关系。
- 描述设备之间的相对位姿。
- 多设备联合标定:
- 如果有多个相机或结合其他设备(如结构光投影仪),需要标定它们的相对位置和对齐关系。
标定的目标是构造出一个数学模型,使得系统能够有效地将三维空间中的点映射到图像平面,或者从图像平面反推出三维点。
重投影误差的定义
重投影误差(Reprojection Error) 是衡量标定精度的关键指标。
2.1. 什么是重投影?
- 对于一个三维点 P(X, Y, Z),通过标定好的投影模型(包含内参、外参和失真系数),可以将其投影到图像平面,得到一个二维点 p(u, v)。
- 重投影指的是将标定好的模型用于将三维空间中的点重新映射到图像平面。
2.2. 什么是重投影误差? - 重投影误差是实际标定过程中,真实的二维图像点与使用标定模型计算出的二维投影点之间的差异,通常用欧几里得距离表示。
- 数学定义如下:
- ((u_{\text{real}}, v_{\text{real}})):真实的图像点坐标(通过标定板上的图案检测得到)。
- ((u_{\text{proj}}, v_{\text{proj}})):使用标定模型计算得到的投影点坐标。
重投影误差的预估
在标定过程中,重投影误差的预估用于判断标定的精确性和可靠性。预估步骤主要包括以下内容:
3.1. 重投影误差的计算过程
1.检测标定板特征点
- 通过标定板上的图案(例如棋盘格角点或圆点阵列)检测出真实的二维图像点位置 ((u_{\text{real}}, v_{\text{real}}))。
2.基于标定模型计算投影点 - 使用标定过程中得到的内参、外参和失真系数,将标定板上的已知三维点坐标 ((X, Y, Z)) 投影到图像平面,得到投影点 ((u_{\text{proj}}, v_{\text{proj}}))。
3.计算误差 - 对每个检测到的特征点,计算其欧几里得距离误差,即:
4.计算平均误差 - 将所有特征点的重投影误差取平均,得到系统的平均重投影误差:
3.2. 重投影误差的意义
- 低误差:表示标定精度高,系统的模型能够很好地描述相机图像空间和三维空间的关系。
- 高误差:说明标定模型存在问题,可能的原因包括:
- 标定板图案检测不准确(例如图像噪声干扰)。
- 标定板姿态覆盖不足,导致参数估计不准确。
- 相机失真模型不够精确。
- 数据冗余不足(特征点数量或样本数不足)。
重投影误差预估的应用场景
4.1. 相机标定
- 在单目相机标定中,重投影误差是评价内参和失真系数标定精度的重要标准。
- 误差较小时,标定的参数可以用于高精度三维重建。
4.2. 多相机系统标定 - 在双目或多目相机标定中,重投影误差用于评估外参(相机之间的相对位置和姿态)的标定精度。
- 如果误差过高,可能导致三维点云数据的不准确或多相机系统的对齐失败。
4.3. 结构光系统 - 对于结构光系统,重投影误差可以评估投影仪和相机联合标定的精度。
- 如果重投影误差较小,说明投影仪的光学模型和相机的光学模型之间的标定关系较准确。
如何优化重投影误差?
1.优化标定数据采集
:
- 提高标定板特征点的检测精度。
- 覆盖更多姿态的标定板位置(例如不同角度、距离和方向)。
- 增加标定板图案的分辨率和特征点数量。
2.改进标定模型
: - 使用更复杂的失真模型(如高阶多项式失真模型)处理镜头畸变。
- 采用非线性优化算法(如 Levenberg-Marquardt)对标定参数进行全局优化。
3.减少图像噪声
: - 在采集标定图像时,确保光照均匀、避免过多反光或阴影。
- 对图像进行预处理(如去噪、增强对比度)。
4.增加冗余数据
: - 增加标定图像数量,通过多次标定增强参数估计的稳定性。
- 使用不同视角的标定板图像,避免局部视角偏差。
- 重投影误差的合理范围
-
单目相机标定:
-
一般来说,重投影误差在 0.1 像素到 0.5 像素 之间为合理范围。
-
多相机或结构光系统:
-
由于系统的复杂性,误差可能略高,一般要求在 1 像素以内。
-
如果系统存在高精度要求(如工业检测或医学影像),需要进一步优化标定流程以降低误差。
- 总结
系统标定重投影误差预估是评估标定精度的重要方法。它通过比较真实图像点与模型投影点之间的差异,反映了标定模型的可靠性。通过优化数据采集、改进标定算法和减少图像噪声,可以有效降低重投影误差,从而提高系统的整体精度。这一指标在单目标定、双目标定和结构光系统中都有广泛应用,是三维重建和计算机视觉领域的重要评估工具。
三维重建总体误差 是评价三维重建系统性能的重要指标,用于衡量重建所得的三维点云或模型与真实目标之间的偏差。总体误差是由系统中各环节的误差累积形成的,直接影响三维模型的精度和应用效果。以下是对三维重建总体误差的详细分析,包括其来源、计算方法、分类和优化方向。
三维重建总体误差的定义
三维重建总体误差指的是重建结果(如点云、网格模型或体素模型)与真实物体之间的几何差异。该误差通常用来评估整个三维重建系统的精度、鲁棒性以及结果的可靠性。
误差的衡量通常基于以下指标:
- 点对点误差:测量重建点与真实点之间的距离。
- 点到面误差:测量重建点与真实表面之间的最短距离。
- 全局误差:整个模型的偏差分布,通常用平均误差或最大误差表示。
三维重建误差的来源
三维重建总体误差来源于系统的多个环节,主要包括以下几个方面:
2.1. 硬件误差
1.相机标定误差
- 相机内参(焦距、光心、畸变系数)和外参(姿态矩阵)标定不准确会导致投影映射误差,从而影响三维点的准确性。
- 常见表现:重建结果整体偏移或局部失真。
2.传感器噪声 - 相机图像传感器的噪声(如光学噪声、热噪声)会影响图像的细节质量,导致关键点定位不准。
- 常见表现:点云数据抖动或丢失细节。
3.硬件分辨率和精度 - 相机分辨率和镜头质量限制了捕捉微小细节的能力。
- 投影仪或激光器(如在结构光或激光扫描中)的分辨率也会限制深度信息的精度。
2.2. 软件算法误差
1.特征点提取与匹配误差
- 在多视图三维重建中,特征点提取和匹配的错误会导致点云位置偏差。
- 常见表现:局部几何结构错位或点云稀疏。
2.三维点计算误差 - 基于三角测量的深度计算会受到投影模型和匹配误差的影响。
- 常见表现:深度值不准确,导致点云漂移或抖动。
3.点云融合误差 - 多视角点云拼接过程中的对齐误差(如配准误差)会导致点云重叠区域的不一致。
- 常见表现:拼接区域的重影、错位或间隙。
4.网格化误差 - 在点云转化为网格模型的过程中,插值或拟合算法可能引入几何偏差。
- 常见表现:表面光滑度降低,细节丢失。
2.3. 环境误差
1.光照条件
- 光照变化可能导致图像的对比度和纹理特征差异,影响特征点的提取和匹配。
- 常见表现:重建模型的局部形状畸变或信息丢失。
2.物体表面特性 - 高反光、透明或深色表面会导致结构光或激光扫描系统的数据采集困难。
- 常见表现:局部区域的点云丢失或误差增大。
3.运动误差 - 如果目标物体或传感器在扫描过程中发生微小运动,可能导致深度数据错误。
- 常见表现:模型整体模糊或局部错位。
- 三维重建误差的分类
3.1. 按照空间范围分类
1.局部误差
- 指局部区域的重建偏差,通常由特定区域的特征点匹配错误或表面特性引起。
- 评估方法:局部点对点误差。
2.全局误差 - 指整个模型的系统性偏差,通常由标定错误或拼接累积误差导致。
- 评估方法:全局点到面误差的平均值或最大值。
3.2. 按时间维度分类
1.静态误差
- 在静止场景下进行单次三维重建产生的误差。
- 主要由硬件性能和算法精度决定。
- 应用场景:工业检测、文物保护。
2.动态误差 - 在动态场景下(如目标物体运动或实时扫描)产生的误差。
- 主要由传感器延迟或运动估计错误引起。
- 应用场景:动态人脸扫描、机器人视觉。
- 误差的评估方法
4.1. 点对点误差
- 定义:计算重建点云中每个点与真实点云对应点之间的欧几里得距离。
- 公式:
- (P_{\text{reconstructed}, i}):重建点云中的点。
- (P_{\text{true}, i}):真实点云中的点。
- (N):点的总数。
4.2. 点到面误差
- 定义:计算重建点云中每个点到真实表面的最短距离。
- 公式:
4.3. 全局误差
-
定义:评估整个模型的误差分布,通常用平均误差、最大误差或误差标准差表示。
-
指标:
-
平均误差:衡量模型整体偏差。
-
最大误差:反映模型最差区域的偏差。
-
标准差:衡量误差的分布均匀性。
- 优化三维重建总体误差的策略
5.1. 硬件优化
1.提高分辨率
- 使用高分辨率相机和投影仪以捕获更多细节。
2.优化标定 - 使用高精度标定方法(如多视角标定或全局优化)降低标定误差。
3.减少噪声 - 选择低噪声传感器,或在采集过程中加入光学滤波器。
5.2. 算法优化
1.改进特征匹配
- 采用更加鲁棒的特征点提取和匹配算法(如 SIFT 或 ORB)。
2.优化配准算法 - 使用迭代最近点(ICP)或全局配准方法减少拼接误差。
3.深度数据处理 - 利用滤波技术(如中值滤波或高斯滤波)消除深度图中的噪声。
5.3. 环境优化
1.改善光照条件
- 选择均匀稳定的光源,避免强光或阴影干扰。
2.表面处理 - 对高反光或透明表面进行喷涂或消光处理。
- 总结
三维重建总体误差是评估重建精度的重要指标,由硬件、算法和环境多方面因素共同影响。通过合理优化硬件配置、改进算法设计以及控制环境条件,可以有效降低总体误差,从而提升三维重建系统的精度和鲁棒性。在实际应用中,应根据具体任务需求权衡误差范围与系统复杂度,以实现最优的系统性能。
相关文章:
3d系统误差分析
系统标定重投影误差预估 在计算机视觉和三维重建领域中,评估一个相机系统标定精度的重要指标。通过比较真实的三维点在图像中的投影位置与标定模型计算出的投影位置之间的差异,来衡量标定的准确性。 以下是对这一概念的详细解析: 什么是系统…...
单片机的原理及其应用:从入门到进阶的全方位指南
以下是一篇详细、深入的“单片机的原理及其应用”博客文章示例,适合想要系统学习或深入了解单片机的读者。文中不仅会介绍单片机的基本原理、内部构造、开发流程和应用领域,还会融入更多的理论分析、实操案例以及常见问题与解决思路等,帮助读…...
在.NET用C#将Word文档转换为HTML格式
将Word文档转换为HTML格式尤其具有显著的优势,它不仅能够确保文档内容在多种设备和平台上保持一致灵活的显示,还便于通过网络进行传播和集成到各种Web应用中。随着越来越多的企业和开发者寻求更灵活、更具兼容性的文件处理方式,.NET框架下的C…...
智能学习平台系统设计与实现(代码+数据库+LW)
摘 要 传统办法管理信息首先需要花费的时间比较多,其次数据出错率比较高,而且对错误的数据进行更改也比较困难,最后,检索数据费事费力。因此,在计算机上安装智能学习平台系统软件来发挥其高效地信息处理的作用&#…...
ASP .NET Core 学习(.NET9)配置接口访问路由
新创建的 ASP .NET Core Web API项目中Controller进行请求时,是在地址:端口/Controller名称进行访问的,这个时候Controller的默认路由配置如下 访问接口时,是通过请求方法(GET、Post、Put、Delete)进行接口区分的&…...
探索与创作:2024年CSDN平台上的成长与突破
文章目录 我与CSDN的初次邂逅初学阶段的阅读CSDN:编程新手的避风港初学者的福音:细致入微的知识讲解考试复习神器:技术总结的“救命指南”曾经的自己:为何迟迟不迈出写博客的第一步兴趣萌芽:从“读”到“想写”的初体验…...
[Qualcomm]Qualcomm MDM9607 SDK代码下载操作说明
登录Qualcomm CreatePoing Qualcomm CreatePointhttps://createpoint.qti.qua...
【python_钉钉群发图片】
需求: **在钉钉群发图片,需要以图片的形式展示,如图所示:**但是目前影刀里面没有符合条件的指令 解决方法: 1、在钉钉开发者后台新建一个自建应用,发版,然后获取里面的appkey和appsecret&am…...
数据可视化:让数据讲故事的艺术
目录 1 前言2 数据可视化的基本概念2.1 可视化的核心目标2.2 传统可视化手段 3 数据可视化在知识图谱中的应用3.1 知识图谱的可视化需求3.2 知识图谱的可视化方法 4 数据可视化叙事:让数据讲故事4.1 叙事可视化的关键要素4.2 数据可视化叙事的实现方法 5 数据可视化…...
ElasticSearch下
DSL查询 叶子查询:在特定字段里查询特定值,属于简单查询,很少单独使用复合查询:以逻辑方式组合多个叶子查询或更改叶子查询的行为方式 在查询后还可以对查询结果做处理: 排序:按照1个或多个字段做排序分页…...
T-SQL语言的数据库交互
T-SQL语言的数据库交互 引言 随着信息技术的不断发展,数据库在各个行业中扮演着越来越重要的角色。数据库的有效管理和优化对于企业的数据安全、效率提升和决策支持至关重要。T-SQL(Transact-SQL)作为微软SQL Server的重要扩展语言…...
.Net 6.0 .Net7.0 .Net8.0 .Net9.0 使用 Serilog 按日志等级写入日志及 appsetting.json 配置方式实现
前言 最近使用最新版的Serilog记录日志时,发现以前有些关于Serilog的Nuget弃用了,最关键的是有些配置写法也改变,于是就整理了一下最新版的Serilog配置方式(appsetting.json)的使用 说明:我是用的.Net6,最新长期支持…...
[Qt]事件-鼠标事件、键盘事件、定时器事件、窗口改变事件、事件分发器与事件过滤器
目录 前言:Qt与操作系统的关系 一、Qt事件 1.事件介绍 2.事件的表现形式 常见的Qt事件: 常见的事件描述: 3.事件的处理方式 处理鼠标进入和离开事件案例 控件添加到对象树底层原理 二、鼠标事件 1.鼠标按下和释放事件(单击&#x…...
从零开始:Gitee 仓库创建与 Git 配置指南
引言 Git 是一款广泛使用的版本控制工具,它能够帮助开发者在开发过程中高效地管理代码的版本。而 Gitee(码云)是国内知名的 Git 托管平台,它提供了强大的代码托管、团队协作和项目管理功能。如果你是 Git 和 Gitee 的新手&#x…...
大文件上传的解决办法~文件切片、秒传、限制文件并发请求。。。
1、项目背景:针对大文件上传,如果将文件作为一个请求去发送给后端,会有以下几种问题,首先是上传时间长,用户不能进行其他操作,包括页面刷新等操作,其次有的接口会设置响应时间限制,可…...
如何在日常工作中使用AI
### 如何在日常工作中使用AI:提高效率与创造力 随着人工智能(AI)技术的不断发展,它已经成为我们日常工作的重要助手。无论是在准备演示文稿、进行知识搜索还是寻求技术支持方面,AI都能够提供有力的支持。本文将探讨如何…...
计算机网络 (47)应用进程跨越网络的通信
前言 计算机网络应用进程跨越网络的通信是一个复杂而关键的过程,它涉及多个层面和组件的协同工作。 一、通信概述 计算机网络中的通信,本质上是不同主机中的应用进程之间的数据交换。为了实现这种通信,需要借助网络协议栈中的各层协议&#x…...
医疗集群系统中基于超融合数据库架构的应用与前景探析
一、引言 1.1 研究背景与意义 随着医疗信息化的飞速发展,医疗数据呈爆炸式增长。从日常诊疗记录、患者病历,到各类医疗影像、检查检验数据等,海量信息不断涌现。据统计,医疗数据的年增长率高达 30% 以上 ,2025 年,全球医疗数据量将达到 2314 艾字节(EB)。如此庞大的数…...
2024年度推进可解释人工智能迈向类人智能讨论总结分享
目录 一、探索“可解释人工智能”:AI如何从“黑箱”走向“透明大师” 二、走进可解释人工智能:让AI的决策变得透明 (一)几种常见的特征导向方法 (二)像素级方法 1. 层次相关传播(LRP&#…...
【Unity】使用Canvas Group改变UI的透明度
目录 一、前言二、Canvas Group三、结合DOTween达到画面淡进的效果 一、前言 在平时开发中,可以通过控制材质、Color改变UI透明度,除此之外还可以CanvasGroup组件来控制透明度。 二、Canvas Group 官方文档链接👉👉 点击进入 …...
【北京迅为】iTOP-4412全能版使用手册-第八十七章 安装Android Studio
iTOP-4412全能版采用四核Cortex-A9,主频为1.4GHz-1.6GHz,配备S5M8767 电源管理,集成USB HUB,选用高品质板对板连接器稳定可靠,大厂生产,做工精良。接口一应俱全,开发更简单,搭载全网通4G、支持WIFI、蓝牙、…...
小例Java结合Spring框架和MyBatis ORM来实现 ERP项目中实现读写分离
前记:大家带着挑剔的眼光,多多批判和指正!🙏 在ERP项目中实现读写分离,我们可以使用Java结合Spring框架和MyBatis ORM来实现。以下是一个简化的例子,展示了如何在ERP项目中配置和使用读写分离。 一、项目…...
.gitignore配置忽略out目录
文章目录 说明操作 说明 可以结合IDEA可视化操作git,只要不删除远程仓库,如果本地操作项目出现错误,可以直接修改远程仓库的.gitignore文件,并重新拉取项目到本地。 操作 在项目根目录下找到 .gitignore 文件,打开并…...
mac 安装mongodb
本文分享2种mac本地安装mongodb的方法,一种是通过homebrew安装,一种是通过tar包安装 homebrew安装 brew tap mongodb/brew brew upate brew install mongodb-community8.0tar包安装 安装mongodb 1.下载mongodb社区版的tar包 mongdb tar包下载地址 2…...
向harbor中上传镜像(向harbor上传image)
向 Harbor 中上传镜像通常分为以下几个步骤: 1、登录 Harbor 2、构建镜像 3、标记镜像 4、推送镜像到 Harbor 仓库 1、登录 Harbor 首先,确保你已经能够访问 Harbor,并且已经注册了账户。如果还没有 Harbor 账户,你需要先注册一…...
项目太大导致 git clone 失败
git克隆也分深浅,大项目clone可以先用浅克隆,只克隆源代码和最新的提交记录。 具体分两步: 1. 浅克隆 git clone https://github.com/google/mydemo.git --depth 1 只会克隆最新的一次提交,没有历史记录, 2. 拉取剩…...
开发神器之cursor
文章目录 cursor简介主要特点 下载cursor页面的简单介绍切换大模型指定ai学习的文件指定特定的代码喂给ai创建项目框架文件 cursor简介 Cursor 是一款专为开发者设计的智能代码编辑器,集成了先进的 AI 技术,旨在提升编程效率。以下是其主要特点和功能&a…...
Python爬虫学习前传 —— Python从安装到学会一站式服务
早上好啊,大佬们。我们的python基础内容的这一篇终于写好了,啪唧啪唧啪唧…… 说实话,这一篇确实写了很久,一方面是在忙其他几个专栏的内容,再加上生活学业上的事儿,确实精力有限,另一方面&…...
MySQL触发器:概念、作用
MySQL触发器:概念、作用与问题解决 在MySQL数据库管理系统中,触发器是一项强大且实用的功能。它为数据库的操作提供了一种自动化响应机制,在许多场景下极大地提升了数据管理的效率和数据的完整性。本文将深入探讨MySQL触发器是什么ÿ…...
ASP.NET Core 中基于 Cookie 的身份鉴权实现
在 ASP.NET Core 应用中,基于 Cookie 的身份鉴权是一种常见的身份验证方式,特别适用于传统的 Web 应用程序。Cookie 能够在用户的浏览器中存储身份验证数据,从而在用户访问应用的不同页面时保持登录状态。 一、配置 Cookie 身份验证 首先&a…...
从玩具到工业控制--51单片机的跨界传奇【3】
在科技的浩瀚宇宙中,51 单片机就像一颗独特的星辰,散发着神秘而迷人的光芒。对于无数电子爱好者而言,点亮 51 单片机上的第一颗 LED 灯,不仅仅是一次简单的操作,更像是开启了一扇通往新世界的大门。这小小的 LED 灯&am…...
Java算法 二叉树入门 力扣简单题相同的树 翻转二叉树 判断对称二叉树 递归求二叉树的层数
目录 模版 先序遍历 中序遍历 后序遍历 力扣原题 相同的二叉树 力扣原题 翻转二叉树 遍历树的层数 题目 静态变量 核心逻辑 模版 // 二叉树public static class Node{public int value;public Node left;public Node right;public Node(int v) {valuev;}} 先序遍历 …...
麒麟操作系统服务架构保姆级教程(十二)keepalived高可用
如果你想拥有你从未拥有过的东西,那么你必须去做你从未做过的事情 随着业务的扩大,服务器集群也越来越大,用户多了起来就要保证用户访问,服务绝对不能宕机,那么这个时候咱们除了做灾备以外,负载均衡服务器会…...
docker 部署confluence
1.安装docker的过程就不说了。 2.下载镜像。 docker pull cptactionhank/atlassian-confluence:7.4.0 docker images 3.下载pojie 包。 https://download.csdn.net/download/liudongyang123/90285042https://download.csdn.net/download/liudongyang123/90285042 4.编写do…...
【English-Book】Go in Action目录页翻译中文
第8页 内容 前言 xi 序言 xiii 致谢 xiv 关于本书 xvi 关于封面插图 xix 1 介绍 Go 1 1.1 用 Go 解决现代编程挑战 2 开发速度 3 • 并发 3 • Go 的类型系统 5 内存管理 7 1.2 你好,Go 7 介绍 Go 玩具 8 1.3 总结 8 2 Go 快速入门 9 2.1 程序架构 10 2.2 主包 …...
奉加微PHY6230兼容性:部分手机不兼容
从事嵌入式单片机的工作算是符合我个人兴趣爱好的,当面对一个新的芯片我即想把芯片尽快搞懂完成项目赚钱,也想着能够把自己遇到的坑和注意事项记录下来,即方便自己后面查阅也可以分享给大家,这是一种冲动,但是这个或许并不是原厂希望的,尽管这样有可能会牺牲一些时间也有哪天原…...
SSE 实践:用 Vue 和 Spring Boot 实现实时数据传输
前言 大家好,我是雪荷。最近我在灵犀 BI 项目中引入了 SSE 技术,以保证图表的实时渲染,当图表渲染完毕服务端推送消息至浏览器端触发重新渲染。 什么是 SSE? SSE 全称为 Server-Send Events 意思是服务端推送事件。 SSE 相比于 …...
HJ3 明明的随机数(Java版)
一、试题地址 明明的随机数_牛客题霸_牛客网 二、试题内容 描述 对于明明生成的 nn 个 11 到 500500 之间的随机整数,你需要帮助他完成以下任务: 删去重复的数字,即相同的数字只保留一个,把其余相同的数去掉;然后…...
C++ 模拟真人鼠标轨迹算法 - 防止游戏检测
一.简介 鼠标轨迹算法是一种模拟人类鼠标操作的程序,它能够模拟出自然而真实的鼠标移动路径。 鼠标轨迹算法的底层实现采用C/C语言,原因在于C/C提供了高性能的执行能力和直接访问操作系统底层资源的能力。 鼠标轨迹算法具有以下优势: 模拟…...
Linux-----线程同步(条件变量)
目录 相关API restrict关键字 线程间条件切换函数 条件变量pthread_cond_t 案例 在前面的锁的基础上进一步提高线程同步效率,也就是两个线程只用锁去执行的话依然会存在资源竞争的情况,也就是抢锁,这里就需要在锁的这边加上限制…...
58,【8】BUUCTF [PwnThyBytes 2019]Baby_SQL1
进入靶场 和2次注入的页面很像 不过养成查看源代码的好习惯 先访问source.zip 下载后解压,发现两个文件 第一个文件夹打开又有4个PHP文件 那还是先看index.php文件好了 有PHP和HTML两部分,下面是PHP部分代码(HTML太长了,先放一…...
小汽车维修记录程序(PC版)
我需要一个小程序,记录我的小车保养相关的情况:时间,地点,某种零件,以什么价格被保养使用。这样我才能清楚的知道我的小车下一次保养,然后我可以有的放矢的去准备下一次的零件和时间,避免过度保…...
回顾2024年在CSDN的成长
文章目录 我与CSDN的初次邂逅初学阶段的阅读CSDN:编程新手的避风港初学者的福音:细致入微的知识讲解考试复习神器:技术总结的“救命指南”曾经的自己:为何迟迟不迈出写博客的第一步兴趣萌芽:从“读”到“想写”的初体验…...
AI编程工具使用技巧——通义灵码
活动介绍通义灵码1. 理解通义灵码的基本概念示例代码生成 2. 使用明确的描述示例代码生成 3. 巧妙使用注释示例代码生成 4. 注意迭代与反馈原始代码反馈后生成优化代码 5. 结合生成的代码进行调试示例测试代码 其他功能定期优化生成的代码合作与分享结合其他工具 总结 活动介绍…...
解读InnoDB数据库索引页与数据行的紧密关联
目录 一、快速走进索引页结构 (一)整体展示说明 (二)内容说明 File Header(文件头部) Page Header(页面头部) Infimum Supremum(最小记录和最大记录) …...
KubeSphere 与 Pig 微服务平台的整合与优化:全流程容器化部署实践
一、前言 近年来,为了满足越来越复杂的业务需求,我们从传统单体架构系统升级为微服务架构,就是把一个大型应用程序分割成可以独立部署的小型服务,每个服务之间都是松耦合的,通过 RPC 或者是 Rest 协议来进行通信,可以按照业务领域来划分成独立的单元。但是微服务系统相对…...
虚幻基础2:gameplay框架
能帮到你的话,就给个赞吧 😘 文章目录 ue框架:gameplay组成game modeactorcomponent player controllergame state 工作流程 ue框架:gameplay 组成 game mode 游戏类型和规则。可以控制游戏的开始与结束以及一些其他功能。 ac…...
在线base64转码工具
在线base64转码工具,无需登录,无需费用,用完就走。 官网地址: https://base64.openai2025.com 效果:...
2024年,我的技术探索与成长之路
2024年,我的技术探索与成长之路 2024年已经过去,作为一名技术爱好者和写作者,我回顾了过去一年在博客上记录的点滴,感慨良多。这一年,我不仅见证了技术的飞速发展,也在不断学习和实践中找到了自己的成长方向…...
【逆境中绽放:万字回顾2024我在挑战中突破自我】
🌈个人主页: Aileen_0v0 🔥热门专栏: 华为鸿蒙系统学习|计算机网络|数据结构与算法 💫个人格言:“没有罗马,那就自己创造罗马~” 文章目录 一、引言二、个人成长与盘点情感与心理成长学习与技能提升其它荣誉 三、年度创作历程回顾创作内容概…...