当前位置：首页 > news >正文

OpenCV Imgproc 模块使用指南（Python 版）

news 来源：原创 2025/8/5 16:57:25

一、模块概述

imgproc 模块是 OpenCV 的图像处理核心，提供从基础滤波到高级特征提取的全流程功能。核心功能包括：

图像滤波：降噪、平滑、锐化
几何变换：缩放、旋转、透视校正
颜色空间转换：BGR↔灰度 / HSV/Lab 等
阈值处理：二值化、自适应阈值
边缘与轮廓检测：Canny 边缘、Sobel 梯度
形态学操作：膨胀、腐蚀（见扩展章节）

二、核心功能详解与实战

1. 图像滤波（降噪与增强）

1.1 函数对比与选择

函数名称	类型	适用场景	核心参数	示例代码
`cv2.blur()`	均值滤波	轻度降噪（如文本图像）	`ksize=(3,3)`	`blur = cv2.blur(img, (5,5))`
`cv2.GaussianBlur()`	高斯滤波	高斯噪声去除（自然图像）	`ksize=(5,5), sigmaX=1.0`	`gauss = cv2.GaussianBlur(img, (5,5), 1.0)`
`cv2.medianBlur()`	中值滤波	椒盐噪声去除（强降噪）	`ksize=3`	`median = cv2.medianBlur(img, 3)`
`cv2.bilateralFilter()`	双边滤波	保持边缘的降噪（图像修复）	`d=9, sigmaColor=75`	`bilateral = cv2.bilateralFilter(img, 9, 75, 75)`

1.2 实战：图像降噪流水线

python

import cv2# 读取含噪声的图像
img = cv2.imread("noisy_image.jpg")# 降噪流水线：高斯滤波 → 双边滤波
gauss = cv2.GaussianBlur(img, (5, 5), 1.0)  # 去除高斯噪声
denoised = cv2.bilateralFilter(gauss, 9, 75, 75)  # 保持边缘的精细降噪# 显示结果
cv2.imshow("Noisy Image", img)
cv2.imshow("Denoised Image", denoised)
cv2.waitKey(0)

应用场景

医学影像：CT 扫描降噪（medianBlur 去除椒盐噪声）。
遥感图像：高斯滤波预处理（降低传感器噪声）。

2. 几何变换（尺寸与形状调整）

2.1 函数详解

函数名称	功能	核心参数说明	示例代码（旋转 45°）
`cv2.resize()`	尺寸调整	`dsize=(width, height)`, `interpolation`	`resized = cv2.resize(img, (640, 480), cv2.INTER_AREA)`
`cv2.warpAffine()`	仿射变换（平移 / 旋转 / 缩放）	`M`（2x3 变换矩阵）, `dsize`	`M = cv2.getRotationMatrix2D(center, 45, 1.0)` `rotated = cv2.warpAffine(img, M, (w,h))`
`cv2.warpPerspective()`	透视变换	`M`（3x3 透视矩阵）, `dsize`	`M = cv2.getPerspectiveTransform(src_pts, dst_pts)` `warped = cv2.warpPerspective(img, M, (w,h))`

2.2 实战：图像配准（旋转 + 缩放）

python

import cv2
import numpy as np# 读取图像
img = cv2.imread("倾斜文本.jpg")
h, w = img.shape[:2]# 构建仿射变换矩阵（旋转 30°，缩放 0.8）
center = (w//2, h//2)
M = cv2.getRotationMatrix2D(center, 30, 0.8)# 应用变换
rotated = cv2.warpAffine(img, M, (w, h), borderValue=(255, 255, 255))  # 白色填充边界# 显示结果
cv2.imshow("Original", img)
cv2.imshow("Registered", rotated)
cv2.waitKey(0)

应用场景

文档扫描：透视变换校正倾斜文档（warpPerspective）。
视频监控：动态调整 ROI 尺寸（resize + 插值优化）。

3. 颜色空间转换（色域操作）

3.1 常用颜色空间

转换代码	说明	应用场景
`COLOR_BGR2GRAY`	BGR 转灰度	减少计算量（如边缘检测）
`COLOR_BGR2HSV`	BGR 转 HSV（色相 / 饱和度 / 明度）	颜色分割（如红色物体提取）
`COLOR_BGR2LAB`	BGR 转 Lab（亮度 / 色度）	图像增强（对比度拉伸）

3.2 实战：基于 HSV 的颜色分割

python

import cv2
import numpy as np# 读取图像
img = cv2.imread("traffic_light.jpg")
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)  # 转换为 HSV# 定义红色范围（HSV）
lower_red = np.array([0, 120, 70])
upper_red = np.array([10, 255, 255])
mask = cv2.inRange(hsv, lower_red, upper_red)  # 生成掩码# 应用掩码
red_objects = cv2.bitwise_and(img, img, mask=mask)# 显示结果
cv2.imshow("Original", img)
cv2.imshow("Red Mask", mask)
cv2.imshow("Red Objects", red_objects)
cv2.waitKey(0)

应用场景

机器人视觉：HSV 颜色分割识别特定物体（如红色垃圾桶）。
医学影像：Lab 空间增强组织对比度（如 MRI 图像）。

4. 阈值处理（二值化）

4.1 方法对比

函数名称	类型	适用场景	核心参数	示例代码
`cv2.threshold()`	全局阈值	高对比度图像（如文档）	`thresh=127`, `type=THRESH_BINARY`	`_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)`
`cv2.adaptiveThreshold()`	自适应阈值	光照不均图像（如手机拍摄）	`blockSize=11`, `C=2`	`adaptive = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)`

4.2 实战：文档二值化（自适应阈值）

python

import cv2# 读取低光照文档
gray = cv2.imread("document.jpg", cv2.IMREAD_GRAYSCALE)# 自适应阈值（高斯加权）
adaptive = cv2.adaptiveThreshold(gray, 255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY, 11, 2
)# 显示结果
cv2.imshow("Gray Image", gray)
cv2.imshow("Adaptive Threshold", adaptive)
cv2.waitKey(0)

应用场景

OCR 预处理：自适应阈值提升低质量文档的文本分割。
工业检测：全局阈值提取高对比度零件轮廓。

5. 边缘检测（特征提取）

5.1 算法对比

函数名称	类型	输出	适用场景	核心参数
`cv2.Canny()`	边缘检测	二值边缘图	通用边缘检测（如物体轮廓）	`threshold1=50, threshold2=150`
`cv2.Sobel()`	梯度计算	梯度幅值（单通道）	方向敏感检测（如水平 / 垂直边缘）	`dx=1, dy=0`（x 方向梯度）
`cv2.Laplacian()`	二阶导数	边缘增强（锐化）	图像锐化（如医学影像）	`ksize=3`

5.2 实战：Canny 边缘检测（轮廓提取）

python

import cv2# 读取图像并预处理
img = cv2.imread("object.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray, (5, 5), 0)  # 降噪# Canny 边缘检测
edges = cv2.Canny(blur, 50, 150)  # 高低阈值（推荐比例 1:2 或 1:3）# 查找轮廓
contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img, contours, -1, (0, 255, 0), 2)  # 绘制轮廓# 显示结果
cv2.imshow("Edges", edges)
cv2.imshow("Contours", img)
cv2.waitKey(0)

应用场景

自动驾驶：Canny 检测车道线（结合 Hough 变换）。
医学诊断：Laplacian 锐化增强 CT 图像细节。

三、完整应用场景实现

场景 1：工业零件缺陷检测（滤波→二值化→轮廓分析）

流程

降噪（中值滤波）→ 2. 灰度转换 → 3. 自适应阈值 → 4. 轮廓检测 → 5. 缺陷标记。

完整代码

python

import cv2
import numpy as np# 1. 读取图像
part = cv2.imread("industrial_part.jpg")# 2. 预处理
gray = cv2.cvtColor(part, cv2.COLOR_BGR2GRAY)
denoised = cv2.medianBlur(gray, 3)  # 中值滤波去椒盐噪声# 3. 自适应阈值二值化
thresh = cv2.adaptiveThreshold(denoised, 255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY_INV, 11, 2
)# 4. 轮廓检测
contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 5. 标记缺陷（面积过滤）
for cnt in contours:area = cv2.contourArea(cnt)if area < 1000:  # 小面积视为缺陷x, y, w, h = cv2.boundingRect(cnt)cv2.rectangle(part, (x, y), (x+w, y+h), (0, 0, 255), 2)# 显示结果
cv2.imshow("Part Inspection", part)
cv2.waitKey(0)

场景 2：实时视频手势识别（颜色分割→轮廓分析）

流程

视频捕获 → 2. HSV 颜色分割 → 3. 形态学操作 → 4. 轮廓检测 → 5. 手势识别。

完整代码

python

import cv2
import numpy as np# 初始化摄像头
cap = cv2.VideoCapture(0)while cap.isOpened():ret, frame = cap.read()if not ret: break# 1. 颜色分割（HSV 肤色检测）hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)lower_skin = np.array([0, 20, 70])upper_skin = np.array([30, 255, 255])mask = cv2.inRange(hsv, lower_skin, upper_skin)# 2. 形态学操作（降噪）mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, np.ones((3,3), np.uint8))# 3. 轮廓检测contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 4. 绘制最大轮廓（手势）if contours:largest_cnt = max(contours, key=cv2.contourArea)cv2.drawContours(frame, [largest_cnt], -1, (0, 255, 0), 2)# 显示结果cv2.imshow("Gesture Recognition", frame)if cv2.waitKey(1) & 0xFF == 27:  # ESC 退出breakcap.release()

四、最佳实践与性能优化

1. 滤波优化

尺寸选择：滤波核尺寸建议为奇数（如 3x3, 5x5）。
双边滤波注意：d=0 时自动计算，sigmaColor 和 sigmaSpace 建议相等。

2. 几何变换

插值选择：
- 缩小：cv2.INTER_AREA（高质量）。
- 放大：cv2.INTER_LINEAR（速度快）/ cv2.INTER_CUBIC（高质量）。
透视变换：至少 4 对对应点（getPerspectiveTransform）。

3. 颜色空间

避免频繁转换：预处理阶段统一转换（如 BGR→HSV 一次完成）。
HSV 范围调试：使用 cv2.createTrackbar 实时调整阈值。

4. 阈值与边缘

Canny 三阶段：降噪（高斯滤波）→ 梯度计算 → 非极大值抑制。
自适应阈值：blockSize 建议为奇数（如 11, 15）。

五、函数速查表

功能分类	函数名称	核心参数示例	输出类型
图像滤波	`cv2.GaussianBlur()`	`ksize=(5,5), sigmaX=1.0`	`uint8`/`float32`
几何变换	`cv2.warpAffine()`	`M`（2x3 矩阵）, `dsize=(640,480)`	`uint8`
颜色转换	`cv2.cvtColor()`	`code=COLOR_BGR2HSV`	对应颜色空间
阈值处理	`cv2.adaptiveThreshold()`	`blockSize=11, C=2`	`uint8`（二值图）
边缘检测	`cv2.Canny()`	`threshold1=50, threshold2=150`	`uint8`（二值边缘）

六、扩展学习建议

1. 形态学操作（扩展）

python

# 膨胀与腐蚀（去除小噪声）
kernel = np.ones((5,5), np.uint8)
dilated = cv2.dilate(thresh, kernel, iterations=1)
eroded = cv2.erode(dilated, kernel, iterations=1)

2. 直方图均衡化（对比度增强）

python

# 全局直方图均衡
equalized = cv2.equalizeHist(gray)# CLAHE（自适应直方图均衡）
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
clahe_equalized = clahe.apply(gray)

3. 自定义卷积（锐化 / 浮雕）

python

# 锐化核
kernel = np.array([[-1, -1, -1],[-1,  9, -1],[-1, -1, -1]
], dtype=np.float32)
sharpened = cv2.filter2D(img, -1, kernel)

七、总结与学习路径

plaintext

Imgproc 学习路径：
基础 → 滤波 → 几何变换 → 颜色空间 → 阈值 → 边缘检测 → 形态学（扩展）推荐项目：
1. 文档扫描系统（透视变换 + 二值化）
2. 实时颜色识别机器人（HSV 分割 + 轮廓跟踪）
3. 工业缺陷检测（滤波 → 阈值 → 轮廓分析）性能优化：
- 向量化操作替代循环（如 `img[:, :, 0] = 0`）
- 预处理阶段统一数据类型（如 `float32` 用于计算）
- 利用 OpenCV 内置优化：`cv2.setUseOptimized(True)`

八、完整代码仓库（示例）

python

# Imgproc 模块综合应用示例
import cv2
import numpy as np# 1. 图像读取与预处理
img = cv2.imread("input.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray, (5, 5), 1.0)# 2. 边缘检测与轮廓分析
edges = cv2.Canny(blur, 50, 150)
contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 3. 几何变换（旋转 + 缩放）
h, w = img.shape[:2]
M = cv2.getRotationMatrix2D((w//2, h//2), 45, 0.8)
rotated = cv2.warpAffine(img, M, (w, h))# 4. 颜色分割（HSV 红色检测）
hsv = cv2.cvtColor(rotated, cv2.COLOR_BGR2HSV)
mask = cv2.inRange(hsv, np.array([0, 120, 70]), np.array([10, 255, 255]))# 5. 显示结果
cv2.imshow("Edges", edges)
cv2.imshow("Rotated Image", rotated)
cv2.imshow("Red Mask", mask)
cv2.waitKey(0)
cv2.destroyAllWindows()

九、环境配置与依赖

bash

# 安装 OpenCV
pip install opencv-python# 验证版本
python -c "import cv2; print(cv2.__version__)"  # 需 4.5+

通过此指南，开发者可全面掌握 Imgproc 模块的核心功能，从基础滤波到复杂特征提取，结合医学、工业、机器人等领域的实战项目，快速构建图像处理解决方案。每个代码示例均可独立运行，方便在实际开发中复用和扩展。建议结合官方文档（Imgproc 模块）进行深入学习。

OpenCV Imgproc 模块使用指南（Python 版）

一、模块概述 imgproc 模块是 OpenCV 的图像处理核心，提供从基础滤波到高级特征提取的全流程功能。核心功能包括： 图像滤波：降噪、平滑、锐化几何变换：缩放、旋转、透视校正颜色空间转换：BGR↔灰度 / HSV/Lab 等阈值…...

编程日记 2025/8/5 16:57:25

PostgreSQL：简介与安装部署

🧑 博主简介：CSDN博客专家，历代文学网（PC端可以访问：https://literature.sinhy.com/#/?__c1000，移动端可微信小程序搜索“历代文学”）总架构师，15年工作经验，精通Java编…...

编程日记 2025/8/2 16:06:11

流畅如丝：利用requestAnimationFrame优化你的Web动画体验

requestAnimationFrame 是前端开发中用于优化动画性能的 API。它允许浏览器在下一次重绘之前执行指定的回调函数，通常用于实现平滑的动画效果。 1.作用优化性能：requestAnimationFrame 会根据浏览器的刷新率（通常是 60Hz，即每秒…...

编程日记 2025/7/31 16:49:07

OpenCV 基础模块 Python 版

OpenCV 基础模块权威指南（Python 版） 一、模块全景图 plaintext OpenCV 架构 (v4.x) ├─ 核心层 │ ├─ core：基础数据结构与操作（Mat/Scalar/Point） │ └─ imgproc：图像处理流水线（滤…...

编程日记 2025/8/2 16:44:05

代码随想录算法训练营第十五天 | 数组 |长度最小的子数组和螺旋矩阵II

长度最小的子数组【题目简介】【自写数组解法】 class Solution:def minSubArrayLen(self, target: int, nums: List[int]) -> int:minLength float(inf)slow 0fast 0cur_sum nums[slow]# 终止条件：fast不能超过最大索引值while slow < fast and fas…...

编程日记 2025/8/4 15:20:53

C++ 入门第27天：异常处理详细讲解

往期回顾： C 入门第24天：C11 多线程基础-CSDN博客 C 入门第25天：线程池（Thread Pool）基础-CSDN博客 C 入门第26天：文件与流操作基础-CSDN博客 C 入门第27天：异常处理详细讲解前言在 C 开发中…...

编程日记 2025/8/2 18:42:39

Powershell WSL导出导入ubuntu22.04.5子系统

导出Linux子系统导出位置在C盘下，根据自己的实际情况更改即可Write-Host "export ubuntu22.04.5" -ForegroundColor Green wsl --export Ubuntu-22.04 c:\Ubuntu-22.04.tar 导入Linux子系统好处是目录可用在任意磁盘路径，便于迁移不同的设备之间Write-Host &quo…...

编程日记 2025/8/2 13:41:22

中文文献去哪里查找，个人下载知网、万方、维普文献途径

国内三大知识库知网、万方、维普是查找中文文献常用数据库，本文将以实例演示个人下载这三个数据库文献的途径及过程。先说下途径： 获取知网、万方、维普数据库资源可去文献党下载器网站： 使用方法： 在文献党下载器官网下载安装…...

编程日记 2025/8/5 16:57:02

玩转C#函数：参数、返回值与游戏中的攻击逻辑封装

Langchain系列文章目录 01-玩转LangChain：从模型调用到Prompt模板与输出解析的完整指南 02-玩转 LangChain Memory 模块：四种记忆类型详解及应用场景全覆盖 03-全面掌握 LangChain：从核心链条构建到动态任务分配的实战指南 04-玩转 LangChai…...

编程日记 2025/8/5 16:57:23

简易shell

自主实现shell done，故意写成，表示先赋值，再判断，分割之后，strtok会返回NULL，刚好让gArgv最后一个元素是NULL，并且while判断结束 Makefile 1 myshell:myshell.c …...

编程日记 2025/8/3 1:20:07

注意力机制，本质上是在做什么？

本文以自注意机制为例，输入一个4*4的矩阵如下： input_datatorch.tensor([[1,2,3,4], [5,6,7,8], [9,10,11,12], [13,14,15,16] ],dtypetorch.float) 得到Q和K的转置如下。此时，计算QK^T ,得到如下结果第一行第一个位置就是第一条样本和第…...

编程日记 2025/7/28 8:08:31

【机器学习-模型评估】

“评估”已建立的模型在进行回归和分类时，为了进行预测，定义了预测函数fθ(x) 然后根据训练数据求出了预测函数的参数θ(即对目标函数进行微分，然后求出参数更新表达式的操作) 之前求出参数更新表达式之后就结束了。但是，其实我…...

编程日记 2025/8/3 19:01:01

19681 01背包

19681 01背包 ⭐️难度：中等 🌟考点：动态规划、01背包 📖 📚 import java.util.Arrays; import java.util.LinkedList; import java.util.Queue; import java.util.Scanner;public class Main {static int N 10001…...

编程日记 2025/7/26 16:27:52

Transformer-GRU、Transformer、CNN-GRU、GRU、CNN五模型多变量回归预测

Transformer-GRU、Transformer、CNN-GRU、GRU、CNN五模型多变量回归预测目录 Transformer-GRU、Transformer、CNN-GRU、GRU、CNN五模型多变量回归预测预测效果基本介绍程序设计参考资料预测效果基本介绍 Transformer-GRU、Transformer、CNN-GRU、GRU、CNN五模型多变量回归预…...

编程日记 2025/8/1 1:23:07

基于CAMEL 的Workforce 实现多智能体协同工作系统

文章目录一、workforce 简介1.架构设计2.通信机制二、workforce 工作流程图示例1.用户角色2.工作流程三、workforce 中重要函数说明1.__init__函数2.add_single_agent_worker 函数3.add_role_playing_worker 函数4.add_workforce 函数四、基于workforce实现多智能体协调&am…...

编程日记 2025/8/4 5:49:15

炫酷的3D按钮效果实现 - CSS3高级特性应用

炫酷的3D按钮效果实现 - CSS3高级特性应用这里写目录标题炫酷的3D按钮效果实现 - CSS3高级特性应用项目介绍核心技术实现1. 基础结构设计2. 视觉效果实现2.1 背景渐变2.2 立体感营造 3. 交互动效设计3.1 悬停效果3.2 按压效果技术要点分析1. 深度层次感2. 动画过渡3. 性能优…...

编程日记 2025/7/27 12:15:55

AI视频是否会影响原创价值

AI视频是否会影响原创价值 AI视频带来全民创意对原创内容的影响随着AI技术的发展，AI视频技术在视频领域的影响也逐渐凸显，从自动剪辑、特效生成到基于文本或语音自动生成视频内容，这一系列的进步极大地降低了视频制作的技术门槛与成本。这种…...

编程日记 2025/8/4 10:06:45

代码随想录刷题day50|（回溯算法篇）131.分割回文串▲

目录一、回溯算法基础知识二、分割回文串思路 2.1 如何切割 2.2 判断回文 2.3 回溯三部曲 2.4 其他问题三、相关算法题目四、总结一、回溯算法基础知识详见：代码随想录刷题day46|（回溯算法篇）77.组合-CSDN博客二、分割回文…...

编程日记 2025/7/29 15:09:29

SpringCloud 学习笔记3（OpenFeign）

OpenFeign 微服务之间的通信方式，通常有两种：RPC 和 HTTP。简言之，RPC 就是像调用本地方法一样调用远程方法。在 SpringCloud 中，默认是使用 HTTP 来进行微服务的通信，最常用的实现形式有两种： RestTem…...

编程日记 2025/7/23 0:22:37

Python与区块链隐私保护技术：如何在去中心化世界中保障数据安全

Python与区块链隐私保护技术：如何在去中心化世界中保障数据安全在区块链世界里，透明性和不可篡改性是两大核心优势，但这也带来了一个悖论——如何在公开账本的同时保障用户隐私？如果你的交易记录对所有人可见，如何防止敏感信息泄露？ Python 作为区块链开发中最受欢迎的…...

编程日记 2025/7/31 9:28:30

基于32单片机的无人机直流电机闭环调速系统设计

标题:基于32单片机的无人机直流电机闭环调速系统设计内容:1.摘要本文针对无人机直流电机调速需求，设计了基于32单片机的无人机直流电机闭环调速系统。背景在于无人机应用场景不断拓展，对电机调速精度和稳定性要求日益提高。目的是开发一套高精度、响应…...

编程日记 2025/7/30 13:07:06

效果折线图 // 创建折线数据系列// 创建折线系列QLineSeries *series new QLineSeries;// series->append(0, 6);// series->append(2, 4);// series->append(3, 8);// 创建图表并添加系列QChart *chart new QChart;chart->addSeries(series);chart->setTit…...

编程日记 2025/7/26 7:33:44

预测性维护：Ubuntu边缘计算机如何降低电梯故障率

在现代城市中，电梯作为垂直交通的重要工具，其运行状态直接关系到人们的出行安全和效率。传统的电梯监控系统往往依赖于中心化的数据处理，存在响应慢、数据量大、实时性差等问题。而边缘协议网关（Edge Protocol Gateway&#xff09…...

编程日记 2025/8/5 8:37:12

MyBatis plus详解

核心功能代码生成器它能够依据数据库表结构，自动生成涵盖实体类、Mapper 接口、Mapper XML 文件、Service 接口与实现类等在内的基础代码。开发人员只需简单配置数据库连接信息、表名以及生成代码的相关参数，即可快速生成符合项目规范的基础代码&…...

编程日记 2025/8/1 15:19:14

【数据挖掘】数据预处理——以鸢尾花数据集为例

数据预处理——以鸢尾花数据集为例一、实验手册（一）实验目的（二）实验原理（三）实验环境（四）实验步骤（五）实验报告要求二、案例代码（以鸢尾花数据…...

编程日记 2025/8/3 18:53:21

根据文件名称查询文件所在位置

在 Linux 中，根据文件名称查询文件所在位置主要通过命令行工具实现，以下是几种常用方法： --- ### **1. 使用 find 命令（最灵活）** find 命令可以递归搜索指定目录下的文件，支持按名称、类型、时间等条件过…...

编程日记 2025/7/31 14:00:19

记一次wsl2+docker无法运行的经历

前情提要由于某个大创项目的需要和对猫娘机器人的迫切渴求（bushi 需要在电脑里面安装docker desktop。由于电脑里面安装了wsl2环境因此决定使用wsl2dockerdesktop的方式配置docker 遇到的问题在像往常一样安装docker desktop并且启动时提示错误： …...

编程日记 2025/8/4 8:55:24

XSS介绍通关XSS-Labs靶场

目录 XSS XSS的类型 1.存储型XSS（PXSS）： 2. 反射型XSS（N-PXSS）： 3. DOM型XSS： 4. 突变型XSS（mXSS）： 5. 通用型XSS（UXSS）&#x…...

编程日记 2025/8/3 13:43:40

枚举的定义及其使用

在Java中，enum（枚举）是一个特殊的类，用于表示一组常量。enum类型在Java中提供了一种类型安全的方式来定义常量，相比传统的常量（如public static final变量），它更加简洁、类型安全&am…...

编程日记 2025/8/3 8:43:21

[特殊字符][特殊字符][特殊字符][特殊字符][特殊字符][特殊字符]壁紙流光染墨，碎影入梦

#Cosplay #🧚‍♀️Bangni邦尼🐰. #📷 穹妹 Set.01 #后期圈小程序琼枝低垂，霜花浸透夜色，风起时，微光轻拂檐角，洒落一地星辉。远山隐于烟岚，唯余一抹青黛，勾勒出天光水…...

编程日记 2025/8/5 16:01:06

996引擎-接口测试：消息Tips

996引擎-接口测试：消息Tips 发送视野内广播消息 sendrefluamsg发送聊天框消息 sendmsg发送地图消息 sendmapmsg打印消息到控制台 release_print发送自定义颜色的文字信息 guildnoticemsg测试NPC参考资料发送视野内广播消息 sendrefluamsg function npc_test_onclick1(player)-…...

编程日记 2025/7/30 18:46:34

Redis设计与实现-底层实现

Redis底层实现 1、事件1.1 文件事件1.2 时间事件1.3 事件调度 2、Redis客户端2.1 客户端的相关属性2.2 客户端的创建与关闭2.2.1 普通客户端的创建2.2.2 普通客户端的关闭2.2.3 AOF的伪客户端2.2.4 Lua脚本的伪客户端 3、Redis服务端3.1 命令请求的执行过程3.1.1 客户端发送命令…...

编程日记 2025/7/31 1:32:07

acwing1295. X的因子链

题目链接：1295. X的因子链 - AcWing题库算法：数论线性筛法求素数 x如果想要尽可能多的分为几个因子，那么就应该分成素数，因为如果是合数说明还能分。题目要求求出①这段序列的最大长度和②最大长度序列的个数最大长度&#x…...

编程日记 2025/8/1 20:44:42

练习-班级活动（map存储键值对）

问题描述小明的老师准备组织一次班级活动。班上一共有 n 名 (n 为偶数) 同学，老师想把所有的同学进行分组，每两名同学一组。为了公平，老师给每名同学随机分配了一个 n 以内的正整数作为 id，第 i 名同学的 id 为 ai。老师希望…...

编程日记 2025/7/31 18:16:48

34-三数之和

给你一个整数数组 nums ，判断是否存在三元组 [nums[i], nums[j], nums[k]] 满足 i ! j、i ! k 且 j ! k ，同时还满足 nums[i] nums[j] nums[k] 0 。请你返回所有和为 0 且不重复的三元组。注意：答案中不可以包含重复的三元组。方法一&…...

编程日记 2025/8/3 18:24:41

Excel online开始支持Copilot高级数据分析：Python提供强大的数据见解

前文讲过Excel中的copilot可以直接调用Python进行高级数据分析： Copilot：Excel中的Python高级分析来了 Python in Excel高级分析：一键RFM分析超越DeepSeek：Copilot in Excel高级数据分析原生支持Python无需安装软件零代码、…...

编程日记 2025/8/4 14:46:23

【数据结构】kmp算法介绍+模板代码

目录 1.kmp算法介绍 2.应用场景 3.KMP与暴力算法比较 4.模板代码 KMP算法是一种高效的字符串匹配算法，用于在文本串中快速查找模式串的所有出现位置。其核心思想是通过预处理模式串，避免在匹配失败时进行不必要的回溯，从而将时间复杂度优…...

编程日记 2025/8/4 1:21:38

python关键字汇总

文章目录 1. 变量与类型相关2. 控制流相关3. 函数与类相关4. 异常处理相关5. 模块相关6. 其他在 Python 3 里有 35 个关键字，它们各自具备特定的用途与意义 1. 变量与类型相关 True、False 意义：布尔类型的常量，分别代表逻辑真与逻辑假。示…...

编程日记 2025/8/5 7:25:10

六十天前端强化训练之第二十五天之组件生命周期大师级详解（Vue3 Composition API 版）

欢迎来到编程星辰海的博客讲解看完可以给一个免费的三连吗，谢谢大佬！ 目录一、生命周期核心知识 1.1 生命周期全景图 1.2 生命周期钩子详解 1.2.1 初始化阶段 1.2.2 挂载阶段 1.2.3 更新阶段 1.2.4 卸载阶段 1.3 生命周期执行顺序 1.4 父子组…...

编程日记 2025/7/31 8:31:47

油候插件、idea、VsCode插件推荐（自用）

开发软件： 之前的文章： 开发必装最实用工具软件与网站推荐一下我使用的开发工具目前在用的油候插件 AC-baidu-重定向优化百度搜狗谷歌必应搜索_favicon_双列让查询变成多列，而且可以流式翻页 Github 增强 - 高速下载 github下载 TimerHo…...

编程日记 2025/8/2 16:41:42

R语言基于ggscitable包复现一篇3.5分的文章的连续变量交互效应（交互作用）的可视化图

交互作用效应(p for Interaction)在SCI文章中可以算是一个必杀技，几乎在高分的SCI中必出现，因为把人群分为亚组后再进行统计可以增强文章结果的可靠性，进行可视化后可以清晰的表明变量之间的关系。不仅如此，交互作用还可以使用来进…...

编程日记 2025/8/2 7:31:36

mac环境下chatwoot客服聊天docker本地部署+对接通义千问Qwen2.5

🚀 安装docker-desktop 🚀 定义一个.env环境变量文件docker-compose.yaml .env # Learn about the various environment variables at # https://www.chatwoot.com/docs/self-hosted/configuration/environment-variables/#rails-production-variables…...

编程日记 2025/7/28 21:56:47

mac上安装nvm及nvm的基本语法使用！！

种一棵树，最好是十年前，其次是现在！想要改变，从此刻开始，一切都不晚！ 目录 nvm是什么？前提条件：安装homebrew如果系统已经有node版本：在mac上安装nvm：用nvm安…...

编程日记 2025/8/3 16:32:46

论文阅读：2024-NAACL Semstamp、2024-ACL (Findings) k-SemStamp

总目录大模型安全相关研究：https://blog.csdn.net/WhiffeYF/article/details/142132328 Semstamp: A semantic watermark with paraphrastic robustness for text generation https://aclanthology.org/2024.naacl-long.226/ k-SemStamp: A Clustering-Based Semantic Wate…...

编程日记 2025/8/1 18:25:40