【数字图像处理笔记】01-数字图像基础

news2025/7/19 6:07:47

01-数字图像基础

  1. 图像类型

    1. 黑白(二值)图像

      只有黑白两种颜色的图像称为黑白图像或单色图像，图像的每个像素只能是黑或白，没有中间的过渡，故又称为二值图像。
      二值图像的像素值只能为0或1，图像中的每个像素值用1位存储。图像矩阵中用1表示白色，0表示黑色。
      在这里插入图片描述

    2. 灰色图像

      在灰度图像中，像素灰度级用8位表示，所以每个像素都是介于黑色和白色之间的256（2^8=256）种灰度中的一种，灰度图像只有从黑到白的256种灰度色域而没有彩色。灰度取值范围为0～255，“0表示纯黑色，“255”表示纯白色，中间的数字表示黑白之间的过渡色。灰度值越小，图像颜色越黑，灰度值越大，图像颜色越白。

      在这里插入图片描述

    3. 彩色图像

      ​ 彩色图像除有亮度信息外，还包含有颜色信息。彩色图像的表示与所采用的彩色空间，即彩色模型有关，同一幅彩色图像如果采用不同的彩色空间表示，则对其的描述可能会有很大的不同。常用的表示方法主要有真彩色图像和索引图像。
      ​ 真彩色图像又称为24位彩色图像。在真彩色图像中，每个像素由红、绿、蓝3个字节组成，每个字节为8位，表示0～255不同的亮度值。这3个字节的组合，可以产生1670万种不同的颜色。由于它所表达的颜色远远超出了人眼所能辨别的范围，故将其称为“真彩色”。

      ​ 在真彩色出现之前，由于技术上的原因，计算机在处理时并没有达到每个像素24位的真彩色水平，为此人们创造了索引颜色。**索引图像既包括存放图像数据的二维矩阵，还包括一个颜色索引矩阵（称为MAP），又称为映射图像。MAP矩阵也可以由二维数组表示，矩阵大小由存放图像的矩阵元素的灰度值范围决定。**若矩阵元素灰度值范围为0～255，则MAP矩阵的大小为256×3，矩阵的三列分别为R、G、B值。图像矩阵的每一个灰度值对应于MAP中的一行，例如，某一像素的灰度值为64，则表示该像素与MAP矩阵的第64行建立了映射关系，该像素在屏幕上的显示颜色由MAP矩阵第64行的R、G、B叠加而成。

      在这里插入图片描述

  2. 图像的统计特性

    ​ f(i,j)表示大小为M*N的数字图像

    1. 图像熵

      一幅图像如果共有个灰度值，并且各灰度值出现的概率分别为p1,p2,pk,根据香农定理，图像的平均信息量可以表示为：
      H = − ∑ i = 1 k p i l o g 2 ( p i ) H=-\sum_{i=1}^k p_ilog_2(p_i) H=−i=1∑k​pi​log2​(pi​)
      H称为信息熵，当图像中的各灰度值出现的概率彼此相等时，图像的熵最大，对于一幅采用8bit表示的数字图像，则信息熵的为：
      H = − ∑ i = 0 255 p i l o g 2 ( p i ) H=-\sum_{i=0}^{255} p_ilog_2(p_i) H=−i=0∑255​pi​log2​(pi​)

      clc;clear;close all;

I=imread('lena.jpg'); %  I数组大小 512x512
imshow(I);title('Lena');
img_entropy=entropy(I); %image_mean求出图像的信息熵
disp(['img_entropy=',num2str(img_entropy)]);


% 计算图像的信息熵
% img为图像读入的矩阵，img_entropy返回值图像的信息熵
function img_entropy=entropy(img)
    img=double(img);
    [M,N]=size(img);
    img=transpose(img(:));
    T=zeros(1,256);
    
    for i=1:256
        T(i)=sum(img==(i-1));
        T(i)=T(i)/(M*N);
    end
    img_entropy=-T(T>0)*transpose(log2(T(T>0)));
end

    2. 图像灰度平均值

      灰度平均值是指一幅图像中所有的像素灰度值的算术平均值，根据算术平均值定义，灰度平均值计算公式如下：

      图像的灰度平均值反映了图像在物体不同部分的平均反射强度。
      f ‾ = ∑ i = 0 M − 1 ∑ i = 0 N − 1 f ( i , j ) M N \overline{f} =\frac{\sum_{i=0}^{M-1}\sum_{i=0}^{N-1}f(i,j)}{MN} f​=MN∑i=0M−1​∑i=0N−1​f(i,j)​

      function [result]=image_mean(img)
%img为图像读入的矩阵，result返回的是这些数求得的均值
	img=double(img);%影像矩阵的类型默认是uint8 （0~255） 如果不转换为double，在求和时会溢出
	img=img(:);%将影像变为n行一列，采用单层循环就可以计算，加快计算速度
	sum=0;%用于求和
	for i=1:size(img,1)
    	sum=sum+img(i);%求出矩阵中所有数之和
	end
	result=sum/size(img,1);%求出均值
end

      clc;clear;close all;

% imread读取图片 imshow展示图片 %image_mean求出图像矩阵所有数值的均值
I=imread('lena.jpg'); %  I数组大小 512x512
imshow(I);title('Lena');
image_mean=image_mean(I); 
disp(image_mean);
disp(['image_mean=',num2str(image_mean)]);

      在Matlab中，采用函数mean2()计算矩阵的均值。

      对于灰度图像，图像数据是二维矩阵，可以通过函数mean2()计算图像的平均灰度值。

      对于RGB彩色图像数据P，mean2()所有颜色值的平均值。如果要计算RGB彩色图像每种颜色的平均值，例如，红色的平均值，可
      以采用mean2(P(:,:,1))。

      clc;clear;close all;
%leaa.jpg 灰色图像  %leaa.png 彩色图像 
rgb_img  = imread('lena.png'); %  数组大小 512x512 
gray_img = imread('lena.jpg'); %  数组大小 512x512 
gray = mean2(gray_img); %灰度图像均值
rgb  = mean2(rgb_img); %RGB图像均值
disp(['gray_img_mean=',num2str(gray)]);
disp(['rgb_img_mean=',num2str(rgb)]);

r_mean = mean2(rgb_img(:,:,1));
g_mean = mean2(rgb_img(:,:,2));
b_mean = mean2(rgb_img(:,:,3));
disp(['RGB图像 r_mean=',num2str(r_mean)]);
disp(['RGB图像 g_mean=',num2str(g_mean)]);
disp(['RGB图像 b_mean=',num2str(b_mean)]);

      注意点：
      ①图像矩阵的每个值都是uint8类型的，uint8的范围是0-255，在进行求和之前需要把图像矩阵转换成double类型，如果不转换，继续对uint8类型进行运算会产生溢出；
      ②将矩阵变为1×n或者n×1形式，求和时可以采用单层循环，加快计算速度。

    3. 图像灰度众数

      图像灰度众数是指图像中出现次数最大的灰度值，其物理意义是指一幅图像中面积占优的物体的灰度值信息。

      clc;clear;close all;

% imread读取图片 imshow展示图片 %image_mode求出图像矩阵的众数
I=imread('lena.jpg'); %  I数组大小 512x512
imshow(I);title('Lena');
image_mode=img_mode(I); 
disp(['image_mode=',num2str(image_mode)]);

      function [result]=img_mode(img)
%img为图像读入的矩阵，result返回的是众数的数组
	img=img(:);
	h=zeros(1,256);%定义一个数组用来几率每个数值出现的次数
for i=1:size(img,1)
    h(img(i)+1)=h(img(i)+1)+1;%由于矩阵的值时0-255，所以加一以后才是索引值
end
	ma=h(1);
for i=1:256
%求出现的最大次数
    if(h(i)>ma)
        ma=h(i);
    end
end
	j=1;
for i=1:256
%得到所有出现次数最多的数
    if(ma==h(i))
       num(j)=i;
       j=j+1;
    end
end
	result=num;
end

      注意点：
      ①众数可能有多个，在有多个众数的情况下不能只返回一个；
      ②我们读入的数组矩阵的数值范围是0-255。

    4. 图像灰度中位数

      图像灰度中值是指数字图像全部灰度级中处于中间的值(按照排序)，当灰度级数为偶数时，则取中间的两个灰度值的平均值。

      例如，若某一图像全部灰度级如下：188,176,171,166,160则灰度中值为171。

    5. 图像灰度方差

      灰度方差反映各像素灰度值与图像平均灰度值的离散程度，计算公式如式：
      S = ∑ i = 0 M − 1 ∑ i = 0 N − 1 [ f ( i , j ) − f ‾ ] 2 M N {S} =\frac{\sum_{i=0}^{M-1}\sum_{i=0}^{N-1}[f(i,j)-\overline{f}]^2}{MN} S=MN∑i=0M−1​∑i=0N−1​[f(i,j)−f​]2​
      与图像信息熵类似**，图像灰度方差同样是衡量图像信息量大小的主要度量指标**，是图像统计特性中最重要的统计量之一，方差越大，图像的信息量越大。

      图像的标准差

      对于向量来说，标准差s:
      s = 1 n − 1 ∑ i = 1 n ( x i − x ) 2 s = \sqrt{\frac{1}{n-1} \sum_{i=1}^{n} (x_i-x)^2 } s=n−11​i=1∑n​(xi​−x)2 ​
      其中x为向量的平均值
      x = 1 n ∑ i = 1 n x i x=\frac{1}{n} \sum_{i=1}^{n} x_i x=n1​i=1∑n​xi​
      在Matlab中，std()计算向量的标准差，std2()计算矩阵的标准差。

      clc;clear;close all;

% imread读取图片 imshow展示图片 %img_variance灰度图像方差
I=imread('lena.jpg'); %  I数组大小 512x512
% 默认输入图像为灰色图像，如果不是需要将图像灰度化 
%I = rgb2gray(I);
imshow(I);title('Lena');
image_var=img_variance(I); 
disp(['image_var=',num2str(image_var)]);

s1 = std2(I); %计算原图像标准差
disp(['s1 img_var=',num2str(s1)]);
img_var = s1^2;
disp(['img_var=',num2str(img_var)]);
J = histeq(I);%图像直方图均衡化
s2 = std2(J); %计算均衡化的图像标准差
disp(['s2 img_var=',num2str(s2)]);

      自定义函数

      function [ result ] = img_variance(img)
%img灰度图像数组 
	img=img(:);%把行向量变成列向量
	img=double(img);
	length=size(img,1);%得到a的维数
	sum=0;
	img_mean=image_mean(img);%均值函数
	for i=1:length
   		sum=sum+(img(i)-img_mean)*(img(i)-img_mean);
	end
	result=sum/length;
end

clc;clear;close all;

% imread读取图片 imshow展示图片 %img_variance灰度图像方差
I=imread('lena.jpg'); %  I数组大小 512x512
imshow(I);title('Lena');
image_var=img_variance(I); 
disp(['image_var=',num2str(image_var)]);

    6. 图像灰度值域

      图像的灰度值域是指图像最大灰度值fmax和最小灰度值fmin之查，计算公式如下：
      f r a n g e ( i , j ) = f m a x ( i , j ) − f m i n ( i , j ) f_{range}(i,j)= f_{max}(i,j)-f_{min}(i,j) frange​(i,j)=fmax​(i,j)−fmin​(i,j)

  3. 数字图像直方图

    图像直方图描述了一张图片像素值分布的情况，我们知道，例如对于一张sRGB图像，我们可以看作是一个HW1的矩阵，矩阵中每个元素的取值范围为[0,255],图像直方图h(g)定义为像素值为g的元素的个数。同理，彩色图像中，需要计算每个通道的图像直方图。

    在这里插入图片描述

    灰度直方图

    灰度直方图是灰度级的函数，描述的是图像中具有该灰度级的像元的个数。确定图像像元的灰度值范围，以适当的灰度间隔为单位将其划分为若干等级，以横轴表示灰度级，以纵轴表示每一灰度级具有的像元数或该像元数占总像元数的比例值，做出的条形统计图即为灰度直方图。

    如下图所示，做直方图的过程：

在这里插入图片描述

直方图的性质：
  1. 直方图反映了图像中的灰度分布规律。它描述每个灰度级具有的像元个数，但不包含这些像元在图像中的位置信息。
  2. 任何一幅特定的图像都有唯一的直方图与之对应，但不同的图像可以有相同的直方图。
  3. 如果一幅图像有两个不相连的区域组成，并且每个区域的直方图已知，则整幅图像的直方图是该两个区域的直方图之和
直方图的应用：
  1. 对于每幅图像都可做出其灰度直方图。
  2. 根据直方图的形态可以大致推断图像质量的好坏。由于图像包含有大量的像元，其像元灰度值的分布应符合概率统计分布规律。假定像元的灰度值是随机分布的，那么其直方图应该是正态分布。
  3. 图像的灰度值是离散变量，因此直方图表示的是离散的概率分布。若以各灰度级的像元数占总像元数的比例值为纵坐标轴做出图像的直方图，将直方图中各条形的最高点连成一条外轮廓线，纵坐标的比例值即为某灰度级出现的概率密度，轮廓线可近似看成图像相应的连续函数的概率分布曲线。

灰色图像直方图Matlab代码实现 （在图像加密中，灰色直方图是一个重要的可视化分析指标）

clc;clear;close all;
% imread读取图片   imshow展示图片
% imhist直方图   histeq直方图均衡化
I=imread('lena.jpg');
subplot(2,2,1);imshow(I);title('原始图像')
subplot(2,2,2);imhist(I);title('直方图')
J=histeq(I);
subplot(2,2,3);imshow(J);title('直方图均衡化');
subplot(2,2,4);imhist(J);title('直方图');

在这里插入图片描述

  1. 多维度图像的统计特性

    数字图像处理中，一幅RGB图像包含了三个波段的灰度图像。

    对于多维度图像处理，不仅要考虑单个维度图像的统计特性，还应考虑各个维度间存在的关联特性。图像维度之间的关联特性不仅是图像分析的重要参数，而且也是图像彩色合成方案的主要依据之一。在图像加密中，图像之间的关联特性是一个重要的指标。

    统计特性包括：协方差 相关系数

    协方差

    设f(i,j)和g(i,j)表示大小为M*N的两幅图像，则两者之间的协方差计算公式如下：

    其中N个维度的相互之间的协方差矩阵如下：
    ∑ = ( S 11 2 S 12 2 . . . S 1 N 2 S 11 2 S 12 2 . . . S 1 N 2 . . . . . . . . . . . . S N 1 2 S N 2 2 . . . S N N 2 ) \sum = \begin{pmatrix} S_{11}^{2}& S_{12}^{2}& ...& S_{1N}^{2}\\ S_{11}^{2}& S_{12}^{2}& ...& S_{1N}^{2}\\ ...& ...& ...& ...\\ S_{N1}^{2}& S_{N2}^{2}& ...& S_{NN}^{2} \end{pmatrix} ∑= ​S112​S112​...SN12​​S122​S122​...SN22​​............​S1N2​S1N2​...SNN2​​ ​

    S g f 2 = S f g 2 = 1 M N ∑ i = 0 M − 1 ∑ j = 0 N − 1 [ f ( i , j ) − f ‾ ] [ g ( i , j ) − g ‾ ] S_{gf}^{2} =S_{fg}^{2}=\frac{1}{MN} \sum_{i=0}^{M-1} \sum_{j=0}^{N-1} {\left [f(i,j)-\overline{f} \right ] }{\left [ g(i,j)-\overline{g} \right ]} Sgf2​=Sfg2​=MN1​i=0∑M−1​j=0∑N−1​[f(i,j)−f​][g(i,j)−g​]

    clc;clear;close all;

% imread读取图片 imshow展示图片 %img_variance灰度图像协方差
I1=imread('lena.jpg'); %  I数组大小 512x512
I2=imread('lena.jpg'); %  I数组大小 512x512
% 默认输入图像为灰色图像，如果不是需要将图像灰度化 
%I = rgb2gray(I);
subplot(1,2,1);imshow(I1);title('Lena');
subplot(1,2,2);imshow(I2);title('mandril');
image_cov=img_cov(I1,I2); 
disp(['image_cov=',num2str(image_cov)]);

function [ result ] = img_cov(img_a,img_b)
%a,b分布为两张不同的图像
	img_a=img_a(:);
	img_b=img_b(:);
	img_a=double(img_a);
	img_b=double(img_b);
    
	mi1=image_mean(img_a);
	mi2=image_mean(img_b);
    
	sum=0;
    for i=1:size(img_a,1)
        sum=sum+(img_a(i)-mi1)*(img_b(i)-mi2);
    end
    
	result=sum/size(img_a,1);
end

    相关系数

    数字图像处理中的相关系数反映了两个不同维度图像所含信息的重叠程度，它是表示图像不同维度间相关程度的统计量。如果两个维度间的相关系数较大，则表示两个维度具有较高的相关性，一个维度与其本身的相关系数为1，表明相关程度达到最大值。当相关系数非常大时，仅选择其中的一个维度就可以表示两个维度的信息。相关系数表达式如下。

    Cov(f,g)为图像f(i,j),g(i,j)的协方差，dff为图像f(i,j)标准差，dgg为图像g(i,j)标准差.
    C o v f g d f f d g g \frac{Cov_{fg}}{{d_{ff}d_{gg}}} dff​dgg​Covfg​​

    C o v f g = ∑ m ∑ n ( f − f ‾ ) ( g − g ‾ ) Cov_{fg} =\sum_m\sum_n (f-\overline{f})(g-\overline{g}) Covfg​=m∑​n∑​(f−f​)(g−g​)

    d f f = ∑ m ∑ n ( f − f ‾ ) 2 d_{ff} =\sqrt{\sum_m\sum_n (f-\overline{f})^2} dff​=m∑​n∑​(f−f​)2 ​

    d g g = ∑ m ∑ n ( g − g ‾ ) 2 d_{gg} =\sqrt{\sum_m\sum_n (g-\overline{g})^2} dgg​=m∑​n∑​(g−g​)2 ​

    N个维度的相关系数矩阵如下：
    R = ( 1 r 12 r 13 . . . r 1 N 2 r 21 1 r 23 . . . r 2 N 2 . . . . . . . . . . . . . . . r N 1 r N 2 r N 3 . . . 1 ) R = \begin{pmatrix} 1 & r_{12}& r_{13}& ...& r_{1N}^{2}\\ r_{21}& 1& r_{23}& ...& r_{2N}^{2}\\ ...& ...& ...& ...& ...\\ r_{N1}& r_{N2}& r_{N3}& ...& 1 \end{pmatrix} R= ​1r21​...rN1​​r12​1...rN2​​r13​r23​...rN3​​............​r1N2​r2N2​...1​ ​
    Matlab 代码实现

    function [ result ] = img_correlation(img_a,img_b )
%a,b分布为两张不同的图像
	img_a=img_a(:);
	img_b=img_b(:);
	img_xie=img_cov(img_a,img_b);%协方差
	img_var1=img_variance(img_a);%方差
	img_var2=img_variance(img_b);%方差
	result=img_xie/(sqrt(img_var1)*sqrt(img_var2));
end


clc;clear;close all;

% imread读取图片 imshow展示图片 %image_corr相关系数
I1=imread('lena.jpg'); %  I数组大小 512x512
I2=imread('mandril.tif'); %  I数组大小 512x512
% 默认输入图像为灰色图像，如果不是需要将图像灰度化 
%I = rgb2gray(I);
figure
subplot(1,2,1);imshow(I1);title('Lena');
subplot(1,2,2);imshow(I2);title('Mandril');
image_corr=img_correlation(I1,I2); 
disp(['image_corr=',num2str(image_corr)]);

J1 = medfilt2(I1);%对灰色图像I1进行中值滤波
r_corr = corr2(I1,J1);
disp(['r_corr=',num2str(r_corr)]);
figure
subplot(1,2,1);imshow(I1);
subplot(1,2,2);imshow(J1);

在这里插入图片描述

  1. 图像类型转换

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：http://www.coloradmin.cn/o/1104299.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

新版外国人永居证身份证读卡器C++开发SDK接口

新版外国人永居证身份证读卡器C++开发SDK接口

近期，国家移民管理局对外国人永久居留身份证（以下简称永居证）进行了升级改造和便利化应用工作，新版永居证将于 2023年 12 月 1 日起正式签发。新版永居证调整了号码规则，改进了信 息储存，优化了图案设计&am…
阅读更多...
C++标准模板（STL）- 类型支持 (数值极限，epsilon，round_error，infinity)

C++标准模板（STL）- 类型支持 (数值极限，epsilon，round_error，infinity)

数值极限 提供查询所有基础数值类型的性质的接口 定义于头文件 <limits> template< class T > class numeric_limits; numeric_limits 类模板提供查询各种算术类型属性的标准化方式&#xff08;例如 int 类型的最大可能值是 std::numeric_limits<int>::m…
阅读更多...
Android查看签名信息系列 · 使用Android Studio获取签名

Android查看签名信息系列 · 使用Android Studio获取签名

前言 Android查看签名信息系列 之使用Android Studio获取签名&#xff0c;通过Android Studio自带的gradle来获取签名信息。 优点&#xff1a;此法可查看 MD5、SHA1 等信息。 缺点&#xff1a;升级某个Studio版本后&#xff0c;没有签名任务了&#xff0c;特别不方便。 实现…
阅读更多...
简单的对称加密

简单的对称加密

异或 异或算法的好处便是数A和数B异或后&#xff0c;把结果再和数A异或便可得到B&#xff0c;或者和数B异或可重新得到数据A。利用异或的这个特性可简单实现数据的加密和解密算法。 恺撒密码 恺撒密码的替换方法是通过排列明文和密文字母表&#xff0c;密文字母表示通过将明…
阅读更多...
【C++11】智能指针的使用以及模拟实现（shared_ptr，unique_ptr，auto_ptr，weak_ptr）

【C++11】智能指针的使用以及模拟实现（shared_ptr，unique_ptr，auto_ptr，weak_ptr）

&#x1f30f;博客主页&#xff1a; 主页 &#x1f516;系列专栏&#xff1a; C ❤️感谢大家点赞&#x1f44d;收藏⭐评论✍️ &#x1f60d;期待与大家一起进步&#xff01; 文章目录 一、 RAII概念一、auto_ptr1.基本使用2.模拟实现 二、unique_ptr1.基本使用2.模拟实现…
阅读更多...
如何禁止在堆上和栈上创建对象

如何禁止在堆上和栈上创建对象

背景 首先需要知道的是&#xff1a; 在栈新建一个对象&#xff0c;不需要调用operator new&#xff0c;创建栈对象时会移动栈顶指针以“挪出”适当大小的空间&#xff0c;然后在这个空间上直接调用对应的构造函数以形成一个栈对象。当对象在栈上创建时&#xff0c;虽然编译器…
阅读更多...
Apache Dubbo的主要项目模块

Apache Dubbo的主要项目模块

Apache Dubbo的项目结构或者主要项目模块如下所示&#xff1a;
阅读更多...
Web架构安全分析/http/URL/Cookie攻击

Web架构安全分析/http/URL/Cookie攻击

Web 架构安全分析 Web 工作机制及基本概念 传统 Web 架构 LAMP 网页 概念 网页就是我们可以通过浏览器上网看到的精美页面&#xff0c;一般都是经过浏览器渲染过的 .html 页面&#xff0c;html 语言在浏览器中渲染。其中包含了CSS、JavaScript 等前端技术。通过浏览器访问…
阅读更多...
excel 日期与时间戳的相互转换

excel 日期与时间戳的相互转换

1、日期转时间戳&#xff1a;B1INT((A1-70*365-19)*86400-8*3600)*1000 2、时间戳转日期&#xff1a;A1TEXT((B1/10008*3600)/8640070*36519,"yyyy-mm-dd hh:mm:ss") 以上为精确到毫秒&#xff0c;只精确到秒不需要乘或除1000。 使用以上方法可以进行excel中日期…
阅读更多...
07AC91 GJR5252300R0101 什么是机器人技术

07AC91 GJR5252300R0101 什么是机器人技术

07AC91 GJR5252300R0101 什么是机器人技术 什么是机器人技术&#xff1f; 机器人学是工程学的一个分支&#xff0c;研究机器人的概念、设计、构造、操作、应用和使用。再深入一点&#xff0c;我们看到机器人被定义为自动操作的机器&#xff0c;它独立地执行一系列动作&#x…
阅读更多...
[计算机提升] 系统及用户操作

[计算机提升] 系统及用户操作

1.4 系统及用户操作 1.4.1 系统操作 1.4.1.1 开机、关机、重启 在Windows系统中&#xff0c;开机&#xff08;Power On&#xff09;&#xff0c;关机&#xff08;Shutdown&#xff09;和重启&#xff08;Restart&#xff09;是指计算机的不同电源控制操作。 开机&#xff1a;…
阅读更多...
官媒代运营：2023年企业如何建立一个成功的品牌？

官媒代运营：2023年企业如何建立一个成功的品牌？

在这个数字化急速发展的时代&#xff0c;企业的成功已不再只依赖于产品质量、资本实力和市场声誉&#xff0c;还在于如何经营营销&#xff0c;以确保品牌能在竞争激烈的市场中脱颖而出。随着时间的推移&#xff0c;营销策略也在不断演变&#xff0c;因此&#xff0c;紧跟潮流变…
阅读更多...
dvaJs在react 项目中的简单使用

dvaJs在react 项目中的简单使用

官网&#xff1a;入门课 | DvaJS 备注&#xff1a;个人学习 代码示例&#xff1a; getColumns.js const getColumns [{title: 姓名, // 列标题dataIndex: name, // 数据字段名称&#xff0c;与数据中的字段名对应key: name, // 列的唯一键},{title: 年龄, // 列标题dataIn…
阅读更多...
Ps：变形

Ps：变形

Ps菜单&#xff1a;编辑/变换/变形 Edit/Transform/Warp 变形 Warp是自由变换的一种模式&#xff0c;不仅可以用于物体的伸缩扭曲&#xff0c;也可用于人体的局部塑形。 除了从菜单打开&#xff0c;通常情况下&#xff0c;按 Ctrl T 进入自由变换&#xff0c;然后在画面上右击…
阅读更多...
stm32 cubeide 闪退 显示self upgrade failed

stm32 cubeide 闪退 显示self upgrade failed

更新或安装新版cubeide时&#xff0c;可能会出现打开后一段时间直接闪退&#xff0c;显示如下图。此时怎么折腾cubeide都是没用的。应该去升级stm32 cubemx。记得打开cubemx时选择用管理员身份打开&#xff0c;升级完成后重新开打。然后尝试打开cubdeide&#xff0c;如果继续报…
阅读更多...
钢铁异常分类140篇Trans 学习笔记 小陈读paper

钢铁异常分类140篇Trans 学习笔记 小陈读paper

钢铁异常分类 对比学习 比较好用 1.首先&#xff0c;为每个实例生成一对样本&#xff0c; 来自同一实例的样本被认为是正例&#xff0c; 来自不同实例的样本被认为是负例。 2.其次&#xff0c;这些样本被馈送到编码器以获得嵌入。 3.在对比损失[16]的影响下&#xff0c; …
阅读更多...
一文了解 Amazon DataZone 使用指南

一文了解 Amazon DataZone 使用指南

Amazon DataZone 现已正式发布。作为一项新的数据管理服务&#xff0c;它能够在组织中对数据生产者和消费者之间产生的数据进行编目、发现、分析、共享和管理。 通过 Amazon DataZone&#xff0c;数据生产者可使用 Amazon Glue 数据目录和 Amazon Redshift 表格中的结构化数据资…
阅读更多...
如何优化模型渲染性能

如何优化模型渲染性能

1、提高模型渲染性能的好处 优化模型渲染性能有以下几个好处&#xff1a; 提高用户体验&#xff1a;良好的模型渲染性能可以使图形应用程序更加流畅和响应快速。当模型以较高的帧率渲染时&#xff0c;用户可以获得更流畅、更真实的视觉效果&#xff0c;提升整体的用户体验。 …
阅读更多...
Jmeter性能测试（压力测试）

Jmeter性能测试（压力测试）

1.先保存 2.添加请求&#xff08;即添加一个线程组&#xff09; 3.添加取样器&#xff08;在线程组下面添加一个http请求&#xff09; 场景1&#xff1a;模拟半小时之内1000个用户访问服务器资源&#xff0c;要求平均响应时间在3000毫秒内&#xff0c;且错误率为0&#xff0…
阅读更多...
BI工具-DataEase(2) 基础使用

BI工具-DataEase(2) 基础使用

先讲下工具栏,分别是仪表盘,数据集,数据源,模板市场等等. 和大多数的BI工具一样,首先配置的就是数据源 1. 数据源:支持OLTP,OLAP,数仓/数据湖,我们这边还是使用的mysql 新建mysql数据源,填写配置信息 2. 数据集支持Excel,SQL,关联数据集等等,新建SQL数据集,输出SQL语句 点击运…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023