基于LAB颜色空间的增强型颜色迁移算法

news2025/7/19 17:49:03

本文算法使用Grok完成所有内容，包含算法改进和代码编写，可大大提升代码编写速度，算法改进速度，提供相关idea，提升效率；

概述

本文档描述了一种基于LAB颜色空间的颜色迁移算法，用于将缩略图D的亮度和色调特性迁移到原图S上。算法在保留原图清晰度的同时，增强对比度和亮度的迁移效果，适用于BGRA32像素格式的图像数据。改进版本解决了原始算法中迁移程度较弱的问题，通过引入对比度增强因子、动态融合因子和非线性调整等技术实现了更强的迁移效果。

效果展示

算法流程

  1. 输入与预处理

  • 输入：

    • 原图S：srcData（BGRA32格式），尺寸为width × height，步幅为stride。

    • 缩略图D：scaledData（BGRA32格式），尺寸为sWidth × sHeight，步幅为sStride。

  • 预处理：

    • 将原图S和缩略图D的RGB像素转换为LAB颜色空间，分别得到L（亮度）、A（色调a）、B（色调b）通道数据。

  1. 低频与高频分离

  • 目标：分离原图S的亮度通道（L）为低频（平滑部分）和高频（细节部分），以保护清晰度。

  • 方法：

    • 对原图的L通道应用均值滤波（3x3核，半径为1），得到低频部分src_l_low。

    • 高频部分通过src_l - src_l_low计算。

  1. 统计特性计算

  • 目标：提取原图S和缩略图D的亮度和色调统计信息。

  • 方法：

    • 对原图的低频L通道（src_l_low）、A通道（src_a）、B通道（src_b）计算均值和标准差。

    • 对缩略图的L通道（scaled_l）、A通道（scaled_a）、B通道（scaled_b）计算均值和标准差。

  1. 亮度与色调迁移

  • 目标：将缩略图D的亮度和色调特性迁移到原图S，同时增强对比度。

  • 方法：

    • 低频亮度迁移：

      1. 对低频L通道应用公式：l_mapped = (l_low - src_l_mean) * (scaled_l_std / src_l_std) * contrast_boost + scaled_l_mean。

      2. contrast_boost（默认1.5）为对比度增强因子。

    • 可选非线性调整：

      1. 使用tanh函数对l_mapped进行非线性调整（当前禁用，可启用）。

    • 动态融合：

      1. 计算标准差比率std_ratio = scaled_l_std / src_l_std。

      2. 动态融合因子alpha = min(0.9, 0.5 + 0.4 * std_ratio)，范围[0.5, 0.9]。

      3. 融合公式：l_final = alpha * l_mapped + (1 - alpha) * l_orig + detail_weight * l_detail。

      4. detail_weight（默认0.5）控制高频细节保留程度。

    • 色调迁移：

      1. 对A通道：a = (a - src_a_mean) * (scaled_a_std / src_a_std) + scaled_a_mean。

      2. 对B通道：b = (b - src_b_mean) * (scaled_b_std / src_b_std) + scaled_b_mean。

  1. 输出转换

  • 目标：将迁移后的LAB值转换回RGB空间并更新原图。

  • 方法：

    • 将l_final、a、b转换回RGB，限制值在[0, 255]。

    • 更新srcData中的RGB值，保持Alpha通道不变。

  1. 内存清理

  • 释放所有动态分配的临时数组。

完整代码实现

#include <stdio.h>
#include <stdlib.h>
#include <math.h>

// 辅助函数：将值限制在0-255范围内
unsigned char clamp(float value) {
    if (value < 0.0f) return 0;
    if (value > 255.0f) return 255;
    return (unsigned char)value;
}

// RGB转LAB
void rgb_to_lab(unsigned char r, unsigned char g, unsigned char b, float* l, float* a, float* b_out) {
    float rf = r / 255.0f;
    float gf = g / 255.0f;
    float bf = b / 255.0f;

    rf = (rf > 0.04045f) ? powf((rf + 0.055f) / 1.055f, 2.4f) : rf / 12.92f;
    gf = (gf > 0.04045f) ? powf((gf + 0.055f) / 1.055f, 2.4f) : gf / 12.92f;
    bf = (bf > 0.04045f) ? powf((bf + 0.055f) / 1.055f, 2.4f) : bf / 12.92f;

    float x = rf * 0.4124564f + gf * 0.3575761f + bf * 0.1804375f;
    float y = rf * 0.2126729f + gf * 0.7151522f + bf * 0.0721750f;
    float z = rf * 0.0193339f + gf * 0.1191920f + bf * 0.9503041f;

    x /= 0.95047f;
    z /= 1.08883f;

    x = (x > 0.008856f) ? powf(x, 1.0f / 3.0f) : (7.787f * x + 16.0f / 116.0f);
    y = (y > 0.008856f) ? powf(y, 1.0f / 3.0f) : (7.787f * y + 16.0f / 116.0f);
    z = (z > 0.008856f) ? powf(z, 1.0f / 3.0f) : (7.787f * z + 16.0f / 116.0f);

    *l = (116.0f * y) - 16.0f;
    *a = 500.0f * (x - y);
    *b_out = 200.0f * (y - z);
}

// LAB转RGB
void lab_to_rgb(float l, float a, float b, unsigned char* r, unsigned char* g, unsigned char* b_out) {
    float y = (l + 16.0f) / 116.0f;
    float x = a / 500.0f + y;
    float z = y - b / 200.0f;

    x = 0.95047f * ((x * x * x > 0.008856f) ? x * x * x : (x - 16.0f / 116.0f) / 7.787f);
    y = 1.00000f * ((y * y * y > 0.008856f) ? y * y * y : (y - 16.0f / 116.0f) / 7.787f);
    z = 1.08883f * ((z * z * z > 0.008856f) ? z * z * z : (z - 16.0f / 116.0f) / 7.787f);

    float rf = x * 3.2404542f + y * -1.5371385f + z * -0.4985314f;
    float gf = x * -0.9692660f + y * 1.8760108f + z * 0.0415560f;
    float bf = x * 0.0556434f + y * -0.2040259f + z * 1.0572252f;

    rf = (rf > 0.0031308f) ? (1.055f * powf(rf, 1.0f / 2.4f) - 0.055f) : 12.92f * rf;
    gf = (gf > 0.0031308f) ? (1.055f * powf(gf, 1.0f / 2.4f) - 0.055f) : 12.92f * gf;
    bf = (bf > 0.0031308f) ? (1.055f * powf(bf, 1.0f / 2.4f) - 0.055f) : 12.92f * bf;

    *r = clamp(rf * 255.0f);
    *g = clamp(gf * 255.0f);
    *b_out = clamp(bf * 255.0f);
}

// 计算均值和标准差
void calculate_stats(float* data, int size, float* mean, float* std_dev) {
    *mean = 0.0f;
    for (int i = 0; i < size; i++) {
        *mean += data[i];
    }
    *mean /= size;

    *std_dev = 0.0f;
    for (int i = 0; i < size; i++) {
        float diff = data[i] - *mean;
        *std_dev += diff * diff;
    }
    *std_dev = sqrtf(*std_dev / size);
}

// 简单均值滤波（低频提取）
void mean_filter(float* src, float* dst, int width, int height, int radius) {
    for (int y = 0; y < height; y++) {
        for (int x = 0; x < width; x++) {
            float sum = 0.0f;
            int count = 0;
            for (int dy = -radius; dy <= radius; dy++) {
                for (int dx = -radius; dx <= radius; dx++) {
                    int ny = y + dy;
                    int nx = x + dx;
                    if (nx >= 0 && nx < width && ny >= 0 && ny < height) {
                        sum += src[ny * width + nx];
                        count++;
                    }
                }
            }
            dst[y * width + x] = sum / count;
        }
    }
}

// 非线性调整（可选Sigmoid函数）
float nonlinear_adjust(float value, float mean, float boost) {
    float normalized = (value - mean) / 50.0f; // 归一化到[-1, 1]范围
    return mean + 50.0f * (boost * tanhf(normalized)); // 使用tanh增强对比度
}

// 颜色迁移主函数
void lightTransfer_color(unsigned char* srcData, int width, int height, int stride,
                        unsigned char* scaledData, int sWidth, int sHeight, int sStride) {
    // 分配内存
    float* src_l = (float*)malloc(width * height * sizeof(float));
    float* src_a = (float*)malloc(width * height * sizeof(float));
    float* src_b = (float*)malloc(width * height * sizeof(float));
    float* src_l_low = (float*)malloc(width * height * sizeof(float)); // 低频部分
    float* scaled_l = (float*)malloc(sWidth * sHeight * sizeof(float));
    float* scaled_a = (float*)malloc(sWidth * sHeight * sizeof(float));
    float* scaled_b = (float*)malloc(sWidth * sHeight * sizeof(float));

    // 转换到LAB空间
    for (int y = 0; y < height; y++) {
        for (int x = 0; x < width; x++) {
            int index = y * stride + x * 4;
            float l, a, b;
            rgb_to_lab(srcData[index + 2], srcData[index + 1], srcData[index], &l, &a, &b);
            src_l[y * width + x] = l;
            src_a[y * width + x] = a;
            src_b[y * width + x] = b;
        }
    }

    for (int y = 0; y < sHeight; y++) {
        for (int x = 0; x < sWidth; x++) {
            int index = y * sStride + x * 4;
            float l, a, b;
            rgb_to_lab(scaledData[index + 2], srcData[index + 1], scaledData[index], &l, &a, &b);
            scaled_l[y * sWidth + x] = l;
            scaled_a[y * sWidth + x] = a;
            scaled_b[y * sWidth + x] = b;
        }
    }

    // 分离原图L通道的低频部分
    mean_filter(src_l, src_l_low, width, height, 2); // 使用3x3滤波器

    // 计算统计信息
    float src_l_mean, src_l_std, scaled_l_mean, scaled_l_std;
    float src_a_mean, src_a_std, scaled_a_mean, scaled_a_std;
    float src_b_mean, src_b_std, scaled_b_mean, scaled_b_std;

    calculate_stats(src_l_low, width * height, &src_l_mean, &src_l_std);
    calculate_stats(scaled_l, sWidth * sHeight, &scaled_l_mean, &scaled_l_std);
    calculate_stats(src_a, width * height, &src_a_mean, &src_a_std);
    calculate_stats(scaled_a, sWidth * sHeight, &scaled_a_mean, &scaled_a_std);
    calculate_stats(src_b, width * height, &src_b_mean, &src_b_std);
    calculate_stats(scaled_b, sWidth * sHeight, &scaled_b_mean, &scaled_b_std);

    // 参数设置
    float contrast_boost = 1.5f; // 对比度增强因子
    float detail_weight = 0.5f;  // 细节保留权重（0-1，值越小迁移越强）
    float std_ratio = scaled_l_std / (src_l_std + 1e-6f); // 标准差比率
    float alpha = fminf(0.9f, 0.5f + 0.4f * std_ratio); // 动态融合因子，范围[0.5, 0.9]

    // 迁移并增强对比度
    for (int y = 0; y < height; y++) {
        for (int x = 0; x < width; x++) {
            int idx = y * width + x;
            float l_low = src_l_low[idx];
            float l_orig = src_l[idx];
            float a = src_a[idx];
            float b = src_b[idx];

            // 低频部分迁移并增强对比度
            float l_mapped = (l_low - src_l_mean) * (scaled_l_std / src_l_std) * contrast_boost + scaled_l_mean;
            // 可选非线性调整（取消注释以启用）
            // l_mapped = nonlinear_adjust(l_mapped, scaled_l_mean, contrast_boost);

            // 高频细节
            float l_detail = l_orig - l_low;
            // 融合并控制细节强度
            float l_final = alpha * l_mapped + (1.0f - alpha) * l_orig + detail_weight * l_detail;

            // 限制L通道范围（LAB中L范围为0-100）
            l_final = fmaxf(0.0f, fminf(100.0f, l_final));

            // 色调迁移
            a = (a - src_a_mean) * (scaled_a_std / src_a_std) + scaled_a_mean;
            b = (b - src_b_mean) * (scaled_b_std / src_b_std) + scaled_b_mean;

            // 转换回RGB
            unsigned char r, g, b_out;
            lab_to_rgb(l_final, a, b, &r, &g, &b_out);

            int index = y * stride + x * 4;
            srcData[index + 2] = r;
            srcData[index + 1] = g;
            srcData[index] = b_out;
        }
    }

    // 释放内存
    free(src_l);
    free(src_a);
    free(src_b);
    free(src_l_low);
    free(scaled_l);
    free(scaled_a);
    free(scaled_b);
}

// 测试代码
int main() {
    unsigned char srcData[] = {50, 100, 150, 255, 60, 120, 180, 255};
    unsigned char scaledData[] = {100, 200, 255, 255, 120, 240, 255, 255};
    int width = 2, height = 1, stride = 8;
    int sWidth = 2, sHeight = 1, sStride = 8;

    lightTransfer_color(srcData, width, height, stride, scaledData, sWidth, sHeight, sStride);

    printf("Result: ");
    for (int i = 0; i < width * height * 4; i++) {
        printf("%d ", srcData[i]);
    }
    printf("\n");

    return 0;
}

参数说明

  1. contrast_boost（默认1.5）：

    1. 控制对比度迁移的增强程度，建议范围[1.0, 2.0]。

  2. detail_weight（默认0.5）：

    1. 控制高频细节的保留强度，范围[0, 1]，值越小迁移效果越强。

  3. alpha（动态计算，范围[0.5, 0.9]）：

    1. 根据标准差比率动态调整迁移与原图的融合比例。

  4. radius（默认2）：

    1. 均值滤波的核大小，影响低频与高频分离的效果。

性能与优化建议

  • 时间复杂度：O(width × height × k² + sWidth × sHeight)，其中k为滤波核大小（当前为3）。

  • 空间复杂度：O(width × height + sWidth × sHeight)，用于存储临时LAB数据。

  • 优化方向：

    • 使用更高效的滤波方法（如高斯滤波或FFT）。

    • 引入多线程或SIMD指令加速循环计算。

    • 对于大图像，可分块处理以减少内存占用。

注意事项

  1. 输入假设：

    1. 原图S和缩略图D应具有相似的几何结构，仅存在亮度和色调差异。

  2. 边界处理：

    1. L通道值已限制在[0, 100]，RGB值限制在[0, 255]，避免溢出。

  3. 非线性调整：

    1. 当前nonlinear_adjust被注释，可根据需求启用以处理极端亮度分布。

算法创新点

1. 低频与高频分离的亮度迁移

  • 创新描述：

    • 算法通过均值滤波将原图的亮度通道（L）分解为低频（平滑部分）和高频（细节部分），仅对低频部分应用亮度迁移，高频细节则以可控权重叠加回结果。

  • 传统方法的不足：

    • 传统方法（如全局均值和标准差匹配）直接对整个亮度通道进行调整，容易丢失边缘和纹理细节，导致清晰度下降。

  • 创新优势：

    • 通过分离低频和高频，算法在迁移缩略图D的亮度特性时，能有效保留原图S的高频细节（如边缘和纹理），从而平衡迁移效果与图像清晰度。

  • 实现细节：

    • 使用mean_filter函数提取低频部分，高频部分通过l_orig - l_low计算，最终融合时通过detail_weight控制细节保留程度。

2. 动态融合因子的引入

  • 创新描述：

    • 算法根据原图S和缩略图D的亮度标准差比率（std_ratio = scaled_l_std / src_l_std）动态计算融合因子alpha，范围限制在[0.5, 0.9]。

  • 传统方法的不足：

    • 传统方法通常使用固定的融合权重（如0.5或用户指定值），无法自适应地反映两张图像的对比度差异，导致迁移效果可能过弱或过强。

  • 创新优势：

    • 动态alpha根据缩略图D的对比度特性自动调整迁移强度，当D的对比度远高于S时，alpha增大以增强迁移效果；反之则减弱，确保结果自然且贴近目标图像。

  • 实现细节：

    • alpha = fminf(0.9f, 0.5f + 0.4f * std_ratio)，通过标准差比率自适应调节。

3. 对比度增强因子的可调控制

  • 创新描述：

    • 在亮度迁移过程中引入对比度增强因子contrast_boost（默认1.5），对标准差缩放比例进行放大，以增强迁移后的对比度效果。

  • 传统方法的不足：

    • 传统统计匹配方法仅基于原始标准差比例（如scaled_l_std / src_l_std），无法充分放大目标图像的对比度特性，尤其是当缩略图D具有显著对比度时。

  • 创新优势：

    • 通过contrast_boost，算法能够更强地反映缩略图D的对比度特征，用户可根据需求调整该参数（建议范围1.0-2.0），实现灵活的迁移强度控制。

  • 实现细节：

    • 迁移公式为l_mapped = (l_low - src_l_mean) * (scaled_l_std / src_l_std) * contrast_boost + scaled_l_mean。

4. 细节保留权重的灵活性

  • 创新描述：

    • 算法引入detail_weight参数（默认0.5，范围[0, 1]），允许用户控制高频细节的叠加强度，从而在迁移效果和细节保留之间找到最佳平衡。

  • 传统方法的不足：

    • 传统方法要么完全忽略细节保留，要么通过固定的方式叠加细节，缺乏对细节保留程度的精细控制。

  • 创新优势：

    • detail_weight提供了一个显式的调节机制，值越小迁移效果越强，值越大细节保留越完整，使得算法适用于不同场景（如需要强迁移的艺术效果或需要高清晰度的自然图像）。

  • 实现细节：

    • 融合公式中，细节项为detail_weight * l_detail，用户可根据需求调整。

5. 可选的非线性亮度调整

  • 创新描述：

    • 算法提供了一个可选的非线性调整函数nonlinear_adjust，基于tanh函数对迁移后的亮度值进行增强，特别适用于极端亮度分布的图像。

  • 传统方法的不足：

    • 传统线性统计匹配方法无法很好地处理非线性亮度变化（如暗部细节压缩或亮部过曝），导致迁移效果不够自然。

  • 创新优势：

    • 非线性调整能够更好地模拟缩略图D的亮度分布特性，增强暗部和亮部的对比度，同时避免线性方法可能引入的平坦感。用户可根据需要启用此功能。

  • 实现细节：

    • 函数定义为mean + 50.0f * (boost * tanhf(normalized))，当前被注释，可取消注释启用。

创新点总结

与传统方法的对比

  • 传统方法（如全局统计匹配）：

    • 仅基于均值和标准差进行全局调整，忽略局部细节和非线性特性，迁移效果单一且易丢失清晰度。

  • 本算法：

    • 通过低频高频分离、动态融合、对比度增强和非线性调整，实现了更强的迁移效果，同时保留了原图的细节特性，适用于更广泛的场景。

应用场景

  • 图像风格迁移：将缩略图的亮度和色调风格应用到原图，保留细节。

  • 照片增强：增强原图的对比度和亮度，同时保持自然清晰度。

  • 艺术效果处理：通过调整参数实现艺术化的亮度迁移。

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/2343736.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

基于SIMMECHANICS的单自由度磁悬浮隔振器PID控制系统simulink建模与仿真

基于SIMMECHANICS的单自由度磁悬浮隔振器PID控制系统simulink建模与仿真

目录 1.课题概述 2.系统仿真结果 3.核心程序与模型 4.系统原理简介 4.1 单自由度磁悬浮减振器工作原理简介 4.2 SIMMECHANICS工具箱 5.完整工程文件 1.课题概述 基于SIMMECHANICS的单自由度磁悬浮隔振器PID控制系统simulink建模与仿真。其中&#xff0c;SIMMECHANICS是M…
阅读更多...
C++初登门槛

C++初登门槛

多态 一、概念 多态是指不同对象对同一消息产生不同响应的行为。例如&#xff0c;蓝牙、4G、Wi-Fi 对“发送数据”指令有不同的具体实现。 二、核心理解 本质&#xff1a;通过基类指针或引用操作子类对象&#xff0c;实现运行时动态绑定。 表现形式&#xff1a; 接口统一&a…
阅读更多...
红队系列-网络安全知识锦囊-CTF(持续更新)

红队系列-网络安全知识锦囊-CTF(持续更新)

CTF CTF系列-AWD专题篇CTF-比赛培训基础1 CTF 介绍HTTP协议分析进阶001.CTF简介_宽字节注入高级 2018CTF——黑客大赛特训CTF-PWNPWNCTF竞赛中的主要题型之一了解CTF Capture The Flag 夺旗描述：# gets从标准输入设备读字符串函数#下面是对main函数中的汇编代码的解释：modifi…
阅读更多...
Windows环境下常用网络命令使用

Windows环境下常用网络命令使用

ipconfig命令使用&#xff1a; ipconfig可用于显示当前的TCP/IP配置的设置值&#xff0c;通常是用来检验人工配置的TCP/IP设置是否正确。在网络连接出现问题时&#xff0c;可以使用ipconfig /release和ipconfig /renew命令来刷新IP地址&#xff0c;这通常能解决因IP地址冲突或…
阅读更多...
双系统下 ubuntu 20.04 突然 开机黑屏报错 hdaudioC0D2: unable to configure disabling

双系统下 ubuntu 20.04 突然 开机黑屏报错 hdaudioC0D2: unable to configure disabling

双系统下 ubuntu 20.04 突然 开机黑屏报错 hdaudioC0D2: unable to configure disabling 简介：今天在开实验室开双系统台式机时，ubuntu 20.04 系统下，突然在某次关机后再开机时，本来启动好好的，但是在进行图形化启动时，本来应该是显示输入账号和密码时，直接黑屏报错了，…
阅读更多...
软考中级-软件设计师 知识点速过1(手写笔记）

软考中级-软件设计师 知识点速过1(手写笔记）

第一章&#xff1a;数值及其转换 没什么可说的&#xff0c;包括二进制转八进制和十六进制 第二章&#xff1a;计算机内部数据表示 真值和机器数&#xff1a; 原码&#xff08;后面都拿x -19举例) &#xff1a; 反码&#xff1a; 补码&#xff1a; 移码&#xff1a; 定点数…
阅读更多...
Linux——线程（1）线程概念与控制

Linux——线程（1）线程概念与控制

线程&#xff1f;这个名字我们似乎有些眼熟&#xff1f;没错&#xff0c;我们之前提到过的进程和这个有点像。但进程和线程有什么关系呢&#xff1f;本系列我们讲从线程的概念出发&#xff0c;了解一下Linux中的线程以及线程和进程的关系等内容。 一、线程的概念 线程是一个执…
阅读更多...
备忘录模式：实现对象状态撤销与恢复的设计模式

备忘录模式：实现对象状态撤销与恢复的设计模式

备忘录模式&#xff1a;实现对象状态撤销与恢复的设计模式 一、模式核心&#xff1a;在不破坏封装性的前提下保存和恢复对象状态 在软件开发中&#xff0c;经常需要实现 “撤销” 功能&#xff08;如文本编辑器的撤销修改、游戏存档读取&#xff09;。直接暴露对象内部状态会…
阅读更多...
freecad参数化三维模型装配体解析至web端，切换参数组或修改参数

freecad参数化三维模型装配体解析至web端，切换参数组或修改参数

用免费开源的freecad制作全参数化的三维模型&#xff0c;并且装配&#xff0c;上传至服务器&#xff0c;解析至web端&#xff0c;用户可以切换参数或修改参数&#xff0c;驱动模型改变。 freecad全参数化装配体模型解析至web端进行参数切换、修改完整展示_哔哩哔哩_bilibili …
阅读更多...
浅析锁的应用与场景

浅析锁的应用与场景

锁的应用与场景&#xff1a;从单机到分布式 摘要&#xff1a;在多线程和分布式系统中&#xff0c;“锁”是避免资源竞争、保障数据一致性的核心机制。但你真的了解锁吗&#xff1f;什么时候该用锁&#xff1f;用哪种锁&#xff1f;本文通过通俗的比喻和代码示例&#xff0c;带…
阅读更多...
语音合成之五语音合成中的“一对多”问题主流模型解决方案分析

语音合成之五语音合成中的“一对多”问题主流模型解决方案分析

语音合成中的“一对多”问题主流模型解决方案分析 引言“一对多”指的是什么&#xff1f;优秀开源模型的方法CosyvoiceSparkTTSLlaSA TTSVITS 引言 TTS系统旨在模仿人类的自然语音&#xff0c;但其核心面临着一个固有的挑战&#xff0c;即“一对多”问题 。这意味着对于给定的…
阅读更多...
ElementUi的Dropdown下拉菜单的详细介绍及使用

ElementUi的Dropdown下拉菜单的详细介绍及使用

Dropdown是 ElementUI 中用于创建下拉菜单项的一个组件&#xff0c;通常el-dropdown-item 包裹在 el-dropdown 组件中使用。以下从功能特性(一些属性及方法)、使用和高级功能(高亮显示&#xff0c;滚动&#xff0c;额外传参数)三个方面进行详细介绍。 一、功能特性 1.触发方式…
阅读更多...
Linux麒麟 V10 系统找回 root 密码的步骤

Linux麒麟 V10 系统找回 root 密码的步骤

Linux麒麟 V10 系统找回 root 密码的步骤 1 环境介绍2 操作步骤2.1重启系统并进入 GRUB 菜单2.2 输入 GRUB 账户密码2.3 修改启动参数2.4 启动系统2.5 修改root 密码2.6 重启系统 3 Linux命令全方位指南实战教程Linux命令学习使用列表 1 环境介绍 有时候root 密码忘记&#xf…
阅读更多...
stone 3d v3.3.0版本发布，含时间线和连接器等新功能

stone 3d v3.3.0版本发布，含时间线和连接器等新功能

1.新加了时间线&#xff08;timeline&#xff09;编辑器&#xff0c;可以类似blender一样给对象制作动画 2.新加了度量&#xff08;metrics&#xff09;系统&#xff0c;通过scene对象检测器中的useMetrics属性来启用或禁用&#xff0c;启用时所选物体将显示三维度量数据 新加了…
阅读更多...
.whl文件

.whl文件

本文主要介绍了.whl文件的定义&#xff0c;怎么安装.whl文件&#xff08;离线&#xff0c;在线&#xff09;。 怎么查看cuda的版本&#xff0c;以及如何安装相应版本的cuda&#xff08;本地电脑&#xff0c;超算上&#xff09; 以及如何创建.whl文件 .whl文件的定义 Document…
阅读更多...
Git命令行中vim的操作

Git命令行中vim的操作

Git命令行用vim打开文件&#xff0c;或者用其他git命令打开了文件&#xff0c;需要编辑和保存文件等&#xff0c;有些命令表情奇怪&#xff0c;往往容易忘记这些命令。记录下。 下面这篇比较实用和简练&#xff1a; gitvim编辑文件命令 • Worktile社区https://worktile.com/…
阅读更多...
C#初级知识总结

C#初级知识总结

一、什么是CIL 1.CIL(Common Intermidate Language)是指.Net的公共中间语言&#xff0c;它是一种编程语言。 .Net框架的各种语言在编译时都会编译成同一种中间语言&#xff08;CIL&#xff09;&#xff0c;之后程序运行的时候CIL会被JIT(Just In Time)转换为二进制语言&#xf…
阅读更多...
Linux学习笔记之环境变量

Linux学习笔记之环境变量

写这篇博客的目的主要是因为本人学习动静态库时&#xff0c;用到了环境变量的知识&#xff0c;发现略有遗忘&#xff0c;因此回顾复习&#xff0c;整理成博客。 一、环境变量是什么 Linux环境变量是存储系统或程序运行时配置信息的特殊变量&#xff0c;用于为程序提供配置参数…
阅读更多...
16：00开始面试，16：08就出来了，问的问题有点变态。。。

16：00开始面试，16：08就出来了，问的问题有点变态。。。

从小厂出来&#xff0c;没想到在另一家公司又寄了。 到这家公司开始上班&#xff0c;加班是每天必不可少的&#xff0c;看在钱给的比较多的份上&#xff0c;就不太计较了。没想到4月一纸通知&#xff0c;所有人不准加班&#xff0c;加班费不仅没有了&#xff0c;薪资还要降40%…
阅读更多...
私钥连接服务器（已经有服务器私钥

私钥连接服务器（已经有服务器私钥

前言&#xff1a;假设我们已经有了服务器的私钥&#xff0c;我们怎么配置呢&#xff1f; 下面我会从vsc的配置角度来写 ✅ 步骤一&#xff1a;准备工作 安装 VS Code&#xff08;如果还没装&#xff09; &#x1f449; https://code.visualstudio.com/ 安装插件&#xff1a;Re…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023