PCL库中的算法封装详解

摘要

Point Cloud Library（PCL）是一个广泛应用于三维点云处理的开源库，涵盖了从基础数据结构到高级算法的丰富功能。PCL通过面向对象的设计和模块化的架构，将各种算法封装成独立的类，使得用户能够方便地调用和组合这些算法以完成复杂的点云处理任务。本文将详细探讨PCL库中算法的封装方式，涵盖其设计理念、类结构、模板编程、继承与多态、输入输出接口、常见算法类及其使用示例，帮助读者深入理解并高效利用PCL进行三维点云处理。

目录

  1. 引言
  2. PCL的设计理念
    • 2.1 模块化架构
    • 2.2 面向对象设计
    • 2.3 模板编程
  3. 算法封装的核心概念
    • 3.1 类层次结构
    • 3.2 继承与多态
    • 3.3 输入输出接口
    • 3.4 配置参数
  4. 常见的PCL算法类
    • 4.1 滤波器（Filters）
      • 4.1.1 VoxelGrid
      • 4.1.2 PassThrough
    • 4.2 特征提取（Feature Extraction）
      • 4.2.1 NormalEstimation
      • 4.2.2 FPFHEstimation
    • 4.3 配准（Registration）
      • 4.3.1 IterativeClosestPoint
      • 4.3.2 NormalDistributionsTransform
    • 4.4 分割（Segmentation）
      • 4.4.1 SACSegmentation
      • 4.4.2 EuclideanClusterExtraction
  5. 算法的使用模式
    • 5.1 创建实例
    • 5.2 设置参数
    • 5.3 设置输入
    • 5.4 执行算法
    • 5.5 获取输出
  6. 流水线式处理
  7. 扩展与自定义算法
  8. 性能优化
  9. 示例代码
  10. 总结

引言

三维点云数据在计算机视觉、机器人导航、增强现实等领域中具有广泛的应用。PCL（Point Cloud Library）作为一个功能强大的开源点云处理库，提供了丰富的工具和算法，帮助开发者高效地进行点云数据的采集、处理和分析。PCL采用模块化、面向对象的设计理念，将各种复杂的算法封装成易于使用的类，使得用户能够通过简单的接口调用实现高级的点云处理任务。本文将深入探讨PCL库中算法的封装方式，帮助读者全面理解其设计与使用方法。

PCL的设计理念

2.1 模块化架构

PCL采用模块化架构，将不同功能的算法和工具划分为多个独立的模块。这种设计使得PCL具有高度的可扩展性和可维护性。主要模块包括：

  • Filters：滤波器，用于点云的降采样、去噪和裁剪。
  • Features：特征提取，用于计算点云的几何或颜色特征。
  • Registration：配准，用于对齐不同的点云。
  • Segmentation：分割，用于将点云划分为不同的部分。
  • Visualization：可视化，用于显示和交互点云数据。

2.2 面向对象设计

PCL采用面向对象的编程（OOP）理念，将每种算法封装在独立的类中。这些类通常继承自PCL的基类，提供统一且灵活的接口，方便用户进行配置和调用。面向对象的设计提高了代码的复用性和可维护性，使得PCL库具有良好的扩展性。

2.3 模板编程

PCL广泛使用C++模板编程，以支持不同类型的点云数据。大多数算法类都是模板类，允许用户指定输入和输出的点类型。这种设计使得PCL能够处理多种类型的点云数据，如带颜色的点云（pcl::PointXYZRGB）、带法线的点云（pcl::PointNormal）等，而无需为每种点类型编写单独的代码。

算法封装的核心概念

3.1 类层次结构

PCL的类层次结构遵循清晰的继承关系，许多算法类继承自通用的基类。这种层次结构不仅促进了代码的复用，还确保了不同算法之间的一致性和兼容性。例如，所有滤波器类都继承自pcl::Filter，所有配准算法类都继承自pcl::Registration。

3.2 继承与多态

继承是PCL面向对象设计的核心，通过继承基类，派生类能够继承基类的成员函数和数据成员，同时可以扩展或重写基类的功能。多态性允许用户通过基类指针或引用调用派生类的函数，实现算法的灵活调用。

例如，所有配准算法类继承自pcl::Registration，用户可以使用基类指针来调用不同的配准算法：

pcl::Registration<pcl::PointXYZ, pcl::PointXYZ> *reg;
reg = new pcl::IterativeClosestPoint<pcl::PointXYZ, pcl::PointXYZ>();
reg->setInputSource(cloud_source);
reg->setInputTarget(cloud_target);
reg->align(*final_cloud);

3.3 输入输出接口

PCL的算法类通常提供明确的输入和输出接口。用户需要通过成员函数设置输入点云（源和目标），并在运行算法后获取结果。这样的设计使得算法的使用流程清晰且易于理解。

3.4 配置参数

每个算法类提供多种成员函数，用于配置算法的参数。这些参数控制算法的行为和性能，例如迭代次数、距离阈值、搜索半径等。通过调整这些参数，用户可以优化算法以适应不同的应用场景。

pcl::IterativeClosestPoint<pcl::PointXYZ, pcl::PointXYZ> icp;
icp.setMaximumIterations(50);
icp.setMaxCorrespondenceDistance(0.05);
icp.setTransformationEpsilon(1e-8);

常见的PCL算法类

4.1 滤波器（Filters）

滤波器用于对点云进行降采样、去噪和裁剪，常用于预处理步骤，以减少点云数据量或去除不必要的部分。

4.1.1 VoxelGrid

VoxelGrid滤波器通过创建一个三维体素网格，将点云下采样到网格的中心点。这种方法有效地减少了点云的点数，同时保留了整体的形状特征。

pcl::VoxelGrid<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setLeafSize(0.1f, 0.1f, 0.1f);
sor.filter(*cloud_filtered);
4.1.2 PassThrough

PassThrough滤波器用于沿指定轴裁剪点云，保留在某一范围内的点，去除其他点。

pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud);
pass.setFilterFieldName("z");
pass.setFilterLimits(0.0, 1.0);
pass.filter(*cloud_filtered);

4.2 特征提取（Feature Extraction）

特征提取用于计算点云的几何或颜色特征，这些特征在配准、分类和识别等任务中起到关键作用。

4.2.1 NormalEstimation

NormalEstimation用于计算点云中每个点的法线向量，法线信息在表面重建和特征匹配中非常重要。

pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
ne.setInputCloud(cloud);
ne.setKSearch(50);
ne.compute(*cloud_normals);
4.2.2 FPFHEstimation

FPFHEstimation（Fast Point Feature Histograms）用于计算点云的局部特征描述子，常用于点云匹配和识别。

pcl::FPFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::FPFHSignature33> fpfh;
fpfh.setInputCloud(cloud);
fpfh.setInputNormals(cloud_normals);
fpfh.setRadiusSearch(0.05);
fpfh.compute(*fpfh_features);

4.3 配准（Registration）

配准算法用于将两个或多个点云对齐到同一坐标系下，常用于三维重建和机器人导航。

4.3.1 IterativeClosestPoint (ICP)

IterativeClosestPoint（ICP）是最常用的刚性配准算法，通过迭代优化将源点云对齐到目标点云。

pcl::IterativeClosestPoint<pcl::PointXYZ, pcl::PointXYZ> icp;
icp.setInputSource(cloud_source);
icp.setInputTarget(cloud_target);
icp.align(*final_cloud);
4.3.2 NormalDistributionsTransform (NDT)

NormalDistributionsTransform（NDT）是一种基于概率的配准方法，适用于较为复杂的场景和大规模点云。

pcl::NormalDistributionsTransform<pcl::PointXYZ, pcl::PointXYZ> ndt;
ndt.setInputSource(cloud_source);
ndt.setInputTarget(cloud_target);
ndt.align(*final_cloud);

4.4 分割（Segmentation）

分割算法用于将点云划分为不同的部分，便于后续的处理和分析。

4.4.1 SACSegmentation

SACSegmentation（随机采样一致性分割）用于从点云中提取几何形状（如平面、球体等）的模型。

pcl::SACSegmentation<pcl::PointXYZ> seg;
seg.setOptimizeCoefficients(true);
seg.setModelType(pcl::SACMODEL_PLANE);
seg.setMethodType(pcl::SAC_RANSAC);
seg.setDistanceThreshold(0.01);
seg.setInputCloud(cloud);
seg.segment(*inliers, *coefficients);
4.4.2 EuclideanClusterExtraction

EuclideanClusterExtraction用于基于欧几里得距离的聚类，将点云分割成多个独立的簇。

pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;
ec.setClusterTolerance(0.02);
ec.setMinClusterSize(100);
ec.setMaxClusterSize(25000);
ec.setInputCloud(cloud);
ec.extract(cluster_indices);

算法的使用模式

PCL中的算法类通常遵循一致的使用模式，用户只需按照以下步骤即可高效地调用和配置各种算法。

5.1 创建实例

首先，通过创建算法类的实例来初始化算法对象。

pcl::IterativeClosestPoint<pcl::PointXYZ, pcl::PointXYZ> icp;

5.2 设置参数

根据需求，通过成员函数设置算法的参数，控制其行为和性能。

icp.setMaximumIterations(50);
icp.setMaxCorrespondenceDistance(0.05);
icp.setTransformationEpsilon(1e-8);

5.3 设置输入

为算法设置输入点云（源和目标），有些算法可能需要额外的输入，如法线或特征描述子。

icp.setInputSource(cloud_source);
icp.setInputTarget(cloud_target);

5.4 执行算法

调用执行函数，如align或filter，开始算法的计算过程。

pcl::PointCloud<pcl::PointXYZ> final_cloud;
icp.align(final_cloud);

5.5 获取输出

获取算法的输出结果，包括处理后的点云、变换矩阵、配准得分等。

if (icp.hasConverged()) {std::cout << "ICP converged." << std::endl;std::cout << "Fitness Score: " << icp.getFitnessScore() << std::endl;std::cout << "Transformation Matrix: \n" << icp.getFinalTransformation() << std::endl;
}

流水线式处理

PCL支持将多个算法串联起来，形成处理流水线。这种方式提高了代码的可读性和模块化，使得复杂的点云处理任务变得更加简洁和高效。

示例：下采样、法线估计和配准

// 下采样
pcl::VoxelGrid<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setLeafSize(0.1f, 0.1f, 0.1f);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
sor.filter(*cloud_filtered);// 法线估计
pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
ne.setInputCloud(cloud_filtered);
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
ne.setSearchMethod(tree);
pcl::PointCloud<pcl::Normal>::Ptr cloud_normals(new pcl::PointCloud<pcl::Normal>);
ne.setKSearch(50);
ne.compute(*cloud_normals);// 配准
pcl::IterativeClosestPoint<pcl::PointXYZ, pcl::PointXYZ> icp;
icp.setInputSource(cloud_source);
icp.setInputTarget(cloud_target);
pcl::PointCloud<pcl::PointXYZ> final_cloud;
icp.align(final_cloud);

扩展与自定义算法

PCL的模块化和面向对象设计使得用户可以方便地扩展库，添加自定义的算法或修改现有算法的行为。通过继承现有的算法类，用户可以重写某些成员函数，实现特定的功能需求。

自定义滤波器示例

template <typename PointT>
class CustomFilter : public pcl::Filter<PointT> {
public:using pcl::Filter<PointT>::Filter;void applyFilter(pcl::PointCloud<PointT> &output) override {// 自定义滤波逻辑for (const auto &point : this->input_->points) {if (point.z > 0.5) {output.points.push_back(point);}}output.width = output.points.size();output.height = 1;output.is_dense = true;}
};

性能优化

PCL中的许多算法类经过高度优化，利用并行计算（如多线程和GPU加速）来提高处理速度。此外，PCL支持与高性能计算库（如Eigen、Boost）集成，以进一步提升性能。用户可以通过调整算法参数、选择高效的数据结构（如KD树）和利用硬件加速，优化算法的运行效率。

使用并行计算优化法线估计

pcl::NormalEstimationOMP<pcl::PointXYZ, pcl::Normal> ne;
ne.setNumberOfThreads(8);
ne.setInputCloud(cloud_filtered);
ne.setSearchMethod(tree);
ne.setKSearch(50);
ne.compute(*cloud_normals);

示例代码

以下是一个完整的示例，展示了如何使用PCL中的滤波器、特征提取和配准算法，形成一个处理流水线。

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/features/normal_3d.h>
#include <pcl/registration/icp.h>int main(int argc, char** argv) {// 加载点云pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_source(new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_target(new pcl::PointCloud<pcl::PointXYZ>);pcl::io::loadPCDFile("source.pcd", *cloud_source);pcl::io::loadPCDFile("target.pcd", *cloud_target);// 下采样pcl::VoxelGrid<pcl::PointXYZ> sor;sor.setInputCloud(cloud_source);sor.setLeafSize(0.1f, 0.1f, 0.1f);pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);sor.filter(*cloud_filtered);// 法线估计pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;ne.setInputCloud(cloud_filtered);pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());ne.setSearchMethod(tree);pcl::PointCloud<pcl::Normal>::Ptr cloud_normals(new pcl::PointCloud<pcl::Normal>);ne.setKSearch(50);ne.compute(*cloud_normals);// 配准pcl::IterativeClosestPoint<pcl::PointXYZ, pcl::PointXYZ> icp;icp.setInputSource(cloud_filtered);icp.setInputTarget(cloud_target);pcl::PointCloud<pcl::PointXYZ> final_cloud;icp.align(final_cloud);// 输出结果if (icp.hasConverged()) {std::cout << "ICP converged." << std::endl;std::cout << "Fitness Score: " << icp.getFitnessScore() << std::endl;std::cout << "Transformation Matrix: \n" << icp.getFinalTransformation() << std::endl;} else {std::cout << "ICP did not converge." << std::endl;}return 0;
}

总结

PCL库通过面向对象的设计和模块化的架构，将复杂的点云处理算法封装成独立且易于使用的类。其高度的灵活性和可扩展性使得开发者能够高效地进行三维点云的采集、处理和分析。本文详细探讨了PCL中算法封装的核心概念、常见算法类及其使用模式，旨在帮助读者深入理解PCL的设计理念，并在实际应用中灵活运用这些工具。通过掌握PCL的算法封装机制，开发者可以更好地应对各种复杂的三维点云处理任务，推动计算机视觉和机器人技术的发展。

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.mzph.cn/diannao/58070.shtml

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email:809451989@qq.com，一经查实，立即删除！

相关文章

第十八届联合国世界旅游组织/亚太旅游协会旅游趋势与展望大会在广西桂林开幕

第十八届联合国世界旅游组织/亚太旅游协会旅游趋势与展望大会在广西桂林开幕

10月19日&#xff0c;第十八届联合国世界旅游组织/亚太旅游协会旅游趋势与展望大会(以下简称“大会”)在广西桂林开幕&#xff0c;来自美国、英国、德国、俄罗斯、柬埔寨等25个国家约120名政府官员、专家学者和旅游业界精英齐聚一堂&#xff0c;围绕“亚洲及太平洋地区旅游业&a…
阅读更多...
Git 创建SSH秘钥

Git 创建SSH秘钥

1、命令行输入 ssh-keygen -t rsa -b 4096 2、系统提示你“Enter a file in which to save the key”&#xff0c;直接按回车键 3、再提示你输入密码的时候直接按回车键&#xff0c;创建没有密码的SSH密钥 4、密钥对创建后&#xff0c;可以在自己电脑对应的 ~/.ssh 目录下找到…
阅读更多...
java的String方法

java的String方法

lastIndexOf() 源码&#xff1a; public int lastIndexOf(String str) {return lastIndexOf(str, length());} lastIndexOf(String str)&#xff1a;用于在一个字符串中查找指定字符最后一次出现的位置 subString() 源码&#xff1a; public String substring(int beginIn…
阅读更多...
数据库如何保证主键唯一性

数据库如何保证主键唯一性

数据库保证主键&#xff08;Primary Key&#xff09;的唯一性主要通过以下机制实现&#xff1a; 1. **主键约束&#xff08;PRIMARY KEY Constraint&#xff09;**&#xff1a; 这是保证主键唯一性的核心机制。在数据库表中&#xff0c;通过定义主键约束&#xff0c;可以确…
阅读更多...
MySQL关于DAYOFWEEK和WEEKDAY说明

MySQL关于DAYOFWEEK和WEEKDAY说明

⭕️前些天发现了一个巨牛的人工智能学习网站&#xff0c;通俗易懂&#xff0c;风趣幽默&#xff0c;忍不住分享一下给大家(点击跳转到网站)⭕️ 一、MySQL中关于DAYOFWEEK和WEEKDAY DAYOFWEEK和WEEKDAY均是MySQL中的日期实际函数&#xff0c;用于获取当前日期是星期几&#x…
阅读更多...
Android13、14特殊权限-应用安装权限适配

Android13、14特殊权限-应用安装权限适配

Android13、14特殊权限-应用安装权限适配 文章目录 Android13、14特殊权限-应用安装权限适配一、前言二、权限适配三、其他1、特殊权限-应用安装权限适配小结2、dumpsys package查看获取到了应用安装权限3、Android权限系统&#xff1a;应用操作管理类AppOpsManager&#xff08…
阅读更多...
达梦与mssql的order by的区别

达梦与mssql的order by的区别

在单表简单查询时&#xff0c;mssql和dm8都可以通过查询字段名或别名进行order by mssql和dm8&#xff0c;使用字段名进行order by select emp_ID,emp_Name from Employee order by emp_Name mssql和dm8&#xff0c;使用字段别名进行order by select emp_ID,emp_Name as …
阅读更多...
【隐私计算篇】全同态加密应用场景案例（隐私云计算中的大模型推理、生物识别等）

【隐私计算篇】全同态加密应用场景案例（隐私云计算中的大模型推理、生物识别等）

1.题外话 最近因为奖项答辩&#xff0c;一直在忙材料准备&#xff0c;过程非常耗费时间和精力&#xff0c;很难有时间来分享。不过这段时间虽然很忙碌&#xff0c;但这期间有很多新的收获&#xff0c;特别是通过与领域内专家的深入交流和评审过程&#xff0c;对密码学和隐私计算…
阅读更多...
今日头条APP移动手机端留痕脚本

今日头条APP移动手机端留痕脚本

这两个的脚本目的是什么呢&#xff1f; 很简单&#xff0c;就是批量访问指定用户的首页&#xff0c;在他人访客记录里面留下你的账户信息&#xff0c;可以让对方访问你的头条&#xff0c;概率下会关注你的头条&#xff0c;目的嘛&#xff0c;这个自己细想&#xff01; 第1个是…
阅读更多...
Python实现Android设备录屏功能及停止录屏功能

Python实现Android设备录屏功能及停止录屏功能

1、功能概述&#xff1f; 提供源码下载 之前通过ADB命令实现了实时的录屏功能。但是很遗憾&#xff0c;虽然通过adb命令录屏非常方便&#xff0c;但由于权限限制&#xff0c;无法在安卓系统较高的设备上使用。现选择使用另一开源工具来解决这一问题&#xff0c;并记录使用详细…
阅读更多...
php基础：数据类型、常量、字符串

php基础：数据类型、常量、字符串

语法补充&#xff1a; 每句必须以&#xff1b;结尾 echo&#xff1a;能输出一个以上的字符串&#xff0c;英文逗号隔开 print&#xff1a;只能输出一个字符串并返回1 1.数据类型 php可以自动识别数据类型。 php有5种数据类型&#xff1a;String&#xff08;字符串&#xf…
阅读更多...
java jsoup爬虫如何快速获取到html页面的选择器元素

java jsoup爬虫如何快速获取到html页面的选择器元素

java jsoup爬虫如何快速获取到html页面的选择器元素 一、打开元素选择器二、选定元素三、定位元素位置四、右键 -> copy ->copySelector五、代码中获取 一、打开元素选择器 在java采用jsoup爬虫中&#xff0c;返回的是html页面而不是json字段&#xff0c;就需要使用jsou…
阅读更多...
[C++11] 右值引⽤与移动语义

[C++11] 右值引⽤与移动语义

文章目录 左值和右值左值&#xff08;Lvalue&#xff09;右值&#xff08;Rvalue&#xff09;区别 左值引⽤和右值引⽤左值引用&#xff08;Lvalue Reference&#xff09;右值引用&#xff08;Rvalue Reference&#xff09;右值引用的特点 右值引用延长生命周期右值引⽤和移动语…
阅读更多...
传输层UDP

传输层UDP

再谈端口号 端口号&#xff1a;标识了主机上进行通信的不同的应用程序 在TCP/IP 协议中我们用“源IP”"源端口号" “目的IP”“目的端口号” “协议号”五元组来标识一个通信 用netstat -n 查看 查看网络信息&#xff0c;我们有两种命令查看网络通信1.用netsta…
阅读更多...
Linux-练习3

Linux-练习3

题目&#xff1a; 操作过程&#xff1a; 1.建立用户组 shengcan&#xff0c;其id 为 2000 2.建立用户组 caiwu&#xff0c;其id 为 2001 3.建立用户组 jishu&#xff0c;其 id 为 2002 4.建立用户 lee&#xff0c;指定其主组 id 为 shengchan&#xff0c;附加组为 jishu 和…
阅读更多...
多GPU训练大语言模型，DDP， ZeRO 和 FSDP

多GPU训练大语言模型，DDP， ZeRO 和 FSDP

在某些时候&#xff0c;我们可能需要将模型训练扩展到单个 GPU 之外。当模型变得太大无法适应单个 GPU 时&#xff0c;需要使用多 GPU 计算策略。但即使模型适合单个 GPU&#xff0c;使用多个 GPU 来加速训练也是有好处的。即使您正在处理一个小模型&#xff0c;了解如何在多个…
阅读更多...
HTML5新增属性

HTML5新增属性

1、HTML5 1.1 新增布局标签 header&#xff1a;用于定义文档或者section的页眉&#xff1b;footer&#xff1a;用于定义页面或section的底部信息&#xff1b;nav&#xff1a;用于定位页面上的导航链接部分&#xff1b;article&#xff1a;用于定位文档或者页面中的独立部分&a…
阅读更多...
在浏览器中运行 Puppeteer：解锁新能力

在浏览器中运行 Puppeteer：解锁新能力

Puppeteer&#xff0c;这个强大的浏览器自动化工具&#xff0c;通常在Node.js环境中运行。但你有没有想过&#xff0c;在浏览器本身中运行Puppeteer会是什么样子&#xff1f;这不仅能让我们利用Puppeteer的功能完成更多任务&#xff0c;还能避开Node.js特定的限制。 支持的功…
阅读更多...
【Canvas与桌面】文山甲密铺桌面壁纸 1920*1080

【Canvas与桌面】文山甲密铺桌面壁纸 1920*1080

【成图】 不加蒙版的部分截图&#xff1a; 加上蒙版的桌面壁纸图&#xff1a; 不加蒙版的桌面壁纸图&#xff1a; 【代码】 <!DOCTYPE html> <html lang"utf-8"> <meta http-equiv"Content-Type" content"text/html; charsetutf-8&qu…
阅读更多...
ts：对象数组的简单使用

ts：对象数组的简单使用

ts中对象数组的简单使用 一、主要内容说明二、例子1、源码12、源码1运行效果 三、结语四、定位日期 一、主要内容说明 平常ts创建数组的格式如下&#xff1a; let array:string[]["元素1","元素2","元素3","元素3","元素4"…
阅读更多...
最新文章

Copyright @ 2022~2023