opencv-python的简单练习

题目1.读取一张彩色图像并将其转换为灰度图。

import cv2
# 读取图片文件
img = cv2.imread('./1.png')# 将原图灰度化
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)# 输出图片
cv2.imshow('img',img)
cv2.imshow('img_g',img_gray)
# 进行阻塞
cv2.waitKey(0)

题目2：二值化与形态学操作‌

编写程序，读取一张彩色图像【flower.png】，将其转换为灰度图，然后进行二值化处理。

接着，对二值化后的图像执行腐蚀和膨胀操作，并显示处理前后的图像。

二值化图像

腐蚀图像

 

膨胀图像

‌题目3：图像变换与颜色识别‌

编写程序，读取一张彩色图像，执行以下操作：

  1. 将图像缩放至指定大小（例如，宽度和高度都缩小为原来的一半）。
  2. 对缩放后的图像应用仿射变换，实现图像的旋转（例如，旋转45度）。
  3. 将图像从BGR颜色空间转换为HSV颜色空间，并提取出特定的颜色范围（例如，提取黄色区域）。
  4. 显示处理后的图像，并在图像上标记出识别到的颜色区域。

import cv2
import numpy as npimg = cv2.imread('./2.png')
img = cv2.resize(img,dsize=None,fx=0.5,fy=0.5)# 获取放射变换矩阵
M =cv2.getRotationMatrix2D(center=(img.shape[1]/2,img.shape[0]/2), # 旋转的中心angle=45, # 旋转的角度scale=0.5) # 缩放 返回一个旋转矩阵img_ro = cv2.warpAffine(img,M,(img.shape[0],img.shape[1]),flags = cv2.INTER_LINEAR, # 插值的方式borderMode=cv2.BORDER_REFLECT_101) # 填充边缘的方式# 将原图转换成hsv
img_hsv = cv2.cvtColor(img_ro,cv2.COLOR_BGR2HSV)
# 制作掩膜
# 选取颜色 这里选择黄色
hsv_min = np.array([26,43,46],dtype=np.float32)
hsv_max = np.array([34,255,255],dtype=np.float32)
mask = cv2.inRange(img_hsv,hsv_min,hsv_max)# 将掩膜与原图进行与运算
img_color = cv2.bitwise_and(img_ro,img_ro,mask=mask)# 利用掩膜识别边缘
c,h =cv2.findContours(mask,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)#用红线在原图标识
cv2.drawContours(img_ro,c,-1,(0,0,255),2)cv2.imshow('image',img_ro)
cv2.imshow('img_color',img_color)
cv2.waitKey(0)

‌题目4：图像矫正

编写程序，读取一张彩色图像，执行以下操作

  1. 找到原图 和目标图的四个点，获取透视变换矩阵
  2. 对图像应用透视变换，实现油画区域的矫正

import cv2
import numpy as np# 读取图像
img = cv2.imread('./youhua.png')
# 高斯滤波
img_blur = cv2.GaussianBlur(img,(3,3),1)# 灰度化
img_gray = cv2.cvtColor(img_blur,cv2.COLOR_BGR2GRAY)# 二值化
_,img_binary = cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)# 寻找轮廓
contours,_ = cv2.findContours(img_binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnt = sorted(contours,key=cv2.contourArea,reverse=True)[0]
img_copy = img.copy()img_copy = cv2.drawContours(img_copy,[cnt],-1,(0,0,255),2)# 找到card的轮廓  做多边形逼近  获取四个顶点
arc_len = cv2.arcLength(cnt,True)
approx = cv2.approxPolyDP(cnt,float(0.04)*arc_len,True)
img_draw = img.copy()
# approxpoints1 = np.float32(approx).reshape(-1,2)
print(approx)
points2 = np.float32([[max(points1[:, 0]), min(points1[:, 1])],  # 右上角[min(points1[:, 0]), min(points1[:, 1])],  # 左上角[min(points1[:, 0]), max(points1[:, 1])],  # 左下角[max(points1[:, 0]), max(points1[:, 1])],  # 右下角])M = cv2.getPerspectiveTransform(points1,points2)
img_draw = cv2.warpPerspective(img_draw,M,(img.shape[1],img.shape[0]))# 画轮廓# 获取透视变换矩阵
# 进行透视变换# 输出图形
cv2.imshow('img',img)
cv2.imshow('img_copy',img_copy)
cv2.imshow('img_draw',img_draw)
cv2.waitKey(0)

 

题目5：边缘检测

请编写一段Python代码，使用OpenCV库对一张图像进行以下处理：

  1. 将图像转换为灰度图。
  2. 使用高斯滤波器平滑图像，内核大小为5x5，标准差为1。
  3. 使用Canny边缘检测算法检测图像边缘，阈值1为50，阈值2为150。
  4. 在检测到的边缘图像上绘制轮廓，轮廓颜色为红色，厚度为2。

 

import cv2
img = cv2.imread('./picture.png')
# 灰度化
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)# 高斯滤波
img_blur = cv2.GaussianBlur(img_gray,(5,5),1)
# 边缘检测
img_canny = cv2.Canny(img_blur,50,150)
c,h = cv2.findContours(img_canny,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img,c,-1,(0,0,255),2)cv2.imshow('image',img)cv2.imshow('img_canny',img_canny)
cv2.waitKey(0)

题目6：车牌识别预处理 

假设你正在开发一个车牌识别系统，首先需要从图像中识别出车牌区域。请描述并编写代码实现以下步骤：

  1. 读取一张包含车牌的图像。
  2. 将图像转换为灰度图以简化处理。
  3. 使用高斯滤波器平滑图像，减少噪声干扰。
  4. 应用Canny边缘检测算法检测图像中的边缘。
  5. 查找图像中的轮廓。
  6. 逐一遍历轮廓。
  7. 设定一个面积双阈值，只保留面积在该阈值的轮廓。
  8. 计算这些轮廓的长宽比，长宽比ratio在2到5.5之间的，在原图上用矩形框标出，这些轮廓可能是车牌的候选区域。

import cv2
import matplotlib.pyplot as plt
import numpy as np# 读取车牌图像
img =cv2.imread('./img_1.png')# 转化为单通道图像便于处理
img= cv2.resize(img,dsize=None,fx=0.5,fy=0.5)img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)# 使用高斯滤波平滑图像，减少噪声干扰
img_blur = cv2.GaussianBlur(img_gray,(5,5),1)# 使用canny检测图像边缘
img_canny =cv2.Canny(img_blur,50,150)# 查找轮廓点集
c,_ = cv2.findContours(img_canny,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
# 遍历轮廓 寻找面积合适的图像
for cnt in c:if cv2.contourArea(cnt)<900 or cv2.contourArea(cnt)>81000000:continueelse:# 计算长宽比arc_len = cv2.arcLength(cnt,  # 轮廓True)  # 表示轮廓是否闭合approx = cv2.approxPolyDP(cnt,  # 轮廓float(0.004) * arc_len,  # 这是从原始轮廓到近似多边形的最大距离，决定了逼近精度True  # 是否闭合)  # 返回逼近多边形的 坐标点集x, y, w, h = cv2.boundingRect(approx)ratio = w / hif 2.0 < ratio < 4.5:  # 设定范围减免因图像扭曲产生的误差cv2.rectangle(img,[x, y],  # 左上角坐标[x + w, y + h],  # 右下角坐标(0, 0, 255),  # 矩形颜色2  # 矩形线条粗细)cv2.imshow('img',img)
cv2.imshow('img_b', img_canny)
cv2.waitKey(0)

 

交通信号灯识别‌：

你正在开发一个自动驾驶系统，需要识别交通信号灯的颜色（红、黄、绿）。请设计一个简化的流程，说明如何使用OpenCV来识别交通信号灯的颜色。

思路分析‌：

  1. 读取包含交通信号灯的图像。
  2. 转换图像到HSV颜色空间。
  3. 分别为红、黄、绿三种颜色定义HSV范围，并创建三个掩膜。
  4. 对每个掩膜进行轮廓检测，识别出可能的信号灯区域。

import cv2
import numpy as np
img = cv2.imread('./demo111.png')# 转化hsv空间
img_hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)# 红色空间
hsv_min2 = np.array([0,43,46])
hsv_max2 = np.array([10,255,255])
hsv_min1 = np.array([156,43,46])
hsv_max1 = np.array([180,255,255])
mask_1 = cv2.inRange(img_hsv,hsv_min1,hsv_max1)
mask_2 = cv2.inRange(img_hsv,hsv_min2,hsv_max2)
mask_red = cv2.bitwise_or(mask_1,mask_2)
mask_red = cv2.GaussianBlur(mask_red,(3,3),1)
c,_ = cv2.findContours(mask_red,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
c = sorted(c,key=cv2.contourArea,reverse=True)[1]
img = cv2.drawContours(img,[c],-1,(0,0,255),2)# 绿色空间
hsv_min3 = np.array([35,43,46])
hsv_max3 = np.array([99,255,255])
mask_green = cv2.inRange(img_hsv,hsv_min3,hsv_max3)
mask_green = cv2.GaussianBlur(mask_green,(3,3),1)
c,_ = cv2.findContours(mask_green,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
c = sorted(c,key=cv2.contourArea,reverse=True)[0]
img = cv2.drawContours(img,[c],-1,(0,255,0),2)# 黄色空间
hsv_min4 = np.array([11,20,20])
hsv_max4 = np.array([34,255,255])
mask_yellow = cv2.inRange(img_hsv,hsv_min4,hsv_max4)
mask_yellow = cv2.GaussianBlur(mask_yellow,(3,3),1)
c,_ = cv2.findContours(mask_yellow,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
c = sorted(c,key=cv2.contourArea,reverse=True)[0]
img = cv2.drawContours(img,[c],-1,(0,255,255),2)mask = cv2.bitwise_or(mask_red,mask_yellow,mask_green)
img_mask_color = cv2.bitwise_and(img,img,mask=mask)cv2.imshow('image',img)
cv2.imshow('mask',mask)
cv2.imshow('img_mask_color',img_mask_color)cv2.waitKey(0)

 

在一家生产彩色玩具的工厂中，需要检测产品是否按照正确的颜色进行生产。请设计一个使用OpenCV的自动化检测系统，该系统能够识别并报告不符合颜色标准的产品。

‌思路分析‌：

  1. 设定产品的标准颜色范围（HSV值）。
  2. 使用摄像头或图像文件获取待检测产品的图像。
  3. 转换图像到HSV颜色空间。
  4. 为每种标准颜色创建掩膜，并与产品图像进行比对。
  5. 识别出颜色不符合标准的产品，并记录或报告。

 

import cv2
import numpy as np
img = cv2.imread('./duck.png')
img = cv2.resize(img,dsize=None,fx=0.4,fy=0.4)
# 转化hsv空间
img_hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)# 红色空间
hsv_min2 = np.array([0,43,46])
hsv_max2 = np.array([10,255,255])
hsv_min1 = np.array([156,43,46])
hsv_max1 = np.array([180,255,255])
mask_1 = cv2.inRange(img_hsv,hsv_min1,hsv_max1)
mask_2 = cv2.inRange(img_hsv,hsv_min2,hsv_max2)
mask_red = cv2.bitwise_or(mask_1,mask_2)
mask_red = cv2.GaussianBlur(mask_red,(3,3),1)# 绿色空间
hsv_min3 = np.array([35,43,46])
hsv_max3 = np.array([99,255,255])
mask_green = cv2.inRange(img_hsv,hsv_min3,hsv_max3)
mask_green = cv2.GaussianBlur(mask_green,(3,3),1)# 黑色空间
hsv_min3 = np.array([0,0,40])
hsv_max3 = np.array([180,255,46])
mask_black = cv2.inRange(img_hsv,hsv_min3,hsv_max3)
mask_black = cv2.GaussianBlur(mask_black,(3,3),1)# 蓝色空间
hsv_min3 = np.array([78,43,46])
hsv_max3 = np.array([124,255,255])
mask_blue = cv2.inRange(img_hsv,hsv_min3,hsv_max3)
mask_blue = cv2.GaussianBlur(mask_blue,(3,3),1)mask = cv2.bitwise_or(mask_red,mask_black)
mask1 = cv2.bitwise_or(mask_blue,mask_green)
mask = cv2.bitwise_or(mask1,mask)
mask_color = cv2.bitwise_and(img,img,mask=mask)c,_ = cv2.findContours(mask,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)for cnt in c:M = cv2.moments(cnt)if cv2.contourArea(cnt)<700:continueelse:ret = cv2.minAreaRect(cnt)# 调用box获取该外接矩形大的四个顶点box = np.int32(cv2.boxPoints(ret))img = cv2.drawContours(img, [box], -1, (0,255 , 255), 2)# 先计算轮廓形状的中心坐标cX = int(M['m10']/M['m00'])cY = int(M['m01']/M['m00'])# 将识别到的轮廓形状的文字写道轮廓的重点处youhua.pngcv2.putText(img, # 图片'NO',  # 要添加的文字字符串(cX,cY), # 要输入文字的坐标cv2.FONT_HERSHEY_SIMPLEX,# 字体类型0.4, # 缩放(0,255,255))cv2.imshow('image',img)
cv2.imshow('mask',mask)
cv2.imshow('img_mask_color',mask_color)cv2.waitKey(0)
 

 

 

 

 

 

 

 

 

 

 

 

图像预处理与特征提取‌
 

  1. 将图像转换为灰度图
  2. 对灰度图进行二值化处理
  3. 使用形态学变换去除噪声【开运算】
  4. 检测图像中的边缘
  5. 查找并绘制图像中的轮廓
  6. 逐一遍历轮廓，输出所有四边形的周长 和 面积。
 

 
 

 

import cv2
import numpy as np# 读取图片
img = cv2.imread('./img_2.png')# 灰度化  二值化
img_gary = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
_,img_binary = cv2.threshold(img_gary,127,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)# 高斯滤波
img_blur = cv2.GaussianBlur(img_binary,(3,3),1)# 开运算消除噪点 腐蚀和膨胀
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))
img_erode = cv2.erode(img_blur,kernel)
img_dilate = cv2.dilate(img_erode,kernel)# 寻找轮廓
contours,_ = cv2.findContours(img_dilate,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)# 绘制轮廓
img_copy = img.copy()# 循环遍历轮廓
for cnt in contours:M = cv2.moments(cnt)if int(M['m00'] )== 0:continueelse:# 排序非常小的轮廓后，寻找与图形相似形状# 把周长的几倍长度的线段作为一条边arc_len = cv2.arcLength(cnt,   # 轮廓True) # 表示轮廓是否闭合approx = cv2.approxPolyDP(cnt, # 轮廓float(0.04)*arc_len, #这是从原始轮廓到近似多边形的最大距离，决定了逼近精度True # 是否闭合) # 返回逼近多边形的 坐标点集# 进行形状判断if len(approx) == 4:# 需要进一步判断是正方形还是非正方形x,y,w,h = cv2.boundingRect(approx)ratio = w/hshape = 'rectangle'color = (0,255,0)img_copy = cv2.drawContours(img_copy, contours, -1, (0, 0, 0), 1)str1 = shape+'area:'+str(cv2.contourArea(cnt))str2 = 'len:'+str(cv2.arcLength(cnt,True))# 先计算轮廓形状的中心坐标cX = int(M['m10']/M['m00'])cY = int(M['m01']/M['m00'])# 将识别到的轮廓形状的文字写道轮廓的重点处youhua.pngcv2.putText(img_copy, # 图片str1,  # 要添加的文字字符串(cX,cY), # 要输入文字的坐标cv2.FONT_HERSHEY_SIMPLEX,# 字体类型0.4, # 缩放color)cv2.putText(img_copy,  # 图片str2,  # 要添加的文字字符串(cX, cY+15),  # 要输入文字的坐标cv2.FONT_HERSHEY_SIMPLEX,  # 字体类型0.4,  # 缩放color)# 输出数据
cv2.imshow('image',img)
cv2.imshow('img_copy',img_copy)
cv2.waitKey(0)
 












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/64363.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










AOP实现操作日志记录+SQL优化器升级








AOP实现操作日志记录+SQL优化器升级




文章目录 1.引入依赖1.sun-dependencies 指定依赖2.将sun-dependencies进行install3.sun-common-log引入依赖 2.sun-common-log代码实现1.LogAspect.java&#xff08;需要更改包时就修改Pointcut的切点表达式即可&#xff09;2.log4j2-spring.xml3.效果展示 3.SQL优化器升级1.目…




阅读更多...

















CH582F BLE5.3 蓝牙核心板开发板 60MHz RAM:32KB ROM:448KB








CH582F BLE5.3 蓝牙核心板开发板 60MHz RAM:32KB ROM:448KB




CH582F BLE5.3 蓝牙核心板开发板 60MHz RAM:32KB ROM:448KB 是一款基于南京沁恒&#xff08;WCH&#xff09;推出的高性能、低功耗无线通信芯片CH582F的开发板。以下是该开发板的功能和参数详细介绍&#xff1a; 
主要特性 双模蓝牙支持&#xff1a; 支持蓝牙5.0标准&#xff0…




阅读更多...

















AI技术在演示文稿制作中的应用一键生成PPT








AI技术在演示文稿制作中的应用一键生成PPT




在快节奏的现代工作环境中&#xff0c;时间就是金钱。为了提高工作效率&#xff0c;许多专业人士都在寻找能够快速生成演示文稿&#xff08;PPT&#xff09;的工具。本文将探讨AI技术如何帮助用户自动生成演示文稿&#xff0c;从文案撰写到排版&#xff0c;最终输出成品&#x…




阅读更多...

















【Redis篇】Set和Zset 有序集合基本使用








【Redis篇】Set和Zset 有序集合基本使用




目录 
Set 
基本命令 
sadd 
SMEMBERS 
SISMEMBER SCARD 
返回值&#xff1a; 
SPOP 
SMOVE 
SREM 
集合间操作 
交集&#xff1a;  
并集&#xff1a; 
差集&#xff1a; 
​编辑 内部编码 
使用场景&#xff1a; 
Zset 有序集合 
Zset基本命令 
ZADD 
ZCARD  
ZCOUNT ZRANGE …




阅读更多...

















安防监控Liveweb视频汇聚融合平台助力执法记录仪高效使用








安防监控Liveweb视频汇聚融合平台助力执法记录仪高效使用




Liveweb平台可接入的设备除了常见的智能分析网关与摄像头以外 &#xff0c;还可通过GB28181协议接入执法记录仪&#xff0c;实现对执法过程的全程监控与录像&#xff0c;并对执法轨迹与路径进行调阅回看。那么&#xff0c;如何做到执法记录仪高效使用呢&#xff1f; 由于执法记…




阅读更多...

















技术理性角度思考：游戏是什么？








技术理性角度思考：游戏是什么？




1、从单纯技术理性角度来看&#xff0c;游戏就是若干事件的组合&#xff0c; 
每一个事件都是若干代码控制的若干动画。通过各种事件&#xff0c;玩家持续输入&#xff0c;改变游戏状态&#xff0c;获得输出结果。 
细分为界面切换事件&#xff0c;游戏逻辑事件&#xff0c; 
a…




阅读更多...

















IDEA 未启用lombok插件的Bug








IDEA 未启用lombok插件的Bug




项目中maven已引用了lombok依赖&#xff0c;之前运行没有问题的&#xff0c;但有时启动会提示&#xff1a; java: You arent using a compiler supported by lombok, so lombok will not work and has been disabled. Your processor is: com.sun.proxy.$Proxy8 Lombok support…




阅读更多...

















【vue】npm install 报错 python2 Error: not found: python2








【vue】npm install 报错 python2 Error: not found: python2




如图所示&#xff0c;vue项目在下载依赖的时候报错找不到python2&#xff0c;有网友通过下载python2.7并配置环境变量解决了&#xff0c;这里有两个其他自测可用的方式&#xff0c;供各位作为参考。 
报错的主要原因是因为【sass-loader】【node-sass】这两个依赖跟nodejs版本有…




阅读更多...

















批量DWG文件转换低版本（CAD图转低版本）——c#插件实现








批量DWG文件转换低版本（CAD图转低版本）——c#插件实现




此插件可实现指定路径下所有dwg文件&#xff08;包含子文件夹内dwg&#xff09;一键全部转为低版本&#xff08;包含2004、2007、2018版本&#xff0c;也可定制指定版本&#xff09;。效果如下&#xff1a; 
&#xff08;使用方法&#xff1a;命令行输入 “netload” 加载插件&…




阅读更多...

















无管理员权限 LCU auth-token、port 获取（全网首发 go）








无管理员权限 LCU auth-token、port 获取（全网首发 go）




一&#xff1a; 提要&#xff1a; 参考项目&#xff1a; https://github.com/Zzaphkiel/Seraphine 想做一个 lol 查战绩的软件&#xff0c;并且满足自己的需求&#xff08;把混子和大爹都表示出来&#xff09;&#xff0c;做的第一步就是获取 lcu token &#xff0c;网上清一色…




阅读更多...

















STM32F407ZGT6-UCOSIII笔记6：UCOS-III软件定时器








STM32F407ZGT6-UCOSIII笔记6：UCOS-III软件定时器




今日学习使用UCOS系统的软件定时器功能 
本文学习与程序编写基于 正点原子的 STM32F1 UCOS开发手册 
文章提供测试代码讲解、完整工程下载、测试效果图 
软件定时器卡柱UCOS III 系统问题解决 目录 UCOS-III 软件定时器&#xff1a; 单次定时器&#xff1a; 周期定时器: 开启软…




阅读更多...

















金碟中间件-AAS-V10.0安装








金碟中间件-AAS-V10.0安装




金蝶中间件AAS-V10.0 
AAS-V10.0安装 
1.解压AAS-v10.0安装包 
unzip AAS-V10.zip2.更新license.xml 
cd /root/ApusicAS/aas# 这里要将license复制到该路径
[rootvdb1 aas]# ls
bin     docs     jmods                     lib          modules  templates
config  domains …




阅读更多...

















Reactor 响应式编程（第四篇：Spring Security Reactive）








Reactor 响应式编程（第四篇：Spring Security Reactive）




系列文章目录 
Reactor 响应式编程&#xff08;第一篇&#xff1a;Reactor核心&#xff09; Reactor 响应式编程&#xff08;第二篇&#xff1a;Spring Webflux&#xff09; Reactor 响应式编程&#xff08;第三篇&#xff1a;R2DBC&#xff09; Reactor 响应式编程&#xff08…




阅读更多...

















【Qt】信号、槽








【Qt】信号、槽




目录 
一、信号和槽的基本概念 
二、connect函数&#xff1a;关联信号和槽 
例子&#xff1a; 
三、自定义信号和槽 
1.自定义槽函数 
2.自定义信号函数 
例子&#xff1a; 
四、带参的信号和槽 
例子&#xff1a; 
五、Q_OBJECT宏 
六、断开信号和槽的连接 
例子&#xff1a; …




阅读更多...

















PCIE概述








PCIE概述




PCIE概述 文章目录 PCIE概述前言一、应用场景二、PCIE理论2.1 硬件2.2 拓扑结构&#xff1a;处理器和设备之间的关系2.3 速率2.4 层次接口2.5 四种请求类型2.5.1 bar空间2.5.2 memory2.5.3 IO2.5.4 configuration2.5.5 message 前言 
参考链接&#xff1a; pcie总线知识点解析 …




阅读更多...

















Android Studio创建新项目并引入第三方so外部aar库驱动NFC读写器读写IC卡








Android Studio创建新项目并引入第三方so外部aar库驱动NFC读写器读写IC卡




本示例使用设备&#xff1a;https://item.taobao.com/item.htm?spma21dvs.23580594.0.0.52de2c1bbW3AUC&ftt&id615391857885 
一、打开Android Studio,点击 File> New>New project 菜单&#xff0c;选择 要创建的项目模版&#xff0c;点击 Next 二、输入项目名称…




阅读更多...

















NX系列-使用 `nmcli` 命令创建 Wi-Fi 热点并设置固定 IP 地址








NX系列-使用 `nmcli` 命令创建 Wi-Fi 热点并设置固定 IP 地址




使用 nmcli 命令创建 Wi-Fi 热点并设置固定 IP 地址 
一、前言 
在一些场景下&#xff0c;我们需要将计算机或嵌入式设备&#xff08;例如 NVIDIA Orin NX&#xff09;转换为 Wi-Fi 热点&#xff0c;以便其他设备&#xff08;如手机、笔记本等&#xff09;能够连接并使用该设备…




阅读更多...

















用docker快速安装电子白板Excalidraw绘制流程图








用docker快速安装电子白板Excalidraw绘制流程图




注&#xff1a;本文操作以debian12.8 最小化安装环境为host系统。 一、彻底卸载原有的残留 
apt-get purge docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin docker-ce-rootless-extras 
二、设置docker的安装源 
# Add Dockers official G…




阅读更多...

















mac 如何开启指定端口供外部访问？








mac 如何开启指定端口供外部访问？




前言 需要 mac 上开放指定端口&#xff0c;指定 ip 访问 解决 在 macOS 上开放一个端口&#xff0c;并指定只能特定的 IP 访问&#xff0c;可以使用 macOS 内置的 pfctl(Packet Filter)工具来实现。 1、 编辑 pf 配置文件&#xff1a; 打开 /etc/pf.conf 文件进行编辑。 可以使…




阅读更多...

















练习题：一维数组








练习题：一维数组




练习题 
第一题 
键盘录入一组数列&#xff0c;利用冒泡排序将数据由大到小排序 
代码 
#include <stdio.h>int arr_home01()
{int arr[10];int i,j,temp;printf("请输入10个测试整数&#xff1a;\n");int len  sizeof(arr) / sizeof(arr[0]);for(i  0;i < …




阅读更多...


















推荐文章












最新文章


















Copyright @ 2022~2023