无人机红外相机的畸变矫正

在项目开展过程中，发现大疆M30T的红外相机存在比较明显的畸变问题，因此需要对红外图像进行畸变矫正。在资料检索过程中，发现对红外无人机影像矫正的资料较少，对此，我从相机的成像原理角度出发，探索出一种效果尚可的解决思路，遂以本文记录如下。

畸变矫正模型

目前采用的主流相机畸变矫正模型基本都是Brown-Conrady模型，原论文：Decentering Distortion of Lenses

其中，该模型将畸变类型划分成两类：径向畸变和切向畸变。
径向畸变的原因是透镜表面的弧度引起的光线折射角不同，导致越靠镜头的边缘畸变越严重。根据凹凸性可分成桶型畸变和枕型畸变，示意图如下。

在这里插入图片描述

根据畸变模型，可得畸变矫正公式如下：
在这里插入图片描述
切向畸变的原因是透镜本身与成像平面不平行。根据模型，可得畸变矫正公式如下：
在这里插入图片描述

式中，各符号参数含义如下：
在这里插入图片描述

本质上，这两个公式的形式都应用到泰勒展开，因此，需要实现畸变矫正，只需要确定5个未知量，即5个畸变参数。
通常来说，k1和k2的数值足以完成大多数的畸变，k3除了鱼眼相机外，影响不大，因此在后面使用OpenCV进行实践时，参数返回的顺序是这样：D = [k1 k2 p1 p2 k3]

目前很多主流软件算法也使用这套模型，比如在pix4d中，相机参数一栏需要填写这5个量。

在这里插入图片描述

畸变参数属于相机的内参，和焦距，像素大小等内参类似，一经出厂就固定，和拍摄物体的远近没有关系。一些相机厂商会提供相关的内参数值，不过大疆显然并没有提供，参考一些大疆社区的提问帖，就算询问客服也无从得知，因此需要通过自己测量得到相关的数值。

四个坐标系

由于畸变参数属于内参，在测量时，可以采用相机标定的方式，同时得到相机的内外参数。在此之前，需要先了解相机模型的四个坐标系。

在这里插入图片描述

  • 世界坐标系 x w x_w xw​- y w y_w yw​- z w z_w zw​：物理世界中，指定某一点形成固定不变的坐标系
  • 相机坐标系 x c x_c xc​- y c y_c yc​- z c z_c zc​：相机的光心为坐标原点
  • 图像坐标系 x i x_i xi​- y i y_i yi​：感光芯片的中心为坐标原点
  • 像素坐标系 x p x_p xp​- y p y_p yp​：通过图像坐标系缩放平移得到

通常对目标进行检测时，输出目标的像素是基于像素坐标系，但对其它的坐标系感知并不是很明显，除了在三维软件建模时，会感知到世界坐标系。

从世界坐标系到相机坐标系

在世界三维坐标系中确定一点，只需要利用简单的刚体变换，即左乘一个R旋转矩阵加上三个轴向的平移量，公式表示如下：
在这里插入图片描述
由于存在平移量的加法，会导致后续嵌套表示复杂，因此引入齐次坐标，将该表达式化成矩阵相乘的形式。

在这里插入图片描述

从相机坐标系到图像坐标系

这一步需要将三维坐标系中的一点投射到二维平面，用透视投影的公式表示如下：

在这里插入图片描述

从图像坐标系到像素坐标系

这一步只需缩放平移，可用仿射变换的公式表示如下：

在这里插入图片描述

整体变换公式

从世界坐标系到相机坐标系所需参数被称为外参，从相机坐标系到像素坐标系所需参数被称为内参。
联立上面几个公式可以得到在理想无畸变的情况下，从世界坐标系一点到像素坐标系上对应点的变换公式[2]：

在这里插入图片描述
其中，(U,V,W)为世界坐标系下一点的物理坐标，(u,v)为该点对应的在像素坐标系下的像素坐标， Z为尺度因子。

值得注意的是，在这个公式中，引入了新的一个角度 θ \theta θ，表示感光板的横边和纵边之间的角度，在上面单独部分的推导中，默认为90°，即表示无误差。

棋盘格标定法

理论思路

相机的标定有许多方法，最广泛使用的是张正友教授于1998年提出的单平面棋盘格的摄像机标定方法。

算法的推导较复杂，总体思路如下[2]：

(1) 求解内参矩阵与外参矩阵的积H，对应计算关系如下：
在这里插入图片描述
由于H是齐次矩阵，因此只需要求解8个独立元素值，每一对(u,v)和(U,V)点可以提供2个约束方程，因此理论上只需要标定4对点就可以求解出H。不过在实际应用中，为了避免噪声扰动，往往需要更多点来辅助计算。

(2) 求解内参矩阵A

在求解A的过程中，可以先求解 A − T A − 1 A^{-T}A^{-1} A−TA−1，记 B = A − T A − 1 B=A^{-T}A^{-1} B=A−TA−1，计算公式如下：

在这里插入图片描述
由于B是对称矩阵，因此实际上需要求解6个未知元素。一张图片可以提供两个约束方程，因此至少需要三张图片，就可以求解出矩阵B和A。实际中，一般需要更多图片，至少10张以上。

(3) 求解外参矩阵[R T]

求出H和A之后，外参矩阵就很容易求解： [ R T ] = A − 1 H [R T] = A^{-1}H [RT]=A−1H

实际操作

下面尝试对可见光进行去畸变操作，方法流程如下[5]：
（1）打印一张棋盘方格图
（2）从不同角度拍摄若干张模板图像
（3）检测出图像中的特征点
（4）由检测到的特征点计算出每幅图像中的平面投影矩阵H
（5）确定出摄像机的参数

首先需要打印一张图片，可以直接用网上的资源直接打印，棋盘格A4

然后调用相机从不同角度拍摄，这里可以保持相机不动图片动；也可以保持相机同图片不动，我这里采用的是前者。
在这里插入图片描述
不过我这里有一点没注意，导致后面用可见光矫正时效果有偏差。这里的标定纸建议贴在硬纸板上，或者直接购买一些标定板，这样可以保证棋盘格上的角点始终为同一平面，否则像图中我的棋盘纸出现弯折，影响模型计算。

我找到了别人拍摄的两组示例，可以当作参考：

在这里插入图片描述
在这里插入图片描述

拍摄完成之后，调用OpenCV的函数接口可以比较方便的定位出内角点。

  1. 首先根据棋盘格的内角点(内部黑白相间的点），初始化坐标对。
# 1.找棋盘格角点
# 棋盘格模板规格
# 内角点个数
W = 5 
H = 8
# 世界坐标系中的棋盘格点,例如(0,0,0), (1,0,0), (2,0,0) ....,(8,5,0)，去掉Z坐标，记为二维矩阵
objp = np.zeros((W * H, 3), np.float32)
objp[:, :2] = np.mgrid[0:W, 0:H].T.reshape(-1, 2)
# 储存棋盘格角点的世界坐标和图像坐标对
objpoints = []  # 在世界坐标系中的三维点
imgpoints = []  # 在图像平面的二维点

这里相邻点实际以毫米作为单位，而在官方例程中，也可以使用角点个数作为单位。

  1. 灰度化图像，通过cv2.findChessboardCorners来找到角点位置，若找到，返回ret=True
img = cv2.imread(fname)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 找到棋盘格角点
# 棋盘图像(8位灰度或彩色图像)  棋盘尺寸  存放角点的位置
ret, corners = cv2.findChessboardCorners(gray, (W, H), None)
  1. 调用cv2.findChessboardCorners来进一步精确调整角点位置。
# 阈值
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
# 角点精确检测
# 输入图像 角点初始坐标 搜索窗口为2*winsize+1 死区 求角点的迭代终止条件
# 增加准确度
cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria)
objpoints.append(objp)
imgpoints.append(corners)
  1. 调用cv2.calibrateCamera来得到标定结果 相机的内参数矩阵 畸变系数 旋转矩阵 平移向量
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None)
print(("ret:"), ret)
print(("mtx内参数矩阵:\n"), mtx, type(mtx))  # 内参数矩阵
print(("dist畸变值:\n"), dist, type(dist))  # 畸变系数   distortion cofficients = (k_1,k_2,p_1,p_2,k_3)
print(("rvecs旋转（向量）外参:\n"), rvecs)  # 旋转向量（外参数）
print(("tvecs平移（向量）外参:\n"), tvecs)  # 平移向量（外参数）np.save('mtx.npy', mtx)
np.save('dist.npy', dist)

对于畸变矫正任务来说，不需要外参，因此只需要保存内参数矩阵和畸变系数。

  1. 调用保存的参数，对输入图像进行去畸变操作
# 去畸变
mtx = np.load("mtx_hw.npy")
dist = np.load("dist_hw.npy")img = cv2.imread(r'img.jpg')
h, w = img.shape[:2]# 我们已经得到了相机内参和畸变系数，在将图像去畸变之前，
# 我们还可以使用cv.getOptimalNewCameraMatrix()优化内参数和畸变系数，
# 通过设定自由自由比例因子alpha。当alpha设为0的时候，将会返回一个剪裁过的将去畸变后不想要的像素去掉的内参数和畸变系数；
# 当alpha设为1的时候，将会返回一个包含额外黑色像素点的内参数和畸变系数，并返回一个ROI用于将其剪裁掉
newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w, h), 0, (w, h))  # 自由比例参数# undistort 得到的ROI对结果进行裁剪。
dst = cv2.undistort(img, mtx, dist, None, newcameramtx)
x, y, w, h = roi
dst = dst[y:y + h, x:x + w]
cv2.imwrite(r'result.jpg', dst)
  1. 计算重投影误差
    进行完前五步，已经可以得到一个畸变矫正的结果。这一步的重投影误差主要是用来评估结果的准确性，类似与深度学习中的Loss。
    重投影误差是指利用计算得到的内外参，将世界坐标系中的点投影到像素坐标系，和本身已知的像素坐标系上的点做误差比较。
# 计算重投影误差
total_error = 0
for i in range(len(objpoints)):imgpoints2, _ = cv2.projectPoints(objpoints[i], rvecs[i], tvecs[i], mtx, dist)error = cv2.norm(imgpoints[i],imgpoints2, cv2.NORM_L2)/len(imgpoints2)total_error += error
print("total error: ", total_error/len(objpoints))

完整代码如下：

import cv2
import numpy as np
import globnp.set_printoptions(suppress=True)  # 用于控制Python中小数的显示精度 suppress：小数是否需要以科学计数法的形式输出# 1.找棋盘格角点
# 棋盘格模板规格
W = 5  # 内角点个数，内角点是和其他格子连着的点
H = 8# 阈值
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)# 世界坐标系中的棋盘格点,例如(0,0,0), (1,0,0), (2,0,0) ....,(8,5,0)，去掉Z坐标，记为二维矩阵
objp = np.zeros((W * H, 3), np.float32)
objp[:, :2] = np.mgrid[0:W, 0:H].T.reshape(-1, 2)# 储存棋盘格角点的世界坐标和图像坐标对
objpoints = []  # 在世界坐标系中的三维点
imgpoints = []  # 在图像平面的二维点imgsPath = "kjg"
images = glob.glob(imgsPath + '/*.jpg') # 拍摄棋盘的图片
i = 0
for fname in images:img = cv2.imread(fname)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 找到棋盘格角点# 棋盘图像(8位灰度或彩色图像)  棋盘尺寸  存放角点的位置ret, corners = cv2.findChessboardCorners(gray, (W, H), None)# 如果找到足够点对，将其存储起来if ret == True:# 角点精确检测# 输入图像 角点初始坐标 搜索窗口为2*winsize+1 死区 求角点的迭代终止条件i += 1# 增加准确度cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria)objpoints.append(objp)imgpoints.append(corners)# 将角点在图像上显示# cv2.drawChessboardCorners(img, (W, H), corners, ret)# cv2.imshow('findCorners', img)# 保存绘画出角点的图片# cv2.imwrite('h' + str(i) + '.jpg', img)# cv2.waitKey(10)# 2标定、去畸变
# 2.1输入：世界坐标系里的位置 像素坐标 图像的像素尺寸大小 3*3矩阵，相机内参数矩阵 畸变矩阵
# 2.1输出：标定结果 相机的内参数矩阵 畸变系数 旋转矩阵 平移向量
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None)
print(("ret:"), ret)
print(("mtx内参数矩阵:\n"), mtx, type(mtx))  # 内参数矩阵
print(("dist畸变值:\n"), dist, type(dist))  # 畸变系数   distortion cofficients = (k_1,k_2,p_1,p_2,k_3)
print(("rvecs旋转（向量）外参:\n"), rvecs)  # 旋转向量（外参数）
print(("tvecs平移（向量）外参:\n"), tvecs)  # 平移向量（外参数）'''
可选：保存内参数矩阵和畸变系数
np.save('mtx.npy', mtx)
np.save('dist.npy', dist)
'''# 2.2去畸变
img = cv2.imread('img.jpg')
h, w = img.shape[:2]# 我们已经得到了相机内参和畸变系数，在将图像去畸变之前，
# 我们还可以使用cv.getOptimalNewCameraMatrix()优化内参数和畸变系数，
# 通过设定自由自由比例因子alpha。当alpha设为0的时候，将会返回一个剪裁过的将去畸变后不想要的像素去掉的内参数和畸变系数；
# 当alpha设为1的时候，将会返回一个包含额外黑色像素点的内参数和畸变系数，并返回一个ROI用于将其剪裁掉
newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w, h), 0, (w, h))  # 自由比例参数# undistort 
dst = cv2.undistort(img, mtx, dist, None, newcameramtx)
# 根据前面ROI区域裁剪图片
# x, y, w, h = roi
dst = dst[y:y + h, x:x + w]
cv2.imwrite('calibresult_kjg.png', dst)# 计算重投影误差
total_error = 0
for i in range(len(objpoints)):imgpoints2, _ = cv2.projectPoints(objpoints[i], rvecs[i], tvecs[i], mtx, dist)error = cv2.norm(imgpoints[i],imgpoints2, cv2.NORM_L2)/len(imgpoints2)total_error += error
print("total error: ", total_error/len(objpoints))

经实测发现，可见光的畸变并不明显，可能是由于DJI在光学相机中本身内置了畸变矫正算法，即使广角镜头也不会有严重的畸变效果。

红外图像去畸变

在可见光图像中，将这套流程跑通后，准备直接迁移到红外图像，不过一打开镜头就傻眼了，因为红外镜头需要捕捉物体散发的红外波长的光线，比较依赖物体的材质和热量。打印的棋盘格在红外眼中别无二致，丝毫找不到角点信息。(还有我的裤子为啥莫名黑黑的，我绝对没沾水在上面。。)

在这里插入图片描述

如果继续使用棋盘格矫正，需要购买红外的标定板，对每一个点位进行单独加热，这种板子一查基本需要四位数，太贵了。

显示器标定法

于是尝试采用土办法，既然无法用棋盘格，那只需要找到一个特征容易捕捉的平面，手动选择一些标定点，理论上也能达到类似的效果，于是我打算利用显示器的四个边界点。

首先简单写了一个交互性标注窗口，打开图片，可以点击角点进行标注，按Q退出，标注点保存为Txt文件。

import cv2# Config
point_color = (0, 0, 255)
point_size = 5
thickness = 10point_list = []
def get_pixel(event, x, y, flags, param):if event == cv2.EVENT_LBUTTONDOWN:# 输出像素值和坐标信息到控制台print(x, y)# 在图像上绘制坐标和像素值font = cv2.FONT_HERSHEY_SIMPLEXtxt = str(x) + ',' + str(y)point = (x, y)cv2.circle(img, point, point_size, point_color, thickness)cv2.putText(img, txt, (x, y), font, 0.5, (255, 0, 0), 2)point_list.append(point)if __name__ == '__main__':# 读取图像img_name = 'hw_img.jpg'img = cv2.imread(img_name)# 显示图像并设置鼠标事件回调函数cv2.namedWindow('Image')cv2.setMouseCallback('Image', get_pixel)while True:# 显示图像cv2.imshow('Image', img)# 按q退出k = cv2.waitKey(1)if k == ord('q'):breakcv2.destroyAllWindows()with open(img_name[:-4] + ".txt", mode='a') as f:for i in point_list:print(i)f.write(str(i) + '\n')

在这里插入图片描述

如图所示，我从一段红外视频中，截取出不同位姿的十几帧图片，如图所示标记四个点，然而运行时直接报错：

cv2.error: OpenCV(4.8.0) D:\a\opencv-python\opencv-python\opencv\modules\calib3d\src\calibration.cpp:1173: error: (-2:Unspecified error) in function ‘void __cdecl cvFindExtrinsicCameraParams2(const struct CvMat *,const struct CvMat *,const struct CvMat *,const struct CvMat *,struct CvMat *,struct CvMat *,int)’
DLT algorithm needs at least 6 points for pose estimation from 3D-2D point correspondences. (expected: ‘count >= 6’), where
‘count’ is 4
must be greater than or equal to
‘6’ is 6

原来虽然理论上只需要标记四个点，但OpenCV采用的DLT算法，至少需要6个点才能产出结果。

于是标记9个点。

在这里插入图片描述

最后得到的结果仍不如人意，分析原因，主要是显示器中间那5个点为推测标注，并不是很精准导致。

停车场标记法

离标定物体越远，人工标记所带来的误差越小，在一番思索后，我找到了比较适合标定的场景：俯视角度的停车场。

在夜晚的红外视角中，停车场如图一个巨大的棋盘，并且还在同一平面，简直是天然的标定板。

于是我采了27张不同角度拍摄的车位图片，每张图片标记如图所示的16个点，这里标记时需要注意按预先设计的坐标轴顺序，与设定的图像坐标系点位对应。

在这里插入图片描述
同时估算停车场位的长宽约为4m x 2m，因此可以利用棋盘格类似的方式去做标定，代码如下：

import cv2
import numpy as np
import globW = 4
H = 4obj_list = np.array([(0, 0),(0, 4000),(0, 8000),(0, 12000),(2000, 0),(2000, 4000),(2000, 8000),(2000, 12000),(4000, 0),(4000, 4000),(4000, 8000),(4000, 12000),(6000, 0),(6000, 4000),(6000, 8000),(6000, 12000)
])# 世界坐标系中的位点,例如(0,0,0), (1,0,0), (2,0,0) ....,(8,5,0)，去掉Z坐标，记为二维矩阵
objp = np.zeros((W * H, 3), np.float32)
objp[:, :2] = np.mgrid[0:W, 0:H].T.reshape(-1, 2)objp[:, 0] = obj_list[:, 0]
objp[:, 1] = obj_list[:, 1]# 储存棋盘格角点的世界坐标和图像坐标对
objpoints = []  # 在世界坐标系中的三维点
imgpoints = []  # 在图像平面的二维点imgsPath = "video/hw_bd3"
images = glob.glob(imgsPath + '/*.jpg')for fname in images:img = cv2.imread(fname)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)b = []# 读取txt标记点位txt_frame = fname[:-4] + ".txt"with open(txt_frame, 'r') as f:contents = f.readlines()for i in contents:i = i.strip('\n')j = eval(i)b.append([[np.float32(j[0]), np.float32(j[1])]])corners = np.array(b)objpoints.append(objp)imgpoints.append(corners)# 2标定、去畸变
# 2.1输入：世界坐标系里的位置 像素坐标 图像的像素尺寸大小 3*3矩阵，相机内参数矩阵 畸变矩阵
# 2.1输出：标定结果 相机的内参数矩阵 畸变系数 旋转矩阵 平移向量
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None)
print(("ret:"), ret)
print(("mtx内参数矩阵:\n"), mtx, type(mtx))  # 内参数矩阵
print(("dist畸变值:\n"), dist, type(dist))  # 畸变系数   distortion cofficients = (k_1,k_2,p_1,p_2,k_3)
print(("rvecs旋转（向量）外参:\n"), rvecs)  # 旋转向量（外参数）
print(("tvecs平移（向量）外参:\n"), tvecs)  # 平移向量（外参数）np.save('mtx_hw3.npy', mtx)
np.save('dist_hw3.npy', dist)# 2.2去畸变
img = cv2.imread('video/hw_bd3/DJI_20231103213150_0002_T_1.jpg')
h, w = img.shape[:2]# 我们已经得到了相机内参和畸变系数，在将图像去畸变之前，
# 我们还可以使用cv.getOptimalNewCameraMatrix()优化内参数和畸变系数，
# 通过设定自由自由比例因子alpha。当alpha设为0的时候，将会返回一个剪裁过的将去畸变后不想要的像素去掉的内参数和畸变系数；
# 当alpha设为1的时候，将会返回一个包含额外黑色像素点的内参数和畸变系数，并返回一个ROI用于将其剪裁掉
newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w, h), 0, (w, h))  # 自由比例参数# undistort
dst = cv2.undistort(img, mtx, dist, None, newcameramtx)
cv2.imwrite('calibresult_hw3.png', dst)# 计算重投影误差
# 反投影误差
total_error = 0
for i in range(len(objpoints)):imgpoints2, _ = cv2.projectPoints(objpoints[i], rvecs[i], tvecs[i], mtx, dist)error = cv2.norm(imgpoints[i],imgpoints2, cv2.NORM_L2)/len(imgpoints2)total_error += error
print("total error: ", total_error/len(objpoints))  # total error:  0.45538816886228306

最终得到的重映射误差为 0.455，小于0.5。

查看矫正效果：

在这里插入图片描述
可以看到，矫正效果很不错，之前因畸变弯曲的线条被重新纠正成直线。

于是尝试将该参数迁移到其它场景，仍然可以work，叠在一起看，效果很明显。

在这里插入图片描述

总结和拓展

相机标定对我来说是全新的领域，从工程角度出发，没有对理论刨根问底，如需对理论进一步推导研究，可以参看参考资料[6][7]。

另外，相机标定的另一大用途是在自动驾驶领域，通过标定将车周围一圈图像转换成鸟瞰图视角，这部分可以参考资料[8]。

参考资料

[1] https://www.zywvvd.com/notes/study/camera-imaging/photo-distortion/photo-distortion
[2] https://zhuanlan.zhihu.com/p/94244568
[3] https://blog.csdn.net/weixin_44368569/article/details/130414934
[4] https://zhuanlan.zhihu.com/p/423473576
[5] https://blog.csdn.net/m0_47682721/article/details/124696148
[6] https://www.bilibili.com/video/BV1C54y1B7By
[7] https://www.bilibili.com/video/BV1ct4y1H76h
[8] https://zhuanlan.zhihu.com/p/449195936

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/news/134214.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

Redis主从配置和哨兵模式

Redis主从配置和哨兵模式

主从简介 1、主从 – 用法 像MySQL一样，redis是支持主从同步的，而且也支持一主多从以及多级从结构。 主从结构，一是为了纯粹的冗余备份，二是为了提升读性能，比如很消耗性能的SORT就可以由从服务器来承担。 redis的主…
阅读更多...
动态规划实例——01 背包详解

动态规划实例——01 背包详解

题目描述 有 n 件物品，每件物品有一个重量和一个价值，分别记为 w1，w2，…，wn 和 c1，c2，…，cn。现在有一个背包，其容量为 wk，要从 n 件物品种任取若干件。要求…
阅读更多...
ansible安装和常见模块

ansible安装和常见模块

文章目录 ansible的安装1.1 yum install epel-release.noarch1.2配置epel源的baseurl1.3安装ansible1.4安装ansible报错问题1.5 yum卸载 ansible的安装 ansible是由epel源提供的，所以需要配置epel源。要么通过配置好的baseos源直接执行“yum install epel-release.…
阅读更多...
Modbus转Profinet网关在暖通空调系统中应用案例

Modbus转Profinet网关在暖通空调系统中应用案例

在过去，空调系统一般采用传统的控制方式，通常需要使用独立的控制模块和传感器来监测和控制温度、湿度等参数。这种传统的控制方式不仅复杂，而且容易出现故障和误差，给用户的使用和维护带来了一定的困扰。 然而，通过P…
阅读更多...
20.8 OpenSSL 套接字SSL传输文件

20.8 OpenSSL 套接字SSL传输文件

有了上面的基础那么传输文件的实现就变得简单了，在传输时通常我们需要打开文件，并每次读入1024个字节的数据包，通过SSL加密传输即可，此处的文件传输功能在原生套接字章节中也进行过详细讲解，此处我们还是使用原来的密钥…
阅读更多...
Mysql8与mariadb的安装与常用设置

Mysql8与mariadb的安装与常用设置

一、v10服务器mariadb的安装与常用设置 V10服务器默认安装了mariadb数据库。也可使用命令sudo yum install mariadb手动安装或升级默认安装的版本。 1.1 修改数据库密码 systemctl restart mariadb,重启mariadb服务；mysql -u root -p,要求输入密码直接回车&#…
阅读更多...
微信小程序自动化采集方案

微信小程序自动化采集方案

本文仅供学习交流，只提供关键思路不会给出完整代码，严禁用于非法用途，拒绝转载，若有侵权请联系我删除！ 一、引言 1、对于一些破解难度大，花费时间长的目标，我们可以先采用自动化点击触发请求&…
阅读更多...
centos7安装jdk-阿里云服务器

centos7安装jdk-阿里云服务器

1.背景 2.安装步骤 步骤:(特别注意:虚拟机安装的一般是32位的操作系统,jdk也必须使用32位的) 查看虚拟机版本:sudo uname --m i686 //表示是32位 x86_64 // 表示是64位 查看是否已经安装jdk 看看 是否设置了jdk环境变量: echo $JAVA_HOME； 或运行命令： …
阅读更多...
CMD命令行中如何切换路径。

CMD命令行中如何切换路径。

问题描述： windows命令行中我记得切换命令是cd E:命令就行了呀。但是现在好像不行了。 问题解决：现在windows命令行中切换命令需要在cd E:之间增加一个/D。注意是/D，不是\D。 具体命令如下：CD /D E: 结果如下如所示&#xff1a…
阅读更多...
Linux开发工具的使用(vim、gcc/g++ 、make/makefile)

Linux开发工具的使用(vim、gcc/g++ 、make/makefile)

文章目录 一 ：vim1:vim基本概念2:vim的常用三种模式3:vim三种模式的相互转换4:vim命令模式下的命令集- 移动光标-删除文字-剪切/删除-复制-替换-撤销和恢复-跳转至指定行 5:vim底行模式下的命令集 二:gcc/g1:gcc/g的作用2:gcc/g的语法3:预处理4:编译5:汇编6:链接7:函…
阅读更多...
Leetcode—2731.移动机器人【中等】

Leetcode—2731.移动机器人【中等】

2023每日刷题&#xff08;二十二&#xff09; Leetcode—2731.移动机器人 算法思路 参考自灵茶山艾府 实现代码 class Solution { public:const int MOD 1e9 7;int sumDistance(vector<int>& nums, string s, int d) {int n nums.size();vector<long long…
阅读更多...
Vue Vuex模块化编码

Vue Vuex模块化编码

正常写vuex的index的时候如果数据太多很麻烦&#xff0c;如有的模块是管理用户信息或修改课程等这两个是不同一个种类的&#xff0c;如果代码太多会造成混乱&#xff0c;这时候可以使用模块化管理 原始写法 如果功能模块太多很乱 import Vue from vue import Vuex from vuex …
阅读更多...
[JavaWeb]——JWT令牌技术,如何从获取JWT令牌

[JavaWeb]——JWT令牌技术,如何从获取JWT令牌

&#x1f308;键盘敲烂&#xff0c;年薪30万&#x1f308; 目录 一、前言&#xff1a; 二、JWT令牌技术 2.1 概念介绍 2.2 组成介绍 2.3 JWT对象介绍 2.4 JWT生成 2.5 JWT校验 三、获取JWT令牌 四、总结 一、前言&#xff1a; 问题抛出❓ 许多网页都会设置登录界面&a…
阅读更多...
Qt 继承QAbstractListModel实现自定义ListModel

Qt 继承QAbstractListModel实现自定义ListModel

1.简介 QAbstractListModel类提供了一个抽象模型&#xff0c;可以将其子类化以创建一维列表模型。 QAbstractListModel为将其数据表示为简单的非层次项目序列的模型提供了一个标准接口。它不直接使用&#xff0c;但必须进行子类化。 由于该模型提供了比QAbstractItemModel更…
阅读更多...
ZZ308 物联网应用与服务赛题第B套

ZZ308 物联网应用与服务赛题第B套

2023年全国职业院校技能大赛 中职组 物联网应用与服务 任 务 书 &#xff08;B卷&#xff09; 赛位号&#xff1a;______________ 竞赛须知 一、注意事项 1.检查硬件设备、电脑设备是否正常。检查竞赛所需的各项设备、软件和竞赛材料等&#xff1b; 2.竞赛任务中所使用的…
阅读更多...
JAVA中类和对象的认识

JAVA中类和对象的认识

1、面向对象的初步认知 1.1 什么是面向对象 Java是一门纯面向对象的语言(Object Oriented Program&#xff0c;简称OOP)&#xff0c;在面向对象的世界里&#xff0c;一切皆为对象。面 向对象是解决问题的一种思想&#xff0c;主要依靠对象之间的交互完成一件事情。用面向对象的…
阅读更多...
最新Cocos Creator 3.x 如何动态修改3D物体的透明度

最新Cocos Creator 3.x 如何动态修改3D物体的透明度

Cocos Creator 3.x 的2D UI有个组件UIOpacity组件可以动态修改UI的透明度,非常方便。很多同学想3D物体上也有一个这样的组件来动态的控制与修改3D物体的透明度。今天基于Cocos Creator 3.8 来实现一个可以动态修改3D物体透明度的组件Opacity3D。 对啦&#xff01;这里有个游戏…
阅读更多...
Web服务器的搭建

Web服务器的搭建

网站需求&#xff1a; 1.基于域名www.openlab.com可以访问网站内容为 welcome to openlab!!! 2.给该公司创建三个网站目录分别显示学生信息&#xff0c;教学资料和缴费网站&#xff0c;基于www.openlab.com/student 网站访问学生信息&#xff0c;www.openlab.com/data网站访问教…
阅读更多...
适合汽车应用的MAX49017ATA/VY、MAX40025AAWT、MAX40025CAWT、MAX40026ATA/VY（线性）微功耗比较器

适合汽车应用的MAX49017ATA/VY、MAX40025AAWT、MAX40025CAWT、MAX40026ATA/VY（线性）微功耗比较器

一、MAX49017ATA/VY 内置基准电压源的1.7V、双通道微功耗比较器 MAX49017是一款节省空间的双通道比较器&#xff0c;内置基准电压源&#xff0c;提供推挽输出。该器件通过了AEC-Q100认证&#xff0c;非常适合汽车应用&#xff0c;例如汽车电池监控系统、信息娱乐系统音响主机和…
阅读更多...
AI 绘画 | Stable Diffusion 涂鸦功能与局部重绘

AI 绘画 | Stable Diffusion 涂鸦功能与局部重绘

在 StableDiffusion图生图的面板里&#xff0c;除了图生图&#xff08;img2img&#xff09;选卡外&#xff0c;还有局部重绘(Inpaint)&#xff0c;涂鸦(Sketch)&#xff0c;涂鸦重绘(Inpaint Sketch),上传重绘蒙版&#xff08;Inpaint Uplaod&#xff09;、批量处理&#xff08…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023