使用opencv实现图片相似度检测

1.为什么学这个,我对图像处理非常感兴趣,我联想到海尔的指纹识别门锁是如何进行检测的,我在想不应该呀,单片机性能这么差,应该是使用了训练后的数据去检测图片的,如果我要实现草莓检测,知道它是不是草莓,我觉得单纯使用图片处理是不够的,我考虑过使用指纹模块来接触草莓从而实现判断他是不是草莓,从而联想到学习图像相似度检测,我们人类的手指事实上是有大量的传感器的,机器如果想要实现那科技含量太高了,而且成本高,就算实现了也只能放在家里自己玩…

2.代码基于python3.1 opencv,先使用直方图判断是否是简单的图形(运算快)如果不是在判断是否是复杂的图形(运算慢)

import cv2
def calculate_complexity_similarity(img1str, img2str):# 加载两张图片img1 = cv2.imread(img1str)img2 = cv2.imread(img2str)# 将图片转换为灰度图像gray_img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)gray_img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)# 创建ORB特征检测器orb = cv2.ORB_create()# 检测特征点和描述符kp1, des1 = orb.detectAndCompute(gray_img1, None)kp2, des2 = orb.detectAndCompute(gray_img2, None)# 创建暴力匹配器bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)# 进行特征匹配matches = bf.match(des1, des2)similarity=0.0# 根据特征点匹配结果计算相似度if len(matches) > 0:similarity = sum([match.distance for match in matches]) / len(matches)print('图片相似度为：', similarity)else:print('未找到匹配的特征点')# 调用函数进行图片相似度计算,计算简单的图片相似度return similarity
def calculate_histogram_similarity(img1_path, img2_path):# 读取两张图片img1 = cv2.imread(img1_path, cv2.IMREAD_GRAYSCALE)img2 = cv2.imread(img2_path, cv2.IMREAD_GRAYSCALE)# 计算直方图hist1 = cv2.calcHist([img1], [0], None, [256], [0, 256])hist2 = cv2.calcHist([img2], [0], None, [256], [0, 256])# 归一化直方图cv2.normalize(hist1, hist1, 0, 1, cv2.NORM_MINMAX)cv2.normalize(hist2, hist2, 0, 1, cv2.NORM_MINMAX)# 比较直方图similarity = cv2.compareHist(hist1, hist2, cv2.HISTCMP_CORREL)if similarity<0.6:similarity=calculate_complexity_similarity(img1str, img2str)return similarityif __name__ == '__main__':img1str='straw1.png'img2str='straw3.png'sim = calculate_histogram_similarity(img1str, img2str)print('图片相似度为：', sim)

3.测试效果
//简单的图片使用直方图归一化处理
在这里插入图片描述
在这里插入图片描述
//不同的图片之间比较

在这里插入图片描述
//2和22比较
在这里插入图片描述
//2和23无法检测出来,可能是2个2颜色不一样,2和24也一样
在这里插入图片描述
//straw1和straw2 这两张是在一张图片的两颗草莓
图片相似度为： 0.8582924959300794
//straw1和straw3,不同图片的草莓
在这里插入图片描述
图片相似度为： 69.67826086956522

//与倒立的草莓
在这里插入图片描述
图片相似度为： 68.84821428571429
在这里插入图片描述
图片相似度为： 73.10416666666667

//带有草莓花的草莓,比较符合实际情况
在这里插入图片描述

图片相似度为： 0.7757366241694935

//啊这汽车和草莓是相似的?而且是多个草莓,改了下代码 如果形状都不同了,similarity<0直接返回
在这里插入图片描述
在这里插入图片描述

3.改进后的代码

import cv2
def calculate_complexity_similarity(img1str, img2str):# 加载两张图片img1 = cv2.imread(img1str)img2 = cv2.imread(img2str)# 将图片转换为灰度图像gray_img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)gray_img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)# 创建ORB特征检测器orb = cv2.ORB_create()# 检测特征点和描述符kp1, des1 = orb.detectAndCompute(gray_img1, None)kp2, des2 = orb.detectAndCompute(gray_img2, None)# 创建暴力匹配器bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)# 进行特征匹配matches = bf.match(des1, des2)similarity=0.0# 根据特征点匹配结果计算相似度if len(matches) > 0:similarity = sum([match.distance for match in matches]) / len(matches)print('图片相似度为：', similarity)else:print('未找到匹配的特征点')# 调用函数进行图片相似度计算,计算简单的图片相似度return similarity
def calculate_histogram_similarity(img1_path, img2_path):# 读取两张图片img1 = cv2.imread(img1_path, cv2.IMREAD_GRAYSCALE)img2 = cv2.imread(img2_path, cv2.IMREAD_GRAYSCALE)# 计算直方图hist1 = cv2.calcHist([img1], [0], None, [256], [0, 256])hist2 = cv2.calcHist([img2], [0], None, [256], [0, 256])# 归一化直方图cv2.normalize(hist1, hist1, 0, 1, cv2.NORM_MINMAX)cv2.normalize(hist2, hist2, 0, 1, cv2.NORM_MINMAX)# 比较直方图similarity = cv2.compareHist(hist1, hist2, cv2.HISTCMP_CORREL)print(similarity)#30%的几率是那应该不是一个东西if similarity <0.3:return similarityif similarity<0.6:similarity=calculate_complexity_similarity(img1str, img2str)return similarityif __name__ == '__main__':img1str='straw4.png'img2str='straw7.png'sim = calculate_histogram_similarity(img1str, img2str)print('图片相似度为：', sim)

//改进后的结果
在这里插入图片描述
//不同的形状的都返回负数
图片相似度为： -0.07563206074940822

5.根据评论区网友的建议进行测试
1.白描、素描、水彩 均不能识别
2.显微镜(基本识别得出)和草莓酱(有几率识别70%,颜色太深识别不出,需要大数据来对比)
3.一堆草莓 可以识别出来
在这里插入图片描述
在这里插入图片描述
#能识别显微镜下
在这里插入图片描述
#不能识别,添加了很多其他材料,或者是放太久果酱颜色变深
在这里插入图片描述
#可以识别
在这里插入图片描述
#加个干扰因素,和多个草莓 64%识别出来
在这里插入图片描述
4.以后改进的地方,上面的代码可以简单的检测颜色相同形状相同的问题,但是也面临着检测精度的不精确,我们可以录入多个图片如果取相似度最高的一张,当然性能不大好, 识别苹果和草莓达到40%相似率
//其实我们不需要自己下载所有图片来提高精确度,我们只需要和网络上的1000张图片对比,基本可以确定这个图片是不是我们要的草莓,这个思路也可以用在识别其他物体…

  1. 使用模糊的图片识别工具,识别图片是什么
  2. 使用我的代码,假设上面识别出草莓,就拿原来图片和百度的大量图片进行对比,取准确率最高的值在1000张图片中
  3. 假设上面识别错误,识别为人,也按照2的方法对比,返回错误结果,并且使用一个关键字文本写上生活中常见的物体,一一查询
  4. 其实最重要的是防止重复性的工作,还是需要图片训练,生成模型文件…

5.结论,这个案例仅仅只能实现简单的图片识别功能,并不能识别物体的区域,其实我们可以通过逐步缩小图片的范围来确定物体的位置,我发现使用多维数组来处理图片不是一个明智的选择,还得发现他们函数关系,多个图片又有多个函数关系…,一个图片有多个草莓怎么办…

6.改进,可以任意尺寸图片进行识别

import cv2
import numpy as npdef calculate_complexity_similarity(img1_path, img2_path):# 加载两张图片img1 = cv2.imread(img1_path)img2 = cv2.imread(img2_path)# 将图片转换为灰度图像gray_img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)gray_img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)# 创建ORB特征检测器orb = cv2.ORB_create()# 检测特征点和描述符kp1, des1 = orb.detectAndCompute(gray_img1, None)kp2, des2 = orb.detectAndCompute(gray_img2, None)# 将描述符类型转换为CV_8Udes1 = np.uint8(des1)des2 = np.uint8(des2)# 创建暴力匹配器bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)# 进行特征匹配matches = bf.match(des1, des2)similarity = 0.0# 根据特征点匹配结果计算相似度if len(matches) > 0:similarity = sum([match.distance for match in matches]) / len(matches)print('图片相似度为：', similarity)else:print('未找到匹配的特征点')return similaritydef calculate_histogram_similarity(img1_path, img2_path):# 读取两张图片img1 = cv2.imread(img1_path, cv2.IMREAD_GRAYSCALE)img2 = cv2.imread(img2_path, cv2.IMREAD_GRAYSCALE)# 计算直方图hist1 = cv2.calcHist([img1], [0], None, [256], [0, 256])hist2 = cv2.calcHist([img2], [0], None, [256], [0, 256])# 归一化直方图cv2.normalize(hist1, hist1, 0, 1, cv2.NORM_MINMAX)cv2.normalize(hist2, hist2, 0, 1, cv2.NORM_MINMAX)# 比较直方图similarity = cv2.compareHist(hist1, hist2, cv2.HISTCMP_CORREL)if similarity < 0.2:return similarityif similarity < 0.6:# 检查ORB描述符是否可用，若不可用则直接返回较低的相似度值orb = cv2.ORB_create()kp1, des1 = orb.detectAndCompute(img1, None)kp2, des2 = orb.detectAndCompute(img2, None)if des1 is None or des2 is None:print('未找到足够的特征点')return 0.1# 转换描述符类型des1 = np.uint8(des1)des2 = np.uint8(des2)# 进行特征匹配bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)matches = bf.match(des1, des2)orb_similarity = 0.0if len(matches) > 0:orb_similarity = sum([match.distance for match in matches]) / len(matches)print('ORB图片相似度为：', orb_similarity)else:print('未找到匹配的特征点')return orb_similarityreturn similarityif __name__ == '__main__':img1_path = 'pic/straw1.png'img2_path = 'pic/smstraw1.png'sim = calculate_histogram_similarity(img1_path, img2_path)print('图片相似度为：', sim)

7.识别多颗草莓,就需要把一张图片分为多个区域,然后分别识别,比如我下面草莓分为4个区域去识别
在这里插入图片描述

//代码

import cv2
import numpy as npdef calculate_complexity_similarity(img1_path, img2_path):# 加载两张图片img1 = cv2.imread(img1_path)img2 = cv2.imread(img2_path)# 将图片转换为灰度图像gray_img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)gray_img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)# 创建ORB特征检测器orb = cv2.ORB_create()# 检测特征点和描述符kp1, des1 = orb.detectAndCompute(gray_img1, None)kp2, des2 = orb.detectAndCompute(gray_img2, None)# 将描述符类型转换为CV_8Udes1 = np.uint8(des1)des2 = np.uint8(des2)# 创建暴力匹配器bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)# 进行特征匹配matches = bf.match(des1, des2)similarity = 0.0# 根据特征点匹配结果计算相似度if len(matches) > 0:similarity = sum([match.distance for match in matches]) / len(matches)print('图片相似度为：', similarity)else:print('未找到匹配的特征点')return similaritydef calculate_histogram_similarity(img1_path, img2_path):# 读取两张图片img1 = cv2.imread(img1_path, cv2.IMREAD_GRAYSCALE)img2 = cv2.imread(img2_path, cv2.IMREAD_GRAYSCALE)# 计算直方图hist1 = cv2.calcHist([img1], [0], None, [256], [0, 256])hist2 = cv2.calcHist([img2], [0], None, [256], [0, 256])# 归一化直方图cv2.normalize(hist1, hist1, 0, 1, cv2.NORM_MINMAX)cv2.normalize(hist2, hist2, 0, 1, cv2.NORM_MINMAX)# 比较直方图similarity = cv2.compareHist(hist1, hist2, cv2.HISTCMP_CORREL)if similarity < 0.2:return similarity# 将第二个图片切割为4个区域并分别计算相似度h, w = img2.shape[:2]img2_1 = img2[:h // 2, :w // 2]img2_2 = img2[:h // 2, w // 2:]img2_3 = img2[h // 2:, :w // 2]img2_4 = img2[h // 2:, w // 2:]sim_list = []# 创建ORB特征检测器orb = cv2.ORB_create()kp1, des1 = orb.detectAndCompute(img1, None)# 计算四个区域的相似度for img in [img2_1, img2_2, img2_3, img2_4]:kp2, des2 = orb.detectAndCompute(img, None)if des1 is None or des2 is None:print('未找到足够的特征点')sim_list.append(0.1)else:des1 = np.uint8(des1)des2 = np.uint8(des2)bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)matches = bf.match(des1, des2)orb_similarity = 0.0if len(matches) > 0:orb_similarity = sum([match.distance for match in matches]) / len(matches)sim_list.append(orb_similarity)max_sim = max(sim_list)print('图片相似度为：', max_sim)return max_simif __name__ == '__main__':img1_path = 'pic/straw1.png'img2_path = 'pic/straw2.png'# 加载两张图片img1 = cv2.imread(img1_path)img2 = cv2.imread(img2_path)# 计算ORB特征相似度orb_similarity = calculate_complexity_similarity(img1_path, img2_path)# 计算直方图相似度hist_similarity = calculate_histogram_similarity(img1_path, img2_path)# 将第二张图片切割为4个区域h, w = img2.shape[:2]img2_1 = img2[:h // 2, :w // 2]img2_2 = img2[:h // 2, w // 2:]img2_3 = img2[h // 2:, :w // 2]img2_4 = img2[h // 2:, w // 2:]# 在图片上绘制绿色框和相似度cv2.rectangle(img2, (0, 0), (w // 2, h // 2), (0, 255, 0), 2)cv2.putText(img2, f" {orb_similarity:.2f}", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)cv2.rectangle(img2, (w // 2, 0), (w, h // 2), (0, 255, 0), 2)cv2.putText(img2, f" {hist_similarity:.2f}", (w // 2 + 10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)cv2.rectangle(img2, (0, h // 2), (w // 2, h), (0, 255, 0), 2)cv2.putText(img2, f" {orb_similarity:.2f}", (10, h // 2 + 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)cv2.rectangle(img2, (w // 2, h // 2), (w, h), (0, 255, 0), 2)cv2.putText(img2, f" {hist_similarity:.2f}", (w // 2 + 10, h // 2 + 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)# 显示结果图片cv2.namedWindow('Image', cv2.WINDOW_NORMAL)cv2.resizeWindow('Image', 800, 600)cv2.imshow('Image', cv2.resize(img2, (0, 0), fx=0.5, fy=0.5))cv2.waitKey(0)cv2.destroyAllWindows()

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/187734.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

AI - Crowd Simulation(集群模拟)

AI - Crowd Simulation(集群模拟)

类似鱼群&#xff0c;鸟群这种群体运动模拟。 是Microscopic Models 微观模型&#xff0c;定义每一个个体的行为&#xff0c;然后合在一起。 主要是根据一定范围内族群其他对象的运动状态决定自己的运动状态 Cohesion 保证个体不会脱离群体 求物体一定半径范围内的其他临近物…
阅读更多...
【计算机组成原理】指令系统

【计算机组成原理】指令系统

&#x1f384;欢迎来到边境矢梦的csdn博文&#x1f384; &#x1f384;本文主要梳理计算机组成原理中 指令系统的知识点和值得注意的地方 &#x1f384; &#x1f308;我是边境矢梦&#xff0c;一个正在为秋招和算法竞赛做准备的学生&#x1f308; &#x1f386;喜欢的朋友可以…
阅读更多...
vue 提交表单重复点击，重复提交防抖问题

vue 提交表单重复点击，重复提交防抖问题

问题&#xff1a;用户点击保存时&#xff0c;可能会多次点击。导致生成重复数据。 目标&#xff1a;多次点击时&#xff0c;1s内只允许提交一次数据。 解决方案&#xff1a; 1.在utils文件夹创建文件preventReClick.js export default {install (Vue) {// 防止按钮重复点击V…
阅读更多...
10个顶级Linux开源反向代理服务器 - 解析与导航

10个顶级Linux开源反向代理服务器 - 解析与导航

反向代理服务器是一种部署在客户端和后端/源服务器之间的代理服务器&#xff0c;例如 NGINX、Apache 等 HTTP 服务器或用 Nodejs、Python、Java、Ruby 编写的应用程序服务器、PHP 和许多其他编程语言。 它是一个网关或中间服务器&#xff0c;它接受客户端请求&#xff0c;将其传…
阅读更多...
2023.11.27 使用anoconda搭建tensorflow环境

2023.11.27 使用anoconda搭建tensorflow环境

2023.11.27 使用anoconda搭建tensorflow环境 提供一个简便安装tensorflow的方法 1. 首先安装anoconda&#xff0c;安装过程略&#xff0c;注意安装的时候勾选安装anoconda prompt 2. 进入anoconda prompt 3. 建立python版本 conda create -n tensorflow1 python3.84. 激活t…
阅读更多...
勒索解密后oracle无法启动故障处理----惜分飞

勒索解密后oracle无法启动故障处理----惜分飞

客户linux平台被勒索病毒加密,其中有oracle数据库.客户联系黑客进行解密【勒索解密oracle失败】,但是数据库无法正常启动,dbv检查数据库文件报错 [oraclehisdb ~]$ dbv filesystem01.dbf DBVERIFY: Release 11.2.0.1.0 - Production on 星期一 11月 27 21:49:17 2023 Copyrig…
阅读更多...
如何在服务器上运行python文件

如何在服务器上运行python文件

目录 前置准备 详细步骤 一&#xff0c;在服务器安装Anaconda 下载安装包 上传文件到服务器 安装环境 二&#xff0c;创建虚拟环境 创建环境 三&#xff0c;测试执行python文件 执行python文件 查看进程状态 总结 前置准备 如何在个人服务器上运行python文件&#x…
阅读更多...
Mysql索引案例分析

Mysql索引案例分析

这篇文章写个案例&#xff0c;测试一下MySQL索引机制 测试表结构 CREATE TABLE t_qrcode_op (id int(11) NOT NULL AUTO_INCREMENT COMMENT 主键,op_mobile varchar(16) NOT NULL,pr_code char(10) NOT NULL,PRIMARY KEY (id),UNIQUE KEY om_pc (op_mobile,pr_code) USING BTR…
阅读更多...
会员管理系统的意义何在？

会员管理系统的意义何在？

在当今的商业环境中&#xff0c;会员管理系统已经成为企业运营的重要组成部分。会员管理系统的意义在于不仅能够帮助企业提高效率&#xff0c;提升用户体验&#xff0c;进行数据分析&#xff0c;营销推广&#xff0c;还能够帮助企业增加收入。下面&#xff0c;我们将详细探讨会…
阅读更多...
微调Fine tune

微调Fine tune

网络架构 一个神经网络一般可以分为两块 特征抽取将原始像素变成容易线性分割的特征线性分类器来做分类 微调&#xff1a;使用之前已经训练好的特征抽取模块来直接使用到现有模型上&#xff0c;而对于线性分类器由于标号可能发生改变而不能直接使用 训练 是一个目标数据集上…
阅读更多...
Linux驱动开发——网络设备驱动（实战篇）

Linux驱动开发——网络设备驱动（实战篇）

目录 四、 网络设备驱动实例 五、DM9000 网络设备驱动代码分析 六、NAPI 七、习题 书接上回&#xff1a; Linux驱动开发——网络设备驱动&#xff08;理论篇&#xff09;-CSDN博客 &#xff08;没看过上面博客的同学&#xff0c;skb是linux对于网络套接字缓冲区的一个虚拟…
阅读更多...
Leetcode 136. 只出现一次的数字

Leetcode 136. 只出现一次的数字

class Solution {//任何数与0异或结果都是原来的数//任何数和自身异或结果都是0//异或满足交换律和结合律//a ^ b ^ a (a ^ a) ^ b 0 ^ b bpublic int singleNumber(int[] nums) {int res nums[0];for(int i 1; i < nums.length; i){res ^ nums[i];}return res;} }
阅读更多...
OpenCvSharp从入门到实践-（04）色彩空间

OpenCvSharp从入门到实践-（04）色彩空间

目录 1、GRAY色彩空间 2、从BGR色彩空间转换到GRAY色彩空间 2.1色彩空间转换码 2.2实例 BGR色彩空间转换到GRAY色彩空间 3、HSV色彩空间 4、从BGR色彩空间转换到HSV色彩空间 4.1色彩空间转换码 4.2实例 BGR色彩空间转换到HSV色彩空间 1、GRAY色彩空间 GRAY色彩空间通常…
阅读更多...
Spring简单的存储和读取

Spring简单的存储和读取

前言 前面讲了spring的创建&#xff0c;现在说说关于Bean和五大类注解 一、Bean是什么&#xff1f; 在 Java 语⾔中对象也叫做 Bean&#xff0c;所以后⾯咱们再遇到对象就以 Bean 著称。这篇文章还是以spring创建为主。 二、存储对象 2.1 俩种存储方式 需要在 spring-conf…
阅读更多...
使用Jmeter进行http接口性能测试

使用Jmeter进行http接口性能测试

在进行网页或应用程序后台接口开发时&#xff0c;一般要及时测试开发的接口能否正确接收和返回数据&#xff0c;对于单次测试&#xff0c;Postman插件是个不错的Http请求模拟工具。 但是Postman只能模拟单客户端的单次请求&#xff0c;而对于模拟多用户并发等性能测试&#xf…
阅读更多...
[Verilog语法]：===和!==运算符使用注意事项

[Verilog语法]：===和!==运算符使用注意事项

[Verilog语法]&#xff1a;和!运算符使用注意事项 1&#xff0c; 和 !运算符使用注意事项2&#xff0c;3&#xff0c; 1&#xff0c; 和 !运算符使用注意事项 参考文献&#xff1a; 1&#xff0c;[SystemVerilog语法拾遗] 和!运算符使用注意事项 2&#xff0c; 3&#xff0c;
阅读更多...
机器学习入门（第五天）——决策树（每次选一边）

机器学习入门（第五天）——决策树（每次选一边）

Decision tree 知识树 Knowledge tree 一个小故事 A story 挑苹果&#xff1a; 根据这些特征&#xff0c;如颜色是否是红色、硬度是否是硬、香味是否是香&#xff0c;如果全部满足绝对是好苹果&#xff0c;或者红色硬但是无味也是好苹果&#xff0c;从上图可以看出来&#…
阅读更多...
数据可视化：用图表和图形展示数据

数据可视化：用图表和图形展示数据

写在开头 在当今信息爆炸的时代，海量的数据如同一座沉默的宝库，等待着我们挖掘和理解。然而，这些庞大的数据集本身可能令人望而生畏。在这个时候，数据可视化成为了解数据、发现模式和传达信息的强大工具。本篇博客将带领你探索数据可视化的奇妙世界，学习如何在python中使…
阅读更多...
91基于matlab的以GUI实现指纹的识别和匹配百分比

91基于matlab的以GUI实现指纹的识别和匹配百分比

基于matlab的以GUI实现指纹的识别和匹配百分比,中间有对指纹的二值化&#xff0c;M连接&#xff0c;特征提取等处理功能。数据可更换自己的&#xff0c;程序已调通&#xff0c;可直接运行。 91M连接 特征提取 (xiaohongshu.com)
阅读更多...
Windows 安装redis,设置开机自启动

Windows 安装redis,设置开机自启动

Windows 安装redis,设置开机自启动 文章目录 Windows 安装redis,设置开机自启动下载, 解压到指定目录设置redis密码启动redis服务端停止redis服务端设置自启动 下载, 解压到指定目录 官网地址: https://redis.io/ 安装包下载地址: https://github.com/tporadowski/redis/relea…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023