点云——噪声（代码）

本人硕士期间研究的方向就是三维目标点云跟踪，对点云和跟踪有着较为深入的理解，但一直忙于实习未进行梳理，今天趁着在家休息对点云的噪声进行梳理，因为预处理对于点云项目是至关重要的，所有代码都是近期重新复现过。

这篇之前写的，主要是对P2B点云跟踪进行复现以及学习记录，里面也包含了一些对点云的理解

P2B论文复现——点云学习记录_etw_pytorch_utils.git-CSDN博客

对PTT代码是更为熟悉的，几篇论文都是基于这个进行修改，等我今年毕业后会更新一次

目录

1、点云噪声是什么

2、点云噪声滤波技术

3、点云数据

4、统计滤波器

5、体素网格滤波

6、半径离群值移除

7、边缘保留滤波

8、将无组织的点云映射到二维图像

9、将无组织的点云转换为有组织的点云 

1、点云噪声是什么

点云噪声是指在使用三维扫描设备（如激光扫描仪、立体视觉相机等）获取点云数据时，由于各种原因引入的误差或偏差。这些噪声可能来源于设备的精度限制、扫描环境的影响（如光照条件、反射表面）、或者是数据处理过程中的算法误差。点云噪声会影响数据的质量，进而影响后续的处理和分析，如三维重建、模型识别等。

噪声的表现形式多种多样，包括：

  • 随机噪声：这是最常见的噪声类型，表现为点的位置存在随机偏差。
  • 系统噪声：由扫描设备的固有特性引起，如畸变、校准错误等，导致点云数据整体偏移或变形。
  • 环境噪声：由扫描环境引起，如由于表面反射特性不同，导致某些区域点云密度不均或缺失。

为了提供直观的理解，可以想象一个简单的场景：使用激光扫描仪扫描一个球体。理想情况下，扫描得到的点应该均匀分布在球体表面。然而，在实际情况中，扫描得到的点云数据可能会因为噪声的存在而出现以下问题：

  • 球体表面的点不是完全均匀分布，而是有些区域点更密集，有些区域点更稀疏。
  • 球体的形状看起来可能不是完全光滑的圆形，而是有些凹凸不平的地方。
  • 在球体的边缘或特定区域可能会有一些离群点，这些点明显偏离了球体的真实表面。

2、点云噪声滤波技术

解决点云噪声的方法通常涉及多种滤波技术，旨在去除或减少噪声，同时尽量保留有用的数据信息。以下是一些常用的点云滤波技术：

  1. 统计滤波器（Statistical Outlier Removal, SOR）：此方法基于统计分析，移除那些与其邻近点距离大幅偏离平均值的点。它假设点云的噪声是高斯分布的，通过计算每个点到其邻居的距离的平均值和标准差，然后根据这些统计数据移除离群点。

  2. 体素网格滤波（Voxel Grid Filter）：该技术通过创建一个三维体素网格覆盖在整个点云上，然后在每个体素内部将所有点简化为一个代表点（例如，通过取平均位置），以减少点云中的点数。这种方法对于降低数据量和滤除噪声很有效。

  3. 半径离群值移除（Radius Outlier Removal）：在这种方法中，对于每一个点，如果在给定的半径内找到的邻近点数少于某个阈值，这个点就被认为是离群值并被移除。这种方法对于去除孤立的噪声点很有效。

  4. 边缘保留滤波：这种方法尤其适用于在尽量保留数据特征边缘的同时去除噪声。例如，双边滤波器和引导滤波器能够在平滑数据的同时，保留边缘信息。

  5. 深度学习方法：最近，深度学习技术也被应用于点云噪声的去除。通过训练神经网络模型来识别和滤除噪声点，这种方法可以非常有效，尤其是在处理复杂数据和场景时。

选择合适的滤波技术时，需要考虑数据的特点、处理目标以及对结果质量的要求。在实际应用中，可能需要尝试多种方法或将几种方法组合使用，以达到最佳的去噪效果。

3、点云数据

一般是pcd和ply，这两个都可以互相转换

ply转pcd

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/io/ply_io.h>int main(int argc, char** argv)
{pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZRGB>);if (pcl::io::loadPLYFile<pcl::PointXYZRGB>(R"(D:\CPlusProject\PCL\pclTest\Data\Sparse.ply)", *cloud) == -1) //加载文件{PCL_ERROR("Couldn't read file Sparse.ply \n");system("PAUSE");return (-1);}//显示点云数量std::cout << "Loaded "<< cloud->width * cloud->height<< " data points from Sparse.ply with the following fields: "<< std::endl;//保存文件，包括颜色信息std::string filename("Sparse.pcd");pcl::PCDWriter writer;writer.write<pcl::PointXYZRGB>(R"(D:\CPlusProject\PCL\pclTest\Data\Sparse.pcd)", *cloud, true); // 第三个参数为true时表示保存为二进制格式，可以包含颜色信息system("PAUSE");return 0;
}

4、统计滤波器

#include <iostream>
#include <pcl/point_types.h>
#include <pcl/filters/statistical_outlier_removal.h>
#include <pcl/io/pcd_io.h>int main()
{// 创建点云指针pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);// 读取点云文件if (pcl::io::loadPCDFile<pcl::PointXYZ>(R"(D:\CPlusProject\PCL\pclTest\Data\Sparse.pcd)", *cloud) == -1){PCL_ERROR("Couldn't read file Sparse.pcd \n");return (-1);}std::cout << "Loaded "<< cloud->width * cloud->height<< " data points from Sparse.pcd with the following fields: "<< std::endl;// 创建滤波器对象pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;sor.setInputCloud(cloud);sor.setMeanK(50); // 设置在进行统计分析时考虑的临近点个数sor.setStddevMulThresh(1.0); // 设置标准差倍数阈值sor.filter(*cloud_filtered);// 保存过滤后的点云pcl::io::savePCDFile(R"(D:\CPlusProject\PCL\pclTest\Data\Sparse_Filter.pcd)", *cloud_filtered);std::cout << "Cloud after filtering: " << std::endl;std::cout << "Saved "<< cloud_filtered->width * cloud_filtered->height<< " data points to filtered_output.pcd."<< std::endl;return 0;
}

 报错如下。解决方案：通过项目属性->C/C++->代码生成->启用增强指令集->选择AVX

原图 

 设置下点的大小

滤波后 ，看左下角，一些单个的离群点已经消除，算法滤波能力取决于参数

5、体素网格滤波

对于降低数据量和滤除噪声很有效

因此上一个点云数据有点太小了，建议换大点的，我换了一个点云是不带RGB颜色的，也就是把PointXYZRGB换成PointXYZ

#include <iostream>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/io/pcd_io.h>
#include <pcl/filters/voxel_grid.h>int main(int argc, char** argv)
{// 定义点云对象指针pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);// 读取PCD文件if (pcl::io::loadPCDFile<pcl::PointXYZ>(R"(D:\CPlusProject\PCL\pclTest\Data\chef.pcd)", *cloud) == -1) //* 打开点云文件{PCL_ERROR("Couldn't read file input_color.pcd \n");return (-1);}std::cout << "Loaded "<< cloud->width * cloud->height<< " data points from input_color.pcd with the following fields: "<< std::endl;// 创建体素网格滤波器对象pcl::VoxelGrid<pcl::PointXYZ> sor;sor.setInputCloud(cloud);sor.setLeafSize(0.01f, 0.01f, 0.01f); // 设置体素网格的大小sor.filter(*cloud_filtered);std::cout << "PointCloud after filtering: " << cloud_filtered->width * cloud_filtered->height<< " data points." << std::endl;// 保存过滤后的点云pcl::io::savePCDFile(R"(D:\CPlusProject\PCL\pclTest\Data\chef_VoxelGrid.pcd)", *cloud_filtered);return (0);
}

原图 

滤波后，很明显的数据量减少

6、半径离群值移除

 这种方法对于去除孤立的噪声点很有效

#include <iostream>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/io/pcd_io.h>
#include <pcl/filters/radius_outlier_removal.h>int main(int argc, char** argv)
{// 创建点云指针pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZRGB>);pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZRGB>);// 读取点云文件if (pcl::io::loadPCDFile<pcl::PointXYZRGB>(R"(D:\CPlusProject\PCL\pclTest\Data\Sparse.pcd)", *cloud) == -1){PCL_ERROR("Couldn't read file input_color.pcd \n");return (-1);}std::cout << "Loaded "<< cloud->width * cloud->height<< " data points from input_color.pcd with the following fields: "<< std::endl;// 创建半径离群值移除滤波器pcl::RadiusOutlierRemoval<pcl::PointXYZRGB> outrem;outrem.setInputCloud(cloud);outrem.setRadiusSearch(0.2); // 设置搜索半径outrem.setMinNeighborsInRadius(5); // 设置半径内最小邻居数目// 应用滤波器outrem.filter(*cloud_filtered);std::cout << "PointCloud after filtering: " << cloud_filtered->width * cloud_filtered->height<< " data points." << std::endl;// 保存过滤后的点云pcl::io::savePCDFile(R"(D:\CPlusProject\PCL\pclTest\Data\Sparse_RadiusOutlierRemoval.pcd)", *cloud_filtered);return (0);
}

原图

滤波后，还是比较明显的，离群点不见了

7、边缘保留滤波

旨在平滑数据的同时保留边缘特征，如物体边界。我们可以利用类似于图像处理中边缘保留技术的方法，例如双边滤波（Bilateral filter），来实现类似的效果。双边滤波是一种常见的边缘保留滤波方法，可以在平滑点云数据的同时保留其边缘信息。

#include <iostream>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/io/pcd_io.h>
#include <pcl/filters/fast_bilateral.h> // 注意：PCL版本可能影响这个头文件的可用性int main(int argc, char** argv)
{// 加载点云pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>());pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>());if (pcl::io::loadPCDFile<pcl::PointXYZ>(R"(D:\CPlusProject\PCL\pclTest\Data\chef.pcd)", *cloud) == -1) //* 打开点云文件{PCL_ERROR("Couldn't read file input.pcd \n");return (-1);}// 创建双边滤波对象pcl::FastBilateralFilter<pcl::PointXYZ> fbFilter;fbFilter.setInputCloud(cloud);fbFilter.setSigmaS(1.5); // 空间范围的标准差fbFilter.setSigmaR(0.05f); // 颜色或强度范围的标准差// 应用滤波器fbFilter.applyFilter(*cloud_filtered);// 保存过滤后的点云pcl::io::savePCDFile(R"(D:\CPlusProject\PCL\pclTest\Data\chef_organized_FastBilateralFilter.pcd)", *cloud_filtered);return 0;
}

报错

[pcl::FastBilateralFilter] Input cloud needs to be organized.

[pcl::PCDWriter::writeASCII] Input point cloud has no data!

输入的点云需要是有组织的（organized）。有组织的点云类似于图像数据，其中每个点都有明确的像素位置（即它们是按矩阵形式排列的），这通常是从深度相机（如Kinect或Realsense）直接获取的数据。如果你的点云是无组织的（unorganized），即简单的点云列表，那么FastBilateralFilter无法直接应用。

 如何将无组织的点云转换为有组织的点云?

将无组织的点云映射到二维图像->二维图像映射成三维点云

看完第8节和第9节应该可以得到如下图片，双边滤波的参数对z轴影响很大，注意参数调节

8、将无组织的点云映射到二维图像

要实现将无组织的点云映射到一个特定平面并为其分配一个固定分辨率的过程，我们需要考虑几个关键步骤：定义映射平面、选择分辨率、计算2D像素位置。这个示例不会涉及复杂的相机内参转换。深度信息直接用z来进行表示。

#include <iostream>
#include <vector>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/io/pcd_io.h>
#include <pcl/common/common.h> // 包含 getMinMax3D#include <opencv2/opencv.hpp> // 包含OpenCV库头文件
#include <opencv2/highgui/highgui.hpp>
#include <algorithm> // std::minmax_elementint main() {// 假设已经加载了点云数据到cloud变量pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);// 加载点云文件if (pcl::io::loadPCDFile<pcl::PointXYZ>(R"(D:\CPlusProject\PCL\pclTest\Data\chef.pcd)", *cloud) != 0) {return -1;}int imageWidth = 640;int imageHeight = 480;// 初始化深度图，使用-1表示该像素位置没有对应的点云数据std::vector<std::vector<float>> depthMap(imageHeight, std::vector<float>(imageWidth, -1));// 确定点云的边界pcl::PointXYZ minPt, maxPt;pcl::getMinMax3D(*cloud, minPt, maxPt);// 遍历点云中的每个点for (const auto& point : cloud->points) {// 将点云的坐标转换为2D图像的像素坐标// 这里使用简单的线性映射，假设点云完全覆盖图像平面int u = static_cast<int>((point.x - minPt.x) / (maxPt.x - minPt.x) * (imageWidth - 1));int v = static_cast<int>((point.y - minPt.y) / (maxPt.y - minPt.y) * (imageHeight - 1));// 选择z值作为深度信息float depth = point.z;// 更新深度图if (u >= 0 && u < imageWidth && v >= 0 && v < imageHeight) {// 这里简单地将点云的z值直接赋给像素，实际应用中可能需要其他处理方式depthMap[v][u] = depth;}}// 将depthMap转换为cv::Matint rows = depthMap.size();int cols = depthMap[0].size();cv::Mat depthImage(rows, cols, CV_32FC1); // 浮点单通道图像for (int i = 0; i < rows; ++i) {for (int j = 0; j < cols; ++j) {depthImage.at<float>(i, j) = depthMap[i][j];}}// 可视化处理// 为了更好地在图像中显示深度信息，我们可以对深度值进行归一化double minVal, maxVal;cv::minMaxIdx(depthImage, &minVal, &maxVal); // 查找深度图中的最小和最大值cv::Mat normalizedDepthImage;cv::convertScaleAbs(depthImage, normalizedDepthImage, 255 / (maxVal - minVal), -minVal * 255 / (maxVal - minVal));// 显示深度图cv::namedWindow("Depth Image", cv::WINDOW_AUTOSIZE);cv::imshow("Depth Image", normalizedDepthImage);cv::waitKey(0); // 等待按键// 保存深度图为图片cv::imwrite(R"(D:\CPlusProject\PCL\pclTest\Data\chef_depth_image.png)", normalizedDepthImage);return 0;
}

这段代码首先将深度图转换为OpenCV的cv::Mat格式，然后使用cv::minMaxIdx查找深度图中的最小和最大深度值，以便对深度值进行归一化处理，使其范围在0到255之间。这样处理后的深度图更适合在屏幕上显示和保存为图片。

运行代码即可看到三维点云已经映射到二维图像上了

9、将无组织的点云转换为有组织的点云 

前提是做了前一步，三维映射到二维得到深度图 

这边的相机模型参数是简单的一种模拟

#include <iostream>
#include <vector>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/io/pcd_io.h>
#include <pcl/common/common.h> // 包含 getMinMax3Dint main() {// 假设已经加载了点云数据到cloud变量pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);// 加载点云文件if (pcl::io::loadPCDFile<pcl::PointXYZ>(R"(D:\CPlusProject\PCL\pclTest\Data\chef.pcd)", *cloud) != 0) {return -1;}int imageWidth = 640;int imageHeight = 480;// 初始化深度图，使用-1表示该像素位置没有对应的点云数据std::vector<std::vector<float>> depthMap(imageHeight, std::vector<float>(imageWidth, -1));// 确定点云的边界pcl::PointXYZ minPt, maxPt;pcl::getMinMax3D(*cloud, minPt, maxPt);// 遍历点云中的每个点for (const auto& point : cloud->points) {// 将点云的坐标转换为2D图像的像素坐标// 这里使用简单的线性映射，假设点云完全覆盖图像平面int u = static_cast<int>((point.x - minPt.x) / (maxPt.x - minPt.x) * (imageWidth - 1));int v = static_cast<int>((point.y - minPt.y) / (maxPt.y - minPt.y) * (imageHeight - 1));// 选择z值作为深度信息float depth = point.z;// 更新深度图if (u >= 0 && u < imageWidth && v >= 0 && v < imageHeight) {// 这里简单地将点云的z值直接赋给像素，实际应用中可能需要其他处理方式depthMap[v][u] = depth;}}// 有了深度图 depthMap 和对应的尺寸 imageWidth, imageHeightpcl::PointCloud<pcl::PointXYZ>::Ptr organizedCloud(new pcl::PointCloud<pcl::PointXYZ>);organizedCloud->width = imageWidth;organizedCloud->height = imageHeight;organizedCloud->is_dense = false; // 有组织的点云可能包含无效点organizedCloud->points.resize(organizedCloud->width * organizedCloud->height);// 假设的相机参数float focalLength = 1500.0; // 焦距，以某种单位表示float centerX = imageWidth / 2.0;float centerY = imageHeight / 2.0;float scalingFactor = 1; // 将深度值转换为相同单位的比例因子for (int i = 0; i < imageHeight; ++i) {for (int j = 0; j < imageWidth; ++j) {pcl::PointXYZ point;if (depthMap[i][j] != -1) {float z = depthMap[i][j] * scalingFactor; // 转换深度值float x = (j - centerX) * z / focalLength;float y = (i - centerY) * z / focalLength;point.x = x;point.y = y;point.z = z;}else {point.x = point.y = point.z = std::numeric_limits<float>::quiet_NaN();}organizedCloud->points[i * imageWidth + j] = point;}}//保存为有组织的三维点云if (pcl::io::savePCDFile(R"(D:\CPlusProject\PCL\pclTest\Data\chef_organized.pcd)", *organizedCloud) == -1) {PCL_ERROR("Couldn't save the organized point cloud file.\n");return -1;}return 0;
}

 好的，大家可与拿这个有组织的点云数据跑双边滤波了，已经测过，不会报错了。

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/676175.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

保育员答案在哪搜？这4款足够解决问题 #媒体#其他#其他

保育员答案在哪搜？这4款足够解决问题 #媒体#其他#其他

学会运用各类学习辅助工具和资料&#xff0c;是大学生培养自主学习能力和信息获取能力的重要途径之一。 1.石墨文档 石墨文档(Shimo Docs)是一款强大的在线文档协作工具。它提供了多人实时协作、版本控制、评论和批注等功能&#xff0c;方便学生在学习中进行文档编写、合作项…
阅读更多...
Qt安装配置教程windows版（包括：Qt5.8.0版本，Qt5.12，Qt5.14版本下载安装教程）（亲测可行）

Qt安装配置教程windows版（包括：Qt5.8.0版本，Qt5.12，Qt5.14版本下载安装教程）（亲测可行）

目录 Qt5.8.0版本安装教程Qt5.8.0版本下载安装 Qt5.12.2版本安装教程下载安装 Qt 5.14.2安装教程下载安装和创建项目 参考视频 QT为嵌入式系统提供了大量的库和可重用组件。 WPS Office&#xff0c;咪咕音乐&#xff0c;Linux桌面环境等都是QT开发的。 Qt5.8.0版本安装教程 Q…
阅读更多...
探索Spring Validation：优雅实现后端数据验证的艺术

探索Spring Validation：优雅实现后端数据验证的艺术

在现代Web应用开发中&#xff0c;数据验证是一项至关重要的任务&#xff0c;确保应用程序接收到的用户输入符合预期规范&#xff0c;不仅能够提高系统的健壮性&#xff0c;也能有效防止潜在的安全漏洞。Spring Framework通过其内置的Spring Validation模块&#xff0c;为我们提…
阅读更多...
机器学习系列——（十一）回归

机器学习系列——（十一）回归

引言 在机器学习领域&#xff0c;回归是一种常见的监督学习任务&#xff0c;它主要用于预测数值型目标变量。回归分析能够通过对输入特征与目标变量之间的关系建模&#xff0c;从而对未知数据做出预测。 概念 回归是机器学习中的一种监督学习方法&#xff0c;用于预测数值型目…
阅读更多...
yo！这里是Linux线程保姆级入门介绍

yo！这里是Linux线程保姆级入门介绍

目录 前言 Linux线程基础 线程概念 底层示意图 线程vs进程 Linux线程控制 创建线程 线程ID 线程终止 线程等待 线程分离 Linux线程互斥 背景概念 互斥量mutex 1.相关接口 2.实现原理 可重入vs线程安全 死锁 Linux线程同步 条件变量 生产者消费者模型 基于…
阅读更多...
MacOS 查AirPods 电量技巧：可实现低电量提醒、自动弹窗

MacOS 查AirPods 电量技巧：可实现低电量提醒、自动弹窗

要怎么透过macOS 来查询AirPods 电量呢&#xff1f;当AirPods 和Mac 配对后&#xff0c;有的朋友想通过Mac来查询AirPods有多少电量&#xff0c;这个里有几个技巧&#xff0c;下面我们来介绍一下。 透过Mac 查AirPods 电量技巧 技巧1. 利用状态列上音量功能查询 如要使用此功能…
阅读更多...
FastJson、Jackson使用AOP切面进行日志打印异常

FastJson、Jackson使用AOP切面进行日志打印异常

FastJson、Jackson使用AOP切面进行日志打印异常 一、概述 1、问题详情 使用FastJson、Jackson进行日志打印时分别包如下错误&#xff1a; 源码&#xff1a; //fastjon log.info("\nRequest Info :{} \n"&#xff0c; JSON.toJSONString(requestInfo)); //jackson …
阅读更多...
人力资源智能化管理项目（day04:组织架构）

人力资源智能化管理项目（day04:组织架构）

学习源码可以看我的个人前端学习笔记 (github.com):qdxzw/humanResourceIntelligentManagementProject 觉得有帮助的同学&#xff0c;可以点心心支持一下哈 树组件应用 <!-- 展示树形结构 --><!-- default-expand-all默认展开所有节点 --><el-tree default-ex…
阅读更多...
CTFshow web(命令执行 41-44）

CTFshow web(命令执行 41-44）

web41 <?php /* # -*- coding: utf-8 -*- # Author: 羽 # Date: 2020-09-05 20:31:22 # Last Modified by: h1xa # Last Modified time: 2020-09-05 22:40:07 # email: 1341963450qq.com # link: https://ctf.show */ if(isset($_POST[c])){ $c $_POST[c]; if(!p…
阅读更多...
Intellij Idea的数据库工具 DataGrip

Intellij Idea的数据库工具 DataGrip

DataGrip DataGrip&#xff1a; IDEA自带&#xff0c;非常好用。智能提示很强大&#xff0c;快捷键跟IDEA自身一致。 如果下载不了 DataGrip&#xff0c;也可以直接用 IDEA 自带的。 常用的快捷键 alt8&#xff1a; 打开数据库Service ctrlshiftF10&#xff1a;打开常用的数…
阅读更多...
【C++】类的6个默认成员函数

【C++】类的6个默认成员函数

目录 1. 类的6个默认成员函数 2. 构造函数 3. 析构函数 4. 拷贝构造函数 5. 运算符重载 5.1运算符重载 5.2赋值运算符重载 5.3前置和后置重载 5.4日期类的实现 6. const成员函数 7. 取地址及const取地址操作符重载 1. 类的6个默认成员函数 对于一个空类&#xff0c;编…
阅读更多...
JSDoc 真能取代 TypeScript?

JSDoc 真能取代 TypeScript?

这几个月&#xff0c;想必大家都听到过一个新闻&#xff1a; Svelte 弃用 TypeScript&#xff0c;改用 JSDoc 了。 TypeScript 我们知道&#xff0c;是用来给 JS 加上类型的&#xff0c;可以实现类型提示和编译时的类型检查。 那 JSDoc 能够完成一样的功能么&#xff1f;Svel…
阅读更多...
图像处理常用算法—6个算子 ！！

图像处理常用算法—6个算子 ！！

目录 前言 1、Sobel 算子 2、Isotropic Sobel 算子 3、Roberts 算子 4、Prewitt 算子 5、Laplacian算子 6、Canny算子 前言 同图像灰度不同&#xff0c;边界处一般会有明显的边缘&#xff0c;利用此特征可以分割图像。 需要说明的是&#xff1a;边缘和物体间的边界并不…
阅读更多...
Android应用图标微技巧，8.0系统中应用图标的适配

Android应用图标微技巧，8.0系统中应用图标的适配

大家好，2018年的第一篇文章到的稍微有点迟，也是因为在上一个Glide系列结束之后一直还没想到什么好的新题材。 现在已经进入了2018年，Android 8.0系统也逐渐开始普及起来了。三星今年推出的最新旗舰机Galaxy S9已经搭载了Android 8.0系统，紧接着小米、华为、OV等国产手机厂…
阅读更多...
一句话总结Docker与K8S的关系

一句话总结Docker与K8S的关系

一句话总结&#xff1a;Docker只是容器的一种&#xff0c;它面向的是单体&#xff0c;K8S可以管理多种容器&#xff0c;它面向的是集群&#xff0c;Docker可以作为一种容器方案被K8S管理。下文继续具体介绍。 1、容器的核心概念 介绍这几个核心概念&#xff1a;OCI、CR、Runc、…
阅读更多...
C语言指针运算

C语言指针运算

指针运算 指针加法意味着地址向上移动若干个目标指针减法意味着地址向下移动若干个目标示例&#xff1a; int a 100; int *p &a; // 指针 p 指向整型变量 aint *k1 p 2; // 向上移动 2 个目标&#xff08;2个int型数据&#xff09; int *k2 p - 3; // 向下移动 3 个…
阅读更多...
PWM输入输出

PWM输入输出

PWM&#xff08;Pulse Width Modulation&#xff09;即脉冲宽度调制&#xff0c;在具有惯性的系统中&#xff0c;可以通过对一系列脉冲的宽度进行制&#xff0c;来等效地获得所需要的模拟参量&#xff0c;常应用于电机控速、开关电源等领域。 PWM参数 PWM 中有三个重要参数&…
阅读更多...
寒假作业-day7

寒假作业-day7

1>现有文件test.c\test1.c\main.c , 请编写Makefile. 代码&#xff1a; CCgcc EXEstr OBJS$(patsubst %.c,%.o,$(wildcard *.c)) CFLAGS-c -oall:$(EXE)$(EXE):$(OBJS)$(CC) $^ -o $%.o:%.c$(CC) $(CFLAGS) $ $^head.o:head.hclean:rm $(OBJS) $(EXE) 2>C编程实现&…
阅读更多...
封装sku组件

封装sku组件

1. 准备模板渲染规格数据 使用Vite快速创建一个Vue项目&#xff0c;在项目中添加请求插件axios&#xff0c;然后新增一个SKU组件&#xff0c;在根组件中把它渲染出来&#xff0c;下面是规格内容的基础模板 <script setup> import { onMounted, ref } from vue import axi…
阅读更多...
NOVATEK显示技术系列之CEDSCHPI Training差异简介

NOVATEK显示技术系列之CEDSCHPI Training差异简介

CEDS的数据封包格式&#xff1a;首先CEDS数据封包包括三个部分&#xff1a; Training Pattern即Phase1Control Data 即 Phase2RGB Data 即Phase3 Power on Timing&#xff1a; 工作原理&#xff1a; Power ON时&#xff0c;TCON会发Training Pattern&#xff0c;当COF接受Tr…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023