遥感数字图像处理实验教程(韦玉春)--部分实验问题回答

个人的学习思考,仅供参考。

目录

实验三、图像合成和显示增强

一、目的

二、要求

三、实验

实验五、图像变换

一、目的

二、要求

三、实验

实验六、图像滤波

一、目的

二、要求

三、实验

实验七、图像分割

一、目的

二、要求

三、实验

实验八、图像分类

一、目的

二、要求

三、实验

实验九、变化监测

一、目的

二、要求

三、实验


实验三、图像合成和显示增强

一、目的

掌握图像合成和显示增强的基本方法,理解存储的图像数据与显示的图像数据之间的差异。

二、要求

能根据图像中的地物特征进行图像合成显示、拉伸、图像均衡化等显示增强操作。理解直方图的含义,能熟练地利用直方图进行多波段的图像显示拉伸增强。

三、实验

问题1:Scrn和Data值的含义是什么?为什么会有差异?什么情况下二者的值相同?

Scrn为屏幕显示颜色的RGB,Data是源数据图像的RGB;

Scrn的值是经过2%图像拉伸后的图像,所以会有差异;

当屏幕上图像不进行线性拉伸时两者的值相同。

问题2:哪种颜色方案能够突出水陆的差异?

下列4种方案能较好的突出水陆的差异:

RED TEMPERAURE

BLUE/GREEN/RED/YELLOW

GREEN/WHITE LINEAR

STERN SPECIAL

问题3:

1.哪种合成方法更好地突出了植被与水体的差异?

2.根据已知的知识判断显示图像的左上角的框内是什么地物?

1.(5.4.3)合成方法更好的突出了植被与水体的差异,植被呈现绿色,水体呈现蓝色或黑色。

2.左上角框内地物可能是:人造地物和水体,白色部分与人造地物类似,蓝色部分与水体颜色类似。

问题4:选择AA图像中合适的波段进行彩色合成,使得合成后的长江水体以黄色为主色;选择彩色合成的波段,使得紫金山的林地颜色为绿色。写明合成的原理和方案。

长江水体为黄色(3.2.5):将波段3(红光波段),波段2(绿光波段),波段5(短波红外波段)分别赋予R,G,B颜色。

在RGB色彩合成空间里,红光和绿光合成叠加后为黄色,真彩色图像中长江是黄褐色的,反射出来的是红光波段和绿光波段,吸收蓝光波段,如果想让长江是黄色的,应该令红绿波段赋值为R或G,所以(3.2.4)、(3.2.6)、(3.2.7)、(2.3.4)、(2.3.5)、(2.3.6)、(2.3.7)等组合方式均能使长江呈现黄色。

紫金山的林地为绿色(6.4.3):将波段6(热红外波段),波段4(近红外波段),波段3(红色波段)分别赋予R,G,B颜色。

在植被光谱图上,0.74~1.3mm 的近红外波段形成高反射平台,赋予近红外波段4为G即可让植被的颜色为绿色,所以(×,4,×)组合方式均可以将植被显示为绿色。

问题5:

1.为什么相同的拉伸方法,选择不同的窗口拉伸,其效果不同?

2.点击“[Scoll]Liner0-255”,图像发生看什么变化?

1.Scoll、Image、Zoom的图像大小范围不同,全景窗口Scoll拥有最多数量的灰度级,图像窗口Image次之,放大窗口Zoom最少,所以三个窗口对应的累计%2和累计%98的灰度级不同,拉伸的效果就不同。

ScollImageZoom

2.图像变得非常暗

问题6:为什么会有上述差异,从Data到Scrn,数据是怎样变化的?

ENVI默认图像打开时进行了2%的线性拉伸,从Data到Scrn,图像像素值经过了2%线性拉伸

问题7:各个窗口中图像的显示发生了哪些变化?图像中最突出的颜色是什么?

变亮了,每个窗口都有一种朦胧感

图像中最突出的颜色的是红色

问题8:

1.图像对比度较好时,输出图像的直方图是什么形状?

2.直方图是什么形状时,图像较暗?

长方形

直方图值集中在图像左侧,图像较暗

问题9:规定化与均衡化有什么区别?

规定化操作能够生成具有指定直方图的图像,有目的的增强某个灰度区间

均衡化操作是将原图像的直方图经变换在整个灰度区间内大致均匀分布

规定化多了一个输入,其变换后的结果也更灵活

实验五、图像变换

一、目的

掌握图像变换的基本操作方法,对比变换前后图像的差异,理解不同的变化方法之间的区别。

二、要求

能够根据图像的特征设定傅里叶变换的滤波器,消除图像中的条纹。

能够解释主成分变换后的图像,利用主成分变换消除图像中的噪声

能够利用KT变换结果进行图像合成、解释地物信息。

熟练利用波段运算产生不同的波段组合。

利用彩色变换进行图像的合成和融合。

能够解释变换后的图像,并根据工作目的选择合适的图像变换方法。

三、实验

问题1:ENVI基于IDL开发,在主成分计算中遵循了IDL规则吗?

遵循

问题2:针对当前的波段次序,计算的K-T结果是正确的吗?

不正确,K-T变换时要求各波段分辨率相同,B6波段为热红外波段,分辨率为60m,其他波段分辨率为30m。

问题3:

1.如果直接使用图像AA进行计算,得到的结果正确吗?

2.图像颜色与地物类型之间的关系是什么?

3.与真彩色合成相比,哪些地物的信息得到了显示增强?

1.不正确,B6波段为热红外波段,分辨率为60m,其他波段分辨率为30m。

AA计算结果AA_sub计算结果

2.水体呈现蓝色,建筑呈现橙色,植被呈现绿色

3.湖泊和植被得到了显示增强

真彩色合成AA_sub计算结果

问题4:哪个表达式的计算结果与ENVI菜单NDVI的结果相同?为什么?

(float(b4)-float(b3))/(float(b4)+float(b3))的计算结果和ENVI菜单的NDVI结果相同

ENVI功能计算NDVIfloat(b4-b3)/float(b4+b3)计算NDVI
(float(b4)-float(b3))/(float(b4)+float(b3))计算NDVI

问题5:散点图的分布有什么规律?

散点图呈线性分布,呈现正相关

问题6:与最近邻重采样相比,其他重采样方法最大的差异出现在什么位置,这些位置的地物的空间特征是什么?

最大差异在图像边缘,最近邻重采样图像边缘较为模糊。

问题7:不同RGB的颜色与HSV有什么关系?绿色对应的H和V的数值范围是多少?

RGB是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的。

HSV是根据颜色的直观特性创建的一种颜色空间,也称六角锥体模型。这个模型中颜色的参数分别是:色调(H:hue),饱和度(S:saturation),亮度(V:value)。

绿色对应的H:35-77;绿色对应的V:43-255

问题8:

1.如果提取蓝色的天空,应该如何处理?

2.如何基于H图像显示对应的颜色?

1.蓝色对应的H:100~124,将绿色地物的波段范围改为蓝色天空的波段范围即可

2.HSV颜色空间的模型对应于圆柱坐标系中的一个圆锥形子集,圆锥的顶面对应于V=1.它包含RGB模型中的R=1,G=1,B=1三个面,所代表的颜色较亮。色调H由绕V轴的旋转角给定。红色对应角度0°,绿色对应角度120°,蓝色对应角度240°。在HSV颜色模型中,每一种颜色和它的补色相差180°

问题9:#3窗口图像怎么会产生这样的结果?

HSV需要输入图像的数据是有值域范围的,HSV的值域分别为0°-360°,0%-100%,0%-100%。全色波段的像素存储深度为为0~255,不符合HSV的区间范围。

问题10:

1.如果要在融合后突出植被信息,压抑水体信息,需要进行哪些增强处理?

2.使用缨帽变换变换的前三个分量作为输入,通过彩色变换后的数据融合,会增强哪些信息?

3.使用主成分变换的前三个成分作为输入,通过彩色变换后的数据融合,会增强哪些信息?

1.先计算NDVI提取出植被的特征。

2.使用缨帽变换的前三个分量增强了植被、土壤等地面景物信息。

3.使用主成分变换的前三个分量输入增强了植被和水体信息。

实验六、图像滤波

一、目的

熟悉图像滤波特别是平滑和锐化的基本方法,理解典型的卷积核的作用。

二、要求

能根据图像中的地物特征,有针对性地进行平滑和锐化操作。

能够正确的选择卷积核进行计算。

三、实验

问题1:低通、中值、高斯低通三种平滑方法中,哪种平滑处理的效果最明显?

高斯低通的平滑处理最明显

原图像低通滤波
中值滤波高斯低通滤波

问题2:对于高斯噪声,哪种平滑方法处理的效果最好?

中值滤波平滑处理的效最好

原图像低通滤波
中值滤波高斯低通滤波

问题3:

1.随着卷积核大小的增加,低通和高斯低通处理效果改善了吗?

2.相同核大小的情况下,三种方法两种噪声,什么方法适合于处理什么噪声?

3.改变核大小,哪种平滑处理效果变化最大?

4.ENVI软件中,为什么椒盐噪声经过中值滤波后图像的边缘仍然有残余值?

1.效果改善了

2.中值滤波适合处理椒盐噪声,高斯低通滤波适合处理高斯噪声

3.处理高斯噪声,中值滤波处理效果变化最大;处理椒盐噪声,高斯低通滤波处理效果变化最大

4.中值滤波处理时在最前面和最后面加一列,把这两列边缘设设成零,然后再取中值,可能取得的还是之前那个像素值,没有变化。

高斯噪声卷积核为9

原图像低通滤波
中值滤波高斯低通滤波

高斯噪声卷积核为19

原图像低通滤波
中值滤波高斯低通滤波

椒盐噪声卷积核为3

原图像低通滤波
中值滤波高斯低通滤波

椒盐噪声卷积核为9

原图像低通滤波
中值滤波高斯低通滤波

椒盐噪声卷积核为19

原图像低通滤波
中值滤波高斯低通滤波

问题4:彩色图像平滑和单色图像平滑的差异是什么?

彩色图像平滑为每个单波段图像平滑后叠加的效果

R中值滤波后R
G中值滤波后G
B中值滤波后B
彩色原图像中值滤波后的彩色图像

问题5:为了锐化水平,垂直,倾斜线条,应该分别选择哪些梯度算子?

水平:Sobel的h1算子,垂直:Sobel的h2算子,倾斜线条:罗伯特算子

罗伯特梯度

原图像罗伯特梯度h1算子
罗伯特梯度h2算子

Sobel梯度

原图像Sobel梯度h1算子
Sobel梯度h2算子

问题6:按照如下流程进行处理,结果会有什么差异?

原始图像→原始图像的拉普拉斯梯度→梯度图像的高斯低通滤波→原始图像+低通滤波结果。

对于有噪声的图像来说,应该先进行平滑滤波,然后才进行锐化,如果先进行锐化,会放大噪声。

(1)Sobel处理+原始图像(2)拉普拉斯处理+原始图像
(3)(高斯低通处理→拉普拉斯处理)+原始图像(4)(拉普拉斯处理→高斯低通处理)+原始图像
(3)-(2)(4)-(2)

实验七、图像分割

一、目的

(1)利用图像直方图进行图像分割,对分割结果进行数学形态学处理,区域标识和矢量化的方法和流程

(2)利用光谱剖面确定分割阈值的方法

(3)利用色彩信息建立分割准则的方法

二、要求

(1)能够根据图像的特征,综合使用不同的方法分割出地物对象。

(2)熟练掌握图像直方图在图像分割中的应用。

(3)掌握彩色图像分割的基本方法。

(4)掌握利用波段运算进行图像分割的工作流程。

(5)熟悉数学形态学基本方法的应用。

三、实验

问题1:为什么去除天空后,地表的显示得到了增强?

因为天空的像素值比较高,去除天空后,图像的波段范围变短,进行相同拉伸显示的时候,原来像素较低的得到的拉伸程度更大,所以较为黑暗的地表显示得到了增强。

原始图像去除天空后的图像

问题2:如果将兰花中间的白色也一同提取出来,需要增加什么操作?

使用(b1 gt b2)*(b1 gt b3)*b1增加对白色区域像素值的提取,先在直方图中确定中间白色区域的大致范围,然后用把波段运算将其提取出来。

原图提取白色花蕊

问题3:

1.直方图有什么特征?

2.任意对RGB波段进行拉伸,显示发生了什么变化?

3.按照如下设置进行图像拉伸,R:154-184,G:8-100,B:0-160,显示发生了什么变化?

4.如何去除图像中的噪声?

1.RGB三通道的直方图中,处在高像素值区域的像素较多,也就说,图像中亮度较高的区域比较多。

2.图像颜色深度发生了变化

3.像素值较低的区域颜色偏蓝色

4.

①使用float(b1)/float(b2)对通道R和G进行运算,产生图像m1;

②对于m1图像,使用b1 gt 0.98进行运算,产生图像m2;

③使用原始图像的r g b 作为b1,使用m2作为b2,进行运算b1*b2,产生新的图像m3,按照r g b顺序合成显示。

④运算(1-b1)*255,其中,b1为m2,结果图像为m4。

⑤运算b1+b2,其中,b1为m3中的R通道;b2为m4,结果图像为m5。

⑥进行RGB合成:(m5,m3_G,m3_B)。

原始图像拉伸后的图像

问题4:合成后图像的颜色发生了什么变化?上述操作的目的是什么?

图像的背景颜色发生了变化。去除背景,提取主要信息。

原始图像m3(r,g,b)
(m5,m3_G,m3_B)

问题5:上述操作中,阈值200,100确定的依据是什么?

图像主要信息是字体,字体是黑色的,所以三个波段的有效信息的亮度值都应该在亮度值较低的区域,所以亮度值较高的区域都是噪声,在直方图中,可以看出,亮度值较高的区域都是噪音。

原始图像去噪提取的结果

问题6:水体和非水体之间在哪个波段差异最大?

在Spatial Profile窗口中,将三个波段分别赋予不同的颜色,band4赋予红色,band3赋予绿色,band2赋予黄色,可知水体和非水体在波段4差异最大。

原始图像空间剖面

问题7:

1.直方图有什么特点?

2.能否利用直方图直接分割?

1.每隔一段亮度值,都会出现一段较陡峰值变化,总体呈现正态分布,最小值,最大值较为突出,图像对比度差。

2.不能

问题8:直方图的变化对我们有什么启示?

图像滤波能降低图像信噪比

原图像
3×3高斯低通,3×3拉普拉斯
5×5高斯低通,3×3拉普拉斯
7×7高斯低通,5×5拉普拉斯
7×7高斯低通,3×3拉普拉斯

问题9:

1.腐蚀和膨胀会影响图像的对比度吗?

2.使用b1 le 35进行图像分割,得到什么结果?

1.会影响

2.提取出原图像亮度值较低的地物

原图像b1 le 35

问题10:为了得到如图的效果,需要进行什么处理?

进行两轮次:腐蚀→膨胀→开运算→闭运算

问题11:

1.原始图像-腐蚀后的图像,可以达到什么处理效果?

2.增加模板大小为5×5,然后重复上面的操作,窗口为#4,腐蚀的结果有什么差异?增加模板的大小有什么效果?

1.可以达到锐化的效果

2.腐蚀的结果更模糊;腐蚀效果更强,图像更模糊。

原图像腐蚀后的图像
原始图像-腐蚀后的图像增加模板为5×5腐蚀后的图像

问题12:如果试图去除眼睛的亮点而保持其他不变,可能的操作流程是什么?涉及哪些操作?

将原始图像先膨胀,图像为b1,然后腐蚀,图像为b2,然后膨胀减去腐蚀(b1-b2),然后观察直方图,用(b1 gt 200)*(b2 gt 200)(b3 gt 200)提取通道,然后1-b1,最后用b1*(b2 ge 1)得到结果。

实验八、图像分类

一、目的

理解遥感图像非监督分类和监督分类的典型算法的差异,掌握监督分类的工作流程。

二、要求

(1)能够根据合成的图像勾绘典型地物类。

(2)理解特征选择对分类结果的影响。

(3)能够分析典型地物类之间的光谱差异。

(4)能够进行监督和非监督分类操作。

(5)能够根据遥感信息提取或分类要求建立决策树。

(6)能够进行分类图像的后处理。

三、实验

问题1:

1.数据操作默认使用了哪些图像特征?

2.图像明显地分为几类?使用什么办法确定类别的个数?

3.分类结果正确吗?哪些地物的分类不正确?在什么区域?

1.使用了颜色特征,纹理特征,形状特征,空间相关特征

2.明显的分为7类,在密度分割选项中默认是7种

3.不正确,在紫金山区域,存在多处植被分类为水体

原始图像IsoData分类结果
密度分割结果

问题2:

1.使用新的图像特征进行分类,哪些地物的分类结果得到了改进?

2.为什么使用新的图像特征能够改进分类结果?

1.紫金山处的植被分类得到了改进

2.新的波段对植物更为敏感

原始图像4,5,7波段

问题3:

1.均值差异最大,标准差最小的特征有哪些?

2.标准差大,均值差异小的特征有哪些?

3.怎么获得各个类别的可分性信息?

1.均值差异最大的是江水,标准差最小的是湖水

2.标准差大的有河水、道路和城镇,均值差异小的有道路,耕地

3.标准差大的则代表存在部分其他类的地物干扰本地物,所以标注差越大的存在的可分性地物越多

问题4:一次性地处理江水、河水、湖水,使用3×3模板,结果与上面有什么区别?

一次性处理江水、河水、湖水的分类效果更差

原图像5×5处理江水
3×3处理河水3×3处理湖水

一次性地使用3×3窗口处理江水、河水、湖水

原图像3×3窗口处理江水、河水、湖水

问题5:分类后的属性字段是什么?图像分类图与真正的矢量图有什么区别?

属性字段Class_Name是地物类型,Class_ID是地物类型的代号;

图像分类图是栅格数据,只能通过颜色辨别不同类型的地物;矢量图可以根据类型选择相关地物,更能找到地物的空间分布特征。

实验九、变化监测

一、目的

理解遥感图像变化检测中的关键问题,掌握变换检测的工作流程和主要的图像处理方法。

二、要求

(1)利用图像分类结果进行变化监测。

(2)进行变化检测结果统计和精度评估。

(3)理解不同变化检测方法的优缺点。

(4)能够综合利用图像处理方法对高空间分辨率图像进行变化检测操作。

(5)能够根据变化检测误差进行方法的修正或改进。

(6)进行变化检测制图。

三、实验

问题1:

1.对比上述两个结果,哪个更为准确?

2.如何使得ENVI方法1的结果逼近密度分割的结果?

3.哪种方法更为灵活?

4.如何有效地确定变化的阈值?

1.密度分割波段运算的结果更为准确。

2.在ENVI方法1设置【Change Detection】中的阈值与密度分割的阈值一致。

3.密度分割方法更灵活,可以根据实际情况和目的自定义阈值。

4.选择Otsu全局分割,将背景和目标分成两类,分别计算类间方差和类内方差,最后选定一个阈值与之相似的值。

问题2:

1.如何融合不同特征指数的检测结果为最后的变化检测结果?

2.阈值化如何影响变化检测的结果?

3.这些阈值化方法的基本计算过程是什么?

4.选用的图像特征对变化检测结果有什么影响?

1.用波段运算进行

2.阈值设定的不同,导致结果的范围不同

3.

①Otsu阈值方法也称为大津法或最大类间方差法,算法的基本原理是假设检测图像由前景和背景部分组成,通过统计学方法计算选取出阈值,使得这个阈值可以将前景和背景最大程度的区分开;

②Tsai算法主要用于求解手眼标定中的 AX=XB 问题,它属于二阶段法,先求解旋转 R 后求平移 t;

③Kapur算法利用一个给定的初始阈值,采用迭代的步骤分别计算多级阈值;

④Kittler算法是计算整幅图像的梯度灰度的平均值,以此平均值作为阈值。

4.变化检测的结果对图像特征相关的区域更敏感。

问题3:

1.上述操作的基本思路是什么?如何进一步完善?

2.对比差异图像图9.9和图9.10的显示,区别是什么?

1.基本思路:利用两期的分类结果计算差异图像并统计变化情况,用密度分割增强图像差异性显示,对不同时期分类后图像逐个像素进行分析比较,检测图像变化类型信息。

完善:面向对象的遥感分析方法,处理的对象是经图像分割后产生的图斑,分类与变化检测时不仅考虑光谱信息,还考虑了对象的纹理、几何等信息,大大提高了高分辨率影像变化检测的精度。

2.显示的图像能够表达图像类别变化之间的承接关系。

问题4:

1.对比上述5个处理结果,其间的差异是什么?对各个类别的变化有哪些影响?哪个方法的结果更合理一些?

2.如果更多地关注植被-水体的变化,在多数分析中,应该怎么选择待处理的类?

1.差异体现在结果中小图斑的数量和图斑镶嵌情况不同,存在不同的差异判断结果,多数分析用类似于卷积滤波的方法将较大类别中的虚假像元归到该类中、聚类处理运用数学形态学算子(腐蚀和膨胀)将临近的类似分类区域聚类并进行合并、中值滤波使用斑点分组方法来消除这些被隔离的分类像元;

各个类别产生的很多范围比较小的孤立的变化被归为背景类别中,图像更加平滑;

多数分析和中值滤波法结果更合理一些。

2.根据差异的颜色编码设计中植被-水体的颜色显示所对应的编码,在多数分析中选择该类进行分析。

问题5:

1.空间上哪部分差异最大?差异值是多少?最小的差异值可能是多少?

2.对于5个基本的图像特征,哪个特征反映的差异最大?

1.差异最大的地方是建筑物,差异最小的地方是裸地、植被

2.建筑物和裸地反应的差异最多

问题6:

1.分割的阈值0.25和0.2是怎样确定的?

2.为什么对分割结果进行5×5的中值滤波?

1.根据图像直方图可以确定

2.去除噪声,孤立像元引起的误差,平滑图像。

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/8120.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

linux判断端口是否占用(好用)

netstat 一般的话使用 netstat -tunlp | grep xxx参数作用-t指明显示TCP端口-u指明显示UDP端口-l仅显示监听套接字(所谓套接字就是使应用程序能够读写与收发通讯协议(protocol)与资料的程序)-p显示进程标识符和程序名称,每一个套接字/端口都属于一个程序。-n不进行…

爬虫002_python程序的终端运行_文件运行_ipython的使用---python工作笔记020

用python运行一个文件,就是要写一个.py结尾的文件 然后保存 然后直接cmd中,python 然后写上py文件的路径就可以了 然后看一下内容 看一下终端中运行,直接输入python进入python环境,然后写python代码 回车运行 退出可以用exit()

设计模式——单例模式

1 概述 单例模式就是保证一个类只有一个对象实例。 为了保证无法创建多余的对象实例,单例类中需要自己创建对象实例,并把自己的构造方法私有化以防止其他地方调用创建对象,且需要提供一个公共的方法给其他类来获取该单例类的实例。 同时单例…

Linux笔记——rpm与yum下载软件命令介绍

系列文章目录 Linux笔记——进程管理Linux笔记——进程管理与网络监控技术讲解Linux笔记——进程管理 Linux笔记——管道相关命令以及shell编程 Linux笔记——磁盘进行分区与挂载介绍 文章目录 系列文章目录 前言 一 RPM介绍 1.1 RPM简单介绍 1.2 RPM命令语法 1.2.1 …

数学建模学习(2):数学建模各类常用的算法全解析

一、评价类算法 常见的评价算法 1.层次分析法 基本思想 是定性与定量相结合的多准则决策、评价方法。将决策的有关元素分解成 目标层、准则层和方案层 ,并通过人们的 判断对决策方案的 优劣进行排序 ,在此基础上进行定性和定量分析。它把人的思维过程…

Python怎么实现模式匹配

什么是模式匹配 模式匹配是一种用于在数据中寻找特定模式或结构的技术。它可以用于识别、查找和提取符合特定模式要求的数据。 在计算机科学中,模式匹配通常用于字符串处理和数据分析领域。一些常见的模式匹配模式包括: 1. 字符串匹配:在一…

23 自定义控件

案例:组合Spin Box和Horizontal Slider实现联动 新建Qt设计师界面: 选择Widget: 选择类名(生成.h、.cpp、.ui文件) 在smallWidget.ui中使用Spin Box和Horizontal Slider控件 可以自定义数字区间: 在主窗口w…

Docker 单机/集群 部署 Nacos2.2.0

单机部署 1- 拉取镜像 docker pull nacos/nacos-server:v2.2.02- 准备挂载的配置文件目录和日志目录 日志目录(空目录):./nacos/logs配置文件:./nacos/conf/application.properties 从官网下载 nacos 压缩包:Release 2.2.0 (Dec 14, 2022…

18.背景轮播

背景轮播 html部分 <div class"container"><div class"slide active" style"background-image: url(./static/20180529205331_yhGyf.jpeg);"></div><div class"slide " style"background-image: url(./s…

【数据挖掘】使用 LSTM 进行时间和序列预测

一、说明 每天&#xff0c;人类在执行诸如过马路之类的任务时都会做出被动预测&#xff0c;他们估计汽车的速度和与汽车的距离&#xff0c;或者通过猜测球的速度并相应地定位手来接球。这些技能是通过经验和实践获得的。然而&#xff0c;由于涉及众多变量&#xff0c;预测天气或…

SpringCloudAlibaba微服务实战系列(二)Nacos配置中心

SpringCloudAlibaba Nacos配置中心 在java代码中或者在配置文件中写配置&#xff0c;是最不雅的&#xff0c;意味着每次修改配置都需要重新打包或者替换class文件。若放在远程的配置文件中&#xff0c;每次修改了配置后只需要重启一次服务即可。话不多说&#xff0c;直接干货拉…

NoSQL之 Redis配置与优化

文章目录 一.关系数据库与非关系型数据库1.关系型数据库2.非关系型数据库3.关系型数据库和非关系型数据库区别4.非关系型数据库产生背景 二.Redis简介1.了解Redis2.Redis 具有以下几个优点3.Redis为何这么快 三.Redis 安装及应用1.Redis 安装部署2.Redis 命令工具2.1 redis-cli…

会点C++还需要再学Python吗?

提到的C、数据结构与算法、操作系统、计算机网络和数据库技术等确实是计算机科学中非常重要的基础知识领域&#xff0c;对于软件开发和计算机工程师来说&#xff0c;它们是必备的核心知识。掌握这些知识对于开发高性能、可靠和安全的应用程序非常重要。Python作为一种脚本语言&…

运动蓝牙耳机什么牌子的好用、最好用的运动蓝牙耳机推荐

音乐是运动的灵魂&#xff0c;而一款优秀的运动耳机则是让音乐与我们的身体完美融合的关键。今天&#xff0c;我推荐五款备受运动爱好者喜爱的耳机&#xff0c;它们以卓越的音质、舒适的佩戴和出色的稳定性能脱颖而出&#xff0c;助你在运动中创造最佳状态。 1、NANK南卡Runne…

安全第一天

1. 编码 1.1 ASCLL编码 ASCII 是基于拉丁字母的一套电脑编码系统&#xff0c;主要用于显示现代英语和其他西欧语言。它是最通用的信息交换标准&#xff0c;并等同于国际标准ISO/IEC 646。 1.2 URL编码 URL&#xff1a;&#xff08;统一资源定位器、定位地址&#xff0c;俗称网页…

k8s常见的资源对象使用

目录 一、kubernetes内置资源对象 1.1、kubernetes内置资源对象介绍 1.2、kubernetes资源对象操作命令 二、job与cronjob计划任务 2.1、job计划任务 2.2、cronjob计划任务 三、RC/RS副本控制器 3.1、RC副本控制器 3.2、RS副本控制器 3.3、RS更新pod 四、Deployment副…

概率论的学习和整理21:用EXCEL来做假设检验(未完成草稿)

目录 1 EXCEL可以用来做假设检验 1.1 如何打开 数据分析 和 规划求解 1.2 EXCEL里关于正态分布的准备知识 2 基本的假设检验 2.1 最基本的假设检验&#xff0c;单边的Z检验 2.1 双样本F检验 2.1.1 例题 2.1.2 进行F检验之前需要满足一些假设条件 2.1.3 计算步骤 2.1…

MySQL 数据抽稀 每分钟取一条

假如原始数据为每5秒一个数据&#xff0c;现在想展示为每4分钟一条数据&#xff0c;先按照分钟数把除以4余数为0的行选出来&#xff0c;在按照 年月日 时分&#xff0c;做组内排序&#xff08;窗函数ROW_NUMBER&#xff09;&#xff0c;最后再拿出序号为1的行。 WITH data_01 …

网工实操基础学习23.07.05

1.交换机&#xff0c;路由器 交换机的作用是链接同一个网络下的所有设备&#xff0c;如果有无线设备加入&#xff0c;需要添加AP&#xff08;无线接入点&#xff09;设备在交换机层次上 路由器的作用是将不同网络下的设备链接 2.IP地址 划分网段&#xff1a;网络位、网段、…

大模型开发(十二):Function calling 流程优化并实现多轮对话任务

全文共1w余字&#xff0c;预计阅读时间约25~40分钟 | 满满干货(附代码案例)&#xff0c;建议收藏&#xff01; 本文目标&#xff1a;围绕Chat模型的Function calling功能进行更高层次的函数封装&#xff0c;并实现一个能够调用外部函数的多轮对话任务 写在前面&#xff1a;本文…