机器视觉HALCON:3.图像获取,运算,率噪,滤波(边缘),锐化

目录

  • 图像获取
  • 生成单通道图像
  • 图像运算
    • 加法运算
    • 减法运算
    • 乘法运算
    • 除法
  • 仿射变换
  • 图像平滑(噪点处理)
    • 高斯滤波
    • 均值滤波
    • 中值滤波
    • 多图像均值
  • 边缘滤波
    • 索贝尔滤波
    • 凯尼滤波
  • 图像锐化
    • 索贝尔锐化
    • 拉普拉斯锐化
    • 高通滤波锐化
    • 几种锐化方式对比

图像获取

用到的函数:
1.读取目录
list_files( Directory, Options : Files)
Directory必须为一个目录
Files时读取到文件的变量
读出来就是目录数组:
在这里插入图片描述

2.筛选文件数组
tuple_regexp_select( Data, Expression : Selection)
Data为筛选的文件组
Expression为正则表达式
Selection为输出
3.读取图像
read_image( : Image : FileName : )
Image为读取后图像输出
FileName为图像文件名(就是文件的路径)
例子:
在这里插入图片描述
注意:如果read_image时报格式错误,就是读取的图片后缀格式和实际的格式不符合
也可以手动读取:
在这里插入图片描述
(拖拽也行)
也可以用图像采集助手:
在这里插入图片描述

生成单通道图像

*生成一张无灰度的图片,即纯黑图片
gen_image_const(Image, ‘byte’, 15, 15)
第一个参数:Image是生成的图像
第二个参数:Type是图像生成的类型,见下
第三个参数:Width宽
第四个参数:Height高
Type:

The operator gen_image_const creates an image of the indicated size. The width and height of the image are determined by Width and Height. HALCON supports the following image types:'byte'
1 byte per pixel, unsignedValue range: (0..255)'int1'
1 byte per pixel, signedValue range: (-128..127)'uint2'
2 bytes per pixel, unsignedValue range: (0..65535)'int2'
2 bytes per pixel, signedValue range: (-32768..32767)'int4'
4 bytes per pixel, signedValue range: (-2147483648..2147483647)'int8'
8 bytes per pixel, signed (only available on 64 bit systems)Value range: (-9223372036854775808..9223372036854775807)'real'
4 bytes per pixel, floating pointValue range: (-3.4e38..3.4e38)Precision: 6 significant decimal digits'complex'
Two matrices of type 'real''vector_field_relative'
Two matrices of type 'real'Interpretation: Vectors'vector_field_absolute'
Two matrices of type 'real'Interpretation: Absolute coordinates'direction'
1 byte per pixel, unsignedValue range: (0..179)Interpretation: Angle divided by twoAttention: The values 180..254 are automatically set to the value 255, which is interpreted as undefined angle.'cyclic'
1 byte per pixel, unsigned, cyclic arithmeticsValue range: (0..255)With the operator set_system('init_new_image',<'true'/'false'>), it can be controlled whether the created image is initialized with 0 or not.

*生成一张灰度渐变图片
gen_image_gray_ramp(ImageGrayRamp, 20, 1, 128, 7, 7, 15, 15)
根据下面的公式创建一个渐变的图像:
ImageGrayRamp(r,c)=Alpha×(r-row)+Beta×(c-col)+平均值2
第一个参数:ImageGrayRamp是生成的图像
第二个参数:Alpha是Alpha的值,控制图像过度平滑度(分布),越小越平滑,灰度值也就越少.
第三个参数:Beta是Beta值,控制图像的倾斜
第四个参数:Mean是平均灰度值
第五个参数:Row是row值
第六个参数:Column是Column值
第七个参数:Width宽
第八个参数:Height高

*生成一张有灰度的图像(单通道)
gen_image_proto(ImageGrayRamp, ImageCleared, 128)
第一个参数:Image是输出图像的尺寸和这个图像相同
第二个参数:ImageCleared是生成的图像
第三个参数:Grayval是图像的常量灰度值

*设置图像某点灰度值,ramp的意思是灰度渐变图像(还是单通道)
set_grayval(ImageGrayRamp, 7, 7, 255)
第一个参数:Image是输入需要设置的图像
第二个参数:Row是需要改变灰度的y坐标
第三个参数:Column是需要改变灰度的x坐标
第四个参数:Grayval是修改后的灰度值
请添加图片描述

图像运算

注意:运算一般需要图像的大小通道数一致

加法运算

对于单通道:图像的加法运算是将两幅图片的灰度值进行相加:g’ := (g1 + g2) * Mult + Add
add_image (ImageA, ImageB, ImageAdd, Mult , Add)
第1个参数:ImageA是加数
第2个参数:ImageB是加数
第3个参数:ImageAdd结果图像
第4个参数:Mult是Mult值
第5个参数:Add是Add值

例子:

list_files('C:/Users/24774/Desktop/新建文件夹/',['files'],ImageFiles)
tuple_regexp_select(ImageFiles,['\\.(jpg|png|jpeg)$', 'ignore_case'],ImageFiles)
*\\转义字符,(|)选择,ignore_case忽略大小写
*生成单通道纯黑图像
gen_image_const (ImageAdd, 'byte', 1000, 600)
*生成三个指定灰度的单通道图像,大小和ImageAdd相同
gen_image_proto(ImageAdd, ImageA, 0)
gen_image_proto(ImageAdd, ImageB, 0)
gen_image_proto(ImageAdd, ImageC, 0)
*合并通道,生成三通道彩色图片,RGB
compose3(ImageA, ImageB, ImageC, ImageAdd)for Index:=0 to |ImageFiles| - 1 by 1read_image(Image,ImageFiles[Index])*裁剪图像保证图像大小一致crop_part (Image, ImagePart, 0, 0, 1000, 600)*0.5对应值越大越清除但是重叠图像越亮,10对应值越大重叠的部分越和谐,但是越模糊add_image (ImageAdd, ImagePart, ImageAdd, 0.3, 100)
endfor

减法运算

可以用于找两张图片的不同
对于单通道:图像的减法运算是将两幅图片的灰度值进行相减:g’ := (g1 - g2) * Mult + Add
sub_image(ImageMinuend, ImageSubtrahend, ImageSub, Mult, Add)
第1个参数:ImageMinuend是被减数图像
第2个参数:ImageSubtrahend是减数图像
第3个参数:ImageSub结果图像
第4个参数:Mult是Mult值
第5个参数:Add是Add值

乘法运算

单通道图像中,乘法会把灰度值相乘
例子:

read_image (ImageA, 'C:/Users/24774/Desktop/新建文件夹/1716282654639.jpg')
rgb1_to_gray(ImageA,GrayImage)
gen_image_proto(ImageA, ImageB, 0)*生成一个矩形区域
gen_rectangle1(Rectangle, 112, 412, 312, 832)
*区域绘制到图像上'fill'为整个,'margin'为边缘,paint_region只接受单通道图像,多通道请拆分画完合并
paint_region (Rectangle, ImageB, ImageB, 255, 'fill')
*乘法,灰度值相乘g' := g1 * g2 * Mult + Add,1.0哟不然1/255=0,g1 * g2 * Mult超过255会全白
mult_image (ImageB, GrayImage, ImageMult, 1.0/255, 0)

除法

触发可以进行图像的亮度矫正。比如流水线上每天亮度不一样,对图像就有影响,我们可以通过触发减小这种影响,就叫亮度矫正
div_image(ImageConverted1, ImageConverted2, Result, 1, 0)
公式:g’ := g1 / g2 * Mult + Add
第一个参数:ImageConverted1为被除数
第二个参数:ImageConverted2为除数
第三个参数:Result为结果
第4个参数:Mult是Mult值
第5个参数:Add是Add值

仿射变换

先生成一个对角矩阵
对对角矩阵进行变换
通过对角矩阵对图像进行变换(矩阵相乘)

函数只说两个,其他的看例子很简单。

affine_trans_image(Image, ImageAffineTrans. HomMat2D, Interpolation, AdaptImageSize)
第一个参数:Image是被变换的图像
第二个参数:ImageAffineTrans是变换后的图像
第三个参数:HomMat2D是变换矩阵,就是按照这个矩阵变换
第四个参数:Interpolation是变换方法
nearest_neighbor
最近邻插值:灰度值由最近像素的灰度值确定(可能质量低,速度非常快)。
bilinear
双线性插值。灰度值是通过双线性插值从四个最近的像素确定的。如果仿射变换包含比例因子 < 1 的缩放,则不执行平滑,这可能会导致严重的锯齿效应(中等质量和运行时间)。
bicubic
双三次插值。灰度值是通过双三次插值从最近的像素确定的。如果仿射变换包含比例因子 < 1 的缩放,则不执行平滑,这可能会导致严重的锯齿效应(放大质量高,速度慢)。
constant
双线性插值。灰度值是通过双线性插值从四个最近的像素确定的。如果仿射变换包含比例因子 < 1 的缩放,则使用一种均值滤波器来防止混叠效应(中等质量和运行时间)。
weighted
双线性插值。灰度值是通过双线性插值从四个最近的像素确定的。如果仿射变换包含比例因子 < 1 的缩放,则使用一种高斯滤波器来防止混叠效应(高质量,慢)。
第五个参数:AdaptImageSize是对齐方式,false是左上角对齐,true是右下角对齐

*倾斜变换矩阵
hom_mat2d_slant( HomMat2D, Theta, Axis, Px, Py, HomMat2DSlant)
第一个参数:HomMat2D是待变换矩阵
第二个参数:Theta是倾斜度 0 ≤ Theta ≤ 6.28318530718
第三个参数:Axis是按什么坐标倾斜 ‘x’, ‘y’
第四个参数:Px变换的固定点(x 坐标)
第五个参数:Py变换的固定点(y 坐标)
第六个参数:HomMat2DSlant是变换后的矩阵

read_image (Image, 'C:/Users/24774/Desktop/新建文件夹/1716282654639.jpg')*生成对角矩阵
hom_mat2d_identity (HomMat2DIdentity)
*左上角xy平移300
hom_mat2d_translate (HomMat2DIdentity, 300, 300, HomMat2DTranslate)*平移仿射
affine_trans_image (Image, ImageAffineTrans, HomMat2DTranslate, 'constant', 'false')*比例变换矩阵,0,0点为基准放大两倍
hom_mat2d_scale (HomMat2DIdentity, 2, 2, 0, 0, HomMat2DScale)
*比例变换仿射
affine_trans_image (Image, ImageAffineTrans, HomMat2DScale, 'constant', 'false')*旋转矩阵
hom_mat2d_rotate (HomMat2DIdentity, 0.78, 300, 300, HomMat2DRotate)
*旋转仿射
affine_trans_image (Image, ImageAffineTrans, HomMat2DRotate, 'constant', 'false')*倾斜变换矩阵
hom_mat2d_slant (HomMat2DIdentity, 1, 'y', 2, 2, HomMat2DSlant)
*倾斜变换仿射
affine_trans_image (Image, ImageAffineTrans, HomMat2DSlant, 'constant', 'false')

图像平滑(噪点处理)

用于减少图像中的噪声和细节,从而使图像看起来更平滑和更柔和。其主要目的是去除图像中的高频成分(例如噪声和细小的纹理),同时保留低频成分(例如大的结构和边缘)。这在许多应用中非常有用,例如减少相机传感器产生的噪声、降低图像中的细节以便于进一步处理(如边缘检测)或增强图像的视觉效果。

1) 高斯噪声
即图像信号的噪声符合高斯分布,属于白噪音的一种。
在这里插入图片描述
根据噪声分布的不同还有泊松分布等
2)白噪声
白噪声是一种统计特性均匀的噪声,其频率成分在整个频谱范围内是均匀分布的。如果一幅图像受到白噪声的影响,每个像素的灰度值可能会被随机地增加或减少,具体变化量遵循某个概率分布(例如,高斯分布)。

与椒盐噪声的区别是分布均匀(颜色不是均匀的,可能按照某种分布),颜色不止极黑极白。
3)椒盐噪声
就像老电视的‘雪花’,椒盐噪声(salt-and-pepper noise)又称脉冲噪声,它随机改变一些像素值,在二值图像上表现为使一些像素点变白,一些像素点变黑。 是由图像传感器,传输信道,解码处理等产生的黑白相间的亮暗点噪声。(即只有黑白点)
在这里插入图片描述

高斯滤波

适用于消除高斯噪音。
在这里插入图片描述
gauss_filter(Image, ImageGauss, Size)
Size值有:
3 (0.600)
5 (1.075)
7 (1.550)
9 (2.025)
11 (2.550)

均值滤波

mean_image(Image, ImageMean,MaskWidth, MaskHeight)
第一个参数:Image是需要滤波的图像
第二个参数:ImageMean是输出图像
第三个参数:MaskWidth是掩膜宽度
第四个参数:MaskHeight是掩膜高度

中值滤波

median_image(Image, ImageMedian, MaskType, Radius, Margin)
第一个参数:Image是需要滤波的图像
第二个参数:ImageMedian是输出图像
第三个参数:MaskType是掩膜方式,有’circle’, ‘square’
第四个参数:Radius是掩膜半径 1 ≤ Radius ≤ 4095
第五个参数:Margin是边界处理方式,建议值:‘mirrored’, ‘cyclic’, ‘continued’, 0, 30, 60, 90, 120, 150, 180, 210, 240, 255

多图像均值

一般是将多张相同的灰度图像滤波
mean_n(Image, ImageMean)
第一个参数:Image是需要运算的多通道灰度图像
第二个参数:ImageMean为运算后的图像

Image需要使用append_channel将多个图像的通道全部添加到一个图像
比如MotionImage和Image灰度图像是单通道,append_channel(MotionImages, Image, MotionImage)运行后MotionImage为2通道灰度图像。

*多图像均值滤波
NumImage := 3
for Index := 0 to NumImage - 1 by 1p := 'C:/Users/24774/Desktop/新建文件夹/' + Index$ '02d'*格式化Index$ '02d'会变为前面没有字符串会编程Index00,Index01这种。有的话是前面字符串拼接上000102read_image (Image,'C:/Users/24774/Desktop/新建文件夹/' + Index$ '02d')crop_part (Image, ImagePart, 0, 0, 400, 400)if (Index == 0)copy_obj (ImagePart, MotionImage, 1, 1)else*多个图片加入对应通道,即合并图片append_channel (MotionImage, ImagePart, MotionImage)endif
endfor
*求通道平均
mean_n (MotionImage, ImageMean)

边缘滤波

即过滤边缘,突出边缘。
斜坡边缘比较常见
请添加图片描述

索贝尔滤波

索贝尔(Sobel)算子是一个离散微分算子, 即使用倒数表示边缘像素变化的趋势。
图像是一个二维矩阵,所以将到数分为了x,y两个方向。
SOBEL_AMP计算图像的一阶导数,并用作边缘检测器。该滤镜基于以下滤镜掩码(即x方向和y方向倒数矩阵):
在这里插入图片描述
再使用卷积:

sobel_amp(Image, EdgeAmplitude, FilterType, Size)
第一个参数是:Image是待边缘滤波图像
第二个参数是:EdgeAmplitude是输出图像
第三个参数是:FilterType是计算方式:
在这里插入图片描述

第四个参数是:Size是掩膜大小

凯尼滤波

(1)应用高斯滤波来平滑图像:降噪
(2)获取图像的梯度信息:在获取图像的强度信息的同时,使用的是索贝尔算子来获取图像的梯度,计算方式是sum_sqrt,把y方向的求导值a和x方向的求导值b的平方和开根号,并除以4。通过这个方式求取出梯度图像。
(3)应用非最大抑制技术来消除边误检:最大抑制技术和在索贝尔算子里面介绍的thin函数相同,即在沿边缘方向中如果中心值最大,则保留这个值,否则该中心点置为0;通过这个方法,生成边缘图像。
(4)应用双阈值的方法来决定可能的边界:经过非极大抑制后的图像中仍然有很多噪声点。凯尼算法中应用了一种双阈值的技术。即设定一个阈值上界和阈值下界,通常由人为指定,图像中的像素点如果大于阈值上界则认为必然是边界,称为强边界;小于阈值下界则认为必然不是边界;两者之间的则认为是候选项,称为弱边界,弱边界需进行进一步处理。双阈值方法是凯尼算子的核心思路。
(5)利用滞后技术来跟踪边界。
滞后技术指的是和强边界八连通相连的弱边界认为是边界,其他的弱边界则被舍弃。
通过这5个步骤就获得了凯尼滤波的边界。

凯尼算子在边缘提取时,不会丢失重要的边缘,也不容易把噪声提取成边缘。抗噪声能力强,而且可以比较好地检测到较弱的背景边缘。凯尼算法对于不同分辨率的图像,不需要调节参数,可以统一进行检测,鲁棒性比较好。一般情况下,提取到的边缘和实际的边缘偏差很小,而且偏差一致。但是对于要精准求取边界的场景来说,偏差还是存在的。
在HALCON中使用edges_image函数来实现凯尼滤波,这个函数的参数中
edges_image(Image, ImaAmp, ImaDir, Filter, Alpha, NMS, Low, High)
第一个参数是:Image是待边缘滤波图像
第二个参数是:ImaAmp是边缘滤波的结果图像
第三个参数是:ImaDir是方向滤波的结果图像
第四个参数是:Filter是滤波方式
第五个参数是:Alpha是Alpha值, 在凯尼滤波中,Alpha值影响高斯滤波器的标准差,Alpha值越大图像越平滑
第六个参数是:NMS是非最大抑制类型,非极大值抑制就是掩膜大小是3,那么3x3矩阵中如果中心是极大值则全部3x3全部设为极大值,否则为0。
第七个参数是:Low是凯尼滤波双阈值的低阈值
第八个参数是:High是凯尼滤波双阈值的高阈值
如图6-27所示是素贝尔滤波和凯尼滤波的边缘滤波对比图,图6-28所示是原始图像。可以看到,凯尼滤波边缘的均一性更好,边缘的波动更小,这得益于非最大值抑制的效果。索贝尔滤波是根据相邻灰度数值计算出主体边缘,凯尼滤波是通过非最大值抑制获得的边缘,在噪声上索贝尔滤波会把一些噪声捕获为边缘,而凯尼滤波得益于高斯滤波,有效抑制了噪声。在运行时间方面,凯尼滤波的运算时间会比较长,大概是索贝尔滤波的5倍以上。
请添加图片描述

图像锐化

即补偿边缘,提高边缘高频信息,但是噪声也属于高频信息,所以锐化也会放大图像噪声。图像清晰用于增加图像的边缘的过度梯度,使得图像边缘锐利,不再平滑。

索贝尔锐化

索贝尔锐化是通过索贝尔滤波获取图像边缘,以边缘为界限获取到图像的非主边缘,同时消除非主边缘,达到锐化效果。
没有特点的函数,需要手动操作,比较复杂,这里暂时不做阐述

拉普拉斯锐化

依赖图像的变换程度(二阶导数)
laplace(Image, ImageLaplace, ResultType, MaskSize, FilterMask)
第一个参数:Image是需要变换的图像
第二个参数:ImageLaplace是变换后的图像
第三个参数:ResultType是结果图像的类型
ResultType分为六种类型:
(1)第一种absolute代表输出图像是绝对值数值,使用的是高斯滤波进行平滑。
(2)第二种signed_clipped代表带符号的输出图像深度与输入图像深度相同,使用的是
高斯滤波进行平滑。
(3)第三种 signed 代表输出图像是带正负符号的,且输出图像类型的深度比输入图像
大,使用的是高斯滤波进行平滑。
(4)第四种absolute_binomial代表使用二项式滤波进行平滑,输出图像是绝对值数值(5)第五种signed_clipped_binomial代表输出图像是带正负符号的,且输出图像深度与输入图像深度相同,使用的是二项式滤波进行平滑。
(6)第六种signed_binomial代表输出图像是带正负符号的,且输出图像类型的深度比
输入图像大,使用的是二项式滤波进行平滑。
FilterMask的掩膜有三种形式:
(1)第一种n_4对应于四邻域的二阶微分;
第四个参数:MaskSize是掩膜的尺寸
第五个参数:FilterMask是掩膜的类型
拉普拉斯提供了矩阵,以计算每个像素处的二阶微分
在这里插入图片描述
laplace的结果是模糊边缘(非主边缘,因为),还需要用原图像减去模糊边缘才能得到锐化后的图像:

ImageLaplace:在这里插入图片描述
例如:

laplace (Image, ImageLaplace, 'absolute', 3, 'n_4')
sub_image (Image, ImageLaplace, ImageSub, 1, 0)

但是减法得考虑溢出,即相减时某个值大于255了,所以先将图像转化为int2再相减后转化回来

laplace (Image, ImageLaplace, 'absolute', 3, 'n_4')
convert_image_type(Image, ImageConverted, 'int2')
sub_image (ImageConverted, ImageLaplace, ImageSub, 1, 0)
convert_image_type(ImageConverted, ImageConvertedByte, 'byte')

高通滤波锐化

高通滤波让高频正常通过,而低于设置临界值的低频信号则被阻断、减弱。
highpass_image(Image, Highpass, Width, Height)高通滤波函数
Width,Height表示掩膜大小
获取到高频(主边缘),与原图像相加从而锐化(与拉普拉斯锐化不一样)
使用highpass_image需手动转化类型并相加。

halcon也直接提供了高通滤波函数emphasize(Image, ImageEmphasize, MaskWidth, MaskHeight, Factor)
Factor是用于控制图像边界对比度强度。越大对比度越强

几种锐化方式对比

对于不太锐利的边缘,复杂的边缘,索贝尔锐化的涂抹感比较强。高通滤波比较好。拉普拉斯一般。
请添加图片描述

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/842982.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

阿赵UE引擎C++编程学习笔记——时间日期相关

大家好&#xff0c;我是阿赵。   这次来看看UE引擎使用C来控制时间和日期相关的方法。 一、获取日期时间 时间的获取基本上都是用FDateTime 获取当前的&#xff1a; FDateTime::Now()显示日期时间举例&#xff1a; FDateTime dt FDateTime::Now(); UE_LOG(LogTemp, Displ…

【文末附gpt升级秘笈】苹果与OpenAI携手,ChatGPT将登陆iOS 18的深远影响

苹果与OpenAI携手&#xff0c;ChatGPT将登陆iOS 18的深远影响 一、引言 随着人工智能技术的飞速发展&#xff0c;自然语言处理&#xff08;NLP&#xff09;已成为当下最热门的研究领域之一。在这一领域&#xff0c;OpenAI的ChatGPT模型凭借其卓越的性能和广泛的应用前景&…

8个最佳实践,助你打造成功的短剧平台开发团队

当涉及到跨境电商平台开发&#xff0c;成功的团队至关重要。在这篇文章中&#xff0c;我将分享8个最佳实践&#xff0c;助你打造成功的短剧平台开发团队。无论是经验丰富的团队还是初创企业&#xff0c;这些实践都能为你的团队带来价值&#xff0c;提高开发效率&#xff0c;确保…

lua 计算第几周

需求 计算当前赛季的开始和结束日期&#xff0c;2024年1月1日周一是第1周的开始&#xff0c;每两周是一个赛季。 lua代码 没有处理时区问题 local const 24 * 60 * 60 --一整天的时间戳 local server_time 1716595200--todo:修改服务器时间 local date os.date("*t…

快速复制成功模式:解读SaaS裂变工具的核心价值

在数字化快速发展的今天&#xff0c;企业如何在竞争激烈的市场中迅速站稳脚跟&#xff0c;成为许多企业家和管理者关注的焦点。SaaS裂变工具作为一种创新的解决方案&#xff0c;以其独特的优势&#xff0c;帮助企业快速复制成功模式&#xff0c;实现业务的快速增长。 SaaS裂变工…

Mysql 单行转多行,把逗号分隔的字段拆分成多行

一、拆分前后的数据 二、执行SQL select substring_index(substring_index(a.gzlx,,,b.help_topic_id1),,,-1) gzlxname, a.gzlx,a.* from dt_task_zxgz_info a join mysql.help_topic b on b.help_topic_id < (length(a.gzlx) - length(replace(a.gzlx,,,))1) 三、解释说…

cobalt strike基础测试

下载链接4.3&#xff1a;https://pan.baidu.com/s/1E_0t30tFWRiE5aJ7F-ZDPg 链接4.0&#xff1a;https://pan.baidu.com/s/1SkMmDem3l6bePqIDgUz2mA 提取码&#xff1a;burp 一、简介&#xff1a; cobalt strike(简称CS)是一款团队作战渗透测试神器&#xff0c;分为客户端…

使用大模型LLM实现销售AI

想象一个场景&#xff0c;客户通过聊天窗口咨询一款产品。销售AI首先使用LLM解析客户的问题&#xff0c;然后通过智能代理查询数据库获取产品详细信息&#xff0c;并以自然而友好的方式回应客户。 在对话过程中&#xff0c;AI可以评估客户的兴趣&#xff0c;并主动提供促销信息…

905. 按奇偶排序数组 - 力扣

1. 题目 给你一个整数数组 nums&#xff0c;将 nums 中的的所有偶数元素移动到数组的前面&#xff0c;后跟所有奇数元素。 返回满足此条件的 任一数组 作为答案。 2. 示例 3. 分析 开辟一个数组res用来保存操作过后的元素。第一次遍历数组只插入偶数&#xff0c;第二次遍历数组…

查分小程序怎么用?

在教育信息化的浪潮中&#xff0c;一种新型的成绩管理工具成绩发布小程序&#xff0c;正逐渐成为教师的得力助手。简化了成绩发布流程&#xff0c;还提高了信息的安全性和便捷性。 查分小程序的使用方法非常直观。只需在威信中搜索并打开易查分小程序&#xff0c;教师按照提示注…

渠道品牌展示与营销合规性第三方监测内容(专业神秘顾客调研)

渠道品牌展示与营销合规性监测是指通过对销售渠道&#xff08;如零售店、经销商、线上平台等&#xff09;的品牌展示和营销活动进行监督和评估&#xff0c;以确保这些活动符合企业的品牌标准、营销策略和相关法规要求。这种监测帮助企业维护品牌形象、提升市场竞争力&#xff0…

代码随想录算法训练营第四十二天|62.不同路径、63. 不同路径 II

代码随想录算法训练营第四十二天 62.不同路径 题目链接&#xff1a;62.不同路径 确定dp数组以及下标的含义&#xff1a;到[i,j]点位有dp[i,j]条路径确定递推公式&#xff1a;每个点位都可以从它上面一个位置或者左边一个位置到达&#xff0c;所以路径数量等于上面位置的路径…

在JavaScript中如何移除数组中的特定项

在日常开发中,我们经常需要从数组中移除某个特定的元素。在JavaScript中,存在多种不同的方法来完成这一任务,本文将总结几种常见的处理方式,并介绍它们的优缺点。 常规情况 1. 使用 .splice() 方法按值移除数组元素 是否修改原数组: 是是否移除重复项: 是(使用循环), 否…

IP协议说明

文章目录 前言一、IP协议的简介二、IP数据报1.IP 数据报结构2.IP 数据报的分片解析3.IP 数据报的分片重装 三、IP 数据报的输出四、IP 数据报的输入 前言 IP 指网际互连协议&#xff0c; Internet Protocol 的缩写&#xff0c;是 TCP/IP 体系中的网络层协议。设计 IP 的目的是…

python改进婚礼礼金请帖

# 改进婚礼礼金程序 # 。用“w”模式&#xff0c;打开一个文件“婚礼礼金.txt” # 。写一个while ture # 。请输入”姓名&#xff0c;礼金“&#xff0c;例如”小明 1000“ # 。将数据存储入文件中&#xff0c;每行一个数据 # 。输入quit 退出循环 # 。退出循环重新读取文件&am…

Python面试宝典:Python中与FastApi相关的面试笔试题(1000加面试笔试题助你轻松捕获大厂Offer)

Python面试宝典:1000加python面试题助你轻松捕获大厂Offer【第二部分:Python高级特性:第十六章:Web开发:第三节:FastApi】 第十六章:Web开发第三节:FastApi特性快速入门路径操作装饰器请求数据和类型转换响应模型依赖注入异步支持安全性和认证面试题1面试题2面试题3面试…

(二刷)代码随想录第16天|104.二叉树的最大深度 559.n叉树的最大深度● 111.二叉树的最小深度● 222.完全二叉树的节点个数

104.二叉树的最大深度 104. 二叉树的最大深度 - 力扣&#xff08;LeetCode&#xff09; 代码随想录 (programmercarl.com) 后序遍历&#xff1a; class Solution {public int maxDepth(TreeNode root) {// 如果当前节点为空&#xff0c;深度为0if (root null) {return 0;}// …

SQL数据分析常用函数

SQL 中有许多常用的函数&#xff0c;可以用于处理和操作数据。以下是一些常见的SQL 函数&#xff1a; 1. 字符串函数&#xff1a; CONCAT(str1, str2, …): 用于把多个文本字符串合并成一个长字符串(参数中有null时返回null)。 select concat(一起,学, SQL); -- 输出结果:一…

#经验分享#学习方法

大鱼论文是一款强大的论文写作&#xff0c;查重降重工具&#xff0c;在众多同类软件中脱颖而出&#xff0c;备受好评。那么&#xff0c;大鱼论文究竟好不好用呢&#xff1f;让我们来看看。 首先&#xff0c;大鱼论文非常方便易用。只需简单几步&#xff0c;就可以上传文档进行…

RPC 框架

RPC 全称 Remote Procedure Call——远程过程调用。 RPC技术简单说就是为了解决远程调用服务的一种技术&#xff0c;使得调用者像调用本地服务一样方便透明。RPC是一种通过网络从远程计算机程序上请求服务&#xff0c;不需要了解底层网络技术的协议。 集群和分布式 集群&…