Opencv图像处理技术（图像轮廓）

1图像轮廓概念：

图像轮廓是指图像中连续的像素边界，这些边界通常代表了图像中的物体或者物体的边缘。在数字图像处理中，轮廓是由相同像素值组成的曲线，它们连接相同的颜色或灰度值，并且具有连续性。轮廓可以用来描述和分析图像中的形状和结构，是许多计算机视觉任务的基础，如目标检测、形状识别、图像分割等

任务2 查找与绘制图像轮廓

2.1查找图像轮廓

在 OpenCV 中，查找图像轮廓的函数是 `cv2.findContours()`，其语法如下：

contours, hierarchy = cv2.findContours(image, mode, method[, contours[, hierarchy[, offset]]])


各参数的意义如下：

  • - image：输入的二值图像，通常是经过阈值化或边缘检测后的图像。
  • - mode：轮廓检索模式，指定轮廓的检索方式。常用的模式包括：
  •   - cv2.RETR_EXTERNAL：仅检测外部轮廓。
  •   - cv2.RETR_LIST：检测所有轮廓，不建立轮廓间的层级关系。
  •   - cv2.RETR_CCOMP：检测所有轮廓，建立两级轮廓结构。
  •   - cv2.RETR_TREE：检测所有轮廓，建立完整的轮廓层级结构。
  • - `method`：轮廓逼近方法，指定轮廓的逼近方式。常用的方法包括：
  •   - `cv2.CHAIN_APPROX_NONE`：保存所有的轮廓点。
  •   - `cv2.CHAIN_APPROX_SIMPLE`：压缩水平、垂直和对角方向的像素，只保留端点。
  •   - `cv2.CHAIN_APPROX_TC89_L1`：使用 Teh-Chin 链逼近算法之一。
  •   - `cv2.CHAIN_APPROX_TC89_KCOS`：使用 Teh-Chin 链逼近算法之二。
函数返回两个值：
- contours：检测到的轮廓，每个轮廓是一个点集的列表。
- hierarchy：可选输出的层级信息，用于描述轮廓之间的层级关系。
2.2绘制图像轮廓

在 OpenCV 中，绘制图像轮廓的函数是 `cv2.drawContours()`，其语法如下：

`
 

image = cv2.drawContours(image, contours, contourIdx, color, thickness[, lineType[, hierarchy[, maxLevel[, offset]]]])

其中各参数的意义如下：

  • - `image`：要绘制轮廓的输入图像。
  • - `contours`：要绘制的轮廓列表，通常是通过 `cv2.findContours()` 函数得到的轮廓。
  • - `contourIdx`：要绘制的轮廓的索引，如果为负数，则绘制所有轮廓。
  • - `color`：轮廓的颜色，可以是一个单通道的灰度值（0-255），或者是一个包含三个通道的颜色值 (B, G, R)。
  • - `thickness`：轮廓的线条粗细，如果为负数或 `cv2.FILLED`，则填充轮廓内部。
  • - `lineType`：轮廓线条的类型，可选参数，默认为 `cv2.LINE_8`。
  • - `hierarchy`：可选参数，用于描述轮廓之间的层级关系。
  • - `maxLevel`：可选参数，绘制轮廓的最大层级。
  • - `offset`：可选参数，指定轮廓偏移量。
任务演练-实现图像轮廓的绘制与查找

代码1 绘制图像外轮廓：

#8.1
import cv2
import numpy as np
img= cv2.imread("C:/Users/win11/opencv/sucai8/shape.jpg")
cv2.imshow("img",img)
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,binary=cv2.threshold(gray,180,255,0)
contours,hierarchy=cv2.findContours(binary,cv2.RETR_EXTERNAL,\cv2.CHAIN_APPROX_NONE)
dst=cv2.drawContours(img,contours,-1,(0,255,255),thickness=5)
cv2.imshow("contours",dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

结果如下：可以看出实现的图在原图上多了一层黄色的外轮廓

代码2绘制图像的全部轮廓

#8-2
import cv2
import numpy as np
img= cv2.imread("C:/Users/win11/opencv/sucai8/shape.jpg")
cv2.imshow("img",img)
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,binary=cv2.threshold(gray,180,255,0)
contours,hierarchy=cv2.findContours(binary,cv2.RETR_TREE,\cv2.CHAIN_APPROX_NONE)
dst=cv2.drawContours(img,contours,-1,(0,255,255),thickness=5)
cv2.imshow("binary",binary)
cv2.imshow("contours",dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

结果如下：所有的图像外面都有一层轮廓

任务3：计算轮廓长度与面积

在OpenCV中，你可以使用`cv2.arcLength()`函数计算轮廓的长度，以及使用`cv2.contourArea()`函数计算轮廓的面积。这两个函数的语法如下：

length = cv2.arcLength(curve, closed)
area = cv2.contourArea(contour)

其中各参数的意义如下：

  • - `curve`：要计算长度的曲线，通常是轮廓中的点集。
  • - `closed`：布尔值，指示曲线是否封闭。对于轮廓来说，通常是True，表示闭合曲线。
  • - `contour`：要计算面积的轮廓。

任务演练：使用cv2.arcLength()函数计算轮廓长度，返回单位为像素点个数

代码:

import cv2
img= cv2.imread("C:/Users/win11/opencv/sucai8/shape.jpg")
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,binary=cv2.threshold(gray,220,255,cv2.THRESH_BINARY)
contours,hierarchy=cv2.findContours(binary,cv2.RETR_TREE,\cv2.CHAIN_APPROX_NONE)
n=len(contours)
contoursImg=[]
for i in range(n):length=cv2.arcLength(contours[i],True)print(f"轮廓{i+1}的长度：\n{length}")

结果如图：

 2使用cv2.contoursArea()函数计算轮廓面积 ，返回单位为像素点个数

代码：

import cv2
img= cv2.imread("C:/Users/win11/opencv/sucai8/shape.jpg")
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,binary=cv2.threshold(gray,220,255,cv2.THRESH_BINARY)
contours,hierarchy=cv2.findContours(binary,cv2.RETR_TREE,\cv2.CHAIN_APPROX_NONE)
n=len(contours)
contoursImg=[]
for i in range(n):area=cv2.contourArea(contours[i])print(f"轮廓{i}的面积：\n{area}")

任务3：实现形状匹配

在 OpenCV 中，你可以使用 `cv2.matchShapes()` 函数来实现形状匹配。这个函数可以用来比较两个形状或轮廓的相似度。它的语法如下：


 

match_value = cv2.matchShapes(contour1, contour2, method, parameter)

其中各参数的意义如下：

  • - `contour1`：第一个输入的轮廓。
  • - `contour2`：第二个输入的轮廓。
  • - `method`：形状匹配的方法，是一个比较轮廓相似度的度量标准。常用的方法包括：
  •   - `cv2.CONTOURS_MATCH_I1`：Hu 矩的相关性，具有较高的鲁棒性。
  •   - `cv2.CONTOURS_MATCH_I2`：Hu 矩的其他相关性度量。
  •   - `cv2.CONTOURS_MATCH_I3`：基于物理距离的相似性度量。
  • - `parameter`：方法参数，通常为0。

函数返回形状匹配的数值，值越小表示两个形状越相似。

任务演练——形状匹配

代码：

import cv2o1 = cv2.imread("C:/Users/win11/opencv/sucai8/m1.png")
o2 = cv2.imread("C:/Users/win11/opencv/sucai8/m2.png")gray1 = cv2.cvtColor(o1, cv2.COLOR_BGR2GRAY)
gray2 = cv2.cvtColor(o2, cv2.COLOR_BGR2GRAY)ret, binary1 = cv2.threshold(gray1, 127, 255, cv2.THRESH_BINARY)
ret, binary2 = cv2.threshold(gray2, 127, 255, cv2.THRESH_BINARY)contours1, hierarchy = cv2.findContours(binary1, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
contours2, hierarchy = cv2.findContours(binary2, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)cent1 = contours1[0]
cent2 = contours2[0]ret0 = cv2.matchShapes(cent1, cent1, 1, 0.0)
ret1 = cv2.matchShapes(cent1, cent2, 1, 0.0)print("相同图像的matchShape=", ret0)
print("相似图像的matchShape=", ret1)

m1和m2的图像如下：

 结果如下：

相同图像的matchShape= 0.0
相似图像的matchShape= 0.28749410662718267

任务4轮廓的几何形状拟合

4.1

在 OpenCV 中，你可以使用 cv2.boundingRect() 函数来获取轮廓的矩形包围框。这个函数可以用来获取包围轮廓的最小矩形，即矩形包围框的左上角坐标以及宽度和高度。它的语法如下：

x, y, w, h = cv2.boundingRect(points)

其中各参数的意义如下：

  • points：轮廓中的点集。
  • x, y：矩形的左上角坐标。
  • w：矩形的宽度。
  • h：矩形的高度。

函数返回矩形包围框的左上角坐标以及宽度和高度。

4.2

在 OpenCV 中，你可以使用 cv2.minAreaRect() 函数来获取轮廓的最小外接矩形框。这个函数可以用来获取包围轮廓的最小旋转矩形，即旋转矩形框的中心点坐标、宽度、高度以及旋转角度。它的语法如下：

rect = cv2.minAreaRect(points)

其中各参数的意义如下：

  • points：轮廓中的点集。
  • rect：返回的最小外接矩形对象，包含矩形的中心点坐标、宽度、高度以及旋转角度。

函数返回的是一个 RotatedRect 对象，你可以通过该对象的方法来获取矩形的信息

 

4.3

OpenCV 中，你可以使用 cv2.minEnclosingCircle() 函数来获取轮廓的最小包围圆。这个函数可以用来获取包围轮廓的最小圆，即圆心坐标和半径。它的语法如下：

(center, radius) = cv2.minEnclosingCircle(points)

其中各参数的意义如下：

  • points：轮廓中的点集。
  • center：返回的圆心坐标，通常是一个二元元组 (x, y)。
  • radius：返回的圆的半径。

函数返回的是一个二元元组，包含圆心坐标和半径信息。

任务演练——几何形状拟合实践

1使用矩形包围框进行拟合

代码：

import cv2img = cv2.imread("C:/Users/win11/opencv/sucai8/shape.jpg")
cv2.imshow("original", img)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)x, y, w, h = cv2.boundingRect(contours[0])
cv2.rectangle(img, (x, y), (x+w, y+h), (0, 0, 0), 2)cv2.imshow("result", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

结果如下：

2使用最小包围矩形框进行拟合

代码：

import cv2
import numpy as  np
img = cv2.imread("C:/Users/win11/opencv/sucai8/shape.jpg")
cv2.imshow("original", img)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
retval=cv2.minAreaRect(contours[1])
points=cv2.boxPoints(retval)
points=np.int64(points)
cv2.drawContours(img,[points],0,(0,0,0),2)cv2.imshow("result", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

结果如下：

3使用最小包围圆形进行拟合

代码：

import cv2
import numpy as np# 读取图像
img = cv2.imread("C:/Users/win11/opencv/sucai8/shape.jpg")
cv2.imshow("Original", img)# 转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 二值化处理
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)# 寻找轮廓
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)# 获取第二个轮廓的最小外接圆
(x, y), radius = cv2.minEnclosingCircle(contours[1])
center = (int(x), int(y))
radius = int(radius)# 绘制最小外接圆
cv2.circle(img, center, radius, (0, 0, 0), 2)# 显示结果图像
cv2.imshow("Result", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

结果如下：

任务5——绘制凸包

凸包是指包围一组点集的最小凸多边形。在计算机视觉和图形学中，凸包常用于图像处理中的形状分析和轮廓检测。通常，通过计算轮廓中的凸包可以得到目标物体的外形信息，这对于识别和分析图像中的对象非常有用。

在OpenCV中，可以使用 cv2.convexHull() 函数来计算凸包并绘制。下面是该函数的语法和参数：

hull = cv2.convexHull(points[, hull[, clockwise[, returnPoints]]])

  • points: 输入的点集，通常是轮廓的点集。
  • hull: 可选参数，输出的凸包点集。
  • clockwise: 可选参数，指定是否输出凸包点按照顺时针排序，默认为 False。
  • returnPoints: 可选参数，指定输出是点集的索引还是实际坐标，默认为 True，表示输出实际坐标。

任务演练——获取简单图像的凸包

代码：

import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("C:/Users/win11/opencv/sucai8/contours2.png")
cv2.imshow("original", img)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
hull=cv2.convexHull(contours[0])
cv2.polylines(img,[hull],True,(255,0,0),2)
cv2.imshow("hull", img)
cv2.waitKey(0)
cv2.destroyAllWindows()
plt.imshow(img)

结果如下：

任务6——轮廓分类

在 OpenCV 中，有一些函数和参数可以用于轮廓分类、计算宽高比和占空比：

  1. 轮廓分类（Contour Hierarchy）：

    • cv2.findContours() 函数中的 hierarchy 参数用于指定轮廓的层级信息。常用的层级类型包括 cv2.RETR_LIST、cv2.RETR_EXTERNAL、cv2.RETR_TREE 等，它们会影响轮廓的提取和排序方式。

  2. 宽高比计算：

    • 计算轮廓外接矩形的宽高比可以通过计算矩形的宽度除以高度来实现。在代码中，可以使用以下公式来计算宽高比： 
      aspect_ratio = float(w) / h

  3. 占空比计算：

    • 占空比（Aspect Ratio）是指对象的宽度与高度之比。在轮廓分析中，可以将外接矩形的宽度和高度比较来计算占空比。在代码中，可以使用以下公式来计算： 
      aspect_ratio = float(w) / h

任务演练——轮廓分类  使用特征值对轮廓进行分类 将长扁圆与扁扁圆进行分类 并对其更换yans

代码：

import cv2  # 导入OpenCV库import numpy as np  # 导入NumPy库用于数组操作# 读取图像
img = cv2.imread("C:/Users/win11/opencv/sucai8/face.png")
cv2.imshow("original", img)  # 显示原始图像gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 转换为灰度图像
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)#对灰度图像进行二值化处理
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)#查找图像中的轮廓。h, w, c = img.shape  # 获取图像的高度、宽度和通道数
mask = np.zeros((h, w, c), np.uint8)  # 创建与原始图像相同大小的全零图像作为掩码# 遍历轮廓
for cnt in contours:# 获取边界框x, y, w, h = cv2.boundingRect(cnt)#获取当前轮廓的边界框cv2.rectangle(img, (x, y), (x+w, y+h), (255, 255, 255), 3)  # 绘制边界框 在原始图像上绘制当前轮廓的全白边界框。cv2.imshow("temp", img)  # 显示临时结果图像# 计算椭圆的宽高比AR = float(w) / hif AR < 1:# 绘制红色轮廓（长的椭圆）cv2.drawContours(mask, [cnt], -1, (0, 0, 255), -1)  # 在填充 掩码mask上绘制轮廓填充print(AR, "是长的椭圆")else:# 绘制红色轮廓（扁的椭圆）cv2.drawContours(mask, [cnt], -1, (0, 255, 255), -1)  # 在掩码上绘制轮廓print(AR, "是扁的椭圆")# 显示最终结果
cv2.imshow("result", mask)
cv2.waitKey(0)  # 等待按键按下
cv2.destroyAllWindows()  # 关闭所有窗口

 结果如下：

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/pingmian/18924.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

CAD石墨烯生成器 V1.0 渊鱼

CAD石墨烯生成器 V1.0 渊鱼

插件介绍 CAD石墨烯生成器插件可用于在AutoCAD软件内参数化建立石墨烯几何模型。插件建立石墨烯的球棍模型&#xff0c;可控制模型的尺寸、碳原子环的尺寸、原子直径、化学键直径&#xff0c;并可控制模型的起伏形态。插件生成的实体模型可进行修改或绘图渲染&#xff0c;用于…
阅读更多...
做视频号小店和达人对接的好，爆单少不了！

做视频号小店和达人对接的好，爆单少不了！

大家好&#xff0c;我是喷火龙。 目前&#xff0c;视频号是没有什么自然流量的&#xff0c;所以&#xff0c;想要出单、爆单的话&#xff0c;靠达人带货的方式才是最可靠的&#xff0c;靠达人带货是肯定要对接达人&#xff0c;并和达人沟通带货的。 下面给大家讲一讲应该怎么…
阅读更多...
python Z-score标准化

python Z-score标准化

python Z-score标准化 Zscore标准化sklearn库实现Z-score标准化手动实现Z-score标准化 Zscore标准化 Z-score标准化&#xff08;也称为标准差标准化&#xff09;是一种常见的数据标准化方法&#xff0c;它将数据集中的每个特征的值转换为一个新的尺度&#xff0c;使得转化后的…
阅读更多...
三十五岁零基础转行成为AI大模型开发者怎么样呢？

三十五岁零基础转行成为AI大模型开发者怎么样呢？

以下从3个方面帮大家分析&#xff1a; 35岁转行会不会太晚&#xff1f;零基础学习AI大模型开发能不能学会&#xff1f;AI大模型开发行业前景如何&#xff0c;学完后能不能找到好工作&#xff1f; 一、35岁转行会不会太晚&#xff1f; 35岁正处于人生的黄金时期&#xff0c;拥…
阅读更多...
今日选题.

今日选题.

诱导读者点开文章的9引真经&#xff08;二&#xff09; 标题重要么&#xff1f;新媒体、博客文通常在手机上阅读。首先所有的内容不同于纸媒&#xff0c;手机只展现标题&#xff0c;而内容都是折叠。其次读者能像看内容一样看4、5条或者7、8条标题&#xff08;区别于不同的主流…
阅读更多...
代码助手之-百度Comate智能体验

代码助手之-百度Comate智能体验

简介 越来越多的厂商提供了智能代码助手&#xff0c;百度也不例外。Baidu Comate&#xff08;智能代码助手&#xff09;是基于文心大模型&#xff0c;Comate取自Coding Mate&#xff0c;寓意大家的AI编码伙伴。Comate融合了百度内部多年积累的编程现场大数据和外部开源代码和知…
阅读更多...
如何顺利通过软考中级系统集成项目管理工程师？

如何顺利通过软考中级系统集成项目管理工程师？

中级资格的软考专业包括"信息系统"&#xff0c;属于软考的中级级别。熟悉软考的人都知道&#xff0c;软考分为初级、中级和高级三个级别&#xff0c;涵盖计算机软件、计算机网络、计算机应用技术、信息系统和信息服务五个专业&#xff0c;共设立了27个资格。本文将详…
阅读更多...
全程曝光 计算机领域顶会投稿后会经历哪些关键环节？

全程曝光 计算机领域顶会投稿后会经历哪些关键环节？

会议之眼 快讯 亲爱的计算机领域大牛们&#xff0c;当你挥洒汗水&#xff0c;精心打磨一篇科研论文&#xff0c;终于怀着激动的心情投稿至顶会——&#xff08;如&#xff08;ACM MM 、ACL、AAAI&#xff09;时&#xff0c;你是否想知道接下来这篇论文会经历怎样的旅程&#x…
阅读更多...
Mybatis进阶——动态SQL（1）

Mybatis进阶——动态SQL（1）

目录 一、 <if> 标签 二、<trim> 标签 三、<where> 标签 四、<set> 标签 五、<foreach> 标签 六、<include> 标签 动态SQL 是Mybatis的强大特性之一&#xff0c;能够完成不同条件下的不同SQL拼接&#xff0c;可以参考官方文档&#…
阅读更多...
pyQt处理任务等待动画

pyQt处理任务等待动画

写了一个显示Qt正在处理内容的等待动画&#xff0c;任务另开一个线程执行&#xff0c;执行完后自动关闭动画 from PyQt5 import QtCore, QtWidgets from PyQt5.QtWidgets import QApplication, QMessageBox, QDialog, QVBoxLayout from PyQt5.QtCore import pyqtSignal, QTime…
阅读更多...
springboot 作为客户端接收服务端的 tcp 长连接数据，并实现自定义结束符，解决 粘包 半包 问题

springboot 作为客户端接收服务端的 tcp 长连接数据，并实现自定义结束符，解决 粘包 半包 问题

博主最近的项目对接了部分硬件设备&#xff0c;其中有的设备只支持tcp长连接方式传输数据&#xff0c;博主项目系统平台作为客户端发起tcp请求到设备&#xff0c;设备接收到请求后作为服务端保持连接并持续发送数据到系统平台。 1.依赖引入 连接使用了netty&#xff0c;如果项…
阅读更多...
CPU占用率很高，相应很慢排查思路

CPU占用率很高，相应很慢排查思路

获取线程状态 通过top -c命令可以动态显示进程及其占用资源的排行榜 可以看到&#xff0c;CPU占用率100%的PID是80972&#xff0c;定位到该进程之后&#xff0c;我们再从线程的dump日志中去定位. 使用top -H -p 80972命令查找到该进程中消耗CPU最多的线程&#xff0c;从下面的…
阅读更多...
Apose.Words 常用对象详解

Apose.Words 常用对象详解

系列文章目录 文章目录 系列文章目录前言一、基础对象1. moveToBookmark 前言 本文介绍 Apose.Words 的常用对象的含义及使用方法。 一、基础对象 1. moveToBookmark 将指针移动到书签位置。 moveToBookmark(String bookmarkName, boolean isStart, boolean isAfter) book…
阅读更多...
国产可视化爬虫助力AI大模型训练：精准爬取汉语词典

国产可视化爬虫助力AI大模型训练：精准爬取汉语词典

大语言模型&#xff0c;可以生成流畅对话的会话聊天机器人、通畅起草文章的内容生成器。在炫酷技术的背后&#xff0c;数据、算力、算法&#xff0c;被视作生成式AI的三个核心要素。由此可见&#xff0c;高质量的训练数据对于AI算法的准确性至关重要。 如何获得高质量的训练数…
阅读更多...
【方法】如何禁止查看压缩包里的内容？

【方法】如何禁止查看压缩包里的内容？

使用压缩文件&#xff0c;可以让文件更方便存储和传输&#xff0c;那对于重要的文件&#xff0c;如何防止随意查看压缩包的内容呢&#xff1f;我们可以试试以下两个方法。 方法1&#xff1a; 最常见的便是给压缩包设置“打开密码”&#xff0c;这样只有通过密码才能查看文件内…
阅读更多...
外汇天眼：PayPoint投资100万英镑，深化与Aperidata开放银行合作

外汇天眼：PayPoint投资100万英镑，深化与Aperidata开放银行合作

PayPoint今日宣布对Aperidata Ltd进行100万英镑的投资&#xff0c;Aperidata是一家创新的消费者和商业信用报告及开放银行平台。 此交易将使PayPoint集团在两家公司之间现有的商业合作基础上更进一步&#xff0c;为包括政府、地方当局、慈善机构和住房协会在内的多个领域的客户…
阅读更多...
PaddleOCR2.7+Qt5

PaddleOCR2.7+Qt5

章节一&#xff1a;Windows 下的 PIP 安装 官网安装教程地址 按照里面的教程去安装 如果使用cuda版本的还要安装tensorrt&#xff0c;不然后面运行demo程序的程序会报如下错。 下载TensorRT 8版本&#xff0c;tensorrt下载地址 章节二&#xff1a;编译源码 进入官网源码地址 下…
阅读更多...
通过AWR结合SQLHC对性能变低的SQL进行分析的过程

通过AWR结合SQLHC对性能变低的SQL进行分析的过程

ESTDB数据库2020/4/29下午16点附近出现业务卡顿现象。 可以发现问题SQL为(SQL_ID fr0nhywcycrsa)。占问题时段数据库资源消耗的52.69%&#xff0c;通过对此SQL语句的执行效率进行分析&#xff0c;我们发现&#xff1a; 对SQL_ID fr0nhywcycrsa?进行分析&#xff0c;可以发现此…
阅读更多...
kubernetes-PV与PVC

kubernetes-PV与PVC

一、PV和PVC详解 当前&#xff0c;存储的方式和种类有很多&#xff0c;并且各种存储的参数也需要非常专业的技术人员才能够了解。在Kubernetes集群中&#xff0c;放了方便我们的使用和管理&#xff0c;Kubernetes提出了PV和PVC的概念&#xff0c;这样Kubernetes集群的管理人员就…
阅读更多...
Java_认识String类

Java_认识String类

在 C 语言中已经涉及到字符串了&#xff0c;但是在 C 语言中要表示字符串只能使用字符数组或者字符指针&#xff0c; 可以使用标准库提 供的字符串系列函数完成大部分操作&#xff0c;但是这种将数据和操作数据方法分离开 的方式不符合面相对象的思想&#xff0c;而字符串应用又…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023