6. 较全的Open3D点云数据处理(python)

        注意：以下内容来自博客爆肝5万字❤️Open3D 点云数据处理基础（Python版）_python 点云 焊缝-CSDN博客，这篇博客写的全且详细，在这里是为了记笔记方便查看，并非抄袭。

1.点云的读写

代码如下：

import open3d as o3dif __name__ == '__main__':pcd = o3d.io.read_point_cloud("D:\AI\yq\clouds\datas\DemoICPPointClouds\\cloud_bin_0.pcd")  print(pcd)

输出结果如下：

如下代码：

pcd = o3d.io.read_point_cloud("D:\AI\yq\clouds\datas\DemoICPPointClouds\\cloud_bin_0.pcd", format='xyz')

2.点云可视化

2.1 单个点云的可视化

代码如下：

import open3d as o3dif __name__ == '__main__':pcd = o3d.io.read_point_cloud("D:\AI\yq\clouds\datas\DemoICPPointClouds\\cloud_bin_0.pcd")print(pcd)o3d.visualization.draw_geometries([pcd])

输出结果如下：

可视化结果如下：

2.2 同一窗口可视化多个点云

代码如下：

import open3d as o3dif __name__ == '__main__':pcd1 = o3d.io.read_point_cloud("D:\AI\yq\clouds\datas\DemoICPPointClouds\\cloud_bin_0.pcd")pcd2 = o3d.io.read_point_cloud("D:\AI\yq\clouds\datas\DemoICPPointClouds\\cloud_bin_1.pcd")#可视化代码如下o3d.visualization.draw_geometries([pcd1, pcd2])

可视化结果如下：

可视化属性设置：

函数原型1：

draw_geometries(geometry_list, window_name='Open3D', width=1920, height=1080, left=50, top=50, point_show_normal=False, mesh_show_wireframe=False, mesh_show_back_face=False)

函数原型2：

draw_geometries(geometry_list, window_name='Open3D', width=1920, height=1080, left=50, top=50, point_show_normal=False, mesh_show_wireframe=False, mesh_show_back_face=False, lookat, up, front, zoom)

代码如下：

import open3d as o3dif __name__ == '__main__':pcd = o3d.io.read_point_cloud("D:\AI\yq\clouds\datas\DemoICPPointClouds\\cloud_bin_0.pcd")# 法线估计radius = 0.01  # 搜索半径max_nn = 30  # 邻域内用于估算法线的最大点数pcd.estimate_normals(search_param=o3d.geometry.KDTreeSearchParamHybrid(radius, max_nn))  # 执行法线估计# 可视化o3d.visualization.draw_geometries([pcd],window_name="可视化参数设置",width=1000,height=800,left=300,top=300,point_show_normal=True)

可视化结果如下：

3. k_d tree 和 Octree

3.1 k_d tree

代码如下：

import open3d as o3d
import numpy as npif __name__ == '__main__':pcd = o3d.io.read_point_cloud("D:\AI\yq\clouds\datas\DemoICPPointClouds\\cloud_bin_0.pcd")print(pcd)# 将点云设置为灰色pcd.paint_uniform_color([0.5, 0.5, 0.5])# 建立KDTreepcd_tree = o3d.geometry.KDTreeFlann(pcd)# 将第1500个点设置为紫色pcd.colors[15000] = [0.5, 0, 0.5]# 使用K近邻，将第1500个点最近的5000个点设置为蓝色print("使用K近邻，将第1500个点最近的5000个点设置为蓝色")k = 5000  # 设置K的大小[num_k, idx_k, _] = pcd_tree.search_knn_vector_3d(pcd.points[15000], k)  # 返回邻域点的个数和索引np.asarray(pcd.colors)[idx_k[1:], :] = [0, 0, 1]  # 跳过最近邻点（查询点本身）进行赋色print("k邻域内的点数为：", num_k)# 使用半径R近邻，将第15000个点半径（0.2）范围内的点设置为红色print("使用半径R近邻，将第1500个点半径（0.02）范围内的点设置为红色")radius = 0.2  # 设置半径大小[num_radius, idx_radius, _] = pcd_tree.search_radius_vector_3d(pcd.points[15000], radius)  # 返回邻域点的个数和索引np.asarray(pcd.colors)[idx_radius[1:], :] = [1, 0, 0]  # 跳过最近邻点（查询点本身）进行赋色print("半径r邻域内的点数为：", num_radius)# 使用混合邻域，将半径R邻域内不超过max_num个点设置为绿色print("使用混合邻域，将第15000个点半径R邻域内不超过max_num个点设置为绿色")max_nn = 2000  # 半径R邻域内最大点数[num_hybrid, idx_hybrid, _] = pcd_tree.search_hybrid_vector_3d(pcd.points[15000], radius, max_nn)np.asarray(pcd.colors)[idx_hybrid[1:], :] = [0, 1, 0]  # 跳过最近邻点（查询点本身）进行赋色print("混合邻域内的点数为：", num_hybrid)print("->正在可视化点云...")o3d.visualization.draw_geometries([pcd])

结果如下：

可视化结果如下：

3.2 Octree

3.2.1 从点云中构建Octree

代码如下：

import open3d as o3d
import numpy as npif __name__ == '__main__':pcd = o3d.io.read_point_cloud("D:\AI\yq\clouds\datas\DemoICPPointClouds\\cloud_bin_0.pcd")print(pcd)# ------------------------- 构建Octree --------------------------print('octree 分割')octree = o3d.geometry.Octree(max_depth=4)octree.convert_from_point_cloud(pcd, size_expand=0.01)print("->正在可视化Octree...")o3d.visualization.draw_geometries([octree])

可视化结果如下：

3.2.2 从体素网格中构建Octree

代码如下：

import open3d as o3d
import numpy as npif __name__ == '__main__':pcd = o3d.io.read_point_cloud("D:\AI\yq\clouds\datas\DemoICPPointClouds\\cloud_bin_0.pcd")print(pcd)# ------------------------- 构建Octree --------------------------print('体素化')voxel_grid = o3d.geometry.VoxelGrid.create_from_point_cloud(pcd, voxel_size=0.2)print("体素：", voxel_grid)print("正在可视化体素...")o3d.visualization.draw_geometries([voxel_grid])print('Octree 分割')octree = o3d.geometry.Octree(max_depth=4)octree.create_from_voxel_grid(voxel_grid)print("Octree：", octree)print("正在可视化Octree...")o3d.visualization.draw_geometries([octree])

输出结果如下：

可视化结果如下：

4.点云滤波

4.1 体素下采样

代码如下：

import open3d as o3d
import numpy as npif __name__ == '__main__':pcd = o3d.io.read_point_cloud("D:\AI\yq\clouds\datas\DemoICPPointClouds\\cloud_bin_0.pcd")print(pcd)print("->正在可视化原始点云")o3d.visualization.draw_geometries([pcd])print("->正在体素下采样...")voxel_size = 0.5downpcd = pcd.voxel_down_sample(voxel_size)print(downpcd)print("->正在可视化下采样点云")o3d.visualization.draw_geometries([downpcd])

输出结果如下：

可视化结果如下：

4.2 半径滤波

代码如下：

import open3d as o3d
import numpy as npif __name__ == '__main__':pcd = o3d.io.read_point_cloud("D:\AI\yq\clouds\datas\DemoICPPointClouds\\cloud_bin_0.pcd")print(pcd)# ------------------------- 半径滤波 --------------------------print("->正在进行半径滤波...")num_points = 20  # 邻域球内的最少点数，低于该值的点为噪声点radius = 0.05  # 邻域半径大小# 执行半径滤波，返回滤波后的点云sor_pcd和对应的索引indsor_pcd, ind = pcd.remove_radius_outlier(num_points, radius)sor_pcd.paint_uniform_color([0, 0, 1])print("半径滤波后的点云：", sor_pcd)sor_pcd.paint_uniform_color([0, 0, 1])# 提取噪声点云sor_noise_pcd = pcd.select_by_index(ind, invert=True)print("噪声点云：", sor_noise_pcd)sor_noise_pcd.paint_uniform_color([1, 0, 0])# ===========================================================# 可视化半径滤波后的点云和噪声点云o3d.visualization.draw_geometries([sor_pcd, sor_noise_pcd])

可视化结果如下：

5.点云特征提取

5.1 法线估计

代码如下：

import open3d as o3d
import numpy as npif __name__ == '__main__':pcd = o3d.io.read_point_cloud("D:\AI\yq\clouds\datas\DemoICPPointClouds\\cloud_bin_0.pcd")print(pcd)print("->正在估计法线并可视化...")radius = 0.01  # 搜索半径max_nn = 30  # 邻域内用于估算法线的最大点数pcd.estimate_normals(search_param=o3d.geometry.KDTreeSearchParamHybrid(radius, max_nn))  # 执行法线估计o3d.visualization.draw_geometries([pcd], point_show_normal=True)print("->正在打印前10个点的法向量...")print(np.asarray(pcd.normals)[:10, :])

结果输出如下：

可视化结果如下：

6. 点云分割

6.1 DBSCAN算法

代码如下：

import open3d as o3d
import numpy as np
import matplotlib.pyplot as pltif __name__ == '__main__':# pcd = o3d.io.read_point_cloud("D:\AI\yq\clouds\datas\DemoICPPointClouds\\cloud_bin_0.pcd")pcd = o3d.io.read_point_cloud("datas/1.pcd")print(pcd)print("->正在DBSCAN聚类...")eps = 0.5  # 同一聚类中最大点间距min_points = 50  # 有效聚类的最小点数with o3d.utility.VerbosityContextManager(o3d.utility.VerbosityLevel.Debug) as cm:labels = np.array(pcd.cluster_dbscan(eps, min_points, print_progress=True))max_label = labels.max()  # 获取聚类标签的最大值 [-1,0,1,2,...,max_label]，label = -1 为噪声，因此总聚类个数为 max_label + 1print(f"point cloud has {max_label + 1} clusters")colors = plt.get_cmap("tab20")(labels / (max_label if max_label > 0 else 1))colors[labels < 0] = 0  # labels = -1 的簇为噪声，以黑色显示pcd.colors = o3d.utility.Vector3dVector(colors[:, :3])o3d.visualization.draw_geometries([pcd])

输出结果如下：

可视化结果如下：

6.2 RANSAC平面分割

代码如下：

import open3d as o3dif __name__ == '__main__':# pcd = o3d.io.read_point_cloud("D:\AI\yq\clouds\datas\DemoICPPointClouds\\cloud_bin_0.pcd")pcd = o3d.io.read_point_cloud("datas/1.pcd")print(pcd)print("->正在RANSAC平面分割...")distance_threshold = 0.2  # 内点到平面模型的最大距离ransac_n = 3  # 用于拟合平面的采样点数num_iterations = 1000  # 最大迭代次数# 返回模型系数plane_model和内点索引inliers，并赋值plane_model, inliers = pcd.segment_plane(distance_threshold, ransac_n, num_iterations)# 输出平面方程[a, b, c, d] = plane_modelprint(f"Plane equation: {a:.2f}x + {b:.2f}y + {c:.2f}z + {d:.2f} = 0")# 平面内点点云inlier_cloud = pcd.select_by_index(inliers)inlier_cloud.paint_uniform_color([0, 0, 1.0])print(inlier_cloud)# 平面外点点云outlier_cloud = pcd.select_by_index(inliers, invert=True)outlier_cloud.paint_uniform_color([1.0, 0, 0])print(outlier_cloud)# 可视化平面分割结果o3d.visualization.draw_geometries([inlier_cloud, outlier_cloud])

可视化结果如下：

6.3 隐藏点剔除

代码如下：

import open3d as o3d
import numpy as npif __name__ == '__main__':pcd = o3d.io.read_point_cloud("D:\AI\yq\clouds\datas\DemoICPPointClouds\\cloud_bin_0.pcd")#pcd = o3d.io.read_point_cloud("datas/1.pcd")print(pcd)print("->正在剔除隐藏点...")diameter = np.linalg.norm(np.asarray(pcd.get_max_bound()) - np.asarray(pcd.get_min_bound()))print("定义隐藏点去除的参数")camera = [0, 0, diameter]  # 视点位置radius = diameter * 100  # 噪声点云半径,The radius of the sperical projection_, pt_map = pcd.hidden_point_removal(camera, radius)  # 获取视点位置能看到的所有点的索引 pt_map# 可视点点云pcd_visible = pcd.select_by_index(pt_map)pcd_visible.paint_uniform_color([0, 0, 1])  # 可视点为蓝色print("->可视点个数为：", pcd_visible)# 隐藏点点云pcd_hidden = pcd.select_by_index(pt_map, invert=True)pcd_hidden.paint_uniform_color([1, 0, 0])  # 隐藏点为红色print("->隐藏点个数为：", pcd_hidden)print("->正在可视化可视点和隐藏点点云...")o3d.visualization.draw_geometries([pcd_visible, pcd_hidden])

输出结果如下：

可视化结果如下：

7.点云曲面重建

7.1 Alpha shapes

代码如下：

import open3d as o3d
import numpy as npif __name__ == '__main__':pcd = o3d.io.read_point_cloud("D:\AI\yq\clouds\datas\DemoICPPointClouds\\cloud_bin_0.pcd")#pcd = o3d.io.read_point_cloud("datas/1.pcd")print(pcd)# ------------------------- Alpha shapes -----------------------alpha = 0.03print(f"alpha={alpha:.3f}")mesh = o3d.geometry.TriangleMesh.create_from_point_cloud_alpha_shape(pcd, alpha)mesh.compute_vertex_normals()o3d.visualization.draw_geometries([mesh], mesh_show_back_face=True)

可视化结果如下：

alpha=0.5

alpha=0.01

7.2 Ball pivoting

代码如下：

import open3d as o3d
import numpy as np# ---------------------- 定义点云体素化函数 ----------------------
def get_mesh(_relative_path):mesh = o3d.io.read_triangle_mesh(_relative_path)mesh.compute_vertex_normals()return mesh
# =============================================================# ------------------------- Ball pivoting --------------------------
print("->Ball pivoting...")
_relative_path = "bunny.ply"    # 设置相对路径
N = 2000                        # 将点划分为N个体素
pcd = get_mesh(_relative_path).sample_points_poisson_disk(N)
o3d.visualization.draw_geometries([pcd])radii = [0.005, 0.01, 0.02, 0.04]
rec_mesh = o3d.geometry.TriangleMesh.create_from_point_cloud_ball_pivoting(pcd, o3d.utility.DoubleVector(radii))
o3d.visualization.draw_geometries([pcd, rec_mesh])
# ==============================================================

可视化结果如下：

8.点云空间变换

8.1 translate 平移

pcd.translate((tx,ty,tz),relative=True)

9.点云配准

点云配准看我的另一篇博客4.点云数据的配准_点云叠加配准-CSDN博客。

10. 其他点云计算方法

10.1 计算点云间的距离

代码如下：

import open3d as o3d
import numpy as npif __name__ == '__main__':pcd1 = o3d.io.read_point_cloud("D:\AI\yq\clouds\datas\DemoICPPointClouds\\cloud_bin_0.pcd")pcd2 = o3d.io.read_point_cloud("D:\AI\yq\clouds\datas\DemoICPPointClouds\\cloud_bin_1.pcd")print("->正在点云1每一点到点云2的最近距离...")dists = pcd1.compute_point_cloud_distance(pcd2)dists = np.asarray(dists)print("->正在打印前10个点...")print(dists[:10])print("->正在提取距离大于3.56的点")ind = np.where(dists > 0.1)[0]pcd3 = pcd1.select_by_index(ind)print(pcd3)o3d.visualization.draw_geometries([pcd3])

输出结果如下：

可视化结果如下：

10.2 计算点云最小包围盒

代码如下：

import open3d as o3d
import numpy as npif __name__ == '__main__':pcd = o3d.io.read_point_cloud("D:\AI\yq\clouds\datas\DemoICPPointClouds\\cloud_bin_0.pcd")print(pcd)print("->正在计算点云轴向最小包围盒...")aabb = pcd.get_axis_aligned_bounding_box()aabb.color = (1, 0, 0)print("->正在计算点云最小包围盒...")obb = pcd.get_oriented_bounding_box()obb.color = (0, 1, 0)o3d.visualization.draw_geometries([pcd, aabb, obb])

可视化结果如下：

10.3  计算点云凸包

代码如下：

import open3d as o3d
import numpy as npif __name__ == '__main__':pcd = o3d.io.read_point_cloud("D:\AI\yq\clouds\datas\DemoICPPointClouds\\cloud_bin_0.pcd")print(pcd)print("->正在计算点云凸包...")hull, _ = pcd.compute_convex_hull()hull_ls = o3d.geometry.LineSet.create_from_triangle_mesh(hull)hull_ls.paint_uniform_color((1, 0, 0))o3d.visualization.draw_geometries([pcd, hull_ls])

可视化结果如下：

10.4 点云体素化

10.4.1 简单方法

代码如下：

import open3d as o3d
import numpy as npif __name__ == '__main__':pcd = o3d.io.read_point_cloud("D:\AI\yq\clouds\datas\DemoICPPointClouds\\cloud_bin_0.pcd")print(pcd)# --------------------------- 体素化点云 -------------------------print('执行体素化点云')voxel_grid = o3d.geometry.VoxelGrid.create_from_point_cloud(pcd, voxel_size=0.005)print("正在可视化体素...")o3d.visualization.draw_geometries([voxel_grid])

可视化结果如下：

10.4.2 复杂方法

代码如下：

import open3d as o3d
import numpy as np# ---------------------- 定义点云体素化函数 ----------------------
def get_mesh(_relative_path):mesh = o3d.io.read_triangle_mesh(_relative_path)mesh.compute_vertex_normals()return mesh
# =============================================================# ------------------------- 点云体素化 --------------------------
print("->正在进行点云体素化...")
_relative_path = "bunny.ply"    # 设置相对路径
N = 2000        # 将点划分为N个体素
pcd = get_mesh(_relative_path).sample_points_poisson_disk(N)# fit to unit cube
pcd.scale(1 / np.max(pcd.get_max_bound() - pcd.get_min_bound()),center=pcd.get_center())
pcd.colors = o3d.utility.Vector3dVector(np.random.uniform(0, 1, size=(N, 3)))
print("体素下采样点云：", pcd)
print("正在可视化体素下采样点云...")
o3d.visualization.draw_geometries([pcd])print('执行体素化点云')
voxel_grid = o3d.geometry.VoxelGrid.create_from_point_cloud(pcd, voxel_size=0.05)
print("正在可视化体素...")
o3d.visualization.draw_geometries([voxel_grid])
# ===========================================================

可视化结果如下：

10.5 计算点云质心

代码如下：

import open3d as o3d
import numpy as npif __name__ == '__main__':pcd = o3d.io.read_point_cloud("D:\AI\yq\clouds\datas\DemoICPPointClouds\\cloud_bin_0.pcd")print(pcd)print(f'pcd质心：{pcd.get_center()}')

输出结果如下：

10.6 根据索引提取点云

select_by_index(self, indices, invert=False)

代码如下：

import open3d as o3d
import numpy as npif __name__ == '__main__':pcd = o3d.io.read_point_cloud("D:\AI\yq\clouds\datas\DemoICPPointClouds\\cloud_bin_0.pcd")print(pcd)"""------------------- 根据索引提取点云 --------------------"""print("->正在根据索引提取点云...")idx = list(range(20000))  # 生成 从0到19999的列表# 索引对应的点云（内点）inlier_pcd = pcd.select_by_index(idx)inlier_pcd.paint_uniform_color([1, 0, 0])print("内点点云：", inlier_pcd)# 索引外的点云（外点）outlier_pcd = pcd.select_by_index(idx, invert=True)  # 对索引取反outlier_pcd.paint_uniform_color([0, 1, 0])print("外点点云：", outlier_pcd)o3d.visualization.draw_geometries([inlier_pcd, outlier_pcd])"""========================================================"""

可视化结果如下：

10.7 点云赋色

代码如下：

import open3d as o3d
import numpy as npif __name__ == '__main__':pcd = o3d.io.read_point_cloud("D:\AI\yq\clouds\datas\DemoICPPointClouds\\cloud_bin_0.pcd")print(pcd)print("->正在点云赋色...")pcd.paint_uniform_color([1,0.706,0])print("->正在可视化赋色后的点云...")o3d.visualization.draw_geometries([pcd])print("->正在保存赋色后的点云")o3d.io.write_point_cloud("color.pcd", pcd, True)	# 默认false，保存为Binarty；True 保存为ASICC形式

可视化结果如下：

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/37620.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

ARM功耗管理软件之软件栈及示例

ARM功耗管理软件之软件栈及示例

安全之安全(security)博客目录导读 思考：功耗管理软件栈及示例？WFI&WFE？时钟&电源树？DVFS&AVS？
阅读更多...
ubuntu22.04速装中文输入法

ubuntu22.04速装中文输入法

附送ubuntu安装chrome wget https://dl.google.com/linux/direct/google-chrome-stable_current_amd64.deb sudo dpkg -i google-chrome-stable_current_amd64.deb
阅读更多...
python中pip换源

python中pip换源

目录 1. 背景2. Python 的 pip 换源2.1 临时换源&#xff08;命令行中使用参数&#xff09;2.2 永久换源&#xff08;修改配置文件&#xff09;2.2.1 Windows系统2.2.2 Linux/macOS系统 2.3 使用 pip-config 命令换源&#xff08;Linux/macOS 特定&#xff09; 3. 常用的 PyPI …
阅读更多...
深入分析 Android BroadcastReceiver (七)

深入分析 Android BroadcastReceiver (七)

文章目录 深入分析 Android BroadcastReceiver (七)1. 高级应用场景1.1 示例&#xff1a;动态权限请求1.2 示例&#xff1a;应用内通知更新 2. 安全性与性能优化2.1 示例&#xff1a;设置权限防止广播攻击2.2 示例&#xff1a;使用 LocalBroadcastManager2.3 示例&#xff1a;在…
阅读更多...
三分钟给AI Agent应用对话增加人类情感！

三分钟给AI Agent应用对话增加人类情感！

点击下方“JavaEdge”&#xff0c;选择“设为星标” 第一时间关注技术干货&#xff01; 免责声明~ 任何文章不要过度深思&#xff01; 万事万物都经不起审视&#xff0c;因为世上没有同样的成长环境&#xff0c;也没有同样的认知水平&#xff0c;更「没有适用于所有人的解决方案…
阅读更多...
[算法]——堆排序（C语言实现）

[算法]——堆排序（C语言实现）

简单的介绍一下用堆排序的算法对整形数据的数据进行排序。 一、堆的概念 堆是具有下列性质的完全二叉树&#xff1a;每个结点的值都大于或等于其左右孩子节点的值&#xff0c;称为大顶堆&#xff1b;或者每个结点的值都小于或等于其左右孩子结点的值&#xff0c;称为小顶堆。 …
阅读更多...
GenAI 用于客户支持 — 第 1 部分：构建我们的概念验证

GenAI 用于客户支持 — 第 1 部分：构建我们的概念验证

作者&#xff1a;来自 Elastic Chris Blaisure 欢迎来到 Inside Elastic 博客系列&#xff0c;我们将展示 Elastic 的内部运营如何解决实际业务挑战。本系列将揭示我们将生成式 AI&#xff08;gererative AI - GenAI&#xff09;集成到客户成功和支持运营中的历程&#xff0c;让…
阅读更多...
ctfshow web入门 sqli-labs web517--web524

ctfshow web入门 sqli-labs web517--web524

web517 注入点id ?id-1’union select 1,2,3– 确认是否能够注入 ?id-1union select 1,database(),3-- 爆出库名 security爆出表名 ?id-1union select 1,(select group_concat(table_name) from information_schema.tables where table_schemasecurity),3-- emails,refer…
阅读更多...
几个常见的FPGA问题之序列发生器、编码器、D触发器

几个常见的FPGA问题之序列发生器、编码器、D触发器

几个常见的FPGA问题之序列发生器、编码器、D触发器 语言 ：Verilg HDL 、VHDL EDA工具： Vivado 几个常见的FPGA问题之序列发生器、编码器、D触发器一、引言二、背景1、序列发生器（Sequence Generator）2、编码器（Encoder）3、D触发器（D Flip-Flop）二、问题及解决方案1. 序…
阅读更多...
二进制方式部署consul单机版

二进制方式部署consul单机版

1.consul的下载 mkdir -p /root/consul/data && cd /root/consul wget https://releases.hashicorp.com/consul/1.18.0/consul_1.18.0_linux_amd64.zip unzip consul_1.18.0_linux_amd64.zip mv consul /usr/local/bin/ 2.配置文件 // 配置文件路径&#xff1a; /roo…
阅读更多...
将深度相机的实时三维坐标数据保存为excel文档

将深度相机的实时三维坐标数据保存为excel文档

一、如何将数据保存为excel文档 1.excel文件库与相关使用 &#xff08;1&#xff09;导入相应的excel文件库&#xff0c;导入前先要进行pip安装&#xff0c;pip install xlwt import xlwt # 导入用于创建和写入Excel文件的库 (2) 建立一个excel文档&#xff0c;并在第0行写…
阅读更多...
web安全渗透测试十大常规项（一）：web渗透测试之Fastjson反序列化

web安全渗透测试十大常规项（一）：web渗透测试之Fastjson反序列化

渗透测试之Java反序列化 1. Fastjson反序列化1.1 FastJson反序列化链知识点1.2 FastJson反序列化链分析1.3.1 FastJson 1.2.24 利用链分析1.3.2 FastJson 1.2.25-1.2.47 CC链分析1.3.2.1、开启autoTypeSupport：1.2.25-1.2.411.3.2.2 fastjson-1.2.42 版本绕过1.3.2.3 fastjson…
阅读更多...
C++调试技巧总结

C++调试技巧总结

1.调试准备 常用调试 Crash调试 调试信息&#xff1a; Windows系统&#xff1a;符号单独PDB文件/链接时生成&#xff0c;从外部的符号服务器下载。&#xff08;微软&#xff09; LInux&#xff1a; 调试符号与目标模块在一个文件内&#xff0c;编译时产生调试信息。模块发布时…
阅读更多...
手机数据恢复篇：如何在OPPO中恢复永久删除的视频？

手机数据恢复篇：如何在OPPO中恢复永久删除的视频？

说到丢失重要的记忆&#xff0c;如何在OPPO设备中恢复永久删除的视频是一个经常困扰许多用户的话题。意外删除重要视频的情况并不少见&#xff0c;对许多人来说&#xff0c;意识到它们已经消失可能很困难。但是&#xff0c;在正确的指导、方法和工具的帮助下&#xff0c;可以找…
阅读更多...
运行CDN

运行CDN

背景 CDN代码&#xff0c;调试运行 日常 git clone代码配置虚拟环境 puthon3.8,pip install r requirements.txt改项目数据集路径&#xff0c;在hico.py文件里面 # PATHS {# train: (root / images / train2015, root / annotations / trainval_hico.json),# val: …
阅读更多...
性能优化：Java垃圾回收机制深度解析 - 让你的应用飞起来！

性能优化：Java垃圾回收机制深度解析 - 让你的应用飞起来！

文章目录 一、什么是垃圾回收二、Java 内存区域划分三、垃圾回收算法1. 标记-清除&#xff08;Mark-Sweep&#xff09;算法2. 复制&#xff08;Copying&#xff09;算法3. 标记-整理&#xff08;Mark-Compact&#xff09;算法4. 分代收集&#xff08;Generational Collecting&a…
阅读更多...
[XYCTF新生赛2024]-PWN:EZ2.0?（arm架构，arm架构下的系统调用）

[XYCTF新生赛2024]-PWN:EZ2.0?（arm架构，arm架构下的系统调用）

查看保护 查看ida 完整exp&#xff1a; from pwn import*pprocess(./arm) premote(gz.imxbt.cn,20082) svc0x0001c58c mov_r2_r4_blx_r30x00043224 pop_r70x00027d78 pop_r40x000104e0 pop_r30x00010160 pop_r10x0005f824 pop_r00x0005f73c sh0x0008A090payloadba*0x44 payloa…
阅读更多...
cesium使用cesium-navigation-es6插件创建指南针比例尺

cesium使用cesium-navigation-es6插件创建指南针比例尺

cesium-navigation-es6 是一个为 Cesium.js 提供导航控件的库&#xff0c;它提供了一些常见的用户界面组件&#xff0c;用于在 Cesium 场景中实现用户导航和交互。下面将介绍如何在项目中使用 cesium-navigation-es6。 使用步骤 1. 安装 cesium-navigation-es6 首先&#xf…
阅读更多...
环回接口处理 IP 数据报的过程及 Loopback 接口的主要作用

环回接口处理 IP 数据报的过程及 Loopback 接口的主要作用

环回接口处理 IP 数据报的过程 IPv4 中 传给环回地址&#xff08;127.0.0.1&#xff09;的任何数据均作为 IP 输入&#xff0c;直接送到环回接口&#xff08;环回&#xff1a;IP 输入队列&#xff09;。 传给广播地址或多播地址的数据报&#xff0c;会复制一份传给环回接口&…
阅读更多...
七人团购新风尚：数字化时代的购物革命

七人团购新风尚：数字化时代的购物革命

在数字化时代的浪潮中&#xff0c;购物方式正经历着前所未有的变革。其中&#xff0c;七人团购模式以其独特的互动性和价值共享理念&#xff0c;为消费者带来了全新的购物体验。下面&#xff0c;我们将深入探讨这一模式的运作机制&#xff0c;以及它如何为标价599元的热销商品创…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023