主頁 >  其他 > Python 大白從零開始 OpenCV 學習課-3.影像的創建與修改

Python 大白從零開始 OpenCV 學習課-3.影像的創建與修改

2021-11-07 07:15:46 其他

從零開始 OpenCV 學習課-3.影像的創建與修改

本系列面向 Python 小白，從零開始實戰解說 OpenCV 專案實戰，

OpenCV 中影像的資料結構是 ndarray 多維陣列，對影像的任何操作本質上都是對 ndarray 多維陣列的操作和運算，

本節介紹影像的格式和 Numpy 方法影像處理，提供完整例程和運行結果：查看影像屬性，像素讀取與編輯，創建空白、黑色、白色、隨機影像，影像復制，影像裁剪，ROI裁剪，影像拼接、影像通道的拆分與合并，


1. 影像基本知識

1.1 影像顏色的分類

按照顏色對影像進行分類，可以分為二值影像、灰度影像和彩色影像，

  • 二值影像：只有黑色和白色兩種顏色的影像，每個像素點可以用 0/1 表示，0 表示黑色，1 表示白色，
  • 灰度影像：只有灰度的影像，每個像素點用 8bit 數字 [0,255] 表示灰度，如：0 表示純黑，255 表示純白，
  • 彩色影像：彩色影像通常采用紅色（R）、綠色（G）和藍色（B）三個色彩通道的組合表示，每個像素點可以用 3個 8bit 數字 [0,255] 分別表示紅色、綠色和藍色的顏色分量，如：(0,0,0) 表示黑色，(255,255,255) 表示白色，

彩色影像可以采用不同的表達方式，OpenCV 使用 BGR 格式，色彩通道按照 B/G/R 的順序排列；而 matplotlib、PyQt5、Pillow 中使用 RGB 格式，色彩通道按照 R/G/B 的順序排列的，

一些彩色影像格式還支持透明通道（alpha 通道），每個像素點用 8bit 數字 [0,255] 表示透明度，0 表示完全透明，255 表示完全不透明，

在數字影像處理中，可以根據需要對影像的通道順序進行轉換，或將彩色影像轉換為灰度影像、二值影像，


1.2 數字影像的表示

數字影像是通過柵格排列的像素組成的，在計算機中以多維資料集來表示和處理，

OpenCV 的 Python API 是基于 Numpy 來存盤和處理多維陣列，影像的資料結構是 ndarray 多維陣列，OpenCV 中對影像的任何操作，本質上都是對 ndarray 多維陣列的操作和運算，

OpenCV 中的二值影像和灰度影像用二維陣列 (h, w) 表示，陣列中的每個元素表示對應一個像素的灰度，每個像素的位深度為 8位，

OpenCV 中二值影像被作為特殊的灰度影像，每個像素點的值為 0（黑色）或 255（白色），

OpenCV 中的彩色影像用三維陣列 (h, w, ch=3) 表示，陣列中的每個元素對應一個像素的某種顏色分量，每個像素的位深度為 24位，

OpenCV 使用 BGR 格式，色彩通道順序為 B/G/R，因此 B 通道是 img[:, :, 0]， G 通道是 img[:, :, 1]， R 通道是 img[:, :, 2]，

在這里插入圖片描述

1.3 數字影像的屬性

OpenCV 中影像物件的資料結構是 ndarray 多維陣列，因此 ndarray 陣列的屬性和操作方法也都適用于 OpenCV 的影像物件，例如：

  • img.ndim：查看影像的維數，彩色影像的維數為 3，灰度影像的維數為 2，

  • img.shape：查看影像的形狀，即影像柵格的行數（高度）、列數（寬度）、通道數，

  • img.size：查看影像陣列元素總數，灰度影像的陣列元素總數為像素數量，彩色影像的陣列元素總數為像素數量與通道數的乘積，

基本例程：

    # 1.11 影像陣列的屬性
    imgFile = "../images/imgLena.tif"  # 讀取檔案的路徑
    img1 = cv2.imread(imgFile, flags=1)  # flags=1 讀取彩色影像(BGR)
    img2 = cv2.imread(imgFile, flags=0)  # flags=0 讀取為灰度影像
    # cv2.imshow("Demo1", img1)  # 在視窗顯示影像
    # key = cv2.waitKey(0)  # 等待按鍵命令

    # 維數(ndim), 形狀(shape), 元素總數(size), 元素型別(dtype)
    print("Ndim of img1(BGR): {}, img2(Gray): {}".format(img1.ndim, img2.ndim))  # number of rows, columns and channels
    print("Shape of img1(BGR): {}, img2(Gray): {}".format(img1.shape, img2.shape))  # number of rows, columns and channels
    print("Size of img1(BGR): {}, img2(Gray): {}".format(img1.size, img2.size))  # size = rows * columns * channels
    print("Dtype of img1(BGR): {}, img2(Gray): {}".format(img1.dtype, img2.dtype))  # uint8

本例程的運行結果如下：

Ndim of img1(BGR): 3, img2(Gray): 2
Shape of img1(BGR): (512, 512, 3), img2(Gray): (512, 512)
Size of img1(BGR): 786432, img2(Gray): 262144
Dtype of img1(BGR): uint8, img2(Gray): uint8

通過資源管理器查看彩色影像和灰度影像的屬性如下圖，彩色影像的位深度為 24，灰度影像的位深度為 8，

在這里插入圖片描述


2. 像素的編輯

像素是構成數字影像的基本單位，像素處理是影像處理的基本操作，

對像素的訪問、修改，可以使用 Numpy 方法直接訪問陣列元素，

基本例程：

    # 1.13 Numpy 獲取和修改像素值
    img1 = cv2.imread("../images/imgLena.tif", flags=1)  # flags=1 讀取彩色影像(BGR)
    x, y = 10, 10  # 指定像素位置 x, y

    # (1) 直接訪問陣列元素，獲取像素值(BGR)
    pxBGR = img1[x,y]  # 訪問陣列元素[x,y], 獲取像素 [x,y] 的值
    print("x={}, y={}\nimg[x,y] = {}".format(x,y,img1[x,y]))
    # (2) 直接訪問陣列元素，獲取像素通道的值
    print("img[{},{},ch]:".format(x,y))
    for i in range(3):
        print(img1[x, y, i], end=' ')  # i=0,1,2 對應 B,G,R 通道
    # (3) img.item() 訪問陣列元素，獲取像素通道的值
    print("\nimg.item({},{},ch):".format(x,y))
    for i in range(3):
        print(img1.item(x, y, i), end=' ')  # i=0,1,2 對應 B,G,R 通道

    # (4) 修改像素值：img.itemset() 訪問陣列元素，修改像素通道的值
    ch, newValue = 0, 255
    print("\noriginal img[x,y] = {}".format(img1[x,y]))
    img1.itemset((x, y, ch), newValue)  # 將 [x,y,channel] 的值修改為 newValue
    print("updated img[x,y] = {}".format(img1[x,y]))

本例程的運行結果如下：

x=10, y=10
    img[x,y] = [113 131 226]
    img[10,10,ch]:  113 131 226 
    img.item(10,10,ch):  113 131 226 
    original img[x,y] = [113 131 226]
    updated  img[x,y] = [255 131 226]

3. 影像的創建

OpenCV 中影像物件的資料結構是 ndarray 多維陣列，因此可以用 Numpy 創建多維陣列來生成影像，特別對于空白、黑色、白色、隨機等特殊影像，用 Numpy 創建影像非常方便，

Numpy 可以使用 np.zeros() 等方法創建指定大小、型別的影像物件，也可以使用 np.zeros_like() 等方法創建與已有影像大小、型別相同的新影像，

函式說明：

numpy.empty(shape[, dtype, order]) # 回傳一個指定形狀和型別的空陣列

numpy.zeros(shape[, dtype, order]) # 回傳一個指定形狀和型別的全零陣列

numpy.ones(shape[, dtype, order]) # 回傳一個指定形狀和型別的全一陣列

numpy.empty_like(img) # 回傳一個與影像 img 形狀和型別相同的空陣列

numpy.zeros_like(img) # 回傳一個與影像 img 形狀和型別相同的全零陣列

numpy.ones_like(img) # 回傳一個與影像 img 形狀和型別相同的全一陣列

引數說明：

  • shape：整型元組，定義回傳多維陣列的形狀
  • dtype：資料型別，定義回傳多維陣列的型別，可選項
  • img：ndarray 多維陣列，表示一個灰度或彩色影像

基本例程：

    # 1.14 Numpy 創建影像
    # 創建彩色影像(RGB)
    # (1) 通過寬度高度值創建多維陣列
    width, height, channels = 400, 300, 3  # 行/高度, 列/寬度, 通道數
    imgEmpty = np.empty((width, height, channels), np.uint8)  # 創建空白陣列
    imgBlack = np.zeros((width, height, channels), np.uint8)  # 創建黑色影像 RGB=0
    imgWhite = np.ones((width, height, channels), np.uint8) * 255  # 創建白色影像 RGB=255
    # (2) 創建相同形狀的多維陣列
    img1 = cv2.imread("../images/imgLena.tif", flags=1)  # flags=1 讀取彩色影像(BGR)
    imgBlackLike = np.zeros_like(img1)  # 創建與 img1 相同形狀的黑色影像
    imgWhiteLike = np.ones_like(img1) * 255  # 創建與 img1 相同形狀的白色影像
    # (3) 創建彩色隨機影像 RGB=random
    import os
    randomByteArray = bytearray(os.urandom(width * height * channels))
    flatNumpyArray = np.array(randomByteArray)
    imgRGBRand = flatNumpyArray.reshape(width, height, channels)

    # (4) 創建灰度影像
    imgGrayWhite = np.ones((width, height), np.uint8) * 255  # 創建白色影像 Gray=255
    imgGrayBlack = np.zeros((width, height), np.uint8)  # 創建黑色影像 Gray=0
    imgGrayEye = np.eye(width)  # 創建對角線元素為1 的單位矩陣    
    randomByteArray = bytearray(os.urandom(width * height))
    flatNumpyArray = np.array(randomByteArray)
    imgGrayRand = flatNumpyArray.reshape(width, height)  # 創建灰度隨機影像 Gray=random

本例程的運行結果如下：
在這里插入圖片描述


4. 影像的復制

使用 Numpy 的 np.copy() 函式可以進行影像的復制，不能通過直接賦值進行影像的復制，

函式說明：

arr = numpy.copy(img) # 回傳一個復制的影像

引數說明：

  • img：ndarray 多維陣列，表示一個灰度或彩色影像

注意事項：

  1. Python 中的 “復制” 有無拷貝、淺拷貝和深拷貝之分，無拷貝相當于參考，淺拷貝只是對原變數記憶體地址的拷貝，深拷貝是對原變數（ndarray陣列）的所有資料的拷貝，
  2. Numpy 直接賦值是無拷貝，np.copy() 方法是深拷貝，切片操作是特殊的淺拷貝，
  3. 直接賦值得到的新影像相當于參考，改變新影像的值時原影像的值也發生改變；np.copy() 方法復制影像（ndarray陣列）得到的新影像才是深拷貝，改變復制影像的形狀或數值，原來影像并不會發生改變，

基本例程：

    # 1.15 影像的復制
    img1 = cv2.imread("../images/imgLena.tif", flags=1)  # flags=1 讀取彩色影像(BGR)
    img2 = img1.copy()
    print("img2=img1.copy(), img2 is img1?", img2 is img1)
    for col in range(100):
        for row in range(100):
            img2[col, row, :] = 0

    img3 = cv2.imread("../images/imgLena.tif", flags=1)  # flags=1 讀取彩色影像(BGR)
    img4 = img3
    print("img4=img3, img4 is img3?", img4 is img3)
    for col in range(100):
        for row in range(100):
            img4[col, row, :] = 0

    cv2.imshow("Demo1", img1)  # 在視窗顯示影像
    cv2.imshow("Demo2", img2)  # 在視窗顯示影像
    cv2.imshow("Demo3", img3)  # 在視窗顯示影像
    cv2.imshow("Demo4", img4)  # 在視窗顯示影像
    key = cv2.waitKey(0)  # 等待按鍵命令

本例程中，img4=img3 直接賦值，改變 img4 的數值后 img3 的數值也被改變了；img2 = img1.copy()，改變 img2 的數值后 img1 并未發生改變，

本例程的運行結果如下，使用 np.copy() 方法得到的新影像才是深拷貝，

img2=img1.copy(), img2 is img1? False
img4=img3, img4 is img3? True

5. 影像的裁剪

用 Numpy 的切片方法可以進行影像的裁剪，操作簡單方便，

方法說明：

retval = img[y:y+h, x:x+w].copy()

  • 對影像 img 裁剪并回傳指定的矩陣區域影像，

引數說明：

  • img：影像資料，ndarray 多維陣列
  • x, y：整數，像素值，裁剪矩形區域左上角的坐標值
  • w, h：整數，像素值，裁剪矩形區域的寬度、高度
  • 回傳值 retval：裁剪后獲得的 OpenCV 影像，nparray 多維陣列

注意事項：

  1. Numpy 多維陣列的切片是原始陣列的淺拷貝，切片修改后原始陣列也會改變，推薦采用 .copy() 進行深拷貝，得到原始影像的副本，
  2. Numpy 陣列切片，當上界或下界為陣列邊界時可以省略，如：img[y:, :x] 表示高度方向從 y 至影像底部（像素ymax），寬度方向從影像左側（像素 0）至 x，

基本例程：

    # 1.16 影像的裁剪
    img1 = cv2.imread("../images/imgLena.tif", flags=1)  # flags=1 讀取彩色影像(BGR)

    xmin, ymin, w, h = 180, 190, 200, 200  # 矩形裁剪區域 (ymin:ymin+h, xmin:xmin+w) 的位置引數
    imgCrop = img1[ymin:ymin+h, xmin:xmin+w].copy()  # 切片獲得裁剪后保留的影像區域

    cv2.imshow("DemoCrop", imgCrop)  # 在視窗顯示 彩色隨機影像
    key = cv2.waitKey(0)  # 等待按鍵命令

擴展例程：
函式 cv2.selectROI() 可以通過滑鼠選擇感興趣的矩形區域（ROI），

cv2.selectROI(windowName, img, showCrosshair=None, fromCenter=None):

使用 cv2.selectROI()，可以實作對 ROI 的裁剪，詳見例程 1.17，

    # 1.17 影像的裁剪 (ROI)
    img1 = cv2.imread("../images/imgLena.tif", flags=1)  # flags=1 讀取彩色影像(BGR)

    roi = cv2.selectROI(img1, showCrosshair=True, fromCenter=False)
    xmin, ymin, w, h = roi  # 矩形裁剪區域 (ymin:ymin+h, xmin:xmin+w) 的位置引數
    imgROI = img1[ymin:ymin+h, xmin:xmin+w].copy()  # 切片獲得裁剪后保留的影像區域

    cv2.imshow("DemoRIO", imgROI)
    cv2.waitKey(0)

在這里插入圖片描述


6. 影像的拼接

用 Numpy 的陣列堆疊方法可以進行影像的拼接，操作簡單方便，

方法說明：

retval = numpy.hstack((img1, img2, …)) # 水平拼接
retval = numpy.vstack((img1, img2, …)) # 垂直拼接

  • np.hstack() 按水平方向（列順序）拼接 2個或多個影像，影像的高度（陣列的行）必須相同，
  • np.vstack() 按垂直方向（行順序）拼接 2個或多個影像，影像的寬度（陣列的列）必須相同，
  • 綜合使用 np.hstack() 和 np.vstack() 函式，可以實作影像的矩陣拼接，
  • np.hstack() 和 np.vstack() 只是簡單地將幾張影像直接堆疊而連成一張影像，并未對影像進行特征提取和邊緣處理，因而并不能實作影像的全景拼接，

引數說明：

  • img1, img2, …：拼接前的影像，ndarray 多維陣列
  • 回傳值 retval：拼接后的影像，ndarray 多維陣列

基本例程：

    # 1.18 影像拼接
    img1 = cv2.imread("../images/imgLena.tif")  # 讀取彩色影像(BGR)
    img2 = cv2.imread("../images/logoCV.png")  # 讀取彩色影像(BGR)
    img1 = cv2.resize(img1, (400, 400))
    img2 = cv2.resize(img2, (300, 400))
    img3 = cv2.resize(img2, (400, 300))
    imgStackH = np.hstack((img1, img2))  # 高度相同影像可以橫向水平拼接
    imgStackV = np.vstack((img1, img3))  # 寬度相同影像可以縱向垂直拼接

    print("Horizontal stack:\nShape of img1, img2 and imgStackH: ", img1.shape, img2.shape, imgStackH.shape)
    print("Vertical stack:\nShape of img1, img3 and imgStackV: ", img1.shape, img3.shape, imgStackV.shape)
    cv2.imshow("DemoStackH", imgStackH)  # 在視窗顯示影像 imgStackH
    cv2.imshow("DemoStackV", imgStackV)  # 在視窗顯示影像 imgStackV
    key = cv2.waitKey(0)  # 等待按鍵命令

本例程的運行結果如下：

Horizontal stack:
Shape of img1, img2 and imgStackH:  (400, 400, 3) (400, 300, 3) (400, 700, 3)
Vertical stack:
Shape of img1, img3 and imgStackV:  (400, 400, 3) (300, 400, 3) (700, 400, 3)

在這里插入圖片描述


7. 影像通道的拆分

函式 cv2.split() 將 3 通道 BGR 彩色影像分離為 B、G、R 單通道影像，

函式說明：

cv2.split(img[, mv]) -> retval # 影像拆分為 BGR 通道

  • 函式 cv2.split() 傳入一個影像陣列，并將影像拆分為 B/G/R 三個通道，

引數說明：

  • img：影像資料，ndarray 多維陣列
  • mv：指定的分拆通道（可選）

注意事項：

  1. 對于 openCV 使用的 BGR 格式影像，回傳的分拆通道的次序為 B、G、R 通道，
  2. BGR 彩色影像的資料形狀為 (width, height, channels=3)，回傳的 B/G/R 通道的資料形狀為 (width, height)，不能按照 BGR 彩色影像直接顯示，
  3. 如果直接用 imshow 顯示回傳的單通道物件，將被視為 (width, height) 形狀的灰度影像顯示，
  4. 如果要正確顯示某一顏色分量，需要增加另外兩個通道值（置 0）轉換為 BGR 三通道格式，再用 imshow 才能顯示為拆分通道的顏色，
  5. cv2.split() 操作復雜耗時，可以直接使用 NumPy 切片得到分離通道，

基本例程：

    # 1.19 影像拆分通道
    img1 = cv2.imread("../images/imgB1.jpg", flags=1)  # flags=1 讀取彩色影像(BGR)
    cv2.imshow("BGR", img1)  # BGR 影像

    # BGR 通道拆分
    bImg, gImg, rImg = cv2.split(img1)  # 拆分為 BGR 獨立通道
    cv2.imshow("rImg", rImg)  # 直接顯示紅色分量 rImg 顯示為灰度影像
    
    # 將單通道擴展為三通道
    imgZeros = np.zeros_like(img1)  # 創建與 img1 相同形狀的黑色影像
    imgZeros[:,:,2] = rImg  # 在黑色影像模板添加紅色分量 rImg
    cv2.imshow("channel R", imgZeros)  # 擴展為 BGR 通道
    
    print(img1.shape, rImg.shape, imgZeros.shape)
    cv2.waitKey(0)
    cv2.destroyAllWindows()  # 釋放所有視窗

本例程的運行結果如下：

(512, 512, 3) (512, 512) (512, 512, 3)

運行結果表明：

  1. 彩色影像 img1 的形狀為 (512, 512, 3)，拆分的 R 通道 rImg 的形狀為 (512, 512)，
  2. 用 imshow 顯示 rImg，將被視為 (512, 512) 形狀的灰度影像顯示，不能顯示為紅色通道，
  3. 對 rImg 增加 B、G 兩個通道值（置 0）轉換為 BGR格式，再用 imshow 才能顯示紅色通道的顏色，

在這里插入圖片描述

擴展例程：
使用 NumPy 切片得到分離通道更為簡便，而且運行速度比 cv2.split 更快，

    # 1.20 影像拆分通道 (Numpy切片)
    img1 = cv2.imread("../images/imgB1.jpg", flags=1)  # flags=1 讀取彩色影像(BGR)
    
    # 獲取 B 通道
    bImg = img1.copy()  # 獲取 BGR
    bImg[:, :, 1] = 0  # G=0
    bImg[:, :, 2] = 0  # R=0
    
    # 獲取 G 通道
    gImg = img1.copy()  # 獲取 BGR
    gImg[:, :, 0] = 0  # B=0
    gImg[:, :, 2] = 0  # R=0
    
    # 獲取 R 通道
    rImg = img1.copy()  # 獲取 BGR
    rImg[:, :, 0] = 0  # B=0
    rImg[:, :, 1] = 0  # G=0
    
    # 消除 B 通道
    grImg = img1.copy()  # 獲取 BGR
    grImg[:, :, 0] = 0  # B=0
    
    plt.subplot(221), plt.title("1. B channel"), plt.axis('off')
    bImg = cv2.cvtColor(bImg, cv2.COLOR_BGR2RGB)  # 圖片格式轉換：BGR(OpenCV) -> RGB(PyQt5)
    plt.imshow(bImg)  # matplotlib 顯示 channel B
    plt.subplot(222), plt.title("2. G channel"), plt.axis('off')
    gImg = cv2.cvtColor(gImg, cv2.COLOR_BGR2RGB)
    plt.imshow(gImg)  # matplotlib 顯示 channel G
    plt.subplot(223), plt.title("3. R channel"), plt.axis('off')
    rImg = cv2.cvtColor(rImg, cv2.COLOR_BGR2RGB)
    plt.imshow(rImg)  # matplotlib 顯示 channel R
    plt.subplot(224), plt.title("4. GR channel"), plt.axis('off')
    grImg = cv2.cvtColor(grImg, cv2.COLOR_BGR2RGB)
    plt.imshow(grImg)  # matplotlib 顯示 channel GR
    plt.show()

本例程的運行結果如下，GR channel 是消除 B通道（保留 G/R 通道的影像）：

在這里插入圖片描述


8. 影像通道的合并

函式 cv2.merge() 將 B、G、R 單通道合并為 3 通道 BGR 彩色影像，

函式說明：

cv2.merge(mv[, dst]) -> retval # BGR 通道合并

引數說明：

  • mv：要合并的單通道
  • dst：通道合并的影像，ndarray 多維陣列

注意事項：

  1. 進行合并的 B、G、R 單通道影像分量，資料形狀必須為 (width, height)，而不是形狀為 (width, height, channels=3) 的藍色/綠色/紅色影像，
  2. 單通道影像分量的影像大小 (width, height) 必須相同才能進行合并，
  3. 顏色通道要按照 B、G、R 通道次序合并，才能得到 BGR 格式的合并結果，
  4. cv2.merge() 操作復雜耗時，推薦使用 NumPy 陣列合并函式 np.stack() 生成合成影像，

基本例程：

    # 1.21 影像通道的合并
    img1 = cv2.imread("../images/imgB1.jpg", flags=1)  # flags=1 讀取彩色影像(BGR)
    bImg, gImg, rImg = cv2.split(img1)  # 拆分為 BGR 獨立通道

    # cv2.merge 實作影像通道的合并
    imgMerge = cv2.merge([bImg, gImg, rImg])
    cv2.imshow("cv2Merge", imgMerge)
    
    # Numpy 拼接實作影像通道的合并
    imgStack = np.stack((bImg, gImg, rImg), axis=2)
    cv2.imshow("npStack", imgStack)
    
    print(imgMerge.shape, imgStack.shape)
    print("imgMerge is imgStack?", np.array_equal(imgMerge, imgStack))
    
    cv2.waitKey(0)
    cv2.destroyAllWindows()  # 釋放所有視窗

本例程的運行結果如下，imgMerge 與 imgStack 不僅形狀相同，而且每個位置的元素相等，表明 cv2.merge() 與 np.stack() 方法合并影像通道的結果是相同的，

(512, 512, 3) (512, 512, 3)
imgMerge is imgStack? True

【本節完】


著作權宣告：

歡迎關注『Python 小白從零開始 OpenCV 學習課 @ youcans』 原創作品

原創作品，轉載必須標注原文鏈接：https://blog.csdn.net/youcans/article/details/121068795

Copyright 2021 youcans, XUPT

Crated：2021-11-03

歡迎關注『Python 小白從零開始 OpenCV 學習課 @ youcans』 系列，持續更新中
Python 大白從零開始 OpenCV 學習課-1.安裝與環境配置
Python 大白從零開始 OpenCV 學習課-2.影像讀取與顯示
Python 大白從零開始 OpenCV 學習課-3.影像的創建與修改
Python 大白從零開始 OpenCV 學習課-4.影像的疊加與混合

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/350764.html

標籤：其他

上一篇：機器學習基礎知識之概率論的Matlab描述概率的影像（二）

下一篇：《暢玩NAS》第6章 NextCloud環境搭建

標籤雲
其他(157675) Python(38076) JavaScript(25376) Java(17977) C(15215) 區塊鏈(8255) C＃(7972) AI(7469) 爪哇(7425) MySQL(7132) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5869) 数组(5741) R(5409) Linux(5327) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4554) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2429) ASP.NET(2402) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) 功能(1967) .NET技术(1958) Web開發(1951) python-3.x(1918) HtmlCss(1915) 弹簧靴(1913) C++(1909) xml(1889) PostgreSQL(1872) .NETCore(1853) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • 網閘典型架構簡述

    網閘架構一般分為兩種：三主機的三系統架構網閘和雙主機的2+1架構網閘。 三主機架構分別為內端機、外端機和仲裁機。三機無論從軟體和硬體上均各自獨立。首先從硬體上來看，三機都用各自獨立的主板、記憶體及存盤設備。從軟體上來看，三機有各自獨立的作業系統。這樣能達到完全的三機獨立。對于“2+1”系統，“2”分為 ......

    uj5u.com 2020-09-10 02:00:44 more
  • 如何從xshell上傳檔案到centos linux虛擬機里

    如何從xshell上傳檔案到centos linux虛擬機里及：虛擬機CentOs下執行 yum -y install lrzsz命令，出現錯誤：鏡像無法找到軟體包 前言 一、安裝lrzsz步驟 二、上傳檔案 三、遇到的問題及解決方案 總結 前言 提示：其實很簡單，往虛擬機上安裝一個上傳檔案的工具 ......

    uj5u.com 2020-09-10 02:00:47 more
  • 一、SQLMAP入門

    一、SQLMAP入門 1、判斷是否存在注入 sqlmap.py -u 網址/id=1 id=1不可缺少。當注入點后面的引數大于兩個時。需要加雙引號， sqlmap.py -u "網址/id=1&uid=1" 2、判斷文本中的請求是否存在注入 從文本中加載http請求，SQLMAP可以從一個文本檔案中 ......

    uj5u.com 2020-09-10 02:00:50 more
  • Metasploit 簡單使用教程

    metasploit 簡單使用教程 浩先生， 2020-08-28 16:18:25 分類專欄： kail 網路安全 linux 文章標簽： linux資訊安全 編輯 著作權 metasploit 使用教程 前言 一、Metasploit是什么？ 二、準備作業 三、具體步驟 前言 Msfconsole ......

    uj5u.com 2020-09-10 02:00:53 more
  • 游戲逆向之驅動層與用戶層通訊

    驅動層代碼： #pragma once #include <ntifs.h> #define add_code CTL_CODE(FILE_DEVICE_UNKNOWN,0x800,METHOD_BUFFERED,FILE_ANY_ACCESS) /* 更多游戲逆向視頻www.yxfzedu.com ......

    uj5u.com 2020-09-10 02:00:56 more
  • 北斗電力時鐘（北斗授時服務器）讓網路資料更精準

    北斗電力時鐘（北斗授時服務器）讓網路資料更精準 北斗電力時鐘（北斗授時服務器）讓網路資料更精準 京準電子科技官微——ahjzsz 近幾年，資訊技術的得了快速發展，互聯網在逐漸普及，其在人們生活和生產中都得到了廣泛應用，并且取得了不錯的應用效果。計算機網路資訊在電力系統中的應用，一方面使電力系統的運行 ......

    uj5u.com 2020-09-10 02:01:03 more
  • 【CTF】CTFHub 技能樹 彩蛋 writeup

    ?碎碎念 CTFHub：https://www.ctfhub.com/ 筆者入門CTF時時剛開始刷的是bugku的舊平臺，后來才有了CTFHub。 感覺不論是網頁UI設計，還是題目質量，賽事跟蹤，工具軟體都做得很不錯。 而且因為獨到的金幣制度的確讓人有一種想去刷題賺金幣的感覺。 個人還是非常喜歡這個 ......

    uj5u.com 2020-09-10 02:04:05 more
  • 02windows基礎操作

    我學到了一下幾點 Windows系統目錄結構與滲透的作用 常見Windows的服務詳解 Windows埠詳解 常用的Windows注冊表詳解 hacker DOS命令詳解（net user / type /md /rd/ dir /cd /net use copy、批處理 等） 利用dos命令制作 ......

    uj5u.com 2020-09-10 02:04:18 more
  • 03.Linux基礎操作

    我學到了以下幾點 01Linux系統介紹02系統安裝，密碼啊破解03Linux常用命令04LAMP 01LINUX windows： win03 8 12 16 19 配置不繁瑣 Linux：redhat,centos(紅帽社區版)，Ubuntu server,suse unix:金融機構，證券，銀 ......

    uj5u.com 2020-09-10 02:04:30 more
  • 05HTML

    01HTML介紹 02頭部標簽講解03基礎標簽講解04表單標簽講解 HTML前段語言 js1.了解代碼2.根據代碼 懂得挖掘漏洞 （POST注入/XSS漏洞上傳）3.黑帽seo 白帽seo 客戶網站被黑帽植入劫持代碼如何處理4.熟悉html表單 <html><head><title>TDK標題，描述 ......

    uj5u.com 2020-09-10 02:04:36 more
最新发布
  • 2023年最新微信小程式抓包教程

    01 開門見山 隔一個月發一篇文章，不過分。 首先回顧一下《微信系結手機號資料庫被脫庫事件》，我也是第一時間得知了這個訊息，然后跟蹤了整件事情的經過。下面是這起事件的相關截圖以及近日流出的一萬條資料樣本： 個人認為這件事也沒什么，還不如關注一下之前45億快遞資料查詢渠道疑似在近日復活的訊息。 訊息是 ......

    uj5u.com 2023-04-20 08:48:24 more
  • web3 產品介紹：metamask 錢包 使用最多的瀏覽器插件錢包

    Metamask錢包是一種基于區塊鏈技術的數字貨幣錢包，它允許用戶在安全、便捷的環境下管理自己的加密資產。Metamask錢包是以太坊生態系統中最流行的錢包之一，它具有易于使用、安全性高和功能強大等優點。 本文將詳細介紹Metamask錢包的功能和使用方法。 一、 Metamask錢包的功能 數字資 ......

    uj5u.com 2023-04-20 08:47:46 more
  • vulnhub_Earth

    前言 靶機地址->>>vulnhub_Earth 攻擊機ip：192.168.20.121 靶機ip：192.168.20.122 參考文章 https://www.cnblogs.com/Jing-X/archive/2022/04/03/16097695.html https://www.cnb ......

    uj5u.com 2023-04-20 07:46:20 more
  • 從4k到42k，軟體測驗工程師的漲薪史，給我看哭了

    清明節一過，盲猜大家已經無心上班，在數著日子準備過五一，但一想到銀行卡里的余額……瞬間心情就不美麗了。最近，2023年高校畢業生就業調查顯示，本科畢業月平均起薪為5825元。調查一出，便有很多同學表示自己又被平均了。看著這一資料，不免讓人想到前不久中國青年報的一項調查：近六成大學生認為畢業10年內會 ......

    uj5u.com 2023-04-20 07:44:00 more
  • 最新版本 Stable Diffusion 開源 AI 繪畫工具之中文自動提詞篇

    🎈 標簽生成器 由于輸入正向提示詞 prompt 和反向提示詞 negative prompt 都是使用英文，所以對學習母語的我們非常不友好 使用網址：https://tinygeeker.github.io/p/ai-prompt-generator 這個網址是為了讓大家在使用 AI 繪畫的時候 ......

    uj5u.com 2023-04-20 07:43:36 more
  • 漫談前端自動化測驗演進之路及測驗工具分析

    隨著前端技術的不斷發展和應用程式的日益復雜，前端自動化測驗也在不斷演進。隨著 Web 應用程式變得越來越復雜，自動化測驗的需求也越來越高。如今，自動化測驗已經成為 Web 應用程式開發程序中不可或缺的一部分，它們可以幫助開發人員更快地發現和修復錯誤，提高應用程式的性能和可靠性。 ......

    uj5u.com 2023-04-20 07:43:16 more
  • CANN開發實踐：4個DVPP記憶體問題的典型案例解讀

    摘要：由于DVPP媒體資料處理功能對存放輸入、輸出資料的記憶體有更高的要求（例如，記憶體首地址128位元組對齊），因此需呼叫專用的記憶體申請介面，那么本期就分享幾個關于DVPP記憶體問題的典型案例，并給出原因分析及解決方法。 本文分享自華為云社區《FAQ_DVPP記憶體問題案例》，作者：昇騰CANN。 DVPP ......

    uj5u.com 2023-04-20 07:43:03 more
  • msf學習

    msf學習 以kali自帶的msf為例 一、msf核心模塊與功能 msf模塊都放在/usr/share/metasploit-framework/modules目錄下 1、auxiliary 輔助模塊，輔助滲透（埠掃描、登錄密碼爆破、漏洞驗證等） 2、encoders 編碼器模塊，主要包含各種編碼 ......

    uj5u.com 2023-04-20 07:42:59 more
  • Halcon軟體安裝與界面簡介

    1. 下載Halcon17版本到到本地 2. 雙擊安裝包后 3. 步驟如下 1.2 Halcon軟體安裝 界面分為四大塊 1. Halcon的五個助手 1) 影像采集助手：與相機連接，設定相機引數，采集影像 2) 標定助手：九點標定或是其它的標定，生成標定檔案及內參外參，可以將像素單位轉換為長度單位 ......

    uj5u.com 2023-04-20 07:42:17 more
  • 在MacOS下使用Unity3D開發游戲

    第一次發博客，先發一下我的游戲開發環境吧。 去年2月份買了一臺MacBookPro2021 M1pro(以下簡稱mbp)，這一年來一直在用mbp開發游戲。我大致分享一下我的開發工具以及使用體驗。 1、Unity 官網鏈接： https://unity.cn/releases 我一般使用的Apple ......

    uj5u.com 2023-04-20 07:40:19 more

Copyright © 2010-2020 有解無憂