传统CV算法——轮廓性质算法实战

2024-09-04 08:28
文章标签 算法 实战 cv 轮廓 传统 性质

本文主要是介绍传统CV算法——轮廓性质算法实战，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

  • 近似轮廓寻找

cv2.approxPolyDP 函数简介

cv2.approxPolyDP 是 OpenCV 中用于多边形逼近的函数。它基于 Ramer-Douglas-Peucker 算法，通过对曲线或多边形进行抽象，来近似表示其形状。这个函数通常用于简化轮廓，使得复杂的轮廓用较少的顶点来表示，方便后续的处理和分析。

函数原型

cv2.approxPolyDP(curve, epsilon, closed)

输入参数

  1. curve (numpy.ndarray):

    • 描述：输入的点集，即需要进行多边形逼近的曲线或轮廓。这通常是一个包含轮廓点的数组，形状为 (num_points, 1, 2)，其中 num_points 是轮廓的点数，2 表示每个点的 (x, y) 坐标。
    • 作用：函数对这个点集进行处理，生成近似的多边形。

  2. epsilon (float):

    • 描述：逼近精度参数，它表示原始曲线与近似曲线之间的最大距离，通常是一个非负数。
    • 作用：这个参数控制了近似的精度，epsilon 越小，近似的多边形越接近原始曲线，保留的点数也越多；epsilon 越大，逼近的多边形越简单（点数越少）。

  3. closed (bool):

    • 描述：一个布尔值，表示是否将多边形看作闭合的（即首尾相连）。
    • 作用：如果 closed=True，函数会将曲线作为一个闭合多边形处理；如果 closed=False，则会将曲线看作一个开口曲线（首尾不相连）。

返回值

  • approxCurve (numpy.ndarray):
    • 该函数返回一个近似的多边形点集，通常是一个形状为 (num_points, 1, 2) 的数组，表示近似多边形的顶点。

示例代码

import cv2
import numpy as np# 创建一个简单的轮廓
contour = np.array([[0, 0], [100, 0], [100, 100], [50, 50], [0, 100]], dtype=np.int32)
contour = contour.reshape((-1, 1, 2))# 设置逼近精度
epsilon = 10.0# 进行多边形逼近
approx = cv2.approxPolyDP(contour, epsilon, True)# 打印逼近后的点集
print("Approx Poly DP:", approx)

应用场景

  • 轮廓简化：在目标检测和图像分割任务中，通过简化轮廓可以减少计算复杂度，便于后续处理。
  • 形状分析：逼近后的多边形可以用于形状分析，比如识别多边形的边数以区分不同类型的几何形状。
  • 特征提取：在一些计算机视觉应用中，可以利用逼近后的多边形作为特征点进行匹配或跟踪。

cv2.approxPolyDP 是一个强大的工具，可以简化和近似多边形形状，为后续的图像处理任务提供更有效的表示形式。通过调整 epsilon 参数，用户可以灵活地控制近似的精度，以适应不同的应用需求。

import cv2
img = cv2.imread("./images/26.jpg",cv2.IMREAD_COLOR)img2gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)ret,thresh = cv2.threshold(img2gray,127,255,cv2.THRESH_OTSU)contours,_ = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)# 近似的误差
epsion =40approx = cv2.approxPolyDP(contours[0],epsion,True)img_contour = cv2.drawContours(img,[approx],contourIdx=-1,color=(0,0,255),thickness=3)cv2.imshow("img_contour",img_contour)
cv2.waitKey(0)

在这里插入图片描述

边界矩形绘制

cv2.boundingRect 是 OpenCV 中用于计算一个二值图像或轮廓的最小外接矩形的函数。该外接矩形是能完全包围轮廓或点集的矩形，通常用于后续处理，例如裁剪图像区域、绘制矩形等操作。

函数原型

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

输入参数

  • array (numpy.ndarray):
    • 描述：输入的点集或轮廓，通常是一个包含二维坐标的 NumPy 数组。例如，它可以是由 cv2.findContours 函数返回的一个轮廓，形状为 (num_points, 1, 2) 或者直接是二维坐标点的集合。

输出

  • x (int):

    • 外接矩形左上角的 x 坐标。

  • y (int):

    • 外接矩形左上角的 y 坐标。

  • w (int):

    • 外接矩形的宽度。

  • h (int):

    • 外接矩形的高度。

应用场景

  • 目标检测后处理：在目标检测任务中，通过计算目标的最小外接矩形，可以方便地对目标进行定位、裁剪或标注。
  • 图像裁剪：根据计算得到的外接矩形，可以裁剪出图像中包含目标的部分，便于进一步处理或保存。
  • 特征提取：在图像分析中，外接矩形的宽高比等信息可以作为目标物体的形状特征，用于分类或识别任务。

cv2.boundingRect 是一个简单而实用的函数，广泛用于图像处理和计算机视觉任务中。它提供了一种快速计算二值图像中目标的最小包围矩形的方法，便于进一步分析或操作。


import cv2
import numpy as npimg = cv2.imread("./images/16.jpg")img2gary = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)ret,thresh = cv2.threshold(img2gary,127,255,cv2.THRESH_OTSU)contour,_ = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)# 边界矩形
x,y,w,h = cv2.boundingRect(contour[0])
img_coutour = cv2.rectangle(img,(x,y),(x+w,y+h),color=(0,255,0),thickness=2)cv2.imshow("img_contour",img_coutour)
cv2.waitKey(0)

在这里插入图片描述

最小外切矩形绘制

cv2.minAreaRect 是 OpenCV 中用于计算一个点集或轮廓的最小外接矩形的函数。与 cv2.boundingRect 不同，cv2.minAreaRect 返回的是一个可以旋转的矩形，即它可以适应点集的方向，能够更紧密地包围目标。这对于需要更精确边界的应用非常有用。

函数原型

rect = cv2.minAreaRect(points)

输入参数

  • points (numpy.ndarray):
    • 描述：输入的点集，通常是一个包含二维坐标的 NumPy 数组。它可以是由 cv2.findContours 函数返回的轮廓，形状为 (num_points, 1, 2) 或者直接是二维坐标点的集合。
    • 要求：点集应该是一个连续的数组，通常是轮廓的点。

输出

  • rect (((center_x, center_y), (width, height), angle)):
    • 返回一个包含三个元素的元组：
      • center ((center_x, center_y)): 矩形中心的坐标。
      • size ((width, height)): 矩形的宽度和高度。
      • angle (float): 矩形的旋转角度（相对于水平线的角度，单位为度）。如果宽度大于高度，角度为正；否则为负。

应用场景

  • 目标检测：在目标检测任务中，使用最小外接矩形可以更准确地包围目标，尤其是当目标不是正方形或矩形时。
  • 形状分析：通过分析最小外接矩形的宽高比和旋转角度，可以提取目标的形状特征，用于分类或识别。
  • 图像处理：在图像处理和计算机视觉中，最小外接矩形可以用于裁剪、定位和标注目标。

cv2.minAreaRect 是一个强大的工具，可以计算出点集的最小外接矩形，适用于各种计算机视觉任务。通过返回的矩形中心、尺寸和角度信息，用户可以灵活地处理和分析图像中的目标。


import cv2
import numpy as npimg = cv2.imread("./images/16.jpg")img2gary = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)ret,thresh = cv2.threshold(img2gary,127,255,cv2.THRESH_OTSU)contour,_ = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)# # 最小矩形
rect = cv2.minAreaRect(contour[0])
box = cv2.boxPoints(rect)
box = np.int0(box)
img_coutour = cv2.drawContours(img,[box],contourIdx=0,color=(0,255,0),thickness=3)cv2.imshow("img_contour",img_coutour)
cv2.waitKey(0)

在这里插入图片描述

最小外切圆

cv2.minEnclosingCircle 是 OpenCV 中用于计算一个点集或轮廓的最小外接圆的函数。这个函数可以找到一个圆，该圆能够完全包围给定的点集，并且是所有可能的外接圆中半径最小的一个。

函数原型

center, radius = cv2.minEnclosingCircle(points)

输入参数

  • points (numpy.ndarray):
    • 描述：输入的点集，通常是一个包含二维坐标的 NumPy 数组。它可以是由 cv2.findContours 函数返回的轮廓，形状为 (num_points, 1, 2) 或者直接是二维坐标点的集合。
    • 要求：点集应该是一个连续的数组，通常是轮廓的点。

输出

  • center ((center_x, center_y)):

    • 返回一个包含圆心坐标的元组，表示最小外接圆的中心位置。

  • radius (float):

    • 返回最小外接圆的半径。

应用场景

  • 目标检测：在目标检测任务中，最小外接圆可以用于快速定位和标记目标，尤其是在目标呈现圆形或近似圆形时。
  • 形状分析：通过分析最小外接圆的半径和圆心位置，可以提取目标的几何特征，用于分类或识别。
  • 图像处理：在图像处理和计算机视觉中，最小外接圆可以用于裁剪、定位和标注目标。

cv2.minEnclosingCircle 是一个简单而有效的工具，可以计算出点集的最小外接圆，适用于各种计算机视觉任务。通过返回的圆心和半径信息，用户可以灵活地处理和分析图像中的目标。

import cv2
import numpy as npimg = cv2.imread("./images/16.jpg")img2gary = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)ret,thresh = cv2.threshold(img2gary,127,255,cv2.THRESH_OTSU)contour,_ = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)# 最小外切圆
(x,y),radious = cv2.minEnclosingCircle(contour[0])
center = (int(x),int(y))
radious = int(radious)
img_coutour = cv2.circle(img,center,radious,(255,0,0),thickness=2)cv2.imshow("img_contour",img_coutour)
cv2.waitKey(0)

在这里插入图片描述

凸包检测

cv2.convexHull 是 OpenCV 中用于计算点集的凸包的函数。凸包是一个最小的多边形，能够完全包围给定的点集。这个函数在计算机视觉和图像处理中的许多应用中都非常有用，例如形状分析、物体检测和轮廓处理等。

函数原型

hull = cv2.convexHull(points, hull=None, clockwise=False, returnPoints=True)

输入参数

  1. points (numpy.ndarray):

    • 描述：输入的点集，通常是一个包含二维坐标的 NumPy 数组。它可以是由 cv2.findContours 函数返回的轮廓，形状为 (num_points, 1, 2) 或者直接是二维坐标点的集合。
    • 要求：点集应该是一个连续的数组。

  2. hull (numpy.ndarray, 可选):

    • 描述：输出的凸包点集。如果提供了这个参数，函数会将计算得到的凸包点存储在这个数组中。

  3. clockwise (bool, 默认值 False):

    • 描述：是否按顺时针方向返回凸包点。
    • 作用：如果设置为 True，则返回的凸包点按顺时针方向排列；如果设置为 False，则按逆时针方向排列。

  4. returnPoints (bool, 默认值 True):

    • 描述：是否返回凸包的点坐标。
    • 作用：如果设置为 True，返回的是凸包的点坐标；如果设置为 False，返回的是凸包点的索引。

输出

  • hull (numpy.ndarray):
    • 返回一个包含凸包点的数组，形状为 (num_hull_points, 1, 2)，其中 num_hull_points 是凸包的点数。

应用场景

  • 形状分析：通过计算凸包，可以提取物体的外部形状特征，用于分类或识别。
  • 碰撞检测：在游戏开发和机器人导航中，凸包可以用于快速检测物体之间的碰撞。
  • 图像分割：在图像处理任务中，凸包可以帮助确定物体的边界，便于后续的分割和分析。

cv2.convexHull 是一个强大的工具，可以计算出点集的凸包，适用于各种计算机视觉任务。通过返回的凸包点，用户可以灵活地处理和分析图像中的目标，提取形状特征并进行进一步的处理。

import cv2img = cv2.imread("./images/16.jpg",cv2.IMREAD_COLOR)img2gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(img2gray,127,255,cv2.THRESH_OTSU)contours,_ = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)hull = cv2.convexHull(contours[0])print(cv2.isContourConvex(contours[0]),cv2.isContourConvex(hull))#False,Trueimg_contour= cv2.drawContours(img,[hull],-1,(0,0,255),3)cv2.imshow("img_contour",img_contour)
cv2.waitKey(0)

在这里插入图片描述

检测重心，面积，周长

好的，以下是对 cv2.contourArea、cv2.arcLength 和 cv2.ments 的简要介绍，不包含示例代码。

1. cv2.contourArea

  • 功能：计算给定轮廓的面积。
  • 输入参数：
    • contour: 输入的轮廓，通常是一个包含二维坐标的 NumPy 数组。
  • 输出：
    • 返回轮廓的面积（浮点数）。对于闭合轮廓，面积为正值；对于逆时针方向的轮廓，面积为负值。

2. cv2.arcLength

  • 功能：计算给定轮廓的周长或长度。
  • 输入参数：
    • curve: 输入的轮廓，通常是一个包含二维坐标的 NumPy 数组。
    • closed: 布尔值，表示轮廓是否闭合。如果为 True，计算闭合轮廓的周长；如果为 False，计算开口曲线的长度。
  • 输出：
    • 返回轮廓的周长（浮点数）。

3. cv2.moments

  • 功能：计算给定轮廓的几何矩。
  • 输入参数：
    • contour: 输入的轮廓，通常是一个包含二维坐标的 NumPy 数组。
    • binaryImage: 布尔值，表示输入是否为二值图像（默认为 False）。
  • 输出：
    • 返回一个字典，包含轮廓的几何矩信息，包括 m00（面积）、m10、m01（用于计算质心）等。

这三个函数在图像处理和计算机视觉中非常重要，能够帮助用户提取和分析图像中的形状特征。


import cv2img =cv2.imread("./images/16.jpg",cv2.IMREAD_COLOR)
img2gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(img2gray,127,255,cv2.THRESH_OTSU)contours,_ = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
# 矩形
M = cv2.moments(contours[0])
cx,cy = int(M["m10"]/M["m00"]),int(M["m01"]/M["m00"])print("重心:",cx,cy)area = cv2.contourArea(contours[0])print("面积:",area)perimeter  = cv2.arcLength(contours[0],True)print("周长:",perimeter)img_contour= cv2.drawContours(img,contours,-1,(0,0,255),3)cv2.imshow("img_contour",img_contour)
cv2.waitKey(0)

加粗样式

椭圆拟合和直线拟合

1. cv2.fitEllipse

  • 功能：计算给定点集的最佳拟合椭圆。
  • 输入参数：
    • points: 输入的点集，通常是一个包含二维坐标的 NumPy 数组，形状为 (num_points, 1, 2)，其中 num_points 是点的数量。
  • 输出：
    • 返回一个包含椭圆参数的元组 (center, (major_axis_length, minor_axis_length), angle)，其中：
      • center: 椭圆中心的坐标 (x, y)。
      • major_axis_length: 椭圆的主轴长度。
      • minor_axis_length: 椭圆的次轴长度。
      • angle: 椭圆的旋转角度（相对于水平线的角度，单位为度）。

2. cv2.fitLine

  • 功能：计算给定点集的最佳拟合直线。
  • 输入参数：
    • points: 输入的点集，通常是一个包含二维坐标的 NumPy 数组，形状为 (num_points, 1, 2)。
    • distType: 距离类型，指定拟合的距离度量方式（如 cv2.DIST_L2、cv2.DIST_L1 等）。
    • param: 参数，通常设置为 0。
    • reps: 代表拟合精度的参数，通常设置为 0.01。
    • aeps: 代表拟合精度的参数，通常设置为 0.01。
  • 输出：
    • 返回一个包含直线参数的元组 (vx, vy, x0, y0)，其中：
      • (vx, vy): 直线的方向向量。
      • (x0, y0): 直线上的一个点的坐标。

这两个函数在图像处理和计算机视觉中用于形状分析和特征提取，能够帮助用户从点集数据中提取出有用的几何信息。

import cv2
import numpy as npimg = cv2.imread("./images/16.jpg")img2gary = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)ret,thresh = cv2.threshold(img2gary,127,255,cv2.THRESH_OTSU)contours,_ =  cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)# 椭圆拟合
ellipse = cv2.fitEllipse(contours[0])# cv2.ellipse(contours[0])
cv2.ellipse(img,ellipse,(255,0,0),thickness=2)# 直线拟合h,w, _ = img.shape[vx,vy,x,y] = cv2.fitLine(contours[0],cv2.DIST_L2,0,0.01,0.01)
lefty = int((-x*vy/vx)+y)righty = int((w-x)*vy/vx+y)
cv2.line(img,(w-1,righty),(0,lefty),(0,0,255),thickness=2)
cv2.imshow("img_contour",img)
cv2.waitKey(0)

在这里插入图片描述

轮廓匹配

cv2.matchShapes 是 OpenCV 中用于比较两个轮廓形状相似度的函数。它通过计算两个轮廓的 Hu 矩（Hu Moments）来评估它们的形状相似性。该函数通常用于形状识别和分类任务。

函数原型

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

输入参数

  1. contour1 (numpy.ndarray):

    • 描述：第一个输入轮廓，通常是一个包含二维坐标的 NumPy 数组。

  2. contour2 (numpy.ndarray):

    • 描述：第二个输入轮廓，通常是一个包含二维坐标的 NumPy 数组。

  3. method (int):

    • 描述：形状匹配的方法，通常有以下几种选择：
      • cv2.CONTOURS_MATCH_I1: 计算轮廓的 Hu 矩的差异，返回值越小表示形状越相似。
      • cv2.CONTOURS_MATCH_I2: 计算轮廓的 Hu 矩的平方差，返回值越小表示形状越相似。
      • cv2.CONTOURS_MATCH_I3: 计算轮廓的 Hu 矩的相对差异，返回值越小表示形状越相似。

  4. parameter (float):

    • 描述：通常设置为 0，在某些方法中可能会使用。

输出

  • similarity (float):
    • 返回一个浮点数，表示两个轮廓的相似度。值越小表示形状越相似。

应用场景

  • 形状识别：在图像处理和计算机视觉中，cv2.matchShapes 可以用于识别和分类不同的形状。
  • 目标检测：可以用于检测特定形状的物体，例如在工业检测中识别零件的形状。
  • 图像分析：在分析图像中的形状特征时，可以用来比较不同对象的形状。

总之，cv2.matchShapes 是一个强大的工具，用于形状匹配和比较，能够帮助用户在图像处理任务中进行有效的形状分析。


import cv2img1 = cv2.imread('./images/16.jpg', 0)
img2 = cv2.imread('./images/17.jpg', 0)ret, thresh = cv2.threshold(img1, 127, 255, 0)
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cnt1 = contours[0]ret, thresh2 = cv2.threshold(img2, 127, 255, 0)
contours, hierarchy = cv2.findContours(thresh2, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cnt2 = contours[0]ret = cv2.matchShapes(cnt1, cnt2, cv2.CONTOURS_MATCH_I2, 0.0)
print(ret)

在这里插入图片描述

这篇关于传统CV算法——轮廓性质算法实战的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1135499。

相关文章

网页解析 lxml 库--实战

网页解析 lxml 库--实战

lxml库使用流程 lxml 是 Python 的第三方解析库，完全使用 Python 语言编写，它对 XPath表达式提供了良好的支 持，因此能够了高效地解析 HTML/XML 文档。本节讲解如何通过 lxml 库解析 HTML 文档。 pip install lxml lxm| 库提供了一个 etree 模块，该模块专门用来解析 HTML/XML 文档，下面来介绍一下 lxml 库
阅读更多...
不懂推荐算法也能设计推荐系统

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例，告诉我们不懂推荐算法的产品，也能从产品侧出发， 设计出一款不错的推荐系统。 相信很多新手产品，看到算法二字，多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法（注：传统是指科班出身的产品都会接触过）。但对于推荐算法，多数产品对着网上搜到的资源，都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后，更是加大了理解的难度。 但，不了解推荐算法，就无法做推荐系
阅读更多...
康拓展开（hash算法中会用到）

康拓展开（hash算法中会用到）

康拓展开是一个全排列到一个自然数的双射（也就是某个全排列与某个自然数一一对应） 公式： X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。（a[i]在不同应用中的含义不同）； 典型应用： 计算当前排列在所有由小到大全排列中的顺序，也就是说求当前排列是第
阅读更多...
性能分析之MySQL索引实战案例

性能分析之MySQL索引实战案例

文章目录 一、前言二、准备三、MySQL索引优化四、MySQL 索引知识回顾五、总结 一、前言 在上一讲性能工具之 JProfiler 简单登录案例分析实战中已经发现SQL没有建立索引问题，本文将一起从代码层去分析为什么没有建立索引？ 开源ERP项目地址：https://gitee.com/jishenghua/JSH_ERP 二、准备 打开IDEA找到登录请求资源路径位置
阅读更多...
csu 1446 Problem J Modified LCS （扩展欧几里得算法的简单应用）

csu 1446 Problem J Modified LCS （扩展欧几里得算法的简单应用）

这是一道扩展欧几里得算法的简单应用题，这题是在湖南多校训练赛中队友ac的一道题，在比赛之后请教了队友，然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意：把题意转变下就变成了：求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点：求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个
阅读更多...
综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动，这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升：减少抖动，提高图像的清晰度和细节表现力，使得监控画面更加真实可信。 - 细节增强：在低光条件下，抖
阅读更多...
【数据结构】——原来排序算法搞懂这些就行，轻松拿捏

【数据结构】——原来排序算法搞懂这些就行，轻松拿捏

前言：快速排序的实现最重要的是找基准值，下面让我们来了解如何实现找基准值 基准值的注释：在快排的过程中，每一次我们要取一个元素作为枢纽值，以这个数字来将序列划分为两部分。 在此我们采用三数取中法，也就是取左端、中间、右端三个数，然后进行排序，将中间数作为枢纽值。 快速排序实现主框架： //快速排序 void QuickSort(int* arr, int left, int rig
阅读更多...
C#实战|大乐透选号器[6]：实现实时显示已选择的红蓝球数量

C#实战|大乐透选号器[6]：实现实时显示已选择的红蓝球数量

哈喽，你好啊，我是雷工。 关于大乐透选号器在前面已经记录了5篇笔记，这是第6篇； 接下来实现实时显示当前选中红球数量，蓝球数量； 以下为练习笔记。 01 效果演示 当选择和取消选择红球或蓝球时，在对应的位置显示实时已选择的红球、蓝球的数量； 02 标签名称 分别设置Label标签名称为：lblRedCount、lblBlueCount
阅读更多...
poj 3974 and hdu 3068 最长回文串的O（n）解法(Manacher算法)

poj 3974 and hdu 3068 最长回文串的O（n）解法(Manacher算法)

求一段字符串中的最长回文串。 因为数据量比较大，用原来的O（n^2）会爆。 小白上的O(n^2)解法代码：TLE啦~ #include<stdio.h>#include<string.h>const int Maxn = 1000000;char s[Maxn];int main(){char e[] = {"END"};while(scanf("%s", s) != EO
阅读更多...
秋招最新大模型算法面试，熬夜都要肝完它

秋招最新大模型算法面试，熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候，不知道面试完会不会复盘、总结，做笔记的习惯，这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助，都附有完整答案，熬夜也要看完，祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN，还有完整版的大模型 AI 学习资料，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2