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

Python列表去重的4种核心方法与实战指南详解

Python列表去重的4种核心方法与实战指南详解

《Python列表去重的4种核心方法与实战指南详解》在Python开发中,处理列表数据时经常需要去除重复元素,本文将详细介绍4种最实用的列表去重方法,有需要的小伙伴可以根据自己的需要进行选择... 目录方法1：集合(set)去重法（最快速）方法2：顺序遍历法（保持顺序）方法3：副本删除法（原地修改）方法4：
阅读更多...
在Spring Boot中浅尝内存泄漏的实战记录

在Spring Boot中浅尝内存泄漏的实战记录

《在SpringBoot中浅尝内存泄漏的实战记录》本文给大家分享在SpringBoot中浅尝内存泄漏的实战记录,结合实例代码给大家介绍的非常详细,感兴趣的朋友一起看看吧... 目录使用静态集合持有对象引用，阻止GC回收关键点：可执行代码：验证：1，运行程序（启动时添加JVM参数限制堆大小）：2，访问 htt
阅读更多...
openCV中KNN算法的实现

openCV中KNN算法的实现

《openCV中KNN算法的实现》KNN算法是一种简单且常用的分类算法,本文主要介绍了openCV中KNN算法的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的... 目录KNN算法流程使用OpenCV实现KNNOpenCV 是一个开源的跨平台计算机视觉库，它提供了各
阅读更多...
Spring Security基于数据库的ABAC属性权限模型实战开发教程

Spring Security基于数据库的ABAC属性权限模型实战开发教程

《SpringSecurity基于数据库的ABAC属性权限模型实战开发教程》：本文主要介绍SpringSecurity基于数据库的ABAC属性权限模型实战开发教程,本文给大家介绍的非常详细,对大... 目录1. 前言2. 权限决策依据RBACABAC综合对比3. 数据库表结构说明4. 实战开始5. MyBA
阅读更多...
springboot+dubbo实现时间轮算法

springboot+dubbo实现时间轮算法

《springboot+dubbo实现时间轮算法》时间轮是一种高效利用线程资源进行批量化调度的算法,本文主要介绍了springboot+dubbo实现时间轮算法,文中通过示例代码介绍的非常详细,对大家... 目录前言一、参数说明二、具体实现1、HashedwheelTimer2、createWheel3、n
阅读更多...
Spring Boot + MyBatis Plus 高效开发实战从入门到进阶优化(推荐)

Spring Boot + MyBatis Plus 高效开发实战从入门到进阶优化(推荐)

《SpringBoot+MyBatisPlus高效开发实战从入门到进阶优化(推荐)》本文将详细介绍SpringBoot+MyBatisPlus的完整开发流程,并深入剖析分页查询、批量操作、动... 目录Spring Boot + MyBATis Plus 高效开发实战：从入门到进阶优化1. MyBatis
阅读更多...
MyBatis 动态 SQL 优化之标签的实战与技巧(常见用法)

MyBatis 动态 SQL 优化之标签的实战与技巧(常见用法)

《MyBatis动态SQL优化之标签的实战与技巧(常见用法)》本文通过详细的示例和实际应用场景,介绍了如何有效利用这些标签来优化MyBatis配置,提升开发效率,确保SQL的高效执行和安全性,感... 目录动态SQL详解一、动态SQL的核心概念1.1 什么是动态SQL？1.2 动态SQL的优点1.3 动态S
阅读更多...
Pandas使用SQLite3实战

Pandas使用SQLite3实战

《Pandas使用SQLite3实战》本文主要介绍了Pandas使用SQLite3实战,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学... 目录1 环境准备2 从 SQLite3VlfrWQzgt 读取数据到 DataFrame基础用法：读
阅读更多...
SpringBoot实现MD5加盐算法的示例代码

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.
阅读更多...
Java时间轮调度算法的代码实现

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组（时间轮）和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2