hola173841439-优快云博客

原创 QApplication(notify)和事件过滤器(eventFilter)

在 Qt 中，自定义事件处理机制可以通过重写 QApplication::notify() 或使用事件过滤器（eventFilter）来实现。这两种方法都可以在事件到达目标对象之前进行拦截和处理，允许开发者在事件传递过程中添加自定义行为。提示：以下是本篇文章正文内容，下面案例可供参考QApplication::notify() 是 Qt 事件传递机制的核心。它在事件被分发给目标对象之前被调用。开发者可以通过继承 QApplication 类并重写 notify() 方法，来自定义事件处理流程。

2024-12-12 21:25:35 1004

原创什么是多模态和模态

模态”（Modal）和“非模态”（Non-modal）是描述交互界面中不同类型的用户界面组件（如对话框、窗口等）的术语。模态界面或组件是指在用户与该界面或组件交互时，其他界面部分会被禁用或被遮挡，用户必须先与模态组件进行交互（例如，关闭或确认）才能继续与应用程序的其他部分进行交互。阻止用户与主界面进行交互，直到模态对话框被关闭。通常用于需要用户做出决策或确认的场景（如警告、错误消息、确认框等）。常见的例子有：文件保存对话框、确认删除提示、用户登录弹窗等。

2024-12-05 21:40:38 2396

原创 bull的job.moveToFailedbug

在process方法中进行失败处理：使用在任务处理逻辑中标记任务失败。避免在active事件中使用：只需监控任务状态，无需在此处处理失败逻辑。这样可以确保任务逻辑清晰并且不会造成状态冲突。

2024-10-07 21:22:56 310

原创 Conda答疑

如果你想将环境创建在指定的路径，可以使用-p这样，环境会被创建在目录下。你还可以指定其他的自定义频道（例如企业内部的私有包仓库），从这些自定义渠道获取包。创建频道：可以在 GitHub、Bitbucket 等平台上托管你的包，或者使用你自己的服务器。上传包：将 Conda 包上传到你的自定义频道中。配置 Conda 使用自定义频道使用命令conda config --add channels 来添加你的频道。可以使用设置优先级。安装包：使用。

2024-10-07 20:08:09 1401

原创 poetry安装

Poetry 是一个用于管理 Python 项目的依赖和构建过程的工具。它简化了包管理和虚拟环境的创建，让开发者更容易管理项目的依赖关系。它的出现让我们对依赖卸载更干净。

2024-09-28 21:00:50 2342

原创 opencv之图像轮廓（三）--凸包

逼近多边形是轮廓的高度近似，但是有时候，我们希望使用一个多边形的凸包来简化它。凸包跟逼近多边形很像，只不过它是物体最外层的“凸”多边形。凸包指的是完全包含原有轮廓，并且仅由轮廓上的点所构成的多边形。凸包的每一处都是凸的，即在凸包内连接任意两点的直线都在凸包的内部。在凸包内，任意连续三个点的内角小于180°。例如，在图1中，最外层的多边形为机械手的凸包，在机械手边缘与凸包之间的部分被称为凸缺陷（Convexity Defect），凸缺陷能够用来处理手势识别等问题。图1。

2024-09-11 22:43:12 1874 1

原创 opencv之图像轮廓(二)--轮廓拟合

在计算轮廓时，可能并不需要实际的轮廓，而仅需要一个接近于轮廓的近似多边形。OpenCV提供了多种计算轮廓近似多边形的方法。

2024-09-11 22:15:50 1346

原创 opencv之图像轮廓

图像轮廓指的是图像中物体边缘或形状的外部线条，通常通过图像处理技术来检测和提取。轮廓是用于描述物体形状、进行目标识别、图像分割等操作的重要特征之一。边缘检测虽然能够检测出边缘，但边缘是不连续的，检测到的边缘并不是一个整体。图像轮廓是指将边缘连接起来形成的一个整体，用于后续的计算。OpenCV提供了查找图像轮廓的函数cv2.findContours()，该函数能够查找图像内的轮廓信息，而函数cv2.drawContours()能够将轮廓绘制出来。

2024-09-11 22:08:04 1944

原创 opencv之模板匹配

模板匹配是指在当前图像A内寻找与图像B最相似的部分，一般将图像A称为输入图像，将图像B称为模板图像。模板匹配的操作方法是将模板图像B在图像A上滑动，遍历所有像素以完成匹配。例如，在图1中，希望在图中的大图像“lena”内寻找左上角的“眼睛”图像。此时，大图像“lena”是输入图像，“眼睛”图像是模板图像。查找的方式是，将模板图像在输入图像内从左上角开始滑动，逐个像素遍历整幅输入图像，以查找与其最匹配的部分。图1。

2024-09-11 21:43:27 998

原创 opencv之霍夫变换

霍夫变换是一种在图像中寻找直线、圆形以及其他简单形状的方法。霍夫变换采用类似于投票的方式来获取当前图像内的形状集合，该变换由Paul Hough（霍夫）于1962年首次提出。最初的霍夫变换只能用于检测直线，经过发展后，霍夫变换不仅能够识别直线，还能识别其他简单的图形结构，常见的有圆、椭圆等。本章主要介绍霍夫直线变换和霍夫圆变换。霍夫直线变换用来在图像内寻找直线，霍夫圆变换用来在图像内寻找圆。

2024-09-11 21:25:25 1403

原创 opencv之傅里叶变换

图像处理一般分为空间域处理和频率域处理。空间域处理是直接对图像内的像素进行处理。空间域处理主要划分为灰度变换和空间滤波两种形式。灰度变换是对图像内的单个像素进行处理，比如调节对比度和处理阈值等。空间滤波涉及图像质量的改变，例如图像平滑处理。空间域处理的计算简单方便，运算速度更快。频率域处理是先将图像变换到频率域，然后在频率域对图像进行处理，最后再通过反变换将图像从频率域变换到空间域。傅里叶变换是应用最广泛的一种频域变换，它能够将图像从空间域变换到频率域，而逆傅里叶变换能够将频率域信息变换到空间域内。

2024-09-11 21:04:26 1623

原创 opencv之Canny边缘检测

Canny边缘检测是一种流行的边缘检测算法，用于检测图像中的边缘。灰度化：将图像转换为灰度图，减少计算复杂度。高斯滤波：使用高斯滤波器对图像进行平滑处理，以减少噪声对边缘检测的影响。计算梯度：通过计算图像的梯度（通常使用Sobel算子）来检测边缘的方向和强度。非极大值抑制：对梯度幅值进行非极大值抑制，以保留边缘并减少非边缘的杂点。双阈值处理：通过设置高阈值和低阈值，将强边缘和弱边缘分离出来。边缘连接：根据强边缘将弱边缘连接起来，形成最终的边缘检测结果。

2024-09-11 19:45:49 1507

原创 opencv之图像梯度

Sobel算子、Scharr算子、Laplacian算子都可以用作边缘检测，它们的核如图28所示。图28Sobel算子和Scharr算子计算的都是一阶近似导数的值。Sobel算子∣左−右∣∣下−上∣Sobel算子=|左-右| / |下-上|Sobel算子∣左−右∣/∣下−上∣Scharr算子∣左−右∣∣下−上∣Scharr算子=|左-右| / |下-上|Scharr算子∣左−右∣/∣下−。

2024-09-10 22:45:16 2362 1

原创 opencv之图像分割与提取

在图像处理的过程中，经常需要从图像中将前景对象作为目标图像分割或者提取出来。例如，在视频监控中，观测到的是固定背景下的视频内容，而我们对背景本身并无兴趣，感兴趣的是背景中出现的车辆、行人或者其他对象。我们希望将这些对象从视频中提取出来，而忽略那些没有对象进入背景的视频内容。图像形态学变换阈值算法、图像金字塔、图像轮廓、边缘检测等方法对图像进行分割。本章介绍使用分水岭算法及GrabCut算法对图像进行分割及提取。在OpenCV中，可以使用函数cv2.watershed()实现分水岭算法。

2024-09-10 22:08:58 1483

原创 opencv之形态学

在图像处理领域，形态学是一种基于形状的图像分析技术，用于提取和处理图像的形态特征。这包括膨胀、腐蚀、开运算、闭运算等操作，广泛应用于边缘检测、图像分割和噪声去除等方面。形态学操作的核心概念是结构元（Structuring Element），这是一个定义形态学操作如何应用于图像的形状或模板。结构元可以是任意形状的，如方形、圆形、十字形等，应用于图像时，结构元素在图像上滑动，决定了哪些像素会被膨胀、腐蚀或其他形态学操作影响。

2024-08-31 22:34:29 2216 1

原创 opencv之图像平滑处理

*图像平滑处理是图像处理和计算机视觉领域中的一个核心技术，它在处理和分析图像数据时扮演着重要的角色。随着数字图像和视频技术的广泛应用，如何有效地提高图像质量和减少噪声成为了关键问题。**图像平滑处理技术不仅用于去除图像中的随机噪声，还用于改善图像的视觉效果，增强图像特征，并为后续的图像分析任务提供更可靠的数据。本文的内容主要来自《OpenCV轻松入门：面向Python》这本书，他讲的比较清晰。图像平滑处理是图像处理中的一种技术，旨在减少图像中的噪声和细节，从而使图像看起来更平滑。

2024-08-31 20:45:04 2154

原创 opencv之阈值处理

最大化类间方差（Between-Class Variance）是 Otsu’s 阈值法的核心概念，旨在选择一个最佳阈值，使得图像的前景和背景之间的差异最大化。这种方法通过分析图像的灰度直方图，找到一个阈值，使得图像被分割成前景和背景后，它们之间的类间方差最大。全局阈值适合简单、光照均匀的图像，计算速度快但对复杂场景效果不好。自适应阈值适合光照不均的复杂图像，能更好地处理细节，但计算复杂度较高。Otsu’s 阈值法是一种自动选择阈值的全局方法，适合灰度直方图呈双峰分布的图像。

2024-08-31 17:38:48 2153

原创 opencv之几何变换

几何变换是计算机图像处理中的一种操作，用于对图像的几何结构进行修改。通过几何变换，可以实现图像的旋转、缩放、平移、扭曲等效果，从而改变图像的形状、位置和方向。这些变换可以是线性的或非线性的，通常使用数学矩阵来表示和计算。一般公式dstxysrcM11⋅xM12⋅yM13M21⋅xM22⋅yM23dstxysrcM11⋅xM12⋅yM13M21⋅xM22⋅yM23xy。

2024-08-31 15:36:03 1482

原创 express获取文件

express获取文件的写法比较独特，与我之前接触python后端完全不一样，所以我单独记录一下，内容比较水。

2024-08-30 23:42:22 515

原创 nodejs列表和对象

纯纯为了以后自己回忆方便。各位网友不要看，对你们没有任何帮助。数组：使用 filter 方法。对象：将对象转换为数组 (Object.entries)，过滤，然后转换回对象(Object.fromEntries)。

2024-08-30 23:01:25 445

原创 opencv之色彩空间类型转换

色彩空间类型转换是图像处理中的一个重要概念，用于在不同的色彩空间之间转换图像数据。不同的色彩空间适用于不同的处理任务，例如颜色校正、图像增强、对象检测等。OpenCV 提供了多种色彩空间转换功能，这些转换有助于解决图像处理中的各种问题。这一章全是理论，枯燥乏味。

2024-08-14 21:53:50 1304

原创 opencv之图像算法(二)

本文主要介绍图像的位平面分解、图像加密和解密以及数字水印。

2024-08-11 16:00:48 852

原创 opencv之图像运算（一）

本文将介绍一些关于图像操作比较基础的运算，主要包括一些加法相关的运算和以及图像的掩膜操作。

2024-08-11 13:54:10 794

原创 redis发布订阅注意事项

Redis 的发布/订阅（Pub/Sub）是一个消息传递模式，主要有发布端和订阅端两个角色，发送者(pub)发送消息，订阅者(sub)接收消息。这种机制可以用于实时消息推送、事件通知等应用场景。今天我在用redis的发布/订阅模式，发现订阅端在接收消息时一直报错，所以简单记录下这次错误。

2024-08-07 21:55:50 405

原创 redis模块和ioredis的注意事项

node.js在使用redis的时候有两个库可以选择，一个是redis、另一个是ioredis，我一直以来也没有太大关注这两个库有什么区别。直到今天写代码的时候发现一个令我困惑的问题。redis 库创建的 client 是基于回调的 Redis 客户端。要使用 await 关键字，它必须返回一个 Promise。redis 库的 zrange 方法是基于回调的，不直接支持 Promise。ioredis 库创建的 redis1 客户端支持 Promise，所以可以直接使用 await 来处理异步操作。

2024-08-07 19:43:28 1249

原创 opencv读取图片报错

今天试了下python的opencv模块去读图片，竟然报错，一开始我还以为是。打印出发现这个方法没有更新，想了一下是我的路径有中文，于是就把。一开始我还以为是opencv-python这个模块更新了，变量全部改成英文了，就解决了。这个方法被废弃了，于是我就。

2024-08-04 15:26:43 299 1

原创 opencv之数字图像基础

数字图像基础

2024-08-03 22:53:18 1064

原创二值图像、灰度图像和彩色图像的理解

之前自学过图像处理，但是有很久没有做过这个方面的项目了，所以就来温故一下，把学过的和之前的一些理解写出来，方便自己以后复盘。提示：以下是本篇文章正文内容，下面案例可供参考图像就是一张图片，图片可以是黑白图片（也叫灰度图片）、彩色图片以及二值图片（这个一般人可能不了解）这三种类型。图像和图片是一个意思。二值图像：只有两个灰度级别（通常是黑色和白色），用于二元分割和简单的图像分析任务。黑白图像：包含多个灰度级别（从黑色到白色的渐变），用于表示更丰富的图像信息和细节。

2024-08-03 14:20:21 2466 1

原创使用 Express 和 MySQL 实现数据分页

当我们的数据量特别大的时候，在前端展示的一般会选择分页的技术来展示数据，分页的方式有很多种，这里就简单谈谈我在工作中遇到的困惑吧。提示：以下是本篇文章正文内容，下面案例可供参考这两个方法各有利弊，主要还是看使用场景。

2024-08-01 19:18:03 310

原创 windows下如何把前端的http和后端的http变成https

例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考以上就是前端和后端同时https启动。

2024-07-26 23:23:48 768

原创一文带你了解Jwt和session的区别

因为要重构公司的web端产品，和前端一起对了下接口。在对接用户登录的时候，发现当用户关掉浏览器后再次打开浏览器竟然不能无密码登录。然后就和前端商量了下，后端采用jwt技术将生成token给前端，前端将token存储到localstorage，以便后续请求以token方式进行无秘登录以及权限校验。但是今天在该代码的时候发现后端有用到session进行用户登录的一个校验，似乎和我用的jwt实现的效果有异曲同工之妙，我就好奇了这个和jwt到底有什么区别呢？然后就进行了一番研究…session服务器端。

2024-07-26 22:30:25 1541

原创理解最短回文

理解最短回文最短回文串最短回文串给定一个字符串 s，你可以通过在字符串前面添加字符将其转换为回文串。找到并返回可以用这种方式转换的最短回文串示例1输入: "aacecaaa"输出: "aaacecaaa"示例2输入: "abcd"输出: "dcbabcd"找到从头开始的最长回文串s[:i]，在头上加上s[i:]的翻转即可 class Solution(object): def shortestPalindrome(self, s): """ :

2021-03-17 16:00:06 216 1

原创学习回顾之线性回归和多项式

学习回顾model = LinearRegression() #线性回归poly = PolynomialFeatures(orders[index]) #定义多项式X = poly.fit_transform(x) #将原本数据集的每一种特征转化为多项式的特征print("X:",X)model.fit(X, y)y_pred = model.predict(X)假设degree = 2现在有（a，b）两个特征，使用degree=2的二次多项式则为（1，a，a2，ab，b，b

2020-10-12 19:13:10 449

原创 P-R曲线与ROC曲线计算

这里写目录标题P-R曲线与ROC曲线计算P-R曲线ROC曲线例子P-R曲线与ROC曲线计算基础知识准备很多学习器是为测试样本产生一个实值或概率预测，然后将这个预测值与一个分类阔值(threshold)进行比较，若大于|词值则分为正类，否则为反类。例如，神经网络在一般情形下是对每个测试样本预测出一个[0.0 ，1. 0] 之间的实值，然后将这个值与0.5 进行比较，大于0.5 则判为正例，否则为反例。这个实值或概率预测结果的好坏，直接决定了学习器的泛化能力。实际上,根据这个实值或概率预测结果，我们可将

2020-10-12 13:44:52 1009 1

vb.md之数据分析踩过的坑

语音识别修复之TTS.rar

graphviz-2.38.rar

cccccc.java

空空如也