QT信号和槽

信号和槽是一种通信机制,用于 Qt 对象之间的通信
Qt 对象:

        QObject 类及其派生类的对象,称为 Qt 对象


信号和槽的本质就是函数

        当一个Qt对象的内部状态发生改变时,就可以发出一个信号

        当一个Qt对象收到这个信号后,就可以执行指定的功能


信号和槽的连接:
        QObject 类提供了一个函数connect(),用于连接两个Qt 对象的信号和槽

        对于Qt对象的通信,Qt系统需要了解如下信息:

                哪个对象发出了信号

                发出了什么信号

                哪个对象接收信号

                收到信号后做什么

        

        所以,connect 函数的常规参数如下:

        connect(sender, SIGNAL(信号函数名(参数类型)), receiver, SLOT(槽函数名(参数类型)));

        说明:

                sender 与 receiver 是Qt对象的地址

                connect函数需要执行一次,且只需要执行一次。所以,一般情况下,connect函数通常出现在构造函数中

                所有的界面元素对象,都可以进行通信,而且还预定义了一些信号和槽,可直接使用

                如果预定义的信号和槽功能不能满足项目的需要,还可以自定义信号和槽

                

                自定义信号:

                1. 在头文件中声明信号

                        signals:

                                返回类型  信号函数名(参数列表);

                2. 使用信号

                        发信号:emit 信号函数名(参数列表);

                

                自定义槽:

                1. 在头文件中声明槽函数

                        public/private/protected slots:

                                返回类型  槽函数名(参数列表);

                2. 在源文件中添加定义

                        返回类型  类名::槽函数名(参数列表) {

                                // 槽函数体

                        }

                3. 使用        

                        可以使用普通函数一样的直接调用槽函数
                        可以用connect与某个信号相关联,当连接的信号发出时,立即自动调用该槽函数


        信号和槽的连接有两种形式:

                手动连接:自己调用connect函数,连接两个对象的信号和槽

                自动连接:从界面设计器中 右键 转到槽,自动生成槽函数,根据对象名和信号函数名,自动连接

        用其中之一即可

        一般呢,是能转到槽,就转到槽,否则就自己书写connect

        

        例:

                按钮 最常见的信号 叫 clicked()

                按钮 也有自带的槽函数,如:show() / hide() / setText() ......

                界面 常用的槽函数,有 show() / close() / hide() ......

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值