pipline 方式发布微服务到k8s

创建一个流水线job,没有的去插件里面安装pipline

pipline 代码

pipeline {
    agent any
    stages { 
        stage('clean dir') { 
            steps { 
                sh "rm -rf *" 
            } 
        } 
        stage('拉取代码') { 
            steps { 
                checkout scmGit(branches: [[name: '*/master']], extensions: [], userRemoteConfigs: [[credentialsId: '95235efc-cb4b-4eb3-8d4b-db8d2d8c6409', url: 'http://192.168.189.131/root/springbootdemo.git']])
                echo "拉取成功"
            } 
        } 
        
        stage('构建应用') {
            steps {
                sh "/usr/local/apache-maven-3.3.9/bin/mvn clean package -Dmaven.test.skip=true"
            }
        }
        
    stage('推送hub') { 
            steps { 
                sh '''
                    set +x
                    cd target
                    jarName=`ls *.jar | grep -E ".*-[0-9]{1,10}.[0-9]{1,10}.[0-9]{1,10}.*.jar"`
                    jarFolder=$JOB_NAME
                    harborPro=java
                    projectName=$JOB_NAME
                    docker_path=${WORKSPACE}
                    cp ${WORKSPACE}/target/${jarName} ${docker_path}
                    bash -x /root/docker_dir/deploy_docker.sh ${harborPro} ${projectName} ${docker_path} ${jarName}
                '''
            }
    }            

        stage('k8s发布项目') {
            steps {
                sh '''
                    set +x
                    bash -x /workjob/reboot_app.sh
                '''
            }
        }

    }
}

点击流水线语法

把生成的gitlab代码更换到上面的pipline里面 保存构建

### ISP Pipeline in Image Signal Processing ISP(Image Signal Processor)是数字图像处理中的核心组件,负责将图像传感器捕捉到的原始数据(RAW 数据)转换为高质量的彩色图像。整个流程涉及多个关键模块,每个模块都承担特定的图像处理任务,以提升图像质量、优化视觉效果并满足不同应用场景的需求。 #### 输入处理 ISP 的输入通常来自图像传感器(如 CMOS 或 CCD),其输出为 RAW 格式的数据。该数据通常包含拜耳滤波器(Bayer Filter)模式的像素信息,即每个像素只包含红、绿、蓝中的一种颜色值。为了后续处理,需要进行数据对齐和行缓冲等操作,确保数据流的连续性和一致性[^3]。 #### 关键处理模块 1. **镜头阴影校正(Lens Shading Correction, LSC)** 由于光学镜头的物理特性,图像边缘区域可能会出现亮度衰减。LSC 模块通过校正这些亮度不均匀现象,使图像整体亮度趋于一致[^3]。 2. **降噪处理(Noise Reduction)** 图像传感器在低光照或高 ISO 条件下容易引入噪声。空域滤波器(Spatial Filter)用于平滑图像中的噪声,同时尽量保留图像细节[^3]。 3. **Bayer Demosaic(去马赛克)** 每个像素点在 Bayer 模式中仅包含一种颜色信息,因此需要通过插值算法估计缺失的红、绿、蓝值,生成完整的 RGB 图像。常用方法包括双线性插值、边缘感知插值和基于深度学习的模型[^3]。 4. **白平衡(White Balance)** 白平衡模块用于调整图像颜色,使其在不同光照条件下保持自然。通过调整红、绿、蓝三通道的增益,使白色物体在图像中呈现为白色。 5. **色彩校正(Color Correction)** 该模块通过色彩矩阵调整图像的整体色调,以匹配人眼感知的颜色特征,提高图像的真实感。 6. **伽马校正(Gamma Correction)** 由于人眼对亮度的感知是非线性的,伽马校正用于调整图像的亮度分布,使其更符合人眼的视觉特性。 7. **色调映射(Tone Mapping)** 在高动态范围(HDR)成像中,色调映射用于将宽范围的亮度压缩到显示设备可呈现的范围内,同时保留图像细节[^2]。 8. **锐化(Sharpening)** 锐化模块用于增强图像边缘,提高图像的清晰度和细节表现力。 9. **图像压缩(Image Compression)** 为了减少图像数据的存储和传输成本,ISP 通常集成 JPEG 或 HEIF 等图像压缩模块[^2]。 #### 输出格式 经过 ISP Pipeline 处理后的图像通常输出为标准的 RGB 或 YUV 格式,以便后续的图像显示、存储或进一步处理。 #### 传统与学习型 ISP 传统的 ISP Pipeline 主要依赖于手工设计的算法和固定的处理流程。近年来,随着深度学习的发展,学习型 ISP(如 DeepISP、CameraNet)逐渐兴起。这些方法通过端到端训练模型,直接从 RAW 数据中学习高质量图像的生成方式,能够在复杂光照条件下实现更优的图像质量[^2]。 ```python # 示例:使用 OpenCV 进行简单的 Bayer Demosaic import cv2 import numpy as np # 读取 RAW 数据(假设为 Bayer RGGB 格式) raw_data = np.random.randint(0, 256, (480, 640), dtype=np.uint8) # 转换为 8 位三通道图像 bayer_image = cv2.cvtColor(raw_data, cv2.COLOR_BayerRG2RGB) # 显示图像 cv2.imshow("Demosaiced Image", bayer_image) cv2.waitKey(0) ```
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