GDCM:使用C++将一个DICOM文件转换为另一个DICOM文件

C/C++ 专栏收录该内容
¥99.90 ¥299.90
204篇文章

GDCM:使用C++将一个DICOM文件转换为另一个DICOM文件

Digital Imaging and Communications in Medicine(DICOM)是医学领域中用于传输、存储和处理医学图像的标准。在医学领域,DICOM文件通常包含有大量敏感信息,因此在转换和处理DICOM文件时需要特别注意数据的保密性和完整性。

本文将介绍通过使用C++编程语言和GDCM库将一个DICOM文件转换为另一个DICOM文件的方法。GDCM是一款开源的DICOM库,可以用于读取、写入和修改DICOM文件,并具有高效、灵活、安全的特点,可以满足医疗设备、医学图像处理软件等领域的需求。

在开始之前,我们需要搭建好C++环境和安装好GDCM库。以下代码示例中将使用Visual Studio 2019作为开发环境,并假设已经成功安装好了GDCM库。

首先,我们需要引入GDCM库的头文件和命名空间:

#include "gdcmReader.h"
#include "gdcmWriter.h"
#include "gdcmGlobal.h"

using namespace gdcm;

然后,我们需要定义输入DICOM文件路径、输出DICOM文件路径和要修改的DICOM标签的值:

const char* inputFilename = "input.dcm";
const char* outputFilename = "output.dcm";
const char* modalityValue = "MR";

接下来,我们需要使用gdcmReader读取输入DICOM文件,并获

DCMTK:使用C/C++将XML文档转换为DICOM文件或数据集 在上面的示例中,我们将XML解析的代码放在了与创建DICOM数据集的代码一起。你可以在"// 从XML解析数据并将其添加到DICOM数据集中"的注释下方编写代码,将解析的XML数据添加到DICOM数据集中。现在,我们将XML解析和DICOM数据集创建结合起来,完成从XML到DICOM的转换。请注意,这只是一个简单的示例,用于演示如何使用DCMTK和pugixml库将XML转换为DICOM。在上面的示例中,我们使用pugixml库加载名为"input.xml"的XML文件。在上面的示例中,我们创建了一个。 阅读详情

相关推荐

DCMTK:C++中的DICOM存储服务提供者

在DCMTK中,存储服务类(Storage Service Class)提供了用于存储和检索DICOM图像的功能。这就是使用DCMTK库中的存储服务类(Storage Service Class)在C++中实现DICOM图像存储的基本步骤。通过设置适当的DICOM属性和调用相应的函数,我们可以轻松地将DICOM图像发送到DICOM服务器。如果与DICOM服务器的关联建立成功,我们可以开始发送DICOM图像。首先,创建一个DcmDataset对象,并将DICOM图像的属性添加到数据集中。

James_CODER的博客 637

GDCM:使用C++处理DICOM文件的示例

在上面的代码中,首先设置DICOM文件路径,然后使用gdcm::Reader类读取文件。在上面的代码中,首先设置输入和输出文件路径,然后使用gdcm::Reader类读取输入文件。GDCM库是一个用于处理DICOM文件的强大工具,可以帮助我们读取、编辑和写入DICOM格式的文件。本文介绍了如何使用GDCM库读取和写入DICOM文件,读者可以根据需要进行调整和扩展。使用GDCM库读取DICOM文件非常简单,只需要使用gdcm::Reader类读取文件,并通过gdcm::DataSet类访问文件中的数据元素。

James_CODER的博客 338

GDCM:使用gdcm::Image实现DICOM图像读取与处理

其中,GDCM(Grassroots DiCoM)是一种轻量级的、开源的、跨平台的C++库,用于实现DICOM协议的通信和图像数据的处理。在该库中,gdcm::Image是一个重要的类,用于实现DICOM图像的读取、解码、编码、修改等操作。在该测试程序中,使用OpenCV库中的cv::imread函数读取BMP格式的位图文件,并通过cv::imshow函数显示图像。同时,为了防止窗口自动关闭,在调用cv::waitKey函数后,需要手动调用cv::destroyAllWindows函数关闭所有窗口。

2301_79366332的博客 497

GDCM:使用gdcm::Printer输出DICOM文件的测试程序

在本文中,我们介绍了如何使用GDCM库的gdcm::Printer类,编写一个测试程序来输出DICOM文件的内容。gdcm::Printer是GDCM库中的一个类,可用于将DICOM文件的内容输出到控制台或文件。如果读取成功,我们将将gdcm::Reader类返回的gdcm::File对象传递给gdcm::Printer类的SetFile()方法。在本文中,我们将介绍如何使用GDCM库的gdcm::Printer类,编写一个测试程序来输出DICOM文件的内容。输出结果包括DICOM文件的元信息和像素数据。

TechCraze的博客 197

GDCM:使用C++实现西门子CSA转DICOM文件的测试程序

因此,本文将介绍如何使用C++语言和GDCM库实现西门子CSA文件转换为DICOM文件的测试程序,并提供完整的源代码。GDCM(Grassroots DICOM)是一款开源的DICOM(医学数字成像和通信)文件处理库,支持读取、写入、转换DICOM文件,以及提供与DICOM相关的信息查找和提取等功能。其中,-lgdcmDSED、-lgdcmMSFF、-lgdcmIOD、-lgdcmCommon、-lgdcmcharls是GDCM库的依赖库,在Windows下可直接链接gdcm.lib即可。

CyberWarpX的博客 282

GDCM :实现CSA转DICOM文件的测试程序(附完整源码)

GDCM :实现CSA转DICOM文件的测试程序(附完整源码)

希望我的博客,能帮上你解决学习中工作中所遇到的问题 532

GDCM:使用gdcm::Directory类读取DICOM文件夹

由于DICOM文件通常存储在大量文件组成的文件夹中,因此对DICOM文件进行处理,需要有高效的文件夹遍历功能。在遍历DICOM文件夹过程中,可以通过gdcm::Reader类读取DICOM文件信息。gdcm::Reader类中提供了GetMetaInformation()和GetImage()方法,分别用于读取DICOM文件的元信息和图像数据。通过以上的代码,我们可以轻松地读取DICOM文件夹中的所有DICOM文件,并获取每个文件的元信息。2)读取文件夹中所有DICOM文件。2)读取DICOM文件元信息。

DevNinja的博客 367

使用GDCM处理DICOM文件的示例

GDCM(Grassroots DICOM)是一个开源的C++库,用于处理DICOM文件。在本文中,我们将介绍如何使用GDCM库来读取和写入DICOM文件,并提供相应的示例代码。通过GDCM,你可以方便地读取和写入DICOM文件,并对其进行各种操作和修改。你可以根据自己的需要,使用GDCM的其他功能来处理DICOM文件。除了读取,GDCM库还可以用于写入DICOM文件。对象,并设置要读取的DICOM文件的文件名。最后,我们设置要写入的DICOM文件的文件名,并使用。对象,并获取其文件的数据集。

TechRoar的博客 286

GDCM:一个DICOM属性读取与打印测试程序

GDCM(Grassroots DICOM)作为一个开源的DICOM类库,提供了多种DICOM文件格式的读取、解析以及数据处理等功能。本文介绍了如何使用GDCM类库来读取DICOM文件的属性,并打印到控制台中。其中我们简单介绍了GDCM的安装和配置,给出了一个测试程序,最后还提供了完整的源代码。我们将首先介绍GDCM的安装和配置,然后给出一个简单的测试程序,最后给出程序的源代码。为了测试GDCM是否成功安装并且配置无误,我们编写一个简单的程序来读取DICOM文件的属性,并打印到控制台中。

WangWEel的博客 751

GDCM:DICOM文件转储及结构值显示程序

为了访问DICOM数据集中的数据元素,我们需要获取gdcm::Reader对象中的gdcm::DataSet对象。我们首先使用gdcm::Reader类加载DICOM文件,然后使用gdcm::DataSet类解析其中的数据元素,最后遍历数据元素并输出其标签、VR、VL和值。GDCM支持从DICOM文件中读取和写入数据、解析和修改DICOM数据元素、生成DICOM文件和数据集,以及执行DICOM查询和检索等操作。在本文中,我们将使用GDCM库来读取DICOM文件,展示其中的结构和值。解析DICOM数据元素。

2301_79330511的博客 246

使用GDCM(Grassroots DICOM)库进行DICOM文件的匿名化处理

在实际应用中,可以根据具体需求执行不同的匿名化操作,并将匿名化后的DICOM文件保存到新的文件中。本文将介绍如何使用gdcm::Anonymizer类来实现DICOM文件的匿名化处理,并提供相应的源代码示例。通过以上步骤,我们可以使用GDCM库的gdcm::Anonymizer类对DICOM文件进行匿名化处理。在加载DICOM文件后,我们可以使用gdcm::Anonymizer的各种方法来执行不同类型的匿名化操作。完成匿名化操作后,我们可以将修改后的DICOM文件保存到新的文件中。

DevScribe的博客 397

GDCM:使用C++读取DICOM文件中的曲线数据

具体来说,我们首先设置Curve数据点的数量,然后通过GetPointer()函数获取原始数据指针,并逐个将数据添加到Curve对象中。至此,我们成功地使用GDCM库中的C++接口读取DICOM文件中的Curve数据,并将其转换为常规的数学函数。接着,调用Read()函数读取DICOM数据。在本篇文章中,我们将介绍如何使用GDCM(Grassroots DICOM)库中的C++接口读取DICOM文件中的Curve数据,并将其转换为常规的数学函数(例如y = f(x)),以便进行后续的分析和可视化操作。

TechRoarX的博客 298

GDCM:使用gdcm::Directory读取DICOM文件目录

然后,它使用gdcm::Directory类加载DICOM文件夹,并获取gdcm::FilenameList,其中包含了DICOM文件名的列表。然后,我们遍历文件列表并通过gdcm::Reader类读取每个DICOM文件的元数据。下面我们将展示如何使用gdcm::Directory读取DICOM文件的目录和元数据,并打印一些基本的文件信息。在DICOM文件中,包含了许多图像、标记和元数据。总结:使用GDCM库和gdcm::Directory类是一种方便且快速的方法,读取DICOM文件的目录和元数据。

CodeByte的博客 277

GDCM:DICOM文件的覆盖测试程序

DICOM文件由一系列的数据元素(Data Element)组成,每个数据元素包含一个标签(Tag)、一个VR(Value Representation)和一个值(Value)。GDCM(Grassroots DICOM)是一个开源的C++库,用于处理DICOM文件和图像。在本文中,我们将介绍如何编写一个覆盖测试程序,使用GDCM库来操作DICOM文件。通过这个简单的覆盖测试程序,你可以了解如何使用GDCM库读取DICOM文件并获取其中的数据元素的值。对象,并设置要读取的DICOM文件的文件名。

TechInk的博客 231

修改dicom文件中病人信息与医院信息

PACS系统中,可以修改压缩或者无压缩的DCM文件的相关病人信息与医院信息

海康线扫相机平场矫正实战:从原理到精准成像

本文深入解析了海康线扫相机平场矫正的原理与实战操作。通过拆解暗场与明场矫正的物理意义,揭示了其消除系统噪声、补偿像素响应不均的核心机制。文章详细指导了在海康相机上进行平场矫正的标准化流程、关键参数设置(如行高、灰度值控制)及常见误区,并提供了针对高行频匹配、环境稳定性维护等进阶调优技巧与问题排查指南,旨在帮助用户实现从原理理解到精准成像的跨越。

tomato的博客 796

Kali Linux实战:Aircrack-ng破解Wi-Fi密码的完整流程与常见问题解决

本文详细介绍了在Kali Linux中使用Aircrack-ng套件进行Wi-Fi密码破解的完整流程,包括环境准备、无线网卡配置、网络扫描、握手包捕获与字典破解等关键步骤。同时针对无线网卡不支持监听模式、无法捕获握手包等常见问题提供了实用解决方案,帮助安全研究人员有效评估无线网络安全性。

weixin_29323049的博客 300

告别卡顿闪烁!在Cesium 1.134中集成SOG格式,让400万高斯秒级加载

本文详细介绍了如何在Cesium 1.134中集成SOG格式,实现400万高斯数据的秒级加载,解决传统加载方式导致的卡顿和闪烁问题。通过空间索引重构、属性量化编码和WebGPU原生支持等技术,SOG格式显著提升了三维地理空间可视化的性能。文章还提供了环境准备、模型转换和Cesium集成的实战指南,帮助开发者高效优化项目。

weixin_29313817的博客 501

ESP32 Arduino学习篇 (一) 引脚和串口的基本使用

简单来讲arduino就是通过源代码控制开发板的信号输入输出从而实现对一些电子元件的控制,例如LED灯,蜂鸣器,按键arduino程序首先来讲arduino程序是基于C语言,而实现类似对于LED灯和蜂鸣器的简单控制只需简单C语言知识即可实现。arduino程序是基于函数的,而在arduino的库有很多函数,我们只需要调用即可。arduino的程序主体是**setup()函数和loop()**函数以及其它在使用过程中需要构建的函数:setup()函数。

DOF526570的博客 1万+

SAP 经营范围(Operating Concern) 和业务范围 (Business Area) 在核算架构或是管理架构中的区别和联系分别是什么 请给具体的示例

摘要:SAP系统中,业务范围(Business Area)和经营范围(Operating Concern)在核算架构中具有不同功能。业务范围是FI/CO共用维度,用于跨公司码的业务线核算(如电子产品、机械设备),支持内部管理和简单对外报表。经营范围则是CO-PA专属维度,聚焦获利能力分析,可细化到产品+客户+区域组合(如分析手机在华东区域的获利情况)。两者存在层级关联:经营范围包含业务范围作为基础维度,业务范围数据会传递至经营范围进行深度分析。实际应用中需先配置业务范围,再设置经营范围并关联相关维度,共同支

金牌架构师 96

ARM6818嵌入式视频播放器:硬解加速与Framebuffer渲染实战

嵌入式Linux音视频系统是智能座舱、工业HMI等场景的核心能力,其本质是软硬协同的实时多媒体处理系统。原理上需打通内核驱动(如VPU硬件编解码、FIMD多图层合成)、用户空间框架(GStreamer pipeline定制、SDL2硬件渲染)与应用层同步机制(PTS/HTS双时钟校准)。技术价值在于显著降低CPU负载(硬解可压至15%以下)、提升启动速度(<1.2s首帧)并保障音画同步精度(±3ms级)。典型应用场景包括车载信息娱乐、边缘AI终端及无X11的工控显示设备。本文基于ARM6818平台,深入VP

weixin_32456485的博客 79

RK3576 Buildroot 双机 ADB 异常排障实录:同版 `boot.img`,一台可识别一台不可识别

进程在跑”不等于“USB 枚举成功”,adbd存活只是必要不充分条件。生产环境中的全局别名可能反向污染系统脚本。shell 命令替换中的字符串问题,必须做字节级验证(od -tx1相比“改环境规避”,核心脚本对输入做鲁棒处理更可长期维护。

小灰灰的博客 214

LoRA 完整解析:从理论到实践

LoRA(低秩适应)是一种高效的大模型微调方法,通过添加少量可训练参数(低秩矩阵)来适配新任务,避免全参数微调的高成本。其核心是将权重更新ΔW分解为两个小矩阵B×A的乘积,大幅减少训练参数量(仅0.1-1%)。LoRA基于内在维度假设,通过低秩约束捕捉核心任务信息,兼具效率与效果。实际应用中,常用配置为秩r=16-32,目标模块选择注意力层的q_proj和v_proj,学习率比全参数微调大10倍(约1e-4)。优势包括参数高效(内存降低60-80%)、多任务适配灵活、保留预训练知识等,已成为大模型微调的主流

echo的博客 1417

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

上一篇: 使用Boost库的Units模块实现可扩展的单位系统
下一篇: Boost.Detail模块fwd容器的测试 Demo
普通网友
博客等级 码龄4年 1011粉丝 1742原创
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  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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

打赏作者

编码实践

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
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