import cv2   #opencv读取的格式是BGR

import numpy as np

一、#读入文件
img=cv2.imread('cat.jpg') #’’引号内是图片所在盘的地址+名字,如:D:/1.jpg

img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #转换成灰度图

二、#得到图片的信息  高,宽,通道数
img_gray.shape

三、#图片显示
cv2.imshow('image',img)

cv2.imshow("img_gray", img_gray) #显示窗口设置,"img_gray"窗口名字,img_gray需要显示的文件

四、关闭窗口
cv2.waitKey(0)     #参数为0:按键关闭窗口,参数为>0的为显示0ms

五、#创建Windows
窗口cv2.destroyAllWindows()

六、#图片保存
cv2.imwrite('mycat.png',img) #参数1:保存地址,参数2:需要保存的文件名

七、打开视频
vc = cv2.VideoCapture('test.mp4') #一个参数,如果是地址,则打开视频,如果参数为0,则是打开摄像头

八、  vc = cv2.VideoCapture('test.mp4')
if vc.isOpened(): # 检查是否打开正确

oepn, frame = vc.read() #返回两个参数,open打开的状态,frame打开后的文件

else:

open = False

while open:

ret, frame = vc.read()

if frame is None:

break

if ret == True:

gray = cv2.cvtColor(frame,  cv2.COLOR_BGR2GRAY)

cv2.imshow('result', gray)

if cv2.waitKey(100) & 0xFF == 27:

break

vc.release()

cv2.destroyAllWindows()

九、#图片切片,相当于裁剪

cat=img[0:50,0:200]

十、边界填充
top_size,bottom_size,left_size,right_size = (50,50,50,50)     #定义参数值(上下左右的填充尺寸)

replicate = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, borderType=cv2.BORDER_REPLICATE) #填充函数

填充模式:1、cv2.BORDER_REPLICATE  :复制法,复制最边缘的像素

2、cv2.BORDER_REFLECT :反射法,abcd | dcba

3、cv2.BORDER_REFLECT_101 :反射法 abcd | cba

4、cv2.BORDER_WRAP  :外包装法 abcd |abcd

5、cv2.BORDER_CONSTANT, value=0 常量法,value = 0 (黑)  =1(白)  =2 (红)

十一、img_cat2= img_cat +10 #读取到的图片是一组像素数组,可以进行 加减法操作

img_cat2= img_cat +img_cat #同维数组可以进行相加

十二、res = cv2.resize(img, (0, 0), fx=4, fy=4) #改变照片的像素大小。 (0,0)固定值,Fx x轴放大倍数

img_dog = cv2.resize(img_dog, (500, 414)) #(value1 , value2)  想要改到的像素大小

十三、res = cv2.addWeighted(img_cat, 0.4, img_dog, 0.6, 0)  #图片融合, 0.4指cat的权重,0.6是dog的权重,0指偏移量

十四、图像阈值处理(全局)

ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)

img_gray:输入的图片,需要是灰度图

thresh1 :输出的图片

Thresh = 127   阈值,既比较值,通常取127

Maxval = 255,

模式:  1、cv2.THRESH_BINARY, 大于Thresh ,取maxval。反之取 0

2、cv2.THRESH_BINARY_INV, 与1相反

3、cv2.THRESH_TRUNC 大于Thresh ,取maxval。反之不变

4、cv2.THRESH_TOZERO 大于Thresh ,不变。反之取0

5、cv2.THRESH_TOZERO_INV 与4相反
局部: dst = cv.adaptiveThreshold(gray, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 25, 10)

超大图像二值化: 利用FOR循环进行分块全局(局部)二值化

cw=256,; ch=256; h,w=image.shape[:2]; gary=cv.cvtColor(image,cv.COLOR_BGR2GRAY);

for row in range(0,h,ch): for col in range(0,w,cw): roi = gray[row:row+ch, col:col+cw]

dst = cv.ada... gray[row:row+ch, col:col+cw] = dst

十五、图像平滑处理

1、均值滤波,简单的平均卷积操作

blur = cv2.blur(img, (3, 3)) img 源文件,(3,3)指3*3的单位矩阵,常用奇数来进行平滑处理

2、方框滤波,

box = cv2.boxFilter(img,-1,(3,3), normalize=True)   -1 指原通道不变, (3,3)同上,

normalize=True  是否进行归一化处理,True  效果好

3、高斯滤波

aussian = cv2.GaussianBlur(img, (5, 5), 1)

4、中值滤波

median = cv2.medianBlur(img, 5) 5 指 5*5矩阵

十六、矩阵拼接,(图像的拼接)

res = np.hstack((blur,aussian,median)) 括号内指的是所需要拼接的图片

hstack   横向拼接   vstack    纵向拼接

十七、腐蚀操作

kernel = np.ones((3,3),np.uint8) #称为 ‘核’,用3*3的矩阵去腐蚀,矩阵数可变

erosion = cv2.erode(img,kernel,iterations = 1) #iterations 迭代次数,既腐蚀的次数

十八、膨胀操作

dige_dilate = cv2.dilate(dige_erosion,kernel,iterations = 1)

十九、开运算与闭运算(可以去噪声)
先腐蚀后膨胀 称为开运算,通过调节矩阵的大小,可以提取图像中的横、竖线段,删除晓得干扰。

先膨胀后腐蚀 称为闭运算

opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
cv2.MORPH_OPEN  指开运算模式, cv2.MORPH_CLOSE  指闭运算

二十、梯度操作 (膨胀 - 腐蚀)
gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel)

二十一、礼帽:原始数据 - 开运算

tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)

黑帽:闭运算 - 原始数据

blackhat  = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT, kernel)

二十二、计算图像梯度

sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)

dx = 1  dy=0  指计算x轴方向

dx = 0  dy=1  指计算y轴方向 不建议x = 1  dy=1  指计算x,y轴方向

Ksize 指Sobel 算子的大小 ,通常取3、5、7

sobelx = cv2.convertScaleAbs(sobelx) #求绝对值

分别求出x  ,y轴的梯度,并且得到绝对值,然后再两个梯度结合在一起

sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0) # 0.5指的是权重

二十三、其他算子
scharrx = cv2.Scharr(img,cv2.CV_64F,1,0) #scharr  算子,用法同 sobel

laplacian = cv2.Laplacian(img,cv2.CV_64F)

laplacian = cv2.convertScaleAbs(laplacian) #laplacian  拉普拉斯算子有别于前两种

二十四、Canny  边缘检测

1、使用高斯滤波器,平滑图像,除燥

2、计算像素点的梯度强度和方向

3、应用非极大值抑制,消除边缘检测带来的杂散响应

4、应用双阈值检测来确定真实的边缘 推荐高低阈值比 T2/T1 =3:1 or2:1

5、通过抑制孤立的弱边缘,来最终完成边缘检测

v1=cv2.Canny(img,80,150)

gaussian = cv.GaussianBlur(image, (3,3), 0)

gray = cv.cvtColor(gaussian, cv.COLOR_BGR2GRAY)

xgrad = cv.Sobel(gray, cv.CV_16SC1, 1, 0)

ygrad = cv.Sobel(gray, cv.CV_16SC1, 0, 1)

edge_output = cv.Canny(xgrad, ygrad, 80, 150)

cv.imshow('edge', edge_output)

gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)

output = cv.Canny(gray, 80, 150)

二十五、图像金字塔

1、高斯金字塔

up=cv2.pyrUp(img) 向上采样法,放大

down=cv2.pyrDown(img) 向下采样法,缩小

2、拉普拉斯金字塔

原始数据  减去  (原始数据先DOWN   再 UP)

二十六、图像轮廓

binary, contours, hierarchy = cv2.findContours(image, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

binary :得到的二值图像, contours :轮廓信息,  hierarchy :层级

Image  :  灰度图

Mode:轮廓检索模式

1、RETR_EXTERNL    :只检测最边缘的轮廓

2、RETR_LIST :检测所有,并保存在一条

3、RETR_CCOMP :检测所有,并将他们组织两层,顶层是各部分的外部边界,第二层是空洞的边界

4、RETR_TREE :检测所有的,并重构嵌套轮廓的整个层次。常用

Method : 轮库逼近方法

cv2.CHAIN_APPROX_NONE   : 以Freemen链码方式输出轮廓,所有其他方法输出多边形

cv2.CHAIN_APPROX_SIMPLE :压缩水平的,垂直的,斜的部分,函数只保留他们的终点部分

#传入绘制图像,轮廓,轮廓索引,颜色模式,线条厚度# 注意需要copy,要不原图会变。。。

img = cv2.imread('contours.png')

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 灰度化

ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) 二值化

binary, contours, hierarchy = cv2.findContours(image, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

draw_img = img.copy()

res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)

draw_img  复制原图,    contours:得到的轮廓,  -1:所有的轮廓全部画出,

(0,0,255)用红色画出, 2 指线宽

二十七、轮廓信息

cnt = contours[0]

cv2.contourArea(cnt) #面积

cv2.arcLength(cnt,True) #周长,True表示闭合的

几何中心 mm = cv.moments(cnt)

cx = mm[‘m10’] / mm[‘m00’]

cy = mm[‘m01’] / mm[‘m00’]

cv.circle(image, (np.int(cx)), np.int(cy), 3, (0, 255, 255), -1)

二十八、边界矩形

cnt = contours[0]

x,y,w,h = cv2.boundingRect(cnt)

img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)

二十九、模板匹配

res = cv2.matchTemplate(img,template,1)

Img:原始图, template:模板图,既裁剪图,

Mode:

  1. TM_SQDIFF 计算出的值越小越好
  2. TM_CCORR 计算出的值越大越好
  3. TM_CCOEFF 越大越好
  4. TM_SQDIFF_NORMED 接近0好
  5. TM_CCORR_NORMED 接近1好
  6. TM_CCOEF_NORMED 接近1好

image = cv.imread('D:/3.jpg') #得到原数据

ima_template = image.copy()[200:300, 200:300] #得到模板数据

th, tw = ima_template.shape[:2] #得到模板的长、宽

res = cv.matchTemplate(image, ima_template, cv.TM_CCORR_NORMED) #进行模板匹配,返回数据RES

min_val, max_val, min_loc, max_loc = cv.minMaxLoc(res) #根据模式不同而选择不同的参数

t1 = max_loc #参数实例化

br = (t1[0] + tw, t1[1] + th) #得到矩形另一个对角

cv.rectangle(image, t1, br,(0, 0, 255), 2) #在原图像中画出模板

cv.imshow('1', image) #显示

三十、图像直方图

img = cv2.imread('D:/3.jpg', 0) 第一个参数是文件路径,第二个参数为0指灰度图,不使用第二个参数时指彩图

hist = cv2.calcHist([img],[0],None,[256],[0,256])

Img:原图像,格式为uint-8,或者float32。用[]括起来

channels 如果传入的是灰度图,用[0]. 彩图可以用[0][1][2]他们分别对应着BGR

Mask 掩模图像。直方图就把它为None。

histSize :Bin数目, ranges:像素范围常数范围 常为[0,256]

color = ('blue', 'green', 'red')

for i, color in enumerate(color):

hist = cv.calcHist([image], [i], None, [256], [0, 256])

plt.plot(hist, color=color)

plt.xlim([0, 256])

plt.show()

直方图反向投影:(HSV与RGB色彩空间)

hsv = cv.cvtColor(image, cv.COLOR_BGR2HSV)

hist = cv.calcHist([hsv], [0,1], None, [180, 256], [0, 180, 0, 256])

三十一、创建Mask

mask = np.zeros(img.shape[:2], np.uint8)

mask[100:300, 100:400] = 255

masked_img = cv2.bitwise_and(img, img, mask=mask)  #与操作

三十二、将图片通过直方图的形式展现出来

equ = cv2.equalizeHist(img) #图片均衡化操作

plt.hist(equ .ravel(),256) #通过直方图展现

Plt.show()

三十三、自适应直方图均衡化(分别进行局部均衡化)

clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8)) #创建自适应均衡化方式

res_clahe = clahe.apply(img) #自适应均衡化

三十四、傅里叶变换

高频:变化剧烈的灰度分量,例如边界 低通滤波:只保留低频,会使图像模糊

低频:变化缓慢的灰度分量 高通滤波:只保留高频,会使图像细节增强

Opencv中主要就是cv2.dft() 和cv2.idft() ,输入图像需要先转化成np.float32格式

得到的结果中频率为0的部分会在左上角,通常要转换到中心位置,可以通过shift变换来实现。

Cv2.dft()返回的结果是双通道的(实部和虚部),通常还需要转换成图像格式才能展示(0,255)

三十五、图像特征-harris角点检测

cv2.cornerHarris(img, blockSize, Ksize, k)

Img:数据类型为float32的图像   (先转换为灰度图,再转成32位)

blockSize:角点检测中指定区域的大小, 使用2  指2*2矩阵

Ksize:Sobel求导中使用的窗口大小  默认 3

K :取值参数为[0.04 ,0.06] 默认值0.04

三十六、SIFT函数

sift = cv2.xfeatures2d.SIFT_create() 实例化SIFT

kp = sift.detect(image,None) image  灰度图

Img = cv2.drawWeypoints(image,kp,img)

Kp,des=sift.compute(image,kp) 计算特征

Print(np.array(kp).shape)

三十七、背景建模

1、帧差法:由于场景中的目标在运动,目标的影响在不同图像帧中的位置不同。该类算法对时间上连续的两帧图像进行差分运算,不同帧对应的像素点相减,判断灰度差的绝对值,当绝对值超过一定的阈值时,即可判断为目标运动,从而实现目标检测。

2、混合高斯模型:在进行前景检测前,先对背景进行训练,对图像中每个背景采用一个混合高斯模型进行模拟,每个背景的混合高斯的个数可以自适应,然后再检测阶段,对新的像素进行GMM匹配,如果该像素能够匹配其中一个高斯,则认为是背景,否则认为是前景。由于整个过程GMM 模型再不断更新学习中,所以对动态背景有一定的鲁棒性。

三十八、光流估计

光流是空间运动物体在观测成像平面上的像素运动是瞬时速度,根据各个像素点的速度矢量特征,可以对图像进行动态分析(目标跟踪)。

函数:cv2.calcOpticalFlowPyrLK()

参数:precImage 前一帧图像 nextImage 当前帧图像

prevPts 待跟踪的特征点向量 winSize 搜索窗口的大小

maxLevel 最大的金字塔层数

返回:nextPts 输出跟踪特征点向量 status 特征点是否找到,找到状态为1,未找到状态为0

三十九、创建一个照片

Img = np.zeros([400,400,3],np.uint8) 大小是400*400,3通道,8位

或者 img = np.ones([400, 400, 1], np.uint8)

Img[:,:,0] = np.ones([400,400])*127 改变创建图片的颜色

img.fill(100) 为每一个像素点赋值 100

四十、查看程序运行的时间

1、t1 = cv2.getTickCount() 2、t2 = cv2.getTickCount()

3、time = (t2 - t1) / cv2.getTickFrequency() 4、print('time:%s ms'%(time / 100))

四十一、像素取反

ima = cv2.bitwise_not(image)

四十二、色彩转换

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 灰度图

hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV) HSV

yuv = cv2.cvtColor(image, cv2.COLOR_BGR2YUV) YUV

ycrb = cv2.cvtColor(image, cv2.COLOR_BGR2YCrCb) YCRB

四十三、色彩分离

hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV) #在HSV格式下

Low_hsv = np.array([37,43,46])

Upper_hsv = np.array([77,255,2555]) #创建两个参数,在函数中进行筛选作用

Mask = cv2.inRange(hsv, Low_hsv, Upper_hsv)

四十四、算术运算

ima3 = cv.add(ima1,ima2) ima4 = cv.subtract(ima1,ima2)

ima5 = cv.divide(ima1, ima2) ima6 = cv.multiply(ima1, ima2)

逻辑运算:

cv.bitwise_and() cv.bitwise_or()

cv.bitwise_not() cv.bitwise_xor()

四十五、自定义模糊处理

kernel = np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]], np.float32) #锐化算子

kernel = np.ones((5, 5), np.float32)/25 #自定义模糊算子

dst = cv.filter2D(image, -1, kernel=kernel)

四十六、EPF  (可用于美颜)

高斯双边保留 dst = cv.bilateralFilter(image, 0, 100, 15) 颜色边界选大一些的100, 空间边界选小的 15

均值迁移 dst = cv.pyrMeanShiftFiltering(image, 10, 50)

四十七、分水岭算法

输入图像---> 灰度变换(除燥)---> 二值化---> 距离变换---> 寻找种子---> 生成MASK--->

---> 分水岭变换---> 输出图像

距离变换  dist = cv.distanceTransform(mb, cv.DIST_L2, 3)

Mb:需要距离变换的图像,cv.DIST_L2 变换模式, 3:掩模,卷积核

dist_output = cv.normalize(dist, 0, 1.0, cv.NORM_MINMAX)

四十八、人脸检测

gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY) #传入灰度图

#人脸检测包

face_detector = cv.CascadeClassifier('G:/python/Anaconda3/Library/etc/haarcascades/haarcascade_frontalface_alt_tree.xml')

faces = face_detector.detectMultiScale(gray, 1.02, 3)

{ gray待检测图像, 1.02:图像放大倍数 3:当3次监测到属于人脸,则确定是人脸}

for x, y, w, h in faces: #通过FOR循环,画出人脸

cv.rectangle(image, (x, y), (x + w, y + h), (0, 0, 255), 2)

{image:画在原图像中 (x , y):起点, (x + w, y + h):终点  (0, 0, 255):颜色 2:线宽}

cv.imshow('face', image)

四十九、数字验证码识别

from PIL import Image

import pytesseract as tess

gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)

ret, thresh1 = cv.threshold(gray, 140, 255, cv.THRESH_BINARY_INV)

kernel = np.ones((1, 2), np.uint8)

open = cv.morphologyEx(thresh1, cv.MORPH_OPEN, kernel, iterations=1)

cv.bitwise_not(open, open) #取反

text_Image = Image.fromarray(open)              #变成text图像

text = tess.image_to_string(text_Image) #转换成数字

print('验证码为:{}'.format(text))

基于Haad + Adaboost 人脸识别

什么是特征:特征=像素经过运算得到的结果,可以是具体的值,向量,多维向量

1、Haar特征:

特征=白色-黑色

特征=整个区域*权重1+黑色-*权重2 权重1=1,权重2=-2

特征=(p1-p2-p3+p4)*w

2、SVM支持向量机

本质是寻求一个最优的超平面进行分类

3、KNN算法(K-近邻算法):
工作原理:给定一个已知的标签类别的训练数据集,输入没有标签的新数据后,在训练集中找到与新数据最邻近的K个实例,如果这K个实例的多数属于某个类别,那么新数据就属于这个类别。

1、构建数据 构建一个字典类型的数据
2、计算已知数据类型中的数据点与当前数据之间的距离

movie_data_1_2 = movie_data.iloc[:6, 0:2] 选取字典中的0:6行,0:2列的数据

列求和 :.sum(0) 行求和 :.sum(1) 当有多个因素决定距离时,需要求得综合的距离

3、#确定前K个数据的类别出现的频率

re = dr.loc[:, 'label'].value_counts()

4、数据归一化,
有多个特征进行参考时,且每一个特征是同样重要,所以要进行归一化处理,使得多个特征的权重相同

方法:0-1标准化, Z-score标准化 Sigmoid压缩法
0-1标准化
data = pd.concat([data_minmax, data_test.iloc[:, 3]], axis=1)
concat():将两组元素合成一组,两组元素需要放进一个[]中,
结合方式由axis=决定。axis = 1,列结合,行数不变。axis=0,行结合,列数不变
test.index = range(test.shape[0])   #重置测试集的编号

分享一个关于Opencv的小总结的更多相关文章

  1. 分享一个nodejs写的小论坛

    引言:作为一个前端小菜鸟,最近迷上了node,于是乎空闲时间,为了练练手写了一个node的小社区,关于微信小程序的,欢迎大家批评指导. 项目架构部分 一.前端架构 作为一个写样式也得无聊的前端狮,我偷 ...

  2. 分享一个刷网页PV的python小脚本

    下面分享一个小脚本,用来刷网页PV. [root@huanqiu ~]# cat www.py #!/usr/bin/python# coding: UTF-8import webbrowser as ...

  3. 分享一个WPF 实现 Windows 软件快捷小工具

    分享一个WPF 实现 Windows 软件快捷小工具 Windows 软件快捷小工具 作者:WPFDevelopersOrg 原文链接:https://github.com/WPFDevelopers ...

  4. [Unity3D入门]分享一个自制的入门级游戏项目"坦克狙击手"

    [Unity3D入门]分享一个自制的入门级游戏项目"坦克狙击手" 我在学Unity3D,TankSniper(坦克狙击手)这个项目是用来练手的.游戏玩法来自这里(http://ww ...

  5. 分享一个超级好用的php程序员工具箱

    分享一个超级好用的php程序员工具箱,是由php中文网开发的. 集合了php环境搭建.在线小工具.原生手册.文字与视频教程.问答社区等 (php程序员工具箱 v0.1版本,点此下载:http://ww ...

  6. 分享一个命令行计算器-bc

    分享一个命令行计算器-bc 假如你在一个图形桌面环境中需要一个计算器时,你可能只需要一路进行点击便可以找到一个计算器.例如,Fedora 工作站中就已经包含了一个名为 Calculator 的工具.它 ...

  7. 【微信支付】分享一个失败的案例 跨域405(Method Not Allowed)问题 关于IM的一些思考与实践 基于WebSocketSharp 的IM 简单实现 【css3】旋转倒计时 【Html5】-- 塔台管制 H5情景意识 --飞机 谈谈转行

    [微信支付]分享一个失败的案例 2018-06-04 08:24 by stoneniqiu, 2744 阅读, 29 评论, 收藏, 编辑 这个项目是去年做的,开始客户还在推广,几个月后发现服务器已 ...

  8. 分享一个批量修改文件编码的python脚本

    分享一个自己编写的递归查找子目录,将所有cpp文件编码修改为utf-8编码格式的小脚本 #i!/usr/bin/env python3 # -*- coding:utf-8 -*- import os ...

  9. 分享调试SI4432的一些小经验(转)

    分享调试SI4432的一些小经验 最近使用 STM8F103 + SI4432 调无线,遇到问题不少,此处有参考过前辈的经验: 1.硬件把板给到我时USB烧录线带供电(5V),此供电接到LDO输出,就 ...

随机推荐

  1. vue quill使用&quill 自定义图片上传&自定义mp4 更换标签

    pluins 创建quill 目录 创建文件video.js import { Quill } from 'vue-quill-editor' // 源码中是import直接倒入,这里要用Quill. ...

  2. MongoDB 4.0 事务实现解析

    MongoDB 4.0 引入的事务功能,支持多文档ACID特性,例如使用 mongo shell 进行事务操作 > s = db.getMongo().startSession() sessio ...

  3. junit报错

    java.lang.RuntimeException: iwap 环境还没有初始化,请先调用IWapContext.init(). at com.nantian.ofpiwap.IWapContext ...

  4. learning scala sealed class

    package com.aura.scala.day01 object sealedClassed { def findPlaceToSit(piece: Furniture) = piece mat ...

  5. Educational Codeforces Round 72

    目录 Contest Info Solutions A. Creating a Character B. Zmei Gorynich C. The Number Of Good Substrings ...

  6. Luogu2791 幼儿园篮球题【斯特林数,数学】

    题目链接:洛谷 我一开始不知道$N,M$有什么用处,懵逼了一会儿,结果才发现是输入数据范围... $$\begin{aligned}\binom{n}{k}Ans&=\sum_{i=0}^k\ ...

  7. Linux中查看某个端口占用情况

    譬如在linux中排查某个端口是否被占用,可以通过如下命令进行排查,排查方法如下: 1: 排查 : 应用是否被人debug.  8787 为端口号 netstat -anp |grep 8787 图中 ...

  8. Java核心复习——J.U.C LinkedBlockingQueue源码分析

    参考文档 LinkedBlockingQueue和ArrayBlockingQueue的异同

  9. Oracle虚拟机 与 windows配置

    目录 相关资料 安装虚拟机及相关配置 安装PLSQL Developer Navicat Premium登录数据库 踩坑之路 相关资料 oracle虚拟机配置 提取码:s3sg 安装虚拟机及相关配置 ...

  10. nginx -- 设置单点登录 sso oidc oauth

    这个开源项目可以找到你想要的: https://github.com/vouch/vouch-proxy