9：OpenCV—模板匹配

模版匹配

1、模板匹配概念

　　模板匹配是一項在一副圖像中尋找與另一幅模板圖像最匹配（相似）部分的技術。模板匹配不是基于直方圖的，而是通過在輸入圖像上滑動圖像塊（模板）同時對比相似度，來對模板和輸入圖像進行匹配的一種方法。

應用：

　　（1）目標查找定位

　　（2）運動物體跟蹤

2、模板匹配 — matchTemplate()

1 CV_EXPORTS_W void matchTemplate(InputArray image, InputArray temp1, OutputArray result, int method);

　　image：待搜索圖像（大圖）

　　temp1：搜索模板，需和原圖一樣數據類型且尺寸大小不能大于源圖像

　　reuslt：比較結果的映射圖像，其必須為單通道的，32位浮點型圖像，如果原圖（待搜索圖像）尺寸為W*H，二temp1的尺寸為w*h，則result的尺寸一定是（W-w+1）*（H-h+1）

　　method：指定的匹配方法，有如下六種：


CV_TM_SQDIFF --- 平方差匹配法（最好匹配0）
CV_TM_SQDIFF_NORMED --- 歸一化平方差匹配法（最好匹配0）
CV_TM_CCORR --- 相關匹配法（最壞匹配0）
CV_TM_CCORR_NORMED ---歸一化相關匹配法（最壞匹配0）
CV_TM_CCOEFF --- 系數匹配法（最好匹配1）
CV_TM_CCOEFF_NORMED --- 歸一化系數匹配法（最好匹配1）

2、矩陣歸一化 — normalize()


void normalize(InputArray src,OutputArray dst, double alpha=1, double beta=0, int norm_type=NORM_L2, int dtype=-1, InputArray mask=noArray() )

　　src：輸入源圖像，Mat類型

　　dst：輸出結果圖像，需要和原圖一樣的尺寸和類型

　　alpha：歸一化后的最小值，默認為1

　　beta：歸一化后的最大值，默認為0

　　norm_type：歸一化類型，可選：NORM_INF, NORM_L1, NORM_L2（默認）等

　　dtype：默認值為-1，此參數為負值時，輸出矩陣和src有同樣的類型

　　mask：可選的掩碼操作

normallize()函數的作用是進行矩陣歸一化。

3、尋找最值 — minMaxLoc()


1void minMaxLoc(InputArray src, CV_OUT double* minVal, CV_OUT double* maxVal = 0, CV_OUT Point* minLoc=0, CV_OUT Point* maxLoc=0, InputArray mask=noArray());

　　src：輸入源圖像，單通道圖像

　　minVal：返回最小值的指針，若無需返回，則置為0

　　maxVal：返回最大值的指針，若無需返回，則置為0

　　minLoc：返回最小位置的指針，若無需返回，則置為0

　　maxLoc：返回最大位置的指針，若無需返回，則置為0

　　mask：可選的掩碼操作

minMaxLoc()函數的作用是在數組中找到全局最小值和最大值

4、單模板案例


//模板匹配
#include "opencv2/opencv.hpp"
#include <iostream>using namespace std;
using namespace cv;int main()
{Mat temp=imread("mu.jpg");Mat src=imread("1.jpg");Mat dst=src.clone();imshow("temp",temp);int width=src.cols-temp.cols+1;//result寬度int height=src.rows-temp.rows+1;//result高度Mat result(height,width,CV_32FC1);//創建結果映射圖像//matchTemplate(srcImg, templateImg, resultImg, CV_TM_SQDIFF); //平方差匹配法(最好匹配0)//matchTemplate(srcImg, templateImg, resultImg, CV_TM_SQDIFF_NORMED); //歸一化平方差匹配法(最好匹配0)//matchTemplate(srcImg, templateImg, resultImg, CV_TM_CCORR); //相關匹配法(最壞匹配0)//matchTemplate(srcImg, templateImg, resultImg, CV_TM_CCORR_NORMED); //歸一化相關匹配法(最壞匹配0)//matchTemplate(srcImg, templateImg, resultImg, CV_TM_CCOEFF); //系數匹配法(最好匹配1)matchTemplate(src,temp,result,CV_TM_CCOEFF_NORMED);//化相關系數匹配,最佳值1imshow("result",result);normalize(result,result,0,1,NORM_MINMAX,-1);//歸一化到0-1范圍double minValue,maxValue;Point minLoc,maxLoc;minMaxLoc(result,&minValue,&maxValue,&minLoc,&maxLoc);cout<<"minValue="<<minValue<<endl;cout<<"maxValue="<<maxValue<<endl;rectangle(dst,maxLoc,Point(maxLoc.x+temp.cols,maxLoc.y+temp.rows),Scalar(0,255,0),2,8);imshow("dst",dst);waitKey(0);return 0;
}

注意：result的長寬正好是（原圖-模板圖）的長寬，result圖中白亮程度表示匹配程度

5、視頻模板匹配


//視頻模板匹配
#include "opencv2/opencv.hpp"
#include <iostream>using namespace std;
using namespace cv;int main()
{Mat frame,resultImg;Mat templateImg = imread("green.jpg");VideoCapture cap("1.mp4");if(!cap.isOpened())return;int resultImg_cols,resultImg_rows;while(1){cap>>frame;if(frame.empty())    break;Mat showImg = frame.clone();resultImg_cols = frame.cols -  templateImg.cols + 1;resultImg_rows = frame.rows -  templateImg.rows + 1;resultImg.create(resultImg_cols, resultImg_rows, CV_32FC1);matchTemplate(frame, templateImg, resultImg, CV_TM_CCOEFF_NORMED); //歸一化相關系數匹配法(最好匹配1)normalize(resultImg, resultImg, 0, 1, NORM_MINMAX);double minValue, maxValue;Point minLoc, maxLoc;Point matchLoc;minMaxLoc(resultImg, &minValue, &maxValue, &minLoc, &maxLoc);cout<<"max_value= "<<maxValue<<endl;//cout<<"min_value= "<<minValue<<endl;if(maxValue>=0.7)rectangle(showImg, maxLoc, Point(maxLoc.x + templateImg.cols, maxLoc.y + templateImg.rows), Scalar(0, 255, 0), 2);imshow("frame", frame);imshow("result", showImg);if(27 == waitKey(10))break;}destroyAllWindows();waitKey(0);return 0;
}

6、多模板匹配


//多模板匹配
#include "opencv2/opencv.hpp"
#include <iostream>
#include <stdio.h>using namespace std;
using namespace cv;int main()
{Mat srcImg = imread("E://src.png");Mat templateImg = imread("E://temp.png");Mat resultImg;Mat showImg = srcImg.clone();int resultImg_cols = srcImg.cols -  templateImg.cols + 1;int resultImg_rows = srcImg.rows -  templateImg.rows + 1;resultImg.create(resultImg_cols, resultImg_rows, CV_32FC1);matchTemplate(srcImg, templateImg, resultImg, CV_TM_CCOEFF_NORMED); //化相關系數匹配法(最好匹配1)normalize(resultImg, resultImg, 0, 1, NORM_MINMAX);Mat midImg = resultImg.clone();//多目標模板匹配---方法一/*double matchValue;int count0=0;int tempW=0, tempH=0;char matchRate[10];for(int i=0; i<resultImg_rows; i++){for(int j=0; j<resultImg_cols; j++){matchValue = resultImg.at<float>(i, j);sprintf(matchRate, "%0.2f", matchValue);if(matchValue>=0.85 && (abs(j - tempW)>5) && (abs(i - tempH)>5) ){count0++;putText(showImg, matchRate, Point(j-5, i-5), CV_FONT_HERSHEY_COMPLEX, 1, Scalar(0, 0, 255), 1);rectangle(showImg, Point(j, i), Point(j + templateImg.cols, i + templateImg.rows), Scalar(0, 255, 0), 2);tempW = j;tempH = i;}}}cout<<"count="<<count0<<endl;imshow("resultImg", resultImg);imshow("dst", showImg);*///多目標模板匹配---方法二double minValue, maxValue;Point minLoc, maxLoc;Point matchLoc;char matchRate[10];for(int i=0; i<100; i++){int startX = maxLoc.x - 4;int startY = maxLoc.y - 4;int endX = maxLoc.x + 4;int endY = maxLoc.y + 4;if(startX<0 || startY<0){startX = 0;startY = 0;}if(endX > resultImg.cols - 1 || endY > resultImg.rows - 1){endX = resultImg.cols - 1;endY = resultImg.rows- 1;}Mat temp = Mat::zeros(endX - startX, endY - startY, CV_32FC1);//Mat ROI = resultImg(Rect(Point(startX, startY), temp.cols, temp.rows));temp.copyTo(resultImg(Rect(startX, startY, temp.cols, temp.rows)));minMaxLoc(resultImg, &minValue, &maxValue, &minLoc, &maxLoc);if(maxValue<0.8)    break;cout<<"max_value= "<<maxValue<<endl;sprintf(matchRate, "%0.2f", maxValue);putText(showImg, matchRate, Point(maxLoc.x - 5, maxLoc.y - 5), CV_FONT_HERSHEY_COMPLEX, 1, Scalar(0, 0, 255), 1);rectangle(showImg, maxLoc, Point(maxLoc.x + templateImg.cols, maxLoc.y + templateImg.rows), Scalar(0, 255, 0), 2);}imshow("midImg", midImg);imshow("resultImg", resultImg);imshow("dst", showImg);waitKey(0);return 0;
}

輪廓查找與繪制

1、輪廓的相關概念

1)什么是輪廓

　　輪廓可以簡單認為成將連續的點（連著邊界）連在一起的曲線，具有相同的顏色或者灰度，提取輪廓就是提取這些具有相同顏色或者灰度的曲線，或者說是連通域，輪廓在形狀分析和物體的檢測和識別中非常有用。

2)注意事項:

　　①為了更加準確，要使用二值化圖像。在尋找輪廓之前，要進行閾值化處理 或者 Canny 邊界檢測

　　②查找輪廓的函數會修改原始圖像。如果你在找到輪廓之后還想使用原始圖像的話，你應該將原始圖像存儲到其他變量中(clone(), copyTo())

　　③在OpenCV 中，查找輪廓就像在黑色背景中找白色物體。你應該記住，要找的物體應該是白色而背景應該是黑色。

3)常用函數:

　　findContours()—–查找輪廓

　　 drawContours()—–繪制輪廓

2、查找輪廓


void findContours(InputArray image, OutputArrayofArrays contours, OutputArray hierarchy, int mode, int method, Point offset=Point());

　　image: 輸入圖像, Mat類型8位單通道圖像(一般為二值圖)

　　contours: 檢測到的輪廓, 每個輪廓存儲為一個點向量, 即Point類型的vector表示

　　hierarchy: 可選的輸出向量, 包含圖像的拓撲信息。其作為輪廓數量的表示, 包含了許多元素, 每個輪廓contours[i]對應4個hierarchy元素hierarchy[i][0]~hierarchy[i][3], 分別表示后一輪廓、前一輪廓、父輪廓、內嵌輪廓的索引編號, 如果沒有對應項, 設置為負數

　　mode: 輪廓檢索模式, 取值如下:


CV_RETR_EXTERNAL=0-----表示只檢測最外層輪廓   
CV_RETR_LIST=1------提取所有輪廓并放置在list中, 輪廓不建立等級關系
CV_RETR_CCOMP=2------提取所有輪廓并組織為雙層結構   
CV_RETR_TREE=3------提取所有輪廓并重新建立網狀輪廓結構

　　method: 輪廓的近似方法, 取值如下：


CV_CHAIN_APPROX_NONE ---連續存儲所有的輪廓點，任何兩個相鄰的點都是水平、垂直或者相鄰的。也就是說max(abs(x1-x2), abs(y2-y1)) == 1
CV_CHAIN_APPROX_SIMPLE --- 壓縮存儲，對于水平、垂直或者斜向的線段，比如一個四邊形，只會存儲四個頂點
CV_CHAIN_APPROX_TC89_L1/CV_CHAIN_APPROX_TC89_KCOS

　　offset: 每個輪廓的可選偏移量, 默認值Point()

3、繪制輪廓


1 CV_EXPORTS_W void drawContours(InputOutputArray image, InputArrayOfArrays contours, int contourIdx, const Scalar& color, int thickness=1, int lineType=8, InputArray hierarchy=noArray(), int maxLevel=INT_MAX, Point offset=Point());

　　image: 目標圖像, Mat類型對象即可

　　contours: 所有的輸入輪廓, 每個輪廓存儲為一個點向量

　　contourIdx: 輪廓繪制指示變量(索引), 若為負值, 則表示繪制所有輪廓

　　color: 繪制輪廓的顏色

　　thickness: 輪廓線條的粗細, 默認值1, 如果為負值, 則繪制輪廓內部, 可選宏 CV_FILLED

　　lineType: 線條類型, 默認值8

　　hierarcy: 可選的層次結構信息, 默認值noArray()

　　maxLevel: 表示用于繪制輪廓的最大等級, 默認值INT_MAX

　　offset: 可選的輪廓偏移參數, 默認值Point()


//輪廓查找  輪廓繪制
#include"opencv2/opencv.hpp"
#include<iostream>using namespace std;
using namespace cv;int main()
{Mat srcImg = imread("2.png");Mat tempImg = srcImg.clone();//Mat draw(srcImg.rows, srcImg.cols, CV_8UC3);cvtColor(srcImg, srcImg, CV_BGR2GRAY); //轉為灰度圖threshold(srcImg, srcImg,100, 255, CV_THRESH_BINARY);//圖像二值化，value>threshold（即100）?255:0imshow("srcImg", srcImg);  //輪廓查找前vector<vector<Point>> contours;vector<Vec4i> hierarchy;//findContours(srcImg, contours, hierarchy,RETR_EXTERNAL, CHAIN_APPROX_SIMPLE ); //查找外輪廓，壓縮存儲輪廓點findContours(srcImg, contours, hierarchy,RETR_LIST, CHAIN_APPROX_SIMPLE ); //查找所有輪廓//findContours(srcImg, contours, hierarchy,CV_RETR_CCOMP, CHAIN_APPROX_SIMPLE ); //查找所有輪廓//findContours(srcImg, contours, hierarchy,RETR_TREE, CHAIN_APPROX_NONE ); //查找所有輪廓，存儲所有輪廓點imshow("cont", srcImg);  //輪廓查找后drawContours(tempImg, contours,-1, Scalar(0, 255, 0),2);  //繪制輪廓：-1代表繪制所有輪廓cout<<"num="<<contours.size()<<endl; //輸出輪廓個數imshow("contours", tempImg);waitKey(0);return 0;
}

附錄：

QT集合OpenCV庫


# 添加我們包含路徑
INCLUDEPATH += D:\Application\opencvdev\opencv3.4.6\rebuild_for_qt\install\include
# 添加對應類庫文件
LIBS += D:\Application\opencvdev\opencv3.4.6\rebuild_for_qt\lib\libopencv_*.a
上面配置的磁盤路徑是你電腦編譯OpenCV的路徑

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/bicheng/82958.shtml
繁體地址，請注明出處：http://hk.pswp.cn/bicheng/82958.shtml
英文地址，請注明出處：http://en.pswp.cn/bicheng/82958.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

Composer 常規操作說明與問題處理

Composer 常規操作說明與問題處理

目錄 一、 Composer 簡介&#xff0c;安裝二、全局配置三、項目配置&#xff08;composer.json&#xff09;3.1 composer.json 文件1. 基礎字段信息2. **require&#xff08;生產環境依賴&#xff09;**3. **require-dev&#xff08;開發環境依賴&#xff09;** 3.2 composer.l…
閱讀更多...
Spring Boot 3.0與Java 17：企業級應用開發的新范式

Spring Boot 3.0與Java 17：企業級應用開發的新范式

引言 隨著Spring Boot 3.0和Java 17的正式發布&#xff0c;企業級應用開發迎來了新的技術范式。這兩項技術的結合不僅帶來了性能提升&#xff0c;還引入了眾多現代化的編程特性&#xff0c;為開發者提供了更強大、更高效的開發體驗。本文將深入探討Spring Boot 3.0與Java 17的…
閱讀更多...
Vue 組件 - 指令

Vue 組件 - 指令

Vue 漸進式JavaScript 框架 基于Vue2的學習筆記 - Vue指令 目錄 指令寫法 自定義指令 簡單封裝指令 指令傳遞字符串 update事件 指令應用 指令實現輪播 指令函數簡寫 指令函數列表 bind inserted update componentUpdated unbind Vue3指令輪播 nextick 總結 指…
閱讀更多...
5.28 后端面經

5.28 后端面經

為什么golang在并發環境下更有優勢 Go語言&#xff08;Golang&#xff09;在并發環境下的優勢主要源自其設計哲學和內置的并發機制&#xff0c;這些機制在語言層面提供了高效、簡潔且安全的并發編程工具。以下是其核心優勢的詳細分析&#xff1a; 1. Goroutine&#xff1a;輕量…
閱讀更多...
Linux線程入門

Linux線程入門

目錄 Linux線程概念 什么是線程 重新理解進程 線程的優點 線程的缺點 線程的異常 線程用途 Linux線程概念 什么是線程 在一個程序里的一個執行路線就叫做線程&#xff08;thread&#xff09;。更準確的定義是&#xff1a;線程是“一個進程內部的控制序列”。一切進程至…
閱讀更多...
通信應用高速模數轉換器ADC

通信應用高速模數轉換器ADC

在5G通信、醫療成像、航空航天及工業自動化等關鍵領域&#xff0c;高速ADC模數轉換器作為信號鏈的“心臟”&#xff0c;其性能直接決定了系統的精度與效率。然而&#xff0c;如何精確測試高速ADC的動態參數、優化設計驗證流程、應對復雜應用場景的挑戰&#xff0c;始終是工程師…
閱讀更多...
PostgreSQL 中 JSONB 數據類型的深度解析以及如何使用

PostgreSQL 中 JSONB 數據類型的深度解析以及如何使用

一、JSONB 核心特性解析 1. 存儲結構與優勢 ??二進制存儲??&#xff1a;將 JSON 數據解析為二進制格式&#xff08;分解鍵值對&#xff0c;去除空格和重復鍵&#xff09;??高效查詢??&#xff1a;支持 GIN/GiST 索引&#xff0c;查詢速度比 JSON 類型快 10 倍??數據…
閱讀更多...
C++_核心編程_ 左移運算符重載 “＜＜” 左移運算符

C++_核心編程_ 左移運算符重載 “＜＜” 左移運算符

作用&#xff1a;可以輸出自定義數據類型 */ //目標 調用p1,輸出Person 中的屬性 m_A ,m_B &#xff1a; /* #### 4.5.2 左移運算符重載 “<<” 左移運算符 作用&#xff1a;可以輸出自定義數據類型 *///目標 調用p1,輸出Person 中的屬性 m_A ,m_B &#xff1a; class…
閱讀更多...
thinkphp 5.1 部分知識記錄＜一＞

thinkphp 5.1 部分知識記錄＜一＞

1、配置基礎 慣例配置->應用配置->模塊配置->動態配置 慣例配置：核心框架內置的配置文件，無需更改。應用配置：每個應用的全局配置文件（框架安裝后會生成初始的應用配置文件），有部分配置參數僅能在應用配置文件中設置。模塊配置：每個模塊的配置文件（相同的配置…
閱讀更多...
數據結構 -- 樹相關面試題

數據結構 -- 樹相關面試題

二、樹相關的填空題 1.對于一個具有 n 個結點的二叉樹&#xff0c;當它為一棵 ________ 二叉樹時&#xff0c;具有最小高度&#xff0c;即為 ________&#xff1b;當它為一棵單支樹時具有最大高度&#xff0c;即為 ________。 2.對于一個具有 n 個結點的二叉樹&#xff0c;當它…
閱讀更多...
2025河北CCPC 題解(部分）

2025河北CCPC 題解(部分）

簽到題&#xff1a;AC代碼如下 &#xff1a; // Problem: H - What is all you need? // Contest: Virtual Judge - sdccpc20250526 // URL: https://vjudge.net/contest/718568#problem/H // Memory Limit: 1024 MB // Time Limit: 1000 ms // // Powered by CP Editor (ht…
閱讀更多...
計算機視覺---YOLOv4

計算機視覺---YOLOv4

YOLOv4&#xff08;You Only Look Once v4&#xff09;于2020年由Alexey Bochkovskiy等人提出&#xff0c;是YOLO系列的重要里程碑。它在YOLOv3的基礎上整合了當時最先進的計算機視覺技術&#xff0c;實現了檢測速度與精度的顯著提升。以下從主干網絡、頸部網絡、頭部檢測、訓練…
閱讀更多...
OpenCV 第7課 圖像處理之平滑(一)

OpenCV 第7課 圖像處理之平滑(一)

1. 圖像噪聲 在采集、處理和傳輸過程中，數字圖像可能會受到不同噪聲的干擾，從而導致圖像質量降低、圖像變得模糊、圖像特征被淹沒，而圖像平滑處理就是通過除去噪聲來達到圖像增強的目的。常見的圖像噪聲有椒鹽噪聲、高斯噪聲等。 1.1 椒鹽噪聲 椒鹽噪聲（Salt-and-pepper N…
閱讀更多...
Spring AI 系列3: Promt提示詞

Spring AI 系列3: Promt提示詞

一、Promt提示詞 Promt提示是引導 AI 模型生成特定輸出的輸入&#xff0c; 提示的設計和措辭會顯著影響模型的響應。 在 Spring AI 中與 AI 模型交互的最低層級&#xff0c;處理提示有點類似于在 Spring MVC 中管理”視圖”。 這涉及創建帶有動態內容占位符的大段文本。 這些占…
閱讀更多...
隨叫隨到的電力補給：移動充電服務如何重塑用戶體驗？

隨叫隨到的電力補給：移動充電服務如何重塑用戶體驗？

在快節奏的現代生活中&#xff0c;電力已成為維系日常運轉的隱形血脈。智能手機、電動汽車、便攜設備的普及&#xff0c;讓“電量焦慮”逐漸演變為一種時代癥候。而移動充電服務的興起&#xff0c;正悄然改變這一局面。它像一位隱形的能源管家&#xff0c;隨時響應需求&#xf…
閱讀更多...
LeetCode 75. 顏色分類 - 雙指針法高效解決（Java實現）

LeetCode 75. 顏色分類 - 雙指針法高效解決（Java實現）

文章目錄 問題描述算法思路&#xff1a;三指針分區法核心思想指針定義 Java實現算法執行流程關鍵問題解析&#xff1a;為什么交換0后不需要重新檢查&#xff1f;交換0時的兩種情況分析詳細解釋&#xff1a; 復雜度分析示例演示&#xff08;輸入&#xff1a;[2,0,2,1,1,0]&#…
閱讀更多...
【MySQL】C語言連接

【MySQL】C語言連接

要使用C語言連接mysql&#xff0c;需要使用mysql官網提供的庫&#xff0c;大家可以去官網下載 我們使用C接口庫來進行連接 要正確使用&#xff0c;我們需要做一些準備工作: 保證mysql服務有效在官網上下載合適自己平臺的mysql connect庫&#xff0c;以備后用 下載開發庫 s…
閱讀更多...
NFS 掛載配置與優化最佳實踐指南

NFS 掛載配置與優化最佳實踐指南

文章目錄 NFS 掛載配置與優化最佳實踐指南1. 服務器端配置1.1 安裝 NFS 服務1.2 配置共享目錄常用配置選項說明 1.3 啟動與檢查服務 2. 客戶端掛載2.1 安裝 NFS 客戶端2.2 掛載 NFS 共享2.3 自動掛載 3. 客戶端掛載選項4. 性能優化與故障排查4.1 性能優化建議4.2 常見問題排查 …
閱讀更多...
3D PDF如何制作？SOLIDWORKS MBD模板定制技巧

3D PDF如何制作？SOLIDWORKS MBD模板定制技巧

SOLIDWORKS制作3D PDF模版 SOLIDWORKS MBD能夠幫助工程師以清晰直觀的方式描述產品尺寸信息。在3D PDF文件中&#xff0c;用戶可以自由旋轉和移動視圖&#xff0c;方便查看模型的各個尺寸細節。 本文將帶您一步步學習如何使用SOLIDWORKS MBD制作專業的3D PDF模板&#xff0c;…
閱讀更多...
Unity-QFramework框架學習-MVC、Command、Event、Utility、System、BindableProperty

Unity-QFramework框架學習-MVC、Command、Event、Utility、System、BindableProperty

QFramework QFramework簡介 QFramework是一套漸進式、快速開發框架&#xff0c;適用于任何類型的游戲及應用項目&#xff0c;它包含一套開發架構和大量的工具集 QFramework的特性 簡潔性&#xff1a;QFramework 強調代碼的簡潔性和易用性&#xff0c;讓開發者能夠快速上手&a…
閱讀更多...
最新文章

Copyright @ 2022~2023