OpenCV 圖形API（23）圖像和通道合成

  • 操作系統：ubuntu22.04
  • OpenCV版本：OpenCV4.9
  • IDE:Visual Studio Code
  • 編程語言：C++11

1.算法描述

在OpenCV的G-API模塊中，圖像和通道合成（composition）函數允許用戶對圖像進行復雜的操作，如合并多個單通道圖像為一個多通道圖像，或者從一個多通道圖像中提取特定的通道。這些功能是通過G-API的Graph API實現的，旨在高效處理圖像數據流。

2.相關函數

2.1水平方向上拼接兩個圖像函數concatHor

對給定的矩陣應用水平拼接。
該函數將兩個具有相同行數的 GMat 矩陣進行水平拼接。

GMat A = { 1, 4,2, 5,3, 6 };
GMat B = { 7, 10,8, 11,9, 12 };
GMat C = gapi::concatHor(A, B);
//C:
//[1, 4, 7, 10;
// 2, 5, 8, 11;
// 3, 6, 9, 12]

輸出矩陣必須與 src1 和 src2 具有相同的行數和深度，并且列數是 src1 和 src2 列數之和。支持的矩陣數據類型包括：CV_8UC1, CV_8UC3, CV_16UC1, CV_16SC1, CV_32FC1。

注意：
函數的文字ID是 “org.opencv.imgproc.transform.concatHor”

2.1.1函數原型
GMat cv::gapi::concatHor 
(const GMat &  	src1,const GMat &  	src2 
)
2.1.2參數：
  • 參數 src1：第一個輸入矩陣，用于水平拼接。
  • 參數 src2：第二個輸入矩陣，用于水平拼接。
2.1.3 代碼示例
#include <opencv2/opencv.hpp>
#include <opencv2/gapi/core.hpp> // 包含G-API核心功能
#include <opencv2/gapi.hpp>int main() {// 創建示例輸入圖像cv::Mat src1 = (cv::Mat_<uchar>(3, 3) << 1, 2, 3,4, 5, 6,7, 8, 9);cv::Mat src2 = (cv::Mat_<uchar>(3, 2) << 10, 11,12, 13,14, 15);// 定義G-API計算圖cv::GComputation concatComp( []() {cv::GMat in1, in2;auto out = cv::gapi::concatHor( in1, in2 );  // 水平拼接兩張圖像return cv::GComputation( cv::GIn( in1, in2 ), cv::GOut( out ) );} );try{// 執行計算圖并獲取結果cv::Mat dst;concatComp.apply( cv::gin( src1, src2 ), cv::gout( dst ) );// 打印結果std::cout << "Concatenated image: \n" << dst << std::endl;}catch ( const std::exception& e ){std::cerr << "Exception: " << e.what() << std::endl;return -1;}return 0;
}
2.1.4運行結果
Concatenated image: 
[  1,   2,   3,  10,  11;4,   5,   6,  12,  13;7,   8,   9,  14,  15]

2.2 垂直方向上拼接兩個圖像（矩陣）函數concatVert()

對給定的矩陣應用垂直拼接。
該函數將兩個具有相同列數（寬度）的 GMat 矩陣進行垂直拼接。

GMat A = { 1, 7,2, 8,3, 9 };
GMat B = { 4, 10,5, 11,6, 12 };
GMat C = gapi::concatVert(A, B);
//C:
//[1, 7;
// 2, 8;
// 3, 9;
// 4, 10;
// 5, 11;
// 6, 12]

輸出矩陣必須與 src1 和 src2 具有相同的列數和深度，并且行數是 src1 和 src2 行數之和。支持的矩陣數據類型包括：CV_8UC1, CV_8UC3, CV_16UC1, CV_16SC1, CV_32FC1。

注意：
函數的文字ID是 “org.opencv.imgproc.transform.concatVert”

2.2.1函數原型
GMat cv::gapi::concatVert 	
(const GMat &  	src1,const GMat &  	src2 
)
2.2.2 參數：
  • 參數 src1：第一個輸入矩陣，用于垂直拼接。
  • 參數 src2：第二個輸入矩陣，用于垂直拼接。
2.2.3 代碼示例
#include <opencv2/opencv.hpp>
#include <opencv2/gapi/core.hpp> // 包含G-API核心功能
#include <opencv2/gapi.hpp>int main() {// 創建示例輸入圖像cv::Mat src1 = (cv::Mat_<uchar>(3, 3) << 1, 2, 3,4, 5, 6,7, 8, 9);cv::Mat src2 = (cv::Mat_<uchar>(2, 3) << 10, 11, 12,13, 14, 15);// 定義G-API計算圖cv::GComputation concatComp( []() {cv::GMat in1, in2;auto out = cv::gapi::concatVert( in1, in2 );  // 垂直拼接兩張圖像return cv::GComputation( cv::GIn( in1, in2 ), cv::GOut( out ) );} );try{// 執行計算圖并獲取結果cv::Mat dst;concatComp.apply( cv::gin( src1, src2 ), cv::gout( dst ) );// 打印結果std::cout << "Concatenated image: \n" << dst << std::endl;}catch ( const std::exception& e ){std::cerr << "Exception: " << e.what() << std::endl;return -1;}return 0;
}
2.2.4運行結果
Concatenated image: 
[  1,   2,   3;4,   5,   6;7,   8,   9;10,  11,  12;13,  14,  15]

2.3將輸入矩陣 src 轉換為指定的數據深度函數convertTo()

將一個矩陣轉換為另一種數據深度，并可選擇進行縮放。
該方法將源像素值轉換為目標數據深度。最終應用 saturate_cast<> 以避免可能出現的溢出：
m ( x , y ) = s a t u r a t e _ c a s t < r T y p e > ( α ( ? t h i s ) ( x , y ) + β ) m(x,y) = saturate \_ cast<rType>( \alpha (*this)(x,y) + \beta ) m(x,y)=saturate_cast<rType>(α(?this)(x,y)+β)
輸出矩陣必須與輸入矩陣具有相同的大小。

注意：
函數的文字ID是 “org.opencv.core.transform.convertTo”

2.3.1函數原型
GMat cv::gapi::convertTo 	
(const GMat &  	src,int  	rdepth,double  	alpha = 1,double  	beta = 0 
)
2.3.2參數
  • 參數src：要從中轉換的輸入矩陣。
  • 參數rdepth：期望的輸出矩陣深度，或者更確切地說是深度，因為通道數與輸入相同；如果 rdepth 為負值，則輸出矩陣將具有與輸入相同的深度。
  • 參數alpha：可選的比例因子。
  • 參數beta：可選的加到縮放值上的增量。
2.3.3代碼示例
#include <opencv2/opencv.hpp>
#include <opencv2/gapi/core.hpp> // 包含G-API核心功能
#include <opencv2/gapi.hpp>int main() {// 創建示例輸入圖像cv::Mat src = (cv::Mat_<uchar>(3, 3) << 10, 20, 30,40, 50, 60,70, 80, 90);int rdepth = CV_32F; // 將數據類型轉換為32位浮點數double alpha = 1.0;  // 縮放因子double beta = 0.0;   // 偏移量// 定義G-API計算圖cv::GComputation convertComp( [ = ]() {  // 使用 [=] 捕獲所有外部變量cv::GMat in;auto out = cv::gapi::convertTo( in, rdepth, alpha, beta );  // 轉換數據類型return cv::GComputation( cv::GIn( in ), cv::GOut( out ) );}() );try{// 執行計算圖并獲取結果cv::Mat dst;convertComp.apply( cv::gin( src ), cv::gout( dst ) );// 打印結果std::cout << "Converted image: \n" << dst << std::endl;}catch ( const std::exception& e ){std::cerr << "Exception: " << e.what() << std::endl;return -1;}return 0;
}
2.3.4運行結果
Converted image: 
[10, 20, 30;40, 50, 60;70, 80, 90]

2.4創建一個輸入矩陣 in 的副本函數copy()

制作輸入圖像的副本。請注意，這個副本可能不是實際的（沒有實際復制數據）。使用此函數以維持圖的約定，例如當圖的輸入需要直接傳遞到輸出時，就像在流模式下一樣。

注意：
函數的文字ID是 “org.opencv.streaming.copy”

2.4.1函數原型
GMat cv::gapi::copy 	
(const GMat &  	in
)
2.4.2參數
  • 參數 in：輸入圖像
2.4.3代碼示例
include <opencv2/opencv.hpp>
#include <opencv2/gapi/core.hpp> // 包含G-API核心功能
#include <opencv2/gapi.hpp>int main() {// 創建示例輸入圖像cv::Mat src = (cv::Mat_<uchar>(3, 3) << 10, 20, 30,40, 50, 60,70, 80, 90);// 定義G-API計算圖cv::GComputation copyComp([](){cv::GMat in;auto out = cv::gapi::copy(in); // 復制輸入矩陣return cv::GComputation(cv::GIn(in), cv::GOut(out));});try {// 執行計算圖并獲取結果cv::Mat dst;copyComp.apply(cv::gin(src), cv::gout(dst));// 打印結果std::cout << "Copied image: \n" << dst << std::endl;} catch (const std::exception &e) {std::cerr << "Exception: " << e.what() << std::endl;return -1;}return 0;
}
2.4.4運行結果
Copied image: 
[ 10,  20,  30;40,  50,  60;70,  80,  90]

2.5從輸入矩陣 src 中裁剪出一個指定的矩形區域函數 crop()

裁剪一個二維矩陣。

該函數根據給定的 cv::Rect 裁剪矩陣。

輸出矩陣必須與輸入矩陣具有相同的深度，大小由給定的矩形大小指定。

注意：
函數的文字ID是 “org.opencv.core.transform.crop”

2.5.1函數原型
GMat cv::gapi::crop 	
(const GMat &  	src,const Rect &  	rect 
)
2.5.2參數
  • 參數src：輸入矩陣。
  • 參數rect：用于裁剪矩陣的矩形區域。
2.5.3代碼示例
include <opencv2/opencv.hpp>
#include <opencv2/gapi/core.hpp> // 包含G-API核心功能
#include <opencv2/gapi.hpp>int main() {// 創建示例輸入圖像cv::Mat src = (cv::Mat_<uchar>(5, 5) << 1, 2, 3, 4, 5,6, 7, 8, 9, 10,11, 12, 13, 14, 15,16, 17, 18, 19, 20,21, 22, 23, 24, 25);// 定義要裁剪的矩形區域cv::Rect rect(1, 1, 3, 3); // x=1, y=1, width=3, height=3// 定義G-API計算圖cv::GComputation cropComp([](){cv::GMat in;cv::GMat out = cv::gapi::crop(in, cv::Rect(1, 1, 3, 3)); // 裁剪輸入矩陣return cv::GComputation(cv::GIn(in), cv::GOut(out));});try {// 執行計算圖并獲取結果cv::Mat dst;cropComp.apply(cv::gin(src), cv::gout(dst));// 打印結果std::cout << "Cropped image: \n" << dst << std::endl;} catch (const std::exception &e) {std::cerr << "Exception: " << e.what() << std::endl;return -1;}return 0;
}
2.5.4運行結果
Cropped image: 
[  7,   8,   9;12,  13,  14;17,  18,  19]

2.6根據指定的翻轉代碼 flipCode 翻轉輸入矩陣 src函數flip()

圍繞垂直軸、水平軸或兩個軸翻轉一個二維矩陣。
該函數以三種不同的方式之一翻轉矩陣（行和列的索引是從0開始的）：
dst i j = { src src.rows ? i ? 1 , j i f flipCode = 0 src i , src.cols ? j ? 1 i f flipCode > 0 src src.rows ? i ? 1 , src.cols ? j ? 1 i f flipCode < 0 \texttt{dst} _{ij} = \left\{ \begin{array}{l l} \texttt{src} _{\texttt{src.rows}-i-1,j} & if\; \texttt{flipCode} = 0 \\ \texttt{src} _{i, \texttt{src.cols} -j-1} & if\; \texttt{flipCode} > 0 \\ \texttt{src} _{ \texttt{src.rows} -i-1, \texttt{src.cols} -j-1} & if\; \texttt{flipCode} < 0 \\ \end{array} \right. dstij?=? ? ??srcsrc.rows?i?1,j?srci,src.cols?j?1?srcsrc.rows?i?1,src.cols?j?1??ifflipCode=0ifflipCode>0ifflipCode<0?
使用此函數的一些示例場景包括：圖像的垂直翻轉（flipCode == 0），以在左上角和左下角圖像原點之間切換。這是在Microsoft Windows*操作系統上進行視頻處理時的典型操作。接著進行水平位移并計算絕對差值以檢查垂直軸對稱性的圖像水平翻轉（flipCode > 0）。接著進行位移并計算絕對差值以檢查中心對稱性的同時水平和垂直翻轉圖像（flipCode < 0）。反轉點數組的順序（flipCode > 0 或 flipCode == 0）。輸出圖像必須與輸入圖像具有相同的深度，尺寸應根據給定的 flipCode 正確設置。

注意：
函數的文字ID是 “org.opencv.core.transform.flip”

2.6.1函數原型
GMat cv::gapi::flip 	
(const GMat &  	src,int  	flipCode 
)
2.6.2參數
  • 參數 src：輸入矩陣。
  • 參數 flipCode：指定如何翻轉數組的一個標志；0表示繞x軸翻轉，正值（例如1）表示繞y軸翻轉。負值（例如-1）表示同時繞兩個軸翻轉。
2.6.3代碼示例
#include <opencv2/gapi.hpp>
#include <opencv2/gapi/core.hpp>  // 包含G-API核心功能
#include <opencv2/opencv.hpp>int main()
{// 創建示例輸入圖像cv::Mat src = ( cv::Mat_< uchar >( 3, 3 ) << 1, 2, 3, 4, 5, 6, 7, 8, 9 );// 定義翻轉代碼：這里選擇水平翻轉int flipCode = 1;  // 水平翻轉// 定義G-API計算圖cv::GComputation flipComp( [ flipCode ]() {cv::GMat in;auto out = cv::gapi::flip( in, flipCode );  // 根據flipCode翻轉輸入矩陣return cv::GComputation( cv::GIn( in ), cv::GOut( out ) );} );try{// 執行計算圖并獲取結果cv::Mat dst;flipComp.apply( cv::gin( src ), cv::gout( dst ) );// 打印結果std::cout << "Flipped image: \n" << dst << std::endl;}catch ( const std::exception& e ){std::cerr << "Exception: " << e.what() << std::endl;return -1;}return 0;
}
2.6.4運行結果
Flipped image: 
[  3,   2,   1;6,   5,   4;9,   8,   7]

2.7對輸入矩陣 src 應用查找表（Look-Up Table, LUT）函數LUT()

對一個矩陣執行查找表變換。
LUT 函數使用查找表中的值填充輸出矩陣。查找表的索引取自輸入矩陣。也就是說，該函數處理 src 的每個元素的方式如下：
支持的矩陣數據類型是 CV_8UC1。輸出矩陣與 src 具有相同的大小和通道數，并且與 lut 具有相同的深度。

注意：
函數的文字ID是 “org.opencv.core.transform.LUT”

2.7.1函數原型
GMat cv::gapi::LUT 	
(const GMat &  	src,const Mat &  	lut 
)
2.7.2參數
  • 參數 src: 輸入矩陣，元素為8位。
  • 參數 lut: 查找表，包含256個元素；在多通道輸入數組的情況下，查找表應該要么只有一個通道（在這種情況下，所有通道使用相同的查找表）或者與輸入矩陣具有相同數量的通道。
2.7.3代碼示例
#include <opencv2/gapi.hpp>
#include <opencv2/gapi/core.hpp>  // 包含G-API核心功能
#include <opencv2/opencv.hpp>int main()
{// 創建示例輸入圖像cv::Mat src = ( cv::Mat_< uchar >( 3, 3 ) << 0, 50, 100, 150, 200, 250, 255, 128, 64 );// 創建查找表cv::Mat lut( 1, 256, CV_8U );uchar* p = lut.ptr< uchar >();for ( int i = 0; i < 256; ++i ){p[ i ] = static_cast< uchar >( 255 - i );  // 反轉查找表}// 定義G-API計算圖cv::GComputation lutComp( [ = ]() {cv::GMat in;cv::GMat out = cv::gapi::LUT( in, lut );  // 正確地應用查找表return cv::GComputation( cv::GIn( in ), cv::GOut( out ) );} );try{// 執行計算圖并獲取結果cv::Mat dst;lutComp.apply( cv::gin( src ), cv::gout( dst ) );// 打印結果std::cout << "Image after LUT: \n" << dst << std::endl;}catch ( const std::exception& e ){std::cerr << "Exception: " << e.what() << std::endl;return -1;}return 0;
}
2.7.4運行結果
Image after LUT: 
[255, 205, 155;105,  55,   5;0, 127, 191]

2.8 將三個單通道的 GMat 圖像合并成一個多通道（三通道）的圖像函數merge3()

從3個單通道矩陣創建一個3通道矩陣。

該函數將多個矩陣合并為一個多通道矩陣。也就是說，輸出矩陣的每個元素將是輸入矩陣元素的串聯，其中第 i 個輸入矩陣的元素被視為 mv[i].channels() 元素向量。輸出矩陣必須是 CV_8UC3 類型。

函數 split3 執行相反的操作。

注意：
函數的文字ID是 “org.opencv.core.transform.merge3”

2.8.1函數原型
GMat cv::gapi::merge3 	
(const GMat &  	src1,const GMat &  	src2,const GMat &  	src3 
)
2.8.2參數
  • 參數src1: 首個需要合并的輸入 CV_8UC1 矩陣。
  • 參數 src2: 第二個需要合并的輸入 CV_8UC1 矩陣。
  • 參數 src3: 第三個需要合并的輸入 CV_8UC1 矩陣。
2.8.3代碼示例
#include <opencv2/opencv.hpp>
#include <opencv2/gapi/core.hpp> // 包含G-API核心功能
#include <opencv2/gapi.hpp>int main() {// 創建示例輸入圖像（單通道）cv::Mat src1 = (cv::Mat_<uchar>(3, 3) << 10, 20, 30,40, 50, 60,70, 80, 90);cv::Mat src2 = (cv::Mat_<uchar>(3, 3) << 100, 110, 120,130, 140, 150,160, 170, 180);cv::Mat src3 = (cv::Mat_<uchar>(3, 3) << 190, 200, 210,220, 230, 240,250, 260, 270);// 定義G-API計算圖cv::GComputation mergeComp([](){cv::GMat in1, in2, in3;auto out = cv::gapi::merge3(in1, in2, in3); // 合并三個單通道圖像return cv::GComputation(cv::GIn(in1, in2, in3), cv::GOut(out));});try {// 執行計算圖并獲取結果cv::Mat dst;mergeComp.apply(cv::gin(src1, src2, src3), cv::gout(dst));// 打印結果std::cout << "Merged image: \n" << dst << std::endl;} catch (const std::exception &e) {std::cerr << "Exception: " << e.what() << std::endl;return -1;}return 0;
}
2.8.4運行結果
Merged image: 
[ 10, 100, 190,  20, 110, 200,  30, 120, 210;40, 130, 220,  50, 140, 230,  60, 150, 240;70, 160, 250,  80, 170,   4,  90, 180,  14]

2.9將四個單通道的 GMat 圖像合并成一個多通道（四通道）的圖像函數merge4()

從4個單通道矩陣創建一個4通道矩陣。
該函數將多個矩陣合并為一個多通道矩陣。也就是說，輸出矩陣的每個元素將是輸入矩陣元素的串聯，其中第 i 個輸入矩陣的元素被視為 mv[i].channels() 元素向量。輸出矩陣必須是 CV_8UC4 類型。

函數 split4 執行相反的操作。

注意：
函數的文字ID是 “org.opencv.core.transform.merge4”

2.9.1函數原型
GMat cv::gapi::merge4 	
(const GMat &  	src1,const GMat &  	src2,const GMat &  	src3,const GMat &  	src4 
)
2.9.2參數
  • 參數src1: 首個需要合并的輸入 CV_8UC1 矩陣。
  • 參數src2: 第二個需要合并的輸入 CV_8UC1 矩陣。
  • 參數src3: 第三個需要合并的輸入 CV_8UC1 矩陣。
  • 參數src4: 第四個需要合并的輸入 CV_8UC1 矩陣
2.9.3代碼示例
#include <opencv2/gapi.hpp>
#include <opencv2/gapi/core.hpp>  // 包含G-API核心功能
#include <opencv2/opencv.hpp>int main()
{// 創建示例輸入圖像（單通道）cv::Mat src1 = ( cv::Mat_< uchar >( 2, 2 ) << 10, 20, 30, 40 );cv::Mat src2 = ( cv::Mat_< uchar >( 2, 2 ) << 50, 60, 70, 80 );cv::Mat src3 = ( cv::Mat_< uchar >( 2, 2 ) << 90, 100, 110, 120 );cv::Mat src4 = ( cv::Mat_< uchar >( 2, 2 ) << 130, 140, 150, 160 );// 定義G-API計算圖cv::GComputation mergeComp( []() {cv::GMat in1, in2, in3, in4;auto out = cv::gapi::merge4( in1, in2, in3, in4 );  // 合并四個單通道圖像return cv::GComputation( cv::GIn( in1, in2, in3, in4 ), cv::GOut( out ) );} );try{// 執行計算圖并獲取結果cv::Mat dst;mergeComp.apply( cv::gin( src1, src2, src3, src4 ), cv::gout( dst ) );// 打印結果std::cout << "Merged image: \n" << dst << std::endl;}catch ( const std::exception& e ){std::cerr << "Exception: " << e.what() << std::endl;return -1;}return 0;
}
2.9.4運行結果
Merged image: 
[ 10,  50,  90, 130,  20,  60, 100, 140;30,  70, 110, 150,  40,  80, 120, 160]

2.10對輸入矩陣 src 進行歸一化操作函數normalize()

歸一化數組的范數或值范圍。

該函數通過縮放和移位輸入數組元素來實現歸一化，使得
∥ dst ∥ L p = alpha \| \texttt{dst} \| _{L_p}= \texttt{alpha} ∥dst∥Lp??=alpha
其中 p=Inf, 1 或 2）當 normType 分別為 NORM_INF, NORM_L1 或 NORM_L2 時；或者使得
min ? I dst ( I ) = alpha , max ? I dst ( I ) = beta \min _I \texttt{dst} (I)= \texttt{alpha} , \, \, \max _I \texttt{dst} (I)= \texttt{beta} Imin?dst(I)=alpha,Imax?dst(I)=beta
當 normType 為 NORM_MINMAX 時（僅適用于密集數組）。

注意：
函數的文字ID是 “org.opencv.core.normalize”

2.10.1函數原型
GMat cv::gapi::normalize 	
(const GMat &  	src,double  	alpha,double  	beta,int  	norm_type,int  	ddepth = -1 
)
2.10.2參數
  • 參數src: 輸入數組。
  • 參數 alpha: 歸一化的目標范數值，或者在范圍歸一化時的下界。
  • 參數 beta: 在范圍歸一化時的上界；在范數歸一化時不使用。
  • 參數 norm_type: 歸一化類型（參見 cv::NormTypes）。
  • 參數 ddepth: 當為負值時，輸出數組與 src 類型相同；否則，它具有與 src 相同的通道數且深度為 ddepth。
2.10.3 代碼示例
#include <opencv2/opencv.hpp>
#include <opencv2/gapi/core.hpp> // 包含G-API核心功能
#include <opencv2/gapi.hpp>int main() {// 創建示例輸入圖像（單通道）cv::Mat src = (cv::Mat_<float>(3, 3) << 1.0f, 2.0f, 3.0f,4.0f, 5.0f, 6.0f,7.0f, 8.0f, 9.0f);// 定義歸一化參數double alpha = 0.0;double beta = 1.0;int norm_type = cv::NORM_MINMAX;int ddepth = -1; // 使用與輸入相同的深度// 定義G-API計算圖cv::GComputation normalizeComp([=]() {cv::GMat in;auto out = cv::gapi::normalize(in, alpha, beta, norm_type, ddepth); // 歸一化操作return cv::GComputation(cv::GIn(in), cv::GOut(out));});try {// 執行計算圖并獲取結果cv::Mat dst;normalizeComp.apply(cv::gin(src), cv::gout(dst));// 打印結果std::cout << "Normalized image: \n" << dst << std::endl;} catch (const std::exception &e) {std::cerr << "Exception: " << e.what() << std::endl;return -1;}return 0;
}
2.10.4運行結果
Normalized image: 
[0, 0.125, 0.25;0.375, 0.5, 0.625;0.75, 0.875, 1]

2.11對輸入圖像 src 進行重映射（remapping）函數remap()

應用一個通用的幾何變換到圖像上。
該函數使用指定的映射對源圖像進行變換：
dst ( x , y ) = src ( m a p x ( x , y ) , m a p y ( x , y ) ) \texttt{dst} (x,y) = \texttt{src} (map_x(x,y),map_y(x,y)) dst(x,y)=src(mapx?(x,y),mapy?(x,y))
其中，具有非整數坐標的像素值將使用一種可用的插值方法計算。mapx 和 mapy 可以分別編碼為 map1 和 map2 中的獨立浮點映射，或者在 map1 中交錯存儲的 (x,y) 浮點映射，或者通過使用 convertMaps 創建的定點映射。你可能希望從浮點表示轉換到定點表示的原因是它們可以顯著加快（高達2倍）重映射操作。在轉換后的情況下，map1 包含 (cvFloor(x), cvFloor(y)) 對，而 map2 包含插值系數表中的索引。輸出圖像必須與輸入圖像具有相同的大小和深度。

注意：
函數的文字ID是 “org.opencv.core.transform.remap”
由于當前實現的限制，輸入和輸出圖像的尺寸應小于 32767x32767。

2.11.1函數原型
GMat cv::gapi::remap 	
(const GMat &  	src,const Mat &  	map1,const Mat &  	map2,int  	interpolation,int  	borderMode = BORDER_CONSTANT,const Scalar &  	borderValue = Scalar() 
)
2.11.2參數
  • 參數src: 源圖像。
  • 參數 map1: 第一個映射，包含 (x,y) 點或僅 x 值，類型為 CV_16SC2, CV_32FC1 或 CV_32FC2。
  • 參數 map2: 第二個映射，包含 y 值，類型為 CV_16UC1, CV_32FC1，或者如果 map1 是 (x,y) 點則為空。
  • 參數 interpolation: 插值方法（參見 cv::InterpolationFlags）。此函數不支持 INTER_AREA 和 INTER_LINEAR_EXACT 方法。
  • 參數 borderMode: 像素外推方法（參見 cv::BorderTypes）。當 borderMode=BORDER_TRANSPARENT 時，這意味著目標圖像中對應于源圖像“異常值”的像素不會被函數修改。
  • 參數 borderValue: 在使用常量邊界模式時使用的值，默認為 0。
2.11.3代碼示例
#include <opencv2/opencv.hpp>
#include <opencv2/gapi/core.hpp> // 包含G-API核心功能
#include <opencv2/gapi.hpp>int main() {// 創建示例輸入圖像（單通道）cv::Mat src = (cv::Mat_<uchar>(3, 3) << 1, 2, 3,4, 5, 6,7, 8, 9);// 創建映射表cv::Mat map1 = (cv::Mat_<float>(3, 3) << 0.0f, 1.0f, 2.0f,0.0f, 1.0f, 2.0f,0.0f, 1.0f, 2.0f);cv::Mat map2 = (cv::Mat_<float>(3, 3) << 0.0f, 0.0f, 0.0f,1.0f, 1.0f, 1.0f,2.0f, 2.0f, 2.0f);// 定義插值方法和邊界模式int interpolation = cv::INTER_LINEAR;int borderMode = cv::BORDER_CONSTANT;cv::Scalar borderValue(0); // 默認值// 定義G-API計算圖cv::GComputation remapComp([=]() {cv::GMat in;auto out = cv::gapi::remap(in, map1, map2, interpolation, borderMode, borderValue); // 重映射操作return cv::GComputation(cv::GIn(in), cv::GOut(out));});try {// 執行計算圖并獲取結果cv::Mat dst;remapComp.apply(cv::gin(src), cv::gout(dst));// 打印結果std::cout << "Remapped image: \n" << dst << std::endl;} catch (const std::exception &e) {std::cerr << "Exception: " << e.what() << std::endl;
**加粗樣式**        return -1;}return 0;
}
2.11.4運行結果
Remapped image: 
[  1,   2,   3;4,   5,   6;7,   8,   9]

2.12 調整輸入圖像 src 的大小函數resize()

調整圖像大小。
該函數將圖像 src 調整到指定大小，可以是縮小或放大。
輸出圖像的大小將會是 dsize（當 dsize 非零時）或者根據 src.size()、fx 和 fy 計算得出；輸出圖像的深度與 src 相同。
如果你想調整 src 的大小以適合預先創建的 dst，你可以這樣調用函數：

// explicitly specify dsize=dst.size(); fx and fy will be computed from that.
resize(src, dst, dst.size(), 0, 0, interpolation);

如果你想在每個方向上按比例縮小圖像因子為 2，你可以這樣調用函數：

// specify fx and fy and let the function compute the destination image size.
resize(src, dst, Size(), 0.5, 0.5, interpolation);

為了縮小圖像，通常使用 cv::INTER_AREA 插值方法效果最佳；而要放大圖像，通常使用 cv::INTER_CUBIC（較慢）或 cv::INTER_LINEAR（較快但仍看起來不錯）插值方法效果最佳。

注意：

函數的文字ID是 “org.opencv.imgproc.transform.resize”

2.12.1函數原型
GMat cv::gapi::resize 	
(const GMat &  	src,const Size &  	dsize,double  	fx = 0,double  	fy = 0,int  	interpolation = INTER_LINEAR 
)
2.12.2參數
  • 參數 src: 輸入圖像。
  • 參數 dsize: 輸出圖像大小；如果其等于零，則根據以下公式計算：
2.12.3示例代碼
#include <opencv2/opencv.hpp>
#include <opencv2/gapi/core.hpp> // 包含G-API核心功能
#include <opencv2/gapi.hpp>int main() {// 創建示例輸入圖像（單通道）cv::Mat src = (cv::Mat_<uchar>(2, 2) << 1, 2,3, 4);// 定義目標尺寸cv::Size dsize(4, 4); // 將原圖放大到4x4// 定義縮放因子（不使用時設為0）double fx = 0;double fy = 0;// 定義插值方法int interpolation = cv::INTER_LINEAR;// 定義G-API計算圖cv::GComputation resizeComp([=]() {cv::GMat in;auto out = cv::gapi::resize(in, dsize, fx, fy, interpolation); // 調整大小操作return cv::GComputation(cv::GIn(in), cv::GOut(out));});try {// 執行計算圖并獲取結果cv::Mat dst;resizeComp.apply(cv::gin(src), cv::gout(dst));// 打印結果std::cout << "Resized image: \n" << dst << std::endl;} catch (const std::exception &e) {std::cerr << "Exception: " << e.what() << std::endl;return -1;}return 0;
}
2.12.4運行結果
Resized image: 
[  1,   1,   2,   2;2,   2,   2,   3;3,   3,   3,   4;3,   3,   4,   4]

2.13 調整打包像素格式（Planar, GMatP）圖像大小的函數resizeP()

該函數將圖像 src 調整到指定大小，可以是縮小或放大。打包圖像的內存布局是三個平面在內存中連續排列，因此圖像的高度應該是 plane_height * plane_number，圖像類型為 CV_8UC1。

輸出圖像的大小將會是 dsize，輸出圖像的深度與 src 相同。

注意：

函數的文字ID是 “org.opencv.imgproc.transform.resizeP”

2.13.1函數原型
GMatP cv::gapi::resizeP 	
(const GMatP &  	src,const Size &  	dsize,int  	interpolation = cv::INTER_LINEAR 
)
2.13.2參數
  • 參數src: 輸入圖像，必須是 CV_8UC1 類型；
  • 參數 dsize: 輸出圖像大小；
  • 參數 interpolation: 插值方法，目前僅支持 cv::INTER_LINEAR。
2.13.3示例代碼

沒有寫出正確的代碼，后續加上。。。。。

2.14將一個多通道的 GMat 拆分為三個單通道的 GMat函數split3()

將一個3通道矩陣拆分為3個單通道矩陣。
該函數將一個3通道矩陣拆分為3個單通道矩陣：

mv [ c ] ( I ) = src ( I ) c \texttt{mv} [c](I) = \texttt{src} (I)_c mv[c](I)=src(I)c?

所有輸出矩陣必須是 CV_8UC1 類型。

函數 merge3 執行相反的操作。

注意

函數的文本標識符是 “org.opencv.core.transform.split3”

2.14.1函數原型
std::tuple<GMat, GMat, GMat> cv::gapi::split3
(const GMat &  	src
)
2.14.2參數
  • 參數src 輸入的 CV_8UC3 矩陣。
2.14.3代碼示例
#include <opencv2/gapi.hpp>
#include <opencv2/gapi/core.hpp>     // 包含G-API核心功能
#include <opencv2/gapi/imgproc.hpp>  // 包含其他可能需要的G-API模塊
#include <opencv2/opencv.hpp>int main()
{// 創建或加載示例輸入圖像（假設是三通道BGR圖像）cv::Mat src = cv::imread( "/media/dingxin/data/study/OpenCV/sources/images/Lenna.png" );  // 加載實際圖像if ( src.empty() ){std::cerr << "Error: Image cannot be loaded!" << std::endl;return -1;}// 定義G-API計算圖來拆分圖像cv::GComputation comp( []() {cv::GMat in;                                // 輸入：多通道GMatauto [ b, g, r ] = cv::gapi::split3( in );  // 使用split3函數拆分圖像return cv::GComputation( cv::GIn( in ), cv::GOut( b, g, r ) );} );// 輸出結果cv::Mat b, g, r;try{// 執行計算圖并傳入實際的cv::Mat數據comp.apply( cv::gin( src ), cv::gout( b, g, r ) );// 打印每個通道的信息std::cout << "Blue channel:\n" << b << "\nGreen channel:\n" << g << "\nRed channel:\n" << r << std::endl;}catch ( const std::exception& e ){std::cerr << "Exception: " << e.what() << std::endl;return -1;}return 0;
}
2.14.4運行結果

輸出太占屏幕，不展示了

2.15將一個四通道的 GMat 拆分為四個單通道的 GMat函數split4()

將一個4通道矩陣拆分為4個單通道矩陣。
該函數將一個4通道矩陣拆分為4個單通道矩陣：
mv [ c ] ( I ) = src ( I ) c \texttt{mv} [c](I) = \texttt{src} (I)_c mv[c](I)=src(I)c?
所有輸出矩陣必須是 CV_8UC1 類型。

函數 merge4 執行相反的操作。

注意

函數的文本標識符是 “org.opencv.core.transform.split4”

2.15.1函數原型
std::tuple<GMat, GMat, GMat,GMat> cv::gapi::split4
(const GMat &  	src
)
2.15.2參數
  • 參數 src 輸入的 CV_8UC4 矩陣。
2.15.3示例代碼
#include <opencv2/gapi.hpp>
#include <opencv2/gapi/core.hpp>  // 包含G-API核心功能
#include <opencv2/opencv.hpp>int main()
{// 創建或加載示例輸入圖像（假設是四通道RGBA圖像）cv::Mat src = cv::imread( "/media/dingxin/data/study/OpenCV/sources/images/Lenna.png", cv::IMREAD_UNCHANGED );  // 加載實際圖像，確保包含alpha通道if ( src.empty() ){std::cerr << "Error: Image cannot be loaded!" << std::endl;return -1;}if (src.channels() == 3) { // 如果圖像是三通道std::vector<cv::Mat> channels;cv::split(src, channels); // 分離BGR通道cv::Mat alpha(src.size(), CV_8UC1, cv::Scalar(255)); // 創建一個全透明的Alpha通道channels.push_back(alpha); // 添加Alpha通道cv::merge(channels, src); // 合并通道回到四通道圖像}// 確保輸入是CV_8UC4類型if ( src.type() != CV_8UC4 ){std::cerr << "Error: Input image must be of type CV_8UC4!" << std::endl;return -1;}// 定義G-API計算圖來拆分圖像cv::GComputation comp( []() {cv::GMat in;                                   // 輸入：多通道GMatauto [ b, g, r, a ] = cv::gapi::split4( in );  // 使用split4函數拆分圖像return cv::GComputation( cv::GIn( in ), cv::GOut( b, g, r, a ) );} );// 輸出結果cv::Mat b, g, r, a;try{// 執行計算圖并傳入實際的cv::Mat數據comp.apply( cv::gin( src ), cv::gout( b, g, r, a ) );// 確保輸出是CV_8UC1類型if ( b.type() != CV_8UC1 || g.type() != CV_8UC1 || r.type() != CV_8UC1 || a.type() != CV_8UC1 ){std::cerr << "Error: Output images must be of type CV_8UC1!" << std::endl;return -1;}// 可視化結果（可選）cv::imshow( "Blue Channel", b );cv::imshow( "Green Channel", g );cv::imshow( "Red Channel", r );cv::imshow( "Alpha Channel", a );cv::waitKey( 0 );  // 等待按鍵事件}catch ( const std::exception& e ){std::cerr << "Exception: " << e.what() << std::endl;return -1;}return 0;
}
2.15.4運行結果

在這里插入圖片描述

2.16仿射變換函數warpAffine()

應用仿射變換到圖像。
函數 warpAffine 使用指定的矩陣對源圖像進行變換：
dst ( x , y ) = src ( M 11 x + M 12 y + M 13 , M 21 x + M 22 y + M 23 ) \texttt{dst} (x,y) = \texttt{src} ( \texttt{M} _{11} x + \texttt{M} _{12} y + \texttt{M} _{13}, \texttt{M} _{21} x + \texttt{M} _{22} y + \texttt{M} _{23}) dst(x,y)=src(M11?x+M12?y+M13?,M21?x+M22?y+M23?)
當設置了標志 WARP_INVERSE_MAP 時。否則，首先使用 invertAffineTransform 反轉變換，然后將其放入上述公式中代替 MM。該函數不能就地操作（即輸入圖像和輸出圖像不能是同一個對象）。

2.16.1函數原型
GMat cv::gapi::warpAffine 	
(const GMat &  	src,const Mat &  	M,const Size &  	dsize,int  	flags = cv::INTER_LINEAR,int  	borderMode = cv::BORDER_CONSTANT,const Scalar &  	borderValue = Scalar() 
)
2.16.2參數
  • 參數 src: 輸入圖像。
  • 參數 M: 2×3 的變換矩陣。
  • 參數 dsize: 輸出圖像的尺寸。
  • 參數 flags: 插值方法的組合（參見 InterpolationFlags）以及可選的標志 WARP_INVERSE_MAP，表示 MM 是逆變換（從 dst 到 src）。
  • 參數 borderMode: 像素外推方法（參見 BorderTypes）；不支持 BORDER_TRANSPARENT。
  • 參數 borderValue: 在使用常量邊界模式時使用的值；默認為 0。
2.16.3代碼示例
#include <opencv2/gapi.hpp>
#include <opencv2/gapi/core.hpp>     // 包含G-API核心功能
#include <opencv2/gapi/imgproc.hpp>  // 包含imgproc模塊，可能需要的其他G-API模塊
#include <opencv2/opencv.hpp>int main()
{// 加載輸入圖像cv::Mat src = cv::imread( "/media/dingxin/data/study/OpenCV/sources/images/Lenna.png" );if ( src.empty() ){std::cerr << "Error: Image cannot be loaded!" << std::endl;return -1;}// 定義仿射變換矩陣 Mdouble angle = 45.0;double scale = 1.0;cv::Point2f center( src.cols / 2.0, src.rows / 2.0 );cv::Mat M = cv::getRotationMatrix2D( center, angle, scale );// 定義輸出尺寸cv::Size dsize = src.size();// 定義G-API計算圖來應用仿射變換cv::GComputation comp( [ dsize, &M ]() {           // 捕獲 dsize 和 Mcv::GMat in;                                   // 輸入：源圖像int flags              = cv::INTER_LINEAR;     // 插值方法int borderMode         = cv::BORDER_CONSTANT;  // 邊界模式cv::Scalar borderValue = cv::Scalar();         // 邊界填充顏色，默認為黑色cv::GMat out = cv::gapi::warpAffine( in, M, dsize, flags, borderMode, borderValue );return cv::GComputation( cv::GIn( in ), cv::GOut( out ) );} );// 輸出結果cv::Mat dst;try{// 執行計算圖并傳入實際的cv::Mat數據comp.apply( cv::gin( src ), cv::gout( dst ) );// 顯示結果cv::imshow( "Original Image", src );cv::imshow( "Transformed Image", dst );cv::waitKey( 0 );  // 等待按鍵事件}catch ( const std::exception& e ){std::cerr << "Exception: " << e.what() << std::endl;return -1;}return 0;
}
2.16.4 運行結果

在這里插入圖片描述

2.17透視變換函數warpPerspective()

應用透視變換到圖像。
函數 warpPerspective 使用指定的矩陣對源圖像進行變換：
dst ( x , y ) = src ( M 11 x + M 12 y + M 13 M 31 x + M 32 y + M 33 , M 21 x + M 22 y + M 23 M 31 x + M 32 y + M 33 ) \texttt{dst} (x,y) = \texttt{src} \left ( \frac{M_{11} x + M_{12} y + M_{13}}{M_{31} x + M_{32} y + M_{33}} , \frac{M_{21} x + M_{22} y + M_{23}}{M_{31} x + M_{32} y + M_{33}} \right ) dst(x,y)=src(M31?x+M32?y+M33?M11?x+M12?y+M13??,M31?x+M32?y+M33?M21?x+M22?y+M23??)
當設置了標志 WARP_INVERSE_MAP 時。否則，首先使用 invert 反轉變換，然后將其放入上述公式中代替 MM。該函數不能就地操作（即輸入圖像和輸出圖像不能是同一個對象）。

2.17.1函數原型
GMat cv::gapi::warpPerspective 
(const GMat &  	src,const Mat &  	M,const Size &  	dsize,int  	flags = cv::INTER_LINEAR,int  	borderMode = cv::BORDER_CONSTANT,const Scalar &  	borderValue = Scalar() 
)
2.17.2參數
  • 參數 src: 輸入圖像。
  • 參數 M: 3×3 的變換矩陣。
  • 參數 dsize: 輸出圖像的尺寸。
  • 參數 flags: 插值方法的組合（INTER_LINEAR 或 INTER_NEAREST）以及可選的標志 WARP_INVERSE_MAP，設置 MM 作為逆變換（從 dst 到 src）。
  • 參數 borderMode: 像素外推方法（BORDER_CONSTANT 或 BORDER_REPLICATE）。
  • 參數 borderValue: 在使用常量邊界模式時使用的值；默認等于 0。
2.17.3示例代碼
#include <opencv2/gapi.hpp>
#include <opencv2/gapi/core.hpp>     // 包含G-API核心功能
#include <opencv2/gapi/imgproc.hpp>  // 包含imgproc模塊，可能需要的其他G-API模塊
#include <opencv2/opencv.hpp>int main()
{// 加載輸入圖像cv::Mat src = cv::imread( "/media/dingxin/data/study/OpenCV/sources/images/Lenna.png" );if ( src.empty() ){std::cerr << "Error: Image cannot be loaded!" << std::endl;return -1;}// 定義透視變換矩陣 M// 這里以簡單變換為例，你可以根據需要修改此矩陣cv::Point2f srcPoints[] = { { 50, 50 }, { 200, 50 }, { 50, 200 }, { 200, 200 } };cv::Point2f dstPoints[] = { { 30, 30 }, { 180, 20 }, { 60, 180 }, { 220, 180 } };cv::Mat M               = cv::getPerspectiveTransform( srcPoints, dstPoints );// 定義輸出尺寸cv::Size dsize = src.size();// 定義G-API計算圖來應用透視變換cv::GComputation comp( [ dsize, &M ]() {           // 捕獲 dsize 和 Mcv::GMat in;                                   // 輸入：源圖像int flags              = cv::INTER_LINEAR;     // 插值方法int borderMode         = cv::BORDER_CONSTANT;  // 邊界模式cv::Scalar borderValue = cv::Scalar();         // 邊界填充顏色，默認為黑色cv::GMat out = cv::gapi::warpPerspective( in, M, dsize, flags, borderMode, borderValue );return cv::GComputation( cv::GIn( in ), cv::GOut( out ) );} );// 輸出結果cv::Mat dst;try{// 執行計算圖并傳入實際的cv::Mat數據comp.apply( cv::gin( src ), cv::gout( dst ) );// 顯示結果cv::imshow( "Original Image", src );cv::imshow( "Transformed Image", dst );cv::waitKey( 0 );  // 等待按鍵事件}catch ( const std::exception& e ){std::cerr << "Exception: " << e.what() << std::endl;return -1;}return 0;
}
2.17.4運行結果

在這里插入圖片描述

------------------------------完結

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/diannao/78782.shtml
繁體地址，請注明出處：http://hk.pswp.cn/diannao/78782.shtml
英文地址，請注明出處：http://en.pswp.cn/diannao/78782.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

帝國cms導航淘客新聞下載多功能網站源碼 二次元風格自適應附教程

帝國cms導航淘客新聞下載多功能網站源碼 二次元風格自適應附教程

一、本模板使用帝國cms7.5 utf8版本&#xff0c;二次元導航新聞下載工具淘客自適應響應式帝國cms模板。 1、網站后臺有3個系統模型&#xff0c;新聞系統模型&#xff0c;下載系統模型&#xff0c;導航系統模型&#xff0c;商城系統模型&#xff0c;可以根據自己的需求不同&…
閱讀更多...
本地部署大模型（ollama模式）

本地部署大模型（ollama模式）

分享記錄一下本地部署大模型步驟。 大模型應用部署可以選擇 ollama 或者 LM Studio。本文介紹ollama本地部署 ollama官網為&#xff1a;https://ollama.com/ 進入官網&#xff0c;下載ollama。 ollama是一個模型管理工具和平臺&#xff0c;它提供了很多國內外常見的模型&…
閱讀更多...
C# virtual 和 abstract 詳解

C# virtual 和 abstract 詳解

簡介 在 C# 中&#xff0c;virtual 和 abstract 關鍵字都用于面向對象編程中的繼承和多態&#xff0c;它們主要用于方法、屬性和事件的定義&#xff0c;但在用法上存在一些重要的區別。 virtual 關鍵字 virtual 表示可重寫的方法&#xff0c;但可以提供默認實現&#xff0c;…
閱讀更多...
自動駕駛的數據集以及yolov8和yolop

自動駕駛的數據集以及yolov8和yolop

項目背景 網絡全部是分割了沒有檢測。 自動駕駛的車道線和可行駛區域在數據集中的表示 自動駕駛系統中的車道線和可行駛區域的表示方式主要有以下幾種&#xff1a; 基于幾何模型&#xff1a;使用幾何模型來描述車道線和可行駛區域的形狀和位置&#xff0c;例如直線、曲線、多…
閱讀更多...
Oracle DROP、TRUNCATE 和 DELETE 原理

Oracle DROP、TRUNCATE 和 DELETE 原理

在 Oracle 11g 中&#xff0c;DROP、TRUNCATE 和 DELETE 是三種不同的數據清理操作&#xff0c;它們的底層原理和適用場景有顯著差異 1. DELETE 的原理 類型&#xff1a;DML&#xff08;數據操作語言&#xff09; 功能&#xff1a;逐行刪除表中符合條件的數據&#xff0c;保留…
閱讀更多...
PCIe 5.0光學SSD原型問世！

PCIe 5.0光學SSD原型問世！

近日&#xff0c;Kioxia Corporation&#xff08;鎧俠&#xff09;、AIO Core Co., Ltd. 和 Kyocera Corporation&#xff08;京瓷&#xff09;聯合宣布成功開發了一款支持 PCIe 5.0 接口的光學 SSD 原型。該技術旨在通過光接口替換傳統的電接口&#xff0c;從而顯著增加計算設…
閱讀更多...
SQL 查詢中涉及的表及其作用說明

SQL 查詢中涉及的表及其作用說明

SQL 查詢中涉及的表及其作用說明&#xff1a; 涉及的數據庫表 表名別名/用途關聯關系dbo.s_orderSO&#xff08;主表&#xff09;存儲訂單主信息&#xff08;訂單號、日期、客戶等&#xff09;dbo.s_orderdetailSoD&#xff08;訂單明細&#xff09;通過 billid SO.billid 關…
閱讀更多...
C++學習之金融類安全傳輸平臺項目git

C++學習之金融類安全傳輸平臺項目git

目錄 1.知識點概述 2.版本控制工具作用 3.git和SVN 4.git介紹 5.git安裝 6.工作區 暫存區 版本庫概念 7.本地文件添加到暫存區和提交到版本庫 8.文件的修改和還原 9.查看提交的歷史版本信息 10.版本差異比較 11.刪除文件 12.本地版本管理設置忽略目錄 13.遠程git倉…
閱讀更多...
【HCIP】GRE VPN實驗筆記

【HCIP】GRE VPN實驗筆記

一、實驗拓撲 二、實驗要求 1、按照圖示配置IP地址 2、在R1和R3上配置默認路由使公網區域互通 3、在R1和R3上配置GRE VPN&#xff0c;使兩端私網能夠互相訪問&#xff0c;Tunnel口IP地址如圖 4、在R1和R3上配置RIPv2或者ospf或者靜態&#xff0c;來傳遞兩端私網路由 三、實…
閱讀更多...
大模型——Llama Stack快速入門 部署構建AI大模型指南

大模型——Llama Stack快速入門 部署構建AI大模型指南

Llama Stack快速入門 部署構建AI大模型指南 介紹 Llama Stack 是一組標準化和有主見的接口，用于如何構建規范的工具鏈組件（微調、合成數據生成）和代理應用程序。我們希望這些接口能夠在整個生態系統中得到采用，這將有助于更輕松地實現互操作性。 Llama Stack 定義并標準化…
閱讀更多...
ALOPS智能化運維管理平臺

ALOPS智能化運維管理平臺

AIOps&#xff08;Artificial Intelligence for IT Operations&#xff09;即智能運維&#xff0c;是將人工智能技術應用于 IT 運維管理領域&#xff0c;以實現自動化、智能化的運維決策和管理。以下是關于 AIOps 的詳細介紹&#xff1a; 核心能力 數據收集與整合&#xff1a…
閱讀更多...
C語言超詳細指針知識（二）

C語言超詳細指針知識（二）

在上一篇有關指針的博客中&#xff0c;我們介紹了指針的基礎知識&#xff0c;如&#xff1a;內存與地址&#xff0c;解引用操作符&#xff0c;野指針等&#xff0c;今天我們將更加深入的學習指針的其他知識。 1.指針的使用和傳址調用 1.1strlen的模擬實現 庫函數strlen的功能是…
閱讀更多...
一種替代DOORS在WORD中進行需求管理的方法 （二）

一種替代DOORS在WORD中進行需求管理的方法 （二）

一、前景 參考&#xff1a; 一種替代DOORS在WORD中進行需求管理的方法&#xff08;基于WORD插件的應用&#xff09;_doors aspice-CSDN博客 二、界面和資源 WORD2013/WORD2016 插件 【已使用該工具通過第三方功能安全產品認證】&#xff1a; 1、 核心功能 1、需求編號和跟…
閱讀更多...
設計模式 Day 6：深入講透觀察者模式（真實場景 + 回調機制 + 高級理解）

設計模式 Day 6：深入講透觀察者模式（真實場景 + 回調機制 + 高級理解）

觀察者模式&#xff08;Observer Pattern&#xff09;是一種設計結構中最實用、最常見的行為模式之一。它的魅力不僅在于簡潔的“一對多”事件推送能力&#xff0c;更在于它的解耦能力、模塊協作設計、實時響應能力。 本篇作為 Day 6&#xff0c;將帶你從理論、底層機制到真實…
閱讀更多...
文獻總結：AAAI2025-UniV2X-End-to-end autonomous driving through V2X cooperation

文獻總結：AAAI2025-UniV2X-End-to-end autonomous driving through V2X cooperation

UniV2X 一、文章基本信息二、文章背景三、UniV2X框架1. 車路協同自動駕駛問題定義2. 稀疏-密集混合形態數據3. 交叉視圖數據融合&#xff08;智能體融合&#xff09;4. 交叉視圖數據融合&#xff08;車道融合&#xff09;5. 交叉視圖數據融合&#xff08;占用融合&#xff09;6…
閱讀更多...
2025藍橋杯python A組題解

2025藍橋杯python A組題解

真捐款去了&#xff0c;好長時間沒練了&#xff0c;感覺腦子和手都不轉悠了。 B F BF BF 賽時都寫假了&#xff0c; G G G 也只寫了爆搜。 題解其實隊友都寫好了&#xff0c;我就粘一下自己的代碼&#xff0c;稍微提點個人的理解水一篇題解 隊友題解 B 思路&#xff1a; 我…
閱讀更多...
免費送源碼：Java+ssm+MySQL 校園二手書銷售平臺設計與實現 計算機畢業設計原創定制

免費送源碼：Java+ssm+MySQL 校園二手書銷售平臺設計與實現 計算機畢業設計原創定制

摘 要 信息化社會內需要與之針對性的信息獲取途徑&#xff0c;但是途徑的擴展基本上為人們所努力的方向&#xff0c;由于站在的角度存在偏差&#xff0c;人們經常能夠獲得不同類型信息&#xff0c;這也是技術最為難以攻克的課題。針對校園二手書銷售平臺等問題&#xff0c;對校…
閱讀更多...
工業科學級天文相機：跨界融合的高精密成像解決方案

工業科學級天文相機：跨界融合的高精密成像解決方案

隨著國內科技的快速發展&#xff0c;工業相機領域正悄然興起一場"天文級"的技術革命。這類兼具工業設備可靠性與天文觀測精度的特殊相機&#xff0c;正在半導體制造、天文觀測、空間探測等領域開辟新的應用疆域。其核心技術突破不僅體現在傳感器性能的提升&#xff0…
閱讀更多...
論文閱讀筆記——Multi-Token Attention

論文閱讀筆記——Multi-Token Attention

MTA 論文 在 Transformer 中計算注意力權重時&#xff0c;僅依賴單個 Q 和 K 的相似度&#xff0c;無法有效捕捉多標記組合信息。&#xff08;對于 A、B 兩個詞&#xff0c;單標記注意力需要分別計算兩個詞的注意力分數&#xff0c;再通過后處理定位共同出現的位置或通過多層隱…
閱讀更多...
301.找出3位偶數

301.找出3位偶數

2094. 找出 3 位偶數 - 力扣&#xff08;LeetCode&#xff09; class Solution {List<Integer> resnew ArrayList<>();List<Integer> linew ArrayList<>();public int[] findEvenNumbers(int[] digits) {Arrays.sort(digits);boolean[] numsnew boolea…
閱讀更多...
最新文章

Copyright @ 2022~2023