- Sobel边缘检测算法:图像处理的关键技术
Fkvision
本文还有配套的精品资源,点击获取简介:Sobel算子是图像处理中用于边缘检测的经典方法,通过计算图像的梯度强度和方向来识别边界。本文详细介绍了Sobel算子的设计原理和实现步骤,包括图像的灰度转换、梯度计算、幅值和方向的确定,以及阈值处理和边缘细化。Sobel算子通过卷积操作实现对水平和垂直方向的边缘检测,被广泛应用于各种图像处理场景。文章还将涉及如何使用编程语言和库来实现Sobel边缘检测算法,
- 彻底理解数字图像处理中的卷积-以Sobel算子为例
守得云开现月明
图像处理图像处理
链接:原文出处作者:FreeBlues概述卷积在信号处理领域有极其广泛的应用,也有严格的物理和数学定义.本文只讨论卷积在数字图像处理中的应用.在数字图像处理中,有一种基本的处理方法:线性滤波.待处理的平面数字图像可被看做一个大矩阵,图像的每个像素对应着矩阵的每个元素,假设我们平面的分辨率是1024*768,那么对应的大矩阵的行数=1024,列数=768.用于滤波的是一个滤波器小矩阵(也叫卷积核),
- 常见的图像处理算法:Sobel边缘检测
资深流水灯工程师
机器视觉图像处理算法计算机视觉
Sobel算子是一个主要用于边缘检测的离散微分算子。它结合了高斯平滑和微分求导,用来计算灰度图像的近似梯度。Sobel算子是一个主要用于边缘检测的离散微分算子(discretedifferentiationoperator)。它结合了高斯平滑和微分求导,用来计算图像灰度函数的近似梯度。在图像的任何一点使用此算子,都将会产生对应的梯度矢量或是其法矢量。Sobel算子的两个3*3内核为:
- 基于matlab的帧间差法进行视频目标检测系统
挂科边缘
MATLAB项目实战matlab人工智能计算机视觉
文章目录前言一、理论基础1.帧间差分法2.背景差分法3.光流法二、程序实现总结源码下载前言运动目标自动检测是对运动目标进行检测、提取、识别和跟踪的技术。基于视频序列的运动目标检测,一直以来都是机器视觉、智能监控系统、视频跟踪系统等领域的研究重点,是整个计算机视觉的研究难点之一。运动目标检测的结果正确性对后续的图像处理、图像理解等工作的顺利开展具有决定性的作用,所以能否将运动物体从视频序列中准确地检
- 计算机视觉:经典数据格式(VOC、YOLO、COCO)解析与转换(附代码)
全栈你个大西瓜
人工智能计算机视觉YOLO目标跟踪人工智能数据标注目标检测COCO
第一章:计算机视觉中图像的基础认知第二章:计算机视觉:卷积神经网络(CNN)基本概念(一)第三章:计算机视觉:卷积神经网络(CNN)基本概念(二)第四章:搭建一个经典的LeNet5神经网络(附代码)第五章:计算机视觉:神经网络实战之手势识别(附代码)第六章:计算机视觉:目标检测从简单到容易(附代码)第七章:MTCNN人脸检测技术揭秘:原理、实现与实战(附代码)第八章:探索YOLO技术:目标检测的高
- 多模态|开源多模态模型Emu3 & 多模态预训练模型CLIP对比
产品媛Gloria Deng
AI之眼人工智能AI多模态预训练模型CLIP
Emu3官方介绍我们推出了Emu3,这是一套新的最先进的多模态模型,仅使用next-token预测进行训练!通过将图像、文本和视频分词到一个离散空间中,我们在多模态序列的混合上从头开始训练单个转换器。Emu3在生成和感知方面都表现出色Emu3在生成和感知任务方面都优于几个成熟的任务特定模型,超越了SDXL、LLaVA-1.6和OpenSora-1.2等旗舰开放模型,同时消除了对扩散或组合架构的需求
- 第十三站:卷积神经网络(CNN)的优化
武狐肆骸
机器学习cnn人工智能神经网络
前言:在上一期我们构建了基本的卷积神经网络之后,接下来我们将学习一些提升网络性能的技巧和方法。这些优化技术包括数据增强、网络架构的改进、正则化技术。1.数据增强(DataAugmentation)数据增强是提升深度学习模型泛化能力的一种常见手段。通过对训练数据进行各种随机变换,可以生成更多的训练样本,帮助模型避免过拟合。常见的数据增强方法:旋转(Rotation):随机旋转图像,增强模型对旋转变换
- 基于特征提取的方法实现对心室视频的追踪
阿蛋会代码
音视频python开发语言opencv目标检测计算机视觉
一、特征提取的方法本代码实现了一套基于计算机视觉的心脏运动定量分析系统,通过特征点追踪技术对超声心动图视频进行动态解析。核心技术采用ORB(OrientedFASTandRotatedBRIEF)特征检测算法,在每帧图像中提取具有旋转不变性的显著斑点特征,构建包含位置和方向信息的特征描述子。通过暴力匹配器(BFMatcher)进行跨帧特征点匹配,结合汉明距离阈值筛选出可信度高的空间对应点对。系统以
- 【openCV-66】内参矩阵和外参矩阵
华东算法王
华东算法王-opencvopencv矩阵人工智能
外参矩阵与内参矩阵在计算机视觉、相机标定和三维重建等领域,内参矩阵和外参矩阵是描述相机如何将三维世界映射到二维图像的重要工具。它们分别描述了相机的内部特性和外部位置,是相机标定的核心组成部分。1.内参矩阵(IntrinsicMatrix)内参矩阵描述了相机内部的几何特性,主要涉及焦距、光心和像素的比例等参数。它通常是一个3x3的矩阵,用来将相机的归一化坐标系转换为像素坐标系。1.1内参矩阵的组成内
- 如何用python将pdf转为text并提取其中的图片
dev.null
Pythonpythonpdf服务器
要将PDF转为文本并提取其中的图片,可以使用Python的几个库来实现:PDF转文本:使用PyMuPDF或pdfplumber来提取文本。提取图片:使用PyMuPDF或pdf2image来提取图像。以下是实现的步骤和代码示例:1.安装必要的库你需要安装以下库:pipinstallPyMuPDFpdfplumberPillow2.代码示例提取PDF中的文本你可以使用PyMuPDF或pdfplumbe
- 如何看待 Kaiming He 最新提出的 Fractal Generative Models ?
AndrewHZ
深度学习新浪潮人工智能深度学习算法计算机视觉生成式模型
何恺明团队提出的分形生成模型(FractalGenerativeModels)引发了广泛关注,其核心思想是通过递归调用生成模型模块构建自相似结构,类似数学中的分形概念(如雪花结构),从而高效生成高分辨率数据(如图像)。FractalGenerativeModels即分形生成模型,是一种新型的生成模型,以下是相关介绍:定义与原理核心概念:将生成模型本身抽象为一个模块,通过在其内部递归调用同类生成模型
- 深度学习:从神经网络到智能应用
Jason_Orton
深度学习神经网络人工智能机器学习
目录引言一.什么是深度学习?二.深度学习的基本原理1.神经网络的组成2.激活函数3.反向传播(Backpropagation)三.深度学习的常见模型四.深度学习的应用场景五.深度学习的挑战与未来结语引言深度学习(DeepLearning)作为机器学习的一个分支,近年来在人工智能领域取得了革命性的进展。无论是语音识别、图像识别,还是自动驾驶、自然语言处理,深度学习都在推动着技术的发展和行业的变革。那
- (教程)PDF 字体技术入门
IDRSolutions_CN
pdf软件工程团队开发经验分享java
PDF字体技术许多人觉得PDF字体令人困惑的主要原因在于PDF文件可以使用多种不同的字体技术。PDF文件规范已经存在16年,在此期间,出现了多种不同的字体技术(既有技术方面的原因,也有商业方面的原因)。因此,本文将简要介绍一些PDF文件中可用的主要字体技术。AdobePDF字体技术Adobe是电子出版领域高质量字体技术的先锋之一。在Adobe发明Postscript之前,大多数字体都是点阵位图图像
- 《深度揭秘:生成对抗网络如何重塑遥感图像分析精度》
程序猿阿伟
生成对抗网络人工智能机器学习
在当今数字化时代,遥感图像作为获取地球表面信息的重要数据源,广泛应用于城市规划、农业监测、环境评估等诸多领域。然而,如何从海量的遥感数据中提取高精度的信息,一直是学术界和工业界共同面临的挑战。生成对抗网络(GAN)的出现,为提升人工智能在遥感图像分析中的精度开辟了全新的路径。生成对抗网络:技术基石剖析生成对抗网络由生成器(Generator)和判别器(Discriminator)组成,二者通过对抗
- (未完)BCNet: Learning Body and Cloth Shape from A Single Image
tianyunlinger
笔记人工智能
BCNet:LearningBodyandClothShapefromASingleImage摘要本文提出了一种从单张近正面视角RGB图像自动重建服装和人体形状的方法。为此,我们提出了基于SMPL(SkinnedMulti-PersonLinearModel,多人线性蒙皮模型)的分层服装表示方法,并创新性地使服装的蒙皮权重与人体网格独立,显著提高了服装模型的表现能力。与现有方法相比,我们的方法支持
- 《深度揭秘:生成对抗网络如何重塑遥感图像分析精度》
人工智能深度学习
在当今数字化时代,遥感图像作为获取地球表面信息的重要数据源,广泛应用于城市规划、农业监测、环境评估等诸多领域。然而,如何从海量的遥感数据中提取高精度的信息,一直是学术界和工业界共同面临的挑战。生成对抗网络(GAN)的出现,为提升人工智能在遥感图像分析中的精度开辟了全新的路径。生成对抗网络:技术基石剖析生成对抗网络由生成器(Generator)和判别器(Discriminator)组成,二者通过对抗
- 机器视觉--相机曝光
C#Thread
数码相机自动化运维
在现代工业生产的精密舞台上,机器视觉技术已然成为推动生产自动化、智能化的关键力量。而工业相机作为机器视觉系统的“眼睛”,其曝光环节更是决定了视觉信息获取的质量与精度,如同为工业生产赋予了一双洞察入微的“智慧之眼”,对整个生产流程起着举足轻重的作用。接下来,让我们一同深入探索机器视觉中工业相机曝光的奥秘。一、工业相机曝光基础原理从本质上讲,工业相机曝光是指光线照射到相机图像传感器上,使传感器上的像素
- 《深度剖析:生成对抗网络中生成器与判别器的高效协作之道》
程序猿阿伟
生成对抗网络人工智能机器学习
在人工智能的前沿领域,生成对抗网络(GAN)以其独特的对抗学习机制,为数据生成和处理带来了革命性的变革。生成器与判别器作为GAN的核心组件,它们之间的协作效率直接决定了GAN在图像生成、数据增强、风格迁移等众多应用中的表现。深入探究二者如何实现更高效的协作,不仅是优化GAN性能的关键,也为解锁人工智能更多创新应用场景提供了可能。生成器与判别器:GAN的核心架构解析生成器(Generator)的使命
- 基于Matlab实现汽车远近光灯识别的详细步骤及代码示例
go5463158465
matlab算法机器学习matlab汽车开发语言
以下是一个基于Matlab实现汽车远近光灯识别的详细步骤及代码示例,主要通过图像处理技术来区分远光灯和近光灯。整体思路图像预处理:包括读取图像、灰度化、去噪等操作,以提高后续处理的准确性。边缘检测:找出图像中的边缘信息,有助于定位灯光区域。特征提取:提取灯光区域的特征,如亮度、面积、形状等。模式识别:根据提取的特征,利用阈值或机器学习方法进行远近光灯的分类。代码实现%读取图像image=imrea
- 基于FPGA的图像拼接处理卡
科恒盛远
fpga开发图像处理硬件工程
板卡介绍主要功能是实现对6路输入视频信号经过FPGA缩放后,叠加到一路视频中,并通过VGA接口和DVI接口同时显示叠加后的视频。输出可以是任意输入视频的四画面拼接,也可以是任意输入视频的六画面拼接。同时能通过串口接收主机的控制命令,切换显示拼接的形式。板卡照片原理框图实验效果1(六画面)实验效果2(四画面)技术指标☆主要功能:将输入的两路电视视频,两路VGA视频,两路DVI视频,经过FPGA缩放后
- ADV212图像压缩芯片调试记录一
cjx_csdn
fpga开发verilog
项目场景:最近两个月在调试ADV212芯片,目的是在FPGA平台上采用该芯片实现对图像数据的压缩功能。不得不说,这款芯片是我目前遇到的调试起来“较为”复杂的一款芯片了,光芯片手册就有六部分(1.ADV212;2.ADV202_HIPI_mode;3.ADV212_UserGuide;4.ADV212ProgrammingGuide;5.HIPI_mode_overview;6.TechNote_A
- pycharm中osgeo安装
南宁师范大学的丙酸铜啊
pythonpycharm
osgeo图像识别下载错误可以到官网寻找指定的包这里的是python解释器3.8版本所适应的版本tmp和zip文件均可以解压之后放到对应位置网址https://www.lfd.uci.edu/~gohlke/pythonlibs/#gdal指定路径venv\lib\site-package
- 深度、机器学习算法
yzx991013
机器学习算法人工智能
机器学习典型算法SVM(支持向量机):它通过寻找一个最优超平面来对数据进行分类。在二分类问题中,能找到一个平面(低维)或超平面(高维),使不同类别的数据点尽可能远地分布在超平面两侧。在小样本、非线性数据处理上有优势,常用于文本分类、图像识别等领域。决策树:以树形结构展示决策过程,从根节点开始,依据特征值逐步向下划分,直到叶子节点得出分类或回归结果。它易于理解和解释,可处理数值型和分类型数据,但容易
- 启智畅想集装箱箱号识别算法,2台相机即可实现较高识别率
启智畅想
集装箱号码识别集装箱号OCR识别集装箱识别数码相机集装箱号码识别计算机视觉ocr算法深度学习
启智畅想集装箱箱号识别算法,在货车通道中使用时,一般配备2台相机即可。启智畅想集装箱箱号识别算法,在货车通道中使用时,一般配备2台相机即可实现对集装箱箱号的精准捕捉与识别。这两台相机分别安装在货车通道的后侧和随意侧面,确保能够捕捉到集装箱的后面以及侧面图像。通过先进的图像处理技术,算法能够自动从拍摄到的图像中提取出箱号信息,两者OCR识别后的信息进行比对,一般能够达到99.99%的识别率,从而实现
- pytorch PIL对np和tensor 图像数据的显示
Tianwen_Burning
pytorch深度学习pytorchpython
(显示图像)PIL可以显示np的图像数据,np是whc的格式。在np转换为tenser格式后会自动转换为cWH的格式,tenser再转回来时,依然是cwh格式np.tranpose(1,2,0)可以将cwh格式转换为whc的格式,也就是将原来的0,1,2代表的cwh,变成whc格式代码表示是====互转的代码“tensor_a=torch.tensor(array),np_array=tensor
- ChatGPT版本差异分析大全
爱吃青菜的大力水手
chatgpt人工智能
1.核心功能差异多模态支持:GPT-4o支持文本、图像和音频的多模态输入与处理,适合需要结合多种媒体形式的任务(如设计、多媒体内容生成)。o1系列(o1-preview/o1-mini)仅支持纯文本处理,但专注于深度推理和分析。GPT-3.5是早期版本,仅支持文本,且性能和上下文理解能力较弱。2.推理与准确性o1系列在复杂推理任务中表现卓越:通过CoT(链式推理)技术分解复杂问题,在医学临床案例测
- 一文读懂 AI 大模型备案:万字详解全流程要点
chuangfumao
人工智能
一、引言在当今数字化时代,AI大模型以其强大的智能处理能力,广泛应用于各个领域,从智能客服到图像生成,从医疗诊断辅助到金融风险预测,大模型正深刻改变着人们的生活和工作方式。然而,随着其影响力的不断扩大,规范管理成为必然需求。AI大模型备案制度应运而生,这一制度对于保障数据安全、保护用户隐私、维护社会稳定和国家安全具有重要意义。它确保大模型在整个生命周期,从开发、训练到部署和应用,都严格遵循相关法律
- 计算机视觉实战|Mask2Former实战:轻松掌握全景分割、实例分割与语义分割
紫雾凌寒
AI炼金厂#计算机视觉计算机视觉python深度学习mask2formertransformerpytorch
一、引言上一篇文章《计算机视觉|Mask2Former:开启实例分割新范式》,我们学习了Mask2Former的框架原理、优缺点以及应用领域。今天要带大家一起探索一个强大的图像分割工具——Mask2Former。作为一名技术博主,我的目标是让复杂的概念变得简单易懂,即使你是刚入门的小白,也能通过这篇文章学会使用Mask2Former进行全景分割、实例分割和语义分割。我会用通俗的语言一步步讲解,还会
- OpenCV计算摄影学(2)图像去噪函数denoise_TVL1()
村北头的码农
OpenCVopencv人工智能计算机视觉
操作系统:ubuntu22.04OpenCV版本:OpenCV4.9IDE:VisualStudioCode编程语言:C++11算法描述原始-对偶算法是用于解决特定类型变分问题(即,寻找一个函数以最小化某个泛函)的算法。特别地,图像去噪可以被视为一种变分问题,因此可以使用原始-对偶算法来进行去噪,这正是这里实现的内容。需要注意的是,此实现取自2013年7月的一篇博客文章[194],该文章还包含了(
- 【人工智能数学基础篇】线性代数基础学习:深入解读矩阵及其运算
猿享天开
人工智能基础知识学习线性代数人工智能学习矩阵及其运算
矩阵及其运算:人工智能入门数学基础的深入解读引言线性代数是人工智能(AI)和机器学习的数学基础,而矩阵作为其核心概念之一,承担着数据表示、变换和运算的重任。矩阵不仅在数据科学中广泛应用,更是神经网络、图像处理、自然语言处理等领域的重要工具。本文将深入探讨矩阵的基本概念、性质及其运算,通过详细的数学公式、推导过程和代码示例,帮助读者更好地理解矩阵在AI中的应用。第一章:矩阵的基本概念1.1矩阵的定义
- iOS http封装
374016526
ios服务器交互http网络请求
程序开发避免不了与服务器的交互,这里打包了一个自己写的http交互库。希望可以帮到大家。
内置一个basehttp,当我们创建自己的service可以继承实现。
KuroAppBaseHttp *baseHttp = [[KuroAppBaseHttp alloc] init];
[baseHttp setDelegate:self];
[baseHttp
- lolcat :一个在 Linux 终端中输出彩虹特效的命令行工具
brotherlamp
linuxlinux教程linux视频linux自学linux资料
那些相信 Linux 命令行是单调无聊且没有任何乐趣的人们,你们错了,这里有一些有关 Linux 的文章,它们展示着 Linux 是如何的有趣和“淘气” 。
在本文中,我将讨论一个名为“lolcat”的小工具 – 它可以在终端中生成彩虹般的颜色。
何为 lolcat ?
Lolcat 是一个针对 Linux,BSD 和 OSX 平台的工具,它类似于 cat 命令,并为 cat
- MongoDB索引管理(1)——[九]
eksliang
mongodbMongoDB管理索引
转载请出自出处:http://eksliang.iteye.com/blog/2178427 一、概述
数据库的索引与书籍的索引类似,有了索引就不需要翻转整本书。数据库的索引跟这个原理一样,首先在索引中找,在索引中找到条目以后,就可以直接跳转到目标文档的位置,从而使查询速度提高几个数据量级。
不使用索引的查询称
- Informatica参数及变量
18289753290
Informatica参数变量
下面是本人通俗的理解,如有不对之处,希望指正 info参数的设置:在info中用到的参数都在server的专门的配置文件中(最好以parma)结尾 下面的GLOBAl就是全局的,$开头的是系统级变量,$$开头的变量是自定义变量。如果是在session中或者mapping中用到的变量就是局部变量,那就把global换成对应的session或者mapping名字。
[GLOBAL] $Par
- python 解析unicode字符串为utf8编码字符串
酷的飞上天空
unicode
php返回的json字符串如果包含中文,则会被转换成\uxx格式的unicode编码字符串返回。
在浏览器中能正常识别这种编码,但是后台程序却不能识别,直接输出显示的是\uxx的字符,并未进行转码。
转换方式如下
>>> import json
>>> q = '{"text":"\u4
- Hibernate的总结
永夜-极光
Hibernate
1.hibernate的作用,简化对数据库的编码,使开发人员不必再与复杂的sql语句打交道
做项目大部分都需要用JAVA来链接数据库,比如你要做一个会员注册的 页面,那么 获取到用户填写的 基本信后,你要把这些基本信息存入数据库对应的表中,不用hibernate还有mybatis之类的框架,都不用的话就得用JDBC,也就是JAVA自己的,用这个东西你要写很多的代码,比如保存注册信
- SyntaxError: Non-UTF-8 code starting with '\xc4'
随便小屋
python
刚开始看一下Python语言,传说听强大的,但我感觉还是没Java强吧!
写Hello World的时候就遇到一个问题,在Eclipse中写的,代码如下
'''
Created on 2014年10月27日
@author: Logic
'''
print("Hello World!");
运行结果
SyntaxError: Non-UTF-8
- 学会敬酒礼仪 不做酒席菜鸟
aijuans
菜鸟
俗话说,酒是越喝越厚,但在酒桌上也有很多学问讲究,以下总结了一些酒桌上的你不得不注意的小细节。
细节一:领导相互喝完才轮到自己敬酒。敬酒一定要站起来,双手举杯。
细节二:可以多人敬一人,决不可一人敬多人,除非你是领导。
细节三:自己敬别人,如果不碰杯,自己喝多少可视乎情况而定,比如对方酒量,对方喝酒态度,切不可比对方喝得少,要知道是自己敬人。
细节四:自己敬别人,如果碰杯,一
- 《创新者的基因》读书笔记
aoyouzi
读书笔记《创新者的基因》
创新者的基因
创新者的“基因”,即最具创意的企业家具备的五种“发现技能”:联想,观察,实验,发问,建立人脉。
第一部分破坏性创新,从你开始
第一章破坏性创新者的基因
如何获得启示:
发现以下的因素起到了催化剂的作用:(1) -个挑战现状的问题;(2)对某项技术、某个公司或顾客的观察;(3) -次尝试新鲜事物的经验或实验;(4)与某人进行了一次交谈,为他点醒
- 表单验证技术
百合不是茶
JavaScriptDOM对象String对象事件
js最主要的功能就是验证表单,下面是我对表单验证的一些理解,贴出来与大家交流交流 ,数显我们要知道表单验证需要的技术点, String对象,事件,函数
一:String对象;通常是对字符串的操作;
1,String的属性;
字符串.length;表示该字符串的长度;
var str= "java"
- web.xml配置详解之context-param
bijian1013
javaservletweb.xmlcontext-param
一.格式定义:
<context-param>
<param-name>contextConfigLocation</param-name>
<param-value>contextConfigLocationValue></param-value>
</context-param>
作用:该元
- Web系统常见编码漏洞(开发工程师知晓)
Bill_chen
sqlPHPWebfckeditor脚本
1.头号大敌:SQL Injection
原因:程序中对用户输入检查不严格,用户可以提交一段数据库查询代码,根据程序返回的结果,
获得某些他想得知的数据,这就是所谓的SQL Injection,即SQL注入。
本质:
对于输入检查不充分,导致SQL语句将用户提交的非法数据当作语句的一部分来执行。
示例:
String query = "SELECT id FROM users
- 【MongoDB学习笔记六】MongoDB修改器
bit1129
mongodb
本文首先介绍下MongoDB的基本的增删改查操作,然后,详细介绍MongoDB提供的修改器,以完成各种各样的文档更新操作 MongoDB的主要操作
show dbs 显示当前用户能看到哪些数据库
use foobar 将数据库切换到foobar
show collections 显示当前数据库有哪些集合
db.people.update,update不带参数,可
- 提高职业素养,做好人生规划
白糖_
人生
培训讲师是成都著名的企业培训讲师,他在讲课中提出的一些观点很新颖,在此我收录了一些分享一下。注:讲师的观点不代表本人的观点,这些东西大家自己揣摩。
1、什么是职业规划:职业规划并不完全代表你到什么阶段要当什么官要拿多少钱,这些都只是梦想。职业规划是清楚的认识自己现在缺什么,这个阶段该学习什么,下个阶段缺什么,又应该怎么去规划学习,这样才算是规划。
- 国外的网站你都到哪边看?
bozch
技术网站国外
学习软件开发技术,如果没有什么英文基础,最好还是看国内的一些技术网站,例如:开源OSchina,csdn,iteye,51cto等等。
个人感觉如果英语基础能力不错的话,可以浏览国外的网站来进行软件技术基础的学习,例如java开发中常用的到的网站有apache.org 里面有apache的很多Projects,springframework.org是spring相关的项目网站,还有几个感觉不错的
- 编程之美-光影切割问题
bylijinnan
编程之美
package a;
public class DisorderCount {
/**《编程之美》“光影切割问题”
* 主要是两个问题:
* 1.数学公式(设定没有三条以上的直线交于同一点):
* 两条直线最多一个交点,将平面分成了4个区域;
* 三条直线最多三个交点,将平面分成了7个区域;
* 可以推出:N条直线 M个交点,区域数为N+M+1。
- 关于Web跨站执行脚本概念
chenbowen00
Web安全跨站执行脚本
跨站脚本攻击(XSS)是web应用程序中最危险和最常见的安全漏洞之一。安全研究人员发现这个漏洞在最受欢迎的网站,包括谷歌、Facebook、亚马逊、PayPal,和许多其他网站。如果你看看bug赏金计划,大多数报告的问题属于 XSS。为了防止跨站脚本攻击,浏览器也有自己的过滤器,但安全研究人员总是想方设法绕过这些过滤器。这个漏洞是通常用于执行cookie窃取、恶意软件传播,会话劫持,恶意重定向。在
- [开源项目与投资]投资开源项目之前需要统计该项目已有的用户数
comsci
开源项目
现在国内和国外,特别是美国那边,突然出现很多开源项目,但是这些项目的用户有多少,有多少忠诚的粉丝,对于投资者来讲,完全是一个未知数,那么要投资开源项目,我们投资者必须准确无误的知道该项目的全部情况,包括项目发起人的情况,项目的维持时间..项目的技术水平,项目的参与者的势力,项目投入产出的效益.....
- oracle alert log file(告警日志文件)
daizj
oracle告警日志文件alert log file
The alert log is a chronological log of messages and errors, and includes the following items:
All internal errors (ORA-00600), block corruption errors (ORA-01578), and deadlock errors (ORA-00060)
- 关于 CAS SSO 文章声明
denger
SSO
由于几年前写了几篇 CAS 系列的文章,之后陆续有人参照文章去实现,可都遇到了各种问题,同时经常或多或少的收到不少人的求助。现在这时特此说明几点:
1. 那些文章发表于好几年前了,CAS 已经更新几个很多版本了,由于近年已经没有做该领域方面的事情,所有文章也没有持续更新。
2. 文章只是提供思路,尽管 CAS 版本已经发生变化,但原理和流程仍然一致。最重要的是明白原理,然后
- 初二上学期难记单词
dcj3sjt126com
englishword
lesson 课
traffic 交通
matter 要紧;事物
happy 快乐的,幸福的
second 第二的
idea 主意;想法;意见
mean 意味着
important 重要的,重大的
never 从来,决不
afraid 害怕 的
fifth 第五的
hometown 故乡,家乡
discuss 讨论;议论
east 东方的
agree 同意;赞成
bo
- uicollectionview 纯代码布局, 添加头部视图
dcj3sjt126com
Collection
#import <UIKit/UIKit.h>
@interface myHeadView : UICollectionReusableView
{
UILabel *TitleLable;
}
-(void)setTextTitle;
@end
#import "myHeadView.h"
@implementation m
- N 位随机数字串的 JAVA 生成实现
FX夜归人
javaMath随机数Random
/**
* 功能描述 随机数工具类<br />
* @author FengXueYeGuiRen
* 创建时间 2014-7-25<br />
*/
public class RandomUtil {
// 随机数生成器
private static java.util.Random random = new java.util.R
- Ehcache(09)——缓存Web页面
234390216
ehcache页面缓存
页面缓存
目录
1 SimplePageCachingFilter
1.1 calculateKey
1.2 可配置的初始化参数
1.2.1 cach
- spring中少用的注解@primary解析
jackyrong
primary
这次看下spring中少见的注解@primary注解,例子
@Component
public class MetalSinger implements Singer{
@Override
public String sing(String lyrics) {
return "I am singing with DIO voice
- Java几款性能分析工具的对比
lbwahoo
java
Java几款性能分析工具的对比
摘自:http://my.oschina.net/liux/blog/51800
在给客户的应用程序维护的过程中,我注意到在高负载下的一些性能问题。理论上,增加对应用程序的负载会使性能等比率的下降。然而,我认为性能下降的比率远远高于负载的增加。我也发现,性能可以通过改变应用程序的逻辑来提升,甚至达到极限。为了更详细的了解这一点,我们需要做一些性能
- JVM参数配置大全
nickys
jvm应用服务器
JVM参数配置大全
/usr/local/jdk/bin/java -Dresin.home=/usr/local/resin -server -Xms1800M -Xmx1800M -Xmn300M -Xss512K -XX:PermSize=300M -XX:MaxPermSize=300M -XX:SurvivorRatio=8 -XX:MaxTenuringThreshold=5 -
- 搭建 CentOS 6 服务器(14) - squid、Varnish
rensanning
varnish
(一)squid
安装
# yum install httpd-tools -y
# htpasswd -c -b /etc/squid/passwords squiduser 123456
# yum install squid -y
设置
# cp /etc/squid/squid.conf /etc/squid/squid.conf.bak
# vi /etc/
- Spring缓存注解@Cache使用
tom_seed
spring
参考资料
http://www.ibm.com/developerworks/cn/opensource/os-cn-spring-cache/
http://swiftlet.net/archives/774
缓存注解有以下三个:
@Cacheable @CacheEvict @CachePut
- dom4j解析XML时出现"java.lang.noclassdeffounderror: org/jaxen/jaxenexception"错误
xp9802
java.lang.NoClassDefFoundError: org/jaxen/JaxenExc
关键字: java.lang.noclassdeffounderror: org/jaxen/jaxenexception
使用dom4j解析XML时,要快速获取某个节点的数据,使用XPath是个不错的方法,dom4j的快速手册里也建议使用这种方式
执行时却抛出以下异常:
Exceptio