视图猿人
视图猿人

图像分割中的色块的提取

一 色块提取方法：

①首先是色彩模型的转换 由RGB颜色空间转到HSV颜色空间
原因：RGB颜色空间适合显示系统，但是各分量间相关性很强，比如当图像亮度发生变化时，RGB三个分量都会发生相应改变 但是HSV颜色空间更能感知颜色的变化，比如说 H=60时 就是黄色 S和V只是决定了黄色的饱和度和明度 所以更适合进行图像分割
另一方面 我处理的多源拼接图像 可能存在的问题 可能是亮度也可能是色彩的不同 所以用HSV分量更适合

图像分割中的色块的提取_第1张图片

 我们观察到多源拼接影像 色块间亮度或者颜色差异很大 但是可能说不知道哪个分量更适合进行图像分割等操作 也许人眼可以看出来比如亮度差异过大的时候 我们采用V分量 色彩差异可以用H或者S 但是为了省掉这个人为选择分量的麻烦 也是为了实现自动化 我们对这三个分量都做处理 然后自动判断哪个结果最好 对HSV三个分量进行下面步骤
②大津法分割图像
我们的目的是获得上下分布的色块 并且是上面全是前景区域 下面全是背景区域
所以用大津法做了一个初步的图像分割

图像分割中的色块的提取_第2张图片

 ③小连通区去除
大津法分割图像以后 上边前景区域还包括很多 背景区域（同样下边背景区域也包括部分前景区域） 所以进行图像闭运算（先膨胀后腐蚀 膨胀的目的是去除上面前景区域的小背景区域 然后再进行相同尺寸的腐蚀让他回到原来的形状 ）
但是 边界周围有很多小的连通区，膨胀以后会破坏边界线信息 影响后续的轮廓拟合 比如b里面分界线周围有小连通区 先膨胀在腐蚀以后边界线会发生变化 所以要在闭运算之前进行小连通区去除
④ 图像闭运算 + 轮廓拟合
小连通区干掉以后，可以进行图像闭运算了 但是这个尺寸如何确定： 我们收集的数据集大多数在500X500左右 闭运算适合的尺寸在30左右 但是为了尽可能适合大多数图像
我们还是设置了一个闭运算的范围 尺寸从10-100 ，然后自动判断出 哪个尺寸的闭运算得到的结果最为符合色块分布
所以这里就要有一个判断标准 判断哪个闭运算尺寸得到的结果最好（最符合色块分布）
什么时候最符合色块分布嘞 我选择的是 均值差 上下色块在某个分量的均值差
比如 b是 H分量 它的上下色块 像素值之间差异是很明显的 上下色块的均值差是最大的
这个最大 是跟 （10-100共10个尺寸）所有闭运算尺寸处理的所有分量 计算出的均值差结果比的
有点抽象（或者我语言表达的不到家） 我们计算了 十个尺寸三个分量 也就是三十个均值差数据
看下面的图 对H分量 尺寸是40和20的结果 计算红黄两个区域的均值差 40的肯定大于20的
这个结论一方面是观察的 另一方面做了几十组实验得到的

 图像分割中的色块的提取_第3张图片

 闭运算 + 轮廓拟合（用的多边形拟合 因为色块分界线也可能是折线）以后 就得到第一次提取结果了 但是！ 色块也可能有多个！ 所以还要判断色块数目 比如这个 还得继续分割

 图像分割中的色块的提取_第4张图片

 

二 色块数目判断

色块数目判断目的在于判断提取结果是否是单个色块 不是判断有几个色块
下面的过程也很麻烦。。。 我导非要实现自动化 啥都自动 当初我觉的这是天方夜谭
但是我导说 没有解决不了的问题 （后来跟我师弟也这样说。。）
这一部分的目的就是 尽可能把色块分布表现出来 一步一步简化地物 把真实的色彩分布展示出来

 图像分割中的色块的提取_第5张图片

 ① 均值分布图
我们研究的区域只针对 前景区域(非黑色区域)
同样 把这两个图像转为HSV 提取HSV三分量 对每个分量
（1）首先 分成50x50 的块 不足50的就忽略不计
（将背景区域先设置为255 这个255是为了让结果看的更明显
从左到右分块 就是右边最后一个不足50就不管他 直接设置为255
从上到下分块 最下面不足50就不管他 设为255）
（2）计算每个块的均值 并用均值代替块内的每个像素
这时候我们已经获得HSV 三个分量 的均值分布图了 但是用哪个分量更能看出有几个色块呢
我把每个分量里面的均值数据分别记成一个集合 如果说是某个分量里面色块差异很明显 那么这个分量的均值数据集合里面的数值一定是变化最剧烈的 我们选择计算标准差来表示各分量中图像块均值数据的离散程度 找到HSV三个分量计算出的对应三个标准差 最大的就是想要找到的那个分量
下面是结果 可以在图一看出一点差别 但差别不是很明显 所以继续

图像分割中的色块的提取_第6张图片

 ②重赋值均值分布图
我们把大津法应用到均值数据集合里面 找到均值数据的阈值 大于阈值的就设为150（纯粹是方便观察） 小于阈值的就设为0 下图就看出来比较明显了

图像分割中的色块的提取_第7张图片

 ③均值分布纠正图
我们继续
我们已经把这个能大致反映色块分布的图稿出来了 根据提取色块时候说的色块间的均值差
单色块间的均值差 会小于 多色块均值差 中间会有一个阈值 以上图为例
图一里面计算 灰色区域和黑色区域这两个区域对于均值数据 的均值差d1
图二里面计算 灰色区域和黑色区域这两个区域对于均值数据 的均值差d2
d1>d2 但是架不住会有些特殊情况 为了更好地判断 我们做了两个预处理
第一个： 比如图2 单色块里面会有一些特殊区域 比如高亮水域建筑物等 会使均值差变大 所以我们把高亮建筑物这些 归类到黑色区域（也就是填充均值数据很大的连通区）
因此当重赋值均值分布图中前景区域存在面积较小的值为150的连通区时，需要将这些连通区填充为背景区域。

 图像分割中的色块的提取_第8张图片

 

第二个：
在计算差值之前 我们可以通过判断色块形状来剔除掉一部分容易判断的
影像中各个色块一般是由直线或者斜线构成的规则多边形，如果填充后的连通区依然是不规则区域，就说明该连通区不是一个完整的色块，而是在单个色块中的其他类型地物。我们选择根据其面积最大的连通区的边数作进一步判断， （连通区有斜边的时候 会有很多小锯齿 我们先做一个多边形拟合 然后找到面积最大轮廓 然后统计轮廓的边数即可）
据实验得 边数阈值设为25 大于25的就是单色块 小于25的需要继续进行判断

进行上述两个预处理后 我们要开始计算均值差 来判断色块了
我们根据数据集 里面的数据计算的均值差
做了个折线图 存在阈值17.4

 图像分割中的色块的提取_第9张图片

你可能感兴趣的:(图像视频处理,计算机视觉,图像处理,人工智能)

  • 大学生知识库人工智能知识助手泉舟创新中心【产品经理】 一米九五的猪
    1、授课：张思鹏sunnyact(泉舟时代创新创业中心)参考：2、主要文章内容：大学生知识库（专升本）1.福建统招专升本考试大纲及参考用书http://fj.offcn.com/html/2018/11/108847.html2.福建省教育考试院2019年普通高校专升本考试报名工作的通知http://jyt.fujian.gov.cn/xxgk/zywj/201812/t20181228_4728
  • c++ 智能指针_超详细 C/C++ 学习路线分析：学好 C/C++，走遍天下都不怕 weixin_39637919 c++智能指针c++构造函数数组c++标准异常类层次结构c++图形界面编程c++基于mfc之地图量算c++电视遥控(静态+友元)
    C/C++遍布的领域有后端服务器，移动互联网后端，经典Windows界面开发，移动互联网端界面开发，跨平台界面开发，图形分析，系统架构，应用设计，分布架构，还有现在最为流行的人工智能等一些新的技术领域。所以说：C/C++俨然已成为一门贵族语言，成为了编程界最重要的语言之一。如果大家如果在自学遇到困难，想找一个C++学习环境，可以加入我们的C++学习圈，点击我加入吧，会节约很多时间，减少很多在学习中
  • AI 平台技术架构设计方案 数研妙手 AI技术实践人工智能
    一、引言随着人工智能技术的广泛应用，构建一个高效、灵活且可扩展的AI平台至关重要。本方案旨在提供一个全面的AI平台技术架构设计，以满足不同场景下的AI开发、训练、部署和管理需求。二、设计目标高效性：确保在训练和推理过程中能够充分利用计算资源，快速处理大量数据，缩短训练时间和推理延迟。灵活性：支持多种AI框架、算法和模型，能够适应不同的业务场景和需求变化。可扩展性：易于扩展计算资源、存储容量和功能模
  • 深度学习的前沿与挑战：从基础到最新进展 Jason_Orton 深度学习人工智能数据挖掘机器学习
    目录引言什么是深度学习？深度学习的工作原理深度学习的关键技术1.卷积神经网络（CNN）2.循环神经网络（RNN）3.生成对抗网络（GAN）4.变分自编码器（VAE）5.自注意力机制与Transformer深度学习的应用1.计算机视觉2.自然语言处理（NLP）3.语音识别与合成4.推荐系统5.医学影像分析深度学习面临的挑战结语引言深度学习（DeepLearning）近年来成为人工智能领域的核心技术之
  • 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
  • 量子计算与人工智能的未来交响曲 Echo_Wish 前沿技术人工智能量子计算人工智能
    量子计算与人工智能的未来交响曲大家好，我是Echo_Wish，今天我们来聊聊一个既前沿又令人兴奋的话题——量子计算与人工智能的交叉领域。这两大尖端科技的结合，不仅为科学研究带来了新的可能性，更可能彻底改变我们的生活方式。本文将深入探讨这一交叉领域，并通过代码示例展示其实际应用。量子计算与人工智能的现状首先，我们来了解一下量子计算和人工智能的基本概念。量子计算利用量子力学的基本原理，如叠加态和纠缠态
  • 量子计算如何改变加密技术：颠覆与变革的前沿 Echo_Wish 人工智能前沿技术量子计算
    量子计算如何改变加密技术：颠覆与变革的前沿大家好，我是Echo_Wish，一名专注于人工智能和Python的自媒体创作者。今天，我们来探讨一个前沿且引人深思的话题——量子计算如何改变加密技术。随着量子计算的快速发展，传统的加密技术面临前所未有的挑战和机遇。本文将详细介绍量子计算对加密技术的影响，并通过实际代码示例展示其可能的应用。一、量子计算的基本概念量子计算是一种基于量子力学原理的新型计算方式，
  • 巨型计算机是未来新型计算机吗,未来计算机技术展望 国观智库 巨型计算机是未来新型计算机吗
    未来计算机技术展望1、前言计算机的发展将趋向巨型化、微型化、网络化多媒体化和智能化。自从1944年世界上第一台电子计算机诞生以来，计算机技术迅猛发展，传统计算机的性能受到挑战，开始从基本原理上寻找计算机发展的突破口，新型计算机的研发应运而生。未来量子、光子、分子和纳米计算机将具有感知、思考、判断、学习以及一定的自然语言能力，使计算机进人人工智能时代。这种新型计算机将推动新一轮计算技术革命，对人类社
  • 【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
  • 使用Python和Vosk库实现语音识别 车载testing python语音识别开发语言
    使用Python和Vosk库实现语音识别在人工智能和机器学习领域，语音识别技术正变得越来越重要。Python作为一种强大的编程语言，拥有丰富的库和框架，可以方便地实现语音识别功能。今天，我们将介绍如何使用Python中的SpeechRecognition库和Vosk模型来实现语音识别。一、SpeechRecognition库的安装SpeechRecognition库是Python中一个简单易用的语
  • LayoutInflater & Factory2 Android西红柿 Android基础java开发语言android
    关于作者：CSDN内容合伙人、技术专家，从零开始做日活千万级APP。专注于分享各领域原创系列文章，擅长java后端、移动开发、商业变现、人工智能等，希望大家多多支持。未经允许不得转载目录一、导读二、概览三、使用3.1LayoutInflater实例获取3.2调用inflate方法解析3.3四、LayoutInflater.Factory(2)4.1使用4.2注意点五、推荐阅读一、导读我们继续总结学
  • uml类图 Android西红柿 工具-效率androidflutter
    关于作者：CSDN内容合伙人、技术专家，从零开始做日活千万级APP，带领团队单日营收超千万。专注于分享各领域原创系列文章，擅长java后端、移动开发、商业化变现、人工智能等，希望大家多多支持。目录一、导读二、概览三、推荐阅读一、导读我们继续总结学习基础知识，温故知新。二、概览无他，唯记录尔！publicvoidtest(){System.out.println("HelloWorld");}fun
  • Python+whisper/vosk实现语音识别 唯余木叶下弦声 pythonwhisper语音识别人工智能
    目录一、Whisper1、Whisper介绍2、安装Whisper3、使用Whisper-base模型4、使用Whisper-large-v3-turbo模型二、vosk1、Vosk介绍2、vosk安装3、使用vosk三、总结一、Whisper1、Whisper介绍Whisper是一个由OpenAI开发的人工智能语音识别模型，它能够将语音转换为文本。Whisper模型特别之处在于它的设计目标是能够
  • DeepSeek R1、Kimi k1.5与OpenAI o1：技术架构、性能对比及应用前景深度剖析 WilsonShiiii 语言模型gpt
    在人工智能的浪潮中，大型语言模型（LLMs）已成为推动技术变革的核心引擎。DeepSeekR1、Kimik1.5和OpenAIo1作为这一领域的先锋代表，以其独特的技术架构和卓越的性能，引领着行业的发展方向。深入剖析这三款模型，不仅能让我们把握LLMs的技术脉搏，更能为未来的技术创新和应用拓展提供有力支撑。深度拆解技术架构DeepSeekR1：强化学习驱动的革新之路DeepSeekR1的核心在于对
  • 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
  • 云上玩转DeepSeek系列之五：实测优化16%, 体验FlashMLA加速DeepSeek-V2-Lite推理 deepseekllm人工智能
    2月25日，DeepSeek-AI面向社区开源了其技术成果FlashMLA（https://github.com/deepseek-ai/FlashMLA），这是一个面向推理优化的高效多层注意力（Multi-HeadLatentAttention）解码内核。该技术通过优化多头潜在注意力机制和分页KV缓存系统，显著提升了大语言模型的长序列处理能力与推理效率。我们第一时间在人工智能平台PAI上进行拆箱
  • 《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
  • 软件开发：创新与挑战并存的旅程 javascriptphp
    在当今数字化时代，软件开发已成为推动社会进步和经济发展的核心力量，它宛如一座桥梁，连接着现实世界与数字世界，为人们的生活和工作带来了前所未有的便利和效率。编程基础：基石与翅膀编程语言精通：开发人员需熟练掌握至少一门编程语言，如Java、Python或C++等。不同的编程语言适用于不同的应用场景，如Java常用于企业级应用开发，Python在数据科学和人工智能领域应用广泛，C++则在性能要求极高的系
  • 如何利用GPT创作诗歌与短篇故事赚钱
    在当今社会，人工智能技术已经广泛应用于各个领域，其中包括创意写作。GenerativePre-trainedTransformer（GPT）作为一种强大的自然语言处理工具，为普通人提供了创作诗歌和短篇故事的新途径，并能够通过这些创作实现赚钱的机会。如何利用GPT进行诗歌和短篇故事创作？生成创作：GPT能够根据输入的提示或主题生成连贯、富有想象力的文本。对于诗歌，你可以给出一些词语或主题，让GPT根
  • 《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
  • 使用AWS服务Amazon Bedrock构建大模型应用 西京刀客 AIaiawsbedrock
    文章目录背景AmazonBedrock支持多模型选择实验demo列出AmazonBedrock服务支持的模型从读取用户评论、调用AmazonBedrock模型进行分类如何利用AWS的嵌入模型进行文本处理和分析背景2023年，生成式人工智能、大模型、ChatGPT等概念无处不在，但是到底什么是生成式人工智能？和之前的人工智能有什么区别？和大模型、Chatgpt的关系是什么？生成式人工智能（genAI
  • 《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
  • 深度学习批次数据处理的理解 _DCG_ 计算机视觉深度学习人工智能
    基础介绍在计算机视觉深度学习网络中，在训练阶段数据输入通常是一个批次，即不是一次输入单张图片，而是一次性输入多张图片，而神经网络的结构内部一次只能处理一张图片，这时候很自然就会考虑为什么要这样的输入？神经网络是如何处理多个数据的，下面从硬件架构的角度去分析处理。GPU硬件架构GPU的硬件架构设计是批处理能够高效运行的关键原因之一。GPU现阶段一般采用SIMT架构，它的特点如下：SIMT（Singl
  • 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
  • 医院HIS接入大模型：算力基础设施与训练能力的深度剖析与测算 Allen_LVyingbo 数智化医院2025健康医疗人工智能动态规划python
    一、引言1.1研究背景与意义在数字化医疗快速发展的当下，医院信息系统（HospitalInformationSystem，HIS）作为医疗信息化的核心枢纽，承载着患者诊疗信息、医院运营管理等关键数据，对提升医疗服务质量、优化医院管理流程起着至关重要的作用。然而，传统HIS在面对日益增长的医疗数据量和复杂的临床需求时，逐渐显露出分析决策能力不足、智能化程度低等短板。随着人工智能技术的飞速发展，大模型
  • 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
  • 人工智能和云时代的五大DBA关注点 人工智能dba
    数据库管理员(DBA)的角色在不断演变，以适应技术和应用开发方式的变化。过去，DBA主要侧重于管理物理硬件和软件，而现在，他们发现自己正在驾驭由云技术、人工智能驱动的自动化以及不断增长的数据所构成的复杂情况。2025年伊始，让我们来探讨一下让DBA夜不能寐的五大问题。数据安全和隐私数据泄露事件不断成为头条新闻，其后果可能是毁灭性的。DBA站在保护敏感信息的第一线。根据IBM最近的一项研究，数据泄露
  • 全面分析 DeepSeek 的新开源 FlashMLA X.Cristiano FlashMLA深度学习人工智能
    导言著名的人工智能公司DeepSeek最近开源了FlashMLA，这是一款针对HopperGPU上的多头潜意识（MLA）进行了优化的高性能解码内核。这一进展对于大型语言模型（LLM）来说意义重大，因为大型语言模型在推理过程中面临内存和计算方面的挑战，尤其是长序列。本报告深入探讨了FlashMLA的技术细节、性能指标、应用和未来影响，为研究人员、开发人员和人工智能爱好者提供了全面的了解。背景介绍多头
  • 评估您的数据是否可用于人工智能的三个考虑因素 人工智能
    评估您的数据是否可用于人工智能的三个考虑因素多数组织正在人工智能和生成性人工智能的炒作中迷失方向。在许多情况下，他们并没有准备好人工智能项目所需的数据基础。三分之一的高管认为，只有不到50%的组织有了人工智能所需的数据，而多数组织并未准备好。因此，在开展人工智能项目之前，奠定正确的基础至关重要。在评估准备情况时，主要考虑因素如下：可用性：您的数据在哪里？类目：您将如何记录和协调您的数据？质量：优质
  • DeepSeek 开源周：DeepEP 项目详解，GPU 压榨计划启动！ 东方佑 量子变法开源
    引言就在今天，2025年2月25日，DeepSeek再次为人工智能社区带来了一场技术盛宴——DeepEP项目的开源。这个旨在优化GPU性能的工具一经发布便迅速获得了广泛的关注和赞誉，短短两小时内就斩获了超过1000个Star。本文将详细介绍DeepEP的功能、应用场景以及如何使用它来提升AI训练和推理的效率。DeepEP概述功能与作用DeepEP是一个专门针对Mixture-of-Experts(
  • 面向对象面向过程 3213213333332132 java
    面向对象：把要完成的一件事，通过对象间的协作实现。 面向过程：把要完成的一件事，通过循序依次调用各个模块实现。 我把大象装进冰箱这件事为例，用面向对象和面向过程实现，都是用java代码完成。 1、面向对象 package bigDemo.ObjectOriented; /** * 大象类 * * @Description * @author FuJian
  • Java Hotspot: Remove the Permanent Generation bookjovi HotSpot
      openjdk上关于hotspot将移除永久带的描述非常详细，http://openjdk.java.net/jeps/122   JEP 122: Remove the Permanent Generation Author Jon Masamitsu Organization Oracle Created 2010/8/15 Updated 2011/
  • 正则表达式向前查找向后查找,环绕或零宽断言 dcj3sjt126com 正则表达式
    向前查找和向后查找 1. 向前查找：根据要匹配的字符序列后面存在一个特定的字符序列(肯定式向前查找)或不存在一个特定的序列(否定式向前查找)来决定是否匹配。.NET将向前查找称之为零宽度向前查找断言。     对于向前查找，出现在指定项之后的字符序列不会被正则表达式引擎返回。 2. 向后查找：一个要匹配的字符序列前面有或者没有指定的
  • BaseDao 171815164 seda
    import java.sql.Connection; import java.sql.DriverManager; import java.sql.SQLException; import java.sql.PreparedStatement; import java.sql.ResultSet; public class BaseDao { public Conn
  • Ant标签详解--Java命令 g21121 Java命令
            这一篇主要介绍与java相关标签的使用         终于开始重头戏了，Java部分是我们关注的重点也是项目中用处最多的部分。           1
  • [简单]代码片段_电梯数字排列 53873039oycg 代码
           今天看电梯数字排列是9 18 26这样呈倒N排列的,写了个类似的打印例子，如下:       import java.util.Arrays; public class 电梯数字排列_S3_Test { public static void main(S
  • Hessian原理 云端月影 hessian原理
    Hessian 原理分析 一．      远程通讯协议的基本原理 网络通信需要做的就是将流从一台计算机传输到另外一台计算机，基于传输协议和网络 IO 来实现，其中传输协议比较出名的有 http 、 tcp 、 udp 等等， http 、 tcp 、 udp 都是在基于 Socket 概念上为某类应用场景而扩展出的传输协
  • 区分Activity的四种加载模式----以及Intent的setFlags aijuans android
      在多Activity开发中，有可能是自己应用之间的Activity跳转，或者夹带其他应用的可复用Activity。可能会希望跳转到原来某个Activity实例，而不是产生大量重复的Activity。 这需要为Activity配置特定的加载模式，而不是使用默认的加载模式。 加载模式分类及在哪里配置 Activity有四种加载模式： standard singleTop
  • hibernate几个核心API及其查询分析 antonyup_2006 html.netHibernatexml配置管理
    (一)  org.hibernate.cfg.Configuration类         读取配置文件并创建唯一的SessionFactory对象.(一般,程序初始化hibernate时创建.)         Configuration co
  • PL/SQL的流程控制 百合不是茶 oraclePL/SQL编程循环控制
    PL/SQL也是一门高级语言,所以流程控制是必须要有的,oracle数据库的pl/sql比sqlserver数据库要难,很多pl/sql中有的sqlserver里面没有   流程控制; 分支语句 if 条件 then 结果 else 结果 end if ; 条件语句 case when 条件 then 结果; 循环语句 loop
  • 强大的Mockito测试框架 bijian1013 mockito单元测试
    一.自动生成Mock类        在需要Mock的属性上标记@Mock注解，然后@RunWith中配置Mockito的TestRunner或者在setUp()方法中显示调用MockitoAnnotations.initMocks(this);生成Mock类即可。二.自动注入Mock类到被测试类  &nbs
  • 精通Oracle10编程SQL(11)开发子程序 bijian1013 oracle数据库plsql
    /* *开发子程序 */ --子程序目是指被命名的PL/SQL块，这种块可以带有参数，可以在不同应用程序中多次调用 --PL/SQL有两种类型的子程序：过程和函数 --开发过程 --建立过程：不带任何参数 CREATE OR REPLACE PROCEDURE out_time IS BEGIN DBMS_OUTPUT.put_line(systimestamp); E
  • 【EhCache一】EhCache版Hello World bit1129 Hello world
    本篇是EhCache系列的第一篇，总体介绍使用EhCache缓存进行CRUD的API的基本使用，更细节的内容包括EhCache源代码和设计、实现原理在接下来的文章中进行介绍   环境准备 1.新建Maven项目   2.添加EhCache的Maven依赖 <dependency> <groupId>ne
  • 学习EJB3基础知识笔记 白糖_ beanHibernatejbosswebserviceejb
    最近项目进入系统测试阶段，全赖袁大虾领导有力，保持一周零bug记录，这也让自己腾出不少时间补充知识。花了两天时间把“传智播客EJB3.0”看完了，EJB基本的知识也有些了解，在这记录下EJB的部分知识，以供自己以后复习使用。   EJB是sun的服务器端组件模型，最大的用处是部署分布式应用程序。EJB (Enterprise JavaBean)是J2EE的一部分，定义了一个用于开发基
  • angular.bootstrap boyitech AngularJSAngularJS APIangular中文api
    angular.bootstrap 描述：     手动初始化angular。     这个函数会自动检测创建的module有没有被加载多次，如果有则会在浏览器的控制台打出警告日志，并且不会再次加载。这样可以避免在程序运行过程中许多奇怪的问题发生。   使用方法：     angular .
  • java-谷歌面试题-给定一个固定长度的数组，将递增整数序列写入这个数组。当写到数组尾部时，返回数组开始重新写，并覆盖先前写过的数 bylijinnan java
    public class SearchInShiftedArray { /** * 题目：给定一个固定长度的数组，将递增整数序列写入这个数组。当写到数组尾部时，返回数组开始重新写，并覆盖先前写过的数。 * 请在这个特殊数组中找出给定的整数。 * 解答： * 其实就是“旋转数组”。旋转数组的最小元素见http://bylijinnan.iteye.com/bl
  • 天使还是魔鬼？都是我们制造 ducklsl 生活教育情感
    ----------------------------剧透请原谅，有兴趣的朋友可以自己看看电影，互相讨论哦！！！     从厦门回来的动车上，无意中瞟到了书中推荐的几部关于儿童的电影。当然，这几部电影可能会另大家失望，并不是类似小鬼当家的电影，而是关于“坏小孩”的电影！     自己挑了两部先看了看，但是发现看完之后，心里久久不能平
  • [机器智能与生物]研究生物智能的问题 comsci 生物
          我想,人的神经网络和苍蝇的神经网络,并没有本质的区别...就是大规模拓扑系统和中小规模拓扑分析的区别....       但是,如果去研究活体人类的神经网络和脑系统,可能会受到一些法律和道德方面的限制,而且研究结果也不一定可靠,那么希望从事生物神经网络研究的朋友,不如把
  • 获取Android Device的信息 dai_lm android
    String phoneInfo = "PRODUCT: " + android.os.Build.PRODUCT; phoneInfo += ", CPU_ABI: " + android.os.Build.CPU_ABI; phoneInfo += ", TAGS: " + android.os.Build.TAGS; ph
  • 最佳字符串匹配算法（Damerau-Levenshtein距离算法）的Java实现 datamachine java算法字符串匹配
    原文：http://www.javacodegeeks.com/2013/11/java-implementation-of-optimal-string-alignment.html------------------------------------------------------------------------------------------------------------
  • 小学5年级英语单词背诵第一课 dcj3sjt126com englishword
    long 长的 show 给...看，出示 mouth 口，嘴 write 写   use 用，使用 take 拿，带来 hand 手 clever 聪明的   often 经常 wash 洗 slow 慢的 house 房子   water 水 clean 清洁的 supper 晚餐 out 在外   face 脸，
  • macvim的使用实战 dcj3sjt126com macvim
    macvim用的是mac里面的vim, 只不过是一个GUI的APP, 相当于一个壳   1. 下载macvim https://code.google.com/p/macvim/   2. 了解macvim :h               vim的使用帮助信息 :h macvim  
  • java二分法查找 蕃薯耀 java二分法查找二分法java二分法
    java二分法查找 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> 蕃薯耀 2015年6月23日 11:40:03 星期二 http:/
  • Spring Cache注解+Memcached hanqunfeng springmemcached
    Spring3.1 Cache注解  依赖jar包： <!-- simple-spring-memcached --> <dependency> <groupId>com.google.code.simple-spring-memcached</groupId> <artifactId>simple-s
  • apache commons io包快速入门 jackyrong apache commons
    原文参考 http://www.javacodegeeks.com/2014/10/apache-commons-io-tutorial.html   Apache Commons IO 包绝对是好东西，地址在http://commons.apache.org/proper/commons-io/，下面用例子分别介绍：   1）  工具类   2
  • 如何学习编程 lampcy java编程C++c
    首先,我想说一下学习思想.学编程其实跟网络游戏有着类似的效果.开始的时候,你会对那些代码,函数等产生很大的兴趣,尤其是刚接触编程的人,刚学习第一种语言的人.可是,当你一步步深入的时候,你会发现你没有了以前那种斗志.就好象你在玩韩国泡菜网游似的,玩到一定程度,每天就是练级练级,完全是一个想冲到高级别的意志力在支持着你.而学编程就更难了,学了两个月后,总是觉得你好象全都学会了,却又什么都做不了,又没有
  • 架构师之spring-----spring3.0新特性的bean加载控制@DependsOn和@Lazy nannan408 Spring3
    1.前言。    如题。 2.描述。    @DependsOn用于强制初始化其他Bean。可以修饰Bean类或方法，使用该Annotation时可以指定一个字符串数组作为参数，每个数组元素对应于一个强制初始化的Bean。 @DependsOn({"steelAxe","abc"}) @Comp
  • Spring4+quartz2的配置和代码方式调度 Everyday都不同 代码配置spring4quartz2.x定时任务
    前言：这些天简直被quartz虐哭。。因为quartz 2.x版本相比quartz1.x版本的API改动太多，所以，只好自己去查阅底层API……   quartz定时任务必须搞清楚几个概念： JobDetail——处理类 Trigger——触发器，指定触发时间，必须要有JobDetail属性，即触发对象 Scheduler——调度器，组织处理类和触发器，配置方式一般只需指定触发
  • Hibernate入门 tntxia Hibernate
      前言   使用面向对象的语言和关系型的数据库，开发起来很繁琐，费时。由于现在流行的数据库都不面向对象。Hibernate 是一个Java的ORM（Object/Relational Mapping）解决方案。   Hibernte不仅关心把Java对象对应到数据库的表中，而且提供了请求和检索的方法。简化了手工进行JDBC操作的流程。   如
  • Math类 xiaoxing598 Math
    一、Java中的数字（Math）类是final类，不可继承。 1、常数 PI：double圆周率 E：double自然对数 2、截取（注意方法的返回类型） double ceil(double d) 返回不小于d的最小整数 double floor(double d) 返回不大于d的整最大数 int round(float f) 返回四舍五入后的整数 long round
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他