banyao2006
banyao2006

视频编解码学习之三：变换，量化与熵编码

第6章 变换编码

1. 变换编码

  • 变换编码的目的
    • 去除空间信号的相关性
    • 将空间信号的能力集中到频域的一小部分低频系数上
    • 能量小的系数可通过量化去除，而不会严重影响重构图像的质量
  • 块变换和全局变换
    • 块变换：离散余弦变换(Discrete Cosine Transform，DCT)，4x4，8x8，16x16
    • 全局变换：小波变换(Wavelet)
  • 变换的能量集中特性
    • DCT编码

视频编解码学习之三：变换，量化与熵编码_第1张图片

2. 变换类型

  • K-L变换
  • 傅里叶变换
  • 余弦变换
  • 小波变换

3. KL变换

  • 最优变换
  • 基函数根据具体图像而确定
  • 没有快速算法
  • 实际中很少使用
    • 复杂度极高

视频编解码学习之三：变换，量化与熵编码_第2张图片视频编解码学习之三：变换，量化与熵编码_第3张图片视频编解码学习之三：变换，量化与熵编码_第4张图片视频编解码学习之三：变换，量化与熵编码_第5张图片

视频编解码学习之三：变换，量化与熵编码_第6张图片

  • K-L变换非常复杂度很高，不实用
    • 需要计算协方差矩阵U
    • 需要计算特征向量
    • 需要发送 到解码器

4. 离散傅立叶变换

视频编解码学习之三：变换，量化与熵编码_第7张图片

5. 离散傅立叶变换性质

视频编解码学习之三：变换，量化与熵编码_第8张图片

视频编解码学习之三：变换，量化与熵编码_第9张图片

6. 离散余弦变换

  • 比K-L变换，傅里叶变换的复杂度更低
  • 变换性能仅次于K-L变换
  • 有快速算法可以加快变换速度
  • 可以用整数变换进一步降低复杂度

视频编解码学习之三：变换，量化与熵编码_第10张图片

视频编解码学习之三：变换，量化与熵编码_第11张图片

视频编解码学习之三：变换，量化与熵编码_第12张图片

视频编解码学习之三：变换，量化与熵编码_第13张图片

7. DCT与DFT的关系

视频编解码学习之三：变换，量化与熵编码_第14张图片

8. 离散余弦变换的重要性质

视频编解码学习之三：变换，量化与熵编码_第15张图片

视频编解码学习之三：变换，量化与熵编码_第16张图片

视频编解码学习之三：变换，量化与熵编码_第17张图片

视频编解码学习之三：变换，量化与熵编码_第18张图片

视频编解码学习之三：变换，量化与熵编码_第19张图片

 

9. 快速DCT变换

视频编解码学习之三：变换，量化与熵编码_第20张图片

视频编解码学习之三：变换，量化与熵编码_第21张图片

下图是一个动态展示：

 

视频编解码学习之三：变换，量化与熵编码_第22张图片

视频编解码学习之三：变换，量化与熵编码_第23张图片

视频编解码学习之三：变换，量化与熵编码_第24张图片

 

10. 整数离散余弦变换

  • 离散余弦变换为浮点操作
    • 需要64位精度
    • 浮点计算复杂度高
    • 变换精度高
  • 整数变换：离散余弦变换的整数近似
    • 需要更少的位宽
    • 整数计算复杂度低
    • 好的整数变换的变换精度接近浮点变换
  • 浮点近似方法

视频编解码学习之三：变换，量化与熵编码_第25张图片视频编解码学习之三：变换，量化与熵编码_第26张图片

视频编解码学习之三：变换，量化与熵编码_第27张图片

11. H.264的4x4整数变换

视频编解码学习之三：变换，量化与熵编码_第28张图片

视频编解码学习之三：变换，量化与熵编码_第29张图片

视频编解码学习之三：变换，量化与熵编码_第30张图片

视频编解码学习之三：变换，量化与熵编码_第31张图片视频编解码学习之三：变换，量化与熵编码_第32张图片

视频编解码学习之三：变换，量化与熵编码_第33张图片视频编解码学习之三：变换，量化与熵编码_第34张图片视频编解码学习之三：变换，量化与熵编码_第35张图片

12. 小波变换

  • 新的变换方法
  • 避免由于块编码带来的块效应
  • 更适合视频空间可分级编码

 

第7章 量化

1. 量化Quantization

  • 用更小的集合表示更大的集合的过程
    • 对信号源的有限近似
    • 有损过程
    • 应用
      • A/D转换
      • 压缩
    • 量化方法
      • 标量(Scalar)量化
      • 矢量(Vector)量化

2. 量化的基本思想

  • 映射一个输入间隔到一个整数
  • 减少信源编码的bit
  • 一般情况重构值与输入值不同

视频编解码学习之三：变换，量化与熵编码_第36张图片

3. 量化模型

视频编解码学习之三：变换，量化与熵编码_第37张图片

4. 量化的率失真优化

  • 量化器设计问题
    • 量化水平的个数，即Bin的个数
    • 决策边界：Bin的边界
    • 重构水平
  • 量化器设计是对率失真的优化
    • 为了减少码率的大小，需要减少Bin的个数
    • Bin的个数减少导致重构的误差增大，失真也就随着增大

视频编解码学习之三：变换，量化与熵编码_第38张图片

5. 失真测量

视频编解码学习之三：变换，量化与熵编码_第39张图片

6. 量化器设计

  • 量化器设计的两个方面
    • 给定量化水平数目M，找到决策边界xi和重构水平 使MSE最小
    • 给定失真限制D，找到量化水平数目M，决策边界xi和重构水平yi使MSE<=D

7. 均匀量化（Uniform Quantization）

视频编解码学习之三：变换，量化与熵编码_第40张图片

视频编解码学习之三：变换，量化与熵编码_第41张图片

8. 量化与峰值信噪比

视频编解码学习之三：变换，量化与熵编码_第42张图片

视频编解码学习之三：变换，量化与熵编码_第43张图片

9. 中升量化器（Midrise Quantizer）

视频编解码学习之三：变换，量化与熵编码_第44张图片

10. 中平量化器（Midtread Quantizer）

视频编解码学习之三：变换，量化与熵编码_第45张图片

11. 死区量化器（Deadzone Quantizer）

视频编解码学习之三：变换，量化与熵编码_第46张图片

12．非均匀量化（Non-uniform Quantization）

  • 如果信源不是均匀分布的，采用均匀量化不是最优的
  • 对于非均匀量化，为了减少MSE，当概率密度函数fX(x)高时，使Bin的量化步长减小，当概率密度函数fX(x)低时， 使Bin的量化步长增加。

视频编解码学习之三：变换，量化与熵编码_第47张图片

13. 最优的标量量化

视频编解码学习之三：变换，量化与熵编码_第48张图片视频编解码学习之三：变换，量化与熵编码_第49张图片

视频编解码学习之三：变换，量化与熵编码_第50张图片

14. 量化编码

  • 定长编码量化水平
    • 使用等长的码字编码每个量化水平，码字长为：
  • 熵编码量化水平
    • 根据量化水平的概率分布情况，用变长的码字编码每个量化水平
    • 平均码字长
    • 比定长编码量化水平效率高
    • 广泛应用在图像和视频编码中

15. 矢量量化

  • 标量量化：对数据一个一个的进行量化，称为标量量化。
  • 矢量量化：将数据分组，每组K个数据构成K维矢量，再以矢量为处理单元进行量化。
    • 矢量量化是标量量化的多维扩展
    • 标量量化是矢量量化的特殊情况
  • 矢量量化工作过程

视频编解码学习之三：变换，量化与熵编码_第51张图片视频编解码学习之三：变换，量化与熵编码_第52张图片

  • 二维矢量量化

视频编解码学习之三：变换，量化与熵编码_第53张图片

  • 矢量量化优点
    • 只传码字的下标，编码效率高
    • 在相同码率下，比标量量化失真小
    • 在相同失真下，比标量量化码率低
  • 矢量量化缺点：复杂度随着维数的增加呈指数增加

 

第8章 熵编码

1. 熵编码

  • 熵（Entropy）：信源的平均信息量，更精确的描述为表示信源所有符号包含信息的平均比特数
    • 信源编码要尽可能的减少信源的冗余，使之接近熵
    • 用更少的比特传递更多的信源信息
  • 熵编码：数据压缩中根据信源消息的概率模型使消息的熵最小化
    • 无损压缩
    • 变长编码

2. 熵

  • 信息量：

单位：比特

  • 熵：

单位：比特/符号

视频编解码学习之三：变换，量化与熵编码_第54张图片视频编解码学习之三：变换，量化与熵编码_第55张图片

3. 定长编码

视频编解码学习之三：变换，量化与熵编码_第56张图片

4. 变长编码

  • 变长编码：用不同的比特数表示每一个符号
    • 为频繁发生的符号分配短码字
    • 为很少发生的符号分配长码字
    • 比定长编码有更高的效率
  • 常用的变长编码
    • Huffman编码
    • 算术编码

5. Huffman编码

  • 前缀码：任何码字不是其它码字的前缀
    • 如果011为一个有效码字，则0，1，01，11必不是有效码字
    • 不会引起解码歧义
  • Huffman：
    • 二叉树
    • 树节点:表示符号或符号组合
    • 分支:两个分支一个表示"0"，另一个表示"1"

视频编解码学习之三：变换，量化与熵编码_第57张图片

视频编解码学习之三：变换，量化与熵编码_第58张图片

  • Huffman的不唯一性
    • 每次分支有两种选择：0，1

      视频编解码学习之三：变换，量化与熵编码_第59张图片

    • 相同的概率产生不同的组合

      视频编解码学习之三：变换，量化与熵编码_第60张图片

  • 缺点：
    • 数据的概率变化难于实时统计
    • Huffman树需要编码传输给解码器
    • 只有在p(xi)=1/2ki 时是最优编码
    • 最小码字长度为1比特/符号
  • 如果有二值信源，其两个符号的概率相差很大
    • 例如：p(1)=0.0625，p(0)=0.9375则H=0.3373比特/符号，Huffman编码平均码长=1比特/符号
    • 两个符号联合编码有更高效率

6. 扩展Huffman编码

视频编解码学习之三：变换，量化与熵编码_第61张图片

7. 范式Huffman编码

  • 范式Huffman树的建立规则
    • 节点左支设为0，右支设为1
    • 树的深度从左至右增加
    • 每个符号被放在最先满足的叶子节点

视频编解码学习之三：变换，量化与熵编码_第62张图片

  • 特性
    • 第一个码字是一串0
    • 相同长度的码字的值是连续的
    • 如果所有的码字通过在低位补0的方式，使所有码字的长度相同则有 0000<0100<1000<1010<1100<1110<1111
    • 从码字长度n到n+1有如下关系
      • C(n+1,1)=(C(n,last)+1)<<1
    • 从码字长度n到n+2有如下关系
      • C(n+2,1)=(C(n,last)+1)<<2

视频编解码学习之三：变换，量化与熵编码_第63张图片

视频编解码学习之三：变换，量化与熵编码_第64张图片

8. 一元码

  • 编码一个非负整数n为n个1和一个0
  • 不需要存储码表
  • 可以用Huffman树表示

    视频编解码学习之三：变换，量化与熵编码_第65张图片

  • 码长增长太快：n=100，码长101

视频编解码学习之三：变换，量化与熵编码_第66张图片

9. 哥伦布编码

  • 将信源符号等分成几组，每组有相应的编号
  • 编号小的分配码字短，编号大分配码字长
  • 同组的符号有等长的码字，比一元码的码字长度增长慢

  • 码字分配

视频编解码学习之三：变换，量化与熵编码_第67张图片

视频编解码学习之三：变换，量化与熵编码_第68张图片

视频编解码学习之三：变换，量化与熵编码_第69张图片

 

10. 指数哥伦布编码

  • 哥伦布码对信源符号的分组大小相同
  • 指数哥伦布码对信源符号的分组大小按照指数增长
  • 指数哥伦布码依然是一元码加定长码的形式
  • 指数哥伦布码的指数k=0，1，2，…

视频编解码学习之三：变换，量化与熵编码_第70张图片

视频编解码学习之三：变换，量化与熵编码_第71张图片

视频编解码学习之三：变换，量化与熵编码_第72张图片

11. CAVLC（ Context-Based Adaptive Variable Length Code）

  • 当前块的系数分布和其邻块的系数分布情况相关
    • N X为块X的非零系数个数，当前块C的第一个系数的编码码表由N C决定， N C=( N A+ N B )/2

  • 当前待编码系数和前面编码系数有相关性
    • 当前块C的其它系数的编码码表由前一个系数的幅值决定cofN-1=>GolombTab_x，用GolombTab_x编码cofN

视频编解码学习之三：变换，量化与熵编码_第73张图片

12. 算术编码

  • 信息量=>符号编码比特数
  • Huffman编码为每个符号分配一个码字，这说明Huffman编码的压缩上限是1比特/符号
  • 算术编码若干个符号可编码成1bit
  • 算术编码是把信源表示为实数轴上[0,1]区间，信源中每个符号都用来缩短这个区间
    • 输出[0,1]区间的一个实数表示一串编码符号
    • 比Huffman编码更有效
  • 编码思想
    • 编码器用熵编码算法编码一串符号产生一个[0,1]区间的实数，将实数的一个二进制表示传给解码器
    • 解码器用熵解码算法解码得到一串符号
  • 小数的二进制表示

  • 信源符号概率分布

    视频编解码学习之三：变换，量化与熵编码_第74张图片

  • 字符串：X2 X2 X3 X3 X6 X5 X7
  • Huffman编码，01 01 100 100 00 11 1011，18bit

视频编解码学习之三：变换，量化与熵编码_第75张图片视频编解码学习之三：变换，量化与熵编码_第76张图片

视频编解码学习之三：变换，量化与熵编码_第77张图片

  • 算术编码更接近熵
  • 有限精度算术编码是次优（Near-optimal）编码，发送整数比特给解码端
  • 算术编码到最后一个字符编码结束才输出码字
  • 编码复杂度也比较高

13. 二值算术编码

视频编解码学习之三：变换，量化与熵编码_第78张图片视频编解码学习之三：变换，量化与熵编码_第79张图片

视频编解码学习之三：变换，量化与熵编码_第80张图片

13. 自适应二值算术编码

  • 由于信源0和1出现的概率是在不断变化的，因此0和1的概率区间也应该不断改变
  • 自适应二值算术编码每编码一个0或1都重新统计0和1的概率并重新划分[0,1)区间
  • 编解码端的概率统计模型一致，能够得到同样的[0,1)区间划分

视频编解码学习之三：变换，量化与熵编码_第81张图片视频编解码学习之三：变换，量化与熵编码_第82张图片

 

14. CABAC（Context-Based Adaptive Binary Arithmetic Coding）

视频编解码学习之三：变换，量化与熵编码_第83张图片

  • 当前块的语法元素概率分布和其邻块的语法元素概率分布情况相关
    • 当前块C的邻块A和B的语法元素SA与SB可以为编码C块的语法元素SC选择概率模型
  • 二值化
    • 将语法元素值转换成二进制值串
  • 概率模型更新
    • 根据已经编码的比特，重新估计二进制值串的概率并更新概率模型，用新的概率模型编码下一个比特

视频编解码学习之三：变换，量化与熵编码_第84张图片

15. Run Length 编码

  • 利用信源字符的重复性来编码的技术
  • 对有很长，很多重复字符的信源编码非常有效
  • 重复字符称为run，重复的字符个数称为run length
  • Run-length编码能够和其它熵编码一起来压缩数据

视频编解码学习之三：变换，量化与熵编码_第85张图片

视频编解码学习之三：变换，量化与熵编码_第86张图片

16. 字典编码

  • 字典编码：根据信源符号（消息）的组合特点，建立包含各种符号组合的字典，编码这些符号组合的索引
    • LZ78=>Winzip
    • LZW=> GIF
  • 适合一般意义上的数据压缩，去除数据的统计冗余

17. LZW

  • 将信源输出的字符串中，每个第一次出现的字符或者字符串用索引来表示，并将字符或字符串对应的索引编码到码流中
  • 解码端根据从码流中解码的字符，在线的建立和编码器完全一样的字典，并恢复出信源输出的字符串
  • 适用于字符串中有大量的子字符串多次重复出现，重复次数越多，压缩效果越好
  • 单个符号被分配为0-255之间的值
  • 初始码表，使其包含值为0-255的256个符号，值大于255的符号为空
  • 编码器将根据编码的符号情况确定字符组合为从 256 到 4095 之间的值
  • 编码时，编码器识别新的字符组合，并将他们增加到码表中
  • 编码器用码表中的符号组合所对应的值编码

视频编解码学习之三：变换，量化与熵编码_第87张图片

  • 解压时LZW解码器能够产生和编码器完全一样的码表
  • 和编码器一样先初始化所有的单字符，将0-255之间的值分配给它们
  • 除了解码第一个字符外，解码其它字符时都要更新码表
  • 通过读码字并根据码表中的值将它们解码为对应的字符或字符组合

视频编解码学习之三：变换，量化与熵编码_第88张图片

18. LZ78

视频编解码学习之三：变换，量化与熵编码_第89张图片

视频编解码学习之三：变换，量化与熵编码_第90张图片

参考资料：

  • LZW：http://www.cs.usyd.edu.au/~loki/cs2csys/gif-info/lzw.html
  • LZ78：http://www.cs.usyd.edu.au/~loki/cs2csys/gif-info/lz78.html

 

你可能感兴趣的:(视频编解码学习之三：变换，量化与熵编码)

  • 用Rust编写的快如闪电的代码编辑器：lapce 极道Jdon 编辑器rust
    第一个接近SublimeText流畅性的开源文本编辑器。很快有一个内置终端基本的git支持。原生GUI和Rust驱动的性能。可以通过“本地”体验无缝连接到远程机器，从与生产服务器相同的环境中受益，或者利用远程机器的全部性能。使用Tree-sitter代码语法高亮，比基于正则表达式的高亮更快更好。还内置LSP支持，为您提供代码智能，如代码完成、诊断和代码操作等。可以使用任何符合WASI的编程语言为L
  • 第33周JavaSpringCloud微服务 多人协作下的调试 kill bert java学习微服务架构云原生
    第33周JavaSpringCloud微服务多人协作下的调试一、多人协作下的测试的不同在多人开发场景下，测试工作需要进行相应调整，因为依赖他人接口与自主开发存在显著差异。1.1依赖他人接口的挑战已完成开发的接口：若对方已完成开发，调用其接口可视为成功，但前提是对方服务已启动、开发完成并部署至稳定的测试环境。然而，常出现对方接口数据错误或测试环境故障，此时需联系对方修复，沟通成本高且受制于人。并行开
  • 【博客之星2024】技术洞察：前沿技术趋势与创新实践 丶2136 AIAI区块链量子计算
    前言随着科技的飞速发展，技术的前沿趋势和跨领域的融合创新已经成为影响现代社会的重要因素。无论是人工智能(AI)、区块链还是量子计算，这些新兴技术不仅仅改变了行业的运行方式，还深入影响了社会、文化及个人的生活方式。因此，洞察这些前沿技术的趋势，分析其带来的变革与挑战，思考它们对社会与人类未来的影响，已经成为技术领域从业者必须关注的核心议题。本文将深入探讨当前和未来的技术趋势，分析跨领域技术的融合创新
  • Nginx 核心功能与 LNMP 架构部署 昭阳~ nginx架构运维
    一、基于授权的访问控制1.1功能概述Nginx的基于授权的访问控制通过用户名和密码验证机制，限制用户对特定资源的访问。其实现逻辑与Apache类似，但配置更简洁，适用于需保护敏感目录或页面的场景（如管理后台）。1.2实现步骤1.生成用户认证文件生成用户认证文件安装httpd-tools工具包：yum-yinstallhttpd-tools使用htpasswd创建密码文件：htpasswd-c/us
  • python机器学习算法之决策树入门讲解 2301_82059354 机器学习算法python
    一、决策树树模型介绍。决策树（DecisionTree），它是一种以树形数据结构来展示决策规则和分类结果的模型，作为一种归纳学习算法，其重点是将看似无序、杂乱的已知数据，通过某种技术手段将它们转化成可以预测未知数据的树状模型，每一条从根结点（对最终分类结果贡献最大的属性）到叶子结点（最终分类结果）的路径都代表一条决策的规则。说白了就是树模型，构造的是二叉树或者是多叉树，主要是三种树ID3，C4.5
  • 深入理解CSS三大特性——继承、优先级与层叠 禁止默 前端css前端
    目录前言一、继承（Inheritance）——样式的自动传递1.什么是继承？2.哪些属性会继承？3.如何控制继承？示例二、优先级（Specificity）——选择器的权重机制1.优先级计算规则2.示例3.重要性提升三、层叠（Cascading）——样式的合并与覆盖1.影响层叠的因素2.示例3.层叠的实际应用简单综合案例总结✅继承✅优先级✅层叠前言在前端开发中，CSS（CascadingStyleS
  • 学习基本咖啡知识 帅云毅 职业技能成长学习印象笔记
    本文主要内容咖啡豆的历史和种类如何制作一杯咖啡咖啡种类有哪些咖啡历史和种类咖啡的历史咖啡的起源起源地：咖啡的起源可以追溯到非洲的埃塞俄比亚。传说在公元9世纪，一位名叫卡尔迪（Kaldi）的埃塞俄比亚牧羊人发现，他的羊群在食用了一种红色浆果后变得异常兴奋，整夜不睡觉。卡尔迪尝试了这种浆果后，也感到精神振奋。后来，这种浆果被传入寺院，僧侣们用它来制作饮品，以帮助他们在夜间祈祷时保持清醒。植物学起源：咖
  • 软件系统容量管理：反模式剖析与模式应用 Hello 可乐 程序员经验分享项目管理软件工程容量的本质
    在数字化时代，软件系统的重要性日益凸显。随着业务的不断拓展和用户数量的持续增长，软件系统的容量管理成为保障其高效运行的关键因素。《发布！软件的设计与部署》第二部分围绕容量展开深入探讨，系统地阐述了容量的定义、范围，剖析了常见的容量反模式，并提出了行之有效的容量模式。这些内容对于构建稳定、高效的软件系统具有重要的指导意义。一、容量的定义与范围：多维视角下的系统能力容量并非单一维度的概念，它涵盖了软件
  • AutoGen 框架深度解析：构建多智能体协作的事件驱动架构 一休哥助手 人工智能架构
    在当下多智能体（Multi-Agent）AI系统快速发展的背景下，AutoGen作为微软研究院开源的编程框架，为构建可扩展、灵活且可调试的智能体协作应用提供了完备的工具与最佳实践。本文将从设计动机、核心架构、关键概念、安装与快速上手、典型场景、进阶特性、生态与扩展、最佳实践，以及未来发展路线共九大板块，系统剖析AutoGen框架的内在机制与使用方法，配以代码示例、架构图及流程图，帮助读者从入门到精
  • 【深度学习与大模型基础】第12章-损失函数与梯度下降 lynn-66 深度学习与大模型基础人工智能
    1.什么是损失函数？想象你在玩一个“蒙眼飞镖”游戏：目标：把飞镖扔到靶心（正确答案）。每次扔飞镖：你会被告知离靶心有多远（比如“偏左10厘米”）。损失函数就是那个告诉你“误差有多大”的规则。它的作用是量化你的错误程度，帮你下一次扔得更准。在机器学习中：模型（比如一个预测房价的程序）就像“蒙眼玩家”。损失函数是计算“预测值”和“真实答案”差距的数学公式。模型通过不断减少这个“损失值”来学习（就像你调
  • 【深度学习与大模型基础】第14章-分类任务与经典分类算法 lynn-66 深度学习与大模型基础深度学习分类人工智能
    Part1：什么是分类任务？1.1分类就是“贴标签”想象你有一堆水果，有苹果、橘子、香蕉，你的任务是让机器学会自动判断一个新水果属于哪一类——这就是分类（Classification）。关键点：输入：数据（比如水果的颜色、形状、重量）。输出：类别标签（苹果、橘子、香蕉）。1.2分类vs.回归分类：预测离散标签（比如“猫/狗”）。回归：预测连续值（比如“房价多少万”）。例子：分类：判断邮件是“垃圾邮
  • 【计算机视觉】深度解析MediaPipe：谷歌跨平台多媒体机器学习框架实战指南 白熊188 计算机视觉计算机视觉机器学习人工智能
    深度解析MediaPipe：谷歌跨平台多媒体机器学习框架实战指南技术架构与设计哲学核心设计理念系统架构概览核心功能与预构建解决方案1.人脸检测2.手势识别3.姿势估计4.物体检测与跟踪实战部署指南环境配置基础环境准备获取源码构建第一个示例（手部追踪）桌面端运行Android端部署自定义计算图开发关键技术深度解析1.高效同步机制2.GPU加速实现3.模型优化技术常见问题与解决方案1.GPU兼容性问题
  • 瀑布流分页控件的设计与实现 轩辕姐姐
    本文还有配套的精品资源，点击获取简介：瀑布流布局是网页设计中用于图片展示和产品列表的布局方式，具有自适应特性，使页面元素随浏览器窗口大小变化自动调整。瀑布流分页控件结合瀑布流布局与分页功能，优化内容加载，提升用户体验。该控件的实现涉及响应式设计、异步加载、布局算法、元素尺寸处理、分页接口和用户体验优化等多个技术点。开发者可通过JavaScript库、框架或CSSGrid/Flexbox技术实现瀑布
  • shell---sed 溜溜刘@♞ shelllinux运维服务器
    1.sed介绍sed:streameditor(流编辑器)的缩写是一种在线非交互式编辑器，它一次处理一行内容。这样不断重复，直到文件末尾。Sed主要用来自动编辑一个或多个文件；简化对文件的反复操作；编写转换程序等非交互式编辑器，一次处理一行内容。支持正则表达式与grep一样，sed在文件中查找模式时也可以使用正则表达式(RE)和各种元字符,用于查找和替换，以下是sed支持的元字符:使用基本元字符集
  • C++函数、结构体、类之间的联系与区别 程序员小老九 c/c++---每日记录c++
    #序本文比较长，记录的内容比较多，主要从是什么？本质？比较？来记录的。请选择自己需要的部分阅读。什么是函数？函数基础菜鸟函数是一组一起执行一个任务的语句。函数声明告诉编译器函数的名称、返回类型和参数。函数定义提供了函数的实际主体。C++中的函数定义的一般形式如下：return_typefunction_name(parameterlist){bodyofthefunction}在C++中，函数由一
  • 基于SpringAI实现简易聊天对话 ai大佬 microsoftAI编程人工智能APIKEYAPI中转
    简介本文旨在记录学习和实践SpringAIAlibaba提供的ChatClient组件的过程。ChatClient是SpringAI中用于与大语言模型（LLM）进行交互的高级API，它通过流畅（Fluent）的编程接口，极大地简化了构建聊天应用程序的复杂度。相比直接使用底层的ChatModel，ChatClient封装了提示词构建、响应处理、结构化输出、流式响应以及与RAG、聊天记忆等高级功能的集
  • react学习笔记，ReactDOM，react-router-dom 跟着阿龙学编程 react.js学习笔记
    react学习1.下载与安装下载npminstall-gcreate-react-app安装npxcreate-react-appxxx推荐npminitreact-appxxxyarncreatereact-appxxx2.创建react元素indexjs文件importReactfrom"react";importReactDOMfrom"react-dom";//1创建react元素cons
  • Python抽象类：ABC模块的优雅之道与手动实现的隐性陷阱 dudly python开发语言
    在Python开发过程中，我们经常会遇到需要定义一些规范接口的场景。比如，在开发图形处理库时，希望所有图形类都实现计算面积和周长的方法。这时候，抽象类就派上用场了。抽象类的核心作用是定义接口规范，强制子类实现特定方法。Python提供了abc模块来方便地定义抽象类，但也有人尝试手动实现类似功能。今天就来聊聊这两种方式的实现细节，以及手动实现存在的各种坑。一、使用abc模块实现抽象类Python的a
  • Maven根据Google proto文件自动生成java对象 西木风落 java框架技术学习pb转java
    引言在分布式系统开发中，GoogleProtocolBuffers（简称Protobuf）凭借其高效序列化能力和跨语言兼容性，已成为微服务通信、数据存储等场景的首选协议格式。本文将以Maven为核心工具链，详解如何通过.proto文件自动生成Java对象，并实现与SpringBoot项目的深度集成。一、Maven插件配置推荐使用protobuf-maven-plugin插件自动化编译：通过prot
  • 紧握人工智能大模型奖励机遇，攻克备案重重关卡 chuangfumao 人工智能语言模型
    在科技飞速发展的当下，人工智能大模型已然成为推动各行业变革的核心力量。从智能客服的高效响应，到图像生成的创意激发，再到智能医疗的精准诊断，大模型的应用无处不在，其强大的能力正重塑着人们的生活与工作方式。为了进一步推动人工智能大模型产业的蓬勃发展，各地政府纷纷出台奖励政策，鼓励企业加大研发投入，提升创新能力。与此同时，随着大模型应用的日益广泛，其潜在风险也逐渐凸显，大模型备案制度应运而生，成为规范行
  • 目标检测原理简介 blanokvaffy 深度学习总结目标检测人工智能计算机视觉
    目标检测是一类计算机视觉任务，简单来说，目标检测可被定义为在计算机中输入一张图像，计算机需要找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，如图一所示。目标检测是计算机视觉领域的核心问题之一，相较于最原始的将整张图片分类为某一类别，目标检测不光可以感知图像中物体的类别，还可以提取感兴趣物体在图像中的位置信息，并将图片区分为前景和背景。随着科技的进步，目标检测算法广泛的利用深度学习作为基础
  • 基于Spring Boot的社区居民健康管理平台的设计与实现 小星袁 毕业设计原文springboot后端java源代码管理mavenmybatisspringcloud
    目录1绪论1.1研究现状1.2研究意义1.3组织结构2技术介绍2.1平台开发工具和环境2.2Vue介绍2.3SpringBoot2.4MyBatis2.5环境搭建3系统需求分析3.1可行性分析3.2功能需求分析3.3系统用例图3.4系统功能图4系统设计4.1系统总体描述4.2数据库设计4.2.1系统E-R图4.2.2数据库表设计5网站实现5.1社区居民用户功能实现5.1.1社区居民用户浏览信息5.
  • 12.桥接模式：思考与解读 智想天开 桥接模式设计模式
    原文地址:桥接模式：思考与解读更多内容请关注：7.深入思考与解读设计模式引言在软件设计中，尤其是在处理复杂系统时，你是否遇到过这样的情况：你的系统中有多个功能模块，而这些功能模块需要与不同的平台、操作系统或硬件设备进行交互？如何设计系统，使得在功能模块和平台之间的依赖关系尽可能低？是否存在一种设计方法，能够在不影响功能模块和平台的情况下，独立地扩展和变更它们？桥接模式正是为了解决这一问题而设计的。
  • 14.外观模式：思考与解读 智想天开 理解设计模式#初级外观模式microsoftwindows设计模式
    原文地址:外观模式：思考与解读更多内容请关注：7.深入思考与解读设计模式引言在开发大型系统时，系统的复杂性往往源于多个子系统之间的交互。你是否曾经遇到过这样的情况：系统中有许多模块和类，每个模块负责不同的任务，而这些模块之间的关系变得越来越复杂？当你需要让不同的模块协作时，是否觉得模块之间的接口繁琐，导致客户端代码变得难以理解和维护？外观模式正是为了解决这种问题而设计的。它通过为复杂子系统提供一个
  • 一文详解 Linux下的开源打印系统CUPS（Common UNIX Printing System） 钟剑锋-JeffChong Linux系统CUPS打印机Qt5嵌入式linux
    文章目录前言一、CUPS简介二、CUPS常用指令解析2.1安装CUPS2.2启动/重启服务2.3添加打印机（核心操作）2.4设置默认打印机2.5打印文件2.6查看打印任务2.7取消打印任务2.8查看、移除已添加的打印机三、调试与常见问题3.1日志查看3.2驱动问题3.3权限问题四、注意事项前言本文基于OrangePiCM4介绍了Linux下的开源打印系统CUPS（CommonUNIXPrintin
  • HTML 从标签到动态效果的基础 ^小桃冰茶 html前端
    在Web开发的世界里，HTML（超文本标记语言）是构建网页的基石。它通过各种标签来定义网页的结构和内容，让浏览器能够理解并展示我们想要呈现的信息。接下来，我们将深入探讨HTML的基本标签、文字版面编辑、超链接建立、图像处理、列表项目以及网页中的多媒体和动态效果等核心知识。一、HTML的基本标签1.概念与理解HTML标签是由尖括号包围的关键词，用于描述网页的不同部分。例如，标签是HTML页面的根元素
  • HTTPS是如何加密的？ 网络空间小黑 https网络协议http
    HTTPS通过SSL/TLS协议实现加密通信，其加密流程可分为五个核心阶段，以下用技术细节与协议交互过程说明：**1.非对称加密建立信任****证书验证流程：**服务器发送包含公钥的SSL证书（X.509标准格式）CertificateStructure:-Version:v3-Subject:CN=www.example.com-Issuer:C=US,O=Let'sEncrypt-Validi
  • 网红商品数据抓取：基于Python的高效爬虫实战 Python爬虫项目 2025年爬虫实战项目python爬虫开发语言网络爬虫数据分析
    随着电子商务的快速发展，网红商品逐渐成为消费者关注的焦点。这些商品的销售数据、用户评论和品牌信息对商家制定营销策略和消费者选择商品有重要参考价值。本篇博客将介绍如何使用Python构建一个高效的爬虫程序，抓取网红商品的相关数据。目录一、项目背景与目标1.1背景1.2目标二、技术选型三、爬虫实现过程3.1环境准备3.2目标网站分析3.3核心代码实现3.3.1导入依赖库3.3.2初始化浏览器驱动3.3
  • 算法 ｜ 基于SSA-CNN-LSTM（麻雀算法优化卷积长短期记忆神经网络）的股票价格预测（附完整matlab代码，公式，原理，可用于毕业论文设计） 单北斗SLAMer 毕业论文设计智能优化算法lstmcnn算法神经网络启发式算法
    以下是一个基于SSA-CNN-LSTM（麻雀算法优化卷积长短期记忆神经网络）的股票价格预测MATLAB项目实例，包含完整代码和详细注释。代码分为数据预处理、模型构建、优化算法、训练预测四个部分。1.数据预处理%%数据加载与预处理clc;clear;closeall;%加载示例数据（以MATLAB自带股票数据为例）loadFinanceData.matdata=FinanceData.Price
  • Windows7+VS2012下64位OpenCV3.0+CUDA7.5的编译和部署 wozhengtao
    从OpenCV3.0Beta开始，加入了大量的GPU加速计算的功能。6月份OpenCV3.0Gold发布，修复了大量的BUG。与2.4.x版本相比，3.0仍然采用CUDA作为GPU计算库，但废除了cv::gpu，转而使用cv::cuda命名空间。官网提供的预编译库并不包含完整的CUDA功能，所以要想体验GPU加速技术带给OpenCV的变化，只能自己重新编译整个库。在CUDAToolkit7.5中，
  • 强大的销售团队背后 竟然是大数据分析的身影 蓝儿唯美 数据分析
    Mark Roberge是HubSpot的首席财务官，在招聘销售职位时使用了大量数据分析。但是科技并没有挤走直觉。 大家都知道数理学家实际上已经渗透到了各行各业。这些热衷数据的人们通过处理数据理解商业流程的各个方面，以重组弱点，增强优势。 Mark Roberge是美国HubSpot公司的首席财务官，HubSpot公司在构架集客营销现象方面出过一份力——因此他也是一位数理学家。他使用数据分析
  • Haproxy+Keepalived高可用双机单活 bylijinnan 负载均衡keepalivedhaproxy高可用
    我们的应用MyApp不支持集群，但要求双机单活（两台机器：master和slave）： 1.正常情况下，只有master启动MyApp并提供服务 2.当master发生故障时，slave自动启动本机的MyApp，同时虚拟IP漂移至slave，保持对外提供服务的IP和端口不变 F5据说也能满足上面的需求，但F5的通常用法都是双机双活，单活的话还没研究过 服务器资源 10.7
  • eclipse编辑器中文乱码问题解决 0624chenhong eclipse乱码
    使用Eclipse编辑文件经常出现中文乱码或者文件中有中文不能保存的问题，Eclipse提供了灵活的设置文件编码格式的选项，我们可以通过设置编码 格式解决乱码问题。在Eclipse可以从几个层面设置编码格式：Workspace、Project、Content Type、File 本文以Eclipse 3.3（英文）为例加以说明： 1. 设置Workspace的编码格式： Windows-&g
  • 基础篇--resources资源 不懂事的小屁孩 android
    最近一直在做java开发，偶尔敲点android代码，突然发现有些基础给忘记了，今天用半天时间温顾一下resources的资源。 String.xml    字符串资源   涉及国际化问题  http://www.2cto.com/kf/201302/190394.html   string-array
  • 接上篇补上window平台自动上传证书文件的批处理问卷 酷的飞上天空 window
    @echo off : host=服务器证书域名或ip，需要和部署时服务器的域名或ip一致 ou=公司名称, o=公司名称 set host=localhost set ou=localhost set o=localhost set password=123456 set validity=3650 set salias=s
  • 企业物联网大潮涌动：如何做好准备？ 蓝儿唯美 企业
    物联网的可能性也许是无限的。要找出架构师可以做好准备的领域然后利用日益连接的世界。 尽管物联网（IoT）还很新，企业架构师现在也应该为一个连接更加紧密的未来做好计划，而不是跟上闸门被打开后的集成挑战。“问题不在于物联网正在进入哪些领域，而是哪些地方物联网没有在企业推进，” Gartner研究总监Mike Walker说。 Gartner预测到2020年物联网设备安装量将达260亿，这些设备在全
  • spring学习——数据库（mybatis持久化框架配置） a-john mybatis
    Spring提供了一组数据访问框架，集成了多种数据访问技术。无论是JDBC，iBATIS(mybatis)还是Hibernate，Spring都能够帮助消除持久化代码中单调枯燥的数据访问逻辑。可以依赖Spring来处理底层的数据访问。 mybatis是一种Spring持久化框架，要使用mybatis，就要做好相应的配置： 1，配置数据源。有很多数据源可以选择，如：DBCP，JDBC，aliba
  • Java静态代理、动态代理实例 aijuans Java静态代理
    采用Java代理模式，代理类通过调用委托类对象的方法，来提供特定的服务。委托类需要实现一个业务接口，代理类返回委托类的实例接口对象。 按照代理类的创建时期，可以分为：静态代理和动态代理。 所谓静态代理：　指程序员创建好代理类，编译时直接生成代理类的字节码文件。 所谓动态代理：　在程序运行时，通过反射机制动态生成代理类。   一、静态代理类实例： 1、Serivce.ja
  • Struts1与Struts2的12点区别 asia007 Struts1与Struts2
    1) 在Action实现类方面的对比：Struts 1要求Action类继承一个抽象基类；Struts 1的一个具体问题是使用抽象类编程而不是接口。Struts 2 Action类可以实现一个Action接口，也可以实现其他接口，使可选和定制的服务成为可能。Struts 2提供一个ActionSupport基类去实现常用的接口。即使Action接口不是必须实现的，只有一个包含execute方法的P
  • 初学者要多看看帮助文档 不要用js来写Jquery的代码 百合不是茶 jqueryjs
    解析json数据的时候需要将解析的数据写到文本框中,  出现了用js来写Jquery代码的问题;   1, JQuery的赋值  有问题    代码如下: data.username 表示的是:  网易            $("#use
  • 经理怎么和员工搞好关系和信任 bijian1013 团队项目管理管理
            产品经理应该有坚实的专业基础，这里的基础包括产品方向和产品策略的把握，包括设计，也包括对技术的理解和见识，对运营和市场的敏感，以及良好的沟通和协作能力。换言之，既然是产品经理，整个产品的方方面面都应该能摸得出门道。这也不懂那也不懂，如何让人信服？如何让自己懂？就是不断学习，不仅仅从书本中，更从平时和各种角色的沟通
  • 如何为rich:tree不同类型节点设置右键菜单 sunjing contextMenutreeRichfaces
    组合使用target和targetSelector就可以啦，如下： <rich:tree id="ruleTree" value="#{treeAction.ruleTree}" var="node" nodeType="#{node.type}" selectionChangeListener=&qu
  • 【Redis二】Redis2.8.17搭建主从复制环境 bit1129 redis
    开始使用Redis2.8.17 Redis第一篇在Redis2.4.5上搭建主从复制环境，对它的主从复制的工作机制，真正的惊呆了。不知道Redis2.8.17的主从复制机制是怎样的，Redis到了2.4.5这个版本，主从复制还做成那样，Impossible is nothing! 本篇把主从复制环境再搭一遍看看效果，这次在Unbuntu上用官方支持的版本。   Ubuntu上安装Red
  • JSONObject转换JSON--将Date转换为指定格式 白糖_ JSONObject
    项目中，经常会用JSONObject插件将JavaBean或List<JavaBean>转换为JSON格式的字符串，而JavaBean的属性有时候会有java.util.Date这个类型的时间对象，这时JSONObject默认会将Date属性转换成这样的格式：   {"nanos":0,"time":-27076233600000,
  • JavaScript语言精粹读书笔记 braveCS JavaScript
    【经典用法】：   //①定义新方法 Function .prototype.method=function(name, func){ this.prototype[name]=func; return this; } //②给Object增加一个create方法，这个方法创建一个使用原对
  • 编程之美-找符合条件的整数 用字符串来表示大整数避免溢出 bylijinnan 编程之美
    import java.util.LinkedList; public class FindInteger { /** * 编程之美 找符合条件的整数 用字符串来表示大整数避免溢出 * 题目：任意给定一个正整数N，求一个最小的正整数M(M>1)，使得N*M的十进制表示形式里只含有1和0 * * 假设当前正在搜索由0，1组成的K位十进制数
  • 读书笔记 chengxuyuancsdn 读书笔记
    1、Struts访问资源 2、把静态参数传递给一个动作 3、<result>type属性 4、s:iterator、s:if c:forEach 5、StringBuilder和StringBuffer 6、spring配置拦截器 1、访问资源 (1)通过ServletActionContext对象和实现ServletContextAware,ServletReque
  • [通讯与电力]光网城市建设的一些问题 comsci 问题
          信号防护的问题,前面已经说过了,这里要说光网交换机与市电保障的关系       我们过去用的ADSL线路,因为是电话线,在小区和街道电力中断的情况下,只要在家里用笔记本电脑+蓄电池,连接ADSL,同样可以上网........     
  • oracle 空间RESUMABLE daizj oracle空间不足RESUMABLE错误挂起
    空间RESUMABLE操作  转 Oracle从9i开始引入这个功能，当出现空间不足等相关的错误时，Oracle可以不是马上返回错误信息，并回滚当前的操作，而是将操作挂起，直到挂起时间超过RESUMABLE TIMEOUT，或者空间不足的错误被解决。 这一篇简单介绍空间RESUMABLE的例子。 第一次碰到这个特性是在一次安装9i数据库的过程中，在利用D
  • 重构第一次写的线程池 dieslrae 线程池 python
    最近没有什么学习欲望,修改之前的线程池的计划一直搁置,这几天比较闲,还是做了一次重构,由之前的2个类拆分为现在的4个类. 1、首先是工作线程类:TaskThread,此类为一个工作线程,用于完成一个工作任务,提供等待(wait),继续(proceed),绑定任务(bindTask)等方法 #!/usr/bin/env python # -*- coding:utf8 -*-
  • C语言学习六指针 dcj3sjt126com c
    初识指针，简单示例程序： /* 指针就是地址，地址就是指针 地址就是内存单元的编号 指针变量是存放地址的变量 指针和指针变量是两个不同的概念 但是要注意： 通常我们叙述时会把指针变量简称为指针，实际它们含义并不一样 */ # include <stdio.h> int main(void) { int * p; // p是变量的名字， int *
  • yii2 beforeSave afterSave beforeDelete dcj3sjt126com delete
    public function afterSave($insert, $changedAttributes) { parent::afterSave($insert, $changedAttributes); if($insert) { //这里是新增数据 } else { //这里是更新数据 } }  
  • timertask shuizhaosi888 timertask
    java.util.Timer timer = new java.util.Timer(true); // true 说明这个timer以daemon方式运行（优先级低， // 程序结束timer也自动结束），注意，javax.swing // 包中也有一个Timer类，如果import中用到swing包， // 要注意名字的冲突。 TimerTask task = new
  • Spring Security（13）——session管理 234390216 sessionSpring Security攻击保护超时
    session管理 目录   1.1     检测session超时 1.2     concurrency-control 1.3     session 固定攻击保护         
  • 公司项目NODEJS实践0.3[ mongo / session ...] 逐行分析JS源代码 mongodbsessionnodejs
        http://www.upopen.cn   一、前言         书接上回，我们搭建了WEB服务端路由、模板等功能，完成了register 通过ajax与后端的通信，今天主要完成数据与mongodb的存取，实现注册 / 登录 /
  • pojo.vo.po.domain区别 LiaoJuncai javaVOPOJOjavabeandomain
    　　POJO = "Plain Old Java Object"，是MartinFowler等发明的一个术语，用来表示普通的Java对象，不是JavaBean, EntityBean 或者 SessionBean。POJO不但当任何特殊的角色，也不实现任何特殊的Java框架的接口如，EJB， JDBC等等。 　　 　　即POJO是一个简单的普通的Java对象，它包含业务逻辑
  • Windows Error Code OhMyCC windows
    0 操作成功完成. 1 功能错误. 2 系统找不到指定的文件. 3 系统找不到指定的路径. 4 系统无法打开文件. 5 拒绝访问. 6 句柄无效. 7 存储控制块被损坏. 8 存储空间不足, 无法处理此命令. 9 存储控制块地址无效. 10 环境错误. 11 试图加载格式错误的程序. 12 访问码无效. 13 数据无效. 14 存储器不足, 无法完成此操作. 15 系
  • 在storm集群环境下发布Topology roadrunners 集群stormtopologyspoutbolt
    storm的topology设计和开发就略过了。本章主要来说说如何在storm的集群环境中，通过storm的管理命令来发布和管理集群中的topology。   1、打包 打包插件是使用maven提供的maven-shade-plugin，详细见maven-shade-plugin。 <plugin> <groupId>org.apache.maven.
  • 为什么不允许代码里出现“魔数” tomcat_oracle java
    　　在一个新项目中，我最先做的事情之一，就是建立使用诸如Checkstyle和Findbugs之类工具的准则。目的是制定一些代码规范，以及避免通过静态代码分析就能够检测到的bug。 　　迟早会有人给出案例说这样太离谱了。其中的一个案例是Checkstyle的魔数检查。它会对任何没有定义常量就使用的数字字面量给出警告，除了-1、0、1和2。 　　很多开发者在这个检查方面都有问题，这可以从结果
  • zoj 3511 Cake Robbery(线段树) 阿尔萨斯 线段树
    题目链接：zoj 3511 Cake Robbery 题目大意：就是有一个N边形的蛋糕，切M刀，从中挑选一块边数最多的，保证没有两条边重叠。 解题思路：有多少个顶点即为有多少条边，所以直接按照切刀切掉点的个数排序，然后用线段树维护剩下的还有哪些点。 #include <cstdio> #include <cstring> #include <vector&
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他