图像处理之Retinex算法（C++）

图像处理之Retinex算法（C++）

文章目录

  • 图像处理之Retinex算法（C++）
  • 前言
  • 一、单尺度Retinex（SSR）
    • 1.原理
    • 2.代码实现
    • 3.结果展示
  • 二、多尺度Retinex（MSR）
    • 1.原理
    • 2.代码实现
    • 3.结果展示
  • 三、带色彩恢复的多尺度Retinex（MSRCR）
    • 1.原理
    • 2.代码实现
    • 3.结果展示
  • 总结

前言

Retinex 理论的基本思想就是光照强度决定了原始图像中所有像素点的动态范围大小，而原始图像的固有属性则是由物体自身的反射系数决定，即假设反射图像和光照图像相乘为原始图像。所以 Retinex 的思路即是去除光照的影响，保留住物体的固有属性。
Retinex模型示意图
如图所示，假设观察者处成像的图像为I(x,y)，可以通过下式表达：
成像公式1
参数解释：
I(x,y)–源图像；
L(x,y)–表示光照分量；
R(x,y)–表示物体本身固有性质的反射分量。
对公式两端取对数，公式为：
公式2
公式3
上式即为Retinex理论处理的基本过程。
Retinex算法处理的基本过程如下：
Retinex理论处理的基本过程
流程图解读：图像I(x,y)经过Log变换转换成i(x,y)，然后对图像I(x,y)进行亮度图像估计，在对估计的亮度分量进行Log变换得到l(x,y)，二者相减得到物体反射分量的Log变换r(x,y)，再进行Log变换的反变换Exp，即得到R(x,y)。此处亮度图像估计即通过高斯滤波或者引导滤波对图像滤波。
参考资料：Retinex理论

一、单尺度Retinex（SSR）

1.原理

单尺度 Retinex 算法的处理过程非常拟合人眼的视觉成像过程，该算法的基本思路是：先构建高斯环绕函数，然后利用高斯环绕函数分别对图像的三个色彩通道 (R 、G 和 B) 进行滤波，则滤波后的图像就是我们所估计的光照分量，接着再在对数域中对原始图像和光照分量进行相减得到反射分量作为输出结果图像。该算法能压缩图像的动态范围、一定程度上的保持图像的颜色和细节的增强。改进：将高斯环绕函数对三个色彩通道滤波，改为使用引导滤波对三个彩色通道滤波。
公式3
参数解释：
Ii(x,y)–原始图像；
Li(x,y)–表示光照分量；
Ri(x,y)–表示物体本身固有性质的反射分量;
G(x,y)–高斯环绕函数；
Ii(x,y)G(x,y)–对原始图像使用高斯核进行卷积运算。
SSR算法中标准差σ一般取80-100。

2.代码实现

#include <iostream>
#include <opencv.hpp>
using namespace std;/*
* @param cv::Mat src	输入图像
* @param cv::Mat& dst	输出图像
* @param double sigma   高斯核的标准差
* @breif 单尺度Retinex图像处理
*/
cv::Mat single_scale_retinex(const cv::Mat& src,double sigma)
{cv::Mat gaussImg, log_src(src.size(),CV_32F), log_gaussImg(src.size(), CV_32F);cv::Mat difference(src.size(), CV_32F);cv::Mat dst(src.size(), CV_32F);// 对输入图像进行高斯模糊处理cv::GaussianBlur(src, gaussImg, cv::Size(0,0), sigma);// 对模糊后的图像和原图像分别进行对数运算，得到两个对数图像// 差分操作前确保两个矩阵类型和尺寸相同// 对差分后的图像进行指数运算gaussImg.convertTo(gaussImg, CV_32F);for(int i=0;i<gaussImg.rows;i++)for (int j = 0; j < gaussImg.cols; j++){log_gaussImg.at<float>(i, j) = log(gaussImg.at<float>(i, j) + 1);log_src.at<float>(i, j) = log(src.at<uchar>(i, j) + 1);difference.at<float>(i, j) = log_src.at<float>(i, j) - log_gaussImg.at<float>(i, j);//dst.at<float>(i, j) = exp(difference.at<float>(i, j));}// 归一化到0-255范围内(疑问：此处对差分图像归一化反而图像显得正常,参考https://blog.csdn.net/TmacDu/article/details/103499795博主也是这样实现)cv::normalize(difference, dst, 0, 255, cv::NORM_MINMAX, CV_8U);return dst;
}/*
* @param cv::Mat src	输入图像
* @param cv::Mat& dst	输出图像
* @param double sigma   高斯核的标准差
* @breif 单尺度Retinex图像处理
*/
void retinex_process(const cv::Mat& src, cv::Mat& dst, double sigma)
{std::vector<cv::Mat> channels;std::vector<cv::Mat> channels_dst;cv::split(src, channels);for (int i = 0; i < channels.size(); i++){channels_dst.push_back(single_scale_retinex(channels[i], sigma));}cv::merge(channels_dst, dst);
}int main()
{// 读取图片string filepath = "F://work_study//algorithm_demo//retinex_test1.jpg";cv::Mat src = cv::imread(filepath);if (src.empty()){return -1;}cv::Mat dst(src.size(),CV_8UC3,cv::Scalar(0,0,0));//执行单尺度的Retinex算法retinex_process(src, dst,80);cv::imshow("dst.jpg", dst);cv::waitKey(0);return 0;
}

3.结果展示

原图
结果

二、多尺度Retinex（MSR）

1.原理

SSR算法在动态范围压缩和色调恢复的两种效果中，只能以牺牲一种功能为代价来改进另一个，因此Jobson等一批研究者们针对单尺度Retinex模型中存在的不足，提出了将不同尺度下的增强结果线性地组合在一起，充分将局部信息和整体信息考虑进去的多尺度Retinex算法。这种算法的主要思想就是结合几种不同的尺度的中心围绕函数通过加权平均以后来估计光照分量。MSR算法可以产生同时拥有良好动态范围压缩、色彩稳定性以及良好色调恢复的单一输出图像。MSR算法的公式为：
MSR
参数解释：
N–表示尺度的个数，即高斯滤波的标准差的个数，一般将N的取值为3，用三个不同尺度的高斯滤波器对原始图像进行滤波，尺度的比例建议为15：80：250。
wk–经过实验验证，发现w1=w2=w3=1/3时，适用于大量的低照度图像，运算简单。
Fk(x,y)–在第k个尺度上的高斯滤波函数。

参考资料：MSR资料

2.代码实现

#include <iostream>
#include <opencv.hpp>
using namespace std;/*
* @param cv::Mat src	输入图像
* @param cv::Mat& dst	输出图像
* @param double sigma   高斯核的标准差
* @breif 单尺度Retinex图像处理
*/
cv::Mat single_scale_retinex(const cv::Mat& src,double sigma)
{cv::Mat gaussImg, log_src(src.size(),CV_32F), log_gaussImg(src.size(), CV_32F);cv::Mat difference(src.size(), CV_32F);cv::Mat dst(src.size(), CV_32F);// 对输入图像进行高斯模糊处理cv::GaussianBlur(src, gaussImg, cv::Size(0,0), sigma);// 对模糊后的图像和原图像分别进行对数运算，得到两个对数图像// 差分操作前确保两个矩阵类型和尺寸相同// 对差分后的图像进行指数运算gaussImg.convertTo(gaussImg, CV_32F);for(int i=0;i<gaussImg.rows;i++)for (int j = 0; j < gaussImg.cols; j++){log_gaussImg.at<float>(i, j) = log(gaussImg.at<float>(i, j) + 1);log_src.at<float>(i, j) = log(src.at<uchar>(i, j) + 1);difference.at<float>(i, j) = log_src.at<float>(i, j) - log_gaussImg.at<float>(i, j);//dst.at<float>(i, j) = exp(difference.at<float>(i, j));}// 归一化到0-255范围内(疑问：此处对差分图像归一化反而图像显得正常,参考https://blog.csdn.net/TmacDu/article/details/103499795博主也是这样实现)cv::normalize(difference, dst, 0, 255, cv::NORM_MINMAX, CV_8U);return dst;
}/*
* @param cv::Mat src	输入图像
* @param cv::Mat& dst	输出图像
* @param double sigma   高斯核的标准差
* @breif 单尺度Retinex图像处理
*/
void retinex_process(const cv::Mat& src, cv::Mat& dst, double sigma)
{std::vector<cv::Mat> channels;std::vector<cv::Mat> channels_dst;cv::split(src, channels);for (int i = 0; i < channels.size(); i++){channels_dst.push_back(single_scale_retinex(channels[i], sigma));}cv::merge(channels_dst, dst);
}/*
* @param cv::Mat src	输入图像
* @param cv::Mat& dst	输出图像
* @param std::vector<double> sigma   高斯核的标准差
* @param std::vector<double> w   权重系数
* @breif 多尺度Retinex图像处理
*/
void multi_retinex_process(const cv::Mat& src, cv::Mat& dst, std::vector<double>& sigma, std::vector<double>& w)
{std::vector<cv::Mat> temp(sigma.size());for (int i = 0; i < sigma.size(); i++){retinex_process(src,temp[i],sigma[i]);}for (int i = 0; i < w.size(); i++){dst += w[i] * temp[i];}
}int main()
{// 读取图片string filepath = "F://work_study//algorithm_demo//retinex_test3.jpg";cv::Mat src = cv::imread(filepath);if (src.empty()){return -1;}cv::Mat dst(src.size(),CV_8UC3,cv::Scalar(0,0,0));//高斯滤波器的尺度std::vector<double> sigma={15,80,250};//各个尺度下的SSR的权重系数std::vector<double> w(3, 1 / 3.0);//执行多尺度的Retinex算法multi_retinex_process(src, dst,sigma,w);cv::imwrite("dst.jpg", dst);cv::waitKey(0);return 0;
}

3.结果展示

MSR结果

三、带色彩恢复的多尺度Retinex（MSRCR）

1.原理

在上图中，我们可以看出无论是单尺度还是多尺度Retinex图像增强后都会发生图像色彩失真，原因是R、G、B三通道的像素值比例发生改变，针对这个现象，Jobson和Rahman等人又一次提出带颜色恢复的多尺度 Retinex(MSRCR)。该算法可以将 MSR 得到的结果按照一定的比例进行调整以求恢复原来的比例数值，具体是通过引入了颜色恢复因子 C ，其公式如下：颜色恢复因子公式
参数解释：
β–增益常数，经验参数为46。
α–调节因子，经验参数为125。
Ci(x,y)–第i个彩色通道的色彩恢复函数（CRF），用来调节三个通道颜色在图像中所占的比例。
MSRCR可以提供必要的颜色恢复，从而把相对较暗区域而无法观察到的信息图像细节展现出来，消除了MSR输出中明显的颜色失真和灰色区域。可以为大多数图像提供良好的效果。
MSRCR公式
参数解释：
t–偏移量系数；
G–增益系数；

2.代码实现

#include <iostream>
#include <opencv.hpp>
using namespace std;
using namespace cv;
/*
* @param cv::Mat src	输入图像
* @param cv::Mat& dst	输出图像
* @param double sigma   高斯核的标准差
* @breif 单尺度Retinex图像处理
*/
cv::Mat single_scale_retinex(const cv::Mat& src, double sigma)
{cv::Mat gaussImg, log_src(src.size(), CV_32F), log_gaussImg(src.size(), CV_32F);cv::Mat difference(src.size(), CV_32F);cv::Mat dst(src.size(), CV_32F);// 对输入图像进行高斯模糊处理cv::GaussianBlur(src, gaussImg, cv::Size(0, 0), sigma);// 对模糊后的图像和原图像分别进行对数运算，得到两个对数图像// 差分操作前确保两个矩阵类型和尺寸相同// 对差分后的图像进行指数运算gaussImg.convertTo(gaussImg, CV_32F);for (int i = 0; i < gaussImg.rows; i++)for (int j = 0; j < gaussImg.cols; j++){log_gaussImg.at<float>(i, j) = log(gaussImg.at<float>(i, j) + 1);log_src.at<float>(i, j) = log(src.at<uchar>(i, j) + 1);difference.at<float>(i, j) = log_src.at<float>(i, j) - log_gaussImg.at<float>(i, j);//dst.at<float>(i, j) = exp(difference.at<float>(i, j));}// 归一化到0-255范围内(疑问：此处对差分图像归一化反而图像显得正常,参考https://blog.csdn.net/TmacDu/article/details/103499795博主也是这样实现)// 计算带颜色恢复的归一化放到最后，此处注释//cv::normalize(difference, dst, 0, 255, cv::NORM_MINMAX, CV_8U);return difference;
}/*
* @param cv::Mat src	输入图像
* @param cv::Mat& dst	输出图像
* @param double sigma   高斯核的标准差
* @breif 单尺度Retinex图像处理
*/
void retinex_process(const cv::Mat& src, cv::Mat& dst, double sigma)
{std::vector<cv::Mat> channels;std::vector<cv::Mat> channels_dst;cv::split(src, channels);for (int i = 0; i < channels.size(); i++){channels_dst.push_back(single_scale_retinex(channels[i], sigma));}cv::merge(channels_dst, dst);
}/*
* @param cv::Mat src	输入图像
* @param cv::Mat& dst	输出图像
* @param std::vector<double> sigma   高斯核的标准差
* @param std::vector<double> w   权重系数
* @breif 多尺度Retinex图像处理
*/
void multi_retinex_process(const cv::Mat& src, cv::Mat& dst, std::vector<double>& sigma, std::vector<double>& w)
{std::vector<cv::Mat> temp(sigma.size());for (int i = 0; i < sigma.size(); i++){retinex_process(src, temp[i], sigma[i]);}for (int i = 0; i < w.size(); i++){dst += w[i] * temp[i];}
}/*
* @param cv::Mat src	输入图像
* @param cv::Mat& dst	输出图像
* @param double a   调节因子
* @param double b   增益常数
* @breif 计算颜色恢复因子
*/
void color_restoration(const cv::Mat& src, cv::Mat& dst, double a, double b)
{dst = cv::Mat(src.size(), CV_32FC3);for (int i = 0; i < src.rows; i++)for (int j = 0; j < src.cols; j++){int sum = src.at<cv::Vec3b>(i, j)[0] + src.at<cv::Vec3b>(i, j)[1] + src.at<cv::Vec3b>(i, j)[2];dst.at<cv::Vec3f>(i, j)[0] = b * (log(a * src.at<cv::Vec3b>(i, j)[0] + 1.0) - log(sum + 1.0));dst.at<cv::Vec3f>(i, j)[1] = b * (log(a * src.at<cv::Vec3b>(i, j)[1] + 1.0) - log(sum + 1.0));dst.at<cv::Vec3f>(i, j)[2] = b * (log(a * src.at<cv::Vec3b>(i, j)[2] + 1.0) - log(sum + 1.0));}
}/*
* @param cv::Mat src	输入图像
* @param cv::Mat& dst	输出图像
* @param std::vector<double> sigma   高斯核的标准差
* @param std::vector<double> w   权重系数
* @param double G   增益系数
* @param double t   偏移量系数
* @param double a   调节因子
* @param double b   增益常数
* @breif 带颜色恢复的多尺度Retinex图像处理
*/
void multi_retinex_color_restoration_process(const cv::Mat& src, cv::Mat& dst, std::vector<double>& sigma, std::vector<double>& w, double G, double t, double a, double b)
{dst.convertTo(dst, CV_32FC3);//计算多尺度Retinex图像cv::Mat multiRSImg(src.size(), CV_32FC3, cv::Scalar(0, 0, 0));multi_retinex_process(src, multiRSImg, sigma, w);//计算颜色恢复因子cv::Mat colorResImg(src.size(), CV_32FC3, cv::Scalar(0, 0, 0));color_restoration(src, colorResImg, a, b);//进行带颜色恢复的多尺度Retinex计算//关键点：saturate_cast<uchar>相当于对图像色彩做了保护for (int i = 0; i < src.rows; i++)for (int j = 0; j < src.cols; j++){dst.at<cv::Vec3f>(i, j)[0] = saturate_cast<uchar>(G * ((multiRSImg.at<cv::Vec3f>(i, j)[0] * colorResImg.at<cv::Vec3f>(i, j)[0]) + t));dst.at<cv::Vec3f>(i, j)[1] = saturate_cast<uchar>(G * ((multiRSImg.at<cv::Vec3f>(i, j)[1] * colorResImg.at<cv::Vec3f>(i, j)[1]) + t));dst.at<cv::Vec3f>(i, j)[2] = saturate_cast<uchar>(G * ((multiRSImg.at<cv::Vec3f>(i, j)[2] * colorResImg.at<cv::Vec3f>(i, j)[2]) + t));}cv::normalize(dst, dst, 0, 255, cv::NORM_MINMAX, CV_8UC3);
}int main()
{// 读取图片string filepath = "F://work_study//algorithm_demo//retinex_test4.jpg";cv::Mat src = cv::imread(filepath);if (src.empty()){return -1;}cv::Mat dst(src.size(), CV_8UC3, cv::Scalar(0, 0, 0));//高斯滤波器的尺度std::vector<double> sigma = { 15,80,250 };//各个尺度下的SSR的权重系数std::vector<double> w(3, 1 / 3.0);multi_retinex_color_restoration_process(src, dst, sigma, w, 5, 25, 125, 46);cv::imwrite("dst.jpg", dst);cv::waitKey(0);return 0;
}

3.结果展示

原图
MSRCR
参数比较多，不好调，大家可以阅读一位大佬写的文章，只需要调一个参数，文章链接：MSRCR
本文调节的参数在代码中，尝试很久，效果跟大佬文章效果类似。

总结

本文介绍了单尺度、多尺度、带颜色恢复的Retinex的算法原理和实现，使用C++和Opencv一步一步进行实现，代码结构简单清晰，便于阅读，但是效率有待提高，后续对代码进行重构，欢迎大家阅读和讨论代码中的不足。
本文代码均已在本地运行正确，有问题欢迎交流。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://xiahunao.cn/news/2981124.html

如若内容造成侵权/违法违规/事实不符，请联系瞎胡闹网进行投诉反馈，一经查实，立即删除！

相关文章

探索ChatGPT在提高人脸识别与软性生物识准确性的表现与可解释性

探索ChatGPT在提高人脸识别与软性生物识准确性的表现与可解释性

概述 从GPT-1到GPT-3&#xff0c;OpenAI的模型不断进步&#xff0c;推动了自然语言处理技术的发展。这些模型在处理语言任务方面展现出了强大的能力&#xff0c;包括文本生成、翻译、问答等。 然而&#xff0c;当涉及到面部识别和生物特征估计等任务时&#xff0c;这些基于文…
阅读更多...
STM32，复位和时钟控制

STM32，复位和时钟控制

外部时钟 HSE 以后需要用到什么就这样直接拿去配就行了
阅读更多...
用户中心 -- 插件使用 插件使用思路

用户中心 -- 插件使用 插件使用思路

易错注意点 1 5.1启动类 & 入口类 需保持一致 网址&#xff1a; 第一节课&#xff0c;用户管理--后端初始化&#xff0c;项目调通。二次翻工2-CSDN博客 一、 用户管理 框架 网址&#xff1a; 用户管理 --汇总 -- 明细-CSDN博客 1.2 更改路径&#xff0c;并生效 网址…
阅读更多...
使用linux，c++，创作一个简单的五子棋游戏

使用linux，c++，创作一个简单的五子棋游戏

#include <iostream> #include <vector> #include <unordered_map> using namespace std; // 棋盘大小 const int BOARD_SIZE 15; // 棋子类型 enum ChessType { EMPTY, BLACK, WHITE }; // 棋盘类 class ChessBoard { private: vect…
阅读更多...
【Transformer】detr之decoder逐行梳理(三)

【Transformer】detr之decoder逐行梳理(三)

every blog every motto: You can do more than you think. https://blog.csdn.net/weixin_39190382?typeblog 0. 前言 detr之decoder逐行梳理 1. 整体 decoder由多个decoder layer串联构成 输入 tgt: query是一个shape为(n,bs,embed),内容为0的tensormemory: encoder最…
阅读更多...
BERT-CRF 微调中文 NER 模型

BERT-CRF 微调中文 NER 模型

文章目录 数据集模型定义数据集预处理BIO 标签转换自定义Dataset拆分训练、测试集 训练验证、测试指标计算推理其它相关参数CRF 模块 数据集 CLUE-NER数据集&#xff1a;https://github.com/CLUEbenchmark/CLUENER2020/blob/master/pytorch_version/README.md 模型定义 imp…
阅读更多...
【北京迅为】《iTOP-3588开发板系统编程手册》-第20章 socket 应用编程

【北京迅为】《iTOP-3588开发板系统编程手册》-第20章 socket 应用编程

RK3588是一款低功耗、高性能的处理器&#xff0c;适用于基于arm的PC和Edge计算设备、个人移动互联网设备等数字多媒体应用&#xff0c;RK3588支持8K视频编解码&#xff0c;内置GPU可以完全兼容OpenGLES 1.1、2.0和3.2。RK3588引入了新一代完全基于硬件的最大4800万像素ISP&…
阅读更多...
deep learning

deep learning

谷歌在线notebook 一、基本数据类型与用法 1.torch.tensor(张量) 按照维度不同(中括号的对数)&#xff0c;可以用torch.tensor创建scalar(标量)、vector(向量)、matrix(矩阵)&#xff0c; 一般的&#xff0c;一维是标量&#xff0c;二维是向量&#xff0c;三维是矩阵&#…
阅读更多...
七星创客新零售系统：颠覆性商业模式的崛起

七星创客新零售系统：颠覆性商业模式的崛起

大家好&#xff0c;我是微三云周丽&#xff0c;今天给大家分析当下市场比较火爆的商业模式&#xff01; 小编今天跟大伙们分享什么是七星创客新零售系统&#xff1f; 随着经济的快速发展和科技的不断进步&#xff0c;商业模式的革新成为了企业发展的关键。在这个新旧动能转换、…
阅读更多...
sudo的设置

sudo的设置

sudo指令就是提高你的用户权限&#xff0c;用来完成root可以完成的工作&#xff0c;但是有一个前提&#xff0c;就是被root添加到信任名单中&#xff0c;接下来我们要讲解如何在root中添加用户到信任名单中。 在root中输入指令&#xff1a; 即可到达添加信用列表的位置&#x…
阅读更多...
【漏洞复现】卡车卫星定位系统 /user/create接口处存在未授权密码重置漏洞

【漏洞复现】卡车卫星定位系统 /user/create接口处存在未授权密码重置漏洞

免责声明&#xff1a;文章来源互联网收集整理&#xff0c;请勿利用文章内的相关技术从事非法测试&#xff0c;由于传播、利用此文所提供的信息或者工具而造成的任何直接或者间接的后果及损失&#xff0c;均由使用者本人负责&#xff0c;所产生的一切不良后果与文章作者无关。该…
阅读更多...
Linux：进程与计划任务

Linux：进程与计划任务

文章目录 Linux&#xff1a;进程与计划任务一、进程1、进程是什么2、进程状态 二、列出进程命令1、查看静态的进程统计信息——“ps”Play1&#xff1a;“ps aux”Play2:ps -elf 2、查看静态的进程统计信息——“top”段首解析进程信息区解释 三、运行与终止进程3.1、运行进程3…
阅读更多...
【网络安全】对称加密、非对称加密以及密钥分配

【网络安全】对称加密、非对称加密以及密钥分配

目录 1、对称加密 2、非对称加密 3、如何分配对称密钥&#xff1f; 4、如何分配非对称密钥&#xff1f; 1、对称加密 所谓对称加密&#xff0c;就是指加密密钥与解密密钥都使用相同的密钥。如下图所示&#xff0c;通信双方使用的就是对称加密密钥。//代表&#xff1a;DES和…
阅读更多...
军工单位安全内网文件导出，怎样做到严密的安全管控？

军工单位安全内网文件导出，怎样做到严密的安全管控？

军工单位是指承担国家下达的军事装备、产品研制、生产计划任务的企、事业单位&#xff0c;主要包括电子工业部、航空工业总公司、航天工业总公司、兵器工业总公司、核工业总公司、船舶工业总公司、中国工程物理研究院及各省国防工业办公室等。 军工单位的特点主要体现在以下几个…
阅读更多...
多目标应用：基于非支配排序粒子群优化算法NSPSO求解无人机三维路径规划（MATLAB代码）

多目标应用：基于非支配排序粒子群优化算法NSPSO求解无人机三维路径规划（MATLAB代码）

一、无人机多目标优化模型 无人机三维路径规划是无人机在执行任务过程中的非常关键的环节&#xff0c;无人机三维路径规划的主要目的是在满足任务需求和自主飞行约束的基础上&#xff0c;计算出发点和目标点之间的最佳航路。 1.1路径成本 无人机三维路径规划的首要目标是寻找…
阅读更多...
学习笔记记录ensp中防火墙配置（trust，unstrus，dmz 资源下载可用）

学习笔记记录ensp中防火墙配置（trust，unstrus，dmz 资源下载可用）

实验目的&#xff0c;通过配置防火墙控制相互之间的访问&#xff0c;拓扑图如下 资源已上传&#xff0c;注意lsw1和ar2的路由表到各个网段的路由表配置&#xff0c;通过防火墙来控制各个区域能否访问成功。 防火墙通过cloud2链接&#xff0c;方便登录网页配置防火墙策略。防火…
阅读更多...
js的算法-交换排序（快速排序）

js的算法-交换排序（快速排序）

快速排序 基本思想 快速排序的基本思想是基于分治法的&#xff1a;在待排序表L【1...n】中任意取一个元素p 作为枢轴&#xff08;或基准&#xff0c;通常取首元素&#xff09;。通过一趟排序将待排序表划分为独立的两部分L【1...k-1】和L【k1...n】;这样的话&#xff0c;L【1…
阅读更多...
数据结构 第六章 树与二叉树（二）

数据结构 第六章 树与二叉树（二）

&#x1f680; 【考纲要求】二叉树的定义及其主要特征&#xff1b;二叉树的顺序存储和链式存储 二、二叉树的概念 1&#xff09;什么是二叉树&#xff1f; 对于二叉树来说&#xff0c;它是一个特殊的树形结构&#xff0c;其每个节点都最多有两个孩子&#xff08;即节点的度最…
阅读更多...
Redis入门到通关之Redis数据结构-Hash篇

Redis入门到通关之Redis数据结构-Hash篇

文章目录 ☃️ 概述☃️底层实现☃️源码☃️其他 欢迎来到 请回答1024 的博客 &#x1f353;&#x1f353;&#x1f353;欢迎来到 请回答1024的博客 关于博主&#xff1a; 我是 请回答1024&#xff0c;一个追求数学与计算的边界、时间与空间的平衡&#xff0c;0与1的延伸的后…
阅读更多...
ESP-IDF下载与安装完整流程

ESP-IDF下载与安装完整流程

本文主要看参考官网说明&#xff0c;如下&#xff1a; Windows 平台工具链的标准设置 - ESP32 - — ESP-IDF 编程指南 latest 文档 (espressif.com) 一、概述 ESP-IDF需要安装一些必备工具&#xff0c;才能围绕ESP32构建固件&#xff0c;包括&#xff1a; PythonGit交叉编译…
阅读更多...
最新文章

Copyright @ 2022~2023