OpenCV day6

函数内容接上文：OpenCV day4-CSDN博客  , OpenCV day5-CSDN博客

目录

平滑（模糊）

25.cv2.blur()：

26.cv2.boxFilter():

27.cv2.GaussianBlur()：

28.cv2.medianBlur():

29.cv2.bilateralFilter()：

锐化与边缘检测

30.cv2.filter2D()：

31.cv2.Sobel()：

32.cv2.Scharr()：

33.cv2.Laplacian()：

34.cv2.Canny()：

绘图与标注

35.cv2.line()：

36.cv2.rectangle()：

37.cv2.polylines()：

38.cv2.ellipse()：

39.cv2.circle()：

40.cv2.putText()：

轮廓分析

41.cv2.findContours()：

42.cv2.drawContours()：

43.cv2.approxPolyDP()：

平滑（模糊）

25.cv2.blur()：

功能对图像进行均值模糊（平滑处理），通过邻域像素的平均值减少噪声或细节。
参数1. src：输入图像（单通道或多通道）。
2. ksize：模糊核大小（如 (5,5)）。
3. anchor（可选）：锚点位置（默认 (-1,-1) 表示核中心）。
4. borderType（可选）：边界填充方式（如 cv2.BORDER_DEFAULT）。
返回值模糊后的图像（numpy.ndarray）。

关键点：

  • 均值滤波：核内所有像素取平均，适用于简单去噪（但可能边缘模糊）。

  • 核大小：ksize 必须是正奇数（如 (3,3)、(5,5)）。

26.cv2.boxFilter():

功能对图像进行方框滤波（均值滤波的通用版本，可控制归一化）。
参数1. src：输入图像。
2. ddepth：输出图像深度（如 -1 表示与输入相同）。
3. ksize：滤波核大小（如 (3,3)）。
4. normalize（可选）：是否归一化（默认 True，效果同 cv2.blur()）。
5. anchor（可选）：锚点位置（默认核中心）。
6. borderType（可选）：边界填充方式（如 cv2.BORDER_REFLECT）。
返回值滤波后的图像（numpy.ndarray）。

关键特性：

  • 归一化：normalize=True 时等同于 cv2.blur()（求均值），False 时直接求和（可能导致值溢出）。

  • 灵活性：可自定义输出图像深度（如 cv2.CV_32F 保留浮点结果）。

27.cv2.GaussianBlur()：

功能对图像进行高斯模糊（基于高斯分布的加权平均滤波，有效减少噪声并保留边缘）。
参数1. src：输入图像（支持多通道）。
2. ksize：高斯核大小（宽高为正奇数，如(5,5)）。
3. sigmaX：X方向标准差（控制模糊强度，0表示自动计算）。
4. sigmaY（可选）：Y方向标准差（默认同sigmaX）。
5. borderType（可选）：边界填充方式（如cv2.BORDER_DEFAULT）。
返回值高斯模糊后的图像（numpy.ndarray）。

关键特性：

  • 高斯权重：中心像素权重高，边缘权重低，比均值模糊更保边缘。

  • 标准差：sigma越大，模糊效果越强（若为0，则根据ksize自动计算）。

  • 核大小：必须是正奇数（如(3,3)、(5,5)）。

28.cv2.medianBlur():

功能对图像进行中值模糊（用邻域像素的中值替代中心像素，有效去除椒盐噪声）。
参数1. src：输入图像（支持单通道或多通道，但深度需为CV_8U或CV_32F）。
2. ksize：滤波核大小（必须为大于1的奇数，如3、5等）。
返回值中值滤波后的图像（numpy.ndarray）。

关键特性：

  • 非线性滤波：取邻域中位数，非均值/加权平均，适合去除椒盐噪声（突发的黑白噪点）。

  • 保护边缘：相比均值模糊，能更好保留锐利边缘。

  • 核限制：核大小必须是奇数（如3、5、7），且不能为1。

29.cv2.bilateralFilter()：

功能对图像进行双边滤波，在平滑噪声的同时保留边缘（非线性能量保持滤波）。
参数1. src：输入图像（8位或浮点型，单通道或多通道）。
2. d：邻域直径（若≤0则根据sigmaSpace计算）。
3. sigmaColor：颜色空间标准差（控制颜色相似性权重）。
4. sigmaSpace：坐标空间标准差（控制距离权重）。
5. borderType（可选）：边界填充方式（默认cv2.BORDER_DEFAULT）。
返回值滤波后的图像（numpy.ndarray）。

关键特性：

  • 边缘保留：结合颜色相似性和空间距离双重权重，避免边缘模糊。

  • 参数敏感：sigmaColor越大，颜色容忍度越高；sigmaSpace越大，远处像素影响越大。

  • 计算较慢：比高斯滤波耗时，适合小区域或实时性要求不高的场景。

锐化与边缘检测

30.cv2.filter2D()：

功能对图像进行自定义卷积操作，通过用户定义的核（Kernel）实现滤波效果。
参数1. src：输入图像（单通道或多通道）。
2. ddepth：输出图像深度（如 -1 表示与输入相同）。
3. kernel：卷积核（numpy.ndarray，需为单通道浮点矩阵）。
4. anchor（可选）：核的锚点位置（默认中心）。
5. delta（可选）：卷积后叠加的常数（默认0）。
6. borderType（可选）：边界填充方式（如 cv2.BORDER_CONSTANT）。
返回值卷积后的图像（numpy.ndarray）。

关键特性：

  • 灵活性强：可自定义核实现锐化、边缘检测、模糊等效果。

  • 数学本质：核与图像局部区域做点乘后求和（离散卷积运算）。

  • 边界处理：默认填充黑色，可通过 borderType 调整。

31.cv2.Sobel()：

功能使用Sobel算子计算图像的一阶梯度（用于边缘检测）。
参数1. src：输入图像（单通道）。
2. ddepth：输出图像深度（如cv2.CV_64F保留负梯度）。
3. dx：x方向导数阶数（如1表示检测垂直边缘）。
4. dy：y方向导数阶数（如1表示检测水平边缘）。
5. ksize（可选）：Sobel核大小（默认3，仅支持1/3/5/7）。
6. scale（可选）：缩放因子（默认1）。
7. delta（可选）：结果叠加的常数（默认0）。
8. borderType（可选）：边界填充方式（默认cv2.BORDER_DEFAULT）。
返回值梯度图像（numpy.ndarray）。

关键特性

  1. 梯度方向

    • dx=1, dy=0：检测垂直边缘（对x方向求导）。

    • dx=0, dy=1：检测水平边缘（对y方向求导）。

    • dx=1, dy=1：同时检测两个方向的边缘（不常用，推荐分开计算后合并）。

  2. 核大小

    • ksize=1：使用1×3或3×1核（无高斯平滑）。

    • ksize=3（默认）：3×3核，含高斯权重，抗噪性更好。

  3. 输出深度

    • 使用cv2.CV_64F保留负梯度值，最后取绝对值：

grad_x = cv2.Sobel(img, cv2.CV_64F, 1, 0)
abs_grad = cv2.convertScaleAbs(grad_x)  # 转为8位无符号

32.cv2.Scharr()：

项目说明
功能使用Scharr算子计算图像的一阶梯度（比Sobel更精确的边缘检测）。
参数1. src：输入图像（单通道）。
2. ddepth：输出图像深度（如cv2.CV_64F）。
3. dx：x方向导数阶数（1或0）。
4. dy：y方向导数阶数（1或0）。
5. scale（可选）：缩放因子（默认1）。
6. delta（可选）：结果叠加的常数（默认0）。
7. borderType（可选）：边界填充方式（默认cv2.BORDER_DEFAULT）。
返回值梯度图像（numpy.ndarray）。

核心特性

  1. 与Sobel的对比

    • 更高精度：Scharr算子使用3×3核时，对梯度的近似计算比Sobel更精确（尤其对对角边缘）。

    • 固定核大小：仅支持ksize=3（不可像Sobel那样选择1/5/7）。

  2. 梯度方向

    • dx=1, dy=0：检测垂直边缘。

    • dx=0, dy=1：检测水平边缘。

    • 不支持dx=dy=1（需分开计算后合并）。

33.cv2.Laplacian()：

项目说明
功能使用拉普拉斯算子计算图像的二阶导数，用于边缘检测（对噪声敏感，但能检测全方向边缘）。
参数1. src：输入图像（单通道）。
2. ddepth：输出图像深度（如 cv2.CV_64F 保留负值）。
3. ksize（可选）：核大小（默认1，仅支持1/3/5/7）。
4. scale（可选）：缩放因子（默认1）。
5. delta（可选）：结果叠加的常数（默认0）。
6. borderType（可选）：边界填充方式（默认 cv2.BORDER_DEFAULT）。
返回值二阶梯度图像（numpy.ndarray）。

34.cv2.Canny()：

功能使用Canny算法进行多阶段边缘检测（低错误率+边缘细化）。
参数1. image：输入图像（必须为单通道灰度图）。
2. threshold1：低阈值（弱边缘筛选）。
3. threshold2：高阈值（强边缘确认）。
4. apertureSize（可选）：Sobel算子核大小（默认3）。
5. L2gradient（可选）：梯度计算方式（True用L2范数更精确，默认False用L1范数）。
返回值二值边缘图像（numpy.ndarray，边缘=255，背景=0）。

关键特性

  1. 双阈值机制

    • 强边缘：梯度值 > threshold2 → 保留。

    • 弱边缘：threshold1 < 梯度值 ≤ threshold2 → 仅当与强边缘连接时保留。

    • 建议比例：threshold2 ≈ 2×threshold1（如 50, 150）。

  2. 处理流程

  3. 输出效果

    • 边缘为细线（1像素宽），背景纯黑。

    • 对噪声鲁棒，但依赖阈值参数调优。

绘图与标注

35.cv2.line()：

功能在图像上绘制一条线段。
参数1. img：输入图像（直接修改该图像）。
2. pt1：线段起点坐标 (x1, y1)。
3. pt2：线段终点坐标 (x2, y2)。
4. color：线条颜色（BGR三元组，如 (255,0,0) 表示红色）。
5. thickness（可选）：线条粗细（默认1）。
6. lineType（可选）：线条类型（如 cv2.LINE_AA 抗锯齿）。
7. shift（可选）：坐标小数位数（默认0）。
返回值无（直接修改输入图像）。

关键特性

  1. 坐标系统

    • 原点 (0,0) 在图像左上角，x向右增长，y向下增长。

  2. 线条样式

    • lineType=cv2.LINE_AA：抗锯齿线条（更平滑，但速度稍慢）。

    • lineType=cv2.LINE_8：8连通快速绘制（默认）。

  3. 颜色模式

    • BGR顺序：OpenCV默认格式（与RGB相反），例如红色为 (0,0,255)。

36.cv2.rectangle()：

功能在图像上绘制矩形（空心或实心）。
参数1. img：输入图像（直接修改该图像）。
2. pt1：矩形左上角坐标 (x1, y1)。
3. pt2：矩形右下角坐标 (x2, y2)。
4. color：矩形颜色（BGR三元组，如 (0,255,0) 表示绿色）。
5. thickness（可选）：线条粗细（默认1，负数表示填充矩形）。
6. lineType（可选）：线条类型（如 cv2.LINE_AA 抗锯齿）。
7. shift（可选）：坐标小数位数（默认0）。
返回值无（直接修改输入图像）。

关键特性

  1. 坐标定义

    • pt1 和 pt2 分别对应矩形的左上角和右下角（无需保证 x2>x1 或 y2>y1，函数会自动处理）。

  2. 填充模式

    • thickness=-1：用指定颜色填充整个矩形。

    • thickness≥1：绘制空心矩形边框。

  3. 颜色与样式

    • BGR顺序：例如蓝色为 (255,0,0)。

    • lineType=cv2.LINE_AA：抗锯齿边框（适合倾斜矩形）。

37.cv2.polylines()：

功能在图像上绘制一个或多个多边形（空心或实心）。
参数1. img：输入图像（直接修改该图像）。
2. pts：多边形顶点数组（格式见示例）。
3. isClosed：是否闭合多边形（True=首尾相连）。
4. color：线条颜色（BGR三元组）。
5. thickness（可选）：线条粗细（默认1）。
6. lineType（可选）：线条类型（如 cv2.LINE_AA）。
7. shift（可选）：坐标小数位数（默认0）。
返回值无（直接修改输入图像）。

关键特性

  1. 顶点格式

    • 单个多边形：np.array([[x1,y1], [x2,y2], ...], dtype=np.int32)

    • 多个多边形：[poly1_pts, poly2_pts, ...]（列表包裹多个数组）

  2. 闭合控制

    • isClosed=True：自动连接首尾点（如绘制五角星）。

    • isClosed=False：开放路径（如绘制折线）。

  3. 批量绘制

    • 可一次性绘制多个多边形，比循环调用 cv2.line() 更高效。

38.cv2.ellipse()：

项目说明
功能在图像上绘制椭圆（空心或实心）、圆弧或扇形。
参数1. img：输入图像（直接修改）。
2. center：椭圆中心 (x,y)。
3. axes：主轴长度 (长轴,短轴)。
4. angle：旋转角度（顺时针，度）。
5. startAngle：起始角度（0°为3点钟方向）。
6. endAngle：结束角度（如360°完整椭圆）。
7. color：颜色（BGR）。
8. thickness（可选）：线宽（默认1，-1填充）。
9. lineType（可选）：线型（如cv2.LINE_AA）。
10. shift（可选）：坐标小数位数（默认0）。
返回值无（直接修改输入图像）。

关键特性

  1. 角度定义

    • angle：椭圆整体旋转角度（如0°时长轴水平）。

    • startAngle/endAngle：局部弧线范围（0°→360°绘制完整椭圆）。

  2. 填充模式

    • thickness=-1：填充图形（如绘制实心圆）。

    • thickness≥1：绘制边框。

  3. 特殊图形

    • 圆：设 axes=(r,r) 且 angle=0。

    • 扇形：设 startAngle=30, endAngle=270。

39.cv2.circle()：

功能在图像上绘制圆形（空心或实心）。
参数1. img：输入图像（直接修改）。
2. center：圆心坐标 (x,y)。
3. radius：圆半径（像素）。
4. color：颜色（BGR三元组）。
5. thickness（可选）：线宽（默认1，-1表示填充）。
6. lineType（可选）：线型（如 cv2.LINE_AA 抗锯齿）。
7. shift（可选）：坐标小数位数（默认0）。
返回值无（直接修改输入图像）。

关键特性

  1. 坐标系统

    • 圆心 (x,y) 的坐标系原点在图像左上角，x向右增长，y向下增长。

  2. 填充模式

    • thickness=-1：绘制实心圆（如标记目标中心点）。

    • thickness≥1：绘制空心圆（如标记检测框）。

  3. 抗锯齿

    • lineType=cv2.LINE_AA：边缘平滑（适合高分辨率图像）。

    • lineType=cv2.LINE_8：快速绘制（默认）

40.cv2.putText()：

项目说明
功能在图像上绘制文字（支持多种字体、大小和样式）。
参数1. img：输入图像（直接修改）。
2. text：要绘制的字符串。
3. org：文字左下角起点 (x,y)。
4. fontFace：字体类型（如 cv2.FONT_HERSHEY_SIMPLEX）。
5. fontScale：字体缩放因子（大小）。
6. color：文字颜色（BGR三元组）。
7. thickness（可选）：文字粗细（默认1）。
8. lineType（可选）：线型（如 cv2.LINE_AA）。
9. bottomLeftOrigin（可选）：坐标系原点是否在左下角（默认False，即左上角）。
返回值无（直接修改输入图像）。

关键特性

  1. 字体支持

    • 常用字体：cv2.FONT_HERSHEY_SIMPLEX（标准）、cv2.FONT_HERSHEY_SCRIPT_SIMPLEX（手写体）等。

    • 中文支持：需加载中文字体文件（如 Pillow 库配合使用）。

  2. 坐标系统

    • org 默认基于左上角坐标系（(0,0) 在左上角）。

    • 设 bottomLeftOrigin=True 可切换为左下角坐标系（数学坐标系）。

  3. 抗锯齿

    • lineType=cv2.LINE_AA：文字边缘平滑（推荐）。

    • lineType=cv2.LINE_8：快速渲染（默认）。

轮廓分析

41.cv2.findContours()：

功能从二值图像中提取轮廓（可用于物体形状分析、边缘检测等）。
参数1. image：输入二值图像（通常需先阈值化或边缘检测）。
2. mode：轮廓检索模式（如 cv2.RETR_EXTERNAL 仅外轮廓）。
3. method：轮廓近似方法（如 cv2.CHAIN_APPROX_SIMPLE 压缩冗余点）。
4. offset（可选）：轮廓点坐标偏移量（默认 (0,0)）。
返回值1. contours：轮廓列表（每个轮廓为 np.array 的点集）。
2. hierarchy：轮廓层级关系（树结构描述父子轮廓）。

关键参数详解

1. 检索模式（mode）

模式说明
cv2.RETR_EXTERNAL仅检测最外层轮廓（忽略内部孔洞）。
cv2.RETR_LIST检测所有轮廓，无层级关系（hierarchy 为无效值）。
cv2.RETR_TREE检测所有轮廓并建立完整层级树（记录父子关系）。

2. 近似方法（method）

方法说明
cv2.CHAIN_APPROX_NONE存储轮廓所有点（坐标完整，但冗余）。
cv2.CHAIN_APPROX_SIMPLE压缩水平、垂直、对角线方向的冗余点（如矩形仅保留4个角点）。

42.cv2.drawContours()：

功能在图像上绘制轮廓（支持自定义颜色、线宽、层级过滤）。
参数1. image：输入图像（直接修改）。
2. contours：轮廓列表（来自cv2.findContours()）。
3. contourIdx：要绘制的轮廓索引（-1表示全部）。
4. color：轮廓颜色（BGR三元组）。
5. thickness（可选）：线宽（默认1，-1表示填充）。
6. lineType（可选）：线型（如cv2.LINE_AA）。
7. hierarchy（可选）：层级关系（用于过滤）。
8. maxLevel（可选）：最大绘制层级（默认0，仅当前层）。
9. offset（可选）：轮廓点坐标偏移量。
返回值无（直接修改输入图像）。

关键特性

  1. 轮廓选择

    • contourIdx=-1：绘制所有轮廓。

    • contourIdx=2：仅绘制列表中第3个轮廓（索引从0开始）。

  2. 填充模式

    • thickness=-1：填充轮廓内部（如生成掩膜）。

    • thickness≥1：绘制空心轮廓。

  3. 层级控制

    • 结合 hierarchy 和 maxLevel 可选择性绘制子轮廓（如只画最外层）。

43.cv2.approxPolyDP()：

功能用Douglas-Peucker算法对轮廓多边形进行近似（减少顶点数，保持形状）。
参数1. curve：输入轮廓（np.array 形状为 (N,1,2)）。
2. epsilon：近似精度（值越小，越接近原始轮廓）。
3. closed：是否闭合轮廓（默认 True）。
返回值近似后的多边形点集（np.array 形状为 (M,1,2)，M≤N）。

关键特性

  1. 算法原理

    • 通过设定最大距离容差（epsilon）压缩冗余顶点，保留关键转折点

  2. 参数选择

    • epsilon 通常取轮廓周长的百分比（如 0.02*cv2.arcLength(curve, True)）。

    • closed=True 时强制首尾相连。

  3. 应用场景

    • 简化复杂轮廓（如文档边界矫正）。

    • 形状分类（通过顶点数判断矩形、三角形等）。

注意事项

  • 输入格式：轮廓必须是 (N,1,2) 形状（与 cv2.findContours() 输出一致）。

  • 精度控制：epsilon 过大可能导致过度简化（如六边形变三角形）。

  • 闭合性：开放曲线（如折线）需设 closed=False。

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://www.mzph.cn/pingmian/77800.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Function calling， 模态上下文协议（MCP），多步能力协议（MCP） 和 A2A的区别

Function calling， 模态上下文协议（MCP），多步能力协议（MCP） 和 A2A的区别

背景阐述 本文大部分内容都是基于openAI 的 chatGPT自动生成。作者进行了一些细微的调整。 LLM 带来了很多思维的活跃&#xff0c;基于LLM&#xff0c;产生了很多应用&#xff0c;很多应用也激活了LLM的新的功能。 Function calling&#xff0c;MCP&#xff08;Modal Contex…
阅读更多...
火山RTC 5 转推CDN 布局合成规则

火山RTC 5 转推CDN 布局合成规则

实时音视频房间&#xff0c;转推CDN&#xff0c;文档&#xff1a; 转推直播--实时音视频-火山引擎 一、转推CDN 0、前提 * 在调用该接口前&#xff0c;你需要在[控制台](https://console.volcengine.com/rtc/workplaceRTC)开启转推直播功能。<br> * 调…
阅读更多...
力扣面试150题--插入区间和用最少数量的箭引爆气球

力扣面试150题--插入区间和用最少数量的箭引爆气球

Day 28 题目描述 思路 初次思路&#xff1a;借鉴一下昨天题解的思路&#xff0c;将插入的区间与区间数组作比较&#xff0c;插入到升序的数组中&#xff0c;其他的和&#xff08;合并区间&#xff09;做法一样。 注意需要特殊处理一下情况&#xff0c;插入区间比数组中最后一…
阅读更多...
【Java面试笔记：基础】4.强引用、软引用、弱引用、幻象引用有什么区别？

【Java面试笔记：基础】4.强引用、软引用、弱引用、幻象引用有什么区别？

1. 引用类型及其特点 强引用（Strong Reference）： 定义：最常见的引用类型，通过new关键字直接创建。回收条件：只要强引用存在，对象不会被GC回收。示例：Object obj = new Object(); // 强引用特点： 强引用是导致内存泄漏的常见原因（如未及时置为null）。手动断开引用：…
阅读更多...
ycsb性能测试的优缺点

ycsb性能测试的优缺点

YCSB&#xff08;Yahoo Cloud Serving Benchmark&#xff09;是一个开源的性能测试框架&#xff0c;用于评估分布式系统的读写性能。它具有以下优点和缺点&#xff1a; 优点&#xff1a; 简单易用&#xff1a;YCSB提供了简单的API和配置文件&#xff0c;使得性能测试非常容易…
阅读更多...
基于SpringBoot的校园赛事直播管理系统-项目分享

基于SpringBoot的校园赛事直播管理系统-项目分享

基于SpringBoot的校园赛事直播管理系统-项目分享 项目介绍项目摘要管理员功能图用户功能图项目预览首页总览个人中心礼物管理主播管理 最后 项目介绍 使用者&#xff1a;管理员、用户 开发技术&#xff1a;MySQLJavaSpringBootVue 项目摘要 随着互联网和移动技术的持续进步&…
阅读更多...
Nginx​中间件的解析

Nginx​中间件的解析

目录 一、Nginx的核心架构解析 二、Nginx的典型应用场景 三、Nginx的配置优化实践 四、Nginx的常见缺陷与漏洞 一、Nginx的核心架构解析 ​​事件驱动与非阻塞IO模型​​ Nginx采用基于epoll/kq等系统调用的事件驱动机制&#xff0c;通过异步非阻塞方式处理请求&#xff0c;…
阅读更多...
杭州小红书代运营公司-品融电商：全域增长策略的实践者

杭州小红书代运营公司-品融电商：全域增长策略的实践者

杭州小红书代运营公司-品融电商&#xff1a;全域增长策略的实践者 在品牌竞争日趋激烈的电商领域&#xff0c;杭州品融电商作为一家专注于品牌化全域运营的服务商&#xff0c;凭借其“效品合一”方法论与行业领先的小红书代运营能力&#xff0c;已成为众多品牌实现市场突围的重…
阅读更多...
【映客直播-注册/登录安全分析报告】

【映客直播-注册/登录安全分析报告】

前言 由于网站注册入口容易被黑客攻击&#xff0c;存在如下安全问题&#xff1a; 暴力破解密码&#xff0c;造成用户信息泄露短信盗刷的安全问题&#xff0c;影响业务及导致用户投诉带来经济损失&#xff0c;尤其是后付费客户&#xff0c;风险巨大&#xff0c;造成亏损无底洞…
阅读更多...
Android audio_policy_configuration.xml加载流程

Android audio_policy_configuration.xml加载流程

目录 一、audio_policy_configuration.xml文件被加载流程 1、AudioPolicyService 创建阶段 2、createAudioPolicyManager 实现 3、AudioPolicyManager 构造 4、配置文件解析 loadConfig 5、核心解析逻辑 PolicySerializer::deserialize 二、AudioPolicyConfig类解析 1、…
阅读更多...
使用 Docker 安装 Elastic Stack 并重置本地密码

使用 Docker 安装 Elastic Stack 并重置本地密码

Elastic Stack&#xff08;也被称为 ELK Stack&#xff09;是一个非常强大的工具套件&#xff0c;用于实时搜索、分析和可视化大量数据。Elastic Stack 包括 Elasticsearch、Logstash、Kibana 等组件。本文将展示如何使用 Docker 安装 Elasticsearch 并重置本地用户密码。 ###…
阅读更多...
Unitest和pytest使用方法

Unitest和pytest使用方法

unittest 是 Python 自带的单元测试框架&#xff0c;用于编写和运行可重复的测试用例。它的核心思想是通过断言&#xff08;assertions&#xff09;验证代码的行为是否符合预期。以下是 unittest 的基本使用方法&#xff1a; 1. 基本结构 1.1 创建测试类 继承 unittest.TestC…
阅读更多...
git 版本提交规范

git 版本提交规范

Git 提交规范&#xff08;Git Commit Message Convention&#xff09;是为了让项目的提交历史更加清晰、可读、便于追踪和自动化工具解析。常见的规范之一是 Conventional Commits&#xff0c;下面是一个推荐的格式规范&#xff1a; &#x1f31f; 提交信息格式&#xff08;Con…
阅读更多...
stat判断路径

stat判断路径

int stat(const char *pathname, struct stat *buf); pathname&#xff1a;用于指定一个需要查看属性的文件路径。 buf&#xff1a;struct stat 类型指针&#xff0c;用于指向一个 struct stat 结构体变量。调用 stat 函数的时候需要传入一个 struct stat 变量的指针&#xff0…
阅读更多...
学习Docker遇到的问题

学习Docker遇到的问题

目录 1、拉取hello-world镜像报错 1. 检查网络连接 排查： 2. 配置 Docker 镜像加速器（推荐） 具体解决步骤： 1.在服务器上创建并修改配置文件，添加Docker镜像加速器地址： 2. 重启Docker 3. 拉取hello-world镜像 2、删除镜像出现异常 3、 容器内部不能运行ping命令 …
阅读更多...
安宝特案例 | AR如何大幅提升IC封装厂检测效率？

安宝特案例 | AR如何大幅提升IC封装厂检测效率？

前言&#xff1a;如何提升IC封装厂检测效率&#xff1f; 在现代电子产品的制造过程中&#xff0c;IC封装作为核心环节&#xff0c;涉及到复杂处理流程和严格质量检测。这是一家专注于IC封装的厂商&#xff0c;负责将来自IC制造商的晶圆进行保护、散热和导通处理。整个制程繁琐…
阅读更多...
【Linux网络与网络编程】07.应用层协议HTTPS

【Linux网络与网络编程】07.应用层协议HTTPS

HTTP 协议内容都是按照文本的方式明文传输的&#xff0c;这就导致在传输过程中出现一些被篡改的情况。HTTPS 就是在 HTTP 协议的基础上引入了一个加密层的应用层协议。 1. 基础概念 1.1 加密与解密 加密就是把明文&#xff08;要传输的信息&#xff09;进行一系列变换&#x…
阅读更多...
【k8s】PV，PVC的回收策略——return、recycle、delete

【k8s】PV，PVC的回收策略——return、recycle、delete

PV 和 PVC 的回收策略主要用于管理存储资源的生命周期&#xff0c;特别是当 PVC 被删除时&#xff0c;PV 的处理方式。回收策略决定了 PV 在 PVC 被删除后的行为。 回收策略的类型 Kubernetes 提供了三种主要的回收策略&#xff0c;用于管理 PV 的生命周期&#xff1a; Reta…
阅读更多...
2023蓝帽杯初赛内存取证-2

2023蓝帽杯初赛内存取证-2

直接使用mimikatz插件来获取用户密码&#xff1a; vol.py --plugin/opt/volatility/plugins -f memdump.mem --profile Win7SP1x64 mimikatz 答案&#xff1a;3w.qax.com
阅读更多...
使用dompurify修复XSS跨站脚本缺陷

使用dompurify修复XSS跨站脚本缺陷

1. 问题描述 漏洞扫描说有一个低危漏洞&#xff0c;容易被跨站脚本攻击XSS。 2. 使用dompurify修复 DOMPurify is a DOM-only, super-fast, uber-tolerant XSS sanitizer for HTML, MathML and SVG. 简单来说&#xff0c;我们可以使用 dompurify 处理xss跨站脚本攻击。 2.…
阅读更多...
最新文章

Copyright @ 2022~2023