最近想对OpenCV进行系统学习，看到网上这份教程写得不错，于是跟着来学习实践一下。
【youcans@qq.com, youcans 的 OpenCV 例程, https://youcans.blog.csdn.net/article/details/125112487】
程序仓库：https://github.com/zstar1003/OpenCV-Learning

添加噪声

高斯噪声

高斯噪声的概率密度函数为：

示例程序：

"""
高斯噪声
"""
import cv2
import matplotlib.pyplot as plt
import numpy as npimg = cv2.imread("../img/lena.jpg", 1)mu, sigma = 0.0, 20.0
noiseGause = np.random.normal(mu, sigma, img.shape)
imgGaussNoise = img + noiseGause
imgGaussNoise = np.uint8(cv2.normalize(imgGaussNoise, None, 0, 255, cv2.NORM_MINMAX))  # 归一化为 [0,255]plt.figure(figsize=(9, 3))
plt.subplot(131), plt.title("Origin"), plt.axis('off')
plt.imshow(img, 'gray', vmin=0, vmax=255)
plt.subplot(132), plt.title("GaussNoise"), plt.axis('off')
plt.imshow(imgGaussNoise, 'gray')
plt.subplot(133), plt.title("Gray Hist")
histNP, bins = np.histogram(imgGaussNoise.flatten(), bins=255, range=[0, 255], density=True)
plt.bar(bins[:-1], histNP[:])
plt.tight_layout()
plt.show()

瑞利噪声

瑞利噪声的概率密度函数为

示例程序：

"""
瑞利噪声
"""
import cv2
import matplotlib.pyplot as plt
import numpy as npimg = cv2.imread("../img/lena.jpg", 0)a = 30.0
noiseRayleigh = np.random.rayleigh(a, size=img.shape)
imgRayleighNoise = img + noiseRayleigh
imgRayleighNoise = np.uint8(cv2.normalize(imgRayleighNoise, None, 0, 255, cv2.NORM_MINMAX))  # 归一化为 [0,255]plt.figure(figsize=(9, 3))
plt.subplot(131), plt.title("Origin"), plt.axis('off')
plt.imshow(img, 'gray', vmin=0, vmax=255)
plt.subplot(132), plt.title("RayleighNoise"), plt.axis('off')
plt.imshow(imgRayleighNoise, 'gray')
plt.subplot(133), plt.title("Gray Hist")
histNP, bins = np.histogram(imgRayleighNoise.flatten(), bins=255, range=[0, 255], density=True)
plt.bar(bins[:-1], histNP[:])
plt.tight_layout()
plt.show()

伽马噪声

伽马噪声又称爱尔兰噪声，其概率密度函数为

示例程序：

"""
伽马噪声
"""
import cv2
import matplotlib.pyplot as plt
import numpy as npimg = cv2.imread("../img/lena.jpg", 0)a, b = 10.0, 2.5
noiseGamma = np.random.gamma(shape=b, scale=a, size=img.shape)
imgGammaNoise = img + noiseGamma
imgGammaNoise = np.uint8(cv2.normalize(imgGammaNoise, None, 0, 255, cv2.NORM_MINMAX))  # 归一化为 [0,255]plt.figure(figsize=(9, 3))
plt.subplot(131), plt.title("Origin"), plt.axis('off')
plt.imshow(img, 'gray', vmin=0, vmax=255)
plt.subplot(132), plt.title("Gamma noise"), plt.axis('off')
plt.imshow(imgGammaNoise, 'gray')
plt.subplot(133), plt.title("Gray hist")
histNP, bins = np.histogram(imgGammaNoise.flatten(), bins=255, range=[0, 255], density=True)
plt.bar(bins[:-1], histNP[:])
plt.tight_layout()
plt.show()

指数噪声

指数噪声的概率密度函数为

示例程序：

"""
指数噪声
"""
import cv2
import matplotlib.pyplot as plt
import numpy as npimg = cv2.imread("../img/lena.jpg", 0)a = 10.0
noiseExponent = np.random.exponential(scale=a, size=img.shape)
imgExponentNoise = img + noiseExponent
imgExponentNoise = np.uint8(cv2.normalize(imgExponentNoise, None, 0, 255, cv2.NORM_MINMAX))  # 归一化为 [0,255]plt.figure(figsize=(9, 3))
plt.subplot(131), plt.title("Origin"), plt.axis('off')
plt.imshow(img, 'gray', vmin=0, vmax=255)
plt.subplot(132), plt.title("Exponential noise"), plt.axis('off')
plt.imshow(imgExponentNoise, 'gray')
plt.subplot(133), plt.title("Gray hist")
histNP, bins = np.histogram(imgExponentNoise.flatten(), bins=255, range=[0, 255], density=True)
plt.bar(bins[:-1], histNP[:])
plt.tight_layout()
plt.show()

均匀噪声

均匀噪声的概率密度函数为

示例程序：

"""
均匀噪声
"""
import cv2
import matplotlib.pyplot as plt
import numpy as npimg = cv2.imread("../img/lena.jpg", 0)mean, sigma = 10, 100
a = 2 * mean - np.sqrt(12 * sigma)  # a = -14.64
b = 2 * mean + np.sqrt(12 * sigma)  # b = 54.64
noiseUniform = np.random.uniform(a, b, img.shape)
imgUniformNoise = img + noiseUniform
imgUniformNoise = np.uint8(cv2.normalize(imgUniformNoise, None, 0, 255, cv2.NORM_MINMAX))  # 归一化为 [0,255]plt.figure(figsize=(9, 3))
plt.subplot(131), plt.title("Origin"), plt.axis('off')
plt.imshow(img, 'gray', vmin=0, vmax=255)
plt.subplot(132), plt.title("Uniform noise"), plt.axis('off')
plt.imshow(imgUniformNoise, 'gray')
plt.subplot(133), plt.title("Gray hist")
histNP, bins = np.histogram(imgUniformNoise.flatten(), bins=255, range=[0, 255], density=True)
plt.bar(bins[:-1], histNP[:])
plt.tight_layout()
plt.show()

椒盐噪声

椒盐噪声的概率密度函数为

示例程序：

"""
椒盐噪声
"""
import cv2
import matplotlib.pyplot as plt
import numpy as npimg = cv2.imread("../img/lena.jpg", 0)ps, pp = 0.05, 0.02
mask = np.random.choice((0, 0.5, 1), size=img.shape[:2], p=[pp, (1 - ps - pp), ps])
imgChoiceNoise = img.copy()
imgChoiceNoise[mask == 1] = 255
imgChoiceNoise[mask == 0] = 0plt.figure(figsize=(9, 3))
plt.subplot(131), plt.title("Origin"), plt.axis('off')
plt.imshow(img, 'gray', vmin=0, vmax=255)
plt.subplot(132), plt.title("Choice noise"), plt.axis('off')
plt.imshow(imgChoiceNoise, 'gray')
plt.subplot(133), plt.title("Gray hist")
histNP, bins = np.histogram(imgChoiceNoise.flatten(), bins=255, range=[0, 255], density=True)
plt.bar(bins[:-1], histNP[:])
plt.tight_layout()
plt.show()

滤波器

当图片中含有噪声时，可以采用滤波器来进行滤除。

算术平均滤波器

算术平均滤波器是最简单的均值滤波器，与空间域滤波中的盒式滤波器相同。
计算公式如下：

简单理解，就是将一个盒子中的每一个像素点以整个盒子的平均值替代。盒子尺寸越大就越模糊。
在OpenCV中可以用cv2.filter2D和cv2.boxFilter两种方式实现。

示例程序：

"""
算术平均滤波器
"""
import cv2
import matplotlib.pyplot as plt
import numpy as npimg = cv2.imread("../img/lena_noise.jpg", 0)kSize = (3, 3)
kernalMean = np.ones(kSize, np.float32) / (kSize[0] * kSize[1])  # 生成归一化盒式核
imgConv1 = cv2.filter2D(img, -1, kernalMean)  # cv2.filter2D 方法kSize = (20, 20)
imgConv3 = cv2.boxFilter(img, -1, kSize)  # cv2.boxFilter 方法 (默认normalize=True)plt.figure(figsize=(9, 6))
plt.subplot(131), plt.axis('off'), plt.title("Original")
plt.imshow(img, cmap='gray', vmin=0, vmax=255)
plt.subplot(132), plt.axis('off'), plt.title("filter2D(kSize=[3,3])")
plt.imshow(imgConv1, cmap='gray', vmin=0, vmax=255)
plt.subplot(133), plt.axis('off'), plt.title("boxFilter(kSize=[20,20])")
plt.imshow(imgConv3, cmap='gray', vmin=0, vmax=255)
plt.tight_layout()
plt.show()

几何均值滤波器

几何均值滤波器计算公式如下：

这里和算术平均滤波器进行对比：

"""
几何均值滤波器
"""
import cv2
import matplotlib.pyplot as plt
import numpy as npimg = cv2.imread("../img/lena_noise.jpg", 0)img_h = img.shape[0]
img_w = img.shape[1]# 算术平均滤波 (Arithmentic mean filter)
kSize = (3, 3)
kernalMean = np.ones(kSize, np.float32) / (kSize[0] * kSize[1])  # 生成归一化盒式核
imgAriMean = cv2.filter2D(img, -1, kernalMean)# 几何均值滤波器 (Geometric mean filter)
m, n = 3, 3
order = 1 / (m * n)
kernalMean = np.ones((m, n), np.float32)  # 生成盒式核hPad = int((m - 1) / 2)
wPad = int((n - 1) / 2)
imgPad = np.pad(img.copy(), ((hPad, m - hPad - 1), (wPad, n - wPad - 1)), mode="edge")imgGeoMean = img.copy()
for i in range(hPad, img_h + hPad):for j in range(wPad, img_w + wPad):prod = np.prod(imgPad[i - hPad:i + hPad + 1, j - wPad:j + wPad + 1] * 1.0)imgGeoMean[i - hPad][j - wPad] = np.power(prod, order)plt.figure(figsize=(9, 6))
plt.subplot(131), plt.axis('off'), plt.title("Original")
plt.imshow(img, cmap='gray', vmin=0, vmax=255)
plt.subplot(132), plt.axis('off'), plt.title("Arithmentic mean filter")
plt.imshow(imgAriMean, cmap='gray', vmin=0, vmax=255)
plt.subplot(133), plt.axis('off'), plt.title("Geometric mean filter")
plt.imshow(imgGeoMean, cmap='gray', vmin=0, vmax=255)
plt.tight_layout()
plt.show()

谐波平均滤波器

谐波平均滤波器计算公式如下：

谐波平均滤波器既能处理盐粒噪声(白色噪点)，又能处理类似于高斯噪声的其他噪声，但不能处理胡椒噪声(黑色噪点)。

"""
谐波平均滤波器
"""
import cv2
import matplotlib.pyplot as plt
import numpy as npimg = cv2.imread("../img/lena_noise.jpg", 0)img_h = img.shape[0]
img_w = img.shape[1]# 算术平均滤波 (Arithmentic mean filter)
kSize = (3, 3)
kernalMean = np.ones(kSize, np.float32) / (kSize[0] * kSize[1])  # 生成归一化盒式核
imgAriMean = cv2.filter2D(img, -1, kernalMean)# 谐波平均滤波器 (Harmonic mean filter)
m, n = 3, 3
order = m * n
kernalMean = np.ones((m, n), np.float32)  # 生成盒式核hPad = int((m - 1) / 2)
wPad = int((n - 1) / 2)
imgPad = np.pad(img.copy(), ((hPad, m - hPad - 1), (wPad, n - wPad - 1)), mode="edge")epsilon = 1e-8
imgHarMean = img.copy()
for i in range(hPad, img_h + hPad):for j in range(wPad, img_w + wPad):sumTemp = np.sum(1.0 / (imgPad[i - hPad:i + hPad + 1, j - wPad:j + wPad + 1] + epsilon))imgHarMean[i - hPad][j - wPad] = order / sumTempplt.figure(figsize=(9, 6))
plt.subplot(131), plt.axis('off'), plt.title("Original")
plt.imshow(img, cmap='gray', vmin=0, vmax=255)
plt.subplot(132), plt.axis('off'), plt.title("Arithmentic mean filter")
plt.imshow(imgAriMean, cmap='gray', vmin=0, vmax=255)
plt.subplot(133), plt.axis('off'), plt.title("Harmonic mean filter")
plt.imshow(imgHarMean, cmap='gray', vmin=0, vmax=255)
plt.tight_layout()
plt.show()

反谐波平均滤波器

反谐波平均滤波器适用于降低或消除椒盐噪声，计算公式如下：

Q 称为滤波器的阶数，Q 取正整数时可以消除胡椒噪声，Q 取负整数时可以消除盐粒噪声，但不能同时消除这两种噪声。

反谐波平均滤波器当 Q=0 时简化为算术平均滤波器；当 Q=−1时简化为谐波平均滤波器。

示例程序：

"""
反谐波平均滤波器
"""
import cv2
import matplotlib.pyplot as plt
import numpy as npimg = cv2.imread("../img/lena_noise.jpg", 0)img_h = img.shape[0]
img_w = img.shape[1]m, n = 3, 3
order = m * n
kernalMean = np.ones((m, n), np.float32)  # 生成盒式核hPad = int((m - 1) / 2)
wPad = int((n - 1) / 2)
imgPad = np.pad(img.copy(), ((hPad, m - hPad - 1), (wPad, n - wPad - 1)), mode="edge")Q = 1.5  # 反谐波平均滤波器 阶数
epsilon = 1e-8
imgHarMean = img.copy()
imgInvHarMean = img.copy()
for i in range(hPad, img_h + hPad):for j in range(wPad, img_w + wPad):# 谐波平均滤波器 (Harmonic mean filter)sumTemp = np.sum(1.0 / (imgPad[i - hPad:i + hPad + 1, j - wPad:j + wPad + 1] + epsilon))imgHarMean[i - hPad][j - wPad] = order / sumTemp# 反谐波平均滤波器 (Inv-harmonic mean filter)temp = imgPad[i - hPad:i + hPad + 1, j - wPad:j + wPad + 1] + epsilonimgInvHarMean[i - hPad][j - wPad] = np.sum(np.power(temp, (Q + 1))) / np.sum(np.power(temp, Q) + epsilon)plt.figure(figsize=(9, 6))
plt.subplot(131), plt.axis('off'), plt.title("Original")
plt.imshow(img, cmap='gray', vmin=0, vmax=255)
plt.subplot(132), plt.axis('off'), plt.title("Harmonic mean filter")
plt.imshow(imgHarMean, cmap='gray', vmin=0, vmax=255)
plt.subplot(133), plt.axis('off'), plt.title("Invert harmonic mean")
plt.imshow(imgInvHarMean, cmap='gray', vmin=0, vmax=255)
plt.tight_layout()
plt.show()

统计排序滤波器

统计排序滤波器是空间滤波器，其响应是基于滤波器邻域中的像素值的顺序，排序结果决定了滤波器的输出。
统计排序包括中值滤波器、最大值滤波器、最小值滤波器、中点滤波器和修正阿尔法均值滤波器。

• 中值滤波器：用预定义的像素邻域中的灰度中值来代替像素的值，与线性平滑滤波器相比能有效地降低某些随机噪声，且模糊度要小得多。

• 最大值滤波器：用预定义的像素邻域中的灰度最大值来代替像素的值，可用于找到图像中的最亮点，或用于消弱与明亮区域相邻的暗色区域，也可以用来降低胡椒噪声。
  

• 最小值滤波器：用预定义的像素邻域中的灰度最小值来代替像素的值，可用于找到图像中的最暗点，或用于削弱与暗色区域相邻的明亮区域，也可以用来降低盐粒噪声。

• 中点滤波器：用预定义的像素邻域中的灰度的最大值与最小值的均值来代替像素的值，注意中点的取值与中值常常是不同的。中点滤波器是统计排序滤波器与平均滤波器的结合，适合处理随机分布的噪声，例如高斯噪声、均匀噪声。

示例程序：

"""
统计排序滤波器
"""
import cv2
import matplotlib.pyplot as plt
import numpy as npimg = cv2.imread("../img/lena_noise.jpg", 0)img_h = img.shape[0]
img_w = img.shape[1]m, n = 3, 3
kernalMean = np.ones((m, n), np.float32)  # 生成盒式核# 边缘填充
hPad = int((m - 1) / 2)
wPad = int((n - 1) / 2)
imgPad = np.pad(img.copy(), ((hPad, m - hPad - 1), (wPad, n - wPad - 1)), mode="edge")imgMedianFilter = np.zeros(img.shape)  # 中值滤波器
imgMaxFilter = np.zeros(img.shape)  # 最大值滤波器
imgMinFilter = np.zeros(img.shape)  # 最小值滤波器
imgMiddleFilter = np.zeros(img.shape)  # 中点滤波器
for i in range(img_h):for j in range(img_w):# # 1. 中值滤波器 (median filter)pad = imgPad[i:i + m, j:j + n]imgMedianFilter[i, j] = np.median(pad)# # 2. 最大值滤波器 (maximum filter)pad = imgPad[i:i + m, j:j + n]imgMaxFilter[i, j] = np.max(pad)# # 3. 最小值滤波器 (minimum filter)pad = imgPad[i:i + m, j:j + n]imgMinFilter[i, j] = np.min(pad)# # 4. 中点滤波器 (middle filter)pad = imgPad[i:i + m, j:j + n]imgMiddleFilter[i, j] = int(pad.max() / 2 + pad.min() / 2)plt.figure(figsize=(9, 7))
plt.subplot(221), plt.axis('off'), plt.title("median filter")
plt.imshow(imgMedianFilter, cmap='gray', vmin=0, vmax=255)
plt.subplot(222), plt.axis('off'), plt.title("maximum filter")
plt.imshow(imgMaxFilter, cmap='gray', vmin=0, vmax=255)
plt.subplot(223), plt.axis('off'), plt.title("minimum filter")
plt.imshow(imgMinFilter, cmap='gray', vmin=0, vmax=255)
plt.subplot(224), plt.axis('off'), plt.title("middle filter")
plt.imshow(imgMiddleFilter, cmap='gray', vmin=0, vmax=255)
plt.tight_layout()
plt.show()

原图添加的椒盐噪声，可以看到中值滤波滤除得较好。

修正阿尔法均值滤波器

修正阿尔法均值滤波器也属于统计排序滤波器，其思想类似于比赛中去掉最高分和最低分后计算平均分。
其计算公式为：

d表示d个最低灰度值和d个最高灰度值，d 的取值范围是[0,mn/2−1]。选择d的大小对图像处理的效果影响很大，当 d=0 时简化为算术平均滤波器，当 d=mn/2−1 简化为中值滤波器。

示例程序：

"""
修正阿尔法均值滤波器
"""
import cv2
import matplotlib.pyplot as plt
import numpy as npimg = cv2.imread("../img/lena_noise.jpg", 0)img_h = img.shape[0]
img_w = img.shape[1]m, n = 5, 5
kernalMean = np.ones((m, n), np.float32)  # 生成盒式核# 边缘填充
hPad = int((m - 1) / 2)
wPad = int((n - 1) / 2)
imgPad = np.pad(img.copy(), ((hPad, m - hPad - 1), (wPad, n - wPad - 1)), mode="edge")imgAlphaFilter0 = np.zeros(img.shape)
imgAlphaFilter1 = np.zeros(img.shape)
imgAlphaFilter2 = np.zeros(img.shape)
for i in range(img_h):for j in range(img_w):# 邻域 m * npad = imgPad[i:i + m, j:j + n]padSort = np.sort(pad.flatten())  # 对邻域像素按灰度值排序d = 1sumAlpha = np.sum(padSort[d:m * n - d - 1])  # 删除 d 个最大灰度值, d 个最小灰度值imgAlphaFilter0[i, j] = sumAlpha / (m * n - 2 * d)  # 对剩余像素进行算术平均d = 2sumAlpha = np.sum(padSort[d:m * n - d - 1])imgAlphaFilter1[i, j] = sumAlpha / (m * n - 2 * d)d = 4sumAlpha = np.sum(padSort[d:m * n - d - 1])imgAlphaFilter2[i, j] = sumAlpha / (m * n - 2 * d)plt.figure(figsize=(9, 7))
plt.subplot(221), plt.axis('off'), plt.title("Original")
plt.imshow(img, cmap='gray', vmin=0, vmax=255)
plt.subplot(222), plt.axis('off'), plt.title("Modified alpha-mean(d=1)")
plt.imshow(imgAlphaFilter0, cmap='gray', vmin=0, vmax=255)
plt.subplot(223), plt.axis('off'), plt.title("Modified alpha-mean(d=2)")
plt.imshow(imgAlphaFilter1, cmap='gray', vmin=0, vmax=255)
plt.subplot(224), plt.axis('off'), plt.title("Modified alpha-mean(d=4)")
plt.imshow(imgAlphaFilter2, cmap='gray', vmin=0, vmax=255)
plt.tight_layout()
plt.show()

【OpenCV】Chapter7.图像噪声与滤波器相关推荐

1. opencv c++ 图像噪声及去噪

   1.噪声类型及生成 1.1.类型 高斯噪声.椒盐噪声.泊松噪声.乘性噪声,等. 具体解释参考:(31条消息) 图像噪声简介_yeler082的博客-CSDN博客_图像噪声 高斯噪声           ...

2. OpenCV之图像噪声

   python 代码: import cv2 as cv import numpy as npdef add_salt_pepper_noise(image):h, w = image.shape[:2 ...

3. 【OpenCV 4开发详解】图像噪声的种类与生成

   本文首发于"小白学视觉"微信公众号,欢迎关注公众号 本文作者为小白,版权归人民邮电出版社发行所有,禁止转载,侵权必究! 经过几个月的努力,小白终于完成了市面上第一本OpenCV 4 ...

4. 23.代码简单实现模拟噪声（图像噪声/一、二阶矩/功率谱密度/at函数/rand函数）-- OpenCV从零开始到图像（人脸 + 物体）识别系列

   本文作者:小嗷 微信公众号:aoxiaoji 吹比QQ群:736854977 简书链接:https://www.jianshu.com/u/45da1fbce7d0 本文你会找到以下问题的答案: 图像 ...

5. python+OpenCv笔记（八）：图像噪声（椒盐噪声、高斯噪声）

   由于图像采集.处理.传输等过程不可避免的会受到噪声的污染,妨碍人们对图像理解及分析处理.常见的图像噪声有高斯噪声.椒盐噪声等. 一.椒盐噪声 椒盐噪声也称为脉冲噪声,是图像中经常见到的一种噪声,它是一 ...

6. 12、OpenCV实现图像的空间滤波——图像平滑

   1.空间滤波基础概念 1.空间滤波基础 空间滤波一词中滤波取自数字信号处理,指接受或拒绝一定的频率成分,但是空间滤波学习内容实际上和通过傅里叶变换实现的频域的滤波是等效的,故而也称为滤波.空间滤波主要 ...

7. 基于OpenCV的图像梯度与边缘检测！

   ↑↑↑关注后"星标"Datawhale 每日干货 & 每月组队学习,不错过 Datawhale干货 作者:姚童,Datawhale优秀学习者,华北电力大学 严格的说,梯度计 ...

8. 基于OpenCV平滑图像

   基于OpenCV平滑图像也就是图像模糊,本博文介绍使用OpenCV的不同函数通过线性滤波进行图像平滑. cv::blur cv::GaussianBlur (高斯模糊) cv::medianBlur ...

9. OpenCV平滑图像Smoothing Images

   OpenCV平滑图像Smoothing Images 平滑图像Smoothing Images 目标 理论 归一化框式过滤器 高斯滤波器 中值过滤器 双边过滤器 解释 归一化块过滤器: 高斯滤波器: ...

10. opencv 的norm_22、OpenCV用卷积Filter2D进行滤波器

    迄今为止,看到的函数中,卷积的操作发生在OpenCV函数的内部.理论上,图像卷积就是将内核与图像覆盖区域对应位置相乘之后求和.从调用函数上来看,它需要一个数组参数来描述内核.在实践层面,有一个重要的微 ...

最新文章

1. SQL XML 字段操作
2. MICROSOFT SQL SERVER 2005 SEPTEMPTER CTP下载
3. 【资讯】K8S生态再添一员，Rancher发布开源HCI软件Harvester、及其安装教程
4. 用jquery校验radio单选按钮（原创）
5. 第一章：The Missing Code Library--2.合法化输入
6. 启动oracle数据库工具,Oracle数据库常用工具
7. 原型 原型链 call / apply
8. Linux下的图形库curses写贪吃蛇，酷
9. SAP License：SAP记账码
10. 智能汽车产业148页深度研究报告：汽车智能开启，拥抱产业变革.pdf（附下载链接）...
11. 智能一代云平台（六）:移动开发之Ionic研究
12. 语录（心灵鸡汤来一波）
13. 推荐使用maven生成mybatis代码
14. 移动端web轮播图插件swiper，功能很强大
15. 即刻app暂停服务？趁现在教你一步一步实现即刻点赞效果
16. Mac上双系统中Windows无法使用苹果鼠标键盘，如何处理
17. 华芯微特SWM220R8T7-LQ64-22100最小系统板测试版开发板面包板
18. 计算机系统的四种启动方式是,详解电脑为何有四种不同的启动设备教程
19. html钟表代码运行原理,·钟表指针运行方向的基本原理
20. Android在线预览pdf文件的几种方式

热门文章

1. matlab如何选局部最大值,如何在MATLAB中的图像中找到局部最大值？
2. java源码app,飞飞CMS双端JAVA原生APP源码
3. QC1.0、QC2.0、QC3.0、QC4.0协议介绍
4. halcon学习笔记4-字符识别（包括汉字识别）
5. USB数据采集卡：labjack T7、T7 Pro系列的技术特点
6. 浅谈JavaScript设计模式
7. 用python自动制作ppt——第四讲——插入图片
8. 专升本英语固定词组搭配500个
9. Windows 计算机的快捷键大全
10. [小工具] LenovoOneLite 多屏协同工具