opencv 简单的图片相似度匹配
2024-05-09 08:53:11
目录
一、基本知识
二、常见的图片相似度去重的方法
三、代码
1、Hash 算法 与 直方图 代码（参考 python OpenCV 图片相似度 Hash算法）
(1) 参照代码
(2)自定义 pHash 类
2、ORB特征检测图片相似度
3、SIFT 算法
Reference
一、基本知识
1、各种图片读取的函数读取到的数据格式是 RGB 还是 BGR？
使用 scipy.misc.imread 读取的图片数据是 RGB 格式；
使用 cv2.imread 读取的图片数据是 BGR 格式；
使用 PIL.Image.open 读取的图片数据是RGB格式；2、opencv 与 PIL 读取图片报错问题的原因
（1）cv2.imread 读取的图片数据是 BGR 格式，PIL.Image.open 读取的图片数据是RGB格式；
参考 关于cv2.imread()读取图像为BGR问题
（2）图片数据本身不是三通道的数据（比如：灰阶图），需要进行判断
二、常见的图片相似度去重的方法
1、opencv各个相似度计算算法的特点
参考 OpenCV图像相似度对比办法
2、Opencv中特征点提取和特征匹配算法详解（ORB SIFT SURF FAST）
参考：
理论：
Opencv中特征点提取和特征匹配算法详解（ORB SIFT SURF FAST）
特征检测和特征匹配方法
代码：
OpenCV中的特征检测之特征匹配代码
三、代码
1、Hash 算法 与 直方图 代码（参考 python OpenCV 图片相似度 Hash算法）
1. 均值哈希算法、差值哈希算法和感知哈希算法都是值越小，相似度越高，取值为0-64，即汉明距离中，64位的hash值有多少不同。 三直方图和单通道直方图的值为0-1，值越大，相似度越高。(1) 参照代码
import cv2
import numpy as np
from PIL import Image
import requests
from io import BytesIO
import matplotlib
matplotlib.use('TkAgg')
import matplotlib.pyplot as pltdef aHash(img):# 均值哈希算法# 缩放为8*8img = cv2.resize(img, (8, 8))# 转换为灰度图gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# s为像素和初值为0，hash_str为hash值初值为''s = 0hash_str = ''# 遍历累加求像素和for i in range(8):for j in range(8):s = s+gray[i, j]# 求平均灰度avg = s/64# 灰度大于平均值为1相反为0生成图片的hash值for i in range(8):for j in range(8):if gray[i, j] > avg:hash_str = hash_str+'1'else:hash_str = hash_str+'0'return hash_strdef dHash(img):# 差值哈希算法# 缩放8*8img = cv2.resize(img, (9, 8))# 转换灰度图gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)hash_str = ''# 每行前一个像素大于后一个像素为1，相反为0，生成哈希for i in range(8):for j in range(8):if gray[i, j] > gray[i, j+1]:hash_str = hash_str+'1'else:hash_str = hash_str+'0'return hash_strdef pHash(img):# 感知哈希算法# 缩放32*32img = cv2.resize(img, (32, 32)) # , interpolation=cv2.INTER_CUBIC# 转换为灰度图gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 将灰度图转为浮点型，再进行dct变换dct = cv2.dct(np.float32(gray))# opencv实现的掩码操作dct_roi = dct[0:8, 0:8]hash = []avreage = np.mean(dct_roi)for i in range(dct_roi.shape[0]):for j in range(dct_roi.shape[1]):if dct_roi[i, j] > avreage:hash.append(1)else:hash.append(0)return hashdef calculate(image1, image2):# 灰度直方图算法# 计算单通道的直方图的相似值hist1 = cv2.calcHist([image1], [0], None, [256], [0.0, 255.0])hist2 = cv2.calcHist([image2], [0], None, [256], [0.0, 255.0])# 计算直方图的重合度degree = 0for i in range(len(hist1)):if hist1[i] != hist2[i]:degree = degree + \(1 - abs(hist1[i] - hist2[i]) / max(hist1[i], hist2[i]))else:degree = degree + 1degree = degree / len(hist1)return degreedef classify_hist_with_split(image1, image2, size=(256, 256)):# RGB每个通道的直方图相似度# 将图像resize后，分离为RGB三个通道，再计算每个通道的相似值image1 = cv2.resize(image1, size)image2 = cv2.resize(image2, size)sub_image1 = cv2.split(image1)sub_image2 = cv2.split(image2)sub_data = 0for im1, im2 in zip(sub_image1, sub_image2):sub_data += calculate(im1, im2)sub_data = sub_data / 3return sub_datadef cmpHash(hash1, hash2):# Hash值对比# 算法中1和0顺序组合起来的即是图片的指纹hash。顺序不固定，但是比较的时候必须是相同的顺序。# 对比两幅图的指纹，计算汉明距离，即两个64位的hash值有多少是不一样的，不同的位数越小，图片越相似# 汉明距离：一组二进制数据变成另一组数据所需要的步骤，可以衡量两图的差异，汉明距离越小，则相似度越高。# 汉明距离为0，即两张图片完全一样n = 0# hash长度不同则返回-1代表传参出错if len(hash1) != len(hash2):return -1# 遍历判断for i in range(len(hash1)):# 不相等则n计数+1，n最终为相似度if hash1[i] != hash2[i]:n = n + 1return ndef getImageByUrl(url):# 根据图片url 获取图片对象html = requests.get(url, verify=False)image = Image.open(BytesIO(html.content))return imagedef PILImageToCV():# PIL Image转换成OpenCV格式path = "/Users/waldenz/Documents/Work/doc/TestImages/t3.png"img = Image.open(path)plt.subplot(121)plt.imshow(img)print(isinstance(img, np.ndarray))img = cv2.cvtColor(np.asarray(img), cv2.COLOR_RGB2BGR)print(isinstance(img, np.ndarray))plt.subplot(122)plt.imshow(img)plt.show()def CVImageToPIL():# OpenCV图片转换为PIL imagepath = "/Users/waldenz/Documents/Work/doc/TestImages/t3.png"img = cv2.imread(path)# cv2.imshow("OpenCV",img)plt.subplot(121)plt.imshow(img)img2 = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))plt.subplot(122)plt.imshow(img2)plt.show()def bytes_to_cvimage(filebytes):# 图片字节流转换为cv imageimage = Image.open(filebytes)img = cv2.cvtColor(np.asarray(image), cv2.COLOR_RGB2BGR)return imgdef runAllImageSimilaryFun(para1, para2):# 均值、差值、感知哈希算法三种算法值越小，则越相似,相同图片值为0# 三直方图算法和单通道的直方图 0-1之间，值越大，越相似。 相同图片为1# t1,t2 14;19;10; 0.70;0.75# t1,t3 39 33 18 0.58 0.49# s1,s2 7 23 11 0.83 0.86 挺相似的图片# c1,c2 11 29 17 0.30 0.31if para1.startswith("http"):# 根据链接下载图片，并转换为opencv格式img1 = getImageByUrl(para1)img1 = cv2.cvtColor(np.asarray(img1), cv2.COLOR_RGB2BGR)img2 = getImageByUrl(para2)img2 = cv2.cvtColor(np.asarray(img2), cv2.COLOR_RGB2BGR)else:# 通过imread方法直接读取物理路径img1 = cv2.imread(para1)img2 = cv2.imread(para2)hash1 = aHash(img1)hash2 = aHash(img2)n1 = cmpHash(hash1, hash2)print('均值哈希算法相似度aHash：', n1)hash1 = dHash(img1)hash2 = dHash(img2)n2 = cmpHash(hash1, hash2)print('差值哈希算法相似度dHash：', n2)hash1 = pHash(img1)hash2 = pHash(img2)n3 = cmpHash(hash1, hash2)print('感知哈希算法相似度pHash：', n3)n4 = classify_hist_with_split(img1, img2)print('三直方图算法相似度：', n4)n5 = calculate(img1, img2)print("单通道的直方图", n5)print("%d %d %d %.2f %.2f " % (n1, n2, n3,n4, n5))print("%.2f %.2f %.2f %.2f %.2f " % (1-float(n1/64), 1 -float(n2/64), 1-float(n3/64), n4, n5))plt.subplot(121)plt.imshow(Image.fromarray(cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)))plt.subplot(122)plt.imshow(Image.fromarray(cv2.cvtColor(img2, cv2.COLOR_BGR2RGB)))plt.show()if __name__ == "__main__":p1="https://ww3.sinaimg.cn/bmiddle/007INInDly1g336j2zziwj30su0g848w.jpg"p2="https://ww2.sinaimg.cn/bmiddle/007INInDly1g336j10d32j30vd0hnam6.jpg"runAllImageSimilaryFun(p1,p2)(2)自定义 pHash 类
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import urllib3
urllib3.disable_warnings() # 忽略request警告import cv2
import numpy as np
import requests
from PIL import Image
from io import BytesIO
import pandas as pdclass PHASH():def __init__(self,*args,**kwargs):pass@classmethoddef get_cv_img(cls,fpath_or_url):""":param fpath_or_url: 给定一张图片的路径或者是url，将其转化为 opencv 数据:return:"""if fpath_or_url.startswith('http'):# TODO ssl证书报错，参数 verify=False，同时，requests默认是keep-alive的，可能没有释放，加参数 headers={'Connection':'close'}headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.129 Safari/537.36','Connection':'close'}# TODO 增加连接重试次数requests.adapters.DEFAULT_RETRIES = 5response = requests.get(fpath_or_url,headers=headers,stream=True, verify=False)image = Image.open(BytesIO(response.content))# TODO 有可能该图本身就是 灰色图，所以这里判断一下 ndim 属性image_rgb = np.asarray(image)image_rgb_dim = image_rgb.ndimif image_rgb_dim == 3:# 转化为 openCV 的 bgr 图片格式return cv2.cvtColor(np.asarray(image), cv2.COLOR_RGB2BGR),image_rgb_dimif image_rgb_dim == 2:image_gray = image_rgbreturn image_gray,image_rgb_dimelse:'''def imread(filename, flags=None):默认读取为三通道，如果读取灰阶图：flag = cv2.IMREAD_GRAYSCALE flag=-1时 8位深度，原通道flag=0 8位深度，1通道flag=1 8位深度 ，3通道flag=2 原深度，1通道flag=3 原深度，3通道flag=4 8位深度 ，3通道IMREAD_ANYCOLOR 按原图像颜色格式读取IMREAD_ANYDEPTH 按原图像深度信息读取，非16位或32位的则转化为8位IMREAD_COLOR 转化为三通道图像IMREAD_UNCHAGED 原样读取，不改变图像信息IMREAD_GRAYSCALE 转化为灰度图（8位）,dtype=CV_8UC1'''image_bgr = cv2.imread(fpath_or_url) # shape = （h,w,c） c 为输入通道，如果是灰阶图读取，则 shape = （h，w）image_bgr_dim = image_bgr.ndimreturn cv2.imread(fpath_or_url),image_bgr_dim # shape = （h,w,c） c 为输入通道，如果是灰阶图读取，则 shape = （h，w）@classmethoddef get_pHash_array(cls,fpath_or_url):img,dim = cls.get_cv_img(fpath_or_url)# 缩放32*32img = cv2.resize(img, (32, 32), interpolation=cv2.INTER_LINEAR) # 转化图片的维度，即 h，w ，但是不该 c 的维度"""interpolation：这个是指定插值的方式，图像缩放之后，肯定像素要进行重新计算的，就靠这个参数来指定重新计算像素的方式，有以下几种：INTER_NEAREST - 最邻近插值INTER_LINEAR - 双线性插值，如果最后一个参数你不指定，默认使用这种方法INTER_AREA - resampling using pixel area relation. It may be a preferred method for image decimation, as it gives moire’-free results. But when the image is zoomed, it is similar to the INTER_NEAREST method.INTER_CUBIC - 4x4像素邻域内的双立方插值INTER_LANCZOS4 - 8x8像素邻域内的Lanczos插值"""if dim == 3:# 转换为灰度图gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 三通道转化为 一通道灰阶图 ，（h，w，c） >>> (h,w)else :gray = img# 将灰度图转为浮点型，再进行dct变换dct = cv2.dct(np.float32(gray)) # shape = (32,32)# opencv实现的掩码操作dct_roi = dct[0:8, 0:8] # shape = (8,8)dct_roi = dct_roi.reshape(-1) # shape = (64,)# 计算hash str / hash arrayhash_array = (dct_roi > np.mean(dct_roi)).astype('int32')return hash_arrayif __name__ == '__main__':# TODO Testing Codefpath1 = 'https://qcloud.dpfile.com/pc/gHG8ZFfVd9L8-dmljeMtcFj2g5GcEgRHlPARVAHUdNr5F47uz-fJtzd92pRPLfg3aLZ23ABw4IThDHW_mlzUpw.jpg'fpath2 = 'https://qcloud.dpfile.com/pc/QFse1QpHtR6vhauRrr-yzly-0r8wPlk4-vEPwUM51gDDzoQjgbK7C3JTY4bHQchlaLZ23ABw4IThDHW_mlzUpw.jpg'rry1 = PHASH.get_pHash_array(fpath1)rry2 = PHASH.get_pHash_array(fpath2)print(np.sum(rry1 != rry2))2、ORB特征检测图片相似度
ORB 原文：OPENCV图像相似度ORB算法--相似图像去重
# -*- encoding=utf-8 -*-import cv2# 自定义计算两个图片相似度函数
def img_similarity(img1_path,img2_path):""":param img1_path: 图片1路径:param img2_path: 图片2路径:return: 图片相似度"""try:# 读取图片img1 = cv2.imread(img1_path, cv2.IMREAD_GRAYSCALE)img2 = cv2.imread(img2_path, cv2.IMREAD_GRAYSCALE)# 初始化ORB检测器orb = cv2.ORB_create()kp1, des1 = orb.detectAndCompute(img1, None)kp2, des2 = orb.detectAndCompute(img2, None)# 提取并计算特征点bf = cv2.BFMatcher(cv2.NORM_HAMMING)# knn筛选结果matches = bf.knnMatch(des1, trainDescriptors=des2, k=2)# 查看最大匹配点数目good = [m for (m, n) in matches if m.distance < 0.55 * n.distance]print(len(good))print(len(matches))similary = len(good) / len(matches)print("两张图片相似度为:%s" % similary)return similaryexcept:print('无法计算两张图片相似度')return '0'if __name__ == '__main__':img1_path=r'F:\img_spam\test\7ba.jpg'img2_path=r'F:\img_spam\test\ba.jpg'similary=img_similarity(img1_path,img2_path)3、SIFT 算法
为了排除因为图像遮挡和背景混乱而产生的无匹配关系的关键点，SIFT的作者Lowe提出了比较最近邻距离与次近邻距离的SIFT匹配
方式：取一幅图像中的一个SIFT关键点，并找出其与另一幅图像中欧式距离最近的前两个关键点，在这两个关键点中，如果最近的距
离除以次近的距离得到的比率ratio少于某个阈值T，则接受这一对匹配点。因为对于错误匹配，由于特征空间的高维性，相似的距
离可能有大量其他的错误匹配，从而它的ratio值比较高。显然降低这个比例阈值T，SIFT匹配点数目会减少，但更加稳定，反之亦然。Lowe推荐ratio的阈值为0.8，但作者对大量任意存在尺度、旋转和亮度变化的两幅图片进行匹配，结果表明ratio取值在0. 4~0. 6
之间最佳，小于0. 4的很少有匹配点，大于0. 6的则存在大量错误匹配点，所以建议ratio的取值原则如下:
ratio=0. 4：对于准确度要求高的匹配；
ratio=0. 6：对于匹配点数目要求比较多的匹配；
ratio=0. 5：一般情况下。#!/usr/bin/env python
# -*- coding: utf-8 -*-
import urllib3
urllib3.disable_warnings() # 忽略request警告
import cv2
import numpy as np
import requests
from PIL import Image
from io import BytesIOclass SIFT_FLANN():def __init__(self,*args,**kwargs):pass@classmethoddef get_cv_img(cls,fpath_or_url):""":param fpath_or_url: 给定一张图片的路径或者是url，将其转化为 opencv 数据:return:"""if fpath_or_url.startswith('http'):# TODO ssl证书报错，参数 verify=False，同时，requests默认是keep-alive的，可能没有释放，加参数 headers={'Connection':'close'}headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.129 Safari/537.36','Connection':'close'}# TODO 增加连接重试次数requests.adapters.DEFAULT_RETRIES = 5response = requests.get(fpath_or_url,headers=headers,stream=True, verify=False)image = Image.open(BytesIO(response.content))# TODO 有可能该图本身就是 灰色图，所以这里判断一下 ndim 属性image_rgb = np.asarray(image)image_rgb_dim = image_rgb.ndimif image_rgb_dim == 3:# 转化为 openCV 的 bgr 图片格式return cv2.cvtColor(np.asarray(image), cv2.COLOR_RGB2BGR),image_rgb_dimif image_rgb_dim == 2:image_gray = image_rgbreturn image_gray,image_rgb_dimelif '.jpg' in fpath_or_url or '.png' in fpath_or_url:image_bgr = cv2.imread(fpath_or_url) # shape = （h,w,c） c 为输入通道，如果是灰阶图读取，则 shape = （h，w）image_bgr_dim = image_bgr.ndimreturn cv2.imread(fpath_or_url),image_bgr_dim # shape = （h,w,c） c 为输入通道，如果是灰阶图读取，则 shape = （h，w）else:print(1111111111111111111111111111111111111)@classmethoddef sift_describe(cls,fpath_or_url):img,dim = cls.get_cv_img(fpath_or_url)# 缩放32*32if dim == 3:# 转换为灰度图gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 三通道转化为 一通道灰阶图 ，（h，w，c） >>> (h,w)else :gray = img# TODO SIFTsift = cv2.xfeatures2d.SIFT_create()# 查找监测点和匹配符kp, des = sift.detectAndCompute(gray, None) # type(kp) ID 的 list, type(des) 2D ndarrayreturn (kp,des),img@classmethoddef cal_sift_similarity(cls,img1_info,img2_info,img_array1 = None ,img_array2 = None):"""传入两张 sift 特征点 与 其描述信息,返回两张图片的 similarity的值:param img1_info::param img2_info::return:"""kp1,des1 = img1_infokp2,des2 = img2_info# TODO 构建 FLANNFLANN_INDEX_KDTREE = 0index_params = dict(algorithm=FLANN_INDEX_KDTREE, trees=5)search_params = dict(checks=100) # 或者传递空字典flann = cv2.FlannBasedMatcher(index_params, search_params)matches = flann.knnMatch(des1, des2, k=2)good = [m for (m, n) in matches if m.distance < 0.55 * n.distance]similarity = len(good) / len(matches)return similarityif __name__ == '__main__':# TODO Testing Codesu_p1 = "https://qcloud.dpfile.com/pc/hXbfmfeK4W9FkcZwXqshIrXySooIPGgEb9uIVs2KW8oPHEiK039L37r0oM6CtGq9aLZ23ABw4IThDHW_mlzUpw.jpg"p2 = "https://qcloud.dpfile.com/pc/nxetlAzTR_7ARUZjAw98l3S5Nku5CCTct6lFTSAnqzgq_97ET71kayhMglYH7dIhaLZ23ABw4IThDHW_mlzUpw.jpg"p3 = 'https://qcloud.dpfile.com/pc/fVfbhCulsdsrzyCRMlF1qBndGogGhBwQSoFJG7_uBtMioGNY_iAGzVZOnx4ayKIqaLZ23ABw4IThDHW_mlzUpw.jpg'p4 = 'https://qcloud.dpfile.com/pc/itfWTAlTRmjNDIr-jTv1QkEtPFnjlNvkF9iLQj35azGtPI2pUtZjhpqN7loP26AeaLZ23ABw4IThDHW_mlzUpw.jpg'p5 = 'https://qcloud.dpfile.com/pc/2Q_ByqDIN63u2iuG3eImgr30TWxVV-0_4b4NXJ1Nj9L0yNmV522HRzWUEZZoF51daLZ23ABw4IThDHW_mlzUpw.jpg'list_ = [p2,p3,p4,p5]img1_info,img_array1 = SIFT_FLANN.sift_describe(su_p1)for p in list_:img2_info, img_array2 = SIFT_FLANN.sift_describe(p)print('{}\n{}\n similarity:{}'.format(su_p1,p,SIFT_FLANN.cal_sift_similarity(img1_info,img2_info,img_array1,img_array2)))print('='*150)fpath1 = 'https://qcloud.dpfile.com/pc/gHG8ZFfVd9L8-dmljeMtcFj2g5GcEgRHlPARVAHUdNr5F47uz-fJtzd92pRPLfg3aLZ23ABw4IThDHW_mlzUpw.jpg'fpath2 = 'https://qcloud.dpfile.com/pc/QFse1QpHtR6vhauRrr-yzly-0r8wPlk4-vEPwUM51gDDzoQjgbK7C3JTY4bHQchlaLZ23ABw4IThDHW_mlzUpw.jpg'img1_info, img_array1 = SIFT_FLANN.sift_describe(fpath1)img2_info, img_array2 = SIFT_FLANN.sift_describe(fpath2)print('{}\n{}\n similarity:{}'.format(fpath1, fpath2,SIFT_FLANN.cal_sift_similarity(img1_info, img2_info, img_array1, img_array2)))Reference
OpenCV图像相似度对比办法
python OpenCV 图片相似度 5种算法 缩放、翻转、裁剪 效果
OPENCV图像相似度ORB算法--相似图像去重
opencv 简单的图片相似度匹配相关推荐
- python计算两张图片相似度,python 图片相似度匹配
如何使用python来判断图片相似度 . fromPILimportImageimportos#importhashlibdefgetGray(image_file):tmpls=[]forhinra ...
- OpenCV简单实现图片素描
实现彩色图片变成类似素描图片,使用sobel进行求梯度,得到图片中对比度大的边缘,然后将图片显示 #include <iostream> #include <opencv2/open ...
- python中利用opencv简单做图片比对
python环境中,利用opencv对二值单通道图片进行比对 下面代码中利用了两种比对的方法,一 对图片矩阵(m x m)求解特征值,通过比较特征值是否在一定的范围内,判断图片是否相同.二 对图片矩阵 ...
- 用opencv简单创建单色图片并保存
用opencv简单创建图片 主要调用一些API来简单实现,包含部分数组知识(一个opencv图像是.array类型的二维或多维数组) // # numpy是python的一种开源数值计算扩展 impo ...
- TensorFlow与OpenCV，读取图片，进行简单操作并显示
本文是OpenCV 2 Computer Vision Application Programming Cookbook读书笔记的第一篇.在笔记中将以Python语言改写每章的代码. PythonO ...
- opencv学习笔记（六）直方图比较图片相似度
opencv学习笔记(六)直方图比较图片相似度 opencv提供了API来比较图片的相似程度,使我们很简单的就能对2个图片进行比较,这就是直方图的比较,直方图英文是histogram, 原理就是就是将 ...
- OpenCV学习(二十三) ：模板匹配:matchTemplate(),minMaxLoc()
OpenCV学习(二十三) :模板匹配:matchTemplate() 1.概述 模板匹配是一种最原始.最基本的模式识别方法,研究某一特定对象物的图案位于图像的什么地方,进而识别对象物,这就是一个匹配 ...
- python 图像识别_python图像识别之图片相似度计算
作者 | a1131825850疯子 来源 | Python爬虫scrapy 原文 | python图像识别---------图片相似度计算 1.背景 要识别两张图片是否相似,首先我们可能会区分这两张 ...
- 深度学习（十六）基于2-channel network的图片相似度判别-CVPR 2015
基于2-channel network的图片相似度判别 原文地址:http://blog.csdn.net/hjimce/article/details/50098483 作者:hjimce 一.相 ...
最新文章
- 《30天自制操作系统》前言、目录、样章欢迎阅读！
- 前端学习（3248）：react的脚手架文件
- 第十五回(二):文会内战平分秋色 树下阔论使坏心焦【林大帅作品】
- docker-ce-17.09 容器创建，运行，进入，删除，导入/导出
- javaweb基础----使用ajax校验用户名是否重复
- 点击类名方法名如何连接到相应的Android源代码
- 关系模型的完整性约束
- JCR分区和中科院分区的区别
- FFmpeg命令行工具学习(二)：播放媒体文件的工具ffplay
- 【专家独推】全网最全Matlab常用函数（包括按首字母进行分类）
- 利用Greenfoot制作简单的小游戏——记忆翻牌游戏（二）
- python基础趣讲精练_Python内置函数精讲精练 enumerate()
- workman+thinkPHP 即时通讯
- 【学术论文】查找论文、查找并理解配套代码（持续更新~）
- kong插件之Rate Limiting
- Python爬虫的案例分析（梨视频下载）
- “海底捞”的管理智慧
- 高分7(GF7)卫星数据制作平原地区DSM/DEM(三)——可信度分割
- 慕课作业互评（使用脚本自动互评）
- 【Linux】set ff=unix