- 综合排序
- 最热优先
- 最新优先
- 来自专栏初见Linux
5.TCPUDP-传输层
一、TCP（传输控制协议）：用于精准的数据传输 TCP是面向连接形式的可靠服务，字节流形式传输。 TCP是建立在无连接的IP基础上 1.TCP传输特性 ① 可靠的传输服务。 3.窗口：利用窗口控制数据流量的传输。 2.TCP传输头 ? TCP传输头格式.png （1）源端口、目标端口： 各占 16 位。 源端口：说明源服务访问点。 （5）窗口： 16位。控制字节流大小。 （6）校验和 16位。 校验包含TCP头部 和 TCP数据部分，比如利用CRC校验。 ACK 5.TCP拥塞控制（考点） 目的：缓解互联网通信紧张状况，报文到达速率大于路由节点转发速率 。记住解决方案。 ? UDP头.png 1.UDP传输特性 提供无连接的传输服务，不可靠，甚至可以对用户数据不进行校验（当UDP校验和字段为0）。 2.字段： 源端口、目标端口、段长、校验和 16位。
92220发布于 2020-08-05 - 来自专栏风吹杨柳
opencv 5 -- 图像阈值
这章将说，二值化的问题 二值图像占有非常重要的地位，图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓 将图像黑白化，是很多图像处理技术的必要一步 目的：使得图像的像素值更单一、图像更简单 阈值可以分为全局性质的阈值 如果是一副双峰图像(简单来说双峰图像是指图像直方图中存在两个峰)呢?我们岂不是应该在两个峰 之间的峰谷选一个值作为阈值?这就是 Otsu 二值化要做的。 threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU) # Otsu's thresholding after Gaussian filtering #(5,5 )为高斯核的大小，0 为标准差 blur = cv2.GaussianBlur(img,(5,5),0) # 阈值一定要设为 0! t，将这两个峰分开，并且使每一个 峰内的方差最小 img = cv2.imread('person_454.bmp',0) # 高斯模糊处理 blur = cv2.GaussianBlur(img,(5,5
1.4K20发布于 2019-07-08 - 来自专栏HAUE_LYS'Blog
5. ssh登录和scp传输
也可以使用如下命令一键添加公钥： ssh-copy-id myserver #mysever是配置免密登录的服务器名称 5.4 scp传输 命令格式： scp source destination
56120编辑于 2022-09-28 - 来自专栏HAUE_LYS'Blog
5. ssh登录和scp传输
---- 5.4 scp传输 命令格式： scp source destination 将source路径下的文件复制到destination中 一次复制多个文件： scp source1 source2
66010编辑于 2023-09-04 - 来自专栏Pulsar-V
websocket传输canvas图像数据给C++服务端opencv图像实现web在线实时图像处理
，想了想既然任何图像在内存里面都是一个uchar矩阵，于是琢磨了这个东西出来。 一般情况下，图像在内存里的表达都是个uchar串，或者说byte流，因为我经常需要写跨语言调用的玩意儿，所以一般在内存里我都是用字符串和比特流进行交互，这里我采用了同样的思想，我们把opencv的图像进行编码为 png，然后再一次编码为base64，通过websocket传输给前端。 首先假设我们的前端打开websocket连接后端，连接上了以后前端打开摄像头取摄像头数据传输给后端，后端通过一系列的图像处理机器学习以后编码图像回传给前端。 前端代码： <! 59, 60, 61, // '0'-'9' 0, 0, 0, 0, 0, 0, 0, 0, 1, 2, 3, 4, 5,
4.8K60发布于 2019-04-01 - 来自专栏Mac软件的分享
Transmit 5 for Mac(FTP文件传输工具)
Transmit 5 是一款适用于 Mac 操作系统的文件传输工具，由 Panic 公司开发。它提供了多种传输协议，包括 FTP、SFTP、WebDAV、Amazon S3 等等。 Transmit 5 for Mac(FTP文件传输工具)图片Transmit 5 是一款功能非常丰富的文件传输工具。 快速预览：可以快速预览各种文件类型，如文本文件、图像文件等等。支持 HTTP/HTTPS 传输：可以通过 HTTP/HTTPS 协议上传和下载文件。 设计师和摄影师：Transmit 5 支持快速预览各种文件类型，如图像文件，可以帮助设计师和摄影师更方便地管理自己的文件。 公司员工：如果您需要将文件从本地传输到公司服务器或远程服务器，Transmit 5 是一个非常好的选择，因为它支持多种传输协议，包括 FTP、SFTP 和 WebDAV 等等。
4.5K20编辑于 2023-04-30 - 来自专栏编程杂记
【YOLOv5】--图像增强部分
YOLOV5关于对图像的增强可谓是下了一番功夫，在代码部分之间就做到图像增强，可以说是功能越来越自动化，人工参与程度越来越低，下面就来详细了解一下YOLOv5所用的图像增强方法。 1. Mosaic 这里yolov5还额外提出了一个9图的mosaic操作，9张图像，拼接在一起处理，图像更大了而且label也更多，训练一张这样的拼接图像等同与训练了9张小图。 5.Albumentations， 主要是做些滤波、直方图均衡化以及改变图片质量等等，我看代码里写的只有安装了albumentations包才会启用，但在项目的requirements.txt文件中albumentations
79610编辑于 2024-01-17 - 来自专栏White feathe 的博客
H5 图像识别
识别对比 ---- 1、百度识别 发现百度的图片搜索识别率不是特别，下面为测试图片跟测试后的结果： 测试图片： 下面为测试后的结果： 2、采用 tesseract.js 后结果 H5 图像识别 font-family:"arial, helvetica, sans-serif"}fieldset{margin-bottom:10%;border:1px solid #ddd;border-radius:5px adjustment chop_split_length 10000 Split Length chop_vertical_creep 0 Vertical creep chop_width_change_knob 5 ratio for chucking outlines edges_debug 0 turn on debugging for this module edges_max_children_layers 5 classes matcher_rating_margin 0.1 New template margin (0-1) matcher_sufficient_examples_for_prototyping 5
4.6K30编辑于 2021-12-08 - 来自专栏技术小讲堂
ASP.NET SignalR 2.0入门指南介绍SignalRSignalR和WebSocket传输和回滚HTML5 传输协议Comet transports传输协议选择过程监测传输指定传输协议连接
SignalR和WebSocket SignalR当WebSocket可用时优先使用新式的WebSocket传输，同时也兼容老式的传输。 传输和回滚 SignalR是对一些服务器和客户端之间实时协作传输的抽象化，一个SignalR连接作为一个HTTP开始，但是如果WebSocket是可用的将得到利用。 HTML5 传输协议 这些传输依赖于对HTML5的支持，假如客户端不支持HTML5标准，讲使用老式的传输协议： WebSocket：（如果客户端可服务器端都支持WebSocket）。 如果JSONP没有被配置并且连接不是跨域的，如果客户端和服务器端都支持WebSocket，将使用WebSocket； 5.假如客户端和服务器端都不支持WebSocket，尽量使用事件源； 6.如果服务器端不支持事件源 在Chrome中，使用组合键Ctrl+Shift+J打开控制台 指定传输协议 协商传输协议需要一定的时间和服务器客户端资源，如果客户端可以预知到，那么传输协议可以在连接开始的时候指定，以下代码通过一个简短的示例开启一个使用
2.6K60发布于 2018-03-07 《数字图像处理》第 5 章-图像复原与重建
引言 图像在获取、传输、存储过程中，不可避免会受到噪声、模糊、几何畸变等因素影响，导致质量下降（即图像退化）。 , (5, 5)) # 5x5均值滤波 # ========== 2. (noisy_img, 5) # 5x5中值滤波 # ========== 3. cmap='gray'), plt.title('5x5中值滤波'), plt.axis('off') plt.subplot(236), plt.imshow(adaptive_median, cmap →含椒盐噪声→3x3 均值滤波→3x3 中值滤波→5x5 中值滤波→自适应中值滤波，可直观看到中值滤波对椒盐噪声的压制效果远优于均值滤波，自适应中值滤波兼顾去噪和细节保留。
55010编辑于 2026-01-21- 来自专栏根究FPGA
UDP的FPGA实现（下） | 基于UDP的图像传输工程分析
本章节分析基于以太网图像传输工程，其实上周就已经做完，只不过实在是难以总结，代码的理解有时候真的要自己去逐词逐句的分析，不然也就只能理解其过程，无法重新复现，工程下载链接： http://www.corecourse.cn 1'd0，同时将SCL拉低（防止SDA变化导致误触发） （2）、将SCL拉高，在SCL的上升沿将SDA应答数据读出 （3）、将应答信号给ack_o，SCL保持为高 （4）、将SCL拉低，为下一次的数据传输做准备 OV5640数据读取 在5640配置完成之后，丢弃前10帧图像。 因为package是eop一个周期的延迟，eop为1时vcnt_full为1，此时一帧数据传输完毕，将进行场消隐操作，所以关闭异步fifo写入使能，在检测到帧起始信号后再将package_state信号拉高
2.4K30发布于 2020-06-30 - 来自专栏机器之心
AI有鼻子了，还能远程传输气味，图像生成香水
气味数字化大有用途 气味数字化可以开拓出前所未有的应用场景，最基础的就是气味的远程传输。 具体来说，选择一种要传输的气味，并将其放入一台 GCMS（气相色谱 - 质谱）机。 此外，Osmo 也在研究多模态 AI，具体来说，他们研究的是基于图像生成对应的气味，当然图像又可以进一步基于文本而生成。 下面演示了一个案例： 可以看到，用户只需输入文本提示词，AI 就会帮助你生成图像（用户也可直接上传图像），然后再进一步为你生成分子配方。当然，如果你还想亲身闻到这些气味，还需要相应的设备。 事实上，他们已经在线发布了这款工具 Inspire，目前支持文本和图像输入，但他们也表示未来还会支持音乐、PDF、幻灯片和视频输入。
82310编辑于 2025-02-14 《数字图像处理》实验5-图像压缩及编码
（二）DCT 变换与图像重构 实验任务 彩色图→灰度图→DCT 变换→逆 DCT 重构→归一化→对比变换前后图像及矩阵变化。 ； 压缩特点：小波变换保留低频主体信息，过滤高频细节冗余，失真程度低于 DCT 掩模压缩； 优势：多分辨率特性可灵活调整阈值，平衡压缩比与图像质量，适用于需要分级压缩的场景（如网络传输）。 Huffman 编码 无损（编码压缩） 基于概率的变长编码 ~1.1 无失真要求的压缩（如医疗图像） 小波变换压缩 有损（多分辨率压缩） 过滤高频细节 3-4 分级传输、高质量压缩场景 2. 应用场景拓展 JPEG 标准：结合 DCT 变换、量化、Huffman 编码，是图像存储的主流标准； 小波压缩：用于 JPEG 2000、医学图像、遥感图像等对质量要求较高的场景； 实时传输：小波变换的多分辨率特性可实现 “先传低频（模糊图），后传高频（细节）” 的渐进式传输。
35010编辑于 2026-01-21企业微信ipad协议的图像传输压缩与优化策略
企业微信ipad协议的图像传输压缩与优化策略在企业微信ipad协议的日常使用中，图像消息占据着相当大的带宽与存储比例。一张未经压缩的原图可能高达数MB，在群发场景下会对服务器和客户端造成双重压力。 企业微信ipad协议针对图像传输设计了一套高效的压缩与分片机制，本文从协议实现角度解析其优化策略，并提供可集成的实践方案。 其中压缩环节是关键——协议内置了智能压缩策略：对于超过1MB的图像，自动将长边缩至1080像素，JPEG质量调至85%；对于小于200KB的图像则原样传输，避免“压缩过度导致模糊”的问题。 ',quality=quality)whilebuffer.tell()>max_size_mb*1024*1024andquality>30:buffer=io.BytesIO()quality-=5img.save 如需进一步了解图像传输的底层协议帧结构或批量处理优化，可参考企业微信协议接口的官方技术说明。展开代码语言：PythonAI代码解释#技术支撑：string_wxID="bot555666"
41710编辑于 2026-05-06- 来自专栏一心无二用，本人只专注于基础图像算法的实现与优化。
图像纹理合成及纹理传输算法学习（附源码）。
原始纹理图像 ? 由小纹理合成的大纹理图像 那么简单的描述下这篇文章所使用的算法的过程吧。 算法需要的输入：原始的纹理图像(W * H)，块的大小TileSize，重叠部分的大小Overlap。 第一步：我们从原始的纹理图像中一个随机的抽取一个小块，放到目标图像的左上角。 ? </remarks> /// https://msdn.microsoft.com/zh-cn/library/t5h7783k(v=vs.90).aspx int MultiplySSE(unsigned 由于程序速度问题，我对纹理传输的编写已经失去了信心，纹理传输过程总的和纹理合成和类似，只是在计算相似度时还要考虑目标的诸如亮度或者模糊只方面的信息，速度会比这个纹理合成还要慢，有兴趣的朋友可以看看我提供的一些链接 不过纹理传输产生的效果有的时候确实比较酷： ? ? 那天心血来潮我还是去实现下这个效果吧。
2.1K80发布于 2018-01-03 《数字图像处理》第 5 章- 图像复原与重建
一、章节概述 图像复原与重建是数字图像处理的核心内容之一，旨在将退化的图像恢复到原始状态。与图像增强不同，图像复原是基于数学模型的客观恢复过程，而增强是主观的视觉改善过程。 、传输错误导致，表现为黑白点 泊松噪声 p(z)=z! plt.subplot(1, 5, 2) plt.imshow(img_blurred, cmap='gray') plt.title('运动模糊图像', fontsize=12) ('模糊+噪声图像', fontsize=12) plt.axis('off') plt.subplot(1, 5, 4) plt.imshow(img_inverse , cmap='gray') plt.title('逆滤波复原', fontsize=12) plt.axis('off') plt.subplot(1, 5, 5)
46910编辑于 2026-01-21- 来自专栏信数据得永生
Python 图像处理实用指南：1~5
-a619-43ff-b99a-f22d5a8070b4.png)] 以下屏幕截图显示了带有运动模糊图像的反向过滤器的输出： 用维纳滤波器进行图像反褶积 在上一节中，我们已经看到了如何使用逆滤波器从模糊图像 /images/earthfromsky.jpg'))gamma = 5im1 = im**gammapylab.style.use('ggplot')pylab.figure(figsize=(15,5 使用框模糊核进行平均平滑 下面的代码块显示了如何使用 PILImageFilter.Kernel()函数和大小为 3 x 3 和 5 x 5 的框模糊核（平均滤波器）平滑带噪图像： im = Image.open [5, 10, 20]: for sigma_col in [0.1, 0.25, 5]: pylab.subplot(3,3,i) pylab.imshow( 因此，在一开始，使用 5 x 5 高斯滤波器从图像中去除噪声。 计算梯度的大小和方向：然后对图像应用 Sobel 水平和垂直滤波器，以计算每个像素的边缘梯度大小和方向，如前所述。
6.6K21编辑于 2023-04-27 - 来自专栏AIoT技术交流、分享
5行Python代码实现图像分割
目录 1、环境部署 2、语义分割 3、即时分割 ---- 众所周知图像是由若干有意义的像素组成的，图像分割作为计算机视觉的基础，对具有现有目标和较精确边界的图像进行分割，实现在图像像素级别上的分类任务。 图像分割可分为语义分割和实例分割两类，区别如下： 语义分割：将图像中每个像素赋予一个类别标签，用不同的颜色来表示； 实例分割：无需对每个像素进行标记，只需要找到感兴趣物体的边缘轮廓。
83620发布于 2021-01-20 - 来自专栏深度学习和计算机视觉
推荐5最佳免费图像注释工具
图像标注是有监督机器学习中的数据标注技术之一,要做图像注释，必须需要一个专用的注释工具，现在有很多图像注释工具。 在本文中，我们将根据在项目中使用它们以及我们寻找最适合使用的工具时的个人经验，为你们推荐五个最好的免费图像注释工具。 为了方便你们注释图像，可以在VoTT中探索许多功能，缺点是VoTT中的注释类型仅限于矩形和多边形。 labelimg labelimg是我在图像标记方面的第一个工具。这是我第一次接触到图像标签，因为我以前的项目或工作是为语音识别注释音频。 当你们有很多图像需要注释时，可能会忘记对其中一些图像进行注释。这就是为什么“文件列表”很方便，因为它不仅列出了你们的文件，而且还为已经注释的每个文件提供了一个复选标记。
2.6K20编辑于 2022-02-14 - 来自专栏防止网络攻击
图像检测【YOLOv5】——深度学习
5.最后要创建和激活一下环境： conda create -n py39 python=3.9是创建python3.9版本，名称为py39的环境。 （我当时吃了个午饭回来差不多刚刚好哈哈哈哈哈哈哈） 5.安装完成以后，会提示done，然后输入pip list，查看我们的包是否被安装，这里可以看到torch相关的包都安装了。 三.克隆YOLOv5. 1.点开链接：https://github.com/ultralytics/yolov5 Windows系统下载ZIP文件再解压后进入YOLOv5路径下运行： pip install /data/images/ --weights yolov5s.pt --conf 0.4 如果是第一次运行，会下载YOLOv5s.pt，速度会比较慢。
54910编辑于 2024-09-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号