• python PIL图像处理


    转自简书

    Image读出来的是PIL的类型,而skimage.io读出来的数据是numpy格式的

    #Image和skimage读图片
    import Image as img
    import os
    from matplotlib import pyplot as plot
    from skimage import io,transform
    img_file1 = img.open('./CXR_png/MCUCXR_0042_0.png')
    img_file2 = io.imread('./CXR_png/MCUCXR_0042_0.png')
    

    输出可以看出Img读图片的大小是图片的(width, height);而skimage的是(height,width, channel), [这也是为什么caffe在单独测试时要要在代码中设置:transformer.set_transpose('data',(2,0,1)),因为caffe可以处理的图片的数据格式是(channel,height,width),所以要转换数据]

    #读图片后数据的大小:
    print "the picture's size: ", img_file1.size
    print "the picture's shape: ", img_file2.shape
    
    the picture's size:  (4892, 4020)
    the picture's shape:  (4020, 4892)
    
    #得到像素:
    print(img_file1.getpixel((500,1000)), img_file2[500][1000])
    print(img_file1.getpixel((500,1000)), img_file2[1000][500])
    print(img_file1.getpixel((1000,500)), img_file2[500][1000])
    
    (0, 139)
    (0, 0)
    (139, 139)
    

    Img读出来的图片获得某点像素用getpixel((w,h))可以直接返回这个点三个通道的像素值
    skimage读出来的图片可以直接img_file2[0][0]获得,但是一定记住它的格式,并不是你想的(channel,height,width)

    在图片上面加文字

    #新建绘图对象
    draw = ImageDraw.Draw(image),
    #获取图像的宽和高
    width, height = image.size;
    #** ImageFont模块**
    #选择文字字体和大小
    setFont = ImageFont.truetype('C:/windows/fonts/Dengl.ttf', 20),
    #设置文字颜色
    fillColor = "#ff0000"
    #写入文字
    draw.text((40, height - 100), u'广告', font=setFont, fill=fillColor)
    
    作者:刑素素
    链接:http://www.jianshu.com/p/c77315a5435f
    來源:简书
    著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
    

    图片信息

    如果我们想知道一些skimage图片信息

    from skimage import io, data
    img = data.chelsea()
    io.imshow(img)
    print(type(img))  #显示类型
    print(img.shape)  #显示尺寸
    print(img.shape[0])  #图片高度
    print(img.shape[1])  #图片宽度
    print(img.shape[2])  #图片通道数
    print(img.size)   #显示总像素个数
    print(img.max())  #最大像素值
    print(img.min())  #最小像素值
    print(img.mean()) #像素平均值
    print(img[0][0])#图像的像素值
    

    PIL image 查看图片信息,可用如下的方法

    print type(img)
    print img.size  #图片的尺寸
    print img.mode  #图片的模式
    print img.format  #图片的格式
    print(img.getpixel((0,0)))#得到像素:
    #img读出来的图片获得某点像素用getpixel((w,h))可以直接返回这个点三个通道的像素值
    
    # 获取图像的灰度值范围
    width = img.size[0]
    height = img.size[1]
    
    # 输出图片的像素值
    count = 0 
    for i in range(0, width):
        for j in range(0, height):
            if img.getpixel((i, j))>=0 and img.getpixel((i, j))<=255:
                count +=1
    print count
    print(height*width)
    

    使用python进行数字图片处理,还得安装Pillow包。虽然python里面自带一个PIL(python images library), 但这个库现在已经停止更新了,所以使用Pillow, 它是由PIL发展而来的。

    pil能处理的图片类型
    pil可以处理光栅图片(像素数据组成的的块)。

    通道
    一个图片可以包含一到多个数据通道,如果这些通道具有相同的维数和深度,Pil允许将这些通道进行叠加

    模式
    1             1位像素,黑和白,存成8位的像素
    L             8位像素,黑白
    P             8位像素,使用调色板映射到任何其他模式
    RGB           8位像素,真彩
    RGBA          8位像素,真彩+透明通道
    CMYK          8位像素,颜色隔离
    YCbCr         8位像素,彩色视频格式
    I             32位整型像素
    F             32位浮点型像素
    

    坐标
    Pil采取左上角为(0,0)的坐标系统

    图片的打开与显示

    from PIL import Image
    img=Image.open('d:/dog.png')
    img.show()
    

    虽然使用的是Pillow,但它是由PIL fork而来,因此还是要从PIL中进行import. 使用open()函数来打开图片,使用show()函数来显示图片。

    这种图片显示方式是调用操作系统自带的图片浏览器来打开图片,有些时候这种方式不太方便,因此我们也可以使用另上一种方式,让程序来绘制图片。

    from PIL import Image
    import matplotlib.pyplot as plt
    img=Image.open('d:/dog.png')
    plt.figure("dog")
    plt.figure(num=1, figsize=(8,5),)
    plt.title('The image title')
    plt.axis('off') # 不显示坐标轴
    plt.imshow(img)
    plt.show()
    

    这种方法虽然复杂了些,但推荐使用这种方法,它使用一个matplotlib的库来绘制图片进行显示。matplotlib是一个专业绘图的库,相当于matlab中的plot,可以设置多个figure,设置figure的标题,甚至可以使用subplot在一个figure中显示多张图片。matplotlib 可以直接安装.
    figure默认是带axis的,如果没有需要,我们可以关掉

    plt.axis('off')
    

    图像加标题

    plt.title('The image title')
    

    matplotlib标准模式

    plt.figure(num=5, figsize=(8,5),)
    #plt.figure(num='newimage', figsize=(8,5),)
    plt.title('The image title', color='#0000FF')
    plt.imshow(lena) # 显示图片
    plt.axis('off') # 不显示坐标轴
    plt.show()
    

    CSDN-markdown编辑器语法——字体、字号与颜色


    PIL image 查看图片信息,可用如下的方法

    print type(img)
    print img.size  #图片的尺寸
    print img.mode  #图片的模式
    print img.format  #图片的格式
    

    图片的保存

    img.save('d:/dog.jpg')
    

    就一行代码,非常简单。这行代码不仅能保存图片,还是转换格式,如本例中,就由原来的png图片保存为了jpg图片。


    图像通道几何变换裁剪

    PIL可以对图像的颜色进行转换,并支持诸如24位彩色、8位灰度图和二值图等模式,简单的转换可以通过Image.convert(mode)函数完 成,其中mode表示输出的颜色模式,例如''L''表示灰度,''1''表示二值图模式等。但是利用convert函数将灰度图转换为二值图时,是采用 固定的阈 值127来实现的,即灰度高于127的像素值为1,而灰度低于127的像素值为0。

    彩色图像转灰度图

    from PIL import Image
    import matplotlib.pyplot as plt
    img=Image.open('d:/ex.jpg')
    gray=img.convert('L')
    plt.figure("beauty")
    plt.imshow(gray,cmap='gray')
    plt.axis('off')
    plt.title('The color image to gray image')
    plt.show()
    

    使用函数convert()来进行转换,它是图像实例对象的一个方法,接受一个 mode 参数,用以指定一种色彩模式,mode 的取值可以是如下几种:

    · 1 (1-bit pixels, black and white, stored with one pixel per byte)
    · L (8-bit pixels, black and white)
    · P (8-bit pixels, mapped to any other mode using a colour palette)
    · RGB (3x8-bit pixels, true colour)
    · RGBA (4x8-bit pixels, true colour with transparency mask)
    · CMYK (4x8-bit pixels, colour separation)
    · YCbCr (3x8-bit pixels, colour video format)
    · I (32-bit signed integer pixels)
    · F (32-bit floating point pixels)
    

    通道分离与合并

    from PIL import Image
    import matplotlib.pyplot as plt
    img=Image.open('d:/ex.jpg')  #打开图像
    gray=img.convert('L')   #转换成灰度
    r,g,b=img.split()   #分离三通道
    pic=Image.merge('RGB',(r,g,b)) #合并三通道
    plt.figure("beauty")
    plt.subplot(2,3,1), plt.title('origin')
    plt.imshow(img),plt.axis('off')
    plt.subplot(2,3,2), plt.title('gray')
    plt.imshow(gray,cmap='gray'),plt.axis('off')
    plt.subplot(2,3,3), plt.title('merge')
    plt.imshow(pic),plt.axis('off')
    plt.subplot(2,3,4), plt.title('r')
    plt.imshow(r,cmap='gray'),plt.axis('off')
    plt.subplot(2,3,5), plt.title('g')
    plt.imshow(g,cmap='gray'),plt.axis('off')
    plt.subplot(2,3,6), plt.title('b')
    plt.imshow(b,cmap='gray'),plt.axis('off')
    plt.show()
    

    裁剪图片

    从原图片中裁剪感兴趣区域(roi),裁剪区域由4-tuple决定,该tuple中信息为(left, upper, right, lower)。 Pillow左边系统的原点(0,0)为图片的左上角。坐标中的数字单位为像素点。

    from PIL import Image
    import matplotlib.pyplot as plt
    img=Image.open('d:/ex.jpg')  #打开图像
    plt.figure("beauty")
    plt.subplot(1,2,1), plt.title('origin')
    plt.imshow(img),plt.axis('off')
    #box变量是一个四元组(左,上,右,下)。  
    box=(80,100,260,300)
    roi=img.crop(box)
    plt.subplot(1,2,2)
    plt.title('roi')
    plt.imshow(roi)
    plt.axis('off')
    plt.show()
    

    用plot绘制显示出图片后,将鼠标移动到图片上,会在右下角出现当前点的坐标,以及像素值。

    **几何变换 **
    Image类有resize()、rotate()和transpose()方法进行几何变换。
    图像的缩放和旋转

    dst = img.resize((128, 128))
    dst = img.rotate(45) # 顺时针角度表示
    

    转换图像

    dst = im.transpose(Image.FLIP_LEFT_RIGHT) #左右互换
    dst = im.transpose(Image.FLIP_TOP_BOTTOM) #上下互换
    dst = im.transpose(Image.ROTATE_90)  #顺时针旋转
    dst = im.transpose(Image.ROTATE_180)
    dst = im.transpose(Image.ROTATE_270)
    

    transpose()和rotate()没有性能差别。


    python图像处理库Image模块

    创建一个新的图片

        Image.new(mode, size)  
        Image.new(mode, size, color)  
    

    层叠图片
    层叠两个图片,img2和img2,alpha是一个介于[0,1]的浮点数,如果为0,效果为img1,如果为1.0,效果为img2。当然img1和img2的尺寸和模式必须相同。这个函数可以做出很漂亮的效果来,而图形的算术加减后边会说到。

    Image.blend(img1, img2, alpha)  
    

    composite可以使用另外一个图片作为蒙板(mask),所有的这三张图片必须具备相同的尺寸,mask图片的模式可以为“1”,“L”,“RGBA”

    Image.composite(img1, img2, mask) 
    

    添加水印

    添加文字水印

    from PIL import Image, ImageDraw,ImageFont
    im = Image.open("d:/pic/lena.jpg").convert('RGBA')
    txt=Image.new('RGBA', im.size, (0,0,0,0))
    fnt=ImageFont.truetype("c:/Windows/fonts/Tahoma.ttf", 20)
    d=ImageDraw.Draw(txt)
    d.text((txt.size[0]-80,txt.size[1]-30), "cnBlogs",font=fnt, fill=(255,255,255,255))
    out=Image.alpha_composite(im, txt)
    out.show()
    

    添加小图片水印

    from PIL import Image
    im = Image.open("d:/pic/lena.jpg")
    mark=Image.open("d:/logo_small.gif")
    layer=Image.new('RGBA', im.size, (0,0,0,0))
    layer.paste(mark, (im.size[0]-150,im.size[1]-60))
    out=Image.composite(layer,im,layer)
    out.show()
    

    PIL Image 图像互转 numpy 数组

    将 PIL Image 图片转换为 numpy 数组

    im_array = np.array(im)
    # 也可以用 np.asarray(im) 区别是 np.array() 是深拷贝,np.asarray() 是浅拷贝
    

    更多细节见python中的深拷贝与浅拷贝

    numpy image 查看图片信息,可用如下的方法

    print img.shape  
    print img.dtype 
    

    将 numpy 数组转换为 PIL 图片
    这里采用 matplotlib.image 读入图片数组,注意这里读入的数组是 float32 型的,范围是 0-1,而 PIL.Image 数据是 uinit8 型的,范围是0-255,所以要进行转换:

    import matplotlib.image as mpimg
    from PIL import Image
    lena = mpimg.imread('lena.png') # 这里读入的数据是 float32 型的,范围是0-1
    im = Image.fromarray(np.uinit8(lena*255))
    im.show()
    

    PIL image 查看图片信息,可用如下的方法

    print type(img)
    print img.size  #图片的尺寸
    print img.mode  #图片的模式
    print img.format  #图片的格式
    print(img.getpixel((0,0))[0])#得到像素:
    #img读出来的图片获得某点像素用getpixel((w,h))可以直接返回这个点三个通道的像素值
    

    图像中的像素访问

    前面的一些例子中,我们都是利用Image.open()来打开一幅图像,然后直接对这个PIL对象进行操作。如果只是简单的操作还可以,但是如果操作稍微复杂一些,就比较吃力了。因此,通常我们加载完图片后,都是把图片转换成矩阵来进行更加复杂的操作。
    打开图像并转化为矩阵,并显示

    from PIL import Image
    import numpy as np
    import matplotlib.pyplot as plt
    img=np.array(Image.open('d:/lena.jpg'))  #打开图像并转化为数字矩阵
    plt.figure("dog")
    plt.imshow(img)
    plt.axis('off')
    plt.title('The image title')
    plt.show()
    

    调用numpy中的array()函数就可以将PIL对象转换为数组对象。


    查看图片信息,可用如下的方法

    PIL image 查看图片信息,可用如下的方法

    print type(img)
    print img.size  #图片的尺寸
    print img.mode  #图片的模式
    print img.format  #图片的格式
    print(img.getpixel((0,0))[0])#得到像素:
    #img读出来的图片获得某点像素用getpixel((w,h))可以直接返回这个点三个通道的像素值
    

    numpy image 查看图片信息,可用如下的方法

    print img.shape  
    print img.dtype 
    

    如果是RGB图片,那么转换为array之后,就变成了一个rowscolschannels的三维矩阵,因此,我们可以使用

    img[i,j,k]
    

    来访问像素值。
    例1:打开图片,并随机添加一些椒盐噪声

    from PIL import Image
    import numpy as np
    import matplotlib.pyplot as plt
    img=np.array(Image.open('d:/ex.jpg'))
    
    #随机生成5000个椒盐
    rows,cols,dims=img.shape
    for i in range(5000):
        x=np.random.randint(0,rows)
        y=np.random.randint(0,cols)
        img[x,y,:]=255
        
    plt.figure("beauty")
    plt.imshow(img)
    plt.axis('off')
    plt.show()
    

    例2:将lena图像二值化,像素值大于128的变为1,否则变为0

    from PIL import Image
    import numpy as np
    import matplotlib.pyplot as plt
    img=np.array(Image.open('d:/pic/lena.jpg').convert('L'))
    
    rows,cols=img.shape
    for i in range(rows):
        for j in range(cols):
            if (img[i,j]<=128):
                img[i,j]=0
            else:
                img[i,j]=1
                
    plt.figure("lena")
    plt.imshow(img,cmap='gray')
    plt.axis('off')
    plt.show()
    
    

    如果要对多个像素点进行操作,可以使用数组切片方式访问。切片方式返回的是以指定间隔下标访问 该数组的像素值。下面是有关灰度图像的一些例子:

    img[i,:] = im[j,:] # 将第 j 行的数值赋值给第 i 行
    img[:,i] = 100 # 将第 i 列的所有数值设为 100
    img[:100,:50].sum() # 计算前 100 行、前 50 列所有数值的和
    img[50:100,50:100] # 50~100 行,50~100 列(不包括第 100 行和第 100 列)
    img[i].mean() # 第 i 行所有数值的平均值
    img[:,-1] # 最后一列
    img[-2,:] (or im[-2]) # 倒数第二行
    

    直接操作像素点

    不但可以对每个像素点进行操作,而且,每一个通道都可以独立的进行操作。比如,将每个像素点的亮度(不知道有没有更专业的词)增大20%

    out = img.point(lambda i : i * 1.2)
    #注意这里用到一个匿名函数(那个可以把i的1.2倍返回的函数)  
    
    argument * scale + offset  
    e.g  
    out = img.point(lambda i: i*1.2 + 10)
    

    图像直方图

    我们先来看两个函数reshape和flatten:

    假设我们先生成一个一维数组:

    vec=np.arange(15)
    print vec
    

    如果我们要把这个一维数组,变成一个3*5二维矩阵,我们可以使用reshape来实现

    mat= vec.reshape(3,5)
    print mat
    

    现在如果我们返过来,知道一个二维矩阵,要变成一个一维数组,就不能用reshape了,只能用flatten. 我们来看两者的区别

    a1=mat.reshape(1,-1)  #-1表示为任意,让系统自动计算
    print a1
    a2=mat.flatten()
    print a2
    

    可以看出,用reshape进行变换,实际上变换后还是二维数组,两个方括号,因此只能用flatten.

    我们要对图像求直方图,就需要先把图像矩阵进行flatten操作,使之变为一维数组,然后再进行统计

    画灰度图直方图
    绘图都可以调用matplotlib.pyplot库来进行,其中的hist函数可以直接绘制直方图。
    调用方式:

    n, bins, patches = plt.hist(arr, bins=50, normed=1, facecolor='green', alpha=0.75)
    

    hist的参数非常多,但常用的就这五个,只有第一个是必须的,后面四个可选

    arr: 需要计算直方图的一维数组
    bins: 直方图的柱数,可选项,默认为10
    normed: 是否将得到的直方图向量归一化。默认为0
    facecolor: 直方图颜色
    alpha: 透明度
    

    返回值 :

    n: 直方图向量,是否归一化由参数设定
    bins: 返回各个bin的区间范围
    patches: 返回每个bin里面包含的数据,是一个list
    
    from PIL import Image
    import numpy as np
    import matplotlib.pyplot as plt
    img=np.array(Image.open('d:/pic/lena.jpg').convert('L'))
    
    plt.figure("lena")
    arr=img.flatten()
    n, bins, patches = plt.hist(arr, bins=256, normed=1, facecolor='green', alpha=0.75)  
    plt.title('The image title')
    plt.show()
    

    彩色图片直方图
    实际上是和灰度直方图一样的,只是分别画出三通道的直方图,然后叠加在一起。

    from PIL import Image
    import numpy as np
    import matplotlib.pyplot as plt
    src=Image.open('d:/ex.jpg')
    r,g,b=src.split()
    plt.figure("lena")
    ar=np.array(r).flatten()
    plt.hist(ar, bins=256, normed=1,facecolor='r',edgecolor='r',hold=1)
    ag=np.array(g).flatten()
    plt.hist(ag, bins=256, normed=1, facecolor='g',edgecolor='g',hold=1)
    ab=np.array(b).flatten()
    plt.hist(ab, bins=256, normed=1, facecolor='b',edgecolor='b')
    plt.title('The image title')
    plt.show()
    
    

    由此可见,matplotlib的画图功能是非常强大的,直方图只是其中非常小的一部分,更多的请参看官方文档:
    http://matplotlib.org/api/pyplot_summary.html


    Python如何读取指定文件夹下的所有图像

    '''
    Load the image files form the folder
    input:
        imgDir: the direction of the folder
        imgName:the name of the folder
    output:
        data:the data of the dataset
        label:the label of the datset
    '''
    def load_Img(imgDir,imgFoldName):
        imgs = os.listdir(imgDir+imgFoldName)
        imgNum = len(imgs)
        data = np.empty((imgNum,1,12,12),dtype="float32")
        label = np.empty((imgNum,),dtype="uint8")
        for i in range (imgNum):
            img = Image.open(imgDir+imgFoldName+"/"+imgs[i])
            arr = np.asarray(img,dtype="float32")
            data[i,:,:,:] = arr
            label[i] = int(imgs[i].split('.')[0])
        return data,label
    

    调用方式

    craterDir = "./data/CraterImg/Adjust/"
    foldName = "East_CraterAdjust12"
    data, label = load_Img(craterDir,foldName)
    

    Python图形图像处理库ImageEnhance模块图像增强

    可以使用ImageEnhance模块,其中包含了大量的预定义的图片加强方式
    加强器包括,色彩平衡,亮度平衡,对比度,锐化度等。通过使用这些加强器,可以很轻松的做到图片的色彩调整,亮度调整,锐化等操作,google picasa中提供的一些基本的图片加强功能都可以实现。

    颜色加强color用于调整图片的色彩平衡,相当于彩色电视机的色彩调整。这个类实现了上边提到的接口的enhance方法。

    ImageEnhance.Color(img)#获得色彩加强器实例  
    

    然后即可使用enhance(factor)方法进行调整。

    亮度加强brightness用于调整图片的明暗平衡。

    ImageEnhance.Brightness(img)#获得亮度加强器实例  
    

    factor=1返回一个黑色的图片对象,0返回原始图片对象

    对比度加强contrast用于调整图片的对比度,相当于彩色电视机的对比度调整。

    
    ImageEnhance.Contrast(image) #获得对比度加强器实例  
    
    import ImageEnhance  
    enh = ImageEnhance.Contrast(im)  
    enh.ehhance(1.5).show("50% more contrast")
    

    锐化度加强sharpness用于锐化/钝化图片。

    
    ImageEnhance.Sharpness(image) #返回锐化加强器实例  
    

    应该注意的是锐化操作的factor是一个0-2的浮点数,当factor=0时,返回一个完全模糊的图片对象,当factor=1时,返回一个完全锐化的图片对象,factor=1时,返回原始图片对象


    Python图像处理库ImageChops模块

    这个模块主要包括对图片的算术运算,叫做通道运算(channel operations)。这个模块可以用于多种途径,包括一些特效制作,图片整合,算数绘图等等方面。
    Invert:

    ImageChops.invert(image) 
    

    图片反色,类似于集合操作中的求补集,最大值为Max,每个像素做减法,取出反色.
    公式

    out = MAX - image
    

    lighter:

    ImageChops.lighter(image1, image2)  
    

    darker:

    ImageChops.darker(image1, image2)  
    

    difference

    ImageChops.difference(image1, image2)
    

    求出两张图片的绝对值,逐像素的做减法
    multiply

    ImageChops.multiply(image1, image2)
    

    将两张图片互相叠加,如果用纯黑色与某图片进行叠加操作,会得到一个纯黑色的图片。如果用纯白色与图片作叠加,图片不受影响。
    计算的公式如下公式

    out = img1 * img2 / MAX
    

    screen:

    
    ImageChops.screen(image1, image2)  
    

    先反色,后叠加。
    公式

    out = MAX - ((MAX - image1) * (MAX - image2) / MAX)
    

    add:

    ImageChops.add(img1, img2, scale, offset)  
    

    对两张图片进行算术加法,按照一下公式进行计算
    公式

    out = (img1+img2) / scale + offset
    

    如果尺度和偏移被忽略的化,scale=1.0, offset=0.0即
    out = img1 + img2
    subtract:

    ImageChops.subtract(img1, img2, scale, offset)  
    

    对两张图片进行算术减法:
    公式

    out = (img1-img2) / scale + offset
    

    Python图形图像处理库ImageFilter模块图像滤镜

    ImageFilter是PIL的滤镜模块,通过这些预定义的滤镜,可以方便的对图片进行一些过滤操作,从而去掉图片中的噪音(部分的消除),这样可以降低将来处理的复杂度(如模式识别等)。

    滤镜名称                      含义
    ImageFilter.BLUR          模糊滤镜
    ImageFilter.CONTOUR       轮廓
    ImageFilter.EDGE_ENHANCE    边界加强
    ImageFilter.EDGE_ENHANCE_MORE    边界加强(阀值更大)
    ImageFilter.EMBOSS                 浮雕滤镜
    ImageFilter.FIND_EDGES         边界滤镜
    ImageFilter.SMOOTH                       平滑滤镜
    ImageFilter.SMOOTH_MORE      平滑滤镜(阀值更大)
    ImageFilter.SHARPEN                    锐化滤镜
    

    要使用PIL的滤镜功能,需要引入ImageFilter模块

    import Image, ImageFilter  
      
    def inHalf(img):  
        w,h = img.size  
        return img.resize((w/2, h/2))  
      
    def filterDemo():  
        img = Image.open("sandstone_half.jpg")  
        #img = inHalf(img)  
        imgfilted = img.filter(ImageFilter.SHARPEN)  
        #imgfilted.show()  
        imgfilted.save("sandstone_sharpen.jpg")  
      
    if __name__ == "__main__":  
        filterDemo()  
    


    作者:jiandanjinxin
    链接:https://www.jianshu.com/p/e8d058767dfa
    來源:简书
    著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
  • 相关阅读:
    滚动计算基础知识
    Javascript继承
    提取URL字符串的搜索字符串中的参数
    C++编程练习(13)----“排序算法 之 堆排序“
    常见网络端口 和 常见网络协议
    TCP协议中的三次握手和四次挥手(图解)
    C++编程练习(14)-------“单例模式”的实现
    编程练习------C/C++分别实现字符串与整数的转换
    IPv4地址学习总结
    C/C++中的联合体
  • 原文地址:https://www.cnblogs.com/jyxbk/p/8535161.html
Copyright © 2020-2023  润新知