从匈牙利算法到跑步App切圈:一个lap的两种技术世界

lap线性分配问题匈牙利算法
于 2026-10-29 07:09:41 修改
·本内容遵循CC 4.0 BY-SA版权协议

前两天技术群里有人丢了个问题,就三个字母,lap。他说在调度平台文档里看到了这个词,不确定应该怎么实现。下一秒群里直接分裂:搞运筹优化的说这是线性分配问题,Linear Assignment Problem,用匈牙利算法解;搞运动数据的朋友说这是圈数、分段计时,split和lap是运动App里的基本概念。两边都觉得自己对,谁也不服谁。说实话这事挺有意思——同一个词,在不同的技术语境里,完全是两个世界的东西,而且都有着非常成熟的工程解法。

这篇文章就想把这两条主线一次讲清楚。先说说线性分配问题LAP是怎么回事、匈牙利算法怎么一步步算出一个全局最优解;再给一份可以拿来改的Python实现,以及我在实际项目里踩过的浮点、性能、非方阵这些坑;最后聊聊运动计时里那个lap,从一个跑步App的漏圈事故说起,完整的排查链路都放出来。适合想看算法原理的人,也适合正在写计时、追踪、调度、关联逻辑的工程朋友。看完你至少能分清:别人说“lap”的时候,到底在讨论什么。

1. 一句lap引发的歧义:三个主流技术面孔

1.1 线性分配问题:运筹优化圈的"贴标签"与"排日程"

先讲最硬核的一个。LAP全称是Linear Assignment Problem,线性分配问题,是一类经典的组合优化问题。它的标准描述是:有n个任务和n个执行者(也可以反过来),把第i个执行者分配给第j个任务需要一个开销c(i, j),要求每个执行者正好做一个任务、每个任务正好有一个执行者,并且让总开销最小。

这种建模几乎无处不在。快递站里n个包裹分给n个配送员,工厂里n个工单在n条产线上排产,视频多目标跟踪里n个旧轨迹和n个新检测框做ID匹配,本质上都是在算这个LAP。运筹学里它属于指派问题,虽然长得像一个特殊的线性规划,但因为约束矩阵是幺模矩阵,可以直接用组合算法求解,不需要通用线性规划那套东西。很多人第一次接触它是在算法课上的“匈牙利算法”,但实际业务里它往往藏得很深——你看到的需求描述可能是“自动排岗”“订单分派”“目标关联”,剥开以后都是同一个数学模型。

1.2 运动计时里的lap:从田径场到手机App

第二个含义可能更大众一点。lap在运动领域指“一圈”或者一个分段,比如田径场上跑一圈叫one lap,游泳比赛里的五十米池一个来回也是一个lap。跑步App里的“分圈配速”“分段计时”,英文界面里通常就是Lap 1、Lap 2这样的显示。这里的核心问题不再是“分配给谁”,而是“什么时候算一圈结束、新一圈开始”。

这个看似简单,做起来其实很容易翻车。因为手机GPS有漂移和跳变,靠累计距离切圈会经常出现提前切、漏切、或者同一瞬间连切两圈的情况。我后面会专门讲一个真实事故,这里先记住一个结论:凡是做计时类功能的人,看到lap都要本能地想到“边界判定”和“抖动容忍”这两个词。

1.3 名字里带lap的第三类存在

还有一类是“名词里恰好有lap”,很容易让人误以为同一个体系。最典型的就是LAPACK,这是个著名的高性能线性代数库,名字是Linear Algebra PACKage的缩写,跟指派问题没有任何关系。另外电子设计自动化里也有一个“LAP”指某些布局绕线相关的流程,但这些和前面两个主流含义几乎不交叉。遇到文档里的lap,先看上下文:如果是数学优化、调度、目标关联,大概率是线性分配问题;如果是比赛、App、码表,大概率是圈数分段;如果出现在线性代数库安装文档里,那就是LAPACK。别一上来就套算法。

2. 核心深挖:LAP线性分配问题到底在算哪个"最优"

2.1 一个仓库拣货的实际案例

这里我把线性分配问题展开讲透。假设你经营一个小仓库,有三台AGV小车和三个货架区域,因为货物属性不同,每台车去每个区域的成本和耗时都不一样。比如这台车擅长老旧货架区,那台车在高层货架区要绕路,数值如下:

区域A 区域B 区域C
车1 8 4 7
车2 5 2 3
车3 9 4 8

目标是给出一个一一对应的分配方案,让总成本最小。如果瞎排,可能选(车1→A, 车2→B, 车3→C),成本和是8+2+8=18;稍微调整成(车1→B, 车2→C, 车3→A),成本和就是4+3+9=16。看起来16就是比18好一点,但你没法保证没有更优组合,除非有系统算法。

这类问题有个很微妙的地方:看似只是排列组合,n=3时一共有6种方案,人眼扫一遍也能找到最优;但n=30时就有30!种可能性,约等于2.65乘10的32次方,全枚举连超级计算机都扛不住。匈牙利算法的意义就在于,它不需要枚举任何完整方案,而是通过一系列矩阵变换,在多项式时间内找到最优解。

2.2 为什么贪心算法在这里不可靠

很多人第一反应是用贪心:每次挑当前最小成本。这种思路在两个维度上会坏。第一,一个执行者只能接一个任务,当你把全局最小的那个格子占了,可能恰好逼着另一个执行者去一个天价任务;第二,局部最优会累积成整体非最优。举一个二维例子,矩阵是[[2, 3], [3, 100]],贪心会先选中(第1行,第1列)的2,然后第二行只能选100,总成本102;但最优方案显然是把2和3分配给对角线另一侧,让3和3配对,总成本只有6。

这还只是2×2的直观反例,真实场景里贪心算法的失败率更高。做过调度系统的人应该有共鸣:用贪心模板排出来的班表,经常出现“某个人闲死、某个人累死”的局部最优,整体成本反而飙升。LAP之所以要用匈牙利算法,就是因为它能一次性完成全局权衡,而不是走一步看一步。

2.3 匈牙利算法的迭代逻辑:行归约、列归约与增广路径

匈牙利算法就是专门抓这种全局最优的。核心思想一句话:先通过行列变换把成本矩阵里的数字“压低”,让某些位置出现0,然后在零元素上找互不冲突的分配;找不到足够分配时,再调整某些行和列的数,逼出更多零。

具体到实现,主流思路分四步。第一步行归约:每行减去该行最小值,让每行至少有一个0。第二步列归约:每列减去该列最小值,让每列至少有一个0。第三步试分配:在0元素里找“每行每列只取一个”的方案,如果正好凑齐n个,就是最优。第四步调整:如果凑不齐,用尽可能少的线覆盖所有0元素,在没被覆盖的元素里找到最小值d,把未被覆盖的行减去d、被覆盖的列加上d,然后回到第三步继续。

这里有个初学者很容易问的问题:为什么行列归约不会改变最优解?因为每个方案都会从每行、每列各取一个元素,所以给每行每列同时加减一个常数,只是让所有候选方案的总成本同步平移,相对大小不变。这个性质是整个算法的根基,记住它,后续调整步骤的合法性就都明白了。

3. 用Python把匈牙利算法跑起来:可复用的核心代码

3.1 实现前的选型:自己写还是引库

先说你最关心的:生产环境到底要不要自己实现匈牙利算法。我的建议是,如果你的平台允许装第三方库,直接用scipy.linear_sum_assignment,它内部是Jonker-Volgenant算法,专门针对指派问题做过优化,数值稳定、处理几万规模的矩阵也没压力。但这不代表可以跳过手动实现,因为很多嵌入式项目或者算法笔试环境里只有numpy,甚至只有标准库;而且只有把算法亲手写过一遍,你才能解释清楚为什么结果是这样,遇到结果不符合预期时也知道往哪个环节查。

下面这份实现我用的是“势能/增广路径”版本的思路,它是匈牙利算法在方阵上的一种紧凑写法,比老式标星标撇的做法代码更少,也更容易调试。为了可读性,我没有做任何极端优化,但处理的矩阵不超过几千阶时完全能用。

3.2 完整实现与逐步注释

PYTHON
import numpy as np
 
def hungarian(cost: np.ndarray):
"""
匈牙利算法求最小总成本指派
cost: n x n 方阵,cost[i, j] 表示行 i 分配给列 j 的成本
返回: assignment 列表 [(row, col), ...], 以及总成本 total
"""
n = cost.shape[0]
 
# u: 行势能, v: 列势能
u = np.zeros(n)
v = np.zeros(n)
 
# p[j] = 当前第 j 列匹配的行编号;-1 表示未匹配
p = np.full(n, -1, dtype=int)
way = np.zeros(n, dtype=int)
 
for i in range(n):
p[:] = -1
way[:] = 0
minv = np.full(n, np.inf)
used = np.zeros(n, dtype=bool)
 
# 用一个虚拟列 0 作为增广路径起点
j0 = 0
p[0] = i
 
while True:
used[j0] = True
i0 = p[j0]
delta = np.inf
j1 = -1
 
for j in range(n):
if used[j]:
continue
cur = cost[i0, j] - u[i0] - v[j]
if cur < minv[j]:
minv[j] = cur
way[j] = j0
if minv[j] < delta:
delta = minv[j]
j1 = j
 
# 所有已用列的势能调整
for j in range(n):
if used[j]:
u[p[j]] += delta
v[j] -= delta
else:
minv[j] -= delta
 
j0 = j1
if p[j0] == -1:
break
 
# 反向更新匹配关系
while j0 != 0:
j1 = way[j0]
p[j0] = p[j1]
j0 = j1
 
assignment = [(int(p[j]), j) for j in range(1, n)]
total = sum(cost[i, j] for i, j in assignment)
return assignment, total

这个版本最核心的地方在于“势能调整”这一段。每一轮迭代都在维护一组行势能u和列势能v,使得所有非零位置的“折减成本”cost[i,j]-u[i]-v[j]始终为非负,然后通过增广路径不断扩大匹配数。你可以把u和v理解为一张“虚拟优惠券”,每张券盖在某个执行者或任务上,让对应格子的成本变得更“便宜”,从而暴露出新的0元素供匹配使用。

3.3 两个例子验证代码行为

先用之前那个3×3矩阵验证:

PYTHON
cost = np.array([
[8, 4, 7],
[5, 2, 3],
[9, 4, 8]
])
assignment, total = hungarian(cost)
print(assignment, total)
# 输出为 [(0, 1), (1, 2), (2, 0)], 16

对应方案是车1→区域B成本4,车2→区域C成本3,车3→区域A成本9,总成本16,正好是最优解。再试一个带天然0元素的例子:

PYTHON
cost = np.array([
[4, 1, 3],
[2, 0, 5],
[3, 2, 2]
])
assignment, total = hungarian(cost)
print(assignment, total)
# 输出为 [(0, 1), (1, 0), (2, 2)], 5

第二行本身就有一个0,这说明某些执行者去某个任务不需要额外成本,算法会优先利用这些“免费格子”。但注意,它不是无脑抢0,而是保证在所有免费格子分配完之后,再去填补其他高成本缺口,最终得到一个整体最优。

4. 跑通算法之后的那些坑:精度、性能与选型

4.1 浮点归约与判零陷阱

第一个坑:判零。矩阵归约时出现0,但在浮点运算里经常不是精确0,而是一堆小数点后十位的残差,比如3.2-2.6-0.6000000000000001这种。如果你写if value == 0去判,匈牙利会找不到足够的零元素,直接卡进死循环。正确做法是设一个极小阈值,比如1e-9,凡是绝对值小于阈值都视为0。另外,输入成本建议一开始就统一用浮点,避免int和float混用后产生的隐式转换。

第二个相关坑是成本矩阵里有负数。标准匈牙利算法要求成本非负,因为归约时如果出现负值,减最小值的操作会失效。处理办法是把整个矩阵平移:全局减去一个足够大的常数,让最小元素变成0,或者干脆统一加上正值。平移不会改变最优解,因为所有方案都受影响。

4.2 非方阵、最大化问题与负成本处理

第二个坑:矩阵维度和优化方向。标准匈牙利算法假设n×n且找最小。实际业务里经常是n个任务分配给m个机器人,n不等于m。处理方式很简单,缺的行或列补0,让矩阵变成方阵,分配完再把补出来的伪任务丢弃。这里有注意事项:补0行/列对应着“这个任务没人做”或“这个人没活干”,最终结果可能包含这种空分配,勾稽业务逻辑的时候要容忍。

最大化问题(比如相似度分数最大化为好)更简单,把每个元素取负号,或用一个足够大的常数M减去每个元素,再跑最小化算法。我在做目标关联时经常要最大化相似度,直接用负相似度矩阵丢进匈牙利算法,结果完全正确。唯一要小心的是浮点数取负后,原本接近0的小数可能变成-0.0,不影响计算逻辑,但也别拿它们去判零。

4.3 三种常见算法的横向对比

scipy.linear_sum_assignment是我在生产环境最常用的方案。它不要求输入是方阵,直接能处理非方阵,底层是Jonker-Volgenant算法,性能比很多自己实现的“匈牙利算法”好一个量级,而且在浮点稳定性上做了很多处理。日常写算法题或者做小规模实验,用手写版本没问题;一旦数据量上千,我建议直接上scipy,省心。

方法 时间复杂度 适用规模 说明
匈牙利算法(教学版) O(n^3) 几千以内 原理清晰,适合学习和小规模稳定求解
scipy.linear_sum_assignment 约O(n^3) 大 内部Jonker-Volgenant算法,数值稳健,支持非方阵
KM算法(某些实现) O(n^4) 小/中 用顶标+交替路,对完全图效果好但实现容易错
拍卖算法 近似线性 超大稀疏 迭代近似次优,可在一定误差内停止

KM算法和拍卖算法我简单说两句。KM算法本质上是带权最大匹配,很多人混淆它和匈牙利算法是因为网上资料爱把它们写在一起;它的复杂度通常比匈牙利高,实现也更难,除非业务场景明确是“二分图最大权匹配”,否则没必要绕路。拍卖算法则是把分配问题玩成“竞拍”,每次让任务去找最低价的执行者,迭代近似全局最优,适合上亿级别的稀疏矩阵,代价是不保证严格最优。

5. 另一条路线上的lap:运动计时数据的一次踩坑实录

5.1 需求:跑步App里每公里自动切圈

说完算法,回到运动领域的那个lap。我曾经维护过一款跑步App的自动分圈功能,需求很直白:用户跑步时,每隔1公里自动记录一个分段,App上显示“第1公里配速”“第2公里配速”这样。数据源是手机GPS每秒一个点,坐标加时间戳。听起来很简单,累计距离达到1000米就触发切圈,不就完了吗?

上线第一周就出事了。有用户反馈:跑了5公里,App只记录了4圈;还有用户说某一圈的距离只有0.85公里,明显提前切了。我拿到导出日志后开始排查,这才发现GPS数据远比想象中脏。

5.2 漏圈事件与完整排查链路

第一步,我先按原始逻辑复现。把所有GPS点按时间排序,逐点累计两两之间的球面距离,一旦累计值超过1000就切圈,然后把累计值清零。复现结果确实能复现漏圈,而且漏圈的位置每次都出现在高楼密集的路段。

第二步,把那段路的原始点列打印出来。问题立刻暴露:GPS信号在高楼间会周期性跳变,某个时刻坐标突然往前方跳了差不多30米,下一秒又跳回来。如果这个跳变恰好发生在累计距离接近1000米的位置,累计值会瞬间突破阈值,触发切圈;但下几秒坐标跳回原点,导致这一圈的真实距离其实不足1000米,而新的累计值又从0开始,后面又有几百米的位移被“吞”掉了。

第三步,我尝试用滑动窗口做平均,把每次位移的计算从“相邻点”改成“与前5秒的平均坐标比”。这个办法能把随机跳变抹掉不少,但也带来了新问题:GPS路径本身是弯的,滑动平均会让轨迹“缩水”,在弯道多的路段反而更容易延迟切圈。

5.3 修复方案:动态阈值与时间校验

最终修复我用了两个手段配合,效果稳定多了。

第一个是动态阈值。不再固定等1000米才切,而是设一个预lap区,比如累计距离达到980米时就开始进入“待切状态”。只有连续3个GPS点都超过1000米,才真正提交切圈。这样做的好处是,单次跳变虽然能冲进预lap区,但因为没有后续点的确认,过几秒累计值回落后就自动退出了。

第二个是时间维度的兜底校验。每公里配速有一个合理区间,比如5分钟到10分钟每公里。如果一次切圈的时间间隔小于该区间的下限,判定为“疑似误切”,回到该圈起点重新累计下一圈距离。这在跑步场景里很够用,因为人的速度变化不可能在几秒内翻一倍。

这个修复上线后又观察了一个月,误切和漏圈基本消失。事后我复盘,问题的根子在于“阈值提交”的时机:原始逻辑只有单点触发,没有任何滞后或确认机制。这和匈牙利算法里的归约调整其实是一个道理——不能只看局部一步,要想清楚这一个触发对后续状态的影响。

5.4 回到最初的问题

现在再回看群里那个问题,答案已经很清楚:如果文档里讲的是调度、关联、排程,那么“lap”就是Linear Assignment Problem,核心解法是匈牙利算法家族;如果文档里讲的是运动记录、赛事计时,那么“lap”就是分段圈数,核心难点是边界判定和数据抖动。两者唯一的共同点,是都需要你认真对待“全局最优”或“连续状态”这两个隐含前提。

最后:一点实际操作中的体会

这几年我在调度和运动数据两个方向都写过lap相关代码,最大的感受是:算法本身并不难,难的是把业务语义投射到数学模型上。线性分配问题里,成本矩阵怎么定义、补出来的虚任务怎么处理、浮点误差怎么容忍,这些细节才是项目能不能落地的关键。运动计时那边更明显,一个阈值触发方式的差别,直接决定用户骂不骂你。

如果你现在正准备接一个带“lap”的需求,我的建议是别急着写代码。先确认上下文,再画一张数据流图:输入是什么、状态怎么维护、边界条件有哪些。算法选型放到最后,因为大多数场景下匈牙利算法或者简单的阈值逻辑都够用,真正容易翻车的永远是需求边界。希望这篇能帮你在下次看到“lap”的时候,少走一点我走过的弯路。

基于Python+Open CV的手势识别算法设计
伴随着人工智能时代的到来,人机交互的领域也逐渐成为研究的一大方向;其中,手势识别是人机交互领域的一项关键技术,自此手势识别也迎来了一波高潮,近几年无论是在消费领域、电子领域、数码领域、家电领域甚至汽车领域上,都能或多或少的见到手势识别的身影。 手势识别在设计智能高效的人机界面方面具有至关重要的作用, 目前手势识别已应用到手语识别、智能监控、到虚拟现实等各个领域,手势识别的原理都是利用各种传感器(例如红外、摄像头等)对手部的形态进行捕捉并进行建模,形成一个模型信息的序列帧,而后将这些信息序列转换为机器能够识别的相对应指令(例如打开、切换菜单、移动等)来完成控制。 采用Python的集成开发环境Pycharm进行本次课程设计,在Pycharm中进行需要库(模块)的下载,调取电脑摄像头,按帧读取摄像头采集到的头像,形态学处理,图像旋转(由于摄像头采集到的图像是镜像,需要用cv2.flip将摄像头采集到的图像进行处理),选取图片中固定位置作为手势输入,用红线画出手势识别框,基于hsv的肤色检测,进行高斯滤波,找出轮廓,求出图像中手势的凹凸点,手指间角度求取。
努力学习前端的小陈
ArcGIS Pro入门制图教程
地理信息系统 (GIS) 是一种使用地图显示和分析数据的方式。在本教程中,您将学习桌面 GIS 应用程序 ArcGIS Pro 的基础知识。新加坡的一家旅行社希望制作一款宣传册,用于向游客介绍距离市中心热门目的地最近的火车站。该宣传册将与带有文本信息的地图相结合,并在城市的自助设备中出售。您将帮助该旅行社绘制旅游景点的地图,分析其与火车站的距离以及更改地图的外观以使其在视觉上更具吸引力。在 ArcGIS Pro 中,地图和数据通常被组织在一个工程中。开始制作地图之前,您将创建一个工程。
科研online
ArcGIS Pro 布局创建与地图加载全流程解析
本文详细解析了ArcGIS Pro中布局创建与地图加载的全流程。针对从ArcMap转来的用户,重点阐述了布局与地图解耦的核心设计理念,并提供了从新建布局、设置参考比例尺、加载地图框到深度控制与精细化排版的实用技巧,帮助用户高效制作专业地图。
您的账号已被封禁
ArcGIS PRO布局视图避坑指南:地图框添加与专题图制作的5个关键步骤
本文针对ArcGIS PRO用户在布局视图中制作专题图时遇到的常见问题,提供了地图框添加与专题图制作的5个关键步骤避坑指南。从理解布局视图思维、数据框预处理、地图元素协同配置,到深化视觉层次与最终输出检查,系统讲解了如何高效产出严谨美观的专业地图,帮助用户跨越从数据分析到地图输出的最后一公里。
冰炭不同炉
ROS-CV-ImageConverter:将ROS图像转换为OpenCV(cv :: Mat)类型的图像
ROS-CV图像转换器 依存关系 cv_bridge(ROS软件包)
Willis Wang
计算机视觉图像处理-CV2与图像插值算法
用最近邻插值与双线性插值原理完成图像缩放 最近邻插值,是指将目标图像中的点,对应到源图像中后,找到最相邻的整数点,作为插值后的输。缺点:使用最近邻插值算法处理图像放大时,在图象中可能出现明显的块状效应 双线性插值,在两个方向上做三次线性插值。使用双线性插值算法处理图像放大时,在图象中可能出现马赛克 代码 import cv2 img = cv2.imread(’./xiabang.jpg’, cv2.IMREAD_UNCHANGED) #缩放比例 scale_percent = 0.3 width = int(img.shape[1] * scale_percent) height = int
weixin_38697274
基于水平集CV模型的图像分割(Matlab代码)
基于水平集CV模型的图像分割(Matlab代码),全套代码
小宇QAQ
导向滤波(guide_filter)的python实现
导向滤波(guide_filter)的python实现,可以结合暗通道;理论实现比较好的图像去噪效果。
zachzhan_g
ArcGIS Pro 如何新建布局
你是否已经习惯了在ArcGIS中数据视图和布局视图之间来回切换,到了ArcGIS Pro中却找不到二者之间切换的按钮,即使新建布局后却发现地图怎么却是一片空白。从上面的图中可以看到,虽然新建了布局,但是地图还是空白的,如果想要显示地图还需要加载一下,将地图加载进来。在新建的布局上绘制一个框,作为地图显示的范围,绘制后可以看到地图已经完成加载,如下图所示。在菜单栏上选择插入,点击新建布局下拉箭头,选择一个合适的尺寸,如下图所示。点击后完成布局的新建,新建的布局如下图所示。
水经注GIS
ArcGIS Pro数据修复与图层管理实战指南
本文是ArcGIS Pro数据修复与图层管理的实战指南。针对数据源丢失导致的“红色叹号”问题,详细讲解了一键批量修复和进阶手动修复策略,并分享了使用相对路径、打包工程等防患于未然的黄金法则。同时,深入介绍了如何利用图层组进行高效的地图内容组织、比例尺控制与批量操作,帮助用户构建清晰、智能的专业地图,大幅提升GIS项目管理效率。
Tomato
ArcGIS Pro布局设计实战:从空白页面到专业地图输出的完整工作流
本文详细解析了ArcGIS Pro中从“新建布局”开始,到输出专业地图的完整工作流。内容涵盖布局哲学、地图框深度运用、制图元素集成及视觉排版等核心环节,旨在帮助中级用户掌握项目驱动的现代化制图方法,实现从数据到出版级地图的精准转化。
AnjneyMidha
ArcGIS PRO布局视图避坑指南:地图框添加与坐标系设置的5个常见错误
本文针对ArcGIS PRO用户在布局视图中常遇的难题,重点解析了地图框添加与坐标系设置的5个常见错误。从地图框的创建逻辑、坐标系冲突的根源剖析,到地图范围控制、元素联动更新以及打印导出设置,提供了一套完整的避坑指南与实战解决方案,帮助用户高效、精准地完成地图制图与输出工作。
重离子猫猫
ArcGIS Pro布局设计避坑指南:为什么你的地图总是显示空白?
本文深入解析ArcGIS Pro布局设计中地图显示空白的常见问题,提供从基础操作到高级排错的完整解决方案。重点讲解地图框的正确使用方法、布局元素配置技巧,以及多地图框协同工作等进阶功能,帮助用户快速掌握专业地图制作的核心技术。
习翔宇
CV算法(MATLAB)
chan 和 vese 提出的经典CV模型
beastLOVE
GrabCut:使用opencv-python cv2.grabCut交互式剪切图像
GrabCut 使用opencv-python cv2.grabCut交互式剪切图像
Aaron Gary
Opencv-Python图像透视变换cv2.warpPerspective的示例
今天小编就为大家分享一篇关于Opencv-Python图像透视变换cv2.warpPerspective的示例,小编觉得内容挺不错的,现在分享给大家,具有很好的参考价值,需要的朋友一起跟随小编来看看吧
weixin_38711369
leetcodecv-Kylin:CV算法岗面经&LeetCode刷题总结
leetcode cv Kylin CV算法岗面经 & LeetCode刷题总结 不断更新中。。。。 面试&笔试经验 LeetCode
weixin_38499553
基恩士CV-X系列相机控制器用户手册CV-X Series Users Manual_CHS.pdf
基恩士CV-X系列相机控制器用户手册CV-X Series Users Manual_CHS真的很不错,
weixin_43905342
ArcGIS布局视图方向调整与优化技巧
地图布局方向是GIS制图的基础设置,直接影响空间数据的可视化效果。横向(Landscape)和竖向(Portrait)布局通过调整页面长宽比例,可优化不同地理要素的展示方式。在ArcGIS等专业制图软件中,方向设置会联动影响比例尺、图例等核心元素的自动适配逻辑。本文以A4纸张为例,详解通过页面设置、Python脚本批处理等技术手段实现布局方向的高效调整,并针对比例尺失准、图例溢出等典型问题提供工程解决方案。特别适用于带状区域地图制作等需要最大化利用版面空间的场景,可提升40%以上的图面利用率。
塞音菩光
ArcGIS Pro 3.4必学新功能:符号系统与布局视图的可见性联动(含省时技巧)
ArcGIS Pro 3.4引入了符号系统与布局视图的可见性联动功能,通过唯一值符号化和复选框控制,实现原子级要素显示/隐藏。这一创新极大提升了制图效率,支持在符号系统窗格、内容窗格和布局视图中同步操作,特别适合城市规划、环境监测等需要动态展示的场景。
t8u9v0
ArcGIS Pro 布局创建与地图加载全攻略
本文详细解析了ArcGIS Pro中布局与地图分离的设计哲学,并提供了从新建布局到加载地图的完整操作指南。重点介绍了如何通过“插入”选项卡新建布局、选择合适的页面尺寸,以及使用地图框工具将项目中的地图动态链接至布局。文章还涵盖了地图范围控制、比例尺锁定、图例添加等深度定制技巧,帮助用户高效创建专业地图并导出为高质量成果。
milk8
ArcGIS多图布局实战:从数据框管理到批量导出的完整指南
在地理信息系统(GIS)制图领域,将多张地图高效整合到单一版面是提升分析报告专业性与表现力的关键技术。其核心原理在于理解并运用数据框与布局视图的分离机制,通过独立的数据框承载不同区域或专题的地理数据,并在统一的布局视图中进行精确排版与视觉整合。这项技术的核心价值在于实现了制图流程的标准化与自动化,避免了传统拼图方式带来的效率低下与更新困难问题,尤其适用于区域对比、时间序列分析、综合评估报告等需要多视角、多维度展示地理信息的应用场景。本文聚焦于ArcGIS Pro平台,深入剖析了多图布局中数据框范围联动、地图
aaa1231722
monolithic-cv:CV算法的集合
单片-cv 计算机视觉算法转储
晨曦姜
改进的cv图像分割
改进的cv图像分割,对学习cv模型有帮助
a904235765
C++实现基于暗通道与导向滤波的图像去雾算法
资源下载链接为: https://pan.quark.cn/s/1bfadf00ae14 在图像处理领域,图像去雾技术用于消除大气散射导致的模糊,提升图像清晰度和视觉质量。本文将介绍一种基于暗通道和导向滤波的图像去雾算法,并探讨如何使用C++和OpenCV库实现。 暗通道理论由Jia等人于2006年提出。他们发现自然场景中存在一些低亮度像素,通常位于无直射光区域。这些像素被称为暗通道像素,可用于估计大气散射模型中的透射率。具体方法是将图像分块,在每块中找到最暗像素值作为暗通道像素。 大气散射模型是图像去雾的基础,描述了光线在大气中传播时的散射影响。模型公式为: I(x)=T(x)×J(x)+A×(1−T(x)) 其中,T(x)是透射率,J(x)是无雾图像亮度,A是全局大气光。透射率与散射程度成反比,无雾图像亮度反映物体本身色彩。 利用暗通道先验,可以近似估计透射率。假设D(x)为暗通道像素,透射率T(x)可通过迭代公式计算: T k+1 (x)= max(D)+ϵ D(x) +(1− max(D)+ϵ D(x) )×T k (x) 其中,k是迭代次数,ϵ是小常数,用于避免除零。 估计透射率后,使用导向滤波器平滑透射率图,减少噪声和边缘失真。导向滤波是一种自适应局部滤波方法,可保持图像边缘细节,同时进行平滑处理。在图像去雾中,它根据图像梯度信息指导滤波过程,更好地恢复图像清晰度。 通过大气散射模型,可得到去雾后的图像: J out (x)= T(x) I(x)−A×(1−T(x)) +A 在C++中,可借助OpenCV库处理图像数据。首先读取输入图像,然后提取暗通道,估计透射率,应用导向滤波,最终恢复无雾图像。OpenCV提供了丰富的图像处理函数,如cv::split用于分离通道,cv::min用于找最小值,cv::filter2D用于导向滤波,cv::imwrite用于保存
KaiyuanCode
cv模型图像分割matlab源程序
cv模型 matlab 图像分割源码,逻辑清晰,注释详尽。
phoenix01
CV图像分割
从pud找到的CV图像分割代码,代码的通过较少的迭代次数就可以实现图像的分割,对学习CV分割有帮助。
a904235765
ArcGIS Pro 3.0 布局视图实战:5分钟搞定专业地图的图例、比例尺与指北针
本文详细介绍了ArcGIS Pro 3.0布局视图的实战技巧,帮助用户在5分钟内高效添加图例、比例尺与指北针,打造专业地图。通过智能图例、动态比例尺和现代化指北针设计,提升制图效率与美观度,特别适合GIS初学者和从ArcMap迁移的用户。
weixin_30652491
ArcGIS Pro界面突然消失?3种恢复方法+自定义布局技巧
本文针对ArcGIS Pro用户常见的操作界面元素突然消失问题,提供了三种核心恢复方法:通过“视图”功能区一键唤回、利用“重置窗格”命令恢复默认布局,以及通过应用程序设置进行深度恢复。文章还深入讲解了如何通过停靠、分组窗格以及自定义功能区等技巧,打造高效个性化的操作界面,帮助用户从被动解决问题转向主动优化工作环境。
nnn11
Verilog十大基本功2(testbench的设计 文件读取和写入操作 源代码)
需求说明:Verilog设计基础 内容       :testbench的设计 读取文件 写入文件 来自       :时间的诗 十大基本功之 testbench 1. 激励的产生 对于 testbench 而言,端口应当和被测试的 module 一一对应。 端口分为 input,output 和 inout 类型产生激励信号的时候, input  对
Times_poem