量化策略开发:前复权、后复权与不复权怎么选

前复权后复权不复权
于 2026-10-29 04:04:46 修改
·本内容遵循CC 4.0 BY-SA版权协议

聊一个老问题,也聊一个每次新项目都会重新踩一遍的问题:量化策略开发里,前复权、后复权、不复权,到底怎么选?

我见过太多人写完策略,回测曲线漂亮得不行,结果换了一版数据,信号全变了;还有的人上了实盘,发现策略的止损在回测里从来不触发,现实中一除权就被扫损。问题根源往往不在策略逻辑,而在最底层的价格数据——你到底用的是哪套复权价格,以及你有没有问过自己为什么用这套。

这篇文章不是从教材里抄定义,而是把复权这件事放在整个策略开发流程里说清楚:复权是怎么算的,三种方式各自藏着什么坑,不同场景该怎么选,以及怎么用一张“不复权价格+复权因子”的表,避免绝大多数数据层面的低级事故。适合刚接触量化的朋友快速建立正确认知,也适合已经在跑策略的老手自查一下自己的数据链路。

1. 复权的本质:它到底在解决什么问题

1.1 除权除息:价格为什么会出现“莫名其妙”的跳空

先回到最原始的问题。股票的价格不是连续变化的,公司分红、送股、转增、配股,都会让股价在除权除息日当天出现一个“断崖”或“大坑”。比如某股票登记日收盘价10元,第二天每10股派5元现金,除息参考价就是 (10 - 0.5) / 1 = 9.5元。如果你只看收盘价,前一天10元,后一天9.5元,涨跌幅是-5%,但这个跌幅不是市场交易出来的,是分红包拆掉的。

送股更夸张。10送10,10元钱的股票第二天除权参考价直接变成5元。你说它“跌停”了吗?没有,它只是1股拆成了2股,你的持仓数量翻倍了,账户总市值基本不变。

这里有一个生活化的类比:你把100块钱工资存进银行,银行说你积分送了你一块肥皂,然后立刻把账户余额改成99元。如果你只看余额,会觉得自己亏了1块钱,但其实那块肥皂就是你拿在手里的分红。除权除息就是这样一个“账面调整”动作,不复权的价格没有把肥皂的价值加回到余额里。

配股稍微复杂一点,因为涉及股东掏钱。交易所和结算机构对外公布的除权除息参考价公式是这样的:

除权(息)参考价 = (前收盘价 - 每股现金红利 + 配股价 × 配股比例) / (1 + 送股比例 + 转增比例 + 配股比例)

如果一只股票又送又派又配,公式里的每一项都要参与。我在实际开发中一般直接对接数据源提供的“复权因子”字段,但如果数据源给的因子不全或有误,手算一遍参考价可以用来做交叉校验。这个方法后面细说。

1.2 前复权、后复权、不复权:三种视角看同一根K线

理解了除权除息,三种复权方式就很好理解了。

  • 不复权(raw):把交易所公布的真实成交价格直接拿过来用。分红除权日,价格出现跳空,缺口就留在那儿。这是最“真实”的行情,也是你实盘下单时真正能成交的价格。
  • 后复权(hfq):以上市首日为基准,把所有后续的价格统一向上调整,把历史上每一次除权除息造成的“价格塌陷”给补回去。相当于你假设每次分红送股后,都把这部分价值重新加回到股价里,所以图形看起来长期一路向上,很少出现大坑。
  • 前复权(qfq):以“最新交易日”为基准,把历史价格向下或向上修正,让当前最新价格等于真实价格,历史价格则是“折算后的价格”。简单理解,就是把后复权序列整体缩放一下,使得最后一根K线的价格等于实际成交价。

数学关系也很简单。设不复权价格为P_raw,后复权价格为P_hf,前复权价格为P_qf,则:

P_hf(t) = P_raw(t) × F(t)
P_qf(t) = P_hf(t) × P_raw(T) / P_hf(T)

其中F(t)是累计复权因子,T是最新交易日。

换句话说,在同一个数据版本、同一个最新交易日下,前复权价格和后复权价格只是相差一个固定的线性倍数。这一点很关键:它意味着,凡是基于日收益率算的策略,前复权和后复权算出来的收益率序列几乎完全一致;但凡是直接基于价格数值、移动平均、高低点突破、涨跌幅排名计算的策略,复权选错就会全面失真。

1.3 你以为的“一样”里面,藏着三处不一致

上一段我说“日收益率几乎一致”,注意“几乎”两个字。实际数据里,复权价格的计算还会引入几个次级差异。

第一,红利税的差异。复权因子本身按“除息金额”调整,但实际投资者拿到手的分红还要扣红利税。比如10派1元,税后到手0.8元,而复权因子按1元计算,那高分红股票的回测收益就会比实际账户收益高出一截。做红利策略的人必须单独把这笔账算清楚,不能直接拿复权后的收益率当真实收益。

第二,OHLC四个价格的复权方式不一致。很多免费数据源只保证收盘价复权准确,开盘价、最高价、最低价是用收盘价的复权因子算出来的,或者干脆不复权。如果你用ATR、海龟法则这类依赖最高最低价的策略,复权后最高最低价可能会出现“倒挂”:复权后的最低价比不复权价格还高。别问我怎么发现的,问就是回测里出现过“负ATR”。

第三,浮点精度。后复权价格数值往往非常大,茅台这种股票后复权价格长期维持在几万元的水平;前复权价格则可能缩到几毛钱。如果数据平台用float32存储,乘个大因子再除回去,精度损失会被多次除权放大。时间序列越长,这个误差越明显。我的习惯是,底表用float64存不复权价格和复权因子,所有复权价格在使用时临时计算,避免反复存储造成的误差累积。

2. 量化开发里最容易踩的三个坑

2.1 坑一:不复权数据带来的“假暴跌”和“假突破”

如果回测直接拿不复权价格来跑,最明显的症状是除权除息日出现一大堆莫名其妙的交易信号。

拿最常见的双均线策略举例。5日线和20日线在除权日之前可能是多头排列,除权日一个“价格断崖”砸下来,5日线迅速下穿20日线,金叉信号瞬间转死叉。你以为是市场转弱,其实只是除息掏走了一块蛋糕。同样的问题也出现在动量策略、52周新高策略、RSRS策略里,因为它们本质上都在用“价格的历史位置”做判断。

更隐蔽的是止损逻辑。假设你在某只股票上设了一个固定金额止损,比如买入价10元,止损价9.5元。买入后公司宣布10派5,除息日股价从10元跳到9.5元,触发止损出局。但在真实世界里这根本不是亏损,只是分红把股价“做低”了。实盘中这种单子往往被扫损后又拉回去,回测里却表现为一次正常止损。遇到这种情况,别怪策略,先检查数据里除权日前后有没有被当成正常“大跌”处理。

涨跌停判断也是重灾区。很多平台判断涨停/跌停是拿“当日收盘价/前收盘价-1”和10%或20%去比较,不复权价格在除权日会计算出接近跌停甚至超过跌停的“跌幅”,然后被风控模块直接剔除。一套硬核选股逻辑,可能就因为除权日数据被踢掉了最有价值的标的。

所以我的经验是:不要用不复权价格跑任何基于绝对价格和涨跌幅的策略,除非你研究的本身就是分红除权事件本身。后面会专门说什么时候该用不复权。

2.2 坑二:前复权数据“会动”,信号随数据更新漂移

如果说不复权的坑是“显性”的,那前复权的坑就是“隐性”的——它看起来一切正常,但历史数据会变。

前复权以“最新交易日”为基准。意思是,每次某只股票发生新的除权除息,前面所有历史价格都要重新缩放一遍。你上周下载的数据,和这周下载的数据,虽然看着都是前复权,但很多历史K线的数值已经悄悄变了。

这个特性在开发和实盘衔接的时候特别致命。举个例子:你周一用本地数据库的前复权数据训练了一个模型,发现策略有效;周三公司分红,数据更新;周四你拉取最新数据重新预测,发现信号完全不一样了。不是模型坏了,是你的训练数据版本和推理数据版本不一致——同一个历史日期,两套数据里是两套价格。

这个问题还会污染样本外测试。很多人习惯“今天跑完回测,保存结果,明天继续更新数据追加测试”。但用前复权数据这么搞,昨天保存的测试结果里那些历史收益已经无法复现,因为底层价格已经被重新缩放。你实际上是在用一个“变动的基准”评估自己的策略,最终得到的历史绩效是一种假象。

所以,如果你选择前复权,就必须接受一个纪律:为一个策略固定一个数据版本,在同一个版本内完成训练、回测、上线全流程,禁止中途混用不同基准日的复权数据。 更稳妥的做法是底表只存“不复权价格+复权因子”,需要什么复权价格时按统一基准临时计算,时刻保证所有下游任务用的是同一个因子版本。

2.3 坑三:价格变成负数、数值大得离谱,因子计算直接崩溃

前复权还有一个被称为“复权黑洞”的副作用:对于长期稳定高分红的股票,前复权会把很久以前的历史价格调整为接近0甚至负值。你没看错,是负数。

原因是,早期历史价格很低(比如1元),而后续每股累计分红可能远超几元。当前复权把这些分红全部从历史价格里扣除后,早期价格被压成负值,看起来特别诡异。国内一些长期高分红的大蓝筹早期数据就有这种问题。

价格变负数带来的连锁反应是,任何取对数、开根号、标准化、求方差的计算都会爆出NaN或Inf。如果你在做机器学习因子,一条数据出现NaN,可能整列因子被丢弃,或者模型训练直接报错。更阴险的是有些因子库会对NaN做插值或删除处理,造成样本偏差,你甚至察觉不到。

后复权则走向另一个极端:数值特别大,动不动几万块一股,而且最新价跟实际交易价格差很多,看图说话的人会觉得“涨疯了”,用这些价格做横截面排名、做聚类时,数值范围远远偏离真实价格语境。它本质上只是被放大了的同一序列,但因为数值量级太大,很多浮点计算的开销和精度都受影响。

我的对策是:高分红、长期存续的股票,尽量避免用前复权价格构建长周期因子;后复权价格适合做时间序列建模,但不要用它对外展示持仓和收益。 处理分红事件的正确姿势,是单独维护一个分红事件表,而不是强行抹进价格里。

3. 到底怎么选:不同策略、不同环节的复权选择框架

3.1 按策略类型选:一张表解决80%的场景

很多教程爱告诉你“量化回测一律用前复权”,这是偷懒的答案。我的经验是,不同策略对数据形态的要求不一样,选错代价完全不同。

策略类型 推荐复权方式 核心原因
趋势跟踪/均线系统 前复权 价格连续、贴近最新真实价格,信号直观
多因子横截面选股 后复权或统一因子版本 前复权基准随最新行情变化,横截面易失真
动量/反转策略 后复权 12个月收益率依赖历史价格对比,后复权数据稳定
事件驱动/分红套利 不复权 + 事件标记 研究的就是除权除息事件本身,不能用复权抹掉缺口
日内分钟高频 不复权(单日) 日内几乎不涉及除权,复权反而会引入不必要的调整误差
机器学习/长周期统计 后复权 数据不随新除权重写,最利于版本管理

需要说明的是,表格不是死规定,而是一个经验起点。比如趋势跟踪里,如果你定期做“价格通道突破”,那也需要统一复权基准;而高频策略如果跨夜持仓,依然要处理除权日的跳空。

3.2 按策略环节选:信号、因子、撮合、归因各有各的口径

很多项目栽在“全流程用一种复权方式”。这里拆开几个环节说说各自的坑。

信号计算环节,尽量用收益率类信号,收益率对复权方式最不敏感。比如用“过去20日收益率”排序,前复权和后复权结果基本一致;但用“价格是否创20日新高”这类绝对价格信号,就必须锁定统一的复权版本。

因子计算环节,估值类因子(PE、PB、PS)的市场价格应该用不复权价格,因为财务数据公布的每股收益、每股净资产对应的是当时的真实股本和真实股价。你把前复权价格塞进PE公式里,会算出荒诞的估值。

委托和撮合环节,必须用真实不复权价格。你能以9.5元卖出的前提是9.5元是真实盘中价,前复权价格在除权日可能显示成“10.0元”继续连续,但真实委托价格不是那个数。如果你回测里的成交价用了前复权价格,滑点计算会整体失真,尤其对高分红股票。

绩效归因环节,单独维护一个“分红/送股事件表”,把现金分红、送转、配股逐笔列出。这样你才能回答一个核心问题:策略今年的超额收益里,有多少其实只是分红带来的账面收益,有多少是真实的资本利得。

3.3 一个通用建议:只存“原始价格+复权因子”,按需生成三种价格

这是我最想让人记住的一点:与其纠结底表存哪种复权价格,不如把底表设计成“不复权价格 + 复权因子”。

  • 不复权价格来自交易所真实行情,是最原始、不可再生的数据。
  • 复权因子(复权比例)本身就是从每次除权除息信息计算出来的,数据源一般会披露。
  • 任意基准日的前复权价格 = 后复权价格 × 最新交易日不复权价格 / 最新交易日后复权价格。

这样设计的好处是,你可以随时按任意规则生成前复权、后复权、不复权,而不是被数据源固定死。开发新策略时,按策略需要生成对应口径,避免“一套数据走天下”带来的隐性错误。

数据表结构大致这样:

字段 说明 示例
ts_code 股票代码 600519.SH
trade_date 交易日 2024-06-14
open 不复权开盘价 10.20
high 不复权最高价 10.45
low 不复权最低价 10.10
close 不复权收盘价 10.30
adj_factor 累计复权因子 1234.5678

日常使用时,用float64读入整张表,再统一算出一套复权价格放在内存里,所有下游都共享同一套数据版本。

4. 实操落地:数据清洗、转换代码与版本自检

4.1 用复权因子生成三种价格的Python示例

假设你已经从数据源拿到了一张包含不复权价格和复权因子的表,生成三种价格很简单。这里给出一个最小可运行的示例,方便你直接套用。

PYTHON
import pandas as pd
 
# df 至少包含: ts_code, trade_date, close, adj_factor
# 这里以单个股票为例,多股票在 groupby 后处理
 
def get_price_views(df):
# 原始不复权
df["close_raw"] = df["close"]
 
# 后复权 = 不复权 x 复权因子
df["close_hfq"] = df["close"] * df["adj_factor"]
 
# 前复权 = 后复权 x 最新不复权 / 最新后复权
latest_raw = df["close_raw"].iloc[-1]
latest_hfq = df["close_hfq"].iloc[-1]
df["close_qfq"] = df["close_hfq"] * (latest_raw / latest_hfq)
return df

实际开发里要注意几点:第一,除权因子字段在不同数据源里定义不一样,有的是“累计乘法因子”,有的是“每日复权比例”,用之前先读一遍官方文档并手工核对一只高分红股票;第二,多股票并行处理时要按股票分组,不能把不同股票的因子混在一起;第三,如果要做横截面比较,前复权的“最新交易日”基准必须全局统一,而不是每只股票单独对齐。

4.2 交叉校验:手工计算一只标的的除权参考价

数据源给的因子也不是永远都对。我推荐用除权参考价公式做一遍抽样校验,尤其是对新接入的数据源或者刚上市的高送转股票。

PYTHON
# 参考价公式: 前收盘, 每股现金红利, 送股比例, 转增比例, 配股比例, 配股价
def calc_ex_right_price(prev_close, cash_div, bonus_ratio,
transfer_ratio, rights_ratio, rights_price):
numerator = prev_close - cash_div + rights_ratio * rights_price
denominator = 1 + bonus_ratio + transfer_ratio + rights_ratio
return numerator / denominator

如果你算出某天的“理论参考价”和数据源除权后第一天的不复权开盘价差得很远,优先怀疑数据源复权因子错了。除权除息日开盘竞价基本围绕参考价进行,不会差出几个点,误差过大一定要查。

4.3 更新数据后的自检清单

数据管道每次更新后,我会先跑一遍以下自检,再继续开发。别看这些检查简单,它们已经帮我拦下过好几次“看似正常实则错误”的数据更新。

  • 对比最近两个数据版本中同一交易日的复权因子:不该变的日子必须完全一致,变了要追查原因。
  • 计算除权日前后一天的复权价格涨跌幅:除权日当天不应该出现基于复权价格的异常跳空,如果出现,说明复权因子漏更新或除权事件没被捕获。
  • 统计历史价格序列中出现的负数、NaN、Inf数量:前复权价格出现负数,八九不离十是高分红股票叠加了过长的回测区间。
  • 抽查一个高分红股票的全部除权事件,与公司公告逐条核对:这是最土但最有效的方法,一次核对花不了多少时间,却能避免整个因子库被带偏。

5. 常见问题排查与避坑速查

5.1 一张排查表解决大多数复权问题

现象 可能原因 处理方式
回测里除权日出现大量假信号 用了不复权价格 改为前复权或后复权,除权事件单独标记
同一策略历史收益在数据更新后变了 前复权基准日变了 固定数据版本,或改用后复权
高分红股票历史因子大量NaN 前复权价格被调整为负值 改用后复权或不复权价格算因子
回测收益远高于实盘 委托价用复权价格,滑点失真 撮合环节统一用不复权真实价格
涨跌停判断除去权日离谱 涨跌幅基准用了不复权价格 除权日按除权参考价计算涨跌幅
多股票横截面排名方向异常 每只股票前复权基准不一致 全市场统一最新交易日,或改用后复权

5.2 我个人踩过几次坑之后的固定动作

最后分享几个我现在做任何一个新策略都会固定执行的步骤。

第一,开工之前先确认数据版本。不管是外部数据源还是团队内部维护的数据仓库,先写清楚“用什么基准日生成前复权”“因子何时更新”,并把版本号写进策略配置里。这能避免团队协作时你用一个基准、同事用另一个基准,最后对不上账。

第二,给高分红股票建一个“黑名单”提醒。只要策略选到这类股票,自动检查因子计算里是否涉及绝对价格、对数收益和涨跌幅排名,如果有,就强制切换到后复权或不复权口径,不让前复权负价格静默污染。

第三,每周做一次除权事件抽查。分红季集中在年中,我每周一跑一遍“本周除权股票列表”,和策略持仓比对,确认除权日前后没有异常信号。别嫌麻烦,这个动作能在五分钟内抓出绝大多数数据链路事故。

复权问题看着基础,却是数据链路里最容易被忽略、也最能引发连锁事故的一环。处理好了,策略开发和实盘衔接会顺畅很多;处理不好,回测曲线再漂亮,上线也是灾难。希望这篇经验梳理能帮你少走几步弯路。

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
Windows下Fortran调用CGNS库的完整踩坑实录:从HDF5、CMake到VS2019+IVF2020的保姆级配置
本文详细记录了在Windows环境下使用Fortran调用CGNS库的完整配置过程,涵盖HDF5安装、CMake配置、VS2019与IVF2020集成等关键步骤。通过实战经验分享,帮助开发者解决常见编译错误和链接问题,实现高效的Fortran与CGNS库集成。
番言