Executors 有坑?从底层参数拆解到线上任务堆积复盘

Java线程池ExecutorsThreadPoolExecutor
于 2026-10-29 04:06:29 修改
·本内容遵循CC 4.0 BY-SA版权协议

做Java开发这些年,线程池大概是每个项目里都绕不开的东西,而很多人第一次接触线程池,都是从Executors这个工具类开始的。一行Executors.newFixedThreadPool(10)就能把线程池跑起来,省事、好记、代码也干净。可一旦你真正经历过线上问题,就会发现Executors给的这份"省事"背后藏了好几个坑:无界队列、Integer.MAX_VALUE的最大线程数、默认的线程命名规则……每个都可能在流量高峰期给你一记闷棍。这篇文章我不打算做一篇教科书式的线程池讲解,而是想从Executors的五个静态方法出发,把它们底层到底构建了什么讲清楚,再拆到ThreadPoolExecutor的每个参数、队列选型和拒绝策略,最后用一个我曾经处理过的线上任务堆积案例,复盘一次完整的排障链路。无论你是刚学线程池的新人,还是准备跳槽刷面试题的选手,都能在这篇文章里找到能直接用的东西。

1. 五个静态方法,各自藏着什么样的线程池

先明确一个底层事实:Executors本身不实现任何线程池逻辑,它只是ThreadPoolExecutor、ScheduledThreadPoolExecutor和ForkJoinPool的一层静态工厂封装。所以看Executors其实就是在看它替你选了哪些参数,而这些参数组合恰恰决定了每种线程池的脾气。

1.1 newFixedThreadPool与newSingleThreadExecutor:无界队列的甜蜜陷阱

先看newFixedThreadPool的源码,这是最常用也最容易出问题的一个:

JAVA
public static ExecutorService newFixedThreadPool(int nThreads) {
return new ThreadPoolExecutor(nThreads, nThreads,
0L, TimeUnit.MILLISECONDS,
new LinkedBlockingQueue<Runnable>());
}

核心线程数等于最大线程数,都是你传入的nThreads,keepAliveTime传的是0L,队列用的是new LinkedBlockingQueue<Runnable>()。注意这个无参构造的LinkedBlockingQueue,容量默认是Integer.MAX_VALUE,本质上就是无界队列。

无界队列意味着什么?当10个核心线程都在忙时,第11个任务进来不会去创建第11个线程,而是丢进队列排队。队列没有上限,所以线程数永远不会超过核心线程数,任务只会无限往后堆积。线上最典型的表现就是:接口响应越来越慢,老年代内存曲线持续上涨,最后在某个流量尖峰时刻触发FullGC甚至OOM。任务没有被拒绝,但它永远在排队,这种延迟是最难排查的。

newSingleThreadExecutor更特殊一点,它的底层长这样:

JAVA
return new FinalizableDelegatedExecutorService
(new ThreadPoolExecutor(1, 1, 0L, TimeUnit.MILLISECONDS,
new LinkedBlockingQueue<Runnable>()));

外面包了一层FinalizableDelegatedExecutorService,相当于把ThreadPoolExecutor扩展出来的那一堆设置方法都屏蔽了。你拿到的对象不能强转回ThreadPoolExecutor去改参数,这样单线程执行的语义不会被外部破坏。很多人会把newSingleThreadExecutor理解为"参数等于1的fixed线程池",功能上确实等价,但可操作范围完全不同。面试时能把这层封装讲出来,就是一个加分点。

但不管是单线程还是固定线程数,无界队列都是同一个定时炸弹。任务堆积意味着内存里的链表节点不断变多,任务延迟持续攀升,而这一切在你看到进程崩溃之前,往往没有任何报错。

1.2 newCachedThreadPool:无限线程的另一面

newCachedThreadPool走的是完全相反的思路:

JAVA
public static ExecutorService newCachedThreadPool() {
return new ThreadPoolExecutor(0, Integer.MAX_VALUE,
60L, TimeUnit.SECONDS,
new SynchronousQueue<Runnable>());
}

核心线程数0,最大线程数Integer.MAX_VALUE,空闲线程存活60秒,队列是SynchronousQueue。这个队列的容量是0,它不存储任何任务,生产者put必须等消费者take,本质上是把任务从提交线程直接交给工作线程手里,中间不经过任何缓存。

这套组合非常适合处理大量短小、高并发、执行极快的任务,线程数会随着流量自动伸缩。任务来了没有空闲线程,那就新开一个,干完活空闲60秒再回收。但你把它用在业务接口上就要非常小心:如果任务内部有网络等待、数据库等待这类阻塞操作,比如一个HTTP调用要等5秒,那么5000个并发请求就真的会给你开出5000个线程。线程默认栈大小按1MB算,光栈内存就吃掉好几个GB,再加上上下文切换开销,应用瞬间就会被拖垮。

我平时看代码,只要发现newCachedThreadPool处理线上业务请求,第一反应就是去查任务里有没有长耗时IO、有没有可能出现方法长时间不返回。如果都有,这个线程池就是一颗不定时炸弹。

1.3 newScheduledThreadPool与newWorkStealingPool:容易被忽略的区别

newScheduledThreadPool返回的是ScheduledThreadPoolExecutor,它内部用的队列是DelayedWorkQueue,任务按下一次执行时间排序,专门用来跑定时任务和周期任务。这里有个容易忽略的细节:ScheduledThreadPoolExecutor继承了ThreadPoolExecutor,但它的执行语义已经变了,你把普通任务直接execute进去,线程数不足时不会像经典线程池那样先塞队列、再按部就班扩线程。它默认至少要有一个核心线程在跑调度循环,如果核心线程数为0、队列里又恰好没有任务,调度器反而可能出现一种"循环等待"的微妙状态。所以它只适合定时任务,不要顺手把它当普通线程池用。

newWorkStealingPool则更冷门,它返回的是ForkJoinPool,默认并行度是CPU核数。这类线程池用的是work-stealing机制:每个工作线程维护自己的双端队列,线程自己的任务干完了,会去偷其他线程队列尾部的任务来执行,减少线程空闲时间。它适合分治型、递归型的大计算任务,比如把一个大数组拆成多段并行排序再合并。它和前面几种ThreadPoolExecutor体系在调度模型上就不是一回事,日常的业务接口几乎用不上,但如果你能说清楚它和普通线程池在"任务队列归属"上的差异,面试官通常会认为你对并发工具的理解不止停留在API层面。

2. ThreadPoolExecutor参数逐个拆:core/max/队列/拒绝各管哪一段

不管Executors怎么封装,最终都要落回到ThreadPoolExecutor的构造函数上:

JAVA
public ThreadPoolExecutor(int corePoolSize,
int maximumPoolSize,
long keepAliveTime,
TimeUnit unit,
BlockingQueue<Runnable> workQueue,
ThreadFactory threadFactory,
RejectedExecutionHandler handler)

这七个参数不是孤立存在的,它们共同决定了一个任务从提交到执行的完整路径。理解这点,比背一堆参数定义有用得多。

2.1 任务提交后的流转路径:先核心、再队列、再最大线程、最后拒绝

一个任务通过execute或submit进来之后,线程池的判断顺序是固定的,不会跳步,也不会回头:

  1. 当前工作线程数小于corePoolSize,直接新建线程执行任务;
  2. 工作线程数已经达到corePoolSize,任务放进workQueue排队;
  3. 队列已经满了,但当前线程数小于maximumPoolSize,新建线程执行新任务;
  4. 队列满了,线程数也到了maximumPoolSize,触发handler拒绝策略。

很多人有一个错误直觉:核心线程满了就直接扩线程到maximumPoolSize。实际上线程池是先排队,队列满了才扩线程。所以在core到max之间,队列扮演的是一个蓄水池角色。

举个例子,corePoolSize=2、maximumPoolSize=4、队列容量=100。第1和第2个任务进来,直接开两个线程执行;第3个任务开始进队列,第3到第102个任务全部在队列排队;第103个任务进来时队列满了,线程数还没到4,这时才会创建第3个线程;等第4个线程也建出来,再有第104个任务进来,直接触发拒绝策略。

这个顺序决定了参数之间是连动的:短暂流量脉冲会被队列吃掉,但队列过长又会放大延迟。你只看core和max是不够的,队列容量才是决定"压力缓冲在哪个环节"的关键。

2.2 keepAliveTime与allowCoreThreadTimeOut:线程回收的真实行为

keepAliveTime默认只对超出corePoolSize的那部分线程生效。这些临时线程空闲超过指定时间后,会被安全回收;但corePoolSize以内的核心线程,默认是"养到死"的,永远不会因为空闲而退出。

想回收核心线程,必须显式调用allowCoreThreadTimeOut(true)。设置了之后,核心线程空闲超过keepAliveTime同样会退出,线程池可能缩到0个线程。这个开关在newCachedThreadPool里其实已经暗含了,只不过它的核心线程数是0,所以全部线程都是"临时"的,60秒回收机制才得以成立。

这里有一个常见坑:newFixedThreadPool(10)传的keepAliveTime是0L,但因为核心线程数等于最大线程数,根本没有"超出核心的线程",这个0毫秒几乎没有实际意义。如果你自定义线程池,core=10、max=30、keepAlive=60s,那么在并发回落后,那20个临时线程会在空闲60秒后被逐个回收,线程数回到10。但如果线程卡在一个不接受中断的任务里,就永远收不回来。排查"线程数一直不降"的问题时,我通常先去抓线程栈,看那些线程到底停在哪里。

2.3 自定义线程工厂与钩子方法:从"能用"到"可控"

Executors默认的ThreadFactory创建的线程名字是pool-1-thread-1这种格式。平时没事,一到线上出性能问题,抓一份jstack下来,满屏都是pool-x-thread-x,你根本分不清哪个线程属于哪个业务。自定义ThreadFactory成本极低,收益却很大:

JAVA
ThreadFactory namedThreadFactory = new ThreadFactory() {
private final AtomicInteger seq = new AtomicInteger(1);
 
@Override
public Thread newThread(Runnable r) {
Thread t = new Thread(r, "trade-notify-pool-" + seq.getAndIncrement());
t.setDaemon(false);
return t;
}
};

线程池还留了三个钩子方法可以重写:beforeExecute、afterExecute、terminated。afterExecute里可以记录任务耗时、统计异常次数,terminated在线程池完全关闭后回调。把这些指标聚合成一个监控对象,定时上报到监控系统,线程池才算真正纳入基础设施管理。这不是为了炫技,而是为了下一次故障时能在三十秒内回答出三个问题:线程池现在有多少线程在忙?队列里压了多少任务?最近一小时有多少任务被拒绝?

3. 队列选型与拒绝策略:最容易翻车的两个点

Executors在静态方法里已经把队列固定死了,但你一旦自己构造ThreadPoolExecutor,队列选型就变成了核心决策。选错了,线程池的行为可能完全不符合你的预期。

3.1 四类阻塞队列对比表与适用场景

常见选择是这四种,各有各的脾气:

队列 数据结构 是否有界 特点 适用场景
LinkedBlockingQueue 链表 可指定容量,默认无界 take和put用两把锁,吞吐较高 通用队列,生产上建议显式指定容量
ArrayBlockingQueue 数组 必须指定容量 单锁,生产消费互斥,可选公平策略 需要严格有界、容量较小的场景
SynchronousQueue 无存储 容量0 提交即交接,不缓存任何任务 cached池、生产者消费者直连
PriorityBlockingQueue 堆 无界 按任务优先级执行 任务需要按重要程度排序时

如果你只是想要一个有界FIFO队列,LinkedBlockingQueue指定容量或者ArrayBlockingQueue都可以,前者在大多数场景下吞吐表现更好一些。如果你希望任务不排队、直接交给空闲线程,那就用SynchronousQueue,这也是newCachedThreadPool的底层逻辑。只有任务确实有优先级要求时才用PriorityBlockingQueue,但注意它是无界的,堆内存风险要自己扛。

还有一个很容易被忽略的点:DelayedWorkQueue是ScheduledThreadPoolExecutor内部自己实现的,它不属于Executors那几个标准阻塞队列,你在构造普通线程池时一般用不到。面试或排查时主动提到这个细节,说明你真的看过ScheduledThreadPoolExecutor源码,而不是只背了个名字。

3.2 拒绝策略:默认的AbortPolicy其实最不友好

当队列满、线程数也到了maximumPoolSize,任务交不进去,就会走RejectedExecutionHandler。ThreadPoolExecutor内置了四种策略:

策略 行为 风险与使用建议
AbortPolicy 直接抛RejectedExecutionException 默认策略,问题暴露直接,但调用方会报错
CallerRunsPolicy 在调用者线程里同步执行任务 天然背压,适合不想丢任务但允许放慢生产的场景
DiscardPolicy 静默丢弃,不报错 最不推荐,任务消失无感知,问题被淹没
DiscardOldestPolicy 丢弃队列头部的老任务 会丢任务,优先级队列下还可能丢掉最紧急的任务

我见过太多把默认AbortPolicy当"没问题"的代码。其实默认策略往往是最不友好的:高峰期线程池一满,RejectedExecutionException直接抛给上层,上层没有兜底就是一堆50x错误。反过来,CallerRunsPolicy把任务交回调用方线程执行,相当于让生产者和消费者共同承担压力,接口会变慢,但任务不会莫名其妙丢。真实业务里,我一般会定制handler:记录拒绝次数、触发告警,然后把任务写回一个持久化重试队列或MQ里,等平峰期再投递,既不静默消失,也不直接把调用方压垮。

4. 线上案例复盘:一个任务堆积问题从现象到根因的全过程

前面讲的都是原理,这一节我用一个实际处理过的场景,带你把排障链路完整走一遍。这类问题在面试里也经常被包装成"线上线程池排队越来越长怎么排查",但只有真正抓过线程栈、看过堆dump的人,才能答到点子上。

4.1 现象与初步定位

某交易系统的结果通知模块,上游订单系统每产生一笔交易,就通过HTTP调用推送通知给下游商户。代码里很自然地用了Executors.newFixedThreadPool(16)来做并发推送。白天流量低一切正常,某次大促来临,运营开始反馈"大量商户收不到回调,或者延迟十几分钟"。

第一反应不是看业务日志,而是看监控。接口QPS确实上去了,但推送线程池的activeCount一直是16,队列大小从几十涨到几万,JVM堆内存持续上行,老年代占用曲线近乎陡增。CPU反而不高,GC线程却越来越忙。

这几个指标合在一起,几乎可以确定是任务堆积,而不是CPU瓶颈。如果你只看CPU不高就认为系统没压力,那就误判了。线程池场景下的高延迟,很多时候不是算力不够,而是任务在队列里等太久。

4.2 线程转储与队列堆积的关联判断

抓一份jstack下来,看到的16个线程全部停在SocketRead,等待下游HTTP响应。也就是说,16个核心线程全部被外部服务占住,没有一个人能腾出手处理新任务。

再配合一份heap dump,里面躺着大量LinkedBlockingQueue的链表节点,每个节点就是一个待推送的HTTP请求封装对象。到这里问题链路已经非常清楚了:

下游商户接口变慢 -> 16个线程被拖住 -> 新任务进无界队列排队 -> 队列越积越长 -> 延迟从秒级变成分钟级 -> 内存持续膨胀。

这里有一个关键点,为什么这类问题容易被绕很久?因为很多人只看CPU和线程数,觉得线程数都满了,第一反应是"要不要加线程"。如果没看队列和线程栈,就会往错误方向调参。这个案例里,如果只是把线程池从16调到32,最多是暂缓堆积,下游一慢,32个线程依然会被占满,队列继续膨胀。实际根因是两个:一是队列无界,给了任务无限堆积的空间;二是固定线程数16,处理能力被下游慢接口锁死。任何一个环节单独调整都只能缓解,不能根治。

4.3 改造方案与改造后的结果

改造分了三层。

第一层,把Executors.newFixedThreadPool换成显式构造的ThreadPoolExecutor:

JAVA
ThreadPoolExecutor executor = new ThreadPoolExecutor(
16, 32, 60L, TimeUnit.SECONDS,
new LinkedBlockingQueue<>(2000),
namedThreadFactory,
new ThreadPoolExecutor.CallerRunsPolicy()
);

核心线程16、最大线程32、临时线程空闲60秒回收、有界队列容量2000、线程名notify-pool-。

第二层,拒绝策略选择CallerRunsPolicy,让极端情况下压力回传到调用方。同时加一个计数器,一旦发生拒绝就告警。注意,如果直接上默认的AbortPolicy,高峰期会有大量推送直接失败;用CallerRunsPolicy至少能保证任务不丢,只是调用方的接口会慢一点点。

第三层,在afterExecute里统计每个推送任务的耗时和成功失败,定时上报监控;同时把下游HTTP客户端的超时时间从30秒下调到5秒,避免一个慢接口把线程占死。

改造后最直观的效果是:高峰期线程数会从16涨到30左右,队列长度几乎稳定在几百以内,通知延迟从十几分钟降到秒级。没有改业务逻辑,只是把线程池的形态和边界调整到位,系统就从"慢性死亡"变成了"有压可控"。这个案例也让我养成了一个习惯:线程池的队列长度和拒绝次数,必须进监控大盘,否则你永远不知道线程池里正在发生什么。

5. 从Executors出发:一条能把线程池讲全的叙事线

如果你在准备面试,或者想系统梳理线程池知识,我建议不要孤立地背"Executors有哪些方法",而是把它放在Java并发工具的整体结构里,用一条叙事线串起来。

5.1 从Executor接口到ForkJoinPool的完整体系

Executors只是入口,背后是Executor、ExecutorService、ThreadPoolExecutor、ScheduledThreadPoolExecutor、ForkJoinPool这一串类。面试官如果问Executors,其实是想看你能不能从具体工具跳到抽象模型。

建议的叙事顺序是:

  • Executor是最顶层接口,只有一个execute(Runnable)方法;
  • ExecutorService在它之上增加了submit、invokeAll、shutdown等生命周期方法;
  • ThreadPoolExecutor是ExecutorService的核心实现;
  • ScheduledThreadPoolExecutor继承ThreadPoolExecutor,增加了定时和周期调度能力;
  • ForkJoinPool是另一条线的实现,基于工作窃取,体系上不属于ThreadPoolExecutor。

讲清楚这个继承关系,后面聊动态参数、钩子方法、优雅关闭,就有依托了。

5.2 execute和submit的差异,以及异常处理

很多人会在execute和submit上翻车,这两个方法的异常行为完全不同。

execute(Runnable)没有返回值,任务内部抛出的异常会直接在线程池的worker线程里抛出,导致这个线程终止并打印堆栈,线程池会再补一个新线程顶上。所以execute的任务异常至少日志里能看到。

submit则把任务包装成FutureTask,返回一个Future。异常会被吞进Future内部,你不调用future.get()就完全感知不到任务已经失败了;但一旦调用get(),异常会以ExecutionException的形式抛出来,而且get()在没有超时设置时会一直阻塞到任务完成。

生产实践中,用submit提交任务时必须配套处理Future:要么在回调线程里检查异常,要么给future.get(timeout)设置超时。既能防止异常被静默吞掉,也能防止拿future.get()当成无期限等待,把业务线程卡死。

5.3 参数配置的实践建议:压测永远比公式可靠

关于线程数配置,最常被引用的公式是:CPU密集型用N+1,IO密集型用2N,N是CPU核数。这个说法作为入门没问题,但线上不能直接套。

更准确的做法是把任务拆成计算时间和等待时间:

TEXT
线程数 = CPU核数 * (1 + 期望CPU利用率 * (等待时间 / 计算时间))

举个例子,一个任务30%的时间在计算、70%的时间在等IO,8核机器上期望CPU利用率80%,那么线程数大约等于:

TEXT
8 * (1 + 0.8 * 7/3) ≈ 23

这个数字仍然只是估算,最终一定要用压测结果校准。观察吞吐量、队列长度、任务耗时在什么线程数下进入稳定状态,然后留出30%左右的余量。队列容量也一样:峰值QPS乘以你能接受的最大排队秒数,才是合理的容量量级。队列设得太大等于变回无界队列,设得太小则拒绝率飙升,这两边的代价都需要用数据说话,不能拍脑袋。

另外还有两个容易被问到的点:setCorePoolSize和setMaximumPoolSize可以在运行时动态调整,但setCorePoolSize在减小时不会立刻杀线程,而是让多余线程在空闲后自然退出。关闭线程池时,shutdown()会等已提交任务执行完再停,shutdownNow()会尝试interrupt正在执行的任务,队列里还没执行的任务会被返回一个List,但不会自动继续执行。业务代码里选择哪种关闭方式,直接决定了重启是否干净、任务是否会丢。

我自己这些年对Executors的态度很简单:入门用它,理解它,但生产代码里几乎不用它的静态方法。线程池这东西,参数之间互相咬合,边界必须自己画清楚,才敢把线上流量交给它。如果你现在正要写第一版线程池,我的建议是直接写一个显式构造的ThreadPoolExecutor,顺便把线程工厂、队列容量、拒绝策略都摆到明面上来。刚开始会多几行代码,但排查问题的时候会少走很多弯路。等你真正弄懂了队列和参数之间怎么联动,再回头看Executors的封装,就会明白那些一行代码的便利,到底替你决定了一些什么。

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
从mseed到SAC格式转换全攻略:mseed2sac工具安装与批量处理技巧
本文详细介绍了如何将mseed格式的地震数据高效转换为SAC格式,涵盖mseed2sac工具的安装、单文件转换技巧、批量处理自动化实现以及元数据高级处理策略。通过具体命令和脚本示例,帮助地震学研究者快速掌握数据预处理的关键技术,提升波形数据分析效率。
ruby5