ThreadPoolExecutor线程池全解析:参数、队列与拒绝策略实战

线程池ThreadPoolExecutorJava并发
于 2026-10-29 04:10:45 修改
·本内容遵循CC 4.0 BY-SA版权协议

ThreadPoolExecutor线程池:从参数到实战,一篇讲透并发里面的这点事

线程池这个东西,几乎每个Java面试都会问到,实际项目中更是绕不开。ThreadPoolExecutor作为Java并发包里的核心类,它解决的可不是简单的“复用线程”问题,而是资源控制、任务调度、性能权衡这一整个体系的问题。

我刚开始写Java的时候,觉得线程池不过是new几个线程跑任务而已,后来被线上一次线程爆炸干翻,才老老实实把ThreadPoolExecutor的源码、参数、队列、拒绝策略都啃了一遍。这篇博客就把我踩过的坑和总结出来的配置方法全写出来,适合正在准备Java面试、或者工作中想系统掌握线程池配置的开发者参考。

1. 为什么非要用线程池?手动new Thread到底错在哪

很多人写并发时会觉得,Java里开线程不就是一个new Thread(...).start()的事吗?确实,随手写个异步任务,一条线程就能解决,但一旦放到生产环境,这种写法带来的隐患比想象中大得多。

我给你算一笔账:每创建一个Java线程,抛开对象本身不谈,底层还需要分配线程栈空间(默认大概1MB左右),再加上操作系统内核线程的创建开销、线程切换时的上下文切换成本,这些都会实实在在地消耗CPU和内存。假如一个请求进来就new一个线程,高峰期每秒进来500个请求,那这500个线程同时活着,光是栈内存就要吃500MB,再加上系统调度它们要来回切换上下文,应用不卡死才怪。

线程池要解决的正是这个问题:把线程的创建和销毁成本摊到一批任务的执行上,核心线程常驻,任务多了排队,任务满了有兜底策略。用一句话说,线程池管理的不是“任务”,而是“线程这种稀缺资源”。

在Java里,线程池这套体系的设计也很值得琢磨:

  • Executor是顶层接口,只负责给你一个“执行任务”的能力;
  • ExecutorService扩展了生命周期管理,比如shutdown、shutdownNow,还有submit带回返回值的能力;
  • AbstractExecutorService做了默认骨架;
  • ThreadPoolExecutor才是真正干活的类,策略全部可配置。

这也是为什么面试官总是盯着ThreadPoolExecutor打——因为Executors工具类里那几种fixed、cached线程池,本质都是对ThreadPoolExecutor的不同参数组合,真正决定线程池能不能扛住业务的,还是你对ThreadPoolExecutor的每个参数理解得够不够深。

2. ThreadPoolExecutor的7个核心参数,一个一个拆给你看

ThreadPoolExecutor的核心构造方法最多有7个参数,很长,但每个参数都是有用的。先看完整签名:

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

2.1 corePoolSize与maximumPoolSize:线程数的上下限

corePoolSize是核心线程数,正常情况下线程池里的线程数会稳定在这个值附近。哪怕核心线程空闲,也默认不会被回收(除非设置了allowCoreThreadTimeOut(true))。maximumPoolSize是最大线程数,当任务队列满了、核心线程都在干活、仍然塞不进新任务时,线程池才会把线程数往maximumPoolSize扩。

这里有两个常见的误区:

  1. 线程数不是一上来就拉满到maximumPoolSize的。新任务到来时,线程池优先把线程数从0加到corePoolSize,如果核心线程都忙,任务会先进队列排队,队列满了才考虑加非核心线程。
  2. 非核心线程空闲超过keepAliveTime后会被回收,核心线程默认不会,除非显式开启allowCoreThreadTimeOut。

2.2 keepAliveTime与unit:非核心线程的存活时间

keepAliveTime指的是非核心线程(以及开启超时回收时的核心线程)空闲存活时间。这个值不是随便拍的,它和任务的到达频率、任务的执行时长强相关。

如果任务平均执行时间很短,比如几十毫秒一个,那么keepAliveTime设置过长会导致空闲线程占着资源不放;如果任务执行很重,比如要跑几秒,keepAliveTime设短了会导致线程频繁被回收后又要重新创建,反而把性能浪费在线程创建上。

2.3 workQueue:任务排队的地方

workQueue是线程池里最容易被忽视、又最容易引发线上问题的参数。Java内置了几种阻塞队列,我后面专门用一个章节来说怎么选,这里只提示一句:队列选错了,线程池里线程数量配得再合理都没用。

2.4 threadFactory:给线程起个好名字

threadFactory用来创建线程,但99%的人默认不传,这时线程池会用默认工厂,线程名是pool-1-thread-1这种。问题是,线上出了故障,你去查堆栈,看到一堆pool-1-thread-1,你根本不知道这是哪个业务模块的线程池。

我强烈建议所有生产环境的线程池都自定义ThreadFactory,把业务名带进线程名。

JAVA
ThreadFactory factory = new ThreadFactory() {
private final AtomicInteger idx = new AtomicInteger(0);
@Override
public Thread newThread(Runnable r) {
Thread t = new Thread(r);
t.setName("order-async-handler-" + idx.getAndIncrement());
t.setDaemon(false);
return t;
}
};

有了这个习惯,线上排查线程问题时,jstack出来一眼就能看出线程归属,节省的时间远远超过写这几行代码的成本。

2.5 handler:队列也满了怎么办

当线程池的线程数已经达到maximumPoolSize,队列也装满了,再来新任务就会触发拒绝策略。Java内置四种,后面我也会展开讲。

先记住一个结论:生产环境默认的AbortPolicy很少是正确答案,它会让任务静默失败(抛RejectedExecutionException),而CallerRunsPolicy往往更稳。

3. 线程池的执行流程,画在脑子里

理解了参数,接下来要把“任务提交流程”刻进脑子里。这个流程是面试高频题,也是排查问题的基础。

TEXT
新任务提交
├─ 线程数 < corePoolSize → 创建核心线程执行
├─ 线程数 >= corePoolSize → 尝试入队
│ ├─ 入队成功 → 等待线程消费
│ └─ 入队失败(队列满) → 尝试创建非核心线程
│ ├─ 线程数 < maximumPoolSize → 创建非核心线程执行
│ └─ 线程数 >= maximumPoolSize → 执行拒绝策略

几个容易混淆的细节:

  • 先入队,后扩线程。很多新手以为是“队列满了才扩线程”,其实更要命的是“核心线程没满之前不会把任务丢进队列”。
  • 提交execute任务的线程和执行任务的线程不是同一个,别把ThreadLocal一套,发现值对不上。
  • 如果被拒绝的任务是execute提交的,异常会被直接抛出到调用方线程;如果是submit提交的,异常会被封装进Future,调用future.get()时才抛出。

这个流程在设计上是合理的:优先复用一个固定数量的核心线程,保护系统资源;任务太多导致排队也不要紧,队列本身有缓冲作用;缓冲都顶不住了,才去临时招“非核心线程”来帮忙;最后真的撑不住,拒绝策略兜底。每层都有意义,层层保护。

4. 内置线程池看着好用,坑却不少

Executors工具类提供了4个静态方法,很多人图方便直接用:

  • newFixedThreadPool(n):固定线程数,队列用无界的LinkedBlockingQueue。
  • newSingleThreadExecutor():单线程,队列同样无界。
  • newCachedThreadPool():核心线程0,最大线程数Integer.MAX_VALUE,队列用SynchronousQueue。
  • newScheduledThreadPool(n):支持定时任务,内部用的DelayedWorkQueue。

先说newFixedThreadPool。它的queue是无界链表队列,意味着所有任务都会排队,永远触发不了拒绝策略。如果任务积压速度一直大于处理速度,队列里的对象会无限膨胀,最后OOM。线上出过的事故很多都是这么来的:一个定时任务半夜跑挂了,第二天早上队列里积压了几百万个任务,直接把内存打爆。

再说newCachedThreadPool。它用的是SynchronousQueue,这个队列不存储元素——提交的任务必须立刻被消费,否则就催线程池新建线程。配合Integer.MAX_VALUE的最大线程数,一旦任务来得又快又多,线程数就会疯狂上涨,最终线程炸穿系统。

内置线程池也不是一无是处,开发环境、控制台工具、任务量可控的场景用它很方便。但线上核心链路,我还是建议直接new ThreadPoolExecutor,参数自己定。这不是教条,是踩过坑后的条件反射。

如果你图省事又想降低风险,也可以基于newFixedThreadPool的思路,把队列换成有界队列,再配上自定义的拒绝策略,这样本质上就是半个自研线程池了。

5. 阻塞队列怎么选:这里藏着90%的配置问题

队列选择是ThreadPoolExecutor配置里最讲究的一环。

5.1 LinkedBlockingQueue:默认的“大胃王”

LinkedBlockingQueue有两种:默认构造是无界的,传容量是有界的。很多人用Executors.newFixedThreadPool就踩了无界的坑。

无界队列的问题我在前面已经说了:队列永远不会满,线程数永远不会超过corePoolSize,拒绝策略永远不会触发。看起来一切平稳,实际上内存会被慢慢吃光。

改进方案:new一个带容量的LinkedBlockingQueue,比如new LinkedBlockingQueue<>(1000),队列能容纳1000个任务缓冲。我的经验是,容量不要设太大,几千上万往往都过大了,具体和业务请求量、消费速度有关。

5.2 ArrayBlockingQueue:有界数组,控制力最强

ArrayBlockingQueue底层是数组,必须指定容量,天生就是有界队列。它比LinkedBlockingQueue更硬核——队列满了就拒绝,没有任何讨价还价的余地。

如果你需要一个“严格限流”的线程池,ArrayBlockingQueue是第一选择。代价是:队列满了之后,新任务会转而触发非核心线程扩容,如果达到了最大线程数,就直接走拒绝策略。

5.3 SynchronousQueue:不存任务的交接队列

SynchronousQueue比较特殊,它内部不缓存任何任务。生产者提交任务时,如果当前没有消费者线程在等待,提交就会失败/阻塞(取决于使用方式)。在ThreadPoolExecutor的场景下,SynchronousQueue的作用是:任务必须立刻被线程消费,否则就触发新建线程。

这正好配合newCachedThreadPool的“任务多就扩线程”策略。但如果你自己用SynchronousQueue搭配一个有限的最大线程数,那么就要求提交任务的速度不能太猛,否则扩容到上限后只能拒绝。

5.4 PriorityBlockingQueue与DelayedWorkQueue

PriorityBlockingQueue支持按优先级出队,适合任务有优先级之分的场景。使用时要注意,入队的Runnable对象必须实现Comparable接口,或者通过构造传入Comparator。

DelayedWorkQueue是ScheduledThreadPoolExecutor内部使用的延迟队列,它保证队首元素是到期时间最近的。如果只是普通并发任务,一般用不到这种队列。

5.5 一个比较直观的选择对照

队列类型 是否有界 适用场景 主要风险
LinkedBlockingQueue(默认) 无界 开发环境/工具类 队列积压导致OOM
LinkedBlockingQueue(带容量) 有界 通用业务异步任务 需配合合理的拒绝策略
ArrayBlockingQueue 有界 严格限流的核心链路 队列容量配置不合适容易频繁拒绝
SynchronousQueue 不存储 高吞吐/快速交接型任务 线程数易失控
PriorityBlockingQueue 无界 带优先级的任务 同样有无界OOM风险

经验总结:日常业务里的异步处理、消息推送、日志落盘,我习惯用带容量的LinkedBlockingQueue,容量根据业务峰值来设;核心链路上需要强限流的,用ArrayBlockingQueue;要快速处理和短任务的,才考虑SynchronousQueue。无界队列在我的生产环境里基本绝迹了。

6. 核心线程数怎么算?直接给你可落地的方案

线程数设置其实没有“万能公式”,但业界有一套被验证过的经验模型。

6.1 从任务性质出发

任务分两类:CPU密集型和IO密集型。

  • CPU密集型:任务大部分时间在做计算、循环、逻辑处理,占用CPU时间片。线程数建议设为CPU核数 + 1,多出来的那一个是为了规避因缺页中断等导致某个线程阻塞时CPU空闲的损失。
  • IO密集型:任务大量时间在等数据库返回、等外部接口响应、等文件读写,CPU利用率不高。线程数建议设为CPU核数 * 2左右,如果IO等待时间占比非常大,还可以继续往上调。

更精细一点,有一个“最佳线程数”的经验公式:

TEXT
线程数 = CPU核数 * 目标CPU利用率 * (1 + 平均等待时间 / 平均计算时间)

比如一个查询接口,平均IO等待耗时80ms,计算耗时20ms,四核机器,目标是让CPU利用率到80%:

TEXT
线程数 = 4 * 0.8 * (1 + 80 / 20) = 4 * 0.8 * 5 = 16

这个公式的意义不是给你一个绝对正确的数,而是提醒你:不要拍脑袋,要从等待时间和计算时间的比例来推导。

6.2 线程数不是越大越好

这一点值得反复强调。线程多了,每个线程分到的CPU时间片反而变少,上下文切换的开销变大,吞吐量并不会随之提升,极端情况下反而下降。

我见过一个生产事故:某团队把一个线程池的maximumPoolSize配到2000,结果高并发时光是线程切换就占了CPU的40%以上,接口RT反而飙得很高。最后压测下来发现,合适的最大线程数也就200左右。

6.3 压测验证才是终极手段

经验公式给你一个起点,真正确定参数还得压测。

我的做法是:先用经验公式定一个初始值,然后用压测工具(JMeter、wrk、自研压测脚本)逐步增加并发量和任务提交量,观察线程池状态、队列积压、RT、CPU、内存这五个指标。如果队列一直积压,优先调大线程数或降低任务提交量;如果CPU打满但队列空,说明线程数偏大;如果RT稳定、CPU利用率在合理区间、队列偶尔有点小积压但很快消化完,那就是比较健康的配置。

7. 四种拒绝策略,别再只会用默认的了

当线程池线程数已达上限、队列已满,提交新任务会触发RejectedExecutionHandler。JDK自带了四种实现:

7.1 AbortPolicy(默认)

直接抛出RejectedExecutionException。问题是,它会把任务拒绝的责任丢给调用方,并且调用方如果没做try-catch,任务就悄无声息丢了。

7.2 DiscardPolicy

静默丢弃掉被拒绝的任务,什么异常都没有。看起来无害,实际上会让你的业务数据“凭空消失”,我最不推荐这种策略,除非你明确知道丢掉也无所谓。

7.3 DiscardOldestPolicy

丢弃队列里最老的等待任务,然后重新尝试提交当前任务。这适合“重试新任务、放弃旧任务”的场景,比如实时行情推送,旧数据没意义,新的才要紧。

7.4 CallerRunsPolicy

被拒绝的任务,会在提交任务的线程里直接执行。也就是说,谁提交的谁执行。这样做的效果是:线程池饱和时,提交方线程被占用去执行任务,新的提交速度自然降下来,相当于一种“背压(backpressure)”机制。

我比较推荐线上核心链路用CallerRunsPolicy,理由有三:

  1. 任务不会丢;
  2. 提交方线程被拖住,天然削峰;
  3. 实现简单,不需要额外写补偿逻辑。

但要提醒一点:如果任务执行时间很长,用CallerRunsPolicy会让提交方线程(比如HTTP请求线程)长时间阻塞,影响该线程处理其他请求。所以它是一种“限流+保底”的平衡方案,而不是万金油。

8. 实战配置:一套可以直接抄的线程池方案

这里给出一套我常用的基础模板,你可根据项目情况微调。

JAVA
import java.util.concurrent.*;
 
public class OrderAsyncExecutor {
 
private static final String THREAD_NAME_PREFIX = "order-async-";
 
private static final ThreadPoolExecutor EXECUTOR = new ThreadPoolExecutor(
8, // corePoolSize
16, // maximumPoolSize
60L, TimeUnit.SECONDS, // keepAliveTime
new LinkedBlockingQueue<>(1000), // 有界队列,容量1000
new ThreadFactory() {
private final AtomicInteger seq = new AtomicInteger(0);
@Override
public Thread newThread(Runnable r) {
Thread t = new Thread(r);
t.setName(THREAD_NAME_PREFIX + seq.getAndIncrement());
t.setDaemon(true);
return t;
}
},
new ThreadPoolExecutor.CallerRunsPolicy()
);
 
private OrderAsyncExecutor() {}
 
public static void execute(Runnable task) {
EXECUTOR.execute(task);
}
 
public static void shutdown() {
EXECUTOR.shutdown();
}
 
public static ThreadPoolExecutor getExecutor() {
return EXECUTOR;
}
}

这里有几个处理细节我想单独说明:

  • corePoolSize=8,假设CPU是4核,IO密集业务(查库、调三方接口),乘2差不多就是8;
  • maximumPoolSize=16,允许峰值时扩一倍,但限制死了不让线程失控;
  • 队列容量1000,按单任务耗时200ms粗略算,1000个积压任务大概需要200秒消化,这个缓冲足够覆盖大多数瞬时突刺,同时不至于让内存爆掉;
  • daemon设为true:线程池线程设为守护线程,配合shutdownHook可以让JVM在关闭时比较果断地退出,但如果你有任务必须执行完,需要改成false并妥善处理shutdown逻辑。

如果是提交后需要拿到结果的场景,用submit而不是execute:

JAVA
Future<String> future = EXECUTOR.submit(new Callable<String>() {
@Override
public String call() throws Exception {
return "result";
}
});
String result = future.get(3, TimeUnit.SECONDS);

这里必须加超时,否则一个不可控的任务会让你的调用方线程无限等下去。

9. 常见问题与排查技巧实录

9.1 线程池里的线程数一直在涨,上下不去

排查思路:先看队列是否已经积压,再看任务执行耗时是否过长。用jstack抓一下线程栈,看看线程都卡在什么方法上。如果是外部依赖(RPC、数据库)慢,那线程池本身没毛病,是把依赖排查出来降低耗时,或者临时调大线程数顶住。

9.2 队列积压严重,但线程数没有扩

这种情况很可能是核心线程都在跑,但是任务入队成功、队列没满,所以maximumPoolSize的扩容逻辑根本没机会触发。令牌桶限一下提交速度,或者调大maximumPoolSize,看看是否缓解。

另外注意,如果队列是无界的,线程数永远不可能超过corePoolSize,因为任务永远不会“放不进队列”。想靠扩容线程数来提升吞吐,是有界队列的前提。

9.3 execute和submit的任务异常处理姿势不一样

  • execute提交:任务内异常会抛到线程池的UncaughtExceptionHandler,如果没设置,异常会打在日志里,但调用方感知不到“提交失败”。
  • submit提交:如果任务抛异常,异常被吞进Future里,你不调用get就永远不知道任务失败了。

所以,如果任务里有你可能关心的异常,一定要在run方法里自行try-catch并打日志,或者用submit+get配合超时来捕获,不要让任务失败变成“沉默故障”。

9.4 线程池满了之后任务被拒,怎么做到不丢数据

这要看业务诉求。如果任务是写消息日志、做异步统计这类允许延时的,我建议提交线程池之前先放一个本地内存队列或者MQ,线程池消费完后再去消息中间件取;如果任务本身对实时性要求很高,那宁可拒绝得清晰一点,留下告警记录。

一个简单兜底方案:自定义拒绝策略里,把被拒任务丢到一个补偿线程里重试。

JAVA
RejectedExecutionHandler handler = (r, executor) -> {
// 记录告警
log.warn("task rejected, queue: {}, active: {}",
executor.getQueue().size(), executor.getActiveCount());
// 转投到备用的单线程执行器
retryExecutor.execute(r);
};

9.5 监控线程池要盯哪些指标

生产环境中,我用下面这段代码做定时监控,每天轮询,配合告警:

JAVA
ScheduledExecutorService monitor = Executors.newSingleThreadScheduledExecutor();
monitor.scheduleAtFixedRate(() -> {
int queueSize = EXECUTOR.getQueue().size();
int activeCount = EXECUTOR.getActiveCount();
long taskCount = EXECUTOR.getTaskCount();
long completedCount = EXECUTOR.getCompletedTaskCount();
int poolSize = EXECUTOR.getPoolSize();
int largestPoolSize = EXECUTOR.getLargestPoolSize();
 
log.info("线程池监控 queue={}, active={}, task={}, completed={}, pool={}, largest={}",
queueSize, activeCount, taskCount, completedCount, poolSize, largestPoolSize);
}, 1, 30, TimeUnit.SECONDS);

这些指标的含义值得展开说一下:

  • queueSize:排队人数,持续上涨就是告警信号;
  • activeCount:正在执行任务的工作线程数;
  • taskCount:累计提交的任务数,包含排队和完成、被拒的;
  • completedTaskCount:已完成任务数;
  • poolSize:当前线程数;
  • largestPoolSize:线程池曾经到过的最大线程数,用于分析峰值需求。

如果largestPoolSize经常等于maximumPoolSize,说明你的线程池频繁触及扩容上限,可能该调大最大线程数、优化任务耗时、或者削峰限流了。

10. 从“会用”到“懂得配”,核心是理解每个参数背后的代价

回头再看ThreadPoolExecutor,它的七个参数其实是在四个目标之间做平衡:吞吐量、资源占用、排队延迟、任务拒绝率。每个参数都不是孤立的,线程数影响吞吐,队列影响缓冲和内存,拒绝策略影响业务成败。

我见过很多团队把线程池配置挂在一个单独的配置中心里,每次调优都很谨慎,先压测、再灰度、最后全量,这是对的。因为线程池一旦上线,它的表现和业务流量密切相关,你很难在测试环境100%地模拟出生产级别的并发压力。

一些经验写在最后:

  • 线程池的名字一定要可读,不要“pool-1”,否则排查问题的时候你会后悔的;
  • 队列一定要有界,无界队列等于炸弹,只是引爆时间问题;
  • 拒绝策略必须显式定义,明确“任务多到装不下时到底该怎么做”;
  • submit交给你的Future,再忙也要加超时get,不要裸调get();
  • 上线前务必压测,别信拍脑袋配置;
  • 所有线程池都要有对应的监控,没有监控的线程池就是一个黑盒。

线程池不像一个业务组件,你在代码里写完配置就万事大吉了,它更像一个长期运行的“小系统”,需要持续观察和调优。把ThreadPoolExecutor的几个参数、队列特性、执行流程吃透之后,你写并发代码会有一个明显的质的提升——至少不会再因为线程爆炸或者任务丢失而被半夜叫起来处理线上事故了。

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
Vitis HLS 学习指南与实践教程
Vitis HLS 学习指南与实践教程摘要:本文系统介绍了AMD Vitis HLS工具及其应用。HLS技术将C/C++代码自动转换为硬件描述语言,显著提升FPGA开发效率(5-10倍)。文章对比了HLS与传统RTL设计的优势,包括抽象级别高、开发周期短、代码重用性强等特点。详细讲解了Vitis HLS工具链的核心功能,包括支持的C/C++特性(如任意精度数据类型)、开发流程(项目创建-代码编写-仿真-综合)以及关键优化技术(流水线、循环展开、数组分割等编译指示)。通过具体代码示例展示了HLS设计方法,为F
码不停蹄Zzz