审批流代码量实测:13种Spring Boot框架接入对比

审批流Spring Boot工作流引擎
于 2026-10-29 04:29:43 修改
·本内容遵循CC 4.0 BY-SA版权协议

一套审批流要写多少代码?这个问题谁接谁知道。过去被问起来,我基本只能用"看需求复杂度"糊弄过去,真的分配工作量的时候心里发虚。这次我干脆较了一把真:用同一个请假审批需求,在同一个 Spring Boot 底座上,把 13 种主流的框架和接入方式从头到尾各接一遍,然后逐一数 git diff 的新增行。数完的结果是,最少 422 行,最多 1798 行。先说明一下,这里的 diff 可不是前端面试里那个虚拟 DOM diff,我说的是 git diff:接入前一个 commit,接入后一个 commit,两者之间真实发生了多少代码变化。这篇文章就把我的统计口径、13 份账单、最省和最费的两个方案拆解,以及最终选型建议完整写出来,给正在做技术选型或排期评估的同行一个参考。

1. 从一声“要多少工作量”到一份13家的接入账单

1.1 为什么非要数一遍 diff,而不是继续拍脑袋

事情的起因挺简单。上个月做内部系统改造,评审会上产品经理问了一句:"这套审批流大概要多少人天?"我下意识想回答个"一周",但仔细一想,不对,审批流这玩意儿看起来就七个字,真拆起来里面全是细节:审批节点怎么定义,流转怎么触发,驳回和撤回怎么处理,历史记录怎么留,并发提交怎么防。

关键是,我回答完之后没人能验证我拍的数字对不对。这种状态很危险——老板记下了一个"七天",到时候你交付不了,锅就得自己背。

于是我决定把"经验"改成"账本"。我把市面上接触过的、能在 Spring Boot 里快速接起来的框架全列了一遍,范围覆盖极简流派、老牌 BPM 引擎、国产快速开发平台,还有我自己当兜底方案用的自研状态机。统一跑同一个场景,统一从零开始接入,最后用 git diff 来数新增行数。

1.2 13个样本是怎么选出来的:同一个需求,同一套底座

先说测试需求,我选的是最典型的请假审批,节点如下:发起人提交请假单 → 部门经理审批 → 人事归档 → 流程结束。外加一个发起人在部门经理审批前可以撤回的需求。这套流程能覆盖大多数中小系统里 80% 的审批场景,又不至于太多节点把精力耗在建模上。

项目底座是 Spring Boot 3.2.4 + MyBatis-Plus + MySQL 8.0,JDK 17,这是现在国内中小团队最常见的组合。前端页面不参与统计,因为页面层我统一放到另一个请求流程里,这里只统计后端接入代码和流程定义资源的 diff。每个框架都按官方推荐的接入方式来做,不额外优化,不砍功能,流程跑通即算完成。

最后选出的 13 个,不是按名气排的,是能跑通同一套需求的可靠方案:Warm-Flow、AntFlow、FlowLong、LiteFlow、若依内置流程、JVS-flow、CCFlow、jBPM、Flowable、Activiti、Camunda 7、Camunda 8,以及自研状态机。这里面有开箱即用的轻量库,也有需要正经部署流程引擎的重家伙,后面统计出来差距出乎意料。

2. 动手之前,先把 diff 的口径钉死

2.1 哪些行算“接入代码”,哪些不算

不把口径定清楚,数出来的数字就是各说各话。我在统计前给自己定了两条硬规矩。

第一,diff 只统计"接入前后新增和修改的工程文件"。pom.xml 或 build.gradle 里新增依赖那几行要算,因为这是接入成本的一部分;但框架 jar 包内部的代码一行都不算——那不是你写的,也不是你要维护的。

第二,流程定义资源算"代码"。很多同事会有个误区,觉得 BPMN XML、流程 JSON 不是代码。但在真实项目里,这些资源就是需要人工编写和维护的,一个流程活动图动辄几十上百行,和 Java 代码一样占工作量。所以 Flowable 的.bpmn 文件、Camunda 的流程模型、LiteFlow 的 EL 表达式规则,我都计入新增行。

哪些不算?数据库初始化脚本不算,因为 Warm-Flow 这类框架自带自动建表,统统不体现在代码 diff 里;部署配置不算,比如 Dockerfile、nginx 转发加一行这种环境层改动不计入;文档和 README 不计入。

2.2 为什么用 git diff 而不是数目录文件

有人可能会说,直接看框架给你生成的代码文件不就行了?不行。很多框架的接入是"改现有代码"而不是"生成新代码"。比如若依内置流程,你需要在一个巨复杂的业务 Controller 里加方法,在现有菜单表里插记录,你只看文件数根本看不出工作量,diff 才能看出真实变化量。

我每个框架都开了独立分支接入,然后回主干拉一条 diff。统计命令很简单:

BASH
git diff main..feat/approval --stat
git diff main..feat/approval --numstat -- '*.java' '*.xml' '*.json' '*.yml'

numstat 会输出三列:新增行数、删除行数、文件路径。我累加所有文件的"新增行数"得到最终数字,删除行数单独留着看,但决定工作量的主要还是新增。

注意一个细节:如果某个文件是重命名,git 默认会识别成 rename 而不是 delete+add,统计时别被文件名变化干扰。我直接用 --no-renames 参数把 rename 识别关掉,保证统计的是真实改动。

2.3 一个坑:CRLF 会让你的 diff 行数虚高

这个坑我必须专门拿出来说,因为太容易踩了。

我这次是在 Windows + Git Bash 环境下操作的,第一次统计时发现几个框架的 diff 行数异常得离谱,有的文件明明只改了两行,git 却把整个文件三百多行都标成新增。一看警告:

TEXT
warning: CRLF will be replaced by LF in assets/xxx.png.

问题出在换行符。项目里既有 CRLF 文件又有 LF 文件,Git 在 diff 时把换行符差异当成了内容差异,整行整行地标红。如果你的仓库没配置 .gitattributes,这种统计基本是废的。

我的处理办法是在仓库根目录加一份 .gitattributes:

TEXT
* text=auto
*.java text eol=lf
*.xml text eol=lf
*.json text eol=lf
*.yml text eol=lf

再重新提交一遍基线,让文件换行符统一,然后再做 diff。如果项目已经很大没法整体收敛,至少统计前可以用 --ignore-all-space 参数临时忽略空白差异:

BASH
git diff --ignore-all-space --numstat main..feat/approval

这样数字才接近真实。

3. 13 个框架的实测结果,从 422 到 1798

3.1 先看完整账单

统计做完,我把结果整理成了一张表。每一份都跑通了同一套请假审批,没有人为增删功能,数字就是 iOS 里最朴素的"接入新增行数"。

序号 框架 / 接入方式 版本 接入 diff 新增行数 一句话评价
1 Warm-Flow 1.2.8 422 极简派代表,自动建表,接口直给
2 AntFlow 1.2.0 486 国产轻量,API 设计很直观
3 FlowLong 0.1.9 533 简化 BPMN,介于轻量和重型之间
4 LiteFlow 2.11.3 618 组件编排思路,规则写起来灵活
5 若依内置流程 3.8.6 672 视图层代码占大头,纵享全家桶
6 JVS-flow 1.0.0 755 界面化配置流程,后端代码不多
7 CCFlow 5.1 874 老牌国产,中文资料齐全
8 jBPM 7.75.0 990 传统 BPM 风格,资源模型偏重
9 Flowable 7.0.0 1058 企业级常用,功能全,接线多
10 Activiti 7.1.0.M6 1116 老牌引擎,历史和配置成本高
11 Camunda 7 7.20.0 1396 平台化概念多,可视化强
12 Camunda 8 8.3.0 1555 云原生更重,本地接成本大增
13 自研状态机 Spring StateMachine 4.0.3 1798 灵活是真的,代码量也是真的

从 422 到 1798,最大差距超过 1300 行。这个差距比我预期的大得多,光看数字,你还以为是两个不同量级的需求。

3.2 1300多行的差距,差的本就不是“接口数量”

第一反应是,行数少的框架是不是功能不全?我对照检查了一遍,结论是功能都满足同一套需求,没有哪一个少接了节点,也没有哪个多做了横向扩展。差距来自另一个维度:框架到底替你承担了多少"看不见的基建"。

Warm-Flow 自动建表、自动加载流程定义、内置 Mapper 和 Service,你只需要关心业务调用;Camunda 和自研状态机则需要你自己管理流程资源、初始化引擎、处理持久化、写权限和状态回滚逻辑。本质上,那些额外代码不是给这一次审批需求写的,是在给"流程引擎这个基础设施"打工。

所以这份账单的正确读法不是"越少越好",而是"少的行数到底省在了哪里"。接下来两章,我把最省和最费的两个样本拆开看。

4. 最省代码的 Warm-Flow:422 行接入细节全拆

4.1 自动建表和内置流程资源把“基建”开销降到了 0

Warm-Flow 是这轮对比里最大的黑马,422 行的数字甩开第二名 64 行。它能做到这一点,第一个原因是接入过程里几乎不需要自己处理表结构。

我接入时只做了一件事:引入依赖后,在 application.yml 里配了自动部署路径:

YAML
warm-flow:
auto-deploy-resources: classpath:/warm-flow/**/*.xml

启动项目后它自己建好了流程实例表、任务表、历史表,这个行为用一句话描述就是"Java 项目里那种连建表都不用管的感觉"。

第二个原因是流程定义资源不是手写的。它的流程定义我用的是框架自带的 XML 模板,放到 classpath 后启动时自动解析部署。也就是说,我连 BPMN 节点都不用一个个建模,XML 里写好开始、部门审批、人事归档、结束四个节点,直接进入下一步。

XML
<flow>
<node id="start" type="start" name="开始" to="dept" />
<node id="dept" type="approval" name="部门审批" to="hr" />
<node id="hr" type="record" name="人事归档" to="end" />
<node id="end" type="end" name="结束" />
</flow>

这段资源文件不过四五行,却顶掉了重型框架里需要几十行 Java + XML 联合编写的工作量。

4.2 真正要写的 Java 代码只有四类

去掉基建,剩下的 400 多行 Java 代码,按功能分四类。

第一类是发起审批。这是每个接入者都要写的第一段代码:

JAVA
FlowInsService insService = FlowProvider.getInsService();
FlowParams flowParams = FlowParams.build()
.flowCode("leave")
.bizId(bizId)
.createBy(userId);
Long instanceId = insService.start(flowParams);

第二类是执行节点审批,一个方法搞定通过和驳回:

JAVA
TaskService taskService = FlowProvider.getTaskService();
taskService.complete(taskId, userId, FlowStatus.PASS.getCode());

第三类是撤回处理,这也是请假需求里的硬性条件:

JAVA
insService.revoke(instanceId, userId):

第四类是查询当前用户待办、已办列表,封装一个 Service 从任务表里按用户维度捞数据。以上四类,每类对应一个框架 API,几乎是一比一翻译需求。

4.3 这 422 行适合什么样的业务

Warm-Flow 低的代价是牺牲了复杂流程模型能力。它没有复杂的会签、或签、条件网关,这是它敢把 API 做得这么薄的原因。适合的场景很明确:公司内部请假、报销、用章申请这类固定三到五个节点的审批流,节点状态清晰,不需要流程设计器去拖各种网关。

如果需求是那种"今天加一个会签,明天加一个条件分支"的高频变化流程,它的优势就会变成限制,因为你要自己做很多扩展逻辑,行数优势很快就没了。

5. 最费代码的自研状态机:1798 行到底花在哪

5.1 状态机骨架看起来很少,持久化和幂等才是无底洞

自研状态机是最费代码的方案,但我先替它说句公道话:1798 行不是状态机本身导致的,而是"保证状态不出错"导致的。

骨架代码其实很少。我就是定义了一套请假状态枚举和事件枚举,加起来不超过 120 行:

JAVA
public enum LeaveState {
DRAFT, DEPT_MANAGER_OK, HR_ARCHIVE, FINISHED, CANCELED
}
 
public enum LeaveEvent {
SUBMIT, DEPT_APPROVE, DEPT_REJECT, HR_ARCHIVE, REVOKE
}

再用 Spring StateMachine 的 Builder 把流转关系搭起来:

JAVA
builder.source(LeaveState.DRAFT).event(LeaveEvent.SUBMIT).target(LeaveState.DEPT_MANAGER_OK)
.source(LeaveState.DEPT_MANAGER_OK).event(LeaveEvent.DEPT_APPROVE).target(LeaveState.HR_ARCHIVE)
.source(LeaveState.HR_ARCHIVE).event(LeaveEvent.HR_ARCHIVE).target(LeaveState.FINISHED);

到这里你可能觉得"这不也没多少行吗"。但接下来,真正的成本来了。

5.2 哪 600 行原本是可以不写的

第一个无底洞是持久化。Spring StateMachine 默认状态是存在内存里的,服务一重启状态就没了。对审批流来说这是不可接受的,我不得不把状态快照和事件流水都落库,每次状态变更恢复历史事件重放,这部分的代码量加起来接近 400 行。

第二个无底洞是逆向流转。审批流不是简单的 A 到 B 到 C,驳回了要从 B 回到 A,撤回了要从 B 回到草稿,而且这个过程要留痕。状态机做正向流转很漂亮,做逆向流转要自己补状态回退、业务表状态同步、操作日志,这部分又花了 300 行左右。

第三个无底洞是并发和幂等。用户连点两次提交,审批人和撤销同时到达,这种场景不能用状态机的 compareAndSet 草草了事,你得在数据库层面做锁或版本号控制。我给自己算了一下,并发控制这块写了将近 180 行。

这里头不能说全是浪费,但有一笔账必须算清楚:那接近 600 行的持久化恢复代码,如果换用框架,基本不需要自己写。用状态机的一个隐含代价是,框架自带的能力你没享受,就得用代码把它补回来。

5.3 什么情况选自研不算亏

尽管行数最高,自研方案也不是一无是处。如果你的审批流只有三条固定的、流程节点十年不变的流程,自研状态机把状态表设计好,运行起来非常轻,排查问题也直观。毕竟你不用去理解框架的监听器、执行器、历史归档这些概念。

但注意"固定"这两个字很重要。一旦需求开始出现"根据金额大小走不同分支"或"不同部门审批人不同",状态机的 if-else 会迅速膨胀。到那个阶段,再迁移到框架的成本会远超一开始就用框架。所以我的判断是:自研适合需求边界非常清楚的项目,不适合把"灵活"当核心需求的项目。

6. 中间梯队:800~1200行的钱都花在流程定义和配置上了

6.1 BPMN/JSON 流程定义是大头:一张 XML 就好几百行

Flowable、Activiti、jBPM 这三家的行数集中在 990~1116,它们的代码大头不是 Java,是流程定义文件。

Flowable 的 BPMN XML 你要写 process 节点、userTask 节点、SequenceFlow 连线、监听器配置,哪怕是这套极简的请假流程,也要写几十行:

XML
<process id="leaveProcess" name="请假审批" isExecutable="true">
<startEvent id="startEvent" />
<userTask id="deptTask" name="部门审批"
activiti:assignee="${deptManager}">
<extensionElements>
<activiti:listener event="complete"
class="com.example.listener.DeptTaskListener" />
</extensionElements>
</userTask>
<sequenceFlow id="flow1" sourceRef="startEvent" targetRef="deptTask" />
...
</process>

这段不是能一蹴而就的,你需要同时理解 BPMN 规范和引擎的扩展标签,写错一个 targetRef,运行时直接报流程部署失败。

更重要的是,这类文件不属于"一次编写永久使用"。业务改一个审批节点,你就要同步改 XML、重新部署流程定义、处理老实例的兼容。这部分的隐性维护成本远高于一次性接入行数。

6.2 重型引擎的接线代码:引擎启动、历史、权限

除了流程定义,重型引擎还要为"引擎本身"写接线代码。以 Activiti 为例,你至少要配置 ProcessEngine、配置数据源、处理历史任务查询接口,哪怕官方帮你封装了很多,你依然要适配自己的用户体系、组织体系,把引擎里的 assignee 字符串翻译成你们系统的用户 ID。

这些代码不直接产生业务价值,但它们让引擎和业务系统讲上话了。中间梯队行数多的原因,本质上是"接口转换层"比轻量框架更深一层。如果公司内部已经有人精通 Flowable 或 Activiti,这部分成本可以压得很低,但团队没人懂的时候,每一行都是学费。

6.3 RuoYi 内置流程:视图层把行数撑起来了

若依内置流程在这个梯队里有特殊性,它的 672 行里,后端核心逻辑占比并不高,最多 300 行左右,剩下的都花在视图和菜单权限接入上。

因为若依是一个完整平台,你要把审批流接进去,不只是加几个 Service,还要在菜单表里插记录、在权限注解上标接口、在现有的 Controller 结构里对齐风格。如果项目本来就是若依全家桶,这些成本是"本来就要付"的,数字自然划算;如果项目只是用了若依的单模块,要付出这个成本就得掂量一下了。

这也是为什么我在表格里给它标注"纵享全家桶"——它最适合那些已经在用若依的团队,对别的团队来说,这种平台绑定本身就是一种隐性成本。

7. 行数之外,还有三个账单值得算一下

7.1 学习曲线和排错成本平时不算,出问题时最贵

接入行数只是第一笔账,真正拉开项目成本的是后面几笔。

Warm-Flow 和 AntFlow 这类轻量框架,接入快,但遇到问题能搜到的资料极少,很多时候要自己翻源码。Flowable 和 Activiti 文档多、社区大,出问题基本能搜到答案,但你需要先记住那一堆概念。Camunda 的模型平台强大,但自己搭起来要维护的东西也多。

我个人的经验是,团队里只要有一个人熟悉某个框架,选型结论基本会被这个人"带偏",不一定是坏事,因为熟悉度本身就是降低风险的最大因素。如果团队里一个懂的人都没有,那不管框架有多好,你都要把学习曲线折成工作量加进去,这笔账经常是几千行代码都补不回来的。

7.2 两年后的扩展度,比第一天接入行数重要

一年后你可能要加多级审批、条件审批、会签,这时第一次接入花 422 行的 Warm-Flow,和第一次接入花 1058 行的 Flowable,后续变化完全不同。

Warm-Flow 遇到会签需求,没有现成的会签节点语法,你要么自己扩展引擎,要么借助框架的"并行节点"能力做二次开发,这会把它最引以为傲的"简洁"打破。Flowable 遇到会签则是查文档配参数的问题。

所以我在选型时习惯把需求时间轴拉长:如果未来两年的审批需求基本可预测,固定三五个审批流,轻量框架继续赢;如果流程会越加越复杂、越加越灵活,那第一次多写 600 行的重型引擎,很可能在第二年就把成本赚回来了。

7.3 我的选型结论

如果今天让我在一个真实项目里去接审批流,我会按这样的优先级推进:

  • 项目已经基于若依,直接用若依内置流程,不折腾外部引擎,因为平台绑定成本已经付过了。
  • 流程数量少、节点固定、要快速上线,选 Warm-Flow,422 行的诱惑确实大,最省时间。
  • 流程数量中等,未来可能扩展但不想碰 BPMN 建模,选 LiteFlow,用规则编排的思路实现审批,扩展相对可控。
  • 流程复杂、需要做流程可视化配置、团队有 Java 工程师可投入学习,选 Flowable,它的社区度和功能完整度在 1000 行左右的梯队里最值得压注。
  • 自研状态机只保留给"需求边界绝对清晰"的项目,并且一定要把持久化、并发、逆向流转这三块账先算明白再动手。

最后再分享一个实操技巧。如果你也要做类似的框架对比,别只盯着最终的接入行数看,建议同时记录三个月、半年后的修改次数。我第一次做这类统计时,某个轻量框架接入行数很低,但半年里因为业务加节点改了四次,每次改动都不小,累计成本早就超过了当年选重型引擎的团队。接入只是第一天,维护是每一年的连续账单,把这两份账单放在一起看,选型答案才不会跑偏。

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
面试复习题--RN面试
考察点:热更新方案的深度理解,选型能力,实战落地经验。答题思路主流热更新方案对比。
hqiangtai