可视化逻辑编排如何把需求上线从11天压缩到2小时

低代码逻辑编排可视化开发
于 2026-10-29 06:41:11 修改
·本内容遵循CC 4.0 BY-SA版权协议

先说结论:JVS-Logic 这类逻辑编排工具,真正改变的不是“写代码”这个动作,而是“需求到上线”这条链路的信息传递方式。传统模式下,一个需求从提出来到正式上线,光排队、沟通、联调、等发版就吃掉大量时间,真正写代码的时间反而不多。JVS-Logic 通过把业务逻辑做成可视化配置,让开发、产品、运维在同一个画布上对齐需求,改完直接发布,把“需求→上线”从以天为单位的节奏,压缩到以小时甚至分钟为单位。

这篇文章不聊概念,只聊实践。我会从 11 天到底浪费在哪说起,再到 JVS-Logic 怎么搭、怎么用,最后用一个完整的售后自动审核案例,带你走一遍“需求→上线”的全过程。适合正在做低代码选型、被后端需求排期折磨的开发同学,也适合想知道“逻辑编排到底能干什么”的产品和测试人员。

1. 先聊点实际的:11天都耗在哪了

先说一个我印象很深的项目。当时业务侧提了一个需求:用户发起退款后,系统要自动判断订单状态、金额、风控结果,符合条件的直接退款,有风险的进入人工审核,同时通知售后群。听起来不复杂,前后端掂量了一下,开发量大概是两到三天。

结果实际从需求提出到正式上线,花了 11 天。拆开看是这样的:

环节 耗时 时间都花在哪了
需求评审 1天 产品写 PRD,开发评估排期,多方对齐口径
后端开发 2天 写接口、写逻辑,提测前还要自测
前端联调 2天 前后端接口联调,字段对不上反复改
测试回归 2天 测试用例设计、执行、提 bug、修复回归
发布审批 1天 提交工单,等审批,排队发版窗口
上线后观察 2天 线上验证,出问题再补修复版本

你发现没有,真正的编码时间只有 2 天,剩下 9 天全是流程性损耗。需求文档传一手,开发理解偏一点;接口字段差一个,联调又要多一轮;测试环境跟生产环境不一样,上线前还要反复确认配置。

JVS-Logic 的价值不在于“省掉写代码的人”,而在于把中间这些传递、编码、联调、发布的损耗压到最低。业务逻辑直接在可视化画布上画出来,规则一变,改配置重新发布,不需要重新走一遍需求评审、开发、联调、测试的老路。这就是“2小时”能成立的根本原因:不是人变快了,而是链路变短了。

2. JVS-Logic 到底干了什么事

2.1 它是什么、不是什么

JVS-Logic 是一个可视化业务逻辑编排引擎,核心是“逻辑”。它既不是纯粹的零代码表单工具,也不是传统的工作流审批平台。表单工具解决的是“数据怎么录”,工作流平台解决的是“流程怎么走”,JVS-Logic 解决的是“业务规则怎么落地”。

举个例子,同样是“售后审核”这个需求:

  • 表单工具:做一个售后申请页面,用户填信息,提交入库。
  • 工作流平台:配置一个审批流,提交后一级级人工审批。
  • JVS-Logic:你可以在画布上配置“订单状态是否已发货”“退款金额是否超限”“风控评分是否达标”,然后根据这些判断结果决定是自动退款、转人工还是直接拒绝,再把结果写入系统、触发通知。

所以它真正擅长的是“规则判断 + 数据联动 + 接口调用 + 结果输出”这一类场景,也就是以前需要写一大堆 if-else 和接口胶水代码的地方。

2.2 它能把哪些需求变成“配置”而不是“编码”

根据我实际用下来的经验,JVS-Logic 最合适的场景有这么几类:

  • 规则判断类:比如优惠券是否可用、价格是否满足促销条件、退款金额是否超限、VIP 用户是否有专属权益。
  • 数据联动类:订单创建后自动同步库存、客户资料变更后自动更新关联单据、外部数据进来后做清洗入库。
  • 接口编排类:需要串联多个内部接口或第三方接口,拿到结果再组合返回。
  • 定时任务类:定时扫描超时订单、定时推送报表、定时清理脏数据。
  • 事件触发类:收到 MQ 消息、Webhook 回调、API 请求后,触发一段业务逻辑处理。

而不太适合的场景也很明显:高性能要求极高的核心链路、需要复杂算法和大量状态管理的场景、强事务一致性要求极高的业务,这些该写代码还是得写代码。JVS-Logic 是帮你把常见业务需求从开发队列里摘出来,而不是完全替代开发。

2.3 和传统开发流程对比

拿前面那个需求来对比一下:

维度 传统开发 使用 JVS-Logic
需求描述 产品写 PRD,开发翻译成技术方案 产品、开发直接在画布上拖出逻辑
开发环节 建表、写接口、写业务代码 配置节点、设定规则、接入接口
联调环节 前后端联调、字段反复对齐 逻辑自包含,输出结构直接定义
测试环节 搭环境、写用例、修 bug 在调试器里灌数据跑场景
发布环节 走工单、等窗口、重启服务 逻辑发布,分钟级生效
业务变更 重新走流程、排期 改配置、再发布

说白了,传统开发的成本是“边际成本递增”的,需求越多,队列越长;JVS-Logic 的边际成本很低,来一个新规则,画布上拖一拖就完了,这也是它能压缩交付周期的核心逻辑。

3. 从零搭起一套可用的 JVS-Logic

3.1 部署与初始化

JVS-Logic 通常作为 JVS 体系中的一个引擎来使用,部署方式以 Docker 为主。我第一次接触时有点摸不着头脑,后来发现关键是先搞清楚它依赖哪些基础服务。

典型的基础依赖包括:

  • MySQL:存储逻辑定义、节点配置、版本数据。
  • Redis:缓存运行时的上下文,部分分布式锁场景会用到。
  • 可选的消息队列:对接异步事件触发时使用。

如果只想本地跑通,最省事的方式是用 Docker Compose 起一套最小环境。我当时的做法是先跑一个 MySQL 和一个 JVS-Logic 容器,先把画布打开,后面再逐步接入 Redis 和 MQ。

启动成功后,进入管理后台,第一件事不是急着画逻辑,而是先建好一个“应用”或“逻辑分组”。这相当于给逻辑分了个目录,后面不同业务线的逻辑不会混在一起。顺带把数据源配置好,让逻辑节点能连到业务库。我踩过的坑是,前期没认真规划数据源权限,结果开发环境的逻辑连了生产库的只读账号,调试的时候查不到数据,排查了半天才发现是账号权限问题。

3.2 核心概念速览

JVS-Logic 的核心概念并不复杂,记住下面这几个就够用了:

  • 触发器:逻辑的入口,常见有 HTTP 触发、定时触发、消息触发。
  • 节点:一个节点就是一步操作,比如“条件判断”“数据查询”“接口调用”“变量赋值”“返回结果”。
  • 连线:节点之间的流转关系,支持条件分支和顺序执行。
  • 上下文变量:逻辑运行时保存中间结果的变量,比如查询到的订单信息、计算后的金额。
  • 调试器:手动输入触发参数,模拟执行逻辑,查看每个节点的输入输出。
  • 发布版本:逻辑编辑完,可以生成一个发布版本,线上运行的是已发布的版本,而不是编辑器里的草稿。

我当时给自己打了一个比方:这就跟做饭一样,触发器是“有人点菜”,节点是“洗菜、切菜、炒菜”,连线是“做菜的顺序”,上下文变量是“案板上放菜的那个盘子”,发布版本就是“按菜单正式出餐”。

3.3 先跑通一个“Hello Logic”

上手 JVS-Logic 最快的方式,不是看文档,而是先跑通一个最简单的逻辑。

我当时建了一个“订单金额校验”逻辑:

  • 触发器选 HTTP,路径设为 /check-amount。
  • 入参定义两个字段:orderId(字符串)和 amount(数字)。
  • 加一个“条件判断”节点,判断 amount > 1000。
  • 条件成立走“返回结果”节点,输出 {"result": "large_order"};不成立输出 {"result": "normal_order"}。
  • 点击调试,输入 orderId=1001, amount=1200,跑通后记录里能看到中间变量。

为什么这个实验要先做?因为它把最重要的几个概念都覆盖了:触发器的入参、条件分支的走向、结果节点的输出、调试器的用法。这些搞明白了,后面复杂逻辑就是这些节点的堆叠和嵌套。

一个小建议:节点命名一定要清晰,别用“判断1”“判断2”这种名字。我在一次复杂逻辑里用了一堆“判断”,调试时查中间变量完全分不清哪个是哪个,后来统一改成“判断是否超时”“判断风控是否通过”这种语义化命名,排查效率提高了很多。

4. 实操案例:一个售后自动审核逻辑从需求到上线

4.1 需求描述与拆解

这个案例来自一个电商售后场景,算是 JVS-Logic 非常有代表性的用法。原始需求是这样一句话:

用户提交售后申请后,系统先校验申请单是否完整、订单是否允许售后、退款金额是否超限,超限的转人工审核;不超限的再过风控,风控通过就自动退款,风控不通过也转人工;整个流程结束,把结果通知给用户和售后群。

拿到这个需求,不用急着打开画布,先在纸上拆出决策表:

条件 结果
申请单信息不完整 直接返回“申请失败”,结束
订单的状态不允许售后 直接返回“不可售后”,结束
退款金额 > 5000 元 转人工审核
风控评分 < 60 分 转人工审核
风控评分 >= 60 分 自动退款,触发打款
任一环节完成 通知用户 + 通知售后群

这里最关键的一步是“把需求翻译成决策表”。我见过很多人上来就在画布上乱连,连完回头看逻辑乱成一锅粥。先做好这张表,再对应成节点,整个配置过程会非常顺。

4.2 画布上的逻辑编排

基于上述决策表,逻辑画布的大致结构是这样的:

  1. HTTP 触发器:接收售后审核请求,路径 /after-sale-review。
  2. 入参定义:applyId(申请单 ID),orderId(订单 ID),userId(用户 ID),refundAmount(退款金额)。
  3. 数据查询节点:根据 applyId 查询售后申请单,拿到申请状态。
  4. 条件判断节点 A:校验申请单是否完整。不完整直接返回“申请失败”。
  5. 数据查询节点 B:根据 orderId 查询订单状态,判断是否允许售后。
  6. 条件判断节点 B:不允许售后,返回“不可售后”。
  7. 条件判断节点 C:判断 refundAmount > 5000,成立转人工。
  8. 接口调用节点:调用风控接口,传入 userId 和订单信息,返回风险评分。
  9. 条件判断节点 D:风险评分 < 60,转人工;否则走自动退款。
  10. 接口调用节点:调用退款服务,发起退款。
  11. 数据写入节点:更新售后申请单的状态。
  12. 消息通知节点:分别给用户和售后群发送通知。
  13. 返回结果节点:统一返回处理结果。

画起来其实很快,这个逻辑大概 20 个节点左右,我在画布上拖了一个多小时就完成了,其中一半时间还是在反复核对业务规则。我强烈建议先在纸上画草图,再上画布,能避免大量返工。

4.3 关键节点配置细节

这里挑几个容易出错的节点详细说一下。

入参定义与校验

HTTP 触发器的入参,不只是简单列个字段名,最好把类型和校验规则也一起定义。比如 refundAmount 我定义为 number 类型,校验规则为“大于等于 0”。因为 JVS-Logic 运行时是直接按配置的入参结构接数据的,类型定义错了,后续条件判断里“退款金额 > 5000”这种逻辑会出问题。

条件判断的优先级顺序

条件节点的顺序不能乱排。有的规则看起来互斥,实际存在包含关系。比如“不完整的申请单”和“金额超限的申请单”同时存在时,必须先处理前者。所以在画布上,我把申请单完整性和订单售后状态的校验放在最前面,金额和风控判断放后面。顺序排错了,结果就会偏差。

上下文变量的传递

风控接口返回的评分,要存到一个上下文变量里,供后面条件判断节点使用。我通常会用“remote_risk_score”这个名字。要注意的是,从一个节点到另一个节点传递变量时,引用路径得写对。我踩过的一个坑是,风控接口返回结构是 {"data": {"riskScore": 80}},我直接引用 riskScore,结果一直取不到值,后来改成 data.riskScore 才正常。遇到这种问题,优先去调试器里看节点的输出结构,别瞎猜。

返回结果的结构统一

一个逻辑可能有多个出口:申请失败、不可售后、转人工、自动退款。每一条路径最好都返回一个结构统一的 JSON,包含 code、message、data。这样上游系统调用时不用针对不同结果写多套解析逻辑。我一般约定如下格式:

JSON
{
"code": 0,
"message": "success",
"data": {
"action": "auto_refund",
"refundAmount": 1200
}
}

code 为 0 表示处理成功,非 0 表示业务上未通过,比如申请失败。这样调用方一眼就能看懂逻辑走到了哪一条分支。

4.4 测试与调试

配置完成不代表能上线,测试环节不能省。JVS-Logic 调试器比传统开发调试要快很多,因为它可以直接在画布上模拟触发。

我的测试方式是造一组典型的场景数据来跑,覆盖全部分支:

测试场景 输入 预期结果
申请单不完整 applyId=空数据 code=400,申请失败
订单不可售后 已完成且超时订单 code=400,不可售后
金额超限 refundAmount=8000 转人工
风控分低 风控返回 20 分 转人工
全部通过 正常订单,金额 1000,风控 85 分 自动退款

每一组数据跑完,我都要点开中间节点日志,核对关键变量是否符合预期。尤其注意风控接口的入参,确保传出去的订单信息、用户信息是真实的上下文变量,而不是调试时手动填的测试值,这种“假数据回家”的问题在低代码配置里非常隐蔽。

4.5 发布与接入业务系统

逻辑测试通过后,点击“发布”生成一个正式版本。发布之后,线上运行的逻辑就以这个版本为准。我当时给这个逻辑配置了一个灰度发布策略:先按 10% 的流量放量,观察跑了半小时没问题,再放到 100%。

接入方式也简单,因为我们走的是 HTTP 触发器,业务系统只需要把原来要调到“后端售后审核接口”的请求,改成调到 JVS-Logic 暴露的 HTTP 地址,请求体按入参定义的结构传过来就行。

这里需要注意:HTTP 触发器的地址通常包含访问凭证或 Token,在外部系统配置时,不要硬编码在代码里,最好通过配置中心或环境变量管理。我在生产环境见过有人把 Token 直接写死在业务代码里,后面 Token 一重置,所有调用瞬间全部失败,排查了一下午才找到原因。

整个流程走下来,从需求拆解到逻辑发布,实际用时差不多 2 小时。这个时间包括了画逻辑的一个多小时、测场景的二十多分钟、发布和接入的十几分钟。放在以前,这个需求走排期至少是两三天,压缩到 2 小时不是夸大,是链路真的变短了。

5. 常见问题与排查实录

5.1 配置不生效,还是旧逻辑在跑

这是最常见的问题。很多人改了逻辑,发现线上行为没变化。大概率原因有三个:

  • 改的是草稿,没有点发布,线上运行的是旧的已发布版本。
  • 发布了新版本,但灰度比例没调到 100%,部分流量仍走旧逻辑。
  • 调用方没有重新刷新路由或缓存,仍然请求到旧地址。

我的排查习惯是先看“发布记录”,确认最新版本是否已经发布成功,再看“运行日志”,看线上请求是否进入了新版逻辑。如果请求根本没进来,问题就在上游调用方。

5.2 条件判断结果跟预期不符

条件判断不准,基本都是“数据没拿到”或“拿到的不是你以为的那种数据”。

有一次风控调用返回的结构里,分数是字符串 "80" 而不是数字 80,我在条件判断里用 >= 60 去比较,字符串和数字比较时结果完全不对。排查了很久,最后在调试器里发现类型不匹配。从那以后,我每个接口调用节点后面都会习惯性加一个“变量转换”节点,把关键字段强转成预期类型,再丢给下一个判断节点使用。

5.3 接口调用超时导致整体变慢

JVS-Logic 里如果串联了多个外部接口,整条链路的耗时取决于最慢的那个接口。我遇到过一次售后审核逻辑,刚好赶上第三方风控服务抖动,单次调用花了 8 秒,导致整条逻辑响应时间爆表。

后来我做了三件事:

  • 给外部接口调用配置合理的超时时间,比如 2 秒,超时后走降级分支,而不是死等。
  • 把“通知用户、通知售后群”这类非关键步骤改成异步执行,不让它们卡主链路。
  • 增加重试机制,比如失败后最多重试两次,加上退避时间。

优化完以后,正常情况下整个逻辑跑完在 200 毫秒以内,即使风控那边偶发变慢,也不会拖垮整条链路。

5.4 多人协作时的“撞车”问题

JVS-Logic 支持多人同时编辑逻辑,但也容易互相覆盖。我们团队就发生过一次,两个人同时打开同一个逻辑,一个人改完了发布,另一个接着发布覆盖了他的变更,线上规则一下子倒退到旧版本。

从那以后,我们的做法是:

  • 按业务线拆逻辑,不要所有规则塞在一个逻辑里。
  • 一个逻辑固定一个负责人,其他人需要改动时先找负责人同步。
  • 重要逻辑发布前,先导出版本对比一下变更点,确认无误再发布。

这个经验很重要。低代码工具把编码门槛降低了,但如果没有流程纪律,线上配置就是一团乱麻,比代码时代更危险,因为改配置比改代码容易多了。

6. 关于“2小时”的客观看法

写了这么多,我想说句公道话。“需求→上线压缩到2小时”不是什么魔法,更不是所有需求都能做到。它成立的前提是需求本身属于“规则判断、接口编排、数据联动”这一类,且业务方和配置方对逻辑有清晰的拆解。如果你拿一个需要改数据模型、做复杂算法、长时间事务的需求,硬套 JVS-Logic,那不仅不会快,反而会把简单事情搞复杂。

从 11 天到 2 小时,省下来的其实不是“写代码的时间”,而是“人跟人之间互相传递信息的时间”。需求文档写不清楚,代码注释看不懂,联调来来回回改字段,发版排队等窗口,这些才是吃掉周期的元凶。JVS-Logic 把一个业务的执行逻辑具象成看得见摸得着的画布,谁都可以上来走一遍流程,问题在哪一眼就能看到。

我在实际使用中还有一个体会:JVS-Logic 最大的价值不在“上线那一刻”,而在后续的业务变化里。传统模式下,规则一变,又要排期、又要发版,改动频率一高,开发团队迟早被需求淹没。用 JVS-Logic 之后,业务方提个改动点,配置端几分钟改完直接发布,这种响应速度的变化,对业务和开发之间的关系是革命性的。

最后再分享一个小技巧:在上线初期,不要急于把核心逻辑全部交给 JVS-Logic 承担。可以从低风险、高变动频率的规则开始,比如通知规则、触发规则、数据校验规则,跑顺了以后,再把退款、优惠计算这类核心业务逐步迁入。等团队真正摸清画布和调试的套路,再谈“所有需求全走逻辑编排”也不迟。到那时候你会发现,所谓“2小时”,真的只是一个起点。

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
如何把Excel的数据导入python?
Python数据分析——excl导入数据的简单方法(xlrd) 本文的初衷是发现网上很多Excel导入Python都没有结合具体Excel文档进行讲解,所以这篇文档将会呈现一个简单快速的Excel+Python的入门方法。 开发环境 Prerequisites: 在开始用Python导入Excel之前,要配置好自己的开发环境,最好有IDE(terminal也可)+安装相应的数据分析包。 IDE :pycharm,vscode,etc 数据分析包:matplotlib,xlrd,numpy,etc 导入数
西伯利亚小斑点