构建高效运维监控体系:从告警风暴到趋势预测实战

监控体系PrometheusGrafana
于 2026-10-29 08:51:34 修改
·本内容遵循CC 4.0 BY-SA版权协议

干运维这行,头半年基本都是在救火。服务器CPU飙了、磁盘满了、服务挂了,哪有问题往哪跑,一天到晚被监控告警牵着走。等到领导问“这个月系统整体稳定性怎么样”,我连个像样的趋势报表都拿不出来,这才意识到所谓的监控,不是装个Zabbix配几个触发器就完事。

后来花了两个多月,啃完一套整理下来的140页运维监控资料,边学边把监控体系从数据采集、指标存储、可视化、告警通知到复盘改进整个闭环重新搭了一遍。半年过去,我最大的感触是:监控体系不是部署出来的,是设计出来的。这套体系跑通以后,我不再是“值班救火员”,而是能看到系统水位、提前预判故障的“有经验的人”。这篇就把我半年摸透监控体系的思路、落地步骤和踩过的坑完整写出来,给正准备搞监控或者正在被监控告警折磨的同行做个参考。

1. 监控体系整体设计与思路拆解

刚开始学监控的时候,我也犯过新人通病:先装个Zabbix,然后把所有主机的CPU、内存、磁盘都加上,再配一堆触发器,感觉“监控上线的KPI”就达成了。效果如何?告警风暴。半夜被无关紧要的告警轰炸,真正的问题反而淹没在噪音里。后来看资料里的一句话点醒了我:监控体系的核心目标不是“发现问题”,而是“在问题影响业务之前发现隐患”,并且“在发现问题后能快速定位”。

1.1 监控体系的四个层次

一套完整的监控体系,不是单一工具能搞定的,也不是告警一件事能代表的。我按资料里的思路,把体系拆成四个层:数据采集层、数据存储层、可视化展示层、告警与处理层。

数据采集层负责把机器指标、应用指标、日志指标甚至业务数据统一采集上来;数据存储层解决指标怎么存、存多久、怎么查的问题;可视化层把数据变成趋势图、仪表盘,让“有没有问题”一眼可见;告警层则负责在阈值被突破时通知到人。这里最容易被忽略的是“日志监控”,很多场景下指标正常但服务就是报错,比如Java应用频繁抛异常但不影响当前请求,靠CPU内存根本看不出问题,必须靠日志关键字告警兜底。

1.2 为什么选择Prometheus + Grafana这套组合

资料里对比了好几套方案,包括Zabbix、Open-Falcon、Prometheus、商业监控产品等。我的选型结论是:中小规模服务器规模在几十到几百台的情况下,Prometheus + Grafana + Alertmanager是性价比最高的组合。

Zabbix也有优势,它自带告警、模板、自动发现,适合传统企业IT;但它的数据模型和查询语法相对陈旧,画图能力远不如Grafana,二次开发成本也高。Prometheus的核心优势在于“基于指标名的多维数据模型”,配合PromQL可以做很灵活的聚合计算,比如“统计过去5分钟所有Nginx请求的P99耗时”,这在Zabbix里能把人写哭。

当然Prometheus不是没有短板,它的高可用需要部署联邦集群或Thanos,长期存储要向远端对象存储做适配。对我们的体量来说单节点足够,但数据保留周期和落盘策略在设计之初就要想清楚。

1.3 指标类型与命名规范的补齐

这一块是我在整个学习过程中觉得最容易忽略、但在后期查问题时回报最高的环节。资料里用大量篇幅讲指标命名规范,当时我不以为然,后来真出问题才懂。

Prometheus的指标类型有Counter、Gauge、Histogram、Summary四类,采集的时候不能混。比如HTTP请求计数的Counter,如果把错误码也做成Gauge,那在做“错误率 = 错误数 / 总请求数”的PromQL计算时会非常别扭。命名上统一用命名空间_子系统_名称_单位的方式,像node_cpu_usage_percent这种,后续写PromQL、做图表筛选都省力。我们当时历史包袱小,直接定了一套规范,后来在Grafana里拖着看板思路特别清晰,就靠命名规范做到了“看指标名就知道什么意思”。

1.4 监控范围的边界:基础设施、应用、业务三层

我把监控对象拆成三层:基础设施层、应用层、业务层。基础设施层是CPU、内存、磁盘、网络、温度这类的硬件资源指标;应用层是Nginx连接数、Tomcat线程池、Redis命中率、MySQL慢查询这类运行状态指标;业务层是订单量、支付成功率、接口响应耗时这类直接体现业务健康度的指标。

新人容易只做第一层,因为网上资料多、模板丰富、配起来快。但我强烈建议在搭建初期就把三层一起规划进去,哪怕业务层只做一个“核心接口存活检查”的探活指标,也比完全没有强。因为基础设施告警往往只能告诉你“哪台机器有问题”,而业务层告警能告诉你“这个问题有没有影响到用户”。我们有一次机房网络抖动,基础设施全红,业务层却显示支付成功率还是99.99%,说明那只是一台闲置机器的网络断了,压根不用半夜爬起来处理。

2. 核心监控指标拆解与阈值设定实操

资料里有很大篇幅讲“选哪些指标、阈值定多少”,这也是我把140页资料分成N个主题后逐章吃透的第一块重点。指标选不全,该挂的时候发现没监控;阈值定不对,每天被误报折磨到精神衰弱。这块没有标准答案,但有一套方法论可以套。

2.1 基础设施指标选型与解读

基础设施层指标不是越多越好,关键是“每一个指标都能对应一个明确问题”。

CPU要看利用率、Load、各核的软中断和硬中断分布。CPU利用率高不一定是瓶颈,如果Load相对利用率低,可能只是在跑批任务,反而是软中断飙高说明网卡队列出问题。一个实用的排查逻辑:CPU高 + Load高看进程状态,CPU高 + Load不高看锁竞争和上下文切换。

内存要看可用量、Swap使用、页缓存大小。Linux下真正需要关注的是Swap换入换出速率,只要出现持续的si/so,说明物理内存真的吃紧了,这时候哪怕available还有几个G,系统性能也已经在下滑。

磁盘要区分容量和使用率。容量告警要分数据盘和系统盘,阈值一般定在85%,数据增长快的业务可以再分两级:85%警告、95%严重。磁盘性能看iowait和平均IO队列长度,iowait持续超过30%加上IO队列深蹲,多半是抢IO的应用把整块盘的吞吐吃满了。

网络指标看带宽利用率、丢包率、TCP重传率、连接数。带宽利用率高未必是坏事,关键看用的是不是关键业务;TCP重传率突然变大,十有八九是网络链路或防火墙策略出了问题。

2.2 应用与中间件指标监控要点

应用层的监控,比硬件指标更贴近故障现场。以最常见的组合举例:

Nginx必须监控活跃连接数、新建连接数、请求处理耗时、5xx状态码占比。活跃连接数基线我们一般看一周趋势,突然涨到基线的三倍,大概率是突发流量打进来,要准备扩容。

Redis要监控内存使用率、慢日志频率、命中率和连接数。Redis内存到了maxmemory又没配淘汰策略,直接表现为写入失败。慢日志是排查阻塞的关键,比如执行KEYS命令把Redis阻塞了几百毫秒,靠监控慢日志才能第一时间发现。

MySQL要盯死慢查询数和锁等待时间。慢查询数从每分钟几十涨到几百,SQL大概率是索引失效了;锁等待时间持续高位,说明有长事务没提交,后端的会话全在等锁。

Java应用建议接入JMX或Micrometer,重点监控JVM堆内存使用、Full GC频率和耗时、活跃线程数。Full GC一次超过500毫秒且频率变高频,基本可以断定堆大小或对象分配逻辑出了问题,这种问题靠进程层面的CPU内存指标是完全看不出来的。

2.3 阈值计算的三个思路

阈值定多少?资料里给了三种思路,我结合自己的经验展开讲:

基线对比法:先采集两周以上的历史数据,取业务平稳期的均值作为基线,阈值设为基线的1.5到2倍。这个思路适合CPU利用率、请求量、响应时间这类有明显波动的指标,比拍脑袋定一个“80%”靠谱得多。

容量水位法:针对磁盘、内存这种资源型指标,按容量增长速率推算剩余可用时间。比如磁盘日增3%,当前使用率70%,那7天左右就会到85%警告线,报警之后你有大约一周的时间去清理或扩容,而不是等告警来了才手忙脚乱。

固定阈值法:适合有明确业务标准的指标,比如接口可用性要求99.95%,那失败率阈值的严重线就是0.05%,再往下像“连续5分钟超过才算告警”这种条件,是为了过滤瞬时毛刺。

注意:阈值永远不是配置一次就完事。每次大促、每次业务版本上线、每次基础设施扩容之后,基线都可能会变。我习惯每个月花半天时间过一遍告警命中率的统计,命中率高且持续时间短的告警,触发器条件就要往回收。

2.4 从“阈值告警”到“趋势预测”

监控体系做得再好,阈值告警也只解决“当下有没有问题”。真正让监控体系值钱的是用趋势预测把“未来的隐患”提前暴露出来。

Prometheus搭配Grafana,可以用predict_linear函数基于历史趋势对未来几个小时的数据做线性预测。比如对磁盘使用率做预测:如果预测未来24小时会达到90%的容量线,就直接告警,而不是等真正到达时才通知。类似的做法在容量管理上价值非常大,尤其在一年几次的大促前,用历史流量预测峰值带宽、峰值QPS,再对照现有资源余量做扩缩容建议,比事后扛不住了临时买机器靠谱一个量级。

3. 监控体系落地实操过程与核心环节实现

方案再漂亮,落地起来全是细节。我按从零到一搭建的完整顺序,把Prometheus + Grafana + Alertmanager这套组合的实操过程写出来,包括部署方式、配置文件、告警路由规则以及批量管理技巧。选型据我当时的实践经验,以上这套组合更贴合中小团队的使用习惯。

3.1 环境规划与基础部署

我先规划了三台机器做监控:一台跑Prometheus服务端,一台跑Grafana,一台跑Alertmanager,后面为了日志监控又引入了一套轻量级的Loki。规划的时候要给Prometheus预留足够的数据盘空间,因为指标数据的落盘是持续增长的。

Prometheus的安装过程不复杂,解压即用,配置好systemd托管后开机自启。这里提供一个最精简的配置结构:

YAML
global:
scrape_interval: 15s
evaluation_interval: 15s
rule_files:
- "/etc/prometheus/rules/*.yml"
scrape_configs:
- job_name: "prometheus"
static_configs:
- targets: ["localhost:9090"]
- job_name: "node_exporter"
static_configs:
- targets:
- "192.168.1.11:9100"
- "192.168.1.12:9100"

拉取频率这里有个权衡:15秒的拉取间隔能覆盖绝大多数故障场景,又想更灵敏就用10s,但数据量和查询负载都会明显上涨。如果你的机器数量过百,还要考虑给Exporter做分组拉取,避免Prometheus在拉取大批Target时出现频谱阻塞。

Exporter部署建议用Ansible批量分发,做几百台机器时效率极高。一键下发二进制、生成systemd配置、启动并加入开机自启,整个过程能控制在几秒内一台,这比我早期一台台SSH上去复制粘贴靠谱太多。

3.2 Grafana可视化与看板设计要点

Grafana安装好之后,第一件事是配置Prometheus数据源,这一步界面操作没什么好说的。真正花时间的是设计看板结构。

我按层级拆成总览看板——分组看板——明细看板三个级别。总览看板是一块“电视墙”,展示所有核心服务的整体健康度和关键业务指标;分组看板按业务线或中间件类型划分,比如所有MySQL实例的“慢查询Top榜”放在一起,所有Nginx的“流量总览”汇总在一块;明细看板则是单台机器或单一应用的深度观测,用于点对点排查。

Grafana里我特别推荐用变量(Variable)做联动筛选。比如定义了一个“主机组”变量,一个“实例IP”变量,看板标题里引用这两个变量后,就可以在同一个面板里切换不同主机组、不同实例,不用每个机器都复制一套看板。后期新机器接入,只需要打上对应的label,就能自动出现在正确的分组里。

3.3 告警规则编写:从死板阈值到多条件组合

告警规则的写法直接决定告警质量。Prometheus的规则用YAML表达,核心是PromQL表达式加触发条件。

我当时自己踩过最深的坑是“单条件告警”,比如只要CPU超过80%就告警。结果每次有跑批任务就收到一堆CPU告警,全是误报。后来改成多条件组合规则,告警质量明显提升:

YAML
groups:
- name: node_alerts
rules:
- alert: CPU负载过高
expr: node_load1 > 4 and (node_load1 / node_cpu_count) > 0.8
for: 10m
labels:
severity: warning
annotations:
summary: "{{ $labels.instance }} 负载异常偏高"
description: "CPU负载已达到 {{ $value }},持续10分钟以上"

这条规则的关键在于同时满足“Load绝对值大于4”和“Load平均核数占比大于0.8”两个条件,并且要求持续10分钟才触发。单核CPU跑满时Load是1,Load绝对值这种只适用于有明确核数的场景,加了比值条件基本能排除短期冲击和误报。

告警还必须要设置“for”持续时长。任何指标都会抖动,持续3分钟还是5分钟才说明是真的异常,要看业务容忍度。我的建议是基础设施类告警用5到10分钟,应用类告警用3分钟,业务类告警时间缩到1分钟甚至更短,因为业务异常直接伤害用户,反应必须快。

3.4 Alertmanager的分组路由与通知触达

Alertmanager解决的是“告警产生后怎么通知到正确的人”。很多人只配了一个邮件通知,结果告警一多,邮箱直接变成垃圾池。

我强烈建议按业务线分组路由。比如A业务线的服务告警发给A组,B业务线的发给B组,基础设施类告警发给全体运维。配置上通过路由树实现:

YAML
route:
group_by: ["alertname", "cluster"]
group_wait: 30s
group_interval: 5m
repeat_interval: 4h
routes:
- match:
service: "api"
receiver: "api-group"
- match:
severity: "critical"
receiver: "oncall-phone"
continue: true

这里几个参数值得细说。group_wait是同一个告警分组内的告警等待时间,意思是30秒内同组告警合并成一条发出去,避免故障时收到几十封重复邮件。repeat_interval是重复通知的间隔,一个告警没恢复,每4小时提醒一次即可,太长怕漏,太短就是骚扰。

通知渠道上,邮件适合非紧急通知,飞书/钉钉/企微Webhook机器人才是真正确的按优先级选择,用于严重告警。短信甚至电话告警留给最核心的业务故障,否则值班同学一天接几十个电话,很快就变成“狼来了”,告警反而失去作用。

提示:Alertmanager在恢复时也可以通知。恢复通知的作用不是刷存在感,而是让值班人员知道这个故障闭环了,不用反复确认。我在配置里加了“恢复通知”,整个流程就完整了。

3.5 日志监控与追踪监控的必要补充

指标监控是“系统告诉你哪里可能有问题”,日志监控则是“系统告诉你到底发生了什么”。一套完整的监控体系,日志这块不能缺。

我在指标体系跑通后引入了Loki,原因在于它和Prometheus同属Grafana生态,标签模型相似,接入成本低。Loki重点做两件事:一是采集Nginx错误日志、Java异常堆栈里的关键字,做异常频率告警;二是在排障时按TraceID或用户ID查上下文日志,快速定位问题根因。

比如Java应用报“Connection refused”,如果你只看监控面板,只能看到“服务调用失败率上升”,定位到是Redis还是数据库造成的还要靠日志。有了Loki,直接按时间范围查ERROR关键字,最核心的信息——哪个下游IP、哪个端口、哪段代码抛的异常——一眼就能看到。

监控体系到了这个程度,才真正形成闭环:指标发现问题、日志定位根因、链路追踪梳理依赖关系。

4. 常见问题与排查技巧实录

这半年里我处理过太多监控体系本身的故障,比被监控的业务故障还多。这一节把最常见的问题和处理思路写下来,基本都是资料里没有、网上搜半天也找不到明确答案的实战经验。

4.1 监控数据断点:Exporter挂了还是采集器卡了

现象:某个实例的监控曲线突然断掉。第一步我会确认Exporter进程还活着没,curl一下9100端口的metrics接口看有没有输出。

第二步看Prometheus的Target状态页面,查这个Target的scrape是否报错。这里有个很常见的坑:Exporter进程在,接口也能curl通,但Prometheus就是报context deadline exceeded——多半是拉取超时,因为那个机器负载太高或网络有丢包。对策是把scrape_timeout根据机器实际情况调大,比如从默认10s改成30s。

还有一种隐蔽场景:Exporter用的是文本文件采集方式,比如node_exporter的textfile collector,如果生成指标的文件权限不对,采集接口直接返回空,曲线就会断。这个看Exporter日志才能发现。

4.2 告警风暴的处理与反脆弱设计

告警风暴最经典的场景是:数据库磁盘满了,连带所有依赖它的服务全部报错,一瞬间Alertmanager收到几百条告警。这时候不是去一条条点确认,而是先找根因,然后把根因对应的告警恢复,其他告警会在几轮拉取后自动恢复。

为了减少风暴,我在设计阶段做了一些反脆弱处理。在Alertmanager路由里,把同主机的告警group到一起,一台机器的N个问题合并成一条;把同服务的告警也做合并;再给告警规则加上“依赖抑制”,比如数据库实例宕机后,所有依赖该库的应用层告警自动抑制,只保留数据库本身的问题。

注意:告警风暴后一定要做复盘,看哪些告警是“无效告警”,也就是没有对应行动、没有业务影响的告警。无效告警率高于40%,说明整个告警策略需要重新设计。这也是把“监控体系”做成“告警体系”的分水岭——前者强调可用性和可观测性,后者只是让告警噪音指数级增长。

4.3 数据迁移与集群扩容时的监控盲区

有一次我们做Redis集群扩容,从3主3从扩到6主6从,结果发现扩容完成后新的主节点完全没有监控数据。排查后发现是Prometheus配置里用的是旧IP列表,新节点没有加到scrape_configs里,机器起来了但监控没跟上。

这个问题比看起来更大:如果扩容后监控没跟上,等于这批新容量是“裸奔”的,真出问题根本没人知道。后来我用Consul做服务发现,用ConsulManager统一管理Exporter实例,新机器上线时在注册中心打一个标签,Prometheus通过服务发现自动抓取新节点,监控覆盖基本零延迟。另外加了一个“目标健康度检查”的看板,实时展示所有Target的采集状态,数量对不上时代码仓库里的清单和Consul里的注册列表同步拉一遍,最后新增节点再人工复核一次就好。

4.4 告警丢失与静默问题的排查

比告警多更严重的问题是“该告警的时候不告警”。排查顺序我按状态链路来:确认Prometheus的Alertmanager组件是不是没启动或版本兼容异常——检查告警规则文件是不是YAML解析失败——看Alertmanager的日志里有没有receiving alert记录——确认路由有没有匹配到对应的receiver——最后看receiver配置的Webhook地址是否调整了密钥或接口参数。

其中一个高频坑是Prometheus新版本里告警规则和旧版本在语法上有差异,升级后规则文件没同步更新,整个规则的expr直接失效。我的习惯是每次升级前,先在测试环境跑一遍promtool check rules校验规则文件,再实弹验证一个测试告警是否能触达,确认没问题再上生产。

4.5 常见问题速查表

我把高频排查点整理成了速查表,方便值班时快速对照:

现象 可能原因 排查步骤 解决方式
曲线中断 Exporter挂了或网络不通 curl Exporter端口、查看Target状态 重启Exporter或调整scrape_timeout
告警风暴 根因故障引发级联告警 先定位根因,再抑制关联告警 路由分组 + 依赖抑制
新机器无数据 未加入scrape配置 检查Target列表和注册中心 用服务发现替代静态IP配置
告警收不到 路由未匹配或Webhook失效 查看Alertmanager日志、测试Webhook 修正路由规则或更新Webhook
存储暴涨 指标基数过大或保留周期过长 查看TSDB存储和指标基数 降低采集频率、优化标签基数

4.6 从监控数据倒推业务决策的实战案例

最后分享一个让我觉得“监控体系真正值钱”的场景:某次业务方找到我们,说“感觉最近接口变慢了,用户投诉明显增加”。按照以往习惯,直接上服务器看CPU看内存,大概率看半天也找不到结论。

我的做法是先从Grafana把“核心接口P99耗时”拉出来,按周对比,发现耗时从上周开始逐步抬升,特征不是突刺而是缓慢爬坡。接着走向上链路:看Nginx访问日志的耗时分布,排除了网络层问题;看应用JVM内存曲线,发现堆内存持续增长,Full GC频率从每天几次涨到每小时几十次;看慢SQL统计,发现某条新上线功能的查询走了全表扫描,数据量一涨查询时间就成倍放大。

整条链路的定位只花了十几分钟,靠的全是监控体系里的历史数据。事后我还把这个案例反推出一套容量预估模型:针对未来的日均数据增长率,提前计算SQL查询耗时阈值,在功能上线阶段就给出预警建议,做到让人不慌、心中有数。

5. 半年走过来的一些实在体会

说了这么多技术细节,最后聊几句个人感触。监控体系这件事,最难的不是装好Prometheus,也不是配好Grafana,而是建立“监控数据必须服务于行动”的意识。

没有行动的监控数据毫无意义。你画了一堆炫酷的仪表盘、配了几百条告警规则,但如果告警来了没人知道下一步干什么,这套体系说难听点就是个装饰品。所以在搭建过程中,我始终坚持一个原则:每配一条告警规则,都要写清楚对应预案——收到这个告警第一件事干什么、找谁、多久没恢复要升级。这也是我把140页资料从厚读到薄、从理论落到实战后最大的收获——最终要的结果只有一个,监控体系真正成为业务稳定性的守护网,而不是制造焦虑的噪音源。

另外一个小建议:监控体系的建设永远不要追求一步到位。从“能看”到“能告警”到“能预测”到“能辅助决策”,每个阶段都是在解决上一个阶段暴露出的痛点。如果你现在正被铺天盖地的告警折磨,先别急着买更强的监控软件,静下心把现有数据梳一遍,把无效监控停掉,把阈值调准,效果远比盲目上新产品要好得多。

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
Kafka延迟队列实现方案全解析
$ \text{时间轮} = \text{环形数组} + \text{分层设计} $$需要补充代码实例或特定场景的优化方案可进一步细化,此大纲已覆盖核心技术路径。
lz989796