二分查找边界条件全解析:从LeetCode 704到变体题通关指南

二分查找LeetCode 704边界条件
于 2026-10-29 04:59:50 修改
·本内容遵循CC 4.0 BY-SA版权协议

1. 一道"简单题"为什么能卡住一半面试者

1.1 从面试现场说起:二分查找的阴沟翻船

LeetCode 704 二分查找,在很多人的刷题清单里可能属于"打卡题"——题目本身标着 Easy,描述就一句话:给定一个升序数组和一个目标值,找到就返回下标,找不到返回 -1。

但你要是真去面试现场看一眼,就会发现这道题能在半小时的算法面里淘汰掉相当一批候选人。我见过不止一个简历上写着"熟悉常见算法与数据结构"的候选人,在白板上写二分查找时,要么把 while 循环的条件写成了 left < right 导致漏判,要么更新区间时写成 mid = left 导致死循环,要么面对"数组里有重复元素"的追问时当场卡住。

原因很简单:二分查找的逻辑主干只有三行,真正难的是它的边界条件。三行的核心逻辑谁都能背下来,但边界条件需要你真正理解"区间"这个概念,才会在不同题目里写对。704 的价值恰恰就在这里——它是最干净、最没有干扰项的二分查找入门题,把这题吃透了,后面 35、34、33、875 这些变体题才有得玩。

1.2 三个高频翻车点:区间、更新、出口

我先直接说结论,二分查找最容易写错的地方就三个,本文后面会逐一展开:

第一个是区间定义不统一。同一份代码里,一会儿把 right 当成"不存在的开区间边界",一会儿又当成"当前检查过的最后一个元素"。区间定义一混乱,while 条件和后面 left、right 的更新就全跟着乱。

第二个是更新方式太保守。很多人知道 nums[mid] != target 时要缩小区间,但到底写成 left = mid + 1、right = mid - 1,还是 left = mid、right = mid?选错了就会死循环或者丢掉有效的解。

第三个是没有想清楚循环结束条件。while (left <= right) 和 while (left < right) 不是随便选一个都能跑对的,它取决于你的区间是闭区间还是半开半闭区间。你选的循环条件必须和区间定义配套,这是整个二分查找里最核心的一环。

我个人习惯的说法是:二分查找三分在看值,七分在边界。 704 这道题,就是用来把这七分边界功夫练扎实的。

2. 循环不变量:三种区间写法的"保险绳"

2.1 什么是循环不变量:给代码一个约定

很多教程在讲二分查找时,会直接甩给你一个标准模板让你背,然后说"记住就好"。这么做不是不行,但一旦遇到变体题(比如找左边界、找右边界、在旋转数组里查),背模板的人就懵了。

真正稳妥的做法是抓住一个概念:循环不变量。意思是:在整个 while 循环执行过程中,你要让某个条件始终保持成立,所有的边界更新都以维持这个条件为唯一准则。只要不变量不被破坏,循环结束后的位置就一定是对的,代码也绝对不会死循环。

对于 704 这道题,不变量可以这样定义:目标值 target 一定落在当前搜索区间 [left, right] 内(如果它存在的话)。每一次循环我们都会根据 nums[mid] 的判断结果,缩小这个区间,同时确保 target 仍然可能在新的区间内。循环结束时,如果 target 存在,它必然已经被找到;如果不存在,区间会缩到为空,自然返回 -1。

这里有一个所有新手都会遇到的问题:怎么保证 target 一定还在新区间里?

答案是:因为我们每次比较的是 nums[mid] 和 target。如果 nums[mid] < target,那说明 mid 这个位置的值比目标值小,又因为数组是升序的,所以 mid 以及它左边所有位置的值都比 target 小,整块区间可以直接丢掉,下一步从 mid + 1 开始找。反过来,如果 nums[mid] > target,那 mid 以及它右边所有位置的值都比 target 大,下一步结束位置就是 mid - 1。这套逻辑不复杂,但写代码时一定要和区间定义匹配。

2.2 左闭右闭 [left, right]:最直觉也最容易写错

左闭右闭的写法最符合直觉:left 指向搜索范围内第一个可能的位置,right 指向最后一个可能的位置,两者都能被取到。所以初始化是:

TEXT
left = 0
right = len(nums) - 1

因为 right 指向的是"真实存在的元素",所以每次缩小区间时,如果 nums[mid] > target,说明 target 在 mid 左边,而 mid 本身已经验证不是 target,所以新的右边界是 mid - 1,要把 mid 排除掉。同理,nums[mid] < target 时左边界是 mid + 1。

这里最容易出问题的地方是 while 条件。左闭右闭的区间里,left == right 时,区间里还有一个元素没有检查(比如 left = 3, right = 3,nums[3] 还没查过),所以循环条件必须是 while (left <= right),否则就会漏掉最后一次判断。

很多人在这一步栽跟头:写的明明是 left <= right 的循环,把区间理解成闭区间却用 left < right 做条件,导致数组里唯一匹配的元素恰好落在 left == right 那个位置时,直接返回 -1。

这是最经典的边界 bug,不自己亲手写一遍很难体会到。

2.3 左闭右开 [left, right):工程界最常见

左闭右开是 C++ STL 里迭代器的标准区间语义,也是很多开源代码喜欢的写法。它的定义是:left 指向搜索范围内的第一个可能位置(含),right 指向搜索范围之后的下一个位置(不含),所以初始化是:

TEXT
left = 0
right = len(nums)

注意,right = len(nums) 不是 len(nums) - 1。因为开区间意味着 right 位置的元素不参与检查,而数组最后一个有效下标是 len(nums) - 1,所以 right 取 len(nums) 时,实际覆盖的区间是 [0, len(nums) - 1],恰好是整个数组。

由于 right 是不包含的,循环条件要写成 while (left < right)。因为当 left == right 时,区间 [left, right) 已经没有任何元素了,搜索自然结束。

更新方式也要跟着变:当 nums[mid] > target 时,因为 mid 已经验证不是 target,且 target 在左半部分,新区间右边界应该排除 mid。但 right 本身是开区间边界,不包含任何元素,所以把 right 更新为 mid 其实就已经把 mid 排除在外了——因为新区间是 [left, mid),里面不含 mid 这个下标。 这是一开始最容易绕晕的地方,很多人会直觉性地写成 right = mid - 1,反而把 mid 左边的元素也丢掉了。

2.4 左开右开 (left, right):存在但少见

左开右开在算法题里几乎见不到,但不代表它没有意义。它的区间定义是:left 和 right 都不包含在搜索范围内,实际搜索的是 (left, right) 内部的整数下标。初始化时要写成 left = -1, right = len(nums),循环条件是 while (left + 1 < right),更新时直接用 left = mid 或 right = mid。

这种写法的好处是:所有情况下都可以无脑写 left = mid 或 right = mid,不用考虑 +1 或 -1,因为区间本身就已经把两个端点排除在外了。坏处是初始化太反直觉,而且判断结束条件时要想一下"什么时候区间才为空"。

我给新人的建议是:左闭右闭和左闭右开选一种练到肌肉记忆就行,通常足够了。左开右开可以作为理解"区间"这个概念的一个补充视角,不必作为主用写法。

3. 手推704:从伪码到正确代码的完整推导

3.1 输入、输出与前提条件

在写代码之前,先把题目的输入输出条件看清:

  • 输入:一个按非递减顺序排列的整数数组 nums,以及一个目标值 target。
  • 输出:target 在 nums 中的下标;如果不存在,返回 -1。
  • 前提:数组有序。这很关键,二分查找的全部正确性都建立在这个前提上。如果数组无序,这个算法直接不成立。

这里有个细节值得注意:LeetCode 704 的原始描述说的是"升序排列",但在很多变体题里(比如 33 旋转数组),数组只是部分有序。理解清楚"有序"这个前提是二分查找的第一课。

3.2 为什么 mid = left + (right - left) // 2

很多初学者会写成 mid = (left + right) // 2。这在很多语言里是错的,或者至少是不安全的。

原因很简单:如果 left 和 right 都是很大的整数,left + right 可能超过当前编程语言中整数类型的最大值,产生溢出。一旦溢出,mid 变成一个负数或者错误的值,程序直接崩或者进入死循环。

正确的写法是:

PYTHON
mid = left + (right - left) // 2

这种写法在数学上和 (left + right) // 2 完全等价,但避免了加法溢出。为了把 mid 的计路径调整一下,面试时顺手写上这种写法,会是一个很加分的细节——它说明你想过极端边界。

你可能要问:Python 的整数是任意精度的,是不是就不用担心溢出了?说实话,Python 里确实不用担心。但算法题面试往往需要你用多种语言写,而且面试官可能要求你说明这个细节背后的原因。养成写 left + (right - left) // 2 的习惯,可以保证你在 C++、Java、Go 里都不会踩溢出的坑。

3.3 完整代码与运行痕迹

我给出左闭右闭的完整 Python 实现,这是最直观也最推荐新人起步的版本:

PYTHON
from typing import List
 
def search(nums: List[int], target: int) -> int:
left, right = 0, len(nums) - 1 # 闭区间 [left, right]
 
while left <= right:
mid = left + (right - left) // 2
 
if nums[mid] == target:
return mid
elif nums[mid] < target:
left = mid + 1 # target 在右半部分,排除 mid
else:
right = mid - 1 # target 在左半部分,排除 mid
 
return -1

我们拿一个例子手动走一遍,例如 nums = [-1, 0, 3, 5, 9, 12],target = 9:

  • 初始:left = 0,right = 5,mid = 2,nums[2] = 3 < 9,排除左边,left = 3。
  • 第二轮:left = 3,right = 5,mid = 4,nums[4] = 9 == target,返回 4。

很奇怪吧?只用了两次比较就找到了。这就是二分查找的效率来源:每轮排除一半区间,而不是一个一个遍历。nums 长度 6,log2(6) 大约是 2.6,向上取整是 3,所以最多 3 次比较能出结果。

再看一个找不到的情况:target = 2。同样的数组:

  • 初始:mid = 2,nums[2] = 3 > 2,right = 1。
  • 第二轮:left = 0,right = 1,mid = 0,nums[0] = -1 < 2,left = 1。
  • 第三轮:left = 1,right = 1,此时 left <= right 仍然成立,mid = 1,nums[1] = 0 < 2,left = 2。
  • 第四轮:left = 2,right = 1,left > right,循环退出,返回 -1。

注意第三轮在 left == right 时还继续做了一次判断,这就是 <= 和 < 的区别。用 <= 才能保证当区间缩到只剩一个元素时,这个元素依然会被检查。如果你写成 <,那么 left == right 时循环直接退出,left 指向的元素就不会被看了——这就是我在前面说的"漏判"。

3.4 复杂度与最优性

704 二分查找的时间复杂度是 O(log n)。每次循环把搜索区间减半,所以循环次数是 log2(n) 量级。空间复杂度是 O(1),只用了几个额外变量,没有递归调用栈。

这个复杂度意味着什么?假设数组里有 10 亿个元素,log2(10^9) 大约等于 30。也就是说,哪怕数据量达到十亿级别,二分查找也只需要大约 30 次比较就能找到目标。而线性查找最坏需要比较 10 亿次。这就是为什么有序场景下二分查找是无脑优先的方案,没有之一。

有一点值得说明:二分查找并不是"一定最快的查找"。如果你只需要查一次,而且数据量很小,线性查找反而更简单——因为二分要求的"有序"是需要付出排序成本的,如果数组无序,排序一次也要 O(n log n),那就未必划算了。但如果是同一个有序数组要反复查询很多次,排序成本摊薄之后,二分查找就远胜线性查找。这个权衡思维在真实项目里比背任何代码模板都重要。

4. 面试官不会明说但一定会考:变体与陷阱

4.1 追问一:数组有重复元素怎么办

704 的原始题目没有提到重复元素,默认数组里最多只有一个位置等于 target。但面试官极大概率会追问:"如果数组里有重复元素,我要找第一个等于 target 的位置,你怎么改?"

这时核心思路变了:找到 target 后不能直接返回,要看看它左边还有没有 target。既然 nums[mid] == target 时,target 可能出现在 mid 左边,所以不能急着 return,而是要把右边界继续左移,继续搜索左半部分。等循环结束后,left 指向的位置就是第一个出现 target 的位置。

PYTHON
def search_first(nums: List[int], target: int) -> int:
left, right = 0, len(nums) - 1
result = -1
 
while left <= right:
mid = left + (right - left) // 2
if nums[mid] == target:
result = mid # 记录当前找到的位置
right = mid - 1 # 继续向左找
elif nums[mid] < target:
left = mid + 1
else:
right = mid - 1
 
return result

同理,如果要找最后一个等于 target 的位置,就把 left = mid + 1 放在 nums[mid] == target 分支里,继续向右找。这两个变体合在一起,就是 LeetCode 34 在排序数组中查找元素的第一个和最后一个位置。刷完 704 直接做 34,衔接非常自然。

4.2 追问二:把"查找"变成"插入"

另一个高频追问是:"如果 target 没找到,返回它应该被插入的位置。" 这就是 LeetCode 35 搜索插入位置。

解法非常巧妙:你不需要在找不到时额外处理,因为循环结束后的 left 就已经指向了插入位置。

为什么?回顾一下左闭右闭环路里的逻辑:当 nums[mid] < target 时,left = mid + 1,意味着"target 一定在 mid 右边";当 nums[mid] > target 时,right = mid - 1,意味着"target 一定在 mid 左边"。循环结束时 left > right,此时 left 恰好是第一个大于 target 的位置(或者说"target 应该占据的位置")。

看一下具体例子,继续用之前的 nums = [-1, 0, 3, 5, 9, 12],target = 2:

  • 第三轮结束时 left = 2, right = 1。此时 nums[2] = 3 > 2,所以 2 应该插入下标 2,把 3 及之后的元素往后挪。left 正好等于 2,这就是插入位置。

所以 LeetCode 35 的答案只需要把 704 的 return -1 改成 return left,其他全部复用。掌握了这个细节,相当于一道题白赚了一道题。

4.3 追问三:旋转数组与"二分不一定查值"

再往深一层,面试官可能会问 LeetCode 33 搜索旋转排序数组。比如数组 [4, 5, 6, 7, 0, 1, 2],它是由一个升序数组在某个位置旋转得到的,要求在其中找 target。

这题的切入点是:数组虽然整体不是严格升序,但任意取一个 mid,左半段或右半段中必有一段是完全有序的。判断方法很简单:比较 nums[left] 和 nums[mid],如果 nums[left] <= nums[mid],说明左半段有序;否则右半段有序。然后在有序的那一段里判断 target 是否落在这个区间,决定搜索方向。

这种题的精髓在于:二分查找的本质是每次能排除一半的搜索空间,而不是一定要在全局有序的数组上做。只要你能设计出一个判断条件,把搜索空间一分为二且保证 target 只落在其中一边,二分查找就成立。旋转数组里"有序段"的判断,就是这种思路的一次典型应用。

4.4 二分查找什么时候不适用

聊完变体,反过来想想边界场景,这点在真实业务里反而更重要:

  • 数据无序,且查询次数不多:直接线性查找更省事,犯不着先排序再二分。
  • 数据存储在链表里:链表不支持 O(1) 随机访问,取 mid 本身要 O(n),二分的时间复杂度退化成 O(n log n),不如直接在链表上顺序遍历。
  • 数据量极小(比如十个以内):线性查找和二分查找的常数差异微乎其微,但代码复杂度天差地别,选简单的。

这些判断在面试中主动说出来,会显得你不是在背题,而是真的理解算法的适用边界。这也是我在实际带人刷题时最看重的一点。

5. 从704出发:一条走过实测的刷题路线

5.1 路线图:先基础后变体再应用

704 做完之后,接下来的刷题顺序我建议按照"基础 → 变体 → 应用"这条线走:

题目 考察点 与704的关系
35 搜索插入位置 二分后的 left 指针语义 704 改一行 return
34 第一个和最后一个位置 重复元素下的左右边界 704 的双指针变体
278 第一个错误的版本 找第一个满足条件的位置 和 704 反向匹配
33 搜索旋转排序数组 部分有序数组的二分 704 的区间判断升级
153 寻找旋转排序数组中的最小值 数组的最小值位置 704 的区间收缩思维
852 山脉数组的峰顶索引 比较 mid 与 mid+1 704 的比较策略活用
74 搜索二维矩阵 二维转一维的二分 704 的索引映射
875 爱吃香蕉的狒狒 在答案空间上二分 704 的反向应用

其中 875 特别值得单独说,因为它是把"二分查找"从"查数组下标"升级成"查答案"的经典案例,也是我最近在社区里看到讨论热度很高的一道题。

5.2 875 爱吃香蕉的狒狒:二分思路的进阶运用

875 的题意很直白:狒狒要在 h 小时内吃完所有香蕉,每小时只能吃一堆,且最多吃 k 根。求最小的 k。

正常人第一反应是从 k = 1 开始一只只试,这当然是暴力解法。但仔细想一下:k 的取值范围是 1 到香蕉数量最大值,而"在给定 k 下能否吃完"是一个单调函数——k 越大越容易吃完,k 越小越可能吃不完。单调性意味着什么?意味着可以在 k 的取值范围上做二分。

这就是二分查找的进阶用法:二分的对象不一定是有序数组里的某个值,可以是答案本身。你只需要设计一个 canEat(k) 判断函数,然后通过二分在答案空间中找出满足条件的最小值。整个过程和 704 的模板高度相似,只是"判断相等"变成了"判断是否可行"。

从 704 跨到 875 的过程,是很多人从"会写模板"到"会用思想"的分水岭。如果你已经刷透了 704,试着独立做一次 875,做完之后回头再看 704 的代码,会有一种通透感:原来 while 循环里的每一行都是可以迁移复用的。

5.3 检验是否真正掌握:给一段代码挑错

最后给一个自测方法。下面这段代码是网上流传很广的另一种二分查找写法,你来看看问题出在哪:

PYTHON
def search(nums: List[int], target: int) -> int:
left, right = 0, len(nums)
 
while left < right:
mid = (left + right) // 2
if nums[mid] == target:
return mid
elif nums[mid] < target:
left = mid
else:
right = mid
 
return -1

我当初带过的人里,第一次看这段代码,十个人里有六个人觉得它是对的,因为它看起来非常工整,而且是左闭右开写法。但实际上它有两个问题:

第一,mid = (left + right) // 2 在极端情况下有溢出风险,这是入门级问题。

第二,当 nums[mid] < target 时,更新的是 left = mid 而不是 left = mid + 1。表面上看只差一个 +1,可如果 nums[mid] < target 且 left = mid,那么下一轮 mid 可能还是同一个位置,区间根本没有收缩,直接死循环。举个例子:nums = [1, 2, 3],target = 3 时,left = 0, right = 3, mid = 1,nums[1] = 2 < 3,left = 1;下一轮 left = 1, right = 3, mid = 2,这轮找到了。看起来还行。但如果数组是 nums = [1, 3, 3],target = 3,第一轮 mid = 1 就找到了,也没问题。真正的问题出现在 target 不在数组里时:nums = [1, 2, 3],target = 4,第二轮 left = 2, right = 3, mid = 2,nums[2] = 3 < 4,left = 2,下一轮还是 mid = 2,无限循环。

把这段代码改对,其实就是把 left = mid 改成 left = mid + 1。但如果你不理解"区间收缩"的底层逻辑,就只能靠死记硬背,遇到一个考题变一下身就抓瞎。能一眼看出这段代码问题所在的同学,704 基本算过关了。

我个人在实际刷题里的体会是:704 这道题,青铜和新手看到的是"三行代码",王者看到的是"区间、不变量、退出条件、单调性、变体迁移"这一整套思想。刷完 704 别急着赶进度,先在草稿纸上把左闭右闭和左闭右开的两种写法各默写三遍,再尝试把 return -1 改成 return left,你会发现二分查找的很多秘密都藏在这个微小的改动里。

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
【Unity】Unity性能分析解决方案——UPR
由Unity中国团队提供的一套性能优化解决方案,其是一系列性能工具的集合,并可将收集的数据进行可视化。
EucliwoodXT