LeetCode 35 深入解析:二分查找与 lower_bound 的边界之美

二分查找LeetCode 35lower_bound
于 2026-10-29 05:07:18 修改
·本内容遵循CC 4.0 BY-SA版权协议

1. 道理我都懂,就是写不对——LeetCode35 的题面陷阱

LeetCode 35这道题在题库里标注的是"简单",我看过不少刷题打卡群里的人,第一天做数组题做到它,大概三分钟就能把"遍历找到就返回、找不到就返回应该插入的位置"这个思路说出来。但真把这段逻辑写成代码,提交的时候,反而有一批人会挂在边界条件上。

题目原文很简单:给定一个排序数组(升序、无重复)和一个目标值,在数组中找到目标值,如果找到就返回下标,如果找不到,返回它按顺序插入后应该处在的位置下标。要求时间复杂度是 O(log n)。

很多人一开始会懵一下:数组是有序的,但"顺序插入的位置"到底怎么定义?比如 nums = [1,3,5,6],target = 2,答案是 1,因为 2 应该插在 1 和 3 之间,下标就是 1。如果 target = 7,答案是 4,插在数组末尾。如果 target = 0,答案是 0,插在数组开头。

这个描述,其实把两个问题揉在一起了:

  1. 能不能在数组里直接找到 target,如果能,返回它的下标;
  2. 如果不能,返回它应该在的位置,这个"应该在的位置"正是数组中第一个大于 target 的元素下标,如果所有元素都比 target 小,就返回数组长度。

麻烦就麻烦在"搜索"和"插入位置"这两个词放在一起。搜索,我们本能会想到二分;插入位置,很多人又会往"往哪插"这个方向上想。实际上这道题要的是一个统一的结论:返回第一个大于等于 target 的下标。

有了这个结论,你再看那些示例,会发现它其实就是问你,在一个有序数组里,用 O(log n) 找到 target 插入后应有的位置。这个位置既是"找到 target 时的下标",也是"没找到时插入后的下标"。一句话概括就是:lower_bound / bisect_left 的结果。

这是整道题最关键的一步,一定要把题面翻译成"找第一个大于等于 target 的索引"。翻译对了,后面写二分只是在处理各种细节而已。接下来我会从暴力解法开始,一步步把这个问题拆干净。

2. 暴力解法:思路没问题,复杂度对不起题目

先写最直接的思路,当做一个"审视题面的基准"。

暴力解法分两种情况讨论。第一种,遍历数组,如果某个元素等于 target,返回它的下标。第二种,如果遍历完都没找到,那就找第一个大于 target 的元素,插入在它前面。代码可能长这样(Python):

PYTHON
class Solution:
def searchInsert(self, nums: List[int], target: int) -> int:
for i, num in enumerate(nums):
if num >= target:
return i
return len(nums)

有没有发现,上面这段代码根本不用分两种情况。因为如果 target 存在,第一个大于等于 target 的元素就是 target 本身,返回的就是它的下标;如果不存在,第一个大于等于 target 的元素就是"该插入位置之后的那个元素";如果 target 比所有元素都大,循环结束后返回 len(nums)。

这段代码跑示例是完全没问题的,而且它做到了一件很重要的事:把"找到 target 的下标"和"找到插入位置"统一成了同一个逻辑,也就是前面说的"第一个大于等于 target 的下标"。

但它的问题也很明显:时间复杂度是 O(n)。题目明确要求 O(log n),这个解法在 LeetCode 上能过(因为数据量不大),但面试官一定会继续问:你的题解时间复杂度是多少?还能优化吗?

这种时候你答"再想想",然后切到二分,是比较标准的面试剧本。不过,暴力解法最大的价值不是"能过就行",而是它用最朴素的方式点出了这道题的本质——我们要找的是一个边界,不是某个具体元素。

为什么这么说?因为如果题目只是"找 target 的下标",那二分模板里判断等号就好。但现在多了"插入位置"这层含义,就意味着 target 本身可能不存在于数组中,我们必须找到一个通用的"落点"。

所以,暴力解法的另一个意义,就是验证你后面写二分时的心智模型对不对。你先写出了"第一个大于等于 target 的元素下标",再写二分时,所有的分支判断都要围绕这个条件展开,而不是围绕"nums[mid] == target"展开。

提示:如果你做这题时想的还是"遍历一遍,相等返回,否则找插入位置",我建议你先别急着上二分。先在纸上把"第一个大于等于 target"这个定义写三遍,直到你看到这道题的第一反应不再是"相等判断",而是"边界查找"。

3. 二分查找的"题眼":把问题翻译成找左边界

从暴力解法到二分查找,缺的并不是"有序数组就要二分"这个直觉,而是需要想明白一个问题:二分查找每一步缩小区间时,我们到底在维护什么?

如果你写的是"找到 target",那当你得到一个 nums[mid] == target 时,你可能会想:找到了,直接返回 mid。这没错,但在本题里,这个思维会埋雷。因为 "== target" 只是"插入位置"的一种情况,当 target 不存在时,你还是得退回来找"第一个大于 target"的位置,你能确定 mid 左边没有漏掉比 target 大的元素吗?

所以更合理的做法是,把问题重新定义为:在有序数组中,找第一个满足 nums[i] >= target 的 i。这个位置,就是答案。

这个定义有两个好处。第一,它把所有可能的情况统一成了一句话:target 在数组中,答案是它的下标;target 不在数组中,答案是它该插入的下标;target 比所有元素大,答案是数组长度。第二,它非常契合二分的"区间收缩"逻辑:我们维护一个边界,把所有小于 target 的元素排除在候选答案之外,把所有大于等于 target 的元素保留下来。

换句话说,你可以把数组想象成两段:左边全是 < target 的,右边全是 >= target 的。我们要找的,就是这两段交界处那第一个 >= target 的下标。这个"交界处",学名一般叫 lower_bound。

为什么强调"第一个"?因为数组是无重复的,在本题里">= target"的元素只可能有一个等于 target。但在扩展场景里,比如 LeetCode 34,数组里允许重复元素,这时候"第一个等于 target 的下标"和"最后一个等于 target 的下标"是两个不同的二分问题。你会发现在 35 题里把 lower_bound 练熟了,做 34 题会省很多力气。

来看实际的二分搜索过程。我们不要一上来就背模板,而是先明确三个问题:

  1. 初始边界:左边界从 0 开始,右边界是数组长度 n 还是 n-1?
  2. 循环条件:left < right 还是 left <= right?
  3. 循环结束时 left 一定指向答案吗?为什么?

这三个问题,是二分题里最容易出错的地方,网上有无数人争论"模板一"和"模板二"哪个更好。我的建议是:不追求哪套模板更万能,而是要确定一套你真正理解每一步为什么的模板。下面我详细拆解最常用的"左闭右闭"写法。

4. 左闭右闭模板:为什么最终答案是 left

所谓左闭右闭,指的是我们维护的候选区间是 [left, right],左右两个端点都可能是答案。初始化时,left = 0,right = len(nums) - 1。

每次取中间位置 mid = left + (right - left) // 2,然后看 nums[mid] 和 target 的关系:

  • 如果 nums[mid] < target:说明 mid 位置以及它左边的所有元素都小于 target,它们不可能成为"第一个大于等于 target"的位置,所以 left = mid + 1,把区间收缩到右边一半。
  • 如果 nums[mid] >= target:说明 mid 位置可能成为答案,也可能答案在更左边(注意,因为我们找的是"第一个"),所以不能简单地把 left 挪过来,而是要把 right = mid - 1,把候选区间收缩到左边一半,同时保留 mid 这个候选。

这里最容易犯的错误,就是在 nums[mid] >= target 时直接返回 mid。在普通二分查找里这样做是对的,因为"找到 target"就行;但本题要的是"第一个大于等于 target 的位置",如果数组是 [1, 3, 5, 6],target = 5,mid 正好指到 5 返回 2,没问题;可如果是 [1, 3, 5, 5, 6],target = 5(虽然本题无重复,但举例说明更清晰),mid 第一次可能指到 3 位置的 5,直接返回 3,那就错了,答案应该是 2。所以哪怕本题没有重复元素,我们也必须按照"找第一个"的思路来写,养成习惯。

当循环结束时,left > right,此时 left 就是答案。为什么?

我们可以这样证明:整个循环过程中,始终有一个不变量——[0, left - 1] 范围内的所有元素都严格小于 target,而 [right + 1, n - 1] 范围内的所有元素都大于等于 target。每次迭代,mid 要么落在左边区间,触发 left = mid + 1,把不满足条件的元素排除;要么落在右边区间,触发 right = mid - 1,把满足条件的元素纳入已知。循环结束时 left = right + 1,此时所有小于 target 的元素都被排除在 [left, n - 1] 之外,而 [left, n - 1] 的开头就是第一个大于等于 target 的位置。

用生活化的类比来说,你在一片按身高排好队的队伍里找一个身高刚过 170 的人。闭区间 [left, right] 表示"我目前还没确定答案可能在哪一段";每次看中间的人,如果中间这个身高不够,说明他和他左边的人全都不够,全部排除;如果中间这个人身高够了,那他就是候选,但左边可能还有更高的起点,所以压下右边界继续往左找。循环结束,剩下的第一个位置就是我们要的。

下面是标准的 Python 实现:

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

为什么 mid 要写成 left + (right - left) // 2,而不是 (left + right) // 2?这是个实现细节:当 left 和 right 都很大时,(left + right) 可能溢出整型范围(在 Python 里还好,但在 C++/Java 里会出问题),写成 left + (right - left) // 2 能避免溢出。这个细节在面试时提一句,是很加分的。

再看 C++ 版本:

CPP
class Solution {
public:
int searchInsert(vector<int>& nums, int target) {
int left = 0, right = nums.size() - 1;
while (left <= right) {
int mid = left + (right - left) / 2;
if (nums[mid] < target) {
left = mid + 1;
} else {
right = mid - 1;
}
}
return left;
}
};

这两段代码的完整逻辑是一一对应的。唯一要提醒的是,C++ 里 nums.size() 是无符号整数,如果 nums 为空,nums.size() - 1 会变成很大的正数,所以平时我刷题时会先判空或者直接处理边界。本题虽然测试数据里一般不会给空数组,但养成长度变量先赋值的习惯比较好。

5. 左闭右开写法与标准库:两种模板,一个答案

除了左闭右闭,还有一种非常常见的模板是左闭右开,即我们维护的区间是 [left, right),right 不包含在候选答案里。初始化时 left = 0,right = len(nums)。循环条件是 while left < right,因为当 left == right 时,区间为空,搜索结束。

每次迭代,mid = left + (right - left) // 2:

  • 如果 nums[mid] < target:left = mid + 1,排除左边一半。
  • 如果 nums[mid] >= target:right = mid,注意这里不要把 right 设成 mid - 1,因为 right 本身不参与候选,我们让 [left, right) 这个"左闭右开"区间左移,right 直接指向 mid,表示右边界收拢到了 mid。

循环结束时,left == right,这个位置就是答案。

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

左闭右开模板有一个明显的好处:循环结束的条件非常干净。left == right 时,区间为空,不需要再纠结 left 和 right 哪个是答案,它们相等,直接返回 left 就好。很多老手偏爱这套模板,因为它天然契合 C++ 标准库 lower_bound 的语义。

说到标准库,这里插一句题外话:在真实的工程开发里,你根本不需要手写这个二分。Python 的 bisect 模块里有现成函数,一行搞定:

PYTHON
import bisect
 
class Solution:
def searchInsert(self, nums: List[int], target: int) -> int:
return bisect.bisect_left(nums, target)

C++ 里则是 std::lower_bound(nums.begin(), nums.end(), target) - nums.begin()。

那为什么刷题时还要手写?因为面试官想看的是你理不理解底层原理,而不是看你熟不熟悉标准库。但反过来,你在解释思路的时候提一句"这个问题本质上就是 lower_bound,Python 里叫 bisect_left",反而会让面试官觉得你对语言特性和算法底层都很熟悉。这就是"降维打击"了。

三种方式对比一下,方便你形成自己的选择偏好:

写法 区间定义 循环条件 收缩规则 返回
暴力遍历 无 for i in range(n) 遇到 >= target 即返回 循环结束返回 n
左闭右闭 [left, right] left <= right nums[mid] < target 时 left = mid + 1;否则 right = mid - 1 left
左闭右开 [left, right) left < right nums[mid] < target 时 left = mid + 1;否则 right = mid left(等于 right)
标准库 bisect_left 库函数 库函数 库函数 结果就是答案

我的个人建议是:挑选一套你闭着眼睛都能写对的模板,比如左闭右闭,然后所有类似的题都用它。不要去网上找"一套模板通吃所有二分题"的万能法,那些东西背下来容易,面试时稍微变一下就懵。真正的稳定来源于理解,而不是记忆。

还有一个小细节很容易被忽略:在左闭右开模板里,如果初始化 right = len(nums),那当 target 比 nums 中所有元素都大时,循环会一直往右收 left,最后 left == right == n,返回 n,正好是"数组末尾插入"的下标。这个边界处理是左闭右开模板相对更自然的地方,不需要额外判断。

6. 从 35 题出发:二分查找的变体地图和实战心得

35 题本身是二分查找的入门基石,但它的价值远不止"AC 一道简单题"。把这题钻透之后,你完全可以顺藤摸瓜,把一系列变体题一并拿下。

变体一:LeetCode 704 二分查找。 这道题是最朴素的二分——直接在一个有序数组中找 target,如果存在就返回下标,不存在返回 -1。做这道题会让很多人产生一个疑问:35 题和 704 题看起来一模一样,差别在哪?差别就在"不存在时的返回值"。704 要求返回 -1,所以你在写的时候必须在循环内判断 nums[mid] == target,直接返回 mid。而 35 题不要求判断相等,只要求把"第一个大于等于 target"的位置算出来。理解了这层差异,你就理解了 lower_bound 和 binary_search 这两种经典二分姿势的不同。

变体二:LeetCode 34 在排序数组中查找元素的第一个和最后一个位置。 这道题的题面上写着"非递减数组",也就是说数组里会有重复元素。要求找到 target 出现的第一个位置和最后一个位置。第一个位置,就是 lower_bound,也就是 35 题我们练的东西;最后一个位置,可以转换成"第一个大于 target 的位置 - 1",也就是 upper_bound - 1。所以 34 题本质上就是调用两次 35 题的思路:一次找第一个 >= target 的索引,一次找第一个 > target 的索引。

变体三:LeetCode 69 x 的平方根。 这道题不是在一个数组里二分,而是在一个"答案空间"里二分。x 的平方根一定落在 [0, x] 区间内,并且这个区间天然有序。我们直接二分答案,看 mid * mid 和 x 的关系,找"最后一个满足 mid * mid <= x 的位置"。这题是"在值域上二分"的经典入门题,做完它你就知道,二分搜索的对象不一定是数组中的元素,也可以是答案的取值空间。

变体四:LeetCode 875 爱吃香蕉的狒狒。 这道题也是"答案空间二分"的一个代表。狒狒要在 H 小时内吃完所有香蕉,求最小的进食速度 K。K 的范围从 1 到一堆香蕉里的最大值,我们把 K 当成二分对象,对每个 K 计算"按这个速度吃,需要多少小时",然后根据"是否能在 H 小时内吃完"来移动左右边界。

说到这里,不得不提一下热门题里的 994 腐烂的橘子。这题虽然也是 LeetCode 热门题,但它不是二分,而是 BFS 多源广度优先搜索的经典题。我在这里提它,是想说:刷题不能只盯着某一类算法猛练,二分、BFS、DFS、双指针、动态规划是不同维度的技能,35 题之外,像 994 这样的"多源 BFS"题也应该在刷题计划里占一个位置。但如果你目前在刷数组和二分专题,那优先把 704、34、35、69、875 这条线打穿,收获会非常直接。

再聊一个实战细节:很多人在面试时写二分,喜欢先背模板再往题目里套。我的经验是,面试官不介意你写哪套模板,但介意你讲不清楚"为什么这样收缩边界"。你可以在写代码的时候,同步说一句话:"我维护的不变量是:左边都小于 target,右边都大于等于 target。每次判断 mid 后,把不满足的一边排除。"就这一句话,胜过你背十个模板。

最后说两个我踩过的坑,希望能帮你避开:

  1. 死循环问题。 如果你的循环条件是 left < right,并且某个分支里出现了 left = mid(不是 left = mid + 1)或者 right = mid - 1,很容易出现 left 和 right 卡住不动的死循环。记住一个原则:当 mid 已经判断完毕之后,left 和 right 的更新必然要让区间至少缩小一位。这也是为什么大多数模板都写成 left = mid + 1 / right = mid - 1(闭区间)或 left = mid + 1 / right = mid(左闭右开)。

  2. 返回值"差一"问题。 很多人写完代码,发现答案总差 1。这时候不要盲目去调 "return left" 还是 "return right",而是回头想:我把"小于 target"和"大于等于 target"的分界线画对了吗?最好的验证方法是挑两三个边界测试用例过一遍,比如 target 小于所有元素、target 插入到数组中间、target 大于所有元素、target 正好等于某个元素。这四个 case 一过,基本不会差一。

这两个坑,几乎每个刷 35 题的人都会踩,一旦你理解了循环不变量,它们就不再是痛点,而是你检验自己代码的工具。

我觉得 35 题最值得玩味的地方就在于:它的题目描述没有直接告诉你答案是 lower_bound,而是在"有序数组 + O(log n) + 返回插入位置"的约束下,逼你自己把语义翻译过来。一旦翻译成功,你就从一个"背模板的选手"变成了"理解边界的选手"。这个转变,刷透这题就足够了。每次做二分前先在草稿纸上写下这个不变量,熟练之后,你再遇到排好序的题都会有底气。

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
【Linux】U盘配置Ubuntu系统 ——(Win10+Ubuntu20.04)双系统安装教程
Ubuntu系统安装
WS_Change