OpenCV——图像平滑

吴声子夜歌2025-06-14 14:25

图像平滑

图像在采集和传输过程中容易受到各种因素的影响而产生噪声，而噪声会对图像的正确解读和处理产生干扰，因此去除图像中的噪声十分重要。去除图像中噪声的过程为图像平滑，或图像去噪、图像模糊。

噪声信号主要集中在高频段，图像平滑从信号处理的角度看就是去除高频信号，保留低频信号，因而属于低通滤波。与低通滤波相对应的是高通滤波，边缘检测、锐化等操作就属于高通滤波。

图像滤波是指在尽可能保留图像细节特征的前提下去除噪声或者提取需要的信息。图像滤波又可分为线性滤波和非线性滤波。滤波器的种类很多，在OpenCV中，用于图像平滑处理的滤波器主要有5种，这5种滤波器及相应的函数如下：

  • 均值滤波：blur()函数
  • 方框滤波：boxFilter()函数
  • 高斯滤波：GaussianBlur()函数
  • 中值滤波：medianBlur()函数
  • 双边滤波：bilateralFilter()函数

这5种滤波器中，均值滤波、方框滤波和高斯滤波属于线性滤波，中值滤波和双边滤波则属于非线性滤波。

一、图像的噪声

噪声在图像上常表现为随机的、离散的、孤立的像素或像素块，而且往往比较显眼。噪声通常是不必要或多余的信息，不但无用还会干扰人们对有用信息的接受。

1.1、噪声来源

噪声的产生主要有以下有两个来源：

1. 图像获取过程：

图像传感器在采集图像过程中，受传感器材料属性、工作环境等因素的影响，会引入各种噪声。

2. 图像传输过程：

由于传输介质和存储设备等方面的原因，数字图像在传输过程中受到各种噪声的污染。另外，在图像处理的某些环节也可能产生噪声。

1.2、噪声类型

噪声通常可分为高斯噪声、椒盐噪声、泊松噪声和乘性噪声等：

  • 椒盐噪声：椒盐噪声也称为脉冲噪声，是一种随机生成的亮点或暗点，因为形似椒盐而得名。椒盐噪声的成因可能是传感器等硬件问题，也可能是环境中强烈的电磁干扰。
  • 高斯噪声：高斯噪声是指概率密度函数符合高斯分布的一类噪声。高斯分布有均值u和标准差a两个参数，其中u是正态分布的位置参数，用于描述正态分布的集中趋势位置，a则用于描述正态分布的离散程度。高斯噪声产生的主要原因如下：
    • 拍摄时照明不够且亮度不均匀
    • 元器件自身的噪声及相互影响
    • 相机等设备长时间工作导致温度过高

1.3、噪声模拟

OpenCV中没有专门产生椒盐噪声和高斯噪声的函数，不过都可以通过随机函数来模拟。

java 复制代码 
public class Peppersalt {

    static {
        OpenCV.loadLocally(); // 自动下载并加载本地库
    }

    public static void main(String[] args) {
        //读取图像并显示
        Mat img = Imgcodecs.imread("F:/IDEAworkspace/opencv/src/main/java/demo2/shaomai.png");
        HighGui.imshow("img", img);
        HighGui.waitKey(0);

        int row = img.rows();
        int col = img.cols();
        //定义黑白两种颜色
        double[] black = new double[] {0, 0, 0};
        double[] white = new double[] {255, 255, 255};

        //用于获取随机数的Random
        Random r = new Random();
        for (int n = 0; n < 20000; n++) {
            //随机获得行号、列号及噪点颜色
            int i = r.nextInt(row);
            int j = r.nextInt(col);
            boolean isBlack = r.nextBoolean();
            //在相应的像素上加上黑白噪点
            if (isBlack) {
                img.put(i, j, black);
            } else {
                img.put(i, j, white);
            }
        }
        //在屏幕上显示加了椒盐噪声的图像
        HighGui.imshow("Peppersalt", img);
        HighGui.waitKey(0);
        System.exit(0);
    }
}

原图：

添加噪声后：

二、滤波器

为了去除图像中的噪声，需要对图像进行平滑处理，而滤波器可以实现这个功能。滤波器和像素运算的区别在于，像素运算只作用于一像素，而滤波器则通常会用到原图像中的多像素进行计算。

一些常见的滤波器如下：

java 复制代码 
//均值滤波
	  1 1 1	
1/9   1 1 1
	  1 1 1 
//边缘检测
0  1  0
1 -4  1
0  1  0
//高斯滤波
		 1 2 1
1/16  	 2 4 2
		 1 2 1
//锐化
 0 -1  0
-1  5 -1
 0 -1  0

滤波器在某些情况下也被称为卷积核，下面为一个基础的卷积函数：

java 复制代码 
void Imgproc.filter2D(Mat src, Mat dst, int ddepth, Mat Kernel)
  • src：输入图像
  • dst：输出图像，与src具有相同的尺寸和通道数
  • ddepth：输出图像的深度，如设置为-1，则表示自动选择
  • Kernel：卷积核，要求是单通道浮点类型矩阵；如果不同的通道需要应用不同的卷积核，则应将图像拆分后单独处理。卷积核的锚点应该位于卷积核中。默认状态下，锚点位于卷积核的中心。
java 复制代码 
public class Filter2D {

    static {
        OpenCV.loadLocally(); // 自动下载并加载本地库
    }

    public static void main(String[] args) {
        //读取图像并显示
        Mat src = Imgcodecs.imread("F:/IDEAworkspace/opencv/src/main/java/demo/fish.png");
        HighGui.imshow("src", src);
        HighGui.waitKey(0);
        //用于均值滤波的卷积核
        Mat k1 = new Mat(3, 3, CvType.CV_64F);
        double[] data3 = new double[]{
                0.111, 0.111, 0.111,
                0.111, 0.111, 0.111,
                0.111, 0.111, 0.111
        };
        k1.put(0, 0, data3);
        //均值滤波并显示
        Mat dst = new Mat();
        Imgproc.filter2D(src, dst, -1, k1);
        HighGui.imshow("blur", dst);
        HighGui.waitKey(0);

        //用于锐化的卷积核
        Mat k2 = new Mat(3, 3, CvType.CV_64F);
        double[] data = new double[] {
                0, -1, 0,
                -1, 5, -1
        };
        k2.put(0, 0, data);
        //锐化操作并在屏幕上显示
        Imgproc.filter2D(src, dst, -1, k2);
        HighGui.imshow("Sharpen1", dst);
        HighGui.waitKey(0);

        //调整过的锐化卷积核
        Mat k3 = new Mat(3, 3, CvType.CV_64F);
        double[] data2 = new double[] {
                0, -0.5, 0,
                -0.5, 2.5, -0.5
        };
        k3.put(0, 0, data2);
        //用调整过的锐化卷积核进行锐化并显示
        Imgproc.filter2D(src, dst, -1, k3);
        HighGui.imshow("Sharpen2", dst);
        HighGui.waitKey(0);
        System.exit(0);
    }
}

程序定义了3个卷积核，其中第一个用于均值滤波，第二个用于锐化，由于这个卷积核相加并不等于1，卷积操作后的图像偏亮，第三个卷积核对第二个进行了调整。

原图像：

均值滤波后：

锐化后：

调整锐化后：

由此可见，卷积核设置不当会使输出图像异常，通常情况下需要通过处理使卷积核中所有数字相加等于1。

在介绍具体的滤波函数之前，需要了解一下图像的边界处理。边界处理的必要性可以用卷积计算过程来说明，如下所示。这是均值滤波时卷积计算的过程，输入矩阵尺寸为33，其中中央像素的值为5。经过卷积计算以后，该像素的值变为20，在计算过程中用到了该像素周边3 3区域的所有像素值。在计算其余像素的值时，由于外围已经没有像素，取值会出现问题。假如规定在卷积计算时必须取到9个数，那么其余像素就会因为无法计算而使输出矩阵的尺寸缩小。这样33的矩阵经过卷积运算后尺寸会缩小为11。如果每次滤波矩阵尺寸都要缩小，则经过多次处理后的矩阵会小得不成样子，而这通常是不可接受的，因此，在大多数滤波器的实现过程中，需要对图像的边界做特殊处理。

在处理边界区域问题时常有以下几种方法：

  1. 将未处理的边界像素赋值为常数，例如黑色。这种方法非常简单，但滤波后图像的有效尺寸（黑色以外部分）还是缩小了。
  2. 将未处理的边界像素赋值为原图像相同位置的像素值。这种方法也不理想，因为滤波前后的像素值往往存在明显的差异。
  3. 在边界外填充额外的像素对图像进行扩充，然后对边界区域进行滤波。这种方法又可细分为以下几种：
    • 将图像边界外的像素设为常数，例如黑色或灰色。这种方式虽然简单，但滤波后的图像边界处仍会有明显的差异，特别是滤波器尺寸较大时。
    • 将图像的边界像素填充至边界外。相对来讲，这种方法的差异不算明显，也比较容易实现，因而常被选用。
    • 其他填充法。
java 复制代码 
1  15  27			1 1 1
25  5   3	* 1/9   1 1 1	= 20
11  3  90			1 1 1

三、线性滤波

3.1、均值滤波

均值滤波用邻域内所有像素值的平均值来取代原来的像素值。卷积核内的每个数值代表对应像素在计算时的权重，而均值滤波的卷积核内所有数值都是相同的，这意味着邻域内所有像素的权重相同。均值滤波后某像素的值等于邻域内所有像素的算数平均值，计算过程如下：

java 复制代码 
1  15  27		   1 1 1
25  5  3	 * 1/9 1 1 1 = 20
11  3  90		   1 1 1

(1+15+27+25+5+3+11+3+90)/9=20

均值滤波时邻域的大小会直接影响平滑的效果。邻域越大平滑的效果越好，但图像也会变得越模糊。邻域过大还会使图像的边缘信息损失严重，因此合理选择邻域的大小非常重要。

均值滤波可以消除像素值急剧变化引起的噪声，从而使图像趋于平滑，但均值滤波也会使图像失去某些细节而变得模糊。OpenCV中用于均值滤波的函数原型如下：

java 复制代码 
//用归一化的方框滤波器对图像进行平滑处理
void Imgproc.blur(Mat src, Mat dst, Size ksize, Point anchor, int borderType)
  • src：输入图像，通道数不限，但图像深度必须是CV_8U、CV_16U、CV_16S、CV_32F或CV_64F
  • dst：输出图像，和src具有相同的尺寸和数据类型
  • ksize：卷积核尺寸
  • anchor：锚点，默认值（-1, -1）表示锚点位于卷积核的中心
  • borderType：像素外推法的边界类型，可选参数如下：
    • Core.BORDER_CONSTANT：用特定值填充，如iiiiii|abcdefgh|iiiiiii中用i填充
    • Core.BORDER_REPLICATE：两端复制填充，如aaaaaa|abcdefgh|hhhhhhh
    • Core.BORDER_REFLECT：倒序填充，如fedcba|abcdefgh|hgfedcb
    • Core.BORDER_WRAP：正序填充，如cdefgh|abcdefgh|abcdefg
    • Core.BORDER_REFLECT_101：不含边界值的倒序填充，如gfedcb|abcdefgh|gfedcba
    • Core.BORDER_TRANSPARENT：随机填充，如uvwxyz|abcdefgh|ijklmno
    • Core.BORDER_REFLECT101：同Core.BORDER_REFLECT_101
    • Core.BORDER_DEFAULT：同Core.BORDER_REFLECT_101
    • Core.BORDER_ISOLATED：忽略感兴趣区域（ROI）以外部分
java 复制代码 
public class Blur {
    static {
        OpenCV.loadLocally(); // 自动下载并加载本地库
    }

    public static void main(String[] args) {
        //读取图像并显示
        Mat src = Imgcodecs.imread("F:/IDEAworkspace/opencv/src/main/java/demo2/pond.png");
        HighGui.imshow("src", src);
        HighGui.waitKey(0);
        //对图像进行均值滤波5*5并显示
        Mat dst = new Mat();
        Point anchor = new Point(-1, -1);
        int borderType = Core.BORDER_REPLICATE;
        Imgproc.blur(src, dst, new Size(5, 5), anchor, borderType);
        HighGui.imshow("blur 5*5", dst);
        HighGui.waitKey(0);

        //对图像进行均值滤波7*7并显示
        Imgproc.blur(src, dst, new Size(7, 7));
        HighGui.imshow("blur 7*7", dst);
        HighGui.waitKey(0);
        //对图像进行均值滤波11*11并显示
        Imgproc.blur(src, dst, new Size(11, 11));
        HighGui.imshow("blur 11*11", dst);
        HighGui.waitKey(0);
        System.exit(0);
    }
}

原图：

5*5滤波：

7*7滤波：

11*11滤波：

3.2、方框滤波

实际上，均值滤波是方框滤波的一种特殊形式。均值滤波对窗口内的像素计算算术平均值，是归一化以后的结果，而方框滤波则可以选择不进行归一化。

java 复制代码 
//用方框滤波器对图像进行平滑处理
void Imgproc.boxFilter(Mat src, Mat dst, int ddepth, Size ksize, Point anchor, boolean normallize)
  • src：输入图像
  • dst：输出图像，和src具有相同的尺寸和数据类型
  • ddepth：输出图像的深度。-1表示使用输入图像的深度
  • ksize：卷积核的尺寸
  • anchor：卷积核的锚点，默认值（-1，-1）表示锚点位于卷积核的中心
  • normalize：是否进行归一化
java 复制代码 
public class BoxFilter {

    static {
        OpenCV.loadLocally(); // 自动下载并加载本地库
    }

    public static void main(String[] args) {
        //读取图像并显示
        Mat src = Imgcodecs.imread("/Users/acton_zhang/J2EE/MavenWorkSpace/opencv_demo/src/main/java/demo1/pond.png");
        HighGui.imshow("src", src);
        HighGui.waitKey(0);
        //对图像进行方框滤波（不归一化）并在屏幕上显示
        Mat dst = new Mat();
        Imgproc.boxFilter(src, dst, -1, new Size(3, 3), new Point(-1, -1), false);
        HighGui.imshow("Unnormalized", dst);
        HighGui.waitKey(0);
        //对图像进行方框滤波（归一化）并在屏幕上显示
        Imgproc.boxFilter(src, dst, -1, new Size(3, 3), new Point(-1, -1), true);
        HighGui.imshow("normlized", dst);
        HighGui.waitKey(0);
        System.exit(0);
    }
}

原图：

不归一化方框滤波：

归一化滤波：

其中未归一化的图像白化严重。未归一化的方框滤波将像素值相加却不平均，如果相加后超过255就会变成白色，于是图像中出现了大片白色。

3.3、高斯滤波

高斯滤波也是一种线性滤波。高斯滤波实际上是对邻域内的像素值进行加权平均，但高斯滤波器考虑了像素离过滤器中心的距离因素，距离越近权重越大，距离越远权重越小。

java 复制代码 
1  15  27        1 2 1
25  5  3  * 1/10 2 4 2 = 15
11  3  90        1 2 1
//加权平均 (1*1+15*2+27*1+25*2+5*4+3*2+11*1+3*2+90*1)/16=15
java 复制代码 
//用高斯滤波器对图像进行平滑处理
void Imgproc.GaussianBlur(Mat src, Mat dst, Size ksize, double sigmax, double sigmay)
  • src：输入图像。图像的通道数不限，但深度必须是CV_8U、CV_16U、CV_16S、CV_32F或CV_64F。
  • dst：输出图像，和src具有相同的尺寸和数据类型
  • ksize：高斯滤波器尺寸，该尺寸必须是正奇数。如尺寸为0，则根据sigma计算尺寸
  • sigmax：高斯滤波器在X方向的标准差
  • sigmay：高斯滤波器在Y方向的标准差，如果sigmay为0，则认为其等于sigmax，如果sigmax和sigmay均为0，则根据ksize计算
java 复制代码 
public class GaussianBlur {

    static {
        OpenCV.loadLocally(); // 自动下载并加载本地库
    }

    public static void main(String[] args) {
        //读取图像并显示
        Mat src = Imgcodecs.imread("/Users/acton_zhang/J2EE/MavenWorkSpace/opencv_demo/src/main/java/demo1/pond.png");
        HighGui.imshow("src", src);
        HighGui.waitKey(0);
        //对图像进行高斯滤波5*5并显示
        Mat dst = new Mat();
        Imgproc.GaussianBlur(src, dst, new Size(5, 5), 10, 10);
        HighGui.imshow("Gaussian 5*5", dst);
        HighGui.waitKey(0);
        //对图像进行高斯滤波7*7并显示
        Imgproc.GaussianBlur(src, dst, new Size(7, 7), 10, 10);
        HighGui.imshow("Gaussian 7*7", dst);
        HighGui.waitKey(0);
        //对图像进行高斯滤波11*11并显示
        Imgproc.GaussianBlur(src, dst, new Size(11, 11), 10, 10);
        HighGui.imshow("Gaussian 11*11", dst);
        HighGui.waitKey(0);
        System.exit(0);
    }
}

5*5：

7*7：

11*11:

四、非线性滤波

与线性滤波不同，非线性滤波时的像素值不是通过线性运算得来的，而是通过排序或逻辑运算等方式得来的。

4.1、中值滤波

中值滤波是一种典型的非线性滤波奇数，具体方法是邻域内像素值的中值来取代原有像素值。中值也叫中位数，是指把多个数值按升序或降序进行排序，位于序列中央位置的数字就是中位数。

java 复制代码 
1  15  27
25  5  3
11  3  90
//排序
1,3,3,5,  11,  15,25,27,90
//中位数为11

中值滤波用于某像素邻域内的中值代替该像素，利于消除孤立的噪声点从而使周围的像素更接近真实值，因而对于椒盐噪声和斑点噪声非常有效。中值是一个排序后的值，可以认为其结果是由邻域像素中的"大多数"决定的。邻域中出现的个别特别高或特别低的像素值并不会对结果产生太大影响，只是使排序结果向前或向后移动了一位，因此，相对于均值而言，中值对邻域中的像素值更具有代表性。在均值滤波或高斯滤波中，由于噪声成分也被加入计算之中，所以输出或多或少会受到噪声的影响，而在中值滤波器中，噪声在排序中很难被选上，所以对输出几乎没有影响，因此，中值滤波的去噪效果比线性滤波更好一些，但是，中值滤波也有其缺陷。由于需要对邻域内所有像素值进行排序，中值滤波花费的时间可能达到均值滤波的5倍以上。

java 复制代码 
//用中值滤波器对图像进行平滑处理
void Imgproc.medianBlur(Mat src, Mat dst, int ksize)
  • src：输入图像，通道数可以是1、3或4.如果滤波器尺寸是3或5，则图像深度应为CV_8U、CV_16U或CV_32F：如尺寸更大，则必须是CV_8U。
  • dst：输出图像，和src具有相同的尺寸的数据类型
  • ksize：滤波器尺寸，必须是大于1的奇数，如3、5、7等
java 复制代码 
public class MedianBlur {

    static {
        OpenCV.loadLocally(); // 自动下载并加载本地库
    }

    public static void main(String[] args) {
        //读取图像并显示
        Mat src = Imgcodecs.imread("/Users/acton_zhang/J2EE/MavenWorkSpace/opencv_demo/src/main/java/demo1/peppersalt.png");
        HighGui.imshow("src", src);
        HighGui.waitKey(0);
        //对图像进行中中值滤波并显示
        Mat dst = new Mat();
        Imgproc.medianBlur(src, dst, 5);
        HighGui.imshow("MedianBlur", dst);
        HighGui.waitKey(0);
        //对图像进行均值滤波并显示
        Imgproc.blur(src, dst, new Size(5, 5));
        HighGui.imshow("Blur", dst);
        HighGui.waitKey(0);
        //对图像进行高斯滤波并显示
        Imgproc.GaussianBlur(src, dst, new Size(5, 5), 10, 10);
        HighGui.imshow("Gaussian Blur", dst);
        HighGui.waitKey(0);
        System.exit(0);
    }
}

原图：

中值滤波：

均值滤波：

高斯滤波：

4.2、双边滤波

双边滤波（Bilateral Filter）也是一种非线性的滤波方法，是一种常用的能够保留边缘信息的滤波方法。双边滤波实际上是空间域（Spatial Domain）和值域（Range Domain）两个滤波器综合作用的结果。在图像的平坦区域，像素值变化很小，空间域权重起主导作用，此时的双边滤波相当于高斯滤波；在图像的边缘区域，像素值变化很大，值域权重变大，边缘信息得以保留。

java 复制代码 
//用双边滤波器对图像进行处理
void Imgproc.bilateralFilter(Mat src, Mat dst, int d, double sigmaColor, double sigmaSpace)
  • src：输入图像，必须是单通道或三通道，图像深度应为CV_8U、CV_32F或CV_64F。
  • dst：输出图像，和src具有相同的尺寸和数据类型
  • d：滤波时每像素邻域的直径。如为非正数，则由sigmaSpace计算而来
  • sigmaColor：颜色空间的sigma参数。此参数越大意味着像素邻域中有越多颜色被混合在一起。半相等色的面积也越大。
  • sigmaSpace：坐标空间的sigma参数。此参数越大意味着只要像素的颜色足够接近，更远的像素会彼此影响。当d>0时，邻域尺寸不考虑sigamaSpace，否则d与sigamaSpace成正比

双边滤波器能在消减噪声的同时保持边缘的清晰，但双边滤波器比大多数滤波器要慢很多。在设置双边滤波的参数时应注意以下两点：

  • 为了简单起见可以将两个sigma值设为同一个值。当sigma值小于10时效果并不明显，但当数值较大（>150）时效果会非常显著，图像还会带有卡通风格
  • 滤波器的直径较大（>5）时速度非常慢，因此实时处理时推荐值为5，在离线处理含有大量噪声的图像时可设为9
java 复制代码 
public class BilateralFilter {

    static {
        OpenCV.loadLocally(); // 自动下载并加载本地库
    }

    public static void main(String[] args) {
        //读取图像并显示
        Mat src = Imgcodecs.imread("/Users/acton_zhang/J2EE/MavenWorkSpace/opencv_demo/src/main/java/demo1/butterfly.png");
        HighGui.imshow("src", src);
        HighGui.waitKey(0);
        //对图像进行双边滤波并在屏幕上显示
        Mat dst = new Mat();
        Imgproc.bilateralFilter(src, dst, 9, 20, 20);
        HighGui.imshow("Bilateral", dst);
        HighGui.waitKey(0);
        //对图像进行均值滤波并显示
        Imgproc.blur(src, dst, new Size(5, 5));
        HighGui.imshow("Blur", dst);
        HighGui.waitKey(0);
        //对图像进行高斯滤波并显示
        Imgproc.GaussianBlur(src, dst, new Size(5, 5), 10, 10);
        HighGui.imshow("Gaussian", dst);
        HighGui.waitKey(0);
        System.exit(0);
    }
}

原图：

双边滤波：

均值滤波：

高斯滤波：

相关推荐
每日新鲜事14 分钟前
Lavazza拉瓦萨再度牵手兰博基尼汽车 百年咖啡注入超跑速度
人工智能
道传科技上位机14 分钟前
机器视觉标定讲解
计算机视觉
说私域16 分钟前
传统企业数字化转型：以定制开发开源 AI 智能名片 S2B2C 商城小程序源码为核心的销售环节突破
大数据·人工智能·开源
geneculture1 小时前
社会应用融智学的人力资源模式：潜能开发评估；认知基建资产
人工智能·课程设计·融智学的重要应用·三级潜能开发系统·人力资源升维·认知基建·认知银行
仙人掌_lz3 小时前
Qwen-3 微调实战：用 Python 和 Unsloth 打造专属 AI 模型
人工智能·python·ai·lora·llm·微调·qwen3
美林数据Tempodata5 小时前
大模型驱动数据分析革新：美林数据智能问数解决方案破局传统 BI 痛点
数据库·人工智能·数据分析·大模型·智能问数
硅谷秋水5 小时前
NORA：一个用于具身任务的小型开源通才视觉-语言-动作模型
人工智能·深度学习·机器学习·计算机视觉·语言模型·机器人
whoarethenext5 小时前
使用 C/C++的OpenCV 裁剪 MP4 视频
c语言·c++·opencv
正儿八经的数字经5 小时前
人工智能100问☞第46问：AI是如何“学习”的？
人工智能·学习
飞哥数智坊5 小时前
别卷提示词了！像带新人一样“带”AI，产出效率翻倍
人工智能
热门推荐
01Coze扣子平台完整体验和实践（附国内和国际版对比）02【图像处理与机器视觉】XJTU期末考点03KGG转MP3工具|非KGM文件|解密音频04零代码入门 | Coze——让大模型接入自己的数据库05海康Visionmaster-常见问题排查方法-启动阶段06YOLOv8入门 | 重要性能衡量指标、训练结果评价及分析及影响mAP的因素【发论文关注的指标】07扣子（coze）实战|我用扣子搭建了一个自动分析小红薯笔记内容的AI应用|详细步骤拆解08从零安装 LLaMA-Factory 微调 Qwen 大模型成功及所有的坑09【SpeedAI科研小助手】2分钟极速解决知网维普重复率、AIGC率过高，一键全文降！文件格式不变，公式都保留的！10DeepSeek各版本说明与优缺点分析