OpenCV轮廓特征分析：面积、周长与形状拟合

编码小哥2025-12-29 8:18

目录

一、轮廓特征分析的基本概念

常见的轮廓特征

二、几何特征计算

[1. 轮廓面积](#1. 轮廓面积)

[2. 轮廓周长](#2. 轮廓周长)

[3. 轮廓中心与质心](#3. 轮廓中心与质心)

三、形状拟合

[1. 边界矩形](#1. 边界矩形)

[2. 最小外接圆](#2. 最小外接圆)

[3. 拟合椭圆](#3. 拟合椭圆)

[4. 直线拟合](#4. 直线拟合)

四、矩特征

矩的计算与应用

五、实际应用案例

六、总结与技巧

一、轮廓特征分析的基本概念

轮廓特征分析是计算机视觉中的重要任务，通过分析轮廓的几何特征，可以实现目标识别、形状分类、尺寸测量等功能。OpenCV提供了丰富的函数来提取和分析轮廓的各种特征，包括面积、周长、中心坐标、边界框、最小外接圆等。

常见的轮廓特征

  1. 几何特征：面积、周长、中心坐标、质心

  2. 形状特征：边界框、最小外接圆、最小外接矩形、拟合椭圆

  3. 矩特征：零阶矩、一阶矩、二阶矩等

  4. 形状描述符：圆形度、矩形度、宽高比等

二、几何特征计算

1. 轮廓面积

轮廓面积是指轮廓所包围的像素点的数量，在OpenCV中使用`cv2.contourArea()`函数计算：

//python

python 复制代码 
import cv2

import numpy as np

from matplotlib import pyplot as plt

 #读取图像

img = cv2.imread('shapes.jpg')

 #转换为灰度图像

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

 #阈值分割

ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

 #检测轮廓

contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

 #计算并绘制轮廓面积

img_area = img.copy()

for contour in contours:

     #计算轮廓面积

    area = cv2.contourArea(contour)

     #过滤小轮廓

    if area < 100:

        continue

     #计算轮廓中心

    M = cv2.moments(contour)

    cx = int(M['m10'] / M['m00'])

    cy = int(M['m01'] / M['m00'])

     #绘制轮廓

    cv2.drawContours(img_area, [contour], 1, (0, 255, 0), 2)

     #在轮廓中心显示面积

    cv2.putText(img_area, f"Area: {int(area)}", (cx, cy), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 1)

 #显示结果

plt.figure(figsize=(10, 5))

plt.subplot(121), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title('原图')

plt.subplot(122), plt.imshow(cv2.cvtColor(img_area, cv2.COLOR_BGR2RGB)), plt.title('轮廓面积')

plt.tight_layout()

plt.show()

2. 轮廓周长

轮廓周长是指轮廓的长度，也称为弧长，在OpenCV中使用cv2.arcLength()函数计算：

//python

python 复制代码 
import cv2

import numpy as np

from matplotlib import pyplot as plt

 #读取图像
img = cv2.imread('shapes.jpg')

 #转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

 #阈值分割
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

 #检测轮廓
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

 #计算并绘制轮廓周长
img_perimeter = img.copy()

for contour in contours:

     #计算轮廓周长，第二个参数指定轮廓是否闭合
    perimeter = cv2.arcLength(contour, True)

     #过滤小轮廓
    if cv2.contourArea(contour) < 100:

        continue

     #计算轮廓中心
    M = cv2.moments(contour)

    cx = int(M['m10'] / M['m00'])

    cy = int(M['m01'] / M['m00'])

     #绘制轮廓
    cv2.drawContours(img_perimeter, [contour], 1, (0, 255, 0), 2)

     #在轮廓中心显示周长
    cv2.putText(img_perimeter, f"Peri: {int(perimeter)}", (cx, cy), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 1)

 #显示结果
plt.figure(figsize=(10, 5))

plt.subplot(121), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title('原图')

plt.subplot(122), plt.imshow(cv2.cvtColor(img_perimeter, cv2.COLOR_BGR2RGB)), plt.title('轮廓周长')

plt.tight_layout()

plt.show()

3. 轮廓中心与质心

轮廓的中心（也称为质心）可以通过轮廓的矩来计算。在OpenCV中，cv2.moments()函数用于计算轮廓的矩：

//python

python 复制代码 
import cv2

import numpy as np

from matplotlib import pyplot as plt

 #读取图像
img = cv2.imread('shapes.jpg')

 #转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

 #阈值分割
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

 #检测轮廓
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

 #计算并绘制轮廓中心
img_centroid = img.copy()

for contour in contours:

     #计算轮廓矩
    M = cv2.moments(contour)

     #过滤小轮廓
    if M['m00'] < 100:

        continue

     #计算质心坐标
    cx = int(M['m10'] / M['m00'])

    cy = int(M['m01'] / M['m00'])

     #绘制轮廓
    cv2.drawContours(img_centroid, [contour], 1, (0, 255, 0), 2)

     #绘制质心
    cv2.circle(img_centroid, (cx, cy), 5, (0, 0, 255), 1)

    cv2.putText(img_centroid, f"({cx},{cy})", (cx + 10, cy), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 1)

 #显示结果
plt.figure(figsize=(10, 5))

plt.subplot(121), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title('原图')

plt.subplot(122), plt.imshow(cv2.cvtColor(img_centroid, cv2.COLOR_BGR2RGB)), plt.title('轮廓质心')

plt.tight_layout()

plt.show()

三、形状拟合

1. 边界矩形

边界矩形是指能够完全包围轮廓的最小矩形，在OpenCV中有两种边界矩形：

直立边界矩形：不考虑轮廓的旋转，始终保持直立

旋转边界矩形：考虑轮廓的旋转，是面积最小的边界矩形

直立边界矩形

使用cv2.boundingRect()函数计算：

//python

python 复制代码 
import cv2

import numpy as np

from matplotlib import pyplot as plt

 #读取图像
img = cv2.imread('shapes.jpg')

 #转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

 #阈值分割
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

 #检测轮廓
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

 #绘制直立边界矩形
img_bounding = img.copy()

for contour in contours:

     #计算边界矩形
    x, y, w, h = cv2.boundingRect(contour)

     #过滤小轮廓
    if w  h < 100:

        continue

     #绘制轮廓
    cv2.drawContours(img_bounding, [contour], 1, (0, 255, 0), 2)

     #绘制边界矩形
    cv2.rectangle(img_bounding, (x, y), (x + w, y + h), (0, 0, 255), 2)

 #显示结果

plt.figure(figsize=(10, 5))

plt.subplot(121), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title('原图')

plt.subplot(122), plt.imshow(cv2.cvtColor(img_bounding, cv2.COLOR_BGR2RGB)), plt.title('直立边界矩形')

plt.tight_layout()

plt.show()

旋转边界矩形

使用cv2.minAreaRect()函数计算：

//python

python 复制代码 
import cv2

import numpy as np

from matplotlib import pyplot as plt

 #读取图像
img = cv2.imread('shapes.jpg')

 #转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

 #阈值分割
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

 #检测轮廓
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

 #绘制旋转边界矩形
img_rotated = img.copy()

for contour in contours:

     #计算旋转边界矩形
    rect = cv2.minAreaRect(contour)

    box = cv2.boxPoints(rect)   #获取矩形的四个顶点

    box = np.int0(box)   #转换为整数坐标

     #过滤小轮廓
    area = cv2.contourArea(contour)

    if area < 100:

        continue

     #绘制轮廓
    cv2.drawContours(img_rotated, [contour], 1, (0, 255, 0), 2)

     #绘制旋转边界矩形
    cv2.drawContours(img_rotated, [box], 0, (0, 0, 255), 2)

 #显示结果

plt.figure(figsize=(10, 5))

plt.subplot(121), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title('原图')

plt.subplot(122), plt.imshow(cv2.cvtColor(img_rotated, cv2.COLOR_BGR2RGB)), plt.title('旋转边界矩形')

plt.tight_layout()

plt.show()

2. 最小外接圆

最小外接圆是指能够完全包围轮廓的最小圆形，使用cv2.minEnclosingCircle()函数计算：

//python

python 复制代码 
import cv2

import numpy as np

from matplotlib import pyplot as plt

 读取图像
img = cv2.imread('shapes.jpg')

 转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

 阈值分割
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

 检测轮廓
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

 绘制最小外接圆
img_circle = img.copy()

for contour in contours:

     计算最小外接圆

    (x, y), radius = cv2.minEnclosingCircle(contour)

    center = (int(x), int(y))

    radius = int(radius)

     过滤小轮廓
    if radius < 10:

        continue

     绘制轮廓
    cv2.drawContours(img_circle, [contour], 1, (0, 255, 0), 2)

     绘制最小外接圆
    cv2.circle(img_circle, center, radius, (0, 0, 255), 2)

 显示结果
plt.figure(figsize=(10, 5))

plt.subplot(121), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title('原图')

plt.subplot(122), plt.imshow(cv2.cvtColor(img_circle, cv2.COLOR_BGR2RGB)), plt.title('最小外接圆')

plt.tight_layout()

plt.show()

3. 拟合椭圆

使用cv2.fitEllipse()函数可以拟合轮廓为椭圆：

//python

python 复制代码 
import cv2

import numpy as np

from matplotlib import pyplot as plt

 #读取图像

img = cv2.imread('shapes.jpg')

 #转换为灰度图像

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

 #阈值分割

ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

 #检测轮廓

contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

 #绘制拟合椭圆

img_ellipse = img.copy()

for contour in contours:

     #拟合椭圆需要至少5个点

    if len(contour) < 5:

        continue

     #过滤小轮廓

    area = cv2.contourArea(contour)

    if area < 100:

        continue

     #拟合椭圆

    ellipse = cv2.fitEllipse(contour)

     #绘制轮廓

    cv2.drawContours(img_ellipse, [contour], 1, (0, 255, 0), 2)

     #绘制拟合椭圆

    cv2.ellipse(img_ellipse, ellipse, (0, 0, 255), 2)

 #显示结果

plt.figure(figsize=(10, 5))

plt.subplot(121), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title('原图')

plt.subplot(122), plt.imshow(cv2.cvtColor(img_ellipse, cv2.COLOR_BGR2RGB)), plt.title('拟合椭圆')

plt.tight_layout()

plt.show()

4. 直线拟合

使用cv2.fitLine()函数可以拟合轮廓为直线：

//python

python 复制代码 
import cv2

import numpy as np

from matplotlib import pyplot as plt

 #读取图像

img = cv2.imread('line.jpg')

 #转换为灰度图像

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

 #阈值分割

ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

 #检测轮廓

contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

 #绘制拟合直线

img_line = img.copy()

for contour in contours:

     #拟合直线

    [vx, vy, x, y] = cv2.fitLine(contour, cv2.DIST_L2, 0, 0.01, 0.01)

     #计算直线端点

    lefty = int((x  vy / vx) + y)

    righty = int(((img.shape[1]  x)  vy / vx) + y)

     #绘制轮廓

    cv2.drawContours(img_line, [contour], 1, (0, 255, 0), 2)

     #绘制拟合直线

    cv2.line(img_line, (img.shape[1]  1, righty), (0, lefty), (0, 0, 255), 2)

 #显示结果

plt.figure(figsize=(10, 5))

plt.subplot(121), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title('原图')

plt.subplot(122), plt.imshow(cv2.cvtColor(img_line, cv2.COLOR_BGR2RGB)), plt.title('拟合直线')

plt.tight_layout()

plt.show()

四、矩特征

矩是描述图像形状的重要特征，在OpenCV中使用cv2.moments()函数计算轮廓的矩。矩可以分为：

零阶矩（m00）：与轮廓面积相关

一阶矩（m10, m01）：与质心位置相关

二阶矩（m20, m11, m02）：与图像的旋转、缩放等特性相关

三阶矩（m30, m21, m12, m03）：与图像的扭曲相关

矩的计算与应用

//python

python 复制代码 
import cv2

import numpy as np

from matplotlib import pyplot as plt

 #读取图像
img = cv2.imread('shapes.jpg')

 #转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

 #阈值分割
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

 #检测轮廓
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

 #计算矩特征
img_moments = img.copy()

for contour in contours:

     #计算矩
    M = cv2.moments(contour)

     #过滤小轮廓
    if M['m00'] < 100:

        continue

     #计算质心
    cx = int(M['m10'] / M['m00'])

    cy = int(M['m01'] / M['m00'])

     #计算面积（与cv2.contourArea()结果相同）
    area = M['m00']

     #计算中心矩（归一化的二阶矩）
    if M['m00'] != 0:

        mu20 = M['m20'] / M['m00']

        mu11 = M['m11'] / M['m00']

        mu02 = M['m02'] / M['m00']

         #计算 Hu矩（具有旋转、缩放、平移不变性）
        huMoments = cv2.HuMoments(M)

         #对Hu矩取对数并取绝对值，便于比较
        for i in range(7):

            huMoments[i] = 1  np.sign(huMoments[i])  np.log10(abs(huMoments[i]))

     #绘制轮廓和质心
    cv2.drawContours(img_moments, [contour], 1, (0, 255, 0), 2)

    cv2.circle(img_moments, (cx, cy), 5, (0, 0, 255), 1)

 #显示结果
plt.figure(figsize=(10, 5))

plt.subplot(121), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title('原图')

plt.subplot(122), plt.imshow(cv2.cvtColor(img_moments, cv2.COLOR_BGR2RGB)), plt.title('矩特征分析')

plt.tight_layout()

plt.show()

五、实际应用案例

  1. 形状识别与分类

//python

python 复制代码 
import cv2

import numpy as np

from matplotlib import pyplot as plt

 #读取图像

img = cv2.imread('shapes.jpg')

 #转换为灰度图像

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

 #高斯模糊

blurred = cv2.GaussianBlur(gray, (5, 5), 0)

 #阈值分割

ret, thresh = cv2.threshold(blurred, 127, 255, cv2.THRESH_BINARY)

 #检测轮廓

contours, hierarchy = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

 #形状识别函数

def classify_shape(contour):

    shape = "unknown"

     #计算轮廓周长

    peri = cv2.arcLength(contour, True)

     #轮廓近似

    approx = cv2.approxPolyDP(contour, 0.04  peri, True)

     #计算轮廓面积

    area = cv2.contourArea(contour)

     #计算最小外接圆

    (x, y), radius = cv2.minEnclosingCircle(contour)

    circle_area = np.pi  radius  2

     #计算圆形度（轮廓面积与最小外接圆面积的比值）

    circularity = area / circle_area

     #根据顶点数量和圆形度判断形状

    if len(approx) == 3:

        shape = "三角形"

    elif len(approx) == 4:

         #计算宽高比

        x, y, w, h = cv2.boundingRect(approx)

        aspect_ratio = w / float(h)

        if 0.95 <= aspect_ratio <= 1.05:

            shape = "正方形"

        else:

            shape = "矩形"

    elif len(approx) == 5:

        shape = "五边形"

    elif len(approx) == 6:

        shape = "六边形"

    elif circularity > 0.8:

        shape = "圆形"

    else:

        shape = "椭圆"

    return shape

 #识别并标记形状

img_classified = img.copy()

for contour in contours:

     #过滤小轮廓

    if cv2.contourArea(contour) < 100:

        continue

     #识别形状

    shape = classify_shape(contour)

     #计算质心

    M = cv2.moments(contour)

    cx = int(M['m10'] / M['m00'])

    cy = int(M['m01'] / M['m00'])

     #绘制轮廓和形状名称

    cv2.drawContours(img_classified, [contour], 1, (0, 255, 0), 2)

    cv2.putText(img_classified, shape, (cx  30, cy), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 2)

 #显示结果

plt.figure(figsize=(10, 6))

plt.imshow(cv2.cvtColor(img_classified, cv2.COLOR_BGR2RGB))

plt.title('形状识别结果')

plt.axis('off')

plt.show()
  1. 物体尺寸测量

//python

python 复制代码 
import cv2

import numpy as np

from matplotlib import pyplot as plt

 #读取图像
img = cv2.imread('coins.jpg')

 #转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

 #高斯模糊
blurred = cv2.GaussianBlur(gray, (11, 11), 0)

 #Canny边缘检测
canny = cv2.Canny(blurred, 30, 150)

 #膨胀操作
 dilated = cv2.dilate(canny, None, iterations=2)

 #检测轮廓
contours, hierarchy = cv2.findContours(dilated.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

 #按面积排序，假设最大的轮廓是参考物体（例如硬币）
contours = sorted(contours, key=cv2.contourArea, reverse=True)

 #假设最大的硬币直径为25mm（实际应用中需要校准）
reference_diameter = 25.0   mm

 #计算参考物体的像素直径
if contours:

    reference_contour = contours[0]

    (x, y), radius = cv2.minEnclosingCircle(reference_contour)

    reference_radius_px = radius

    reference_diameter_px = 2  radius

     #计算像素到毫米的比例
    px_to_mm = reference_diameter / reference_diameter_px

     #测量所有硬币
    img_measurement = img.copy()

    for i, contour in enumerate(contours):

         #计算最小外接圆
        (x, y), radius = cv2.minEnclosingCircle(contour)

        center = (int(x), int(y))

        radius_px = radius

        radius_mm = radius_px  px_to_mm

        diameter_mm = 2  radius_mm

         #绘制结果
        cv2.circle(img_measurement, center, int(radius_px), (0, 255, 0), 2)

        cv2.putText(img_measurement, f"D: {diameter_mm:.1f}mm",

                   (int(x  radius_px), int(y  radius_px)  10),

                   cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 2)

     #显示结果
    plt.figure(figsize=(12, 6))

    plt.subplot(121), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title('原图')

    plt.subplot(122), plt.imshow(cv2.cvtColor(img_measurement, cv2.COLOR_BGR2RGB)), plt.title('尺寸测量结果')

    plt.tight_layout()

    plt.show()

六、总结与技巧

  1. 轮廓特征分析的应用场景
  1. 目标识别：通过轮廓特征识别不同形状的物体
  2. 尺寸测量：测量物体的长度、宽度、面积等参数
  3. 质量控制：检测产品的形状是否符合要求
  4. 机器人视觉：引导机器人进行抓取、装配等操作
  1. 技巧与注意事项
  1. 图像预处理：在进行轮廓检测前，使用高斯模糊减少噪声，提高轮廓检测的准确性
  2. 轮廓过滤：通过面积、周长等特征过滤掉噪声或不需要的小轮廓
  3. 特征选择：根据实际应用选择合适的轮廓特征，如形状识别使用顶点数量和圆形度，尺寸测量使用边界矩形或最小外接圆
  4. 精度校准：在实际测量应用中，需要使用已知尺寸的参考物体进行校准
  5. 旋转不变性：使用Hu矩等具有旋转不变性的特征，可以在目标旋转时仍然准确识别
  1. 常见问题与解决方案
  1. 轮廓不完整：调整阈值参数或使用边缘检测代替直接阈值分割
  2. 虚假轮廓：使用形态学操作（如开运算、闭运算）去除噪声
  3. 轮廓重叠：使用更高级的图像分割算法，如分水岭算法或GrabCut算法

通过掌握轮廓特征分析技术，可以实现对图像中物体的形状、大小、位置等信息的精确提取和分析，为计算机视觉应用提供重要的基础支持。

相关推荐
张彦峰ZYF2 小时前
AI赋能原则8解读思考：当 AI 能“完美决策”-为什么动态契约才是安全之钥
人工智能·ai·ai赋能与落地
白日做梦Q2 小时前
联邦学习与隐私保护深度学习：面向分布式场景的研究热点与实践
人工智能·分布式·深度学习
AndrewHZ2 小时前
【图像处理基石】有哪些好用的图像去噪算法可以推荐一下么？
图像处理·深度学习·算法·计算机视觉·cv·噪声
凤希AI伴侣2 小时前
凤希AI伴侣V1.3.2.0正式发布：语音创作全链路升级，个性化交互再进阶 2025年12月28日
人工智能·语音识别·凤希ai伴侣
lxmyzzs2 小时前
解决Ubuntu中OpenCV报错：Qt平台插件“xcb”加载失败（apt安装方案实测有效）
qt·opencv·ubuntu
灰灰勇闯IT2 小时前
鸿蒙智能体框架（HMAF）开发指南：如何快速接入 AI 交互能力
人工智能·交互·harmonyos
weilaikeqi11112 小时前
豹变IP张大豆：豹变商学将人格作为新商业学科
大数据·人工智能·tcp/ip
雍凉明月夜2 小时前
深度学习网络笔记Ⅲ(轻量级网络)
人工智能·深度学习·机器学习
石工记2 小时前
Java 作为主开发语言 + 调用 AI 能力（大模型 API / 本地化轻量模型）
java·开发语言·人工智能
热门推荐
01GitHub 镜像站点02从快手“12·22”直播攻击事件看：一次教科书式的业务层饱和攻击03电脑检测软件—图吧工具箱04Linux下V2Ray安装配置指南05Web安全中SQL注入绕过WAF的具体手法和实战案例06UV安装并设置国内源073D 圣诞树网页代码08jdk21下载、安装（Windows、Linux、macOS）09SQLmap 完整使用指南：环境搭建 + 命令详解 + 实操案例10BongoCat - 跨平台键盘猫动画工具