《OpenCv视觉之眼》Python图像处理五 :Opencv图像去噪处理之均值滤波、方框滤波、中值滤波和高斯滤波
本专栏主要介绍如果通过OpenCv-Python进行图像处理,通过原理理解OpenCv-Python的函数处理原型,在具体情况中,针对不同的图像进行不同等级的、不同方法的处理,以达到对图像进行去噪、锐化等一系列的操作。同时,希望观看本专栏的小伙伴可以理解到OpenCv进行图像处理的强大哦,如有转载,请注明出处(原文链接和作者署名),感谢各位小伙伴啦!
前文参考:
《OpenCv视觉之眼》Python图像处理一 :Opencv-python的简介及Python环境搭建
《OpenCv视觉之眼》Python图像处理二 :Opencv图像读取、显示、保存基本函数原型及使用
《OpenCv视觉之眼》Python图像处理三 :Opencv图像属性、ROI区域获取及通道处理
《OpenCv视觉之眼》Python图像处理四 :Opencv图像灰度处理的四种方法及原理
上次博客讲到图像灰度处理的四种方法原理,以及通过原理编写图像灰度处理函数,然后结合OpenCv图像灰度处理函数库进行对比,理解不同处理方法之间的不同处理原理,并总结出了Gamma校正灰度化是对图像对人眼视觉最好的一种图像灰度化方法,相信阅读过的小伙伴应该是可以理解的。
本次博客,我们将讲解OpenCV如何对图像进行去噪,一般情况下,通过OpenCV对图像进行处理,我们首先应该考虑的就是去除图像中的噪声点,例如椒盐噪声等,避免在后续的图像处理中影响相应进程,OpenCV对于图像去噪(又称图像平滑)提供了四种方法,分别是均值滤波、方框滤波、中值滤波和高斯滤波,并且提供了这几种方法的库函数,本次博客,林君学长主要给大家讲解这几种方法去噪的原理,并通过原理编写自己的去噪函数,当然,也会带大家了解如何使用库函数,因为在对图像处理的现实中,我们肯定会使用库函数进行图像处理,OpenCV官方对他们的库函数进行过优化,执行速度非常快;而我们自己通过原理编写代码只是为了研究库函数处理的原理,较于使用多次for循环,因此执行速度是比较慢的,现在,开始学习吧!
在进行下面几种滤波的学习时,应该提前考虑如下几点:
- 图像与核进行卷积后的结果图像,相比于原图像像素会变少,给我们的视觉感受就是结果图周围会有一层黑边,黑边的厚度取决于核尺寸的大小,因此,在进行核卷积的时候,需要将图像进行扩充,这样进行核卷积的起始点才是原图像的第一个点,图像扩充的边的像素同样也取决于核的尺寸
- 图像简单平滑(去噪)是指通过邻域简单平均对图像进行平滑处理的方法,用这种方法在一定程度上消除原始图像中的噪声、降低原始图像对比度的作用。它利用卷积运算对图像邻域的像素灰度进行平均,从而达到减小图像中噪声影响、降低图像对比度的目的。但邻域平均值主要缺点是在降低噪声的同时使图像变得模糊,特别在边缘和细节处,而且邻域越大,在去噪能力增强的同时模糊程度越严重。包括均值滤波和方框滤波,不包括中值滤波
- 中值滤波是非线性的图像处理方法,在去噪的同时可以兼顾到边界信息的保留。
- 下面四种方法其实是三种去噪方法,分别是临域平均法(均值滤波和方框滤波)、中值滤波法和高斯滤波法
[Python图像处理五 ]:Opencv图像去噪处理之均值滤波、方框滤波、中值滤波和高斯滤波
- 一、均值滤波
- 1、均值滤波原理
- 2、自定义均值滤波函数
- 3、OpenCV均值滤波库函数使用
- 二、方框滤波
- 1、方框滤波原理
- 2、自定义方框滤波函数
- 3、OpenCV方框滤波库函数使用
- 三、中值滤波
- 1、中值滤波原理
- 2、自定义中值滤波函数
- 3、OpenCV中值滤波库函数使用
- 四、高斯滤波
- 1、高斯滤波原理
- 2、自定义高斯滤波函数
- 3、OpenCV高斯滤波库函数使用
图像去噪处理一般来说是在图像灰度处理之后,图像灰度化之后,会存在噪声点,这些噪声是我们不需要的噪声,因此我们需要对图像进行模糊,去除这些噪声点;当然,只是一般来说,如果对于彩色图像,同样也是可以进行去噪的,即在读取彩色图像后便可以进行滤波降噪处理,这个后面我们会讲到,但滤波处理也只能降低噪声的数量,并不能完全消除,即使调整核函数尺寸也不行,去得太多,将会影响图中我们需要的部分,这也是缺点之一,但后续的其他处理可以解决这个问题,滤波处理我们暂时不用考虑
- 既然是去除图像中的噪声,我们首先便需要增加选取一张具有噪声的图像,然后进行各种滤波处理,这是一个方法,同时我们还可以自己给图像增加噪声,形成噪声图像,Python代码如下所示:
#给图像加噪声
import cv2
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #显示中文
#读取图像
img=cv2.imread("my.jpg")
#获取图像属性
h, w = img.shape[0:2]
#加噪声
for i in range(3000): #添加3000个噪声点x = np.random.randint(0, h) #随机取行y = np.random.randint(0, w) #随机取列img[x,y,:] = 255 #行和列设置为白色噪声点
#BGR转换为RGB显示格式,方便通过matplotlib进行图像显示
img= cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
#显示图像
plt.imshow(img)
plt.axis('off')#关闭坐标轴 设置为on则表示开启坐标轴
plt.savefig('my1.jpg') #保存图像
plt.show()#显示图像
一、均值滤波
1、均值滤波原理
1)、均值滤波原理
均值滤波是指任意一点的像素值,都是周围NM个像素值的均值。例如下图中,红色点的像素值为蓝色背景区域像素值之和除25:
2)、那么,将以上原理转化为数学公式就可以如下理解:
img[核中心点像素]= ((197+25+106+156+159)+ (149+40+107+5+71)+ (163+198+ 226+223+156)+ (222+37+68+193+157)+ (42+72+250+41+75)) / 25
3)、上图原理中,蓝色区域的确定是由核函数的尺寸确定的,因此,为了将抽象变为形象,我们通过原来的像素与核进行卷积(对于相乘相加),将本来每个像素相加的和除以25变为每一个像素与1/25相乘然后相加,也就是上面出现的蓝色区域与核进行卷积相乘,其中55的矩阵称为核,针对原始图像内的像素点,采用核进行处理,得到结果图像:
2、自定义均值滤波函数
1)、通过以上原理,我们不难发现,如果是通过原图与核进行卷积,卷积之后的图的尺寸是会变小的,最后结果给我们的视觉体验就是在图周围有一圈黑边,这一圈黑边是没有进行到卷积的地方,因此,我们需要将原图进行扩充,使得第一次卷积的地方就是原图的[0,0]点,在卷积后,扩充的地方是没有进行卷积的,所以我们从扩充的图中裁剪出原图就可以了,接下来,通过原理实现该代码吧!
2)、自定义均值滤波函数
import cv2
import numpy as np
def meanFiltering1(img,size): #img输入,size均值滤波器的尺寸,>=3,且必须为奇数num = int((size - 1) / 2) # 输入图像需要填充的尺寸img = cv2.copyMakeBorder(img, num, num, num, num, cv2.BORDER_REPLICATE)#对传入的图像进行扩充,尺寸为numh1, w1 = img.shape[0:2]# 高斯滤波img1 = np.zeros((h1, w1, 3), dtype="uint8") #定义空白图像,用于输出中值滤波后的结果for i in range(num, h1-num): #对扩充图像中的原图进行遍历for j in range(num, w1-num):sum=0sum1=0sum2=0for k in range(i-num,i+num+1): #求中心像素周围size*size区域内的像素的平均值for l in range(j-num,j+num+1):sum=sum+img[k,l][0] #B通道sum1=sum1+img[k,l][1] #G通道sum2=sum2+img[k,l][2] #R通道sum=sum/(size**2) #除以核尺寸的平方sum1 = sum1/(size**2)sum2 = sum2/(size**2)img1[i, j]=[sum,sum1,sum2] #复制给空白图像img1=img1[(0+num):(h1-num),(0+num):(h1-num)] #从滤波图像中裁剪出原图像return img1
3)、读取图像加噪声,然后进行均值滤波处理并显示
#读取图像
img=cv2.imread("my.jpg")
#获取图像属性
h, w = img.shape[0:2]
#加噪声
for i in range(3000): #添加3000个噪声点x = np.random.randint(0, h) y = np.random.randint(0, w) img[x,y,:] = 255
#调用均值滤波函数
result=meanFiltering1(img,5) #传入读取的图像和核尺寸
cv2.imshow("Noise",img)
cv2.imshow("meanFiltering",result)
cv2.waitKey(0)
由于通过原理编写的代码,用到了多重for循环,因此,代码运行的时间较长,但我们可以很清楚的看到,在进行均值滤波之后,噪声图像上的噪声明显减少,达到了去噪的目的!
3、OpenCV均值滤波库函数使用
1)、在OpenCV对图像去噪处理中,也提供了均值滤波处理的库函数,处理原理是一样的,主要是运算速度快,OpenCV官方对for循环进行了优化,大大提升了代码运算速度,主要还是开源的,函数原型如下:
2)、函数原型:cv2.blur(img,(szie,size))
- img:img表示需要进行中值滤波处理的图像
- (size,size):表示核大小,是以(宽度,高度)表示的元祖形式。常见的形式包括:核大小(3,3)和(5,5)
3)、中值滤波库函数使用
import cv2
import numpy as np
#读取图像
img=cv2.imread("my.jpg")
#获取图像属性
h, w = img.shape[0:2]
#加噪声
for i in range(3000): #添加3000个噪声点x = np.random.randint(0, h) y = np.random.randint(0, w) img[x,y,:] = 255
#调用均值滤波函数
result=cv2.blur(img,(5,5)) #传入读取的图像和核尺寸
cv2.imshow("Noise",img)
cv2.imshow("meanFiltering-OpenCV",result)
cv2.waitKey(0)
可以看到,都为5x5的核,原理处理和库函数处理的效果基本一致,都有效的降低了图像噪声,接下来,我们讲解方框滤波!
二、方框滤波
1、方框滤波原理
1)、方框滤波原理
方框滤波原理和均值滤波原理基本一致,区别是需不需要均一化处理;需要均一化处理,则原理和均值滤波相同;如果不需要均一化处理,很容易发生溢出,溢出时均为白色,设置对应像素值为255,而对于均一化或者非均一化处理主要通过传递参数normalize来进行区别,当normalize=Ture时,表示需要均一化处理,而当normalize=Flase时,则表示不需要均一化处理(非均一化处理),则将溢出部分的像素值设置为0
2)、将以上原理转化为我们可以理解的数学公式则如下:
因此,我们只需要在均值滤波函数的基础上,增加一个normalize参数,通过normalize参数进行分支语句判断,实现对方框滤波函数的功能编写!
2、自定义方框滤波函数
1)、编写方框滤波函数功能
import cv2
import numpy as np
#方框滤波
# 自定义方框滤波函数
def boxFiltering1(img, size,normalize): #img输入,size均值滤波器的尺寸,>=3,且必须为奇数num = int((size - 1) / 2) # 输入图像需要填充的尺寸img = cv2.copyMakeBorder(img, num, num, num, num, cv2.BORDER_REPLICATE)#对传入的图像进行扩充,尺寸为numh1, w1 = img.shape[0:2]# 高斯滤波img1 = np.zeros((h1, w1, 3), dtype="uint8") #定义空白图像,用于输出中值滤波后的结果for i in range(num, h1-num): #对扩充图像中的原图进行遍历for j in range(num, w1-num):sum=0sum1=0sum2=0for k in range(i-num,i+num+1): #求中心像素周围size*size区域内的像素的平均值for l in range(j-num,j+num+1):sum=sum+img[k,l][0] #B通道sum1=sum1+img[k,l][1] #G通道sum2=sum2+img[k,l][2] #R通道if normalize==True:#均一化处理,和均值滤波一样,除以25sum = sum / (size ** 2)sum1 = sum1 / (size ** 2)sum2 = sum2 / (size ** 2)else: #非均一化处理,溢出部分设置为255if sum2>255:sum2=255else:sum=sum2if sum1 > 255:sum1 = 255else:sum1 = sum1if sum>255:sum=255else:sum=sumimg1[i, j]=[sum,sum1,sum2] #复制给空白图像img1=img1[(0+num):(h1-num),(0+num):(h1-num)] #从滤波图像中裁剪出原图像return img1
2)、读取图像,添加噪声、进行方框滤波过滤并显示
#读取图像
img=cv2.imread("g.jpg")
#获取图像属性
h, w = img.shape[0:2]
#加噪声
for i in range(3000): #添加3000个噪声点x = np.random.randint(0, h) y = np.random.randint(0, w) img[x,y,:] = 255
#调用均值滤波函数
result=boxFiltering1(img, 5,normalize=True) #传入读取的图像和核尺寸
result1=boxFiltering1(img, 5,normalize=False) #传入读取的图像和核尺寸
cv2.imshow("src",img)
cv2.imshow("JunYIHua",result)
cv2.imshow("NoJunYIHua",result1)
cv2.waitKey(0)
从左到右依次为原图、均一化方框滤波、非均一化方框滤波
3、OpenCV方框滤波库函数使用
1)、在OpenCV函数库中,也为我们提供了方框滤波的库函数,函数原型如下所示:
函数原型rusult=cv2.boxFilter(img, deep, (szie,size), normalize)
- img:原始图像
- deep:原始图像深度
- (szie,size):核尺寸
- normalize:归一化参数,normalize=1进行归一化,normalize=0,非归一化
2)、方框滤波库函数使用
#方框滤波OpenCV库
import cv2
import numpy as np
#读取图像
img=cv2.imread("g.jpg")
#获取图像属性
h, w = img.shape[0:2]
#加噪声
for i in range(3000): #添加3000个噪声点x = np.random.randint(0, h) y = np.random.randint(0, w) img[x,y,:] = 255
#调用均值滤波函数
result=cv2.boxFilter(img, -1, (5,5), normalize=1) #传入读取的图像和核尺寸
result1=cv2.boxFilter(img, -1, (5,5), normalize=0) #传入读取的图像和核尺寸
cv2.imshow("src",img)
cv2.imshow("JunYIHua-opencv",result)
cv2.imshow("NoJunYIHua-opencv",result1)
cv2.waitKey(0)
对于方框滤波之所以使用以上图片,目的是为了能够使得非归一化的时候,图像显示给我们视觉上明显一点,用上面最开始的照片,由于像素值相加基本都大于255,所以非归一化显示后的图像基本为一张空白图,也就是说,全部像素都为255:白色。接下来,我们继续讨论中值滤波
三、中值滤波
上面我们介绍的均值滤波和方框滤波都属于邻域平均法,而在使用邻域平均法去噪的同时也使得边界变得模糊;而中值滤波是非线性的图像处理方法,在去噪的同时可以兼顾到边界信息的保留。
1、中值滤波原理
1)、中值滤波原理
选一个含有奇数点的窗口W,将这个窗口在图像上扫描,把窗口中所含的像素点按灰度级的升或降序排列,取位于中间的灰度值来代替该点的灰度值。 例如选择滤波的窗口如下图,是一个一维的窗口,待处理像素的灰度取这个模板中灰度的中值,滤波过程如下:
2)、换成图像模板来理解就是将临近像素按照大小排列,取排序像素中位于中间位置的值作为中值滤波的像素值,如下图所示:
因此,通过该原理,我们便可以自定义中值滤波函数,对图像进行去噪,如下步骤所示
2、自定义中值滤波函数
1)、自定义中值滤波函数medianFiltering1(img, size)
#中值滤波
# 自定义中值滤波函数
import cv2
import numpy as np
def medianFiltering1(img, size): # img输入,size均值滤波器的尺寸,>=3,且必须为奇数num = int((size - 1) / 2) # 输入图像需要填充的尺寸img = cv2.copyMakeBorder(img, num, num, num, num, cv2.BORDER_REPLICATE)h, w = img.shape[0:2] # 获取输入图像的长宽和高img1 = np.zeros((h, w, 3), dtype="uint8") # 定义空白图像,用于输出中值滤波后的结果for i in range(num, h - num):#遍历出原图像for j in range(num, w - num):sum=[]sum1=[]for k in range(i - num, i + num + 1): # 求中心像素周围size*size区域内的像素的平均值for l in range(j - num, j + num + 1):sum =sum+[int(img[k, l][0])+int(img[k, l][1])+int(img[k, l][2])] #每个像素的3通道像素值相加,然后求中间数sum1=sum1+[(img[k, l][0],img[k, l][1],img[k, l][2])]#将对于的三通道像素值存在数组sum1中id=np.argsort(sum) #将像素值周围的点的数组进行排序,然后返回排序之前的像素值对应在数组中的序号id=id[int((size**2)/2)+1] #取返回序号的中间序号b,g,r=sum1[id]#通过中间序号找到在像素值数组中的3通道信号,然后分别复制给b,g,rimg1[i, j]=[b,g,r] img1 = img1[(0 + num):(h - num), (0 + num):(h - num)]return img1
以上中值滤波函数中,第一个参数为需要进行中值滤波处理的图像,第二个参数则为核的尺寸
2)、读取图像添加噪声,然后进行中值滤波处理,并进行图像显示
#读取图像
img=cv2.imread("my.jpg")
#获取图像属性
h, w = img.shape[0:2]
#加噪声
for i in range(3000): #添加3000个噪声点x = np.random.randint(0, h) y = np.random.randint(0, w) img[x,y,:] = 255
#调用均值滤波函数
result=medianFiltering1(img, 5) #传入读取的图像和核尺寸
cv2.imshow("src",img)
cv2.imshow("medianFiltering",result)
cv2.waitKey(0)
通过上图的结果对比,我们可以发现中值滤波基本完全消除了椒盐噪声,相对于均值滤波和方框滤波,中值滤波的特点就体现出来了。因此,我们可以得出结论:中值滤波对于消除孤立点和线段的干扰十分有用,尤其是对于二进噪声,但对消除高斯噪声的影响效果不佳。对于一些细节较多的复杂图像,可以多次使用不同的中值滤波。
3)、扩展
上面我们通过原理可以知道,中值滤波在进行中值处理的时候,是选取的方形窗口,除了矩形窗口,我们还可以选取其他类型的窗口,例如十字口、环形、圆形:
3、OpenCV中值滤波库函数使用
当然,对椒盐噪声这么重要的中值滤波,OpenCV库函数肯定包含中值滤波函数,看一下中值滤波函数原型吧!
1)、函数原型result=cv2.medianBlur(img, size)
- img:需要进行中值滤波处理的图像
- size:核大小,核必须是大于1的奇数,如3、5、7等
2)、中值滤波函数使用方法
#OpenCV中值滤波库函数使用
import cv2
import numpy as np
#读取图像
img=cv2.imread("my.jpg")
#获取图像属性
h, w = img.shape[0:2]
#加噪声
for i in range(3000): #添加3000个噪声点x = np.random.randint(0, h) y = np.random.randint(0, w) img[x,y,:] = 255
#调用OpenCV库函数中的均值滤波函数
result=cv2.medianBlur(img, 5) #传入读取的图像和核尺寸
cv2.imshow("src",img)
cv2.imshow("medianFiltering-opencv",result)
cv2.waitKey(0)
库函数对图像进行中值滤波处理,和我们通过原理写的代码进行的中值滤波处理的效果是一样的,唯一区别就是通过原理编写的代码,运行结果较长,而OpenCV库函数调用运行的结果就在一瞬间就处理完成,这就是OpenCV对图像处理的优势之处啦,接下来,我们进入到最后环节,高斯滤波去噪,高斯滤波是这几种滤波中相差比较大的,原理比较简单,但核函数的构造比较困难,一起来看吧!
四、高斯滤波
为了克服简单局部平均法的弊端(图像模糊),目前已提出许多保持边缘、细节的局部平滑算法。它们的出发点都集中在如何选择邻域的大小、形状和方向、参数加平均及邻域各店的权重系数等。
1、高斯滤波原理
1)、高斯滤波原理
图像高斯平滑也是邻域平均的思想对图像进行平滑的一种方法,在图像高斯平滑中,对图像进行平均时,不同位置的像素被赋予了不同的权重。高斯平滑与简单平滑不同,它在对邻域内像素进行平均时,给予不同位置的像素不同的权值,下图的所示的 3 * 3 和 5 * 5 领域的高斯模板:
高斯滤波让临近的像素具有更高的重要度,对周围像素计算加权平均值,较近的像素具有较大的权重值。如下图所示,中心位置权重最高为0.4
2)、既然有权重,那么高斯核的权重是怎么计算出来的呢?这也就说高斯模糊中比较难得一部分了,原理比较简单,重要的就是对高斯核的构造;高斯核的构造主要通过以下原理进行理解:
正态分布的密度函数叫做"高斯函数"(Gaussian function)。它的一维形式是:
其中,μ是x的均值,σ是x的方差。因为计算平均值的时候,中心点就是原点,所以μ等于0,因此,方程可以改为如下所示:
根据一维高斯函数,可以推导得到二维高斯函数:
对于图像来说,需要的就是二维高斯核函数的计算公式,因此, 有了G(x,y)这个函数 ,就可以计算每个点的权重了。
提示:为了计算权重矩阵,需要设定σ的值。下面的原理中,假定σ=1.0
2、自定义高斯滤波函数
1)、定义高斯核函数,计算高斯核
import cv2
import numpy as np
import math
#计算高斯卷积核
def gausskernel(size):sigma = 1.0 #设置σ=1.0gausskernel = np.zeros((size, size), np.float32) #通过传递的参数尺寸设置高斯核模板for i in range(size): #对高斯核进行遍历for j in range(size):norm = math.pow(i - 1, 2) + pow(j - 1, 2) #求解x平方加y平方的值gausskernel[i, j] = math.exp(-norm / (2 * math.pow(sigma, 2))) # 求高斯卷积sum = np.sum(gausskernel) # 求和kernel=gausskernel/sum # 归一化return kernel
2)、自定义高斯滤波函数
#自定义高斯滤波函数
def Gaussian(img,size):num = int((size - 1) / 2) # 输入图像需要填充的尺寸img = cv2.copyMakeBorder(img, num, num, num, num, cv2.BORDER_REPLICATE)#对原图像进行扩充,处理黑边h, w = img.shape[0:2] # 获取输入图像的长宽和高# 高斯滤波img1 = np.zeros((h, w, 3), dtype="uint8")kernel =gausskernel(size) # 计算高斯卷积核for i in range(num, h - num):for j in range(num, w - num):sum = 0q=0p=0for k in range(i-num, i+num+1):for l in range(j-num, j+num+1):sum = sum + img[k,l] * kernel[q,p] # 高斯滤波p=p+1 #进行高斯核的列计数q=q+1 #进行高斯核的行计数p=0#内层循环执行完毕,将列计数为0,下次循环便可以再次从0开始img1[i, j] = sumimg1 = img1[(0 + num):(h-num), (0+num):(h-num)]#裁剪原图return img1
上面传递的参数一个为需要处理的图像和高斯核的尺寸
3)、读取图像添加噪声,调用自定义高斯滤波函数进行降噪处理并显示图像
#读取图像
img=cv2.imread("my.jpg")
#获取图像属性
h, w = img.shape[0:2]
#加噪声
for i in range(3000): #添加3000个噪声点x = np.random.randint(0, h) y = np.random.randint(0, w) img[x,y,:] = 255
#调用OpenCV库函数中的均值滤波函数
result=Gaussian(img, 5) #传入读取的图像和核尺寸
cv2.imshow("src",img)
cv2.imshow("Gaussian",result)
cv2.waitKey(0)
上图我们可以看出,高斯滤波对椒盐噪声的处理也并不是太好,其实高斯滤波的主要作用不是用来去除图像的椒盐噪声,而是消除图像的高斯噪声,通过调整高斯核大小,对图像进行模糊,不过模糊的过程中,就将噪声给简洁的隐藏了!
图像大多数噪声均属于高斯噪声,因此高斯滤波器应用也较广泛。高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像去噪。
可以简单地理解为,高斯滤波去噪就是对整幅图像像素值进行加权平均,针对每一个像素点的值,都由其本身值和邻域内的其他像素值经过加权平均后得到。
3、OpenCV高斯滤波库函数使用
既然高斯滤波比较广泛应用,因此OpenCV库函数中必有高斯滤波函数,一起了解高斯滤波库函数的使用方法吧!
1)、函数原型:result=cv2.GaussianBlur(img, (size,size), sigmaX,sigmaY)
- img:需要处理图像
- (size,size):高斯核尺寸
- sigmaX:X方向上的高斯核标准偏差
- sigmaY:Y方向上的高斯核标准偏差;如果sigmaY为零,则将其设置为等于sigmaX;如果两个sigma都为零,则分别从ksize.width和ksize.height计算得出;为了完全控制结果,建议指定所有ksize,sigmaX和sigmaY。
注意,核大小(size,size)必须是奇数,X方向方差主要控制权重。
2)、OpenCV高斯滤波库函数使用方法
#OpenCV高斯滤波库函数使用
import cv2
import numpy as np
#读取图像
img=cv2.imread("my.jpg")
#获取图像属性
h, w = img.shape[0:2]
#加噪声
for i in range(3000): #添加3000个噪声点x = np.random.randint(0, h) y = np.random.randint(0, w) img[x,y,:] = 255
#调用OpenCV库函数中的高斯滤波函数
result=cv2.GaussianBlur(img,(5,5),1,1) #传入读取的图像和核尺寸
cv2.imshow("src",img)
cv2.imshow("GaussianBlur-opencv",result)
cv2.waitKey(0)
高斯滤波(Gauss filter)实质上是一种信号的滤波器,其用途为信号的平滑处理,数字图像用于后期应用,其噪声是最大的问题,因为误差会累计传递等原因,大多图像处理教材会在很早的时候介绍Gauss滤波器,用于得到信噪比SNR较高的图像(反应真实信号)。高斯平滑滤波器对于抑制服从正态分布的噪声非常有效。
以上就是本次博客的全部内容,遇到问题的小伙伴记得留言评论,学长看到会为大家进行解答的,这个学长不太冷!
每一个人都拥有生命,却并非每个人都能读懂生命;每一个人都拥有头脑,却并非每一个人都能善用头脑。只有热爱生命,善于动脑的人,才算得上真正拥有生命。优美段落摘抄与君分享。
陈一月的又一天编程岁月^ _ ^
如若内容造成侵权/违法违规/事实不符,请联系编程学习网邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
相关文章
- 用python读取pg数据库中的blob类型图片数据,转换存成jpg格式存到本地文件夹
先啰嗦一下,热热身 在工作中,我们常见到数据库中的数据类型主要为char,varchar,text等,但是有时我们也会用blob格式来存储语音文件或者图像文件,在网上找了很多,都没找到合适的办法,只好自己开发一个。 存入数据库中的图像,我们要读取出来,有两种方式: 1、数据库管理工…...
2024/4/15 14:07:19 - springboot二手交易市场实现
项目简介后端框架:SSM 技术栈:Java、Springboot、Mybatis 数据库:Mysql 源码 :完整源码 项目介绍:这是一套基于springboot+Mybatis实现的二手市场交易系统,模块包括: 个人中心->订单中心、关注列表、发布物品、我的闲置 通用模块->登录、注册 主页->二手市场中…...
2024/4/15 14:07:18 - 决策树算法原理
原文链接:https://blog.csdn.net/qq_41020194/article/details/79837093 写在前面的话进入科科研室之后在组长的带领下也学了快有一年的R语言了,很快就要去找实习进行面试了。而面试难免会被问及很多的经典算法原理,从学习到现在,还从来没有将某一个算法完完整整的按照自己…...
2024/4/15 19:40:17 - CFA全改机考,FRM机考还有多远?
昨夜,隔壁CFA考生因协会官宣2021年考试全改为机考的消息,整个圈子都沸腾起来! FRM与CFA向来不分家,于是小助手看了看群里,果然也热闹了起来… FRM机考群 FRM有机考吗 因为今年新冠肺炎疫情带来的影响,CFA延考。协会为了给考生提供更多的日期与考点选择,以及更便捷的预约…...
2024/4/15 19:40:15 - PostgreSQL 参数调整(性能优化)
昨天分别在外网和无外网环境下安装PostgreSQL,有外网环境下安装的相当顺利。但是在无外网环境下就是两个不同的概念了,可谓十有八折。感兴趣的同学可以搭建一下。PostgreSQL安装完成后第一件事便是做相关测试,然后调整参数。/*CPU 查看CPU型号*/ cat /proc/cpuinfo | grep n…...
2024/4/15 19:40:14 - Python 3基础知识总结
什么是计算机? 计算机(computer)俗称电脑,是现代一种用于高速计算的电子机器,可以进行数值计算,又可以进行逻辑判断,还具有存储记忆功能,且能够按照程序的运行,自动、高速处理数据。 计算机是由什么组成的? 一个完整的计算机系统,是由硬件系统和软件系统两大部分组成…...
2024/4/15 19:40:13 - 状态压缩DP-->蓝桥杯2019:糖果
【题目描述】 糖果店的老板一共有M种口味的糖果出售。为了方便描述,我们将M种口味编号1~M。小明希望能品尝到所有口味的糖果。遗憾的是老板并不单独出售糖果,而是K颗一包整包出售。幸好糖果包装上注明了其中K颗糖果的口味,所以小明可以在买之前就知道每包内的糖果口味。给定…...
2024/4/15 19:40:13 - 日历组件
日历组件地址 <div class="cal"><vue-calref="coursePlan"locale="zh-cn":disable-views="[years, year, week]":time-from="7 * 60" //日历从开始时间:time-to="22 * 60" //日历结束时间:time-ste…...
2024/4/19 18:19:03 - Windows环境将Python(.py)文件打包成通用应用程序(.exe)
py生成exe程序方法前期准备下载所需文件安装组件使用方法准备好程序文件做一个图标 前期准备 下载所需文件 打开此连接,请严格根据版本号下载: https://sourceforge.net/projects/pywin32/files/pywin32/Build%20221/ Python3.7版本: 链接:https://pan.baidu.com/s/1G7gUTU…...
2024/4/15 19:40:10 - git 下载遇到error: RPC failed; curl 18 transfer closed with outstanding read data remaining的问题的最快速解决方法实测
clone http方式换成SSH的方式,即 https:// 改为 git:// 如 git clone https://github.com/AIZOOTech/FaceMaskDetection.git 变成 git clone git://github.com/AIZOOTech/FaceMaskDetection.git...
2024/4/15 19:40:09 - MySQL备份每个数据库表中100条数据
如果是本地备份,不需要用户名、密码: mysqldump --all-databases --where "1=1 limit 100" --lock-all-tables > g:/backup100.sql如果是远程备份,需要主机名、用户名和密码(还需要用户有reload权限): mysqldump -ugoodera -p1234 -10.150.x.x --all-databa…...
2024/4/15 19:40:08 - mysql创建序列
create table sequence(name varchar(50) not null primary key,current_value BIGINT not null DEFAULT 0,increment int not null DEFAULT 1,max_value BIGINT, -- 最大值initial_value BIGINT, -- 初始值,当当前值大于最大值,回到初始值key (name) );DELIMITER ;; CREAT…...
2024/4/15 19:40:07 - Docker环境中安装Redis
1.下拉Redis镜像 docker pull redis2.查看当前存在的镜像 docker images3.创建Redis配置文件 mkdir -p /mydata/redis/conf4.运行镜像 docker run -p 6379:6379 --name redis \ -v /mydata/redis/data:/data \ -v /mydata/redis/conf/redis.conf:/etc/redis/redis.conf \ -d re…...
2024/4/15 19:40:07 - 8 素数的和
所有小于10的素数的和是2 + 3 + 5 + 7 = 17。 求所有小于两百万的素数的和。 /** input: int limit* output: 142913828922* */public class PrimeSum_8 {//求素数public static long prime(int limit) {long sum = 0;boolean flag = true; //求limit范围内的所有素数for(int…...
2024/4/17 2:28:51 - 开启CAN通信学习(二)——基于Kvaser的CAN通信案例
1 案例硬件介绍Kvaser是瑞典的一家专门提供CAN和LIN总线分析仪及数据记录仪的公司,在CAN产品开发领域已经有近30年的经验,本案例选择的CAN通信硬件型号是Kvaser Leaf Light v2,产品如下图所示:【公众号dotNet工控上位机:thinger_swj】为了配套该产品,还准备了一个威柏电子…...
2024/4/15 14:07:33 - 微信小程序canvas的实现框出现断层
可使用调整roundRect的y轴数值即可...
2024/4/15 14:07:33 - [算法]给定一个矩阵m*n,从左上角开始每次只能向右或者向下走,最后到右下角的位置共有多少种路径
很经典的一道题等同于:https://leetcode-cn.com/problems/unique-paths/在完美世界面试中遇到了。每次都只能向右或者向下走,求出所有种情况。当时想到的思路是这样的。dp[m][n]=dp[m-1][n]+dp[m][n-1]表示走到(m,n)位置的走法给的题干是:class Solution {public int uniq…...
2024/4/15 14:07:32 - 微信小程序图片 height: auto 不生效问题
直接在image标签里加: mode="widthFix"例: <image src="{{postData.iconUrl}}" class="icon" mode="widthFix"></image>...
2024/4/15 14:07:30 - Spring速成教程-学习笔记
创建spring项目步骤: 新建动态web项目(dynamic web project)—将 C:\Users\Lenovo\Desktop\各种框架安装包\Java公开课05 - Spring使用教程\PPT与项目源码\第04章 Spring环境\4.1 Spring环境搭建\Spring 5.1.8 相关 路径下的lib和两个xml复制到新建的项目—配置tomcat,改se…...
2024/4/16 10:43:26 - Date.parse()的ios兼容性问题
页面上有一个需求,从接口中获取的时间和当前时间进行比较 思路是将2个时间都转换为时间戳来进行比较 使用的是Date.Parse() 之前的代码是 <view class="prizeitem" v-for="(item,index) in myactList" :key="index" @click="goinitiat…...
2024/4/15 14:07:30
最新文章
- 【JavaEE多线程】线程中断 interrupt()
系列文章目录 🌈座右铭🌈:人的一生这么长、你凭什么用短短的几年去衡量自己的一生! 💕个人主页:清灵白羽 漾情天殇_计算机底层原理,深度解析C,自顶向下看Java-CSDN博客 ❤️相关文章❤️:清灵白羽 漾情天…...
2024/4/20 4:36:35 - 梯度消失和梯度爆炸的一些处理方法
在这里是记录一下梯度消失或梯度爆炸的一些处理技巧。全当学习总结了如有错误还请留言,在此感激不尽。 权重和梯度的更新公式如下: w w − η ⋅ ∇ w w w - \eta \cdot \nabla w ww−η⋅∇w 个人通俗的理解梯度消失就是网络模型在反向求导的时候出…...
2024/3/20 10:50:27 - 使用阿里云试用Elasticsearch学习:3.5 处理人类语言——停用词: 性能与精度
从早期的信息检索到如今, 我们已习惯于磁盘空间和内存被限制为很小一部分,所以 必须使你的索引尽可能小。 每个字节都意味着巨大的性能提升。 (查看 将单词还原为词根 ) 词干提取的重要性不仅是因为它让搜索的内容更广泛、让检索的能力更深入,…...
2024/4/19 1:02:05 - Docker Desktop+WSL2安装到自定义路径
现在大多数软件实在太“流氓”了,在安装过程中,根本不让你选择安装路径,默认安装到$HOME下(windows C盘),随着软件的使用增多,可能磁盘空间不够,这个时候就想着,看看某些…...
2024/4/19 7:49:48 - 《c++》多态案例一.电脑组装
一.代码展示 #include <iostream> using namespace std; class CPU { public://抽象计算函数virtual void calculate() 0;};class CVideoCard { public://抽象显示函数virtual void display() 0;}; class Memory { public://抽象存储函数virtual void storage() 0;};…...
2024/4/19 7:49:33 - 416. 分割等和子集问题(动态规划)
题目 题解 class Solution:def canPartition(self, nums: List[int]) -> bool:# badcaseif not nums:return True# 不能被2整除if sum(nums) % 2 ! 0:return False# 状态定义:dp[i][j]表示当背包容量为j,用前i个物品是否正好可以将背包填满ÿ…...
2024/4/19 19:02:10 - 【Java】ExcelWriter自适应宽度工具类(支持中文)
工具类 import org.apache.poi.ss.usermodel.Cell; import org.apache.poi.ss.usermodel.CellType; import org.apache.poi.ss.usermodel.Row; import org.apache.poi.ss.usermodel.Sheet;/*** Excel工具类** author xiaoming* date 2023/11/17 10:40*/ public class ExcelUti…...
2024/4/19 11:51:49 - Spring cloud负载均衡@LoadBalanced LoadBalancerClient
LoadBalance vs Ribbon 由于Spring cloud2020之后移除了Ribbon,直接使用Spring Cloud LoadBalancer作为客户端负载均衡组件,我们讨论Spring负载均衡以Spring Cloud2020之后版本为主,学习Spring Cloud LoadBalance,暂不讨论Ribbon…...
2024/4/19 11:33:34 - TSINGSEE青犀AI智能分析+视频监控工业园区周界安全防范方案
一、背景需求分析 在工业产业园、化工园或生产制造园区中,周界防范意义重大,对园区的安全起到重要的作用。常规的安防方式是采用人员巡查,人力投入成本大而且效率低。周界一旦被破坏或入侵,会影响园区人员和资产安全,…...
2024/4/19 11:52:08 - VB.net WebBrowser网页元素抓取分析方法
在用WebBrowser编程实现网页操作自动化时,常要分析网页Html,例如网页在加载数据时,常会显示“系统处理中,请稍候..”,我们需要在数据加载完成后才能继续下一步操作,如何抓取这个信息的网页html元素变化&…...
2024/4/19 2:38:12 - 【Objective-C】Objective-C汇总
方法定义 参考:https://www.yiibai.com/objective_c/objective_c_functions.html Objective-C编程语言中方法定义的一般形式如下 - (return_type) method_name:( argumentType1 )argumentName1 joiningArgument2:( argumentType2 )argumentName2 ... joiningArgu…...
2024/4/19 1:39:20 - 【洛谷算法题】P5713-洛谷团队系统【入门2分支结构】
👨💻博客主页:花无缺 欢迎 点赞👍 收藏⭐ 留言📝 加关注✅! 本文由 花无缺 原创 收录于专栏 【洛谷算法题】 文章目录 【洛谷算法题】P5713-洛谷团队系统【入门2分支结构】🌏题目描述🌏输入格…...
2024/4/19 11:52:49 - 【ES6.0】- 扩展运算符(...)
【ES6.0】- 扩展运算符... 文章目录 【ES6.0】- 扩展运算符...一、概述二、拷贝数组对象三、合并操作四、参数传递五、数组去重六、字符串转字符数组七、NodeList转数组八、解构变量九、打印日志十、总结 一、概述 **扩展运算符(...)**允许一个表达式在期望多个参数࿰…...
2024/4/19 18:52:15 - 摩根看好的前智能硬件头部品牌双11交易数据极度异常!——是模式创新还是饮鸩止渴?
文 | 螳螂观察 作者 | 李燃 双11狂欢已落下帷幕,各大品牌纷纷晒出优异的成绩单,摩根士丹利投资的智能硬件头部品牌凯迪仕也不例外。然而有爆料称,在自媒体平台发布霸榜各大榜单喜讯的凯迪仕智能锁,多个平台数据都表现出极度异常…...
2024/4/19 23:08:02 - Go语言常用命令详解(二)
文章目录 前言常用命令go bug示例参数说明 go doc示例参数说明 go env示例 go fix示例 go fmt示例 go generate示例 总结写在最后 前言 接着上一篇继续介绍Go语言的常用命令 常用命令 以下是一些常用的Go命令,这些命令可以帮助您在Go开发中进行编译、测试、运行和…...
2024/4/20 0:22:23 - 用欧拉路径判断图同构推出reverse合法性:1116T4
http://cplusoj.com/d/senior/p/SS231116D 假设我们要把 a a a 变成 b b b,我们在 a i a_i ai 和 a i 1 a_{i1} ai1 之间连边, b b b 同理,则 a a a 能变成 b b b 的充要条件是两图 A , B A,B A,B 同构。 必要性显然࿰…...
2024/4/19 23:04:54 - 【NGINX--1】基础知识
1、在 Debian/Ubuntu 上安装 NGINX 在 Debian 或 Ubuntu 机器上安装 NGINX 开源版。 更新已配置源的软件包信息,并安装一些有助于配置官方 NGINX 软件包仓库的软件包: apt-get update apt install -y curl gnupg2 ca-certificates lsb-release debian-…...
2024/4/20 1:12:38 - Hive默认分割符、存储格式与数据压缩
目录 1、Hive默认分割符2、Hive存储格式3、Hive数据压缩 1、Hive默认分割符 Hive创建表时指定的行受限(ROW FORMAT)配置标准HQL为: ... ROW FORMAT DELIMITED FIELDS TERMINATED BY \u0001 COLLECTION ITEMS TERMINATED BY , MAP KEYS TERMI…...
2024/4/19 3:53:57 - 【论文阅读】MAG:一种用于航天器遥测数据中有效异常检测的新方法
文章目录 摘要1 引言2 问题描述3 拟议框架4 所提出方法的细节A.数据预处理B.变量相关分析C.MAG模型D.异常分数 5 实验A.数据集和性能指标B.实验设置与平台C.结果和比较 6 结论 摘要 异常检测是保证航天器稳定性的关键。在航天器运行过程中,传感器和控制器产生大量周…...
2024/4/19 19:50:16 - --max-old-space-size=8192报错
vue项目运行时,如果经常运行慢,崩溃停止服务,报如下错误 FATAL ERROR: CALL_AND_RETRY_LAST Allocation failed - JavaScript heap out of memory 因为在 Node 中,通过JavaScript使用内存时只能使用部分内存(64位系统&…...
2024/4/20 1:43:00 - 基于深度学习的恶意软件检测
恶意软件是指恶意软件犯罪者用来感染个人计算机或整个组织的网络的软件。 它利用目标系统漏洞,例如可以被劫持的合法软件(例如浏览器或 Web 应用程序插件)中的错误。 恶意软件渗透可能会造成灾难性的后果,包括数据被盗、勒索或网…...
2024/4/19 11:54:11 - JS原型对象prototype
让我简单的为大家介绍一下原型对象prototype吧! 使用原型实现方法共享 1.构造函数通过原型分配的函数是所有对象所 共享的。 2.JavaScript 规定,每一个构造函数都有一个 prototype 属性,指向另一个对象,所以我们也称为原型对象…...
2024/4/19 23:35:17 - C++中只能有一个实例的单例类
C中只能有一个实例的单例类 前面讨论的 President 类很不错,但存在一个缺陷:无法禁止通过实例化多个对象来创建多名总统: President One, Two, Three; 由于复制构造函数是私有的,其中每个对象都是不可复制的,但您的目…...
2024/4/19 10:00:05 - python django 小程序图书借阅源码
开发工具: PyCharm,mysql5.7,微信开发者工具 技术说明: python django html 小程序 功能介绍: 用户端: 登录注册(含授权登录) 首页显示搜索图书,轮播图࿰…...
2024/4/18 18:47:01 - 电子学会C/C++编程等级考试2022年03月(一级)真题解析
C/C++等级考试(1~8级)全部真题・点这里 第1题:双精度浮点数的输入输出 输入一个双精度浮点数,保留8位小数,输出这个浮点数。 时间限制:1000 内存限制:65536输入 只有一行,一个双精度浮点数。输出 一行,保留8位小数的浮点数。样例输入 3.1415926535798932样例输出 3.1…...
2024/4/20 3:28:04 - 配置失败还原请勿关闭计算机,电脑开机屏幕上面显示,配置失败还原更改 请勿关闭计算机 开不了机 这个问题怎么办...
解析如下:1、长按电脑电源键直至关机,然后再按一次电源健重启电脑,按F8健进入安全模式2、安全模式下进入Windows系统桌面后,按住“winR”打开运行窗口,输入“services.msc”打开服务设置3、在服务界面,选中…...
2022/11/19 21:17:18 - 错误使用 reshape要执行 RESHAPE,请勿更改元素数目。
%读入6幅图像(每一幅图像的大小是564*564) f1 imread(WashingtonDC_Band1_564.tif); subplot(3,2,1),imshow(f1); f2 imread(WashingtonDC_Band2_564.tif); subplot(3,2,2),imshow(f2); f3 imread(WashingtonDC_Band3_564.tif); subplot(3,2,3),imsho…...
2022/11/19 21:17:16 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机...
win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”问题的解决方法在win7系统关机时如果有升级系统的或者其他需要会直接进入一个 等待界面,在等待界面中我们需要等待操作结束才能关机,虽然这比较麻烦,但是对系统进行配置和升级…...
2022/11/19 21:17:15 - 台式电脑显示配置100%请勿关闭计算机,“准备配置windows 请勿关闭计算机”的解决方法...
有不少用户在重装Win7系统或更新系统后会遇到“准备配置windows,请勿关闭计算机”的提示,要过很久才能进入系统,有的用户甚至几个小时也无法进入,下面就教大家这个问题的解决方法。第一种方法:我们首先在左下角的“开始…...
2022/11/19 21:17:14 - win7 正在配置 请勿关闭计算机,怎么办Win7开机显示正在配置Windows Update请勿关机...
置信有很多用户都跟小编一样遇到过这样的问题,电脑时发现开机屏幕显现“正在配置Windows Update,请勿关机”(如下图所示),而且还需求等大约5分钟才干进入系统。这是怎样回事呢?一切都是正常操作的,为什么开时机呈现“正…...
2022/11/19 21:17:13 - 准备配置windows 请勿关闭计算机 蓝屏,Win7开机总是出现提示“配置Windows请勿关机”...
Win7系统开机启动时总是出现“配置Windows请勿关机”的提示,没过几秒后电脑自动重启,每次开机都这样无法进入系统,此时碰到这种现象的用户就可以使用以下5种方法解决问题。方法一:开机按下F8,在出现的Windows高级启动选…...
2022/11/19 21:17:12 - 准备windows请勿关闭计算机要多久,windows10系统提示正在准备windows请勿关闭计算机怎么办...
有不少windows10系统用户反映说碰到这样一个情况,就是电脑提示正在准备windows请勿关闭计算机,碰到这样的问题该怎么解决呢,现在小编就给大家分享一下windows10系统提示正在准备windows请勿关闭计算机的具体第一种方法:1、2、依次…...
2022/11/19 21:17:11 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”的解决方法...
今天和大家分享一下win7系统重装了Win7旗舰版系统后,每次关机的时候桌面上都会显示一个“配置Windows Update的界面,提示请勿关闭计算机”,每次停留好几分钟才能正常关机,导致什么情况引起的呢?出现配置Windows Update…...
2022/11/19 21:17:10 - 电脑桌面一直是清理请关闭计算机,windows7一直卡在清理 请勿关闭计算机-win7清理请勿关机,win7配置更新35%不动...
只能是等着,别无他法。说是卡着如果你看硬盘灯应该在读写。如果从 Win 10 无法正常回滚,只能是考虑备份数据后重装系统了。解决来方案一:管理员运行cmd:net stop WuAuServcd %windir%ren SoftwareDistribution SDoldnet start WuA…...
2022/11/19 21:17:09 - 计算机配置更新不起,电脑提示“配置Windows Update请勿关闭计算机”怎么办?
原标题:电脑提示“配置Windows Update请勿关闭计算机”怎么办?win7系统中在开机与关闭的时候总是显示“配置windows update请勿关闭计算机”相信有不少朋友都曾遇到过一次两次还能忍但经常遇到就叫人感到心烦了遇到这种问题怎么办呢?一般的方…...
2022/11/19 21:17:08 - 计算机正在配置无法关机,关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机...
关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!关机提示 windows7 正在配…...
2022/11/19 21:17:05 - 钉钉提示请勿通过开发者调试模式_钉钉请勿通过开发者调试模式是真的吗好不好用...
钉钉请勿通过开发者调试模式是真的吗好不好用 更新时间:2020-04-20 22:24:19 浏览次数:729次 区域: 南阳 > 卧龙 列举网提醒您:为保障您的权益,请不要提前支付任何费用! 虚拟位置外设器!!轨迹模拟&虚拟位置外设神器 专业用于:钉钉,外勤365,红圈通,企业微信和…...
2022/11/19 21:17:05 - 配置失败还原请勿关闭计算机怎么办,win7系统出现“配置windows update失败 还原更改 请勿关闭计算机”,长时间没反应,无法进入系统的解决方案...
前几天班里有位学生电脑(windows 7系统)出问题了,具体表现是开机时一直停留在“配置windows update失败 还原更改 请勿关闭计算机”这个界面,长时间没反应,无法进入系统。这个问题原来帮其他同学也解决过,网上搜了不少资料&#x…...
2022/11/19 21:17:04 - 一个电脑无法关闭计算机你应该怎么办,电脑显示“清理请勿关闭计算机”怎么办?...
本文为你提供了3个有效解决电脑显示“清理请勿关闭计算机”问题的方法,并在最后教给你1种保护系统安全的好方法,一起来看看!电脑出现“清理请勿关闭计算机”在Windows 7(SP1)和Windows Server 2008 R2 SP1中,添加了1个新功能在“磁…...
2022/11/19 21:17:03 - 请勿关闭计算机还原更改要多久,电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机怎么办...
许多用户在长期不使用电脑的时候,开启电脑发现电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机。。.这要怎么办呢?下面小编就带着大家一起看看吧!如果能够正常进入系统,建议您暂时移…...
2022/11/19 21:17:02 - 还原更改请勿关闭计算机 要多久,配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以...
配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!配置windows update失败 还原更改 请勿关闭计算机&#x…...
2022/11/19 21:17:01 - 电脑配置中请勿关闭计算机怎么办,准备配置windows请勿关闭计算机一直显示怎么办【图解】...
不知道大家有没有遇到过这样的一个问题,就是我们的win7系统在关机的时候,总是喜欢显示“准备配置windows,请勿关机”这样的一个页面,没有什么大碍,但是如果一直等着的话就要两个小时甚至更久都关不了机,非常…...
2022/11/19 21:17:00 - 正在准备配置请勿关闭计算机,正在准备配置windows请勿关闭计算机时间长了解决教程...
当电脑出现正在准备配置windows请勿关闭计算机时,一般是您正对windows进行升级,但是这个要是长时间没有反应,我们不能再傻等下去了。可能是电脑出了别的问题了,来看看教程的说法。正在准备配置windows请勿关闭计算机时间长了方法一…...
2022/11/19 21:16:59 - 配置失败还原请勿关闭计算机,配置Windows Update失败,还原更改请勿关闭计算机...
我们使用电脑的过程中有时会遇到这种情况,当我们打开电脑之后,发现一直停留在一个界面:“配置Windows Update失败,还原更改请勿关闭计算机”,等了许久还是无法进入系统。如果我们遇到此类问题应该如何解决呢࿰…...
2022/11/19 21:16:58 - 如何在iPhone上关闭“请勿打扰”
Apple’s “Do Not Disturb While Driving” is a potentially lifesaving iPhone feature, but it doesn’t always turn on automatically at the appropriate time. For example, you might be a passenger in a moving car, but your iPhone may think you’re the one dri…...
2022/11/19 21:16:57