当前位置： 首页 > news >正文

连云港网站建设哪家好/建立一个网站需要多少钱

news 2025/8/18 6:49:56
连云港网站建设哪家好,建立一个网站需要多少钱,多开商城,泰州专业做网站公司转载自：http://blog.csdn.net/wc781708249/article/details/783659891打开和读写图像文件将一个数组写入文件从一个图像文件创建数组打开一个raw文件相机 3-D图像对于大数据使用npmemmap进行内存映射批量处理图像文件2呈现图像使用matplotlib和imshow将图像呈现在ma…
  • 转载自：http://blog.csdn.net/wc781708249/article/details/78365989
  • 1打开和读写图像文件
      • 将一个数组写入文件
      • 从一个图像文件创建数组
      • 打开一个raw文件相机 3-D图像
      • 对于大数据使用npmemmap进行内存映射
      • 批量处理图像文件
  • 2呈现图像
      • 使用matplotlib和imshow将图像呈现在matplotlib图像figure中
      • 其它包有时使用图形工具箱来可视化GTKQt
      • 3-D可视化Mayavi
  • 3基本操作
      • 图像是数组numpy array
      • 统计信息
      • 几何转换
  • 4图像滤镜
      • 模糊平滑
        • 均匀滤镜
      • 锐化
      • 消噪
      • 非局部滤波器
  • 5数学形态学
  • 6特征提取
      • 边缘检测
      • canny滤镜
      • 分割

这个教程中使用的工具：

  • numpy：基本数组操作
  • scipy：scipy.ndimage子模块致力于图像处理(n维图像)。参见http://docs.scipy.org/doc/scipy/reference/tutorial/ndimage.html
from scipy import ndimage
  • 1
  • 一些例子用到了使用np.array的特殊的工具箱： 
    • Scikit Image
    • scikit-learn

图像中的常见问题有：

  • 输入/输出：呈现图像
  • 基本操作：裁剪、翻转、旋转、比例缩放……
  • 图像滤镜：消噪，锐化
  • 图像分割：不同对应对象的像素标记

更有力和完整的模块：

  • OpenCV (Python绑定)
  • CellProfiler
  • ITK,Python绑定
  • 更多……

1、打开和读写图像文件

将一个数组写入文件：

In [1]: from scipy import miscIn [2]: l = misc.lena()In [3]: misc.imsave('lena.png', l)  # uses the Image module (PIL)In [4]: import pylab as plIn [5]: pl.imshow(l)
Out[5]: <matplotlib.image.AxesImage at 0x4118110>
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10

从一个图像文件创建数组：

import matplotlib.pyplot as plt
from scipy import misc
import pylab as plimg1=misc.imread('Lenna.png',mode='L')
img2=misc.imread('Lenna.png',mode='RGB')
img3=misc.imread('Lenna.png',mode='RGBA')pl.imshow(img2,cmap='gray')
pl.show()
misc.imsave('lena.png',img2) # 保存
# pl可以使用plt替换
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12

或

from scipy import ndimagendimage.imread('lena.png',mode='L') # 加载灰度图
ndimage.imread('lena.png', mode='RGB')  # 加载RGB图
ndimage.imread('lena.png', mode='RGBA')  # 加载RGBA图
  • 1
  • 2
  • 3
  • 4
  • 5

打开一个raw文件(相机， 3-D图像)

#!/usr/bin/env python3
# -*- coding: UTF-8 -*-from scipy import misc
import numpy as np
import pylab as plimg=misc.imread('Lenna.png',mode='L')
# print(img.dtype) # uint8img.tofile('lena.raw') # 创建一个raw文件lena_from_raw = np.fromfile('lena.raw',np.uint8) # 加载 lena.raw 文件print(lena_from_raw.shape)# lena_from_raw=np.reshape(lena_from_raw,[512,512])
lena_from_raw.shape = (512, 512)pl.imshow(lena_from_raw,cmap='gray')
pl.show()import osos.remove('lena.raw') # 删除文件
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25

对于大数据，使用np.memmap进行内存映射：

#!/usr/bin/env python3
# -*- coding: UTF-8 -*-from scipy import misc
import numpy as np
import pylab as plimg=misc.imread('Lenna.png',mode='RGB')
# print(img.dtype) # uint8img.tofile('lena.raw') # 创建一个raw文件 保存成raw文件lena_memmap = np.memmap('lena.raw', dtype=np.uint8, shape=(512,512,3)) # 加载raw文件pl.imshow(lena_memmap,cmap='gray')
pl.show()import osos.remove('lena.raw') # 删除文件
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20

批量处理图像文件：

In [22]: for i in range(10):....:     im = np.random.random_integers(0, 255, 10000).reshape((100, 100))....:     misc.imsave('random_%02d.png' % i, im)....:     In [23]: from glob import globIn [24]: filelist = glob('random*.png')In [25]: filelist.sort()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10

2、呈现图像

使用matplotlib和imshow将图像呈现在matplotlib图像(figure)中：

#!/usr/bin/env python3
# -*- coding: UTF-8 -*-from scipy import misc
import numpy as np
import pylab as pl
import matplotlib.pyplot as pltimg=misc.imread('Lenna.png',mode='L')plt.imshow(img,cmap=plt.cm.gray)
plt.imshow(img, cmap='gray', vmin=30, vmax=200) # 设置最大最小之增加对比
# 更好地观察强度变化，使用interpolate=‘nearest’
plt.imshow(img[200:220, 200:220], cmap=plt.cm.gray, interpolation='nearest')
plt.axis('off')  # 移除axes和ticks
plt.contour(img, [60, 211])  # 绘制等高线plt.show()# ---将plt换成pl-----------------------------------------------------------------pl.imshow(img,cmap=plt.cm.gray)
pl.imshow(img, cmap='gray', vmin=30, vmax=200) # 设置最大最小之增加对比
# 更好地观察强度变化，使用interpolate=‘nearest’
pl.imshow(img[200:220, 200:220], cmap=pl.cm.gray, interpolation='nearest')
pl.axis('off')  # 移除axes和ticks
pl.contour(img, [60, 211])  # 绘制等高线pl.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29

其它包有时使用图形工具箱来可视化(GTK，Qt)

#!/usr/bin/env python3
# -*- coding: UTF-8 -*-from scipy import misc
import numpy as np
import skimage.io as im_ioimg=misc.imread('Lenna.png',mode='L')im_io.use_plugin('gtk', 'imshow')im_io.imshow(img)im_io.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14

3-D可视化：Mayavi

参见可用Mayavi进行3-D绘图和体积数据

  • 图形平面工具
  • 等值面
  • ……

3、基本操作

图像是数组（numpy array）。

>>> lena = misc.lena()
>>> lena[0, 40]
166
>>> # Slicing
>>> lena[10:13, 20:23]
array([[158, 156, 157],
[157, 155, 155],
[157, 157, 158]])
>>> lena[100:120] = 255
>>>
>>> lx, ly = lena.shape
>>> X, Y = np.ogrid[0:lx, 0:ly]
>>> mask = (X - lx/2)**2 + (Y - ly/2)**2 > lx*ly/4
>>> # Masks
>>> lena[mask] = 0
>>> # Fancy indexing
>>> lena[range(400), range(400)] = 255
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17

统计信息

#!/usr/bin/env python3
# -*- coding: UTF-8 -*-from scipy import misc
import numpy as np
import pylab as pl
import matplotlib.pyplot as plt
import cv2lena=misc.imread('Lenna.png',mode='L') # 数据类型 numpy array
lena.mean() # 平均值
lena.max() # 最大值
lena.min() # 最小值# 图像直方图
# 1、使用np.histogram
hist, bins = np.histogram(lena.ravel(), bins=256, range=[0,256],normed=True)
plt.plot(hist)
plt.legend(loc='best')
plt.show()# 2、使用plt.hist
plt.hist(lena.ravel(),256,[0,256]); plt.show()# 3、使用opencv
hist_full = cv2.calcHist([lena],[0],None,[256],[0,256])
plt.plot(hist_full)
plt.xlim([0,256])
plt.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29

几何转换

#!/usr/bin/env python3
# -*- coding: UTF-8 -*-from scipy import misc
import numpy as np
import scipy
import pylab as pl
import matplotlib.pyplot as plt
import cv2lena=misc.imread('Lenna.png',mode='L') # 数据类型 numpy array
lx, ly = lena.shape# 裁剪
crop_lena = lena[lx/4:-lx/4, ly/4:-ly/4]# 上下翻转
flip_ud_lena = np.flipud(lena)# 左右翻转
flip_lr_lena = np.fliplr(lena)# 任意角度旋转
rotate_lena = ndimage.rotate(lena, 45)
rotate_lena_noreshape = ndimage.rotate(lena, 45, reshape=False) # 不改变原图大小# 任意缩放
zoomed_lena = ndimage.zoom(lena, 2) # 放大2倍
zoomed_lena2 = ndimage.zoom(lena, 0.5) # 缩小1/2倍
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29

4、图像滤镜

局部滤镜 
：用相邻像素值的函数替代当前像素的值。

相邻：方形(指定大小)，圆形， 或者更多复杂的结构元素。

模糊/平滑

scipy.ndimage中的高斯滤镜：

>>> from scipy import misc
>>> from scipy import ndimage
>>> lena = misc.lena()
>>> blurred_lena = ndimage.gaussian_filter(lena, sigma=3)
>>> very_blurred = ndimage.gaussian_filter(lena, sigma=5)
  • 1
  • 2
  • 3
  • 4
  • 5

均匀滤镜

>>> local_mean = ndimage.uniform_filter(lena, size=11)
  • 1

锐化

锐化模糊图像：

#!/usr/bin/env python3
# -*- coding: UTF-8 -*-from scipy import misc
import pylab as pl
from scipy import ndimagelena=misc.imread('Lenna.png',mode='L') # 数据类型 numpy array# 锐化模糊图像
blurred_l = ndimage.gaussian_filter(lena, 3)# 通过增加拉普拉斯近似增加边缘权重
filter_blurred_l = ndimage.gaussian_filter(blurred_l, 1)
alpha = 30
sharpened = blurred_l + alpha * (blurred_l - filter_blurred_l)pl.subplot(131),pl.imshow(blurred_l,cmap='gray'),pl.axis('off'),pl.title('blurred_l')
pl.subplot(132),pl.imshow(filter_blurred_l,cmap='gray'),pl.axis('off'),pl.title('filter_blurred_l')
pl.subplot(133),pl.imshow(sharpened,cmap='gray'),pl.axis('off'),pl.title('sharpened')pl.show()

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24

消噪

#!/usr/bin/env python3
# -*- coding: UTF-8 -*-from scipy import misc
import pylab as pl
from scipy import ndimage
import numpy as nplena=misc.imread('Lenna.png',mode='L') # 数据类型 numpy array# 向lena增加噪声
l = lena[230:310, 210:350]
noisy = l + 0.4*l.std()*np.random.random(l.shape)# 高斯滤镜平滑掉噪声……还有边缘
gauss_denoised = ndimage.gaussian_filter(noisy, 2)# 大多局部线性各向同性滤镜都模糊图像(ndimage.uniform_filter)
unif_denoised=ndimage.uniform_filter(noisy,2)# 中值滤镜更好地保留边缘
med_denoised = ndimage.median_filter(noisy, 3)pl.subplot(141),pl.imshow(noisy,cmap='gray'),pl.axis('off'),pl.title('noisy')
pl.subplot(142),pl.imshow(gauss_denoised,cmap='gray'),pl.axis('off'),pl.title('gauss_denoised')
pl.subplot(143),pl.imshow(unif_denoised,cmap='gray'),pl.axis('off'),pl.title('unif_denoised')
pl.subplot(144),pl.imshow(med_denoised,cmap='gray'),pl.axis('off'),pl.title('med_denoised')pl.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29

去噪效果对比

其它排序滤波器： 
ndimage.maximum_filter,ndimage.percentile_filter

其它局部非线性滤波器： 
维纳滤波器(scipy.signal.wiener)等

非局部滤波器

总变差(TV)消噪。找到新的图像让图像的总变差(正态L1梯度的积分)变得最小，当接近测量图像时

#!/usr/bin/env python3
# -*- coding: UTF-8 -*-from scipy import misc
import pylab as pl
from scipy import ndimage
import numpy as np
# from skimage.filter import denoise_tv_bregman,denoise_tv_chambolle
from skimage.restoration import denoise_tv_bregman,denoise_tv_chambollelena=misc.imread('Lenna.png',mode='L') # 数据类型 numpy array# 向lena增加噪声
l = lena[230:310, 210:350]
noisy = l + 0.4*l.std()*np.random.random(l.shape)tv_denoised_b = denoise_tv_bregman(noisy, weight=10)
tv_denoised_c = denoise_tv_chambolle(noisy, weight=10)ax=pl.figure()
ax.add_subplot(131),pl.imshow(noisy,cmap='gray'),pl.axis('off'),pl.title('noisy')
pl.show()# pl.subplot(131),pl.imshow(noisy,cmap='gray'),pl.axis('off'),pl.title('noisy')
# pl.subplot(132),pl.imshow(tv_denoised_b,cmap='gray'),pl.axis('off'),pl.title('tv_denoised_b')
# pl.subplot(133),pl.imshow(tv_denoised_c,cmap='gray'),pl.axis('off'),pl.title('tv_denoised_c')
#
# pl.show()

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31

5、数学形态学

结构元素

>>> el = ndimage.generate_binary_structure(2, 1)
>>> el
array([[False,  True, False],[ True,  True,  True],[False,  True, False]], dtype=bool)
>>> el.astype(np.int)
array([[0, 1, 0],[1, 1, 1],[0, 1, 0]])
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9

腐蚀 = 最小化滤镜。用结构元素覆盖的像素的最小值替代一个像素值：

>>> a = np.zeros((7,7), dtype=np.int)
>>> a[1:6, 2:5] = 1
>>> a
array([[0, 0, 0, 0, 0, 0, 0],[0, 0, 1, 1, 1, 0, 0],[0, 0, 1, 1, 1, 0, 0],[0, 0, 1, 1, 1, 0, 0],[0, 0, 1, 1, 1, 0, 0],[0, 0, 1, 1, 1, 0, 0],[0, 0, 0, 0, 0, 0, 0]])
>>> ndimage.binary_erosion(a).astype(a.dtype)
array([[0, 0, 0, 0, 0, 0, 0],[0, 0, 0, 0, 0, 0, 0],[0, 0, 0, 1, 0, 0, 0],[0, 0, 0, 1, 0, 0, 0],[0, 0, 0, 1, 0, 0, 0],[0, 0, 0, 0, 0, 0, 0],[0, 0, 0, 0, 0, 0, 0]])
>>> #Erosion removes objects smaller than the structure
>>> ndimage.binary_erosion(a, structure=np.ones((5,5))).astype(a.dtype)
array([[0, 0, 0, 0, 0, 0, 0],[0, 0, 0, 0, 0, 0, 0],[0, 0, 0, 0, 0, 0, 0],[0, 0, 0, 0, 0, 0, 0],[0, 0, 0, 0, 0, 0, 0],[0, 0, 0, 0, 0, 0, 0],[0, 0, 0, 0, 0, 0, 0]])
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27

膨胀：最大化滤镜:

>>> a = np.zeros((5, 5))
>>> a[2, 2] = 1
>>> a
array([[ 0.,  0.,  0.,  0.,  0.],[ 0.,  0.,  0.,  0.,  0.],[ 0.,  0.,  1.,  0.,  0.],[ 0.,  0.,  0.,  0.,  0.],[ 0.,  0.,  0.,  0.,  0.]])
>>> ndimage.binary_dilation(a).astype(a.dtype)
array([[ 0.,  0.,  0.,  0.,  0.],[ 0.,  0.,  1.,  0.,  0.],[ 0.,  1.,  1.,  1.,  0.],[ 0.,  0.,  1.,  0.,  0.],[ 0.,  0.,  0.,  0.,  0.]])
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14

对灰度值图像也有效

>>> np.random.seed(2)
>>> x, y = (63*np.random.random((2, 8))).astype(np.int)
>>> im[x, y] = np.arange(8)>>> bigger_points = ndimage.grey_dilation(im, size=(5, 5), structure=np.ones((5, 5)))>>> square = np.zeros((16, 16))
>>> square[4:-4, 4:-4] = 1
>>> dist = ndimage.distance_transform_bf(square)
>>> dilate_dist = ndimage.grey_dilation(dist, size=(3, 3), \
...         structure=np.ones((3, 3)))
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11

开操作：腐蚀+膨胀 
应用：移除噪声

>>> square = np.zeros((32, 32))
>>> square[10:-10, 10:-10] = 1
>>> np.random.seed(2)
>>> x, y = (32*np.random.random((2, 20))).astype(np.int)
>>> square[x, y] = 1>>> open_square = ndimage.binary_opening(square)>>> eroded_square = ndimage.binary_erosion(square)
>>> reconstruction = ndimage.binary_propagation(eroded_square, mask=square)
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10

这里写图片描述

示例代码

闭操作：膨胀+腐蚀

许多其它数学分形：击中(hit)和击不中(miss)变换，tophat等等。

6、特征提取

边缘检测

使用梯度操作(Sobel)来找到搞强度的变化 
这里写图片描述

示例源码

canny滤镜

Canny滤镜可以从skimage中获取(文档)

>>> #from skimage.filter import canny
>>> #or use module shipped with tutorial
>>> im += 0.1*np.random.random(im.shape)
>>> edges = canny(im, 1, 0.4, 0.2) # not enough smoothing
>>> edges = canny(im, 3, 0.3, 0.2) # better parameters
  • 1
  • 2
  • 3
  • 4
  • 5

这里写图片描述

示例代码

分割

基于直方图的分割(没有空间信息)

 >>> n = 10>>> l = 256>>> im = np.zeros((l, l))>>> np.random.seed(1)>>> points = l*np.random.random((2, n**2))>>> im[(points[0]).astype(np.int), (points[1]).astype(np.int)] = 1>>> im = ndimage.gaussian_filter(im, sigma=l/(4.*n))>>> mask = (im > im.mean()).astype(np.float)>>> mask += 0.1 * im>>> img = mask + 0.2*np.random.randn(*mask.shape)>>> hist, bin_edges = np.histogram(img, bins=60)>>> bin_centers = 0.5*(bin_edges[:-1] + bin_edges[1:])>>> binary_img = img > 0.5
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16

这里写图片描述

示例代码

自动阈值：使用高斯混合模型

>>> mask = (im > im.mean()).astype(np.float)
>>> mask += 0.1 * im
>>> img = mask + 0.3*np.random.randn(*mask.shape)>>> from sklearn.mixture import GMM
>>> classif = GMM(n_components=2)
>>> classif.fit(img.reshape((img.size, 1))) 
GMM(...)>>> classif.means_
array([[ 0.9353155 ],[-0.02966039]])
>>> np.sqrt(classif.covars_).ravel()
array([ 0.35074631,  0.28225327])
>>> classif.weights_
array([ 0.40989799,  0.59010201])
>>> threshold = np.mean(classif.means_)
>>> binary_img = img > threshold
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18

这里写图片描述

使用数学形态学来清理结果：

>>> # Remove small white regions
>>> open_img = ndimage.binary_opening(binary_img)
>>> # Remove small black hole
>>> close_img = ndimage.binary_closing(open_img)
  • 1
  • 2
  • 3
  • 4

这里写图片描述

http://www.lbrq.cn/news/1421083.html

相关文章：

  • 生物技术网站开发/seo外包方案
  • 响应式网站建设市场/爱站网长尾挖掘工具
  • 学校网站开发的背景/厦门seo总部电话
  • 台州优秀网站设计/谷歌浏览器搜索引擎入口
  • 可以做点赞的网站/推广运营平台
  • 基于php网站建设设计/windows优化大师
  • 县级政府网站建设方案/厦门seo推广优化
  • 网站顶部固定怎么做/杭州百度首页优化
  • 什么是分类信息网站营销/深圳网站设计
  • 设计师个人网站/磁力宝最佳搜索引擎入口
  • 免费推广网站搭建/企业查询官网
  • 泉州微信网站建设/全网营销推广
  • 天猫商城在线购物/汕头seo排名收费
  • 网站制作 合肥/营销型网站建设的价格
  • 哪里有网站建设电话/百度的主页
  • 网站制作怎么报价单/地推团队接单平台
  • 如何做专业的模板下载网站/做公司网站需要多少钱
  • 长沙建设信息中心网站/网络推广员的工作内容
  • 做微网站的第三方登录界面/网上推广app怎么做
  • 网站设计费用多少钱/seo排名
  • 外贸网站 费用/全网营销推广方案外包
  • 双十一网站建设活动/9个广州seo推广神技
  • 梅州住房和城乡建设部网站/百度站长收录
  • 北京州网站建设公司/网站注册流程和费用
  • 网站集约化建设要求/图片搜索引擎
  • 机关内网站建设方案书/个人开发app可以上架吗
  • wordpress教程ftp/关键词首页排名优化价格
  • 网络网站维护费怎么做会计分录/长沙网站优化方法
  • 凡客做网站怎么样/建站之星
  • 企业网站建设高端品牌/哪里有做网络推广的
  • 头文件包含和前置声明
  • PowerShell 第11章：过滤和比较（上）
  • Git Revert 特定文件/路径的方法
  • [优选算法专题二滑动窗口——长度最小的子数组]
  • pyqt5无法显示opencv绘制文本和掩码信息
  • Linux操作系统--多线程(锁、线程同步)