`
shappy1978
  • 浏览: 702928 次
  • 性别: Icon_minigender_1
  • 来自: 广州
社区版块
存档分类
最新评论

[Trans] Implement QRCode Recognition with OpenCV

 
阅读更多

http://www.cocoachina.com/ios/20160623/16812.html

 

背景

识别二维码的项目数不胜数,每次都是开箱即用,方便得很。

这次想用 OpenCV 从零识别二维码,主要是温习一下图像处理方面的基础概念,熟悉 OpenCV 的常见操作,以及了解二维码识别和编码的基本原理。

作者本人在图像处理方面还是一名新手,采用的方法大多原始粗暴,如果有更好的解决方案欢迎指教。

QRCode

二维码有很多种,这里我选择的是比较常见的 QRCode 作为探索对象。QRCode 全名是 Quick Response Code,是一种可以快速识别的二维码。

尺寸

QRCode 有不同的 Version ,不同的 Version 对应着不同的尺寸。将最小单位的黑白块称为 module ,则 QRCode 尺寸的公式如下:

Version V = ((V-1)*4 + 21) ^ 2 modules

常见的 QRCode 一共有40种尺寸:

  • Version 1 : 21 * 21 modules

  • Version 2 : 25 * 25 modules

  • Version 40: 177 * 177 modules

分类

QRCode 分为 Model 1、Model 2、Micro QR 三类:

  • Model 1 :是 Model 2 和 Micro QR 的原型,有 Version 1 到 Version 14 共14种尺寸。

  • Model 2 :是 Model 1 的改良版本,添加了对齐标记,有 Version 1 到 Version 40 共40种尺寸。

  • Micro QR :只有一个定位标记,最小尺寸是 11*11 modules 。

组成

QRCode 主要由以下部分组成:

  • 1 - Position Detection Pattern:位于三个角落,可以快速检测二维码位置。

  • 2 - Separators:一个单位宽的分割线,提高二维码位置检测的效率。

  • 3 - Timing Pattern:黑白相间,用于修正坐标系。

  • 4 - Alignment Patterns:提高二维码在失真情况下的识别率。

  • 5 - Format Information:格式信息,包含了错误修正级别和掩码图案。

  • 6 - Data:真正的数据部分。

  • 7 - Error Correction:用于错误修正,和 Data 部分格式相同。

具体的生成原理和识别细节可以阅读文末的参考文献,比如耗子叔的这篇《二维码的生成细节和原理》。

由于二维码的解码步骤比较复杂,而本次学习重点是数字图像处理相关的内容,所以本文主要是解决二维码的识别定位问题,数据解码的工作交给第三方库(比如 ZBAR)完成。

OpenCV

在开始识别二维码之前,还需要补补课,了解一些图像处理相关的基本概念。

contours

轮廓(contour)可以简单理解为一段连续的像素点。比如一个长方形的边,比如一条线,比如一个点,都属于轮廓。而轮廓之间有一定的层级关系,以下图为例:

主要说明以下概念:

  • external & internal:对于最大的包围盒而言,2 是外部轮廓(external),2a 是内部轮廓(internal)。

  • parent & child:2 是 2a 的父轮廓(parent),2a 是 2 的子轮廓(child),3 是 2a 的子轮廓,同理,3a 是 3 的子轮廓,4 和 5 都是 3a 的子轮廓。

  • external | outermost:0、1、2 都属于最外围轮廓(outermost)。

  • hierarchy level:0、1、2 是同一层级(same hierarchy),都属于 hierarchy-0 ,它们的第一层子轮廓属于 hierarchy-1 。

  • first child:4 是 3a 的第一个子轮廓(first child)。实际上 5 也可以,这个看个人喜好了。

在 OpenCV 中,通过一个数组表达轮廓的层级关系:

[Next, Previous, First_Child, Parent]

  • Next:同一层级的下一个轮廓。在上图中, 0 的 Next 就是 1 ,1 的 Next 就是 2 ,2 的 Next 是 -1 ,表示没有下一个同级轮廓。

  • Previous:同一层级的上一个轮廓。比如 5 的 Previous 是 4, 1 的 Previous 就是 0 ,0 的 Previous 是 -1 。

  • First_Child:第一个子轮廓,比如 2 的 First_Child 就是 2a ,像 3a 这种有两个 Child ,只取第一个,比如选择 4 作为 First_Child 。

  • Parent:父轮廓,比如 4 和 5 的 Parent 都是 3a ,3a 的 Parent 是 3 。

关于轮廓层级的问题,参考阅读:《Tutorial: Contours Hierarchy

findContours

了解了 contour 相关的基础概念之后,接下来就是在 OpenCV 里的具体代码了。

findContours 是寻找轮廓的函数,函数定义如下:

cv2.findContours(image, mode, method) → image, contours, hierarchy

其中:

  • image:资源图片,8 bit 单通道,一般需要将普通的 BGR 图片通过 cvtColor 函数转换。

  • mode:边缘检测的模式,包括:

    • CV_RETR_EXTERNAL:只检索最大的外部轮廓(extreme outer),没有层级关系,只取根节点的轮廓。

    • CV_RETR_LIST:检索所有轮廓,但是没有 Parent 和 Child 的层级关系,所有轮廓都是同级的。

    • CV_RETR_CCOMP:检索所有轮廓,并且按照二级结构组织:外轮廓和内轮廓。以前面的大图为例,0、1、2、3、4、5 都属于第0层,2a 和 3a 都属于第1层。

    • CV_RETR_TREE:检索所有轮廓,并且按照嵌套关系组织层级。以前面的大图为例,0、1、2 属于第0层,2a 属于第1层,3 属于第2层,3a 属于第3层,4、5 属于第4层。

  • method:边缘近似的方法,包括:

    • CV_CHAIN_APPROX_NONE:严格存储所有边缘点,即:序列中任意两个点的距离均为1。

    • CV_CHAIN_APPROX_SIMPLE:压缩边缘,通过顶点绘制轮廓。

drawContours

drawContours 是绘制边缘的函数,可以传入 findContours 函数返回的轮廓结果,在目标图像上绘制轮廓。函数定义如下:

Python: cv2.drawContours(image, contours, contourIdx, color) → image

其中:

  • image:目标图像,直接修改目标的像素点,实现绘制。

  • contours:需要绘制的边缘数组。

  • contourIdx:需要绘制的边缘索引,如果全部绘制则为 -1。

  • color:绘制的颜色,为 BGR 格式的 Scalar 。

  • thickness:可选,绘制的密度,即描绘轮廓时所用的画笔粗细。

  • lineType: 可选,连线类型,分为以下几种:

    • LINE_4:4-connected line,只有相邻的点可以连接成线,一个点有四个相邻的坑位。

    • LINE_8:8-connected line,相邻的点或者斜对角相邻的点可以连接成线,一个点有四个相邻的坑位和四个斜对角相邻的坑位,所以一共有8个坑位。

    • LINE_AA:antialiased line,抗锯齿连线。

  • hierarchy:可选,如果需要绘制某些层级的轮廓时作为层级关系传入。

  • maxLevel:可选,需要绘制的层级中的最大级别。如果为1,则只绘制最外层轮廓,如果为2,绘制最外层和第二层轮廓,以此类推。

moments

矩(moment)起源于物理学的力矩,最早由阿基米德提出,后来发展到统计学,再后来到数学进行归纳。本质上来讲,物理学和统计学的矩都是数学上矩的特例。

物理学中的矩表示作用力促使物体绕着支点旋转的趋向,通俗理解就像是拧螺丝时用的扭转的力,由矢量和作用力组成。

数学中的矩用来描述数据分布特征的一类数字特征,例如:算术平均数、方差、标准差、平均差,这些值都是矩。在实数域上的实函数 f(x) 相对于值 c 的 n 阶矩为:

常用的矩有两类:

  • 原点矩(raw moment):相对原点的矩,即当 c 为 0 的时候。1阶原点矩为期望,也成为中心。

  • 中心矩(central moment):相对于中心点的矩,即当 c 为 E(x) 的时候。1阶中心矩为0,2阶中心矩为方差。

到了图像处理领域,对于灰度图(单通道,每个像素点由一个数值来表示)而言,把坐标看成二维变量 (X, Y),那么图像可以用二维灰度密度函数 I(x, y) 来表示。

简单来讲,图像的矩就是图像的像素相对于某个点的分布情况统计,是图像的一种特征描述。

raw moment

图像的原点矩(raw moment)是相对于原点的矩,公式为:

对于图像的原点矩而言:

  • M00 相当于权重系数为 1 。将所有 I(x, y) 相加,对于二值图像而言,相当于将每个点记为 1 然后求和,也就是图像的面积;对于灰度图像而言,则是图像的灰度值的和。

  • M10 相当于权重为 x 。对二值图像而言,相当于将所有的 x 坐标相加。

  • M01 相当于权重为 y 。对二值图像而言,相当于将所有的 y 坐标相加。

  • 图像的几何中心(centroid)等于 (M10 / M00 , M01 / M00)。

central moment

图像的中心矩(central moment)是相对于几何中心的矩,公式为:

可以看到,中心矩表现的是图像相对于几何中心的分布情况。一个通用的描述中心矩和原点矩关系的公式是:

中心矩在图像处理中的一个应用便是寻找不变矩(invariant moments),这是一个高度浓缩的图像特征。

所谓的不变性有三种,分别对应图像处理中的三种仿射变换:

  • 平移不变性(translation invariants):中心矩本身就具有平移不变性,因为它是相对于自身的中心的分布统计,相当于是采用了相对坐标系,而平移改变的是整体坐标。

  • 缩放不变性(scale invariants):为了实现缩放不变性,可以构造一个规格化的中心矩,即将中心矩除以 (1+(i+j)/2) 阶的0阶中心矩,具体公式见 《Wiki: scale invariants》。

  • 旋转不变性(rotation invariants):通过2阶和3阶的规格化中心矩可以构建7个不变矩组,构成的特征量具有旋转不变性。具体可以看 《Wiki: rotation invariants》。

Hu moment 和 Zernike moment 之类的内容就不继续展开了,感兴趣的可以翻阅相关文章。

OpenCV + QRCode

接下来就是将 QRCode 和 OpenCV 结合起来的具体使用了。

初步构想的识别步骤如下:

  • 加载图像,并且进行一些预处理,比如通过高斯模糊去噪。

  • 通过 Canny 边缘检测算法,找出图像中的边缘

  • 寻找边缘中的轮廓,将嵌套层数大于 4 的边缘找出,得到 Position Detection Pattern 。

  • 如果上一步得到的结果不为 3 ,则通过 Timing Pattern 去除错误答案。

  • 计算定位标记的最小矩形包围盒,获得三个最外围顶点,算出第四个顶点,从而确定二维码的区域。

  • 计算定位标记的几何中心,连线组成三角形,从而修正坐标,得到仿射变换前的 QRCode 。

在接下来的内容里,将会尝试用 OpenCV 识别下图中的二维码:

加载图像

首先加载图像,并通过 matplotlib 显示图像查看效果:

%matplotlib inline
import cv2
from matplotlib import pyplot as plt
import numpy as np

def show(img, code=cv2.COLOR_BGR2RGB):
    cv_rgb = cv2.cvtColor(img, code)
    fig, ax = plt.subplots(figsize=(16, 10))
    ax.imshow(cv_rgb)
    fig.show()

img = cv2.imread('1.jpg')
show(img)

OpenCV 中默认是 BGR 通道,通过 cvtColor 函数将原图转换成灰度图:

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

边缘检测

有了灰度图之后,接下来用 Canny 边缘检测算法检测边缘。

Canny 边缘检测算法主要是以下几个步骤:

  • 用高斯滤波器平滑图像去除噪声干扰(低通滤波器消除高频噪声)。

  • 生成每个点的亮度梯度图(intensity gradients),以及亮度梯度的方向。

  • 通过非极大值抑制(non-maximum suppression)缩小边缘宽度。非极大值抑制的意思是,只保留梯度方向上的极大值,删除其他非极大值,从而实现锐化的效果。

  • 通过双阈值法(double threshold)寻找潜在边缘。大于高阈值为强边缘(strong edge),保留;小于低阈值则删除;不大不小的为弱边缘(weak edge),待定。

  • 通过迟滞现象(Hysteresis)处理待定边缘。弱边缘有可能是边缘,也可能是噪音,判断标准是:如果一个弱边缘点附近的八个相邻点中,存在一个强边缘,则此弱边缘为强边缘,否则排除。

在 OpenCV 中可以直接使用 Canny 函数,不过在那之前要先用 GaussianBlur 函数进行高斯模糊:

img_gb = cv2.GaussianBlur(img_gray, (5, 5), 0)

接下来使用 Canny 函数检测边缘,选择 100 和 200 作为高低阈值:

edges = cv2.Canny(img_gray, 100 , 200)

执行结果如下:

可以看到图像中的很多噪音都被处理掉了,只剩下了边缘部分。

寻找定位标记

有了边缘之后,接下来就是通过轮廓定位图像中的二维码。二维码的 Position Detection Pattern 在寻找轮廓之后,应该是有6层(因为一条边缘会被识别出两个轮廓,外轮廓和内轮廓):

所以,如果简单处理的话,只要遍历图像的层级关系,然后嵌套层数大于等于5的取出来就可以了:

img_fc, contours, hierarchy = cv2.findContours(edges, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

hierarchy = hierarchy[0]
found = []
for i in range(len(contours)):
    k = i
    c = 0
    while hierarchy[k][2] != -1:
        k = hierarchy[k][2]
        c = c + 1
    if c >= 5:
        found.append(i)

for i in found:
    img_dc = img.copy()
    cv2.drawContours(img_dc, contours, i, (0, 255, 0), 3)
    show(img_dc)

绘制结果如下:




定位筛选

接下来就是把所有找到的定位标记进行筛选。如果刚好找到三个那就可以直接跳过这一步了。然而,因为这张图比较特殊,找出了四个定位标记,所以需要排除一个错误答案。

讲真,如果只靠三个 Position Detection Pattern 组成的直角三角形,是没办法从这四个当中排除错误答案的。因为,一方面会有形变的影响,比如斜躺着的二维码,本身三个顶点连线就不是直角三角形;另一方面,极端情况下,多余的那个标记如果位置比较凑巧的话,完全和正确结果一模一样,比如下面这种情况:

所以我们需要 Timing Pattern 的帮助,也就是定位标记之间的黑白相间的那两条黑白相间的线。解决思路大致如下:

  • 将4个定位标记两两配对

  • 将他们的4个顶点两两连线,选出最短的那两根

  • 如果两根线都不符合 Timing Pattern 的特征,则出局

寻找定位标记的顶点

找的的定位标记是一个轮廓结果,由许多像素点组成。如果想找到定位标记的顶点,则需要找到定位标记的矩形包围盒。先通过 minAreaRect 函数将检查到的轮廓转换成最小矩形包围盒,并且绘制出来:

draw_img = img.copy()
for i in found:
    rect = cv2.minAreaRect(contours[i])
    box = cv2.boxPoints(rect)
    box = np.int0(box)
    cv2.drawContours(draw_img,[box], 0, (0,0,255), 2)
show(draw_img)

绘制如下:

这个矩形包围盒的四个坐标点就是顶点,将它存储在 boxes 中:

boxes = []
for i in found:
    rect = cv2.minAreaRect(contours[i])
    box = cv2.boxPoints(rect)
    box = np.int0(box)
    box = map(tuple, box)
    boxes.append(box)

定位标记的顶点连线

接下来先遍历所有顶点连线,然后从中选择最短的两根,并将它们绘制出来:

def cv_distance(P, Q):
    return int(math.sqrt(pow((P[0] - Q[0]), 2) + pow((P[1] - Q[1]),2)))

def check(a, b):
    # 存储 ab 数组里最短的两点的组合
    s1_ab = ()
    s2_ab = ()
    # 存储 ab 数组里最短的两点的距离,用于比较
    s1 = np.iinfo('i').max
    s2 = s1
    for ai in a:
        for bi in b:
            d = cv_distance(ai, bi)
            if d < s2:
                if d < s1:
                    s1_ab, s2_ab = (ai, bi), s1_ab
                    s1, s2 = d, s1
                else:
                    s2_ab = (ai, bi)
                    s2 = d              
    a1, a2 = s1_ab[0], s2_ab[0]
    b1, b2 = s1_ab[1], s2_ab[1]
    # 将最短的两个线画出来
    cv2.line(draw_img, a1, b1, (0,0,255), 3)
    cv2.line(draw_img, a2, b2, (0,0,255), 3)

for i in range(len(boxes)):
    for j in range(i+1, len(boxes)):
        check(boxes[i], boxes[j])
show(draw_img)

绘制结果如下:

获取连线上的像素值

有了端点连线,接下来需要获取连线上的像素值,以便后面判断是否是 Timing Pattern 。

在这之前,为了更方便的判断黑白相间的情况,先对图像进行二值化:

th, bi_img = cv2.threshold(img_gray, 100, 255, cv2.THRESH_BINARY)

接下来是获取连线像素值。由于 OpenCV3 的 Python 库中没有 LineIterator ,只好自己写一个。在《OpenCV 3.0 Python LineIterator》这个问答里找到了可用的直线遍历函数,可以直接使用。

以一条 Timing Pattern 为例:

打印其像素点看下结果:

[ 255.  255.  255.  255.  255.  255.  255.  255.  255.  255.  255.    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.  255.  255.  255.    0.    0.    0.    0.    0.    0.    0.    0.
    0.    0.    0.    0.    0.    0.    0.    0.    0.  255.  255.  255.
  255.  255.  255.  255.  255.  255.  255.  255.  255.  255.  255.  255.
  255.  255.  255.  255.  255.  255.  255.  255.  255.  255.  255.  255.
    0.    0.    0.  255.  255.  255.  255.  255.  255.  255.  255.  255.
  255.    0.  255.  255.  255.  255.  255.  255.  255.  255.  255.  255.
  255.  255.  255.  255.  255.  255.  255.  255.  255.]

修正端点位置

照理说, Timing Pattern 的连线,像素值应该是黑白均匀相间才对,为什么是上面的这种一连一大片的结果呢?

仔细看下截图可以发现,由于取的是定位标记的外部包围盒的顶点,所以因为误差会超出定位标记的范围,导致没能正确定位到 Timing Pattern ,而是相邻的 Data 部分的像素点。

为了修正这部分误差,我们可以对端点坐标进行调整。因为 Position Detection Pattern 的大小是固定的,是一个 1-1-3-1-1 的黑白黑白黑相间的正方形,识别 Timing Pattern 的最佳端点应该是最靠里的黑色区域的中心位置,也就是图中的绿色虚线部分:

所以我们需要对端点坐标进行调整。调整方式是,将一个端点的 x 和 y 值向另一个端点的 x 和 y 值靠近 1/14 个单位距离,代码如下:

a1 = (a1[0] + (a2[0]-a1[0])*1/14, a1[1] + (a2[1]-a1[1])*1/14)
b1 = (b1[0] + (b2[0]-b1[0])*1/14, b1[1] + (b2[1]-b1[1])*1/14)
a2 = (a2[0] + (a1[0]-a2[0])*1/14, a2[1] + (a1[1]-a2[1])*1/14)
b2 = (b2[0] + (b1[0]-b2[0])*1/14, b2[1] + (b1[1]-b2[1])*1/14)

调整之后的像素值就是正确的 Timing Pattern 了:

[ 255.  255.  255.  255.  255.  255.  255.  255.  255.  255.  255.    0.
    0.    0.    0.    0.    0.    0.    0.    0.    0.    0.  255.  255.
  255.  255.  255.  255.  255.  255.  255.  255.  255.  255.  255.    0.
    0.    0.    0.    0.    0.    0.    0.    0.    0.    0.  255.  255.
  255.  255.  255.  255.  255.  255.  255.  255.  255.  255.  255.    0.
    0.    0.    0.    0.    0.    0.    0.    0.    0.    0.  255.  255.
  255.  255.  255.  255.  255.  255.  255.  255.  255.  255.    0.    0.
    0.    0.    0.    0.    0.    0.    0.    0.    0.    0.  255.  255.
  255.  255.  255.  255.  255.  255.  255.  255.  255.  255.    0.    0.
    0.    0.    0.    0.    0.    0.    0.    0.    0.    0.  255.  255.
  255.  255.  255.  255.  255.  255.  255.  255.  255.]

验证是否是 Timing Pattern

像素序列拿到了,接下来就是判断它是否是 Timing Pattern 了。 Timing Pattern 的特征是黑白均匀相间,所以每段同色区域的计数结果应该相同,而且旋转拉伸平移都不会影响这个特征。

于是,验证方案是:

  • 先除去数组中开头和结尾处连续的白色像素点。

  • 对数组中的元素进行计数,相邻的元素如果值相同则合并到计数结果中。比如 [0,1,1,1,0,0] 的计数结果就是 [1,3,2] 。

  • 计数数组的长度如果小于 5 ,则不是 Timing Pattern 。

  • 计算计数数组的方差,看看分布是否离散,如果方差大于阈值,则不是 Timing Pattern 。

代码如下:

def isTimingPattern(line):
    # 除去开头结尾的白色像素点
    while line[0] != 0:
        line = line[1:]
    while line[-1] != 0:
        line = line[:-1]
    # 计数连续的黑白像素点
    c = []
    count = 1
    l = line[0]
    for p in line[1:]:
        if p == l:
            count = count + 1
        else:
            c.append(count)
            count = 1
        l = p
    c.append(count)
    # 如果黑白间隔太少,直接排除
    if len(c) < 5:
        return False
    # 计算方差,根据离散程度判断是否是 Timing Pattern
    threshold = 5
    return np.var(c) < threshold

对前面的那条连线检测一下,计数数组为:

[11, 12, 11, 12, 11, 12, 11, 13, 11]

方差为 0.47 。其他非 Timing Pattern 的连线方差均大于 10 。

找出错误的定位标记

接下来就是利用前面的结果除去错误的定位标记了,只要两个定位标记的端点连线中能找到 Timing Pattern ,则这两个定位标记有效,把它们存进 set 里:

valid = set()
for i in range(len(boxes)):
    for j in range(i+1, len(boxes)):
        if check(boxes[i], boxes[j]):
            valid.add(i)
            valid.add(j)
print valid

结果是:

set([1, 2, 3])

好了,它们中出了一个叛徒,0、1、2、3 四个定位标记,0是无效的,1、2、3 才是需要识别的 QRCode 的定位标记。

找出二维码

有了定位标记之后,找出二维码就轻而易举了。只要找出三个定位标记轮廓的最小矩形包围盒,那就是二维码的位置了:

contour_all = np.array([])
while len(valid) > 0:
    c = found[valid.pop()]
    for sublist in c:
        for p in sublist:
            contour_all.append(p)

rect = cv2.minAreaRect(contour_ALL)
box = cv2.boxPoints(rect)
box = np.array(box)

draw_img = img.copy()
cv2.polylines(draw_img, np.int32([box]), True, (0, 0, 255), 10)
show(draw_img)

绘制结果如下:

小结

后面仿射变换后坐标修正的问题实在是写不动了,这篇就先到这里吧。

回头看看,是不是感觉绕了个大圈子?

『费了半天劲,只是为了告诉我第0个定位标记是无效的,我看图也看出来了啊!』

是的,不过代码里能看到的只是像素值和它们的坐标,为了排除这个错误答案确实花了不少功夫。

不过这也是我喜欢做数字图像处理的原因之一:可用函数数不胜数,专业概念层出不穷,同样的一个问题,不同的人去解决,就有着不同的答案,交流的过程便是学习的过程。

啊对了,如果有更好的解决方案,欢迎在评论里指出!

以及,文章里有一个红包彩蛋,你找到了吗 =。=

财富!名誉!地位!穷得叮当响的海贼汪,哥尔·D·汪海,他在临睡前的一句话让人们趋之若鹜奔向博客:『想要我的红包吗?想要的话可以全部给你,去找吧!我把所有红包都放在那里!』


参考文献:

分享到:
评论

相关推荐

    TransMac11.4免安装版

    TransMac是一款专为Windows用户设计的软件,它允许用户轻松地与Apple的Mac OS系统进行交互,特别是处理与Mac相关的文件格式和磁盘操作。在标题"TransMac11.4免安装版"中,我们可以理解这个版本是11.4的TransMac,...

    TransMac 12.3.rar

    TransMac是一款专为Windows用户设计的软件,它允许用户方便地与Apple的Mac OS文件系统进行交互,包括读取、写入以及管理Mac格式化的磁盘和存储设备,如HFS、HFS+、APFS等。这个压缩包“TransMac 12.3.rar”包含了...

    TransMac_14.4

    《TransMac 14.4:Mac OS 镜像刻录的专业利器》 在数字化时代,数据存储和传输的方式多种多样,其中一种常见的格式就是Mac OS的.dmg镜像文件。这种文件类型广泛用于软件分发、系统备份以及跨平台的数据交换。然而,...

    TransE算法代码实现.rar

    TransE算法是知识图谱表示学习领域的一种经典方法,它由Nicolas Usunier等人在2013年提出。该算法的主要目的是将实体和关系映射到一个低维向量空间,使得在这个空间中,关系可以被视为实体之间的翻译操作。这种直观...

    TransMac.v10.4 好用的黑苹果软件

    "TransMac.v10.4 好用的黑苹果软件" 这个标题指出了我们讨论的核心是一款名为 TransMac 的软件,其版本号为 10.4。它被形容为“好用的黑苹果软件”,这暗示了TransMac是一款专门针对在非苹果(即Windows系统)环境下...

    TranSE算法实现及测试

    《 TranSE算法实现及测试详解 》 在知识图谱的研究与应用中,实体关系的表示学习是一项核心任务。TranSE(Translation-based Knowledge Graph Embedding)算法是其中的一种经典模型,它通过向量空间中的翻译操作来...

    2015 Learning Transferable Features with Deep Adaptation Networks.pdf

    本文提出了一种新的深度适配网络(Deep Adaptation Network, DAN)架构,它将深度卷积神经网络扩展到了领域适应(domain adaptation)场景。领域适应是一种机器学习技术,旨在通过利用源领域的知识来提高目标任务的...

    TransMac v8.1

    TransMac 如果你有MacOS的机器和光盘,想直接读取Mac格式的光盘和硬盘这时TransMac就可以有用了,使用TransMac就可以在你用Windows的机器上直接读取Mac格式的存储介质了,希望大家能使用开心。 TransMac is a ...

    opencv_Image.rar_图像识别 opencv_直线检测opencv_直线识别_识别直线

    标题中的“opencv_Image.rar_图像识别 opencv_直线检测opencv_直线识别_识别直线”揭示了这个压缩包包含的内容主要与OpenCV在图像识别、直线检测和识别方面的应用有关。 1. **图像识别**:图像识别是计算机视觉的...

    transmac 10.3 注册版

    transmac 10.3 注册版,在Win下访问Mac分区并操作的软件 高于这个版本的找不到序列号

    transMac.zip

    《transMac:跨越平台的苹果系统管理利器》 在IT领域,尤其是在苹果用户群体中,transMac是一款不可或缺的工具,它允许Windows用户轻松地管理和处理Mac格式的硬盘、USB驱动器以及DMG映像文件。"transMac.zip"这个...

    TransMac12.2破解版

    TransMAC12.2是一个在Windows下写入苹果镜像的软件,一般用于将原版MacOS原版镜像烧录到U盘,安装黑苹果必备,这个最新的12.2破解版,解压后替换主文件即可完成破解

    TransMac11破解版

    TransMac11破解版 黑苹果安装专用 小白们来下载

    TransMac.11.0内附注册

    TransMac.11.0内附注册,在windows下制作mac的启动盘

    Titles for ieee trans journal

    ieee trans 类文章总结 例如IEEE TRANSACTIONS ON ADVANCED PACKAGING ADVP IEEE Trans. Adv. Packag. CPMTB* IEEE Trans. Compon., Packag., Manuf. Technol. B* (1994–1998) IEEE TRANSACTIONS ON AEROSPACE ...

    黑苹果系统U盘制作工具TransMac121.zip

    标题中的“黑苹果系统U盘制作工具TransMac121.zip”指的是用于在Windows操作系统上创建启动用USB驱动器的工具,特别适用于安装苹果的 macOS(通常被称为“黑苹果”系统,即非官方的苹果系统在非苹果硬件上运行)。...

    trans-formas仪表操作

    "Trans-Formas"仪表操作涉及的是一个可能与数据转换、数据分析或监控系统相关的工具或技术。在IT行业中,仪表通常指的是用户界面中用于显示实时数据、指标或性能的图形化组件,它们常用于监控系统状态、业务表现或...

    TransMac(MAC系统磁盘文件读取工具) v11.2 官方Windows版

    TransMac 是一款MAC系统磁盘文件读取工具,可用于从苹果MAC系统磁盘拷贝文件到Windows计算机。TransMac支持读、写和格式化Macintosh高密度磁盘、CD-ROM以及SCSI光驱,主要可以支持长档案名、删除和复制目录树,以及...

    TransMac制作苹果系统,格式化苹果分区

    标题中的“TransMac制作苹果系统,格式化苹果分区”指的是使用TransMac这款软件来创建一个可用于安装Apple操作系统的启动U盘,并对Apple分区进行格式化的功能。TransMac是一款专为Windows用户设计的工具,它允许用户...

    TransMac12.1以及破解补丁

    先安装好TransMac,再把破解补丁解压到任意路径,运行后确认安装路径,点击Activate激活。激活后不要更新软件。

Global site tag (gtag.js) - Google Analytics