基于Python的心电信号检测与处理_python 检测r波位置-程序员宅基地
技术标签： python 笔记 一起学Python 傅立叶分析 iir滤波器 数字信号处理
心电信号的特征提取、分析与处理
1.生物医学信号的特征提取与分析方法
2.生物医学信号的滤波方法
数据来源：
MIT-BIH数据库（可从以下数据中任选两组进行实验）
给出4组不同病例的心电信号数据，分别命名为“100-2-3”，“105-2-3”，“109-2-3”，“111-2-3”，每组数据以“.mat”形式存储。
每组数据长度N=2048，采样率fs=360Hz(硬件采集心电信号时，每秒采集360个点。注意设计FIR,IIR时可能用到该采样率。). 即2048点对应时间约为5.69s
任务内容：
（1）谱分析： 取两段心电信号数据（不同病例），对该数据进行频谱分析（幅度谱、相位谱、功率谱）；
（2）相关分析：分别计算两段心电信号的均值、方差、自相关函数与互相关函数；分析两段信号的相干函数曲线，对于相关函数进行循环相关函数与线性相关函数的对比；
（3）讨论：根据（1）、（2）得出的结果，分析并总结心电信号的特征（例如，心电信号能量主要分布范围、自相关函数与互相关函数有没有周期特性等）
（4）数字滤波器设计：取一段心电信号，添加白噪声。分别作出原始信号、加噪信号的图；作出原始信号、加噪信号的自相关曲线，分析估计心电信号的准周期；取一段心电信号，添加高频噪声（1k-2khz），如高频正弦信号，频率自己选择。结合（1）中得出的结论，即ECG的主要能量分布结果，设计数字滤波器（IIR或FIR），去除高频噪声。（也可直接设计数字滤波器去除基线漂移） 要求：对滤波器的截止频率的设置要给出说明。
（5）维纳滤波器去除工频干扰：取一段心电信号，添加频率为50Hz的高斯白噪声（工频干扰）。设计维纳滤波器，分析滤波结果。
Python代码实现
原始心电信号数据代码
#coding:UTF-8
import scipy.io as scio
import numpy as np
import matplotlib.pyplot as plt
# %matplotlib inline
#设置绘图大小
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
dataFile_100 = './100-2-3.mat'
dataFile_105 = './105-2-3.mat'
dataFile_109 = './109-2-3.mat'
dataFile_111 = './111-2-3.mat'
data_100 = scio.loadmat(dataFile_100)
data_105 = scio.loadmat(dataFile_105)
data_109 = scio.loadmat(dataFile_109)
data_111 = scio.loadmat(dataFile_111)
Y_100 = data_100['y']
Y_105 = data_105['y']
Y_109 = data_109['y']
Y_111 = data_111['y']
Fs = 360
N = 2048
frq = np.arange(N) #频率数2048个数
half_x = frq[range(int(N/2))] #取一半区间
print ("心电信号数据:",Y_100)
print ("数据长度:",len(Y_100))
# 原始数据
plt.figure(figsize=(7,5))
plt.subplot(221)
plt.title('100-2-3原始心电信号数据')
plt.plot(range(0,N), Y_100)
plt.xlabel("N")
plt.ylabel("心电信号")
plt.subplot(222)
plt.title('105-2-3原始心电信号数据')
plt.plot(range(0,N), Y_105)
plt.xlabel("N")
plt.ylabel("心电信号")
plt.subplot(223)
plt.title('109-2-3原始心电信号数据')
plt.plot(range(0,N), Y_109)
plt.xlabel("N")
plt.ylabel("心电信号")
plt.subplot(224)
plt.title('111-2-3原始心电信号数据')
plt.plot(range(0,N), Y_111)
plt.xlabel("N")
plt.ylabel("心电信号")
plt.show()
原始心电信号数据结果
部分原始心电信号数据代码
# 部分原始数据
plt.figure(figsize=(7,5))
plt.subplot(221)
plt.title('100-2-3原始心电信号部分数据')
plt.plot(frq[0:100], Y_100[0:100])
plt.xlabel("N")
plt.ylabel("心电信号")
plt.subplot(222)
plt.title('105-2-3原始心电信号部分数据')
plt.plot(frq[0:100], Y_105[0:100])
plt.xlabel("N")
plt.ylabel("心电信号")
plt.subplot(223)
plt.title('109-2-3原始心电信号部分数据')
plt.plot(frq[0:100], Y_109[0:100])
plt.xlabel("N")
plt.ylabel("心电信号")
plt.subplot(224)
plt.title('111-2-3原始心电信号部分数据')
plt.plot(frq[0:100], Y_111[0:100])
plt.xlabel("N")
plt.ylabel("心电信号")
plt.show()
部分原始心电信号数据结果
谱分析代码
# 谱分析
mf_100 = np.fft.fft2(Y_100) # 进行频谱变换（傅里叶变换）
mf_105 = np.fft.fft2(Y_105)
mag_100 = np.abs(mf_100) # 取复数的绝对值，即复数的模(双边频谱)
mag_105 = np.abs(mf_105)
gui_mag_100 = mag_100/N # 归一化处理（双边频谱）
gui_mag_105 = mag_105/N
gui_half_mag_100 = gui_mag_100[range(int(N/2))] #由于对称性，只取一半区间（单边频谱）
gui_half_mag_105 = gui_mag_105[range(int(N/2))]
f_100 = 20*np.log10(mag_100[:N//2]) # 通过 20*np.log10()将其转换为以db单位的值
f_105 = 20*np.log10(mag_105[:N//2])
双边未求绝对值的幅度谱代码
# 双边未求绝对值的幅度谱
plt.figure(figsize=(7,5))
plt.subplot(211)
plt.plot(frq,mf_100)
plt.title('100-2-3心电信号幅度谱(双边未求绝对值)')
plt.xlabel("频率(HZ)")
plt.ylabel("幅值")
plt.subplot(212)
plt.plot(frq,mf_105)
plt.title('105-2-3心电信号幅度谱(双边未求绝对值)')
plt.xlabel("频率(HZ)")
plt.ylabel("幅值")
plt.show()
双边未求绝对值的幅度谱结果
双边求绝对值的幅度谱代码
# 双边求绝对值的幅度谱
plt.figure(figsize=(7,5))
plt.subplot(211)
plt.plot(frq,mag_100)
plt.title('100-2-3心电信号幅度谱(双边求绝对值)')
plt.xlabel("频率(HZ)")
plt.ylabel("幅值")
plt.subplot(212)
plt.plot(frq,mag_105)
plt.title('105-2-3心电信号幅度谱(双边求绝对值)')
plt.xlabel("频率(HZ)")
plt.ylabel("幅值")
plt.show()
双边求绝对值的幅度谱结果
双边求绝对值归一化的幅度谱代码
# 双边求绝对值归一化的幅度谱
plt.figure(figsize=(7,5))
plt.subplot(211)
plt.plot(frq,gui_mag_100)
plt.title('100-2-3心电信号幅度谱(双边求绝对值归一化)')
plt.xlabel("频率(HZ)")
plt.ylabel("幅值")
plt.subplot(212)
plt.plot(frq,gui_mag_105)
plt.title('105-2-3心电信号幅度谱(双边求绝对值归一化)')
plt.xlabel("频率(HZ)")
plt.ylabel("幅值")
plt.show()
双边求绝对值归一化的幅度谱结果
单边求绝对值归一化的幅度谱代码
# 单边求绝对值归一化的幅度谱
plt.figure(figsize=(7,5))
plt.subplot(211)
plt.plot(half_x,gui_half_mag_100)
plt.title('100-2-3心电信号幅度谱(单边求绝对值归一化)')
plt.xlabel("频率(HZ)")
plt.ylabel("幅值")
plt.subplot(212)
plt.plot(half_x,gui_half_mag_105)
plt.title('105-2-3心电信号幅度谱(单边求绝对值归一化)')
plt.xlabel("频率(HZ)")
plt.ylabel("幅值")
plt.show()
单边求绝对值归一化的幅度谱结果
转换为以db单位的值代码
# 通过 20*np.log10()将其转换为以db单位的值
plt.figure(figsize=(7,5))
plt.subplot(211)
plt.plot(f_100,'g')
plt.title('100-2-3心电信号幅度谱')
plt.xlabel("频率(HZ)")
plt.ylabel("幅值")
plt.subplot(212)
plt.plot(f_105, 'violet')
plt.title('105-2-3心电信号幅度谱')
plt.xlabel("频率(HZ)")
plt.ylabel("幅值")
plt.show()
转换为以db单位的值结果
双边未归一化的相位谱代码
angle_mag_100 = 180*np.angle(mf_100)/np.pi #取复数的弧度,并换算成角度
angle_mag_105 = 180*np.angle(mf_105)/np.pi
# 双边未归一化的相位谱
plt.figure(figsize=(7,5))
plt.subplot(211)
plt.plot(frq,angle_mag_100,'g')
plt.title('100-2-3心电信号相位谱(双边未归一化)')
plt.xlabel("频率(HZ)")
plt.ylabel("相位")
plt.subplot(212)
plt.plot(frq,angle_mag_105,'violet')
plt.title('105-2-3心电信号相位谱(双边未归一化)')
plt.xlabel("频率(HZ)")
plt.ylabel("相位")
plt.show()
双边未归一化的相位谱结果
双边未归一化的相位谱(部分)代码
# 双边未归一化的相位谱(部分)
plt.figure(figsize=(7,5))
plt.subplot(211)
plt.plot(frq[0:100],angle_mag_100[0:100],'g')
plt.title('100-2-3心电信号相位谱(双边未归一化)')
plt.xlabel("频率(HZ)")
plt.ylabel("相位")
plt.subplot(212)
plt.plot(frq[0:100],angle_mag_105[0:100],'violet')
plt.title('105-2-3心电信号相位谱(双边未归一化)')
plt.xlabel("频率(HZ)")
plt.ylabel("相位")
plt.show()
双边未归一化的相位谱(部分)结果
相位谱代码
# 相位谱
plt.figure(figsize=(7,5))
plt.subplot(211)
plt.plot(angle_mag_100)
plt.title('100-2-3心电信号相位谱')
plt.xlabel("频率(HZ)")
plt.ylabel("相位")
plt.subplot(212)
plt.plot(angle_mag_105)
plt.title('105-2-3心电信号相位谱')
plt.xlabel("频率(HZ)")
plt.ylabel("相位")
plt.show()
相位谱结果
功率谱代码
# 功率谱
ps_100 = mag_100**2 / N
ps_105 = mag_105**2 / N
ps_100 = 20*np.log10(ps_100[:N//2])
ps_105 = 20*np.log10(ps_105[:N//2])
plt.figure(figsize=(7,5))
plt.subplot(211)
plt.plot(ps_100,'violet')
plt.title('100-2-3心电信号功率谱')
plt.xlabel("频率(HZ)")
plt.ylabel("功率(dB)")
plt.subplot(212)
plt.plot(ps_105,'g')
plt.title('105-2-3心电信号功率谱')
plt.xlabel("频率(HZ)")
plt.ylabel("功率(dB)")
plt.show()
功率谱结果
心电信号均值方差代码
#coding:UTF-8
import scipy.io as scio
import numpy as np
import matplotlib.pyplot as plt
# %matplotlib inline
#设置绘图大小
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
dataFile_100 = './100-2-3.mat'
dataFile_105 = './105-2-3.mat'
dataFile_109 = './109-2-3.mat'
dataFile_111 = './111-2-3.mat'
data_100 = scio.loadmat(dataFile_100)
data_105 = scio.loadmat(dataFile_105)
data_109 = scio.loadmat(dataFile_109)
data_111 = scio.loadmat(dataFile_111)
Y_100 = data_100['y']
Y_105 = data_105['y']
Y_109 = data_109['y']
Y_111 = data_111['y']
Fs = 360
N = 2048
frq = np.arange(N) #频率数2048个数
half_x = frq[range(int(N/2))] #取一半区间
print ("心电信号数据:",Y_100)
print ("数据长度:",len(Y_100))
avr109 = np.mean(Y_109)
avr111 = np.mean(Y_111)
var109 = np.var(Y_109)
var111 = np.var(Y_111)
print("信号109的均值:",avr109)
print("信号111的均值:",avr111)
print("信号109的方差:",var109)
print("信号111的方差:",var111)
心电信号均值方差结果
心电信号自相关函数代码
Y_109 = np.array(Y_109).flatten()
RY_109 = np.correlate(Y_109, Y_109, mode='full')
plt.figure(figsize=(7,5))
plt.plot(RY_109)
plt.title('心电信号109的自相关函数')
plt.show()
Y_111 = np.array(Y_111).flatten()
RY_111 = np.correlate(Y_111, Y_111, mode='full')
plt.figure(figsize=(7,5))
plt.plot(RY_111)
plt.title('心电信号111的自相关函数')
plt.show()
心电信号自相关函数结果
心电信号互相关函数代码
Y_109 = np.array(Y_109).flatten()
Y_111 = np.array(Y_111).flatten()
RY_109_111 = np.correlate(Y_109, Y_111, mode='full')
plt.figure(figsize=(7,5))
plt.plot(RY_109_111)
plt.title('心电信号109,111的互相关函数')
plt.show()
心电信号互相关函数结果
心电信号加入高斯白噪声代码
#coding:UTF-8
import scipy.io as scio
import numpy as np
import matplotlib.pyplot as plt
from scipy import signal
# %matplotlib inline
#设置绘图大小
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
dataFile_100 = './100-2-3.mat'
dataFile_105 = './105-2-3.mat'
dataFile_109 = './109-2-3.mat'
dataFile_111 = './111-2-3.mat'
data_100 = scio.loadmat(dataFile_100)
data_105 = scio.loadmat(dataFile_105)
data_109 = scio.loadmat(dataFile_109)
data_111 = scio.loadmat(dataFile_111)
Y_100 = data_100['y']
Y_105 = data_105['y']
Y_109 = data_109['y']
Y_111 = data_111['y']
Fs = 360
N = 2048
frq = np.arange(N) #频率数2048个数
half_x = frq[range(int(N/2))] #取一半区间
print ("心电信号数据:",Y_100)
print ("数据长度:",len(Y_100))
def awgn(x, snr, seed=7):
'''
加入高斯白噪声 Additive White Gaussian Noise
:param x: 原始信号
:param snr: 信噪比
:return: 加入噪声后的信号
'''
np.random.seed(seed) # 设置随机种子
snr = 10 ** (snr / 10.0)
xpower = np.sum(x ** 2) / len(x)
npower = xpower / snr
noise = np.random.randn(len(x)) * np.sqrt(npower)
return x + noise
SNR=10*np.log(100/8)
SNRY_109 = awgn(Y_109,SNR)
plt.figure(figsize=(7,5))
plt.subplot(211)
plt.plot(Y_109)
plt.title('原始109-2-3心电信号')
plt.xlabel("频率(HZ)")
plt.ylabel("幅值")
plt.subplot(212)
plt.plot(SNRY_109)
plt.title('加入高斯白噪声')
plt.xlabel("频率(HZ)")
plt.ylabel("幅值")
plt.show()
心电信号加入高斯白噪声结果
心电信号加入高频噪声1000HZ代码
dt = 1/1023.5
t = np.array(2)
Y_109_high=np.sin(2*np.pi*1000*t)/10
Y_109_out = Y_109 + Y_109_high
plt.plot(Y_109_out)
plt.title('加入高频噪声1000HZ')
plt.xlabel("频率(HZ)")
plt.ylabel("幅值")
plt.show()
心电信号加入高频噪声1000HZ结果
IIR零相移数字滤波器纠正基线漂移代码
# IIR零相移数字滤波器纠正基线漂移
Wp = 1.4*2/Fs # 通带截止频率
Ws = 0.6*2/Fs # 阻带截止频率
devel = 0.005 # 通带纹波
Rp = 20*np.log10((1+devel)/(1-devel)) # 通带纹波系数
Rs=20 # 阻带衰减
N, Wn = signal.ellipord(Wp,Ws,Rp,Rs,True) # 求椭圆滤波器的阶次
b, a = signal.ellip(N,Rp,Rs,Wn,'high', True) # 求椭圆滤波器的系数
w, h = signal.freqs(b, a, 512)
result = signal.lfilter(b,a,Y_109)
plt.figure(figsize=(7,5))
plt.subplot(211)
plt.plot(Y_109)
plt.title('原始109-2-3心电信号')
plt.xlabel("频率(HZ)")
plt.ylabel("幅值")
plt.subplot(212)
plt.plot(result)
plt.title('线性滤波后信号')
plt.xlabel("频率(HZ)")
plt.ylabel("幅值")
plt.show()
N = 512
plt.figure(figsize=(7,5))
plt.subplot(211)
plt.plot(np.abs(np.fft.fft2(Y_109))*2/N)
plt.title('原始109-2-3心电信号频谱')
plt.xlabel("频率(HZ)")
plt.ylabel("幅值")
plt.subplot(212)
plt.plot(np.abs(np.fft.fft2(result))*2/N)
plt.title('线性滤波去掉基线漂移频谱')
plt.xlabel("频率(HZ)")
plt.ylabel("幅值")
plt.show()
IIR零相移数字滤波器纠正基线漂移结果
其他数字滤波器尝试代码
import numpy as np
from scipy import signal
import matplotlib.pyplot as plt
# 巴特沃斯滤波器
b, a = signal.butter(4, 100, 'low', analog=True) # 4阶低通临界频率为100Hz
w, h = signal.freqs(b, a) # h为频率响应,w为频率
result = signal.lfilter(b,a,Y_109)
# 巴特沃斯带通滤波器
N, Wn = signal.buttord([20, 50], [14, 60], 3, 40, True)
b, a = signal.butter(N, Wn, 'band', True)
w, h = signal.freqs(b, a, np.logspace(1, 2, 500))
result = signal.lfilter(b,a,Y_109)
# Chebyshev I型滤波器
b, a = signal.cheby1(4, 5, 100, 'low', analog=True)
w, h = signal.freqs(b, a)
result = signal.lfilter(b,a,Y_109)
#
N, Wn = signal.cheb1ord(0.2, 0.3, 3, 40)
b, a = signal.cheby1(N, 3, Wn, 'low')
w, h = signal.freqz(b, a)
result = signal.lfilter(b,a,Y_109)
# Chebyshev II型滤波器
b, a = signal.cheby2(4, 40, 100, 'low', analog=True)
w, h = signal.freqs(b, a)
result = signal.lfilter(b,a,Y_109)
#
N, Wn = signal.cheb2ord([0.1, 0.6], [0.2, 0.5], 3, 60)
b, a = signal.cheby2(N, 60, Wn, 'stop')
w, h = signal.freqz(b, a)
result = signal.lfilter(b,a,Y_109)
结果整理和报告分析
4组不同病例的心电信号数据：link
心电信号的特征提取、分析与处理的报告分析及完整代码：link
本人能力有限，解释尚不清楚明了，如遇任何问题，大家可留言或私信。开源Matlab程序较多，大家按需参考学习使用。
本文希望对大家有帮助，当然上文若有不妥之处，欢迎指正。
分享决定高度，学习拉开差距
智能推荐
分布式光纤传感器的全球与中国市场2022-2028年：技术、参与者、趋势、市场规模及占有率研究报告_预计2026年中国分布式传感器市场规模有多大-程序员宅基地
文章浏览阅读3.2k次。本文研究全球与中国市场分布式光纤传感器的发展现状及未来发展趋势，分别从生产和消费的角度分析分布式光纤传感器的主要生产地区、主要消费地区以及主要的生产商。重点分析全球与中国市场的主要厂商产品特点、产品规格、不同规格产品的价格、产量、产值及全球和中国市场主要生产商的市场份额。主要生产商包括：FISO TechnologiesBrugg KabelSensor HighwayOmnisensAFL GlobalQinetiQ GroupLockheed MartinOSENSA Innovati_预计2026年中国分布式传感器市场规模有多大
07_08 常用组合逻辑电路结构——为IC设计的延时估计铺垫_基4布斯算法代码-程序员宅基地
文章浏览阅读1.1k次，点赞2次，收藏12次。常用组合逻辑电路结构——为IC设计的延时估计铺垫学习目的：估计模块间的delay，确保写的代码的timing 综合能给到多少HZ，以满足需求！_基4布斯算法代码
OpenAI Manager助手（基于SpringBoot和Vue）_chatgpt网页版-程序员宅基地
文章浏览阅读3.3k次，点赞3次，收藏5次。OpenAI Manager助手（基于SpringBoot和Vue）_chatgpt网页版
关于美国计算机奥赛USACO，你想知道的都在这_usaco可以多次提交吗-程序员宅基地
文章浏览阅读2.2k次。USACO自1992年举办，到目前为止已经举办了27届，目的是为了帮助美国信息学国家队选拔IOI的队员，目前逐渐发展为全球热门的线上赛事，成为美国大学申请条件下，含金量相当高的官方竞赛。USACO的比赛成绩可以助力计算机专业留学，越来越多的学生进入了康奈尔，麻省理工，普林斯顿，哈佛和耶鲁等大学，这些同学的共同点是他们都参加了美国计算机科学竞赛（USACO)，并且取得过非常好的成绩。适合参赛人群USACO适合国内在读学生有意向申请美国大学的或者想锻炼自己编程能力的同学，高三学生也可以参加12月的第_usaco可以多次提交吗
MySQL存储过程和自定义函数_mysql自定义函数和存储过程-程序员宅基地
文章浏览阅读394次。1.1 存储程序1.2 创建存储过程1.3 创建自定义函数1.3.1 示例1.4 自定义函数和存储过程的区别1.5 变量的使用1.6 定义条件和处理程序1.6.1 定义条件1.6.1.1 示例1.6.2 定义处理程序1.6.2.1 示例1.7 光标的使用1.7.1 声明光标1.7.2 打开光标1.7.3 使用光标1.7.4 关闭光标1.8 流程控制的使用1.8.1 IF语句1.8.2 CASE语句1.8.3 LOOP语句1.8.4 LEAVE语句1.8.5 ITERATE语句1.8.6 REPEAT语句。_mysql自定义函数和存储过程
半导体基础知识与PN结_本征半导体电流为0-程序员宅基地
文章浏览阅读188次。半导体二极管——集成电路最小组成单元。_本征半导体电流为0
随便推点
【Unity3d Shader】水面和岩浆效果_unity 岩浆shader-程序员宅基地
文章浏览阅读2.8k次，点赞3次，收藏18次。游戏水面特效实现方式太多。咱们这边介绍的是一最简单的UV动画（无顶点位移），整个mesh由4个顶点构成。实现了水面效果（左图），不动代码稍微修改下参数和贴图可以实现岩浆效果（右图）。有要思路是1，uv按时间去做正弦波移动2，在1的基础上加个凹凸图混合uv3，在1、2的基础上加个水流方向4，加上对雾效的支持，如没必要请自行删除雾效代码(把包含fog的几行代码删除)S..._unity 岩浆shader
广义线性模型——Logistic回归模型（1）_广义线性回归模型-程序员宅基地
文章浏览阅读5k次。广义线性模型是线性模型的扩展，它通过连接函数建立响应变量的数学期望值与线性组合的预测变量之间的关系。广义线性模型拟合的形式为：其中g(μY)是条件均值的函数（称为连接函数）。另外，你可放松Y为正态分布的假设，改为Y 服从指数分布族中的一种分布即可。设定好连接函数和概率分布后，便可以通过最大似然估计的多次迭代推导出各参数值。在大部分情况下，线性模型就可以通过一系列连续型或类别型预测变量来预测正态分布的响应变量的工作。但是，有时候我们要进行非正态因变量的分析，例如：（1）类别型.._广义线性回归模型
HTML+CSS大作业 环境网页设计与实现(垃圾分类) web前端开发技术 web课程设计 网页规划与设计_垃圾分类网页设计目标怎么写-程序员宅基地
文章浏览阅读69次。环境保护、 保护地球、 校园环保、垃圾分类、绿色家园、等网站的设计与制作。 总结了一些学生网页制作的经验：一般的网页需要融入以下知识点：div+css布局、浮动、定位、高级css、表格、表单及验证、js轮播图、音频 视频 Flash的应用、ul li、下拉导航栏、鼠标划过效果等知识点，网页的风格主题也很全面：如爱好、风景、校园、美食、动漫、游戏、咖啡、音乐、家乡、电影、名人、商城以及个人主页等主题，学生、新手可参考下方页面的布局和设计和HTML源码（有用点赞△） 一套A+的网_垃圾分类网页设计目标怎么写
C# .Net 发布后,把dll全部放在一个文件夹中,让软件目录更整洁_.net dll 全局目录-程序员宅基地
文章浏览阅读614次，点赞7次，收藏11次。之前找到一个修改 exe 中 DLL地址 的方法, 不太好使,虽然能正确启动, 但无法改变 exe 的工作目录,这就影响了.Net 中很多获取 exe 执行目录来拼接的地址 ( 相对路径 ),比如 wwwroot 和 代码中相对目录还有一些复制到目录的普通文件 等等,它们的地址都会指向原来 exe 的目录, 而不是自定义的 “lib” 目录,根本原因就是没有修改 exe 的工作目录这次来搞一个启动程序,把 .net 的所有东西都放在一个文件夹,在文件夹同级的目录制作一个 exe._.net dll 全局目录
BRIEF特征点描述算法_breif description calculation 特征点-程序员宅基地
文章浏览阅读1.5k次。本文为转载，原博客地址：http://blog.csdn.net/hujingshuang/article/details/46910259简介 BRIEF是2010年的一篇名为《BRIEF:Binary Robust Independent Elementary Features》的文章中提出，BRIEF是对已检测到的特征点进行描述，它是一种二进制编码的描述子，摈弃了利用区域灰度..._breif description calculation 特征点
房屋租赁管理系统的设计和实现，SpringBoot计算机毕业设计论文_基于spring boot的房屋租赁系统论文-程序员宅基地
文章浏览阅读4.1k次，点赞21次，收藏79次。本文是《基于SpringBoot的房屋租赁管理系统》的配套原创说明文档，可以给应届毕业生提供格式撰写参考，也可以给开发类似系统的朋友们提供功能业务设计思路。_基于spring boot的房屋租赁系统论文