2. 程式人生 > >VS2017+OpenCV3.3基於SGBM演算法的雙目立體視覺、雙目測距（雙目校正和立體匹配）

VS2017+OpenCV3.3基於SGBM演算法的雙目立體視覺、雙目測距（雙目校正和立體匹配）

阿新 • • 發佈：2019-01-28

前些日子做了一個關於雙目立體視覺的入門作業，現在在這裡總結一下學到的一些知識（寫的可能會有很多欠缺的地方，還望海涵！）
本篇部落格不涉及雙目標定的知識，關於雙目標定網上資料很多，大家可以自行查詢學習。
先說一下本部落格的雙目立體視覺的實現基礎，已知以下資訊：
（1）雙目採集影象解析度為1920X1024；

（2）雙目相機相對於虛擬焦平面的外參及各自內參如下：

 左視相機：

 內參：

 像元大小 = 5.86微米；
 焦距     = [ 4334.09568   4334.09568 ]（畫素）;
 主點座標 = [ 959.50000   511.50000 ]  （畫素）;

 相對於虛擬焦平面的外參：

 旋轉向量 = [ 0.04345   -0.05236  -0.01810 ];
 平移向量 = [ -518.97666   01.20629  9.14632 ](毫米）

 
 右視相機：

 內參：

 像元大小 = 5.86微米；
 焦距     = [ 4489.55770   4507.13412 ]（畫素）;
 主點座標 = [ 801.86552   530.72579 ]  （畫素）;

 相對於虛擬焦平面的外參：

 旋轉向量 = [ 0.04345   -0.05236  -0.01810 ];
 平移向量 = [ 518.97666   -01.20629  -9.14632 ](毫米）

注：不考慮畸變校正；

通過以上資訊，首先確定解決問題的技術思路如下圖：
這裡寫圖片描述
由上圖可以看到在已知內外引數的前提下，只需要讀取圖片直接進行校正，接下來介紹關於雙目校正的知識。
雙目校正


要計算目標點在左右兩個檢視上形成的視差，首先要把該點在左右檢視上兩個對應的像點匹配起來。校正的目的是對左右兩幅影象平面重投影，使得它們精確落在同一個平面上，而且影象的行完全地對準到前向平行的結構上。
題目已經給出了旋轉矩陣Ｒ和平移向量 T，立體校正Bouguet 演算法能簡單地使左右影象中的每幅重投影次數最小且重投影畸變最大，所以使立體匹配更加準確和快速，並使左右影象的觀測面積最大。
通過投影矩陣P把三維點變換成可以在平面上顯示的二維點
[■(x@y@w)]=P[■(X@Y@■(Z@1))] (1) （1）
投影平面上的點座標為(x /w，y /w) 。同理，二維點也可通過重投影矩陣Q 重投影為三維點
（2）（3）
其中(c_x,c_y )為主點在左影象上的座標，f 為焦距，T_x
為雙目間距，c_x^'為主點在右影象的x座標。根據式(2)得到三維座標為: (X /W，Y/W，Z /W) 。在 OpenCV中可通過stereoRectify() 函式完成以上校正功能，該函式輸入引數為攝像機矩陣，畸變向量，左右旋轉矩陣Ｒ 和平移向量T。輸出引數有式 (1)中投影矩陣P，分別為P_left和 P_right，以及重投影矩陣Q。可呼叫函式InitUndistortRectifyMap( ) 生成影象校正所需的對映矩陣。最後經過remap（）函式，使左右相機的影象共面並且行對準。效果如下圖：
這裡寫圖片描述

立體匹配與生成深度資訊
立體匹配完成匹配左右攝像機檢視的相同特徵，並得到視差圖，視差值是匹配時相同特徵點在x座標軸上的差值x_l-x_r。得到視差圖後可通過三角相似的原理得到目標物體的距離。
2.2.1立體成像原理
假設攝像機沒有畸變，左右攝像機的成像平面已經嚴格對準，左右主點已經校準，主光線也是平行的。理想立體攝像機模型如下圖:
這裡寫圖片描述
設兩個攝像機分別移動到世界座標系的原點，可分別得到各自獨立的W點相對像平面點的X和Y座標式：
這裡寫圖片描述
由式(6) 易知視差d和距離Z成反比，當視差很小時，視差的變化對距離Z的影響較大; 當視差較大時，視差的變化對距離Z的影響較小，因此，測距系統僅當距離較近時精度較高。

立體匹配演算法介紹
SGBM演算法介紹
在OpenCV中使用函式StereoSGBM ( ) 實現了SGBM演算法。SGBM 演算法核心步驟為：選取匹配基元；構建基於多個方向的掃描線的代價能量和函式；求取能量代價和函式的最優解。OpenCV中SGMB演算法的實現主要分為以下四個步驟：
①預處理
SGBM採用水平Sobel運算元，把影象做處理，然後用一個函式將經過水平Sobel運算元處理後的影象上每個畫素點（P表示其畫素值）對映成一個新的影象，P_NEW表示新影象上的畫素值。對映函式如下：
這裡寫圖片描述
preFilterCap為一個常數引數，openCv預設取15。預處理實際上是得到影象的梯度資訊。經預處理的影象儲存起來，將會用於計算代價。
②代價計算
代價有兩部分組成：經過預處理得到的影象的梯度資訊經過基於取樣的方法得到的梯度代價；原影象經過基於取樣的方法得到的SAD代價。
③動態規劃
用一維約束近似二維約束。在P的周圍，以 45°為間隔設定了8個路徑。通過8個路徑計算最小代價路徑L_r (p,d)，以此來近似二維約束匹配計算.
其中動態規劃很重要兩個引數P1，P2是這樣設定的：
P1 =8*cn*sgbm.SADWindowSize*sgbm.SADWindowSize;
P2 = 32*cn*sgbm.SADWindowSize*sgbm.SADWindowSize;
cn是影象的通道數, SADWindowSize是SAD視窗大小，數值為奇數。可以看出，當影象通道和SAD視窗確定下來，SGBM的規劃引數P1和P2是常數。
④後處理
openCvSGBM的後處理包含以下幾個步驟：
Step1：唯一性檢測：視差視窗範圍內最低代價是次低代價的(1 + uniquenessRatio/100)倍時，最低代價對應的視差值才是該畫素點的視差，否則該畫素點的視差為0。其中uniquenessRatio是一個常數引數。
Step2：亞畫素插值
Step3：左右一致性檢測：誤差閾值disp12MaxDiff預設為1，可以自己設定。

獲得深度資訊
經過sgbm->compute(rectifyImageL, rectifyImageR, disp)獲得視差對映後，利用式(2)，式(3) ，通過簡單的矩陣相乘就可提取深度資訊。三維座標就是( X /W，Y/W，Z /W) 。OpenCV中使用reprojectImageTo3D( )函式實現該功能，該函式輸入上面得到的視差資料，輸出所需的三維點陣，然後提取深度資訊。

SGBM引數設定：（在下面的程式中已經標明）
MinDisparity設定為0，因為兩個攝像頭是前向平行放置，相同的物體在左圖中一定比在右圖中偏右。如果為了追求更大的雙目重合區域而將兩個攝像頭向內偏轉的話，這個引數是需要考慮的。
UniquenessRatio主要可以防止誤匹配，此引數對於最後的匹配結果是有很大的影響。立體匹配中，寧願區域無法匹配，也不要誤匹配。如果有誤匹配的話，碰到障礙檢測這種應用，就會很麻煩。該引數不能為負值，一般5-15左右的值比較合適，int型。
BlockSize：SAD視窗大小，容許範圍是[5,255]，一般應該在 5x5..21x21 之間，引數必須為奇數值, int型。
NumDisparities：視差視窗，即最大視差值與最小視差值之差,視窗大小必須是 16的整數倍，int型。
在SGBM演算法的引數中，對視差生成效果影響較大的主要引數是BlockSize、NumDisparities和UniquenessRatio三個，一般只需對這三個引數進行調整，其餘引數按預設設定即可。
具體實現程式碼如下：（SGBM演算法匹配效果較好，但是時間較長，程式執行時請耐心等待！）

#include <opencv2/opencv.hpp>  
#include <iostream>  
#include <stdio.h>

using namespace std;
using namespace cv;

const int imageWidth = 1920;                             //攝像頭的解析度  
const int imageHeight = 1024;
Size imageSize = Size(imageWidth, imageHeight);

Mat rgbImageL, grayImageL;
Mat rgbImageR, grayImageR;
Mat rectifyImageL, rectifyImageR;

Rect validROIL;//影象校正之後，會對影象進行裁剪，這裡的validROI就是指裁剪之後的區域  
Rect validROIR;

Mat mapLx, mapLy, mapRx, mapRy;     //對映表  
Mat Rl, Rr, Pl, Pr, Q;              //校正旋轉矩陣R，投影矩陣P 重投影矩陣Q
Mat xyz;              //三維座標

Point origin;         //滑鼠按下的起始點
Rect selection;      //定義矩形選框
bool selectObject = false;    //是否選擇物件


Ptr<StereoSGBM> sgbm = StereoSGBM::create(0, 16, 3);

/*
事先標定好的相機的引數
fx 0 cx
0 fy cy
0 0  1
*/
Mat cameraMatrixL = (Mat_<double>(3, 3) << 4334.09568, 0, 959.50000,
    0, 4334.09568, 511.50000,
    0, 0, 1.0);
Mat distCoeffL = (Mat_<double>(5, 1) << 0.0, 0.0,0.0, 0.0, 0.0);

Mat cameraMatrixR = (Mat_<double>(3, 3) << 4489.55770, 0, 801.86552,
    0, 4507.13412, 530.72579,
    0, 0, 1.0);
Mat distCoeffR = (Mat_<double>(5, 1) << 0.0, 0.0, 0.0, 0.0, 0.0);

Mat T = (Mat_<double>(3, 1) << -518.97666, 01.20629,9.14632);//T平移向量
Mat rec = (Mat_<double>(3, 1) <<0.04345, -0.05236, -0.01810);//rec旋轉向量
Mat R;//R 旋轉矩陣


static void saveXYZ(const char* filename, const Mat& mat)
{
    const double max_z = 16.0e4;
    FILE* fp = fopen(filename, "wt");
    printf("%d %d \n", mat.rows, mat.cols);
    for (int y = 0; y < mat.rows; y++)
    {
        for (int x = 0; x < mat.cols; x++)
        {
            Vec3f point = mat.at<Vec3f>(y, x);
            if (fabs(point[2] - max_z) < FLT_EPSILON || fabs(point[2]) > max_z) continue;
            fprintf(fp, "%f %f %f\n", point[0], point[1], point[2]);

        }
    }
    fclose(fp);
}

/*給深度圖上色*/
void GenerateFalseMap(cv::Mat &src, cv::Mat &disp)
{
    // color map  
    float max_val = 255.0f;
    float map[8][4] = { { 0,0,0,114 },{ 0,0,1,185 },{ 1,0,0,114 },{ 1,0,1,174 },
    { 0,1,0,114 },{ 0,1,1,185 },{ 1,1,0,114 },{ 1,1,1,0 } };
    float sum = 0;
    for (int i = 0; i<8; i++)
        sum += map[i][3];

    float weights[8]; // relative   weights  
    float cumsum[8];  // cumulative weights  
    cumsum[0] = 0;
    for (int i = 0; i<7; i++) {
        weights[i] = sum / map[i][3];
        cumsum[i + 1] = cumsum[i] + map[i][3] / sum;
    }

    int height_ = src.rows;
    int width_ = src.cols;
    // for all pixels do  
    for (int v = 0; v<height_; v++) {
        for (int u = 0; u<width_; u++) {

            // get normalized value  
            float val = std::min(std::max(src.data[v*width_ + u] / max_val, 0.0f), 1.0f);

            // find bin  
            int i;
            for (i = 0; i<7; i++)
                if (val<cumsum[i + 1])
                    break;

            // compute red/green/blue values  
            float   w = 1.0 - (val - cumsum[i])*weights[i];
            uchar r = (uchar)((w*map[i][0] + (1.0 - w)*map[i + 1][0]) * 255.0);
            uchar g = (uchar)((w*map[i][1] + (1.0 - w)*map[i + 1][1]) * 255.0);
            uchar b = (uchar)((w*map[i][2] + (1.0 - w)*map[i + 1][2]) * 255.0);
            //rgb記憶體連續存放  
            disp.data[v*width_ * 3 + 3 * u + 0] = b;
            disp.data[v*width_ * 3 + 3 * u + 1] = g;
            disp.data[v*width_ * 3 + 3 * u + 2] = r;
        }
    }
}

      /*****立體匹配*****/
void stereo_match(int, void*)
{
    sgbm->setPreFilterCap(63);
    int sgbmWinSize =  5;//根據實際情況自己設定
    int NumDisparities = 416;//根據實際情況自己設定
    int UniquenessRatio = 6;//根據實際情況自己設定
    sgbm->setBlockSize(sgbmWinSize);
    int cn = rectifyImageL.channels();

    sgbm->setP1(8 * cn*sgbmWinSize*sgbmWinSize);
    sgbm->setP2(32 * cn*sgbmWinSize*sgbmWinSize);
    sgbm->setMinDisparity(0);
    sgbm->setNumDisparities(NumDisparities);
    sgbm->setUniquenessRatio(UniquenessRatio);
    sgbm->setSpeckleWindowSize(100);
    sgbm->setSpeckleRange(10);
    sgbm->setDisp12MaxDiff(1);
    sgbm->setMode(StereoSGBM::MODE_SGBM);
    Mat disp, dispf, disp8;
    sgbm->compute(rectifyImageL, rectifyImageR, disp);
    //去黑邊
    Mat img1p, img2p;
    copyMakeBorder(rectifyImageL, img1p, 0, 0, NumDisparities, 0, IPL_BORDER_REPLICATE);
    copyMakeBorder(rectifyImageR, img2p, 0, 0, NumDisparities, 0, IPL_BORDER_REPLICATE);
    dispf = disp.colRange(NumDisparities, img2p.cols- NumDisparities);

    dispf.convertTo(disp8, CV_8U, 255 / (NumDisparities *16.));
    reprojectImageTo3D(dispf, xyz, Q, true); //在實際求距離時，ReprojectTo3D出來的X / W, Y / W, Z / W都要乘以16(也就是W除以16)，才能得到正確的三維座標資訊。
    xyz = xyz * 16;
    imshow("disparity", disp8);
    Mat color(dispf.size(), CV_8UC3);
    GenerateFalseMap(disp8, color);//轉成彩圖
    imshow("disparity", color);
    saveXYZ("xyz.xls", xyz);
}



/*****描述：滑鼠操作回撥*****/
static void onMouse(int event, int x, int y, int, void*)
{
    if (selectObject)
    {
        selection.x = MIN(x, origin.x);
        selection.y = MIN(y, origin.y);
        selection.width = std::abs(x - origin.x);
        selection.height = std::abs(y - origin.y);
    }

    switch (event)
    {
    case EVENT_LBUTTONDOWN:   //滑鼠左按鈕按下的事件
        origin = Point(x, y);
        selection = Rect(x, y, 0, 0);
        selectObject = true;
        cout << origin << "in world coordinate is: " << xyz.at<Vec3f>(origin) << endl;
        break;
    case EVENT_LBUTTONUP:    //滑鼠左按鈕釋放的事件
        selectObject = false;
        if (selection.width > 0 && selection.height > 0)
            break;
    }
}


/*****主函式*****/
int main()
{
    /*  立體校正    */
    Rodrigues(rec, R); //Rodrigues變換
    stereoRectify(cameraMatrixL, distCoeffL, cameraMatrixR, distCoeffR, imageSize, R, T, Rl, Rr, Pl, Pr, Q, CALIB_ZERO_DISPARITY,
        0, imageSize, &validROIL, &validROIR);
    initUndistortRectifyMap(cameraMatrixL, distCoeffL, Rl, Pl, imageSize, CV_16SC2, mapLx, mapLy);
    initUndistortRectifyMap(cameraMatrixR, distCoeffR, Rr, Pr, imageSize, CV_16SC2, mapRx, mapRy);

    /*  讀取圖片    */
    rgbImageL = imread("left_cor.bmp", CV_LOAD_IMAGE_COLOR);//CV_LOAD_IMAGE_COLOR
    rgbImageR = imread("right_cor.bmp", -1);


    /*  經過remap之後，左右相機的影象已經共面並且行對準了 */
    remap(rgbImageL, rectifyImageL, mapLx, mapLy, INTER_LINEAR);//INTER_LINEAR
    remap(rgbImageR, rectifyImageR, mapRx, mapRy, INTER_LINEAR);

    /*  把校正結果顯示出來*/

    //顯示在同一張圖上
    Mat canvas;
    double sf;
    int w, h;
    sf = 700. / MAX(imageSize.width, imageSize.height);
    w = cvRound(imageSize.width * sf);
    h = cvRound(imageSize.height * sf);
    canvas.create(h, w * 2, CV_8UC3);   //注意通道

                                        //左影象畫到畫布上
    Mat canvasPart = canvas(Rect(w * 0, 0, w, h));                                //得到畫布的一部分  
    resize(rectifyImageL, canvasPart, canvasPart.size(), 0, 0, INTER_AREA);     //把影象縮放到跟canvasPart一樣大小  
    Rect vroiL(cvRound(validROIL.x*sf), cvRound(validROIL.y*sf),                //獲得被擷取的區域    
        cvRound(validROIL.width*sf), cvRound(validROIL.height*sf));
    //rectangle(canvasPart, vroiL, Scalar(0, 0, 255), 3, 8);                      //畫上一個矩形  
    cout << "Painted ImageL" << endl;

    //右影象畫到畫布上
    canvasPart = canvas(Rect(w, 0, w, h));                                      //獲得畫布的另一部分  
    resize(rectifyImageR, canvasPart, canvasPart.size(), 0, 0, INTER_LINEAR);
    Rect vroiR(cvRound(validROIR.x * sf), cvRound(validROIR.y*sf),
        cvRound(validROIR.width * sf), cvRound(validROIR.height * sf));
    //rectangle(canvasPart, vroiR, Scalar(0, 0, 255), 3, 8);
    cout << "Painted ImageR" << endl;

    //畫上對應的線條
    for (int i = 0; i < canvas.rows; i += 16)
        line(canvas, Point(0, i), Point(canvas.cols, i), Scalar(0, 255, 0), 1, 8);
    imshow("rectified", canvas);

    /*  立體匹配    */
    namedWindow("disparity", CV_WINDOW_NORMAL);
    //滑鼠響應函式setMouseCallback(視窗名稱, 滑鼠回撥函式, 傳給回撥函式的引數，一般取0)
    setMouseCallback("disparity", onMouse, 0);//disparity
    stereo_match(0, 0);

    waitKey(0);
    return 0;
}

效果圖如下：
這裡寫圖片描述
這裡寫圖片描述
可以看到廣告牌距離大概為10米，車身距離大概為7米多，符合實際。

相關推薦

VS2017+OpenCV3.3基於SGBM演算法的雙目立體視覺、雙目測距（雙目校正和立體匹配）

前些日子做了一個關於雙目立體視覺的入門作業，現在在這裡總結一下學到的一些知識（寫的可能會有很多欠缺的地方，還望海涵！） 本篇部落格不涉及雙目標定的知識，關於雙目標定網上資料很多，大家可以自行查詢學習。 先說一下本部落格的雙目立體視覺的實現基礎，已知以下資訊：

VS2017+opencv3.3 圖像校正遇到兩個問題

info 圖像 ima com opencv3 屬性 代碼 選項 open 在修改代碼的時候發現的錯誤，相機陣列 1：error C2664 解決方式：“屬性→配置屬性→常規→項目默認值→字符集”，默認的選項是“使用多字節字符集”，將它改為“使用Unicode字符集”即可

（VS2017+OPENCV3.3.1）攝像頭小工具，每5分鐘儲存一幀畫面

#include "stdafx.h" #include <opencv2/opencv.hpp> #include <iostream> #include <stdio.h> #include <windows.h> #in

基於Zlib演算法的流壓縮、字串壓縮原始碼

Zlib.net官方原始碼demo中提供了壓縮檔案的原始碼演算法。處於專案研發的需要，我需要對記憶體流進行壓縮，由於zlib.net並無相關文字幫助只能自己看原始碼解決。通過對SharpZipLib的demo研究，寫出了Zlib.net的流壓縮演算法。 中間花費了不少的時間，應為通過Stream壓縮出來的

關於雙目立體視覺的一些總結（二）

https://blog.csdn.net/u014629875/article/details/51340144上一篇只是對於雙目立體視覺做了一個簡單的介紹，這裡就我在做這個的時候碰到的一些問題做一個梳理。1.首先要糾正一下之前一個錯誤：cvRemap函式只接受灰度圖。其實這個函式要求src與dst大小格式

關於雙目立體視覺的一些總結（一）

https://blog.csdn.net/u014629875/article/details/51227534由於專案和畢設的需要，最近在做一些立體視覺的東西，總算是把立體視覺建立起來了，中途查了很多相關資料，這裡做一個總結。1.簡介：雙目視覺是模擬人類視覺原理，使用計算機被動感知距離的方

基於詞典的正向最大匹配演算法（最長詞優先匹配）

public Set<String> matchChinese(String text, Set<String> dictionary, int maxLength) { //text：待匹配文字 dictiona：詞典

(排序演算法)linux c語言實現快速排序（氣泡排序的改進版）

 快速排序演算法是對氣泡排序演算法的一種改進，氣泡排序是對單個元素的升降，快速排序是對所有元素的升降，不過這個升降是取了某一個標準的前提下，在本文程式碼中，就以a[i]，其實就是以最左邊的元素為參考，比較交換之後，將這個參考元素放到分界的地方，即i的位置。 程式碼如下，裡面有比較詳細的

基於centos7系統下SVN的安裝與配置（阿里雲伺服器下Linux）

       對於企業或者公司來說，檔案的管理一直以來都是很頭疼的事，SVN的出現對於檔案的管理提供了很大的幫助。廢話不多說了，關於SVN，就不做過多介紹了，想要了解更多的話，請檢視SVN簡介。 關於Linux系統下如何安裝SVN，下面給我我自己的實踐步驟

對稱加密演算法常用的五種分組模式（ECB/CBC/CFB/OFB/CTR）

版權宣告：本文為作者原創，如需轉載，請註明出處 https://blog.csdn.net/weixin_42940826 注：以下圖片來自於《圖解密碼學》，這本書講的更全面細緻，建議閱讀，在我資源庫中有此書，還有使用go語言具體實現和解釋此書中的各種加密演算法的文件，有需要的可以自

基於微信視訊直播如何做收費直播（微信公眾號直播）？

基於微信視訊直播如何做收費直播（微信公眾號直播） 現場裝置準備 網路環境 平臺選擇（或自搭直播環境） 微信自定選單的連結加入 發起直播 測試直播適配性 開始自己的直播 （未完待續） 相關連結：https://blog.csdn.ne

一階RC濾波器的演算法實現（低通和高通）3102

目前，專案需要處理訊號。目標訊號是特定頻率範圍內的訊號。高頻視為干擾。而一階RC濾波器容易實現。但是網上資料往往沒有詳細的推導。因此在這裡把筆記記下。本文的優勢是比較詳細，引數配置都有公式依據。 目錄 1、一階RC低通濾波器的演算法實現 1.1 演算法推導 1.2 波特圖 1.3

求大神幫我看看這個題的插入演算法中哪裡錯了？？（帶頭節點的單鏈表）

#include<stdio.h> #include<stdlib.h> typedef int elementype; #define OK 1 #define EORR 0 typedef struct node { elementy

10 種機器學習演算法的要點（附 Python 和 R 程式碼）

1. 監督式學習 監督式學習演算法包括一個目標變數（因變數）和用來預測目標變數的預測變數（自變數）。通過這些變數我們可以搭建一個模型，從而對於一個已知的預測變數值，我們可以得到對應的目標變數值。重複訓練這個模型，直到它能在訓練資料集上達到預定的準確度。 屬於監

根據前序和中序（後序和中序）遍歷構造樹 #演算法#

原題如下 Given preorder and inorder traversal of a tree, construct the binary tree. 根據前序和中序遍歷序列構建二叉樹。 Note: You may assume that duplica

飛機大作戰遊戲 3----（運用H5和Js製作）

遊戲執行中 我方飛機的狀態： var heros1 = []; // 飛機未被撞擊時的狀態 heros1[0] = new Image; heros1[0].src = "img/hero1.png"

排序演算法之 插入排序、希爾（shell）排序 及其時間複雜度和空間複雜度

        有一個已經有序的資料序列，要求在這個已經排好的資料序列中插入一個數，但要求插入後此資料序列仍然有序，這個時候就要用到一種新的排序方法——插入排序插入排序的基本操作就是將一個數據插入到已經排好序的有序資料中，從而得到一個新的、個數加一的有序資料，演算法適用於少

【開放原始碼】基於IOCP的網路底層庫XSE2.0原始碼（包含C\C++\C#示例）

XSE全名為 X Server Engine，是在IOCP基礎上建立的一個網路底層庫。使用APP/SERVICE/CONNECTION的架構方式。這個方式在我之前的隨筆中有介紹。（ASS）特性：   可定製的各種引數   可定製的行為   對外提供虛介面和C介面，以隱藏IOCP實現，增強跨平臺的能力。

[演算法題] 人民幣大小寫轉換（阿拉伯數字和漢字轉換）

在一次面試中遇到一個有意思的小演算法題：要求將阿拉伯數字轉為漢字顯示出來(包含單位)。 當時雖然實現出來，但是程式碼寫的有點凌亂。所以回家後，重新整理了一下。 這個演算法有幾個小的注意點： 1、中文字元佔兩個位元組，所以如果用C語言實現，需要用char陣列的形式儲存單個漢字。 2、如果數字中出現連

基於轉角數為基準的廣度優先搜尋（樣例：連連看）

c++作業，設計一個簡單的連連看程式，建立一個 圖 ，然後每次輸入兩個座標，判斷是否可以消除，初次寫覺得廣搜可以完成（事實證明的確可以），但是略有些麻煩，本來想看老師的程式碼的，結果一下整個600來行的簡單模擬（八種情況，分別嘗試），太麻煩了，就查詢這方面的資料，《程式設計之