-
C++ Opencv 图片运算和处理
C++ Opencv 图片运算和处理
色彩空间
RGB 和 BGR
opencv主要使用BGR，与其他显示设备RGB不同需注意，是产生颜色不对的原因所在。
opencv Mat的type()值参照表- C1 C2 1C3 C4 C(5) C(6) C(7) C(8) CV_8U 0 8 16 24 32 40 48 56 CV_8S 1 9 17 25 33 41 49 57 CV_16U 2 10 18 26 34 42 50 58 CV_16S 3 11 19 27 35 43 51 59 CV_32S 4 12 20 28 36 44 52 60 CV_32F 5 13 21 29 37 45 53 61 CV_64F 6 14 22 30 38 46 54 62 HSV 和 HSL
HSV：H（Hue）表示色相，S（saturation）表示饱和度，V（value）明度
HSL：H（Hue）表示色相，S（saturation）表示饱和度，L（lightness）亮度
YUV
YUV：主要用于视频处理，数据源Y代表灰色图像，U、V代表颜色
YUV4:2:0 表示没4个Y里，要么有2个U，要么有2个V
划线
#include#include #include #include #include #include #include cv::Mat array2Img(nc::NdArray<uchar> array); void main(){ nc::NdArray<uchar> img_array = nc::NdArray<uchar>(40, 60); img_array.zeros(); cv::Mat line_img; int count = 0; while (count < 30) { img_array(count ,9) = 255; // blue img_array(count, 10) = 255; // green img_array(count, 11) = 255; // red count += 1; } for (size_t i = 0; i < img_array.numRows(); i++) { std::cout << "第" << i << ": "; for (size_t j = 0; j < img_array.numCols(); j++) { std::cout << (size_t)img_array(i, j); } std::cout << "\n"; } line_img = array2Img(img_array); cv::namedWindow("line_img", cv::WINDOW_NORMAL); cv::imshow("line_img",line_img); cv::waitKey(0); } //数组转图片 cv::Mat array2Img(nc::NdArray<uchar> array) { size_t h = array.numRows(); size_t w = array.numCols(); cv::Mat img(h,(size_t)(w/3), CV_8UC3); //保存为RGB for (size_t i = 0; i < h; i++) { uchar* tmp = img.ptr<uchar>(i); for (size_t j = 0; j < w; j++) { tmp[j] = array(i, j); } } return img; } - 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
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
3通道分割和合并
方法一
std::vector<cv::Mat> channelsSplistArray, channelsMergeArray; cv::Mat buleChannel, redChannel, greenChannel,newAddchannel,imgMerge; //分割, 相应通道颜色的会转为灰色 cv::split(line_img, channelsSplistArray); // & buleChannel = channelsSplistArray.at(0); // 0 255 255 greenChannel = channelsSplistArray.at(1); // 255 0 255 redChannel = channelsSplistArray.at(2); // 255 255 0 cv::imshow("buleChannel", buleChannel); cv::imshow("greenChannel", greenChannel); cv::imshow("redChannel", redChannel); // 合并三通道 设置blue为0 newAddchannel = channelsSplistArray.at(0).clone(); newAddchannel.setTo(0); channelsMergeArray.push_back(newAddchannel); channelsMergeArray.push_back(greenChannel); channelsMergeArray.push_back(redChannel); cv::merge(channelsMergeArray, imgMerge); // 当通道设置为0 ： 0为blue 1为green 2为red /*channelsSplistArray[0] = cv::Scalar(0); cv::merge(channelsSplistArray, imgMerge);*/ cv::imshow("imgMerge", imgMerge);- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
方法二
cv::Mat newAddchannel, imgMerge, imgChannelSplitArray[3]; // 分割 cv::split(line_img, imgChannelSplitArray); cv::imshow("buleChannel", imgChannelSplitArray[0]); cv::imshow("greenChannel", imgChannelSplitArray[1]); cv::imshow("redChannel", imgChannelSplitArray[2]); // 合并 newAddchannel = imgChannelSplitArray[0].clone(); newAddchannel.setTo(0); cv::Mat imgChannelMergeArray[3] = { newAddchannel,imgChannelSplitArray[1],imgChannelSplitArray[2]}; cv::merge(imgChannelMergeArray, 3, imgMerge); cv::imshow("imgMerge", imgMerge);- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
画图
线
//画线 line(img,起点, 终点, 线颜色, 线粗(-1为实心), 线平滑度, 起始点和终点成倍缩小) cv::line(line_img, { 10,20 }, { 500,500 }, { 0,255,255 },1,16);- 1
- 2
圆
// 画圆 circle(img, 圆点, 半径, 线颜色, 线粗(-1为填充), 线平滑度, 按圆心和半径成倍缩小) cv::circle(line_img, { 30,30 }, 5, { 255,255,0 }, 1, 16,0);- 1
- 2
椭圆
// 画椭圆 ellipse(img, 圆点, 椭圆的长宽的一半, 呈现的角度, 画椭圆的起点, 终点, 线颜色, 线粗(-1为填充), 线平滑度, 按圆心和椭圆成倍缩小) cv::ellipse(line_img, { 200,200 }, { 40,20 }, 0.0, 0.0, 360.0, { 0,255,255 }, 2, 16);- 1
- 2
多边形
// 画多边形 nc::NdArray<cv::Point> triangle_array = { {200,200},{250,200},{250,250} }; // 点集获取方式1 std::vector<cv::Point> triangle_array2({ {200,200},{250,200},{250,250} }); // 点集获取方式2 // 画边 polylines(img, 点集为std::vector- 1
- 2
- 3
- 4
- 5
- 6
- 7
文本
// 画文本 putText(img, 文字内容, 坐标点, 文字类型, 文字大小, 文字颜色, 线粗, 线平滑度, 是否倒转) cv::putText(line_img, "Hello world!", cv::Point(10, 400), cv::FONT_HERSHEY_DUPLEX, 1.0, { 255,255,255 }, 3, 16, true); cv::putText(line_img, "Hello world!", cv::Point(10, 450), cv::FONT_HERSHEY_DUPLEX, 1.0, { 255,255,255 }, 3, 16);- 1
- 2
- 3
图片运算
加减乘除
cv::Mat cartoon = cv::imread("C:\\Users\\10358\\Pictures\\img\\3.jpg"); // std::cout << cartoon.size(); // 打印图片大小 // cv::Mat ones_img = cv::Mat::ones(cv::Size(394, 700), CV_8UC3) * 20; // cv自带的ones类只能将blue通道赋值1 nc::NdArray<uchar> img_array = nc::NdArray<uchar>(700, 394*3).ones(); cv::Mat test_img= array2Img(img_array)*20; cv::Mat add_img, sub_img, mul_img, div_img; cv::add(test_img, cartoon, add_img); cv::subtract(cartoon, test_img, sub_img); cv::multiply(cartoon, test_img, mul_img); cv::divide( cartoon, test_img, div_img); cv::imshow("orig", cartoon); cv::imshow("add_img", add_img); cv::imshow("sub_img", sub_img); cv::imshow("mul_img", mul_img); cv::imshow("div_img", div_img); cv::waitKey(0);- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
非、与、或、异或
cv::Mat cartoon = cv::imread("C:\\Users\\10358\\Pictures\\img\\3.jpg"); // std::cout << cartoon.size(); // 打印图片大小 // cv::Mat ones_img = cv::Mat::ones(cv::Size(394, 700), CV_8UC3) * 20; // cv自带的ones类只能将blue通道赋值1 nc::NdArray<uchar> img_array = nc::NdArray<uchar>(700, 394*3).ones(); cv::Mat test_img= array2Img(img_array)*20; cv::Weight_img,not_img,and_img,or_img,xor_img; cv::addWeighted(add_img, 0.8, mul_img, 0.2, 0, Weight_img); // 图片的权重融合 cv::bitwise_not(cartoon, not_img); // 图片非运算 cv::bitwise_and(test_img, cartoon,and_img); // 图片与运算：只有1&&1为真，其余为假（0&&1，0&&0） cv::bitwise_or(test_img, cartoon, or_img); // 图片或运算：只有0||0为假，其余为真（0||1，1||1） cv::bitwise_xor(test_img, cartoon, xor_img); // 图片异或运算：相同为假，不同为真 cv::imshow("Weight_img", Weight_img); cv::imshow("not_img", not_img); cv::imshow("and_img", and_img); cv::imshow("or_img", or_img); cv::imshow("xor_img", xor_img); cv::waitKey(0);- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
图像更改
缩小放大 cv::resize
void resize( InputArray src, OutputArray dst, Size dsize, double fx = 0, double fy = 0,int interpolation = INTER_LINEAR ); /** 最近邻插值 */ INTER_NEAREST = 0, /** 双线性插值 */ INTER_LINEAR = 1, /** 双三次插值 */ INTER_CUBIC = 2, /** 利用像素面积关系重采样。它可能是图像抽取的首选方法，如它提供无云纹的结果。但是当图像被放大时，它类似于INTER_NEAREST方法 */ INTER_AREA = 3, /** 8x8邻域上的Lanczos插值 */ INTER_LANCZOS4 = 4, /** 位精确双线性插值 */ INTER_LINEAR_EXACT = 5, /** 位精确最近邻插值。这将产生相同的结果在PIL, scikit-image或Matlab中的最近邻方法 */ INTER_NEAREST_EXACT = 6, /** 插值码掩码 */ INTER_MAX = 7, /** 标志，填充所有目标图像像素。如果它们中的一些对应于异常值源图像，它们被设为零 */ WARP_FILL_OUTLIERS = 8, /** 标志, 逆变换 For example, #linearPolar or #logPolar transforms: - flag is __not__ set: \f$dst( \rho , \phi ) = src(x,y)\f$ - flag is set: \f$dst(x,y) = src( \rho , \phi )\f$ */ WARP_INVERSE_MAP = 16- 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
翻转 cv::flip
void flip(InputArray src, OutputArray dst, int flipCode); //ROTATE_90_CLOCKWISE = 0, //!<顺时针旋转90度 //ROTATE_180 = 1, //!<顺时针旋转180度 //ROTATE_90_COUNTERCLOCKWISE = 2, //!<顺时针旋转270度- 1
- 2
- 3
- 4
旋转 cv::rotate
void rotate(InputArray src, OutputArray dst, int rotateCode); // 顺时针旋转90度 (rotateCode = ROTATE_90_CLOCKWISE). // 顺时针旋转180度 (rotateCode = ROTATE_180). // 顺时针旋转270度 (rotateCode = ROTATE_90_COUNTERCLOCKWISE).- 1
- 2
- 3
- 4
仿射变换 cv::warpAffine
// 参数2x3的M为变换矩阵{{1，0，x移动的量}，{1，0，y移动的量}} void warpAffine( InputArray src, OutputArray dst, InputArray M, Size dsize, int flags = INTER_LINEAR, int borderMode = BORDER_CONSTANT, const Scalar& borderValue = Scalar());- 1
- 2
- 3
- 4
- 5
- 6
平移
// 方式1 使用Numpcc定义变换矩阵在转换成Mat变换矩阵 nc::NdArray<float> transMat = { {1,0,100},{0,1,100}}; cv::Mat imgtrans = cv::Mat(transMat.toStlVector(), CV_32FC1).reshape(0, 2); // reshape(通道数, 行数) // 方式2 使用cv::Mat直接定义变换矩阵 //cv::Mat imgtrans = cv::Mat::zeros(2, 3, CV_32FC1); //imgtrans.at(0, 0) = 1; //imgtrans.at(0, 2) = 100; //水平平移量 //imgtrans.at(1, 1) = 1; //imgtrans.at(1, 2) = 100; //竖直平移量 cv::warpAffine(cartoon, cartoon, imgtrans, cv::Size(cartoon.cols,cartoon.rows)); cv::imshow("orig", cartoon); cv::waitKey(0);- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
旋转
中心点旋转
// getRotationMatrix2D(中心点，角度，缩放比例) cv::Mat imgtrans = cv::getRotationMatrix2D(cv::Point(cartoon.cols / 2, cartoon.rows / 2), 20, 0.7); cv::warpAffine(cartoon, cartoon, imgtrans, cv::Size(cartoon.cols, cartoon.rows)); cv::imshow("orig", cartoon); cv::waitKey(0);- 1
- 2
- 3
- 4
- 5
三点旋转
// 方式1 使用Numpcc定义点集数组，再转换成Mat点集，再通过cv::getAffineTransform转换成变换矩阵 /*nc::NdArraysrcPointArray = { {100,100},{300,100},{100,300} }; nc::NdArray // 方式2 使用cv::Point2f直接定义点集，再通过cv::getAffineTransform转换成变换矩阵 cv::Point2f stcPointSet[] = { {100,100},{300,100},{100,300} }; cv::Point2f dstPointSet[] = { {100,100},{300,300},{100,300} }; cv::Mat imgtrans = cv::getAffineTransform(stcPointSet, dstPointSet); cv::warpAffine(cartoon, cartoon, imgtrans, cv::Size(cartoon.cols, cartoon.rows)); cv::imshow("orig", cartoon); cv::waitKey(0);dstPointArray = { {100,100},{300,300},{100,300} }; cv::Mat stcPointSet = cv::Mat(srcPointArray.toStlVector(), CV_32FC1).reshape(0, 3); // reshape(通道数, 行数) cv::Mat dstPointSet = cv::Mat(dstPointArray.toStlVector(), CV_32FC1).reshape(0, 3);*/ - 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
透视变换 cv::getPerspectiveTransform
需要四个坐标点，用法和三点旋转差不多
Mat getPerspectiveTransform(InputArray src, InputArray dst, int solveMethod = DECOMP_LU);- 1
图像卷积
卷积核：卷积核一般为奇数，如3x3,5x5,7x7等；一方面是增加padding的原因，另一方面是保证锚点在中间，防止位置发生偏移的原因。在深度学习中，卷积核越大看到的信息(感受野)越多提取的特征越好同时计算量也就越大。
锚：主要作用是防止信息偏差
边界扩充（padding）：当卷积核大于1且不进行边界扩充，输出尺寸将相应缩小。当卷积核以标准方式进行边界扩充，则输出数据的空间尺寸将与输入相等。
滤波：对目标图像的噪声进行抑制
输出图像大小的计算公式：dst = (src-kernel+2P)/S+1
src：输入图像的大小
dst ：输出图像的大小
kernel：卷积核的大小
P：扩充边界的数量
S：步长
例子：输入一个5x5的图像，卷积核为3x3，没有扩充边界，步长为2。 （5-3+2*0）/ 2 + 1 = 2 ，所以输出图像大小为2x2滤波（卷积核）
低通滤波
低通滤波可以去除噪声或平滑图像
方盒滤波和均值滤波
方盒滤波和均值滤波得到的效果相同，其原理是将卷积核均化，即卷积核除以（卷积核的长x宽）得到一个新的卷积核
//方盒滤波 void boxFilter( InputArray src, OutputArray dst, int ddepth, Size ksize, Point anchor = Point(-1,-1), bool normalize = true, int borderType = BORDER_DEFAULT ); //均值滤波 void blur( InputArray src, OutputArray dst, Size ksize, Point anchor = Point(-1,-1), int borderType = BORDER_DEFAULT );- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
cv::Mat dst_boxFilter, dst_blur; // 自定义卷积核 //cv::filter2D(cartoon, dst, -1, kernel); // 方盒滤波 cv::boxFilter(cartoon, dst_boxFilter, -1, cv::Size(5, 5)); // 均值滤波 cv::blur(cartoon, dst_blur, cv::Size(5, 5)); cv::imshow("dst_boxFilter", dst_boxFilter); cv::imshow("dst_blur", dst_blur); cv::imshow("cartoon", cartoon); cv::waitKey(0);- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
高斯滤波
原理是越往卷积核中心的比重越大
GaussianBlur( InputArray src, OutputArray dst, Size ksize, double sigmaX, double sigmaY = 0, int borderType = BORDER_DEFAULT );- 1
- 2
- 3
cv::Mat dst_GaussianBlur_x3, dst_GaussianBlur_x1, dst_GaussianBlur_x01; // 高斯滤波 GaussianBlur(原图，输出图，核大小，x方向的标准差，y方向的标准差) cv::GaussianBlur(cartoon, dst_GaussianBlur_x3, cv::Size(5, 5), 3); cv::GaussianBlur(cartoon, dst_GaussianBlur_x01, cv::Size(5, 5), 0.1); cv::GaussianBlur(cartoon, dst_GaussianBlur_x1, cv::Size(5, 5), 1); cv::imshow("cartoon", cartoon); cv::imshow("dst_GaussianBlur_x3", dst_GaussianBlur_x3); cv::imshow("dst_GaussianBlur_x01", dst_GaussianBlur_x01); cv::imshow("dst_GaussianBlur_x1", dst_GaussianBlur_x1); cv::waitKey(0);- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
中值滤波
原理是将核排序后取中值作为核的新元素
优点：对胡椒噪效果明显void medianBlur( InputArray src, OutputArray dst, int ksize );- 1
cv::Mat dst_medianBlur // 中值滤波 cv::medianBlur(cartoon, dst_medianBlur, 15); cv::imshow("cartoon", cartoon); cv::imshow("dst_medianBlur", dst_medianBlur); cv::waitKey(0);- 1
- 2
- 3
- 4
- 5
- 6
双边滤波
原理：
优点：可以保留边缘，同时对边缘内的图像进行平滑处理。如：美颜
CV_EXPORTS_W void bilateralFilter( InputArray src, OutputArray dst, int d, double sigmaColor, double sigmaSpace, int borderType = BORDER_DEFAULT ); /* @param src 源8位或浮点，1通道或3通道图像. @param dst 目标图像的大小和类型与src相同. @param d 在滤波过程中使用的每个像素邻域的直径。如果它是非正的，它是从sigmaSpace计算的。 @param sigmaColor 在颜色空间中过滤。该参数的较大值意味着更远的颜色与像素附近的(参见sigmasspace)将混合在一起，形成大面积的半对等色。 @param sigmaSpace 在坐标空间中过滤。该参数的较大值意味着更远的像素会相互影响，只要它们的颜色足够接近(参见igmaColor) )。当d>0时，它指定邻域大小，而不考虑sigmasspace。否则,d是 与sigmaSpace成正比。 @param borderType 用于推断图像外部像素的边界模式 */- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
// 双边滤波 cv::bilateralFilter(person, dst_bilateralFilter, -1, 50, 40); cv::imshow("person", person); cv::imshow("dst_bilateralFilter", dst_bilateralFilter); cv::waitKey(0);- 1
- 2
- 3
- 4
- 5
高通滤波
高通滤波可以帮助查找图像的边缘
Sobel
原理：在内部通过高斯滤波对噪音进行过滤，再通过一阶导求得图像边缘。
优点：抗噪声强
缺点：需要对横轴和纵轴分别计算，再合并结果
Sobel算子（Sobel卷积核）：先向X方向求导，再向y方向求导，将两个结果相加void Sobel( InputArray src, OutputArray dst, int ddepth, int dx, int dy, int ksize = 3, double scale = 1, double delta = 0, int borderType = BORDER_DEFAULT ); /*@param ddepth 输出图像深度，见@ref filter_depth " composites ";在8位输入图像的情况下，它将导致截断导数。 @param dx x的导数的阶。 @param dy y的导数的阶。 @param ksize 扩展Sobel核的大小;它一定是1 3 5 7， 设为-1时变成Scharr算子 @param scale 计算出的导数值的可选比例因子;默认情况下，不应用缩放(详见# getderikernels)。 @param delta 可选的增量值，在将结果存储到dst之前添加到结果中。 @param borderType 像素外推方法，参见#BorderTypes。#BORDER_WRAP不支持。@sa Scharr, Laplacian, sepFilter2D, filter2D, GaussianBlur, cartToPolar */- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
// sobel算子 cv::Mat dst_sobel_x, dst_sobel_y, dst_sobel; cv::Sobel(cartoon, dst_sobel_y, -1, 1, 0); // 获取y方向的边缘 cv::Sobel(cartoon, dst_sobel_x, -1, 0, 1); // 获取x方向的边缘 cv::add(dst_sobel_x, dst_sobel_y, dst_sobel); cv::imshow("cartoon", cartoon); cv::imshow("dst_sobel", dst_sobel); cv::waitKey(0);- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
Scharr
卷积核固定为3x3
优点：线条清晰
缺点：需要对横轴和纵轴分别计算，再合并结果。// 将Sobel算子的核大小设为-1时，就形成了scharr算子 cv::Sobel(cartoon, dst_sobel_y, -1, 1, 0,-1); // 获取y方向的边缘 cv::Sobel(cartoon, dst_sobel_x, -1, 0, 1,-1); // 获取x方向的边缘- 1
- 2
- 3
Laplacian
优点：不需要对横轴和纵轴分别计算，直接获取处理后的图片。
缺点：噪声敏感，需要手工降噪void Laplacian( InputArray src, OutputArray dst, int ddepth, int ksize = 1, double scale = 1, double delta = 0, int borderType = BORDER_DEFAULT );- 1
- 2
- 3
// Laplacian 算子 cv::Mat dst_Laplacian; cv::Laplacian(cartoon, dst_Laplacian, -1, 3);- 1
- 2
- 3
快捷小技巧
指定位置更改颜色 cv::Mat().setTo
cv::Mat background = cv::Mat(cv::Size(200, 200), CV_8UC3); background.setTo(cv::Scalar(255,255,255)); background({ 10,110 }, { 20,130 }).setTo(cv::Scalar(0, 255, 255)); background({ 80,190 }, { 70,180 }).setTo(cv::Scalar(0, 255, 255)); cv::imshow("background", background); cv::waitKey(0);- 1
- 2
- 3
- 4
- 5
- 6
指定位置加入图片 cv::Mat().copyTo
cv::resize(cartoon_gry, logo_img, { 65,150 }); //重新设置图片大小 // 1.ROI方法 //cv::Rect temp = cv::Rect(10, 20, logo_img.size().width, logo_img.size().height); //logo_img.copyTo(cartoon_gry(temp)); //2.直接指定具体范围 logo_img.copyTo(cartoon_gry({ 10,10+ logo_img.size().height }, { 20,20+ logo_img.size().width })); cv::imshow("cartoon_gry", cartoon_gry); cv::waitKey(0);- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
-
相关阅读:
生成型神经网络
【小沐学QT】QT学习之Web控件的使用
一汽大众迈腾车前悬架系统设计
【华为OD机试高分必刷题目】神奇的卡片（Java-等差数列实现）
[附源码]SSM计算机毕业设计疫情防控期间人员档案追寻系统JAVA
【牛客网-公司真题-前端入门篇】——如何快速上手牛客
【操作系统】页表映射
Spring4 + SpringMVC + Hibernate4 环境搭建
分布式数据库选型之争：数据库向左，中间件向右
JDBC（Java数据库连接）
- 原文地址：https://blog.csdn.net/Vone_66/article/details/127642497
