调用windows api SHMultiFileProperties 显示多文件的汇总属性

代码如下:
 1  //  csFilePath 文件路径,以|分隔。 nPathes 路径数。
 2  void CGetDirectoryDlg::ShowPropertiesByPath(CString csFilePath, int nPathes)
 3 {
 4      if(csFilePath.IsEmpty())
 5     {
 6          return;
 7     }
 8      // 单个文件属性
 9       if(nPathes ==  1)
10     {
11         SHELLEXECUTEINFO sei;
12         ZeroMemory(&sei, sizeof(sei));
13         sei.cbSize =  sizeof(SHELLEXECUTEINFO);
14         sei.hwnd = m_hWnd;
15         sei.lpParameters = NULL;
16         sei.nShow =  0;
17         sei.lpIDList =  NULL;
18         sei.hInstApp =  0;
19         sei.lpFile = csFilePath; // 要显示属性的文件
20          sei.lpVerb = L " properties ";
21         sei.fMask = SEE_MASK_IDLIST | SEE_MASK_NOCLOSEPROCESS | SEE_MASK_INVOKEIDLIST | 
22 
23 SEE_MASK_FLAG_NO_UI;
24         ShellExecuteEx(&sei); 
25          return;
26     }
27 
28      // 多个文件属性
29      LPITEMIDLIST *pidlDrives = (LPITEMIDLIST *) malloc( sizeof(LPITEMIDLIST)*nPathes);
30     IShellFolder* psfDesktop;
31     IDataObject* pData;
32     HRESULT hr;
33     ULONG chEaten= 0, dwAttributes= 0;
34      int i= 0;
35     hr = SHGetSpecialFolderLocation(NULL, CSIDL_DRIVES, pidlDrives);
36      if (SUCCEEDED(hr))
37     {
38         hr = SHGetDesktopFolder(&psfDesktop);
39          do{
40             CString currentFilePath;
41              int delimitatorPosition;
42             delimitatorPosition = csFilePath.Find(L ' | ');
43              if(delimitatorPosition == - 1)
44             {
45                 delimitatorPosition = csFilePath.GetLength(); 
46             }
47             currentFilePath = csFilePath.Left(delimitatorPosition);
48             csFilePath.Delete( 0, delimitatorPosition +  1);
49             psfDesktop->ParseDisplayName(NULL,
50                 NULL,
51                 currentFilePath.GetBuffer(),
52                 &chEaten,
53                 (LPITEMIDLIST*)&pidlDrives[i],
54                 &dwAttributes);
55             i++;
56         } while(!csFilePath.IsEmpty() && i<nPathes);
57 
58          if (SUCCEEDED(hr))
59         {
60             hr = psfDesktop->GetUIObjectOf(NULL, 
61                 nPathes, 
62                 (LPCITEMIDLIST*)pidlDrives,
63                 IID_IDataObject, 
64                 NULL, 
65                 ( void**)&pData);
66              if (SUCCEEDED(hr))
67             {
68                 CoInitialize(NULL);
69                 hr = SHMultiFileProperties(pData, 0);
70                  if(SUCCEEDED(hr))
71                 {
72                     pData->Release();
73                 }
74                 CoUninitialize();
75             }
76              if(psfDesktop != NULL)
77             {
78                 psfDesktop->Release();
79             }
80         } 
81          for(i= 0;i<nPathes;i++)
82         {
83             ILFree(pidlDrives[i]);
84         }
85     }
86 }
87 

88 //调用方法:ShowPropertiesByPath(L"D:\\Share\\v.txt|D:\\Share\\sh.txt", 2); 

转载于:https://www.cnblogs.com/freemindblog/p/5674550.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值