面向对象与面向过程的区别

面向对象与面向过程的区别

面向过程:
它是一种自顶向下的编程,把问题分成几步,解决问题时,一步一步的调用,过程式程序建立在函数之上,数据为函数服务。
#import <Foundation/Foundation.h>


typedef enum {
    kCircle,
    kRectangle,
    kEgg
} ShapeType;

typedef enum {
    kRedColor,
    kGreenColor,
    kBlueColor
} ShapeColor;

typedef struct {
    int x;
    int y;
    int width;
    int height;
} ShapeRect;

typedef struct {
    ShapeType  type;
    ShapeColor color;
    ShapeRect bounds;
} Shape;

void drawShapes(Shape *sha, int number);

int main(int argc, const char * argv[])
{
    // 定义一个形状的数组,有3个成员
    Shape shapes[3] = {0};
    
    // 给第0个成员赋值
    ShapeRect rectCircle = {0, 0, 20, 20};
    shapes[0].bounds = rectCircle;
    shapes[0].type = kCircle;
    shapes[0].color = kRedColor;
    
    // 给第1个成员赋值
    ShapeRect rectRect = {40, 40, 100, 50};
    shapes[1].bounds = rectRect;
    shapes[1].type = kRectangle;
    shapes[1].color = kGreenColor;
    
    // 给第2个成员赋值
    ShapeRect rectEgg = {100, 90, 80, 100};
    shapes[2].bounds = rectEgg;
    shapes[2].type = kEgg;
    shapes[2].color = kBlueColor;
    
    drawShapes(shapes, 3);
    
    
    return 0;
}

NSString * colorName(ShapeColor color)
{
    NSString *name =nil;
    switch (color) {
        case kRedColor:
            name = @"Red";
            break;
        case kGreenColor:
            name = @"Green";
            break;
        case kBlueColor:
            name = @"Blue";
            break;
        default:
            break;
    }
    return name;
}

void drawCircle(ShapeRect rect, ShapeColor color)
{
    NSLog(@"Draw Circle at [%d,%d,%d,%d], fill color is %@", rect.x, rect.y, rect.width, rect.height, colorName(color));
}
void drawRectangle(ShapeRect rect, ShapeColor color)
{
    NSLog(@"Draw rectangle at [%d,%d,%d,%d], fill color is %@", rect.x, rect.y, rect.width, rect.height, colorName(color));
}
void drawEgg(ShapeRect rect, ShapeColor color)
{
    NSLog(@"Draw egg at [%d,%d,%d,%d], fill color is %@", rect.x, rect.y, rect.width, rect.height, colorName(color));
}


void drawShapes(Shape *sha, int number)
{
    int i = 0;
    for (i = 0; i < number; i++) {
        // 绘制每一个形状
        switch (sha[i].type) {
            case kCircle:
                drawCircle(sha[i].bounds, sha[i].color);
                break;
            case kRectangle:
                drawRectangle(sha[i].bounds, sha[i].color);
                break;
            case kEgg:
                drawEgg(sha[i].bounds, sha[i].color);
                break;
            default:
                break;
        }
    }
}


面向对象:
面向对象是把问题分解成个个对象,在各个对象中有自己的行为,面向对象的思想是依程序的数据为中心,函数为数据服务
先建立一个头文件#impore <common.h>
#ifndef DrawShapOOP_ShapeData_h
#define DrawShapOOP_ShapeData_h

// 形状类型
typedef enum {
    kCircle,
    kRectangle,
    kEgg
} ShapeType;

// 填充颜色
typedef enum {
    kRedColr,
    kGreenColor,
    kBlueColor
} ShapeColor;

// 形状的区域(边界)
typedef struct {
    int x;
    int y;
    int width;
    int height;
} ShapeRect;
#endif
建三个类,类名分别为:Circle.h, Rectangle.h,Egg.h
这三个类的.h里声明里的成员变量和声明方法都一样:
@interface Rectangle : NSObject
{
    ShapeColor fillColor;
    ShapeRect  bounds;
    
    
}

-(void)setFillColor:(ShapeColor)color;
-(void)setBounds:(ShapeRect)bound;
-(void)draw;

@end

它们的.m里放的是实现方法(三个.m都一样的)
@implementation Egg
-(void)setFillColor:(ShapeColor)color
{
    fillColor = color;
}

-(void)setBounds:(ShapeRect)bound
{
    
    bounds = bound;
    
}
-(NSString *)colorName
{
    NSString *name = nil;
    switch (fillColor) {
        case KRed:
            name = @"Red";
            break;
        case KGreen:
            name = @"Green";
            break;
        case KBlue:
            name = @"Blue";
            break;
        default:
            name = @"noColor";
            break;
    }
    return name;
}
-(void)draw
{
    NSLog(@"draw Egg at %d,%d,%d,%d,%@",bounds.x,bounds.y,bounds.width,bounds.height,[self colorName]);
    
}

@end
main.m里的代码为:
#import <Foundation/Foundation.h>

#import "Circle.h"
#import "Rectangle.h"
#import "Egg.h"
#import "QYShape.h"


void drawShpaes(id shap[3],int count);


int main(int argc, const char * argv[])
{

//    创建一个数组,用于存放具体的图形对象
    //QYShape *shapes[3];
    id shapes[3];
//    创建Circle对象
    Circle *circle = [Circle new];
    [circle setFillColor:kRed];
    ShapeRect bound = {0,0,20,40};
    [circle setBounds:bound];
    
//    将circle对象放到数组的第一个元素位置
    shapes[0] = circle;
    
//    创建Rectangle对象
    Rectangle *rectangle = [Rectangle new];
    [rectangle setFillColor:kGreen];
    ShapeRect rectBound = {0,100,30,50};
    [rectangle setBounds:rectBound];
    
//    将rectangle对象放到数组的第二个元素位置
    shapes[1] = rectangle;
    
//    创建Egg对象
    Egg *eg = [Egg new];
    [eg setFillColor:kBlue];
    ShapeRect eggBound = {100,200,60,80};
    [eg setBounds:eggBound];
//    将eg对象放到数组第三个元素的位置
    shapes[2] = eg;
    
//    调用绘制图形的方法
    drawShpaes(shapes, 3);

    return 0;
}

//画图的总控方法
void drawShpaes(QYShape* shap[3],int count)
{
    for (int i = 0; i < count; i++) {
        [shap[i] draw];
    }
}

 
 






  • 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