【免费】数据恢复工具大家可以下载试试资源-CSDN下载

共1920个文件

png：1630个

bmp：76个

dll：72个

需积分: 0 60 浏览量更新于2023-07-10 收藏 67.51MB ZIP 举报

易我数据恢复软件是一款专业的数据恢复工具，可以帮助用户从各种存储介质上恢复被删除、格式化、病毒感染、系统崩溃等原因造成的丢失的文件。以下是该软件的主要特点和功能： 1. 多种数据恢复模式：易我数据恢复软件提供多种数据恢复模式，包括快速恢复、深度恢复、分区恢复、格式化恢复和RAW恢复模式等，可以根据不同的情况进行选择。 2. 支持多种存储介质：该软件支持从各种存储介质上恢复数据，包括硬盘、U盘、SD卡、手机、相机、MP3/MP4等。 3. 支持多种文件类型：易我数据恢复软件可以恢复各种文件类型，包括照片、视频、音频、文档、压缩文件等，支持的文件格式非常广泛。 4. 简单易用的操作界面：该软件的操作界面简单直观，易于操作，即使是没有专业知识的用户也可以轻松使用。 5. 快速扫描和深度扫描：该软件提供快速扫描和深度扫描两种扫描模式，快速扫描速度快，深度扫描可以深入磁盘进行扫描，可以找到更多的丢失文件。 6. 预览和恢复：该软件可以预览恢复的文件，以确定文件是否完整，然后可以选择恢复文件到指定的位置。

收起资源包目录

数据恢复工具大家可以下载试试（1920个子文件）

EuCfg.bin 40B

TreeItemFolderIDList.bmp 172KB

Lostpartition_BalloonTip1.bmp 161KB

Lostpartition_BalloonTip.bmp 115KB

bg_tips_down_l1.bmp 88KB

bg_tips_down_l.bmp 88KB

bg_tips_up_l1.bmp 88KB

bg_tips_up_l.bmp 88KB

bg_tips_down_l1.bmp 88KB

bg_tips_down_l.bmp 88KB

bg_tips_up_l1.bmp 88KB

bg_tips_up_l.bmp 88KB

BalloonTip_left.bmp 54KB

BalloonTip_bottom.bmp 53KB

button-preview.bmp 30KB

ListIconFolderItem.bmp 24KB

BalloonTip_left_1.bmp 23KB

icon_type_32.bmp 21KB

icon_time_32.bmp 9KB

icon_bitlock_tip.bmp 7KB

view_row.bmp 6KB

preview.bmp 6KB

view_preview.bmp 6KB

view_list.bmp 6KB

view_row.bmp 6KB

preview.bmp 6KB

view_preview.bmp 6KB

view_list.bmp 6KB

actualsize.bmp 6KB

bestfit.bmp 6KB

actualsize.bmp 6KB

bestfit.bmp 6KB

FolderIDListHover.bmp 6KB

slider_hover.bmp 5KB

slider_press.bmp 5KB

slider_hover.bmp 5KB

slider_press.bmp 5KB

slider_normal.bmp 5KB

icon_type.bmp 5KB

CheckState.bmp 3KB

PathAddressl.bmp 3KB

TreeItemExpandList.bmp 3KB

CheckState.bmp 3KB

PathAddressl.bmp 3KB

TreeItemExpandList.bmp 3KB

icon_time.bmp 2KB

TreeItemCheckState.bmp 2KB

icon_time.bmp 2KB

TreeItemCheckState.bmp 2KB

maximize_normal.bmp 2KB

restorewindow_normal.bmp 2KB

close_normal.bmp 2KB

maximize_normal.bmp 2KB

restorewindow_normal.bmp 2KB

close_normal.bmp 2KB

Arrange.bmp 2KB

Select.bmp 558B

SelectFilter.bmp 558B

Select.bmp 558B

SelectFilter.bmp 558B

LostFile.bmp 364B

zoom_out.cur 7KB

zoom_in.cur 7KB

move.cur 7KB

zoom_out.cur 7KB

zoom_in.cur 7KB

move.cur 7KB

Config.dat 316B

Config.dat 269B

configure.dat 196B

French.data 78KB

Deutsch.data 76KB

Spanish.data 76KB

Dutch.data 75KB

Portuguesa.data 75KB

Italian.data 72KB

共 1920 条

身份认证购VIP最低享 7 折!

30元优惠券

资源推荐

资源预览

资源评论

数据恢复工具，删除了数据还可以找回

114 浏览量

数据恢复工具，删除了数据还可以找回，用了还不错，大家可以下载了试试

u盘数据恢复软件

187 浏览量

一款用于U盘数据恢复的应用软件，喜欢的朋友可以下载试试。

易我数据恢复向导V2.1.0

118 浏览量

很不错的数据恢复软件，大家可以试试，附带注册码

一日一软13款电脑数据恢复软件合集工具箱

2018-05-01 上传

集合了13个数据恢复的软件，软件也并不大，大家可以试试用

U盘修复工具大家试试哦

158 浏览量

我找了很久,发现这个可以试试用! 还可以用哦!

小耗子下载者很好用大家可以试试

2009-10-25 上传

很好用的一个下载者小耗子下载者很好用大家可以试试

解密工具大家需要的下载吧

147 浏览量

加密工具大家需要的

刷机专家下载，请大家试试

109 浏览量

想刷机的朋友可以试试，这是我第一次上传工具，我的手机变砖了，哭泣中。

AnyClient工具，便于大家下载

164 浏览量

AnyClient工具，不太好找，放在这里，便于大家下载！！

数据恢复工具

168 浏览量

很好用的一款数据恢复软件，免费的。很好用的一款数据恢复软件，免费的。

FinalData 数据恢复小工具

194 浏览量

FinalData，一款小巧且高效的数据恢复工具，凭借其出色的性能和免费的特点，受到了许多用户的青睐。本文将详细介绍FinalData的功能、使用方法以及如何通过它来恢复误删文件。 FinalData的核心功能在于其强大的数据...

手机内存卡存储卡、磁盘数据恢复软件！大家试试。

127 浏览量

"手机内存卡存储卡、磁盘数据恢复软件"是解决这一问题的重要工具。这些软件能够帮助用户找回意外删除、格式化或者因其他原因丢失的数据，如照片、视频、文档等。首先，我们要理解数据恢复的基本原理。当文件被...

闪迪数据恢复lctechnologyrescueprodeluxe

2018-05-31 上传

在描述中提到的“SD卡被要求格式化等，很好用大家可以试试”，暗示了该软件特别适用于处理SD卡或其他闪存设备上的数据丢失问题。当SD卡提示需要格式化，可能是由于病毒攻击、错误操作、硬件故障或文件系统损坏等原因...

LC Technology VIDEORECOVERY 2020（视频数据恢复软件）官方中文版V5.2.3.5 | 视频数据恢复大师下载

2021-06-23 上传

不会驱动器进行任何写入操作，VIDEORECOVERY 2020支持所有使用FAT12、FAT16、FAT32文件系统，如果大家在找一款短小精悍的数据恢复软件的话，试试威航软件园分享的LC Technology公司的VIDEORECOVERY 2020。

乐易佳数据恢复软件个人版v4.3.0免费安装版

2019-08-05 上传

乐易佳数据恢复软件个人版是一款功能强大的且免费的数据恢复工具，软件支持对硬盘、U盘、内存卡等多种硬件设备以及FAT16、FAT32、NTFS、exFat等多种文件系统进行数剧恢复，操作简单，使用方便是它最大的特点，需要的...

zxySoft系统,大家可以下载

192 浏览量

是一个不错的系统最新学习的系统,大家应该都来下载试一下

手风琴图片大家可以下载

2020-11-22 上传

这个图片是配套我写的案列用的这个图片是配套我写的案列用的这个图片是配套我写的案列用的这个图片是配套我写的案列用的这个图片是配套我写的案列用的这个图片是配套我写的案列用的这个图片是配套我写的案列用的

可以帮助大家发泄的工具

167 浏览量

可以帮助大家发泄的工具,生气心情不愉快...时用下它保证可以帮助你解气.^_^不信试试!

台电量产工具，欢迎大家下载

2009-03-19 上传

可以产量大于8G的台电量产工具，同时也可以修复，或重新产量，不会伤你的U盘，请放心使用

抠图工具，欢迎大家下载！

5星 · 资源好评率100%

抠图工具抠图工具抠图工具抠图工具抠图工具

数据恢复工具数据恢复工具

2011-04-22 上传

数据恢复工具数据恢复工具数据恢复工具数据恢复工具数据恢复工具数据恢复工具

数据恢复软件

144 浏览量

数据恢复软件数据恢复软件数据恢复软件数据恢复软件数据恢复软件数据恢复软件数据恢复软件数据恢复软件数据恢复软件数据恢复软件数据恢复软件数据恢复软件数据恢复软件数据恢复软件数据恢复软件数据恢复软件数据恢复软件数据恢复软件数据恢复软件数据恢复软件数据恢复软件

R-Undelete(免费的数据恢复软件)v4.9.160808安装中文无限制版

2019-07-28 上传

R-Undelete是一款最优秀的免费的数据恢复软件，该软件采用了R-Studio相同的独特数据恢复技术，能够支持fat和ntfs系统格式，帮助用户轻松的找回你电脑丢失的数据，包括办公文件、图片文件、视频文件、音频文件等等，...

Spark SQL和Hive中的函数（三）：时间函数

1156 浏览量

1. current_date / current_timestamp 获取当前时间 select current_date; select current_timestamp; 2. 从日期时间中提取字段/格式化时间 1）year、month、day、dayofmonth、hour、minute、second -- 20 select day("2020-12-20"); 2）dayofweek(1 = Sunday, 2 = Monday, …, 7 = Saturday)、dayofyear --

import os import numpy as np import matplotlib.pyplot as plt import re from matplotlib.ticker import MaxNLocator from scipy.stats import linregress import matplotlib.patches as mpatches # 解决中文显示问题 plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'WenQuanYi Micro Hei'] plt.rcParams['axes.unicode_minus'] = False def natural_sort_key(s): """自然排序算法：确保文件名按数字顺序排列""" return [int(text) if text.isdigit() else text.lower() for text in re.split(r'(\d+)', s)] def find_stable_intervals(counts, method='极', min_window=300, max_window=2000, threshold=0.5, merge_gap=300, min_length=500, return_base=False): """ 改进版稳定区间检测：支持三种不同指标 :param counts: 预测框数量列表（原始数据） :param method: 检测方法 ('std', 'zscore', 'slope') :param min_window: 最小窗口尺寸 :param max_window: 最大窗口尺寸 :param threshold: 阈值（基于整体统计量） :param merge_gap: 相邻区间合并的最大间隔 :param min_length: 最小有效区间长度 :param return_base: 是否返回基础区间（合并前） :return: 优化后的稳定区间列表 """ n = len(counts) if n == 0: return [] if not return_base else ([], [], []) # 计算整体统计量 total_mean = np.mean(counts) total_std = np.std(counts) # 1. 改进的窗口扩展检测机制 base_intervals = [] i = 0 # 当前检测起始点 while i < n: # 跳过已检测区域 if base_intervals and i <= base_intervals[-1][1]: i = base_intervals[-1][1] + 1 continue # 确保有足够的数据点 if i + min_window > n: break window_size = min_window stable_found = False # 检查当前窗口是否稳定 window = counts[i:i + window_size] if len(window) < 2: i += 1 continue # 检测稳定性 if method == 'std': std_dev = np.std(window) stable = std_dev < threshold elif method == 'zscore_avg': mean_val = np.mean(window) std_val = np.std(window) if std_val > 0: z_scores = np.abs((window - mean_val) / std_val) avg_zscore = np.mean(z_scores) stable = avg_zscore < threshold else: stable = True # 所有值相同 elif method == 'slope': x = np.arange(len(window)) slope, _, _, _, _ = linregress(x, window) stable = abs(slope) < threshold # 如果稳定，则尝试扩展窗口 if stable: stable_found = True start_idx = i end_idx = i + window_size - 1 # 尝试扩展窗口 while end_idx < n - 1 and window_size < max_window: # 扩展一个点 window_size += 1 new_end = i + window_size - 1 if new_end >= n: break # 获取新窗口 window = counts[i:new_end + 1] if len(window) < 2: break # 检测新窗口的稳定性 if method == 'std': std_dev = np.std(window) current_stable = std_dev < threshold elif method == 'zscore_avg': mean_val = np.mean(window) std_val = np.std(window) if std_val > 0: z_scores = np.abs((window - mean_val) / std_val) avg_zscore = np.mean(z_scores) current_stable = avg_zscore < threshold else: current_stable = True elif method == 'slope': x = np.arange(len(window)) slope, _, _, _, _ = linregress(x, window) current_stable = abs(slope) < threshold # 如果仍然稳定，更新结束索引 if current_stable: end_idx = new_end else: # 不稳定，回退到上一个稳定点 window_size -= 1 break # 添加找到的稳定区间 base_intervals.append((start_idx, end_idx)) i = end_idx + 1 # 从结束点后开始新检测 else: # 不稳定，移动到下一个点 i += 1 # 如果没有检测到任何区间，直接返回 if not base_intervals: if return_base: return [], [], [] return [] # 2. 合并相邻平稳段 base_intervals.sort(key=lambda x: x[0]) # 确保按起始索引排序 merged_intervals = [] current_start, current_end = base_intervals[0] for start, end in base_intervals[1:]: if start - current_end <= merge_gap: # 间隔小于合并阈值 current_end = max(current_end, end) # 扩展当前区间 else: merged_intervals.append((current_start, current_end)) current_start, current_end = start, end merged_intervals.append((current_start, current_end)) # 3. 过滤短时伪平稳段 final_intervals = [ (start, end) for start, end in merged_intervals if (end - start + 1) >= min_length # 区间长度包含两端点 ] if return_base: return base_intervals, merged_intervals, final_intervals return final_intervals def plot_box_count_trend(file_list, box_counts, stable_intervals, output_path, title_suffix="", method_name="标准差", is_base=False): """ 绘制预测框数量变化趋势图并标记稳定区间 :param is_base: 是否为基本区间图（合并前） """ plt.figure(figsize=(20, 10)) # 绘制整体趋势（原始数据） plt.plot(file_list, box_counts, 'b-', linewidth=1.5, label='预测框数量') # 计算全局最小值和最大值（用于颜色块填充） global_min = min(box_counts) - 0.5 global_max = max(box_counts) + 0.5 # 根据方法名称设置颜色（与合并图保持一致） method_colors = { '标准差方法': 'green', 'Z-score方法': 'purple', '趋势斜率方法': 'orange' } # 获取当前方法的颜色 fill_color = method_colors.get(method_name, 'green') # 默认绿色 # 标记稳定区间 for i, (start, end) in enumerate(stable_intervals): interval_files = file_list[start:end + 1] if not interval_files: continue # 绘制稳定区间 - 使用对应方法的颜色 if is_base: # 基本区间图：颜色块只覆盖数据范围（避免叠加） interval_counts = box_counts[start:end + 1] min_count = min(interval_counts) if interval_counts else 0 max_count = max(interval_counts) if interval_counts else 0 plt.fill_between(interval_files, min_count, max_count, color=fill_color, alpha=0.3, zorder=0) else: # 稳定区间图：颜色块顶到图表边缘 plt.fill_between(interval_files, global_min, global_max, color=fill_color, alpha=0.3, zorder=0) # 如果是基本区间图（合并前），不添加标注，避免过多标注 if not is_base: # 添加区间标注 interval_counts = box_counts[start:end + 1] if interval_counts: avg_count = np.mean(interval_counts) std_dev = np.std(interval_counts) mid_idx = start + (end - start) // 2 if mid_idx < len(file_list): plt.annotate(f"区间{i + 1}: {start + 1}-{end + 1}\n均值: {avg_count:.1f}±{std_dev:.1f}", (file_list[mid_idx], avg_count), xytext=(0, 20), textcoords='offset points', ha='center', fontsize=10, bbox=dict(boxstyle="round,pad=0.3", fc="yellow", alpha=0.7), zorder=10) # 设置图表属性 plot_type = "基础区间" if is_base else "稳定区间" plt.title(f'预测框数量变化趋势 - {method_name}{title_suffix} ({plot_type})', fontsize=18) plt.xlabel('图像文件名', fontsize=14) plt.ylabel('预测框数量', fontsize=14) plt.xticks(rotation=90, fontsize=7) plt.grid(True, linestyle='--', alpha=0.6) # 已删除图例 plt.gca().xaxis.set_major_locator(MaxNLocator(20)) plt.tight_layout() plt.savefig(output_path, dpi=150, bbox_inches='tight') plt.close() def plot_combined_intervals(file_list, box_counts, intervals_std, intervals_zscore, intervals_slope, output_path): """ 绘制三种方法检测结果的合并图 """ plt.figure(figsize=(20, 10)) # 绘制整体趋势（原始数据） plt.plot(file_list, box_counts, 'b-', linewidth=1.5, label='预测框数量') # 计算全局最小值和最大值（用于颜色块填充） global_min = min(box_counts) - 0.5 global_max = max(box_counts) + 0.5 # 为每种方法定义不同的颜色和标签 method_colors = { '标准差方法': ('green', '标准差区间'), 'Z-score方法': ('purple', 'Z-score区间'), '趋势斜率方法': ('orange', '趋势斜率区间') } # 绘制标准差方法的区间 for i, (start, end) in enumerate(intervals_std): interval_files = file_list[start:end + 1] if not interval_files: continue plt.fill_between(interval_files, global_min, global_max, color=method_colors['标准差方法'][0], alpha=0.3, zorder=0) # 绘制Z-score方法的区间 for i, (start, end) in enumerate(intervals_zscore): interval_files = file_list[start:end + 1] if not interval_files: continue plt.fill_between(interval_files, global_min, global_max, color=method_colors['Z-score方法'][0], alpha=0.3, zorder=0) # 绘制趋势斜率方法的区间 for i, (start, end) in enumerate(intervals_slope): interval_files = file_list[start:end + 1] if not interval_files: continue plt.fill_between(interval_files, global_min, global_max, color=method_colors['趋势斜率方法'][0], alpha=0.3, zorder=0) # 设置图表属性 plt.title('预测框数量变化趋势及稳定区间分析 - 三种方法合并', fontsize=18) plt.xlabel('图像文件名', fontsize=14) plt.ylabel('预测框数量', fontsize=14) plt.xticks(rotation=90, fontsize=7) plt.grid(True, linestyle='--', alpha=0.6) # 已删除图例 plt.gca().xaxis.set_major_locator(MaxNLocator(20)) plt.tight_layout() plt.savefig(output_path, dpi=150, bbox_inches='tight') plt.close() def plot_combined_base_intervals(file_list, box_counts, base_std, base_zscore, base_slope, output_path): """ 绘制三种方法基础区间的三合一图 :param file_list: 文件名列表 :param box_counts: 原始预测框数量列表 :param base_std: 标准差方法的基础区间 :param base_zscore: Z-score方法的基础区间 :param base_slope: 趋势斜率方法的基础极 :param output_path: 输出图片路径 """ plt.figure(figsize=(20, 10)) # 绘制整体趋势（原始数据） plt.plot(file_list, box_counts, 'b-', linewidth=1.5, label='预测框数量') # 计算全局最小值和最大值（用于颜色块填充） global_min = min(box_counts) - 0.5 global_max = max(box_counts) + 0.5 # 定义每种方法的颜色和标签 method_colors = { '标准差方法': ('green', '标准差基础区间'), 'Z-score方法': ('purple', 'Z-score基础区间'), '趋势斜率方法': ('orange', '趋势斜率基础区间') } # 绘制标准差方法的基础区间 for i, (start, end) in enumerate(base_std): interval_files = file_list[start:end + 1] if not interval_files: continue plt.fill_between(interval_files, global_min, global_max, color=method_colors['标准差方法'][0], alpha=0.2, zorder=0) # 绘制Z-score方法的基础区间 for i, (start, end) in enumerate(base_zscore): interval_files = file_list[start:end + 1] if not interval_files: continue plt.fill_between(interval_files, global_min, global_max, color=method_colors['Z-score方法'][0], alpha=0.2, zorder=0) # 绘制趋势斜率方法的基础区间 for i, (start, end) in enumerate(base_slope): interval_files = file_list[start:end + 1] if not interval_files: continue plt.fill_between(interval_files, global_min, global_max, color=method_colors['趋势斜率方法'][0], alpha=0.2, zorder=0) # 设置图表属性 plt.title('预测框数量变化趋势及基础稳定区间分析 - 三种方法合并', fontsize=18) plt.xlabel('图像文件名', fontsize=14) plt.ylabel('预测框数量', fontsize=14) plt.xticks(rotation=90, fontsize=7) plt.grid(True, linestyle='--', alpha=0.6) # 已删除图例 plt.gca().xaxis.set_major_locator(MaxNLocator(20)) plt.tight_layout() plt.savefig(output_path, dpi=150, bbox_inches='tight') plt.close() def plot_std_zscore_base_intervals(file_list, box_counts, base_std, base_zscore, output_path): """ 绘制标准差和Z-score基础稳定区间的二合一图 :param file_list: 文件名列表 :param box_counts: 原始预测框数量列表 :param base_std: 标准差方法的基础区间 :param base_zscore: Z-score方法的基础区间 :param output_path: 输出图片路径 """ plt.figure(figsize=(20, 10)) # 绘制整体趋势（原始数据） plt.plot(file_list, box_counts, 'b-', linewidth=1.5, label='预测框数量') # 计算全局最小值和最大值（用于颜色块填充） global_min = min(box_counts) - 0.5 global_max = max(box_counts) + 0.5 # 定义每种方法的颜色和标签 method_colors = { '标准差方法': ('green', '标准差基础区间'), 'Z-score方法': ('purple', 'Z-score基础区间') } # 绘制标准差方法的基础区间 for i, (start, end) in enumerate(base_std): interval_files = file_list[start:end + 1] if not interval_files: continue plt.fill_between(interval_files, global_min, global_max, color=method_colors['标准差方法'][0], alpha=0.2, zorder=0) # 绘制Z-score方法的基础区间 for i, (start, end) in enumerate(base_zscore): interval_files = file_list[start:end + 1] if not interval_files: continue plt.fill_between(interval_files, global_min, global_max, color=method_colors['Z-score方法'][0], alpha=0.2, zorder=0) # 设置图表属性 plt.title('预测框数量变化趋势及基础稳定区间分析 - 标准差与Z-score方法', fontsize=18) plt.xlabel('图像文件名', fontsize=14) plt.ylabel('预测框数量', fontsize=14) plt.xticks(rotation=90, fontsize=7) plt.grid(True, linestyle='--', alpha=0.6) # 已删除图例 plt.gca().xaxis.set_major_locator(MaxNLocator(20)) plt.tight_layout() plt.savefig(output_path, dpi=150, bbox_inches='tight') plt.close() def plot_std_zscore_intervals(file_list, box_counts, intervals_std, intervals_zscore, output_path): """ 绘制标准差和Z-score最终稳定区间的二合一图 :param file_list: 文件名列表 :param box_counts: 原始预测框数量列表 :param intervals_std: 标准差方法的最终稳定区间 :param intervals_zscore: Z-score方法的最终稳定区间 :param output_path: 输出图片路径 """ plt.figure(figsize=(20, 10)) # 绘制整体趋势（原始数据） plt.plot(file_list, box_counts, 'b-', linewidth=1.5, label='预测框数量') # 计算全局最小值和最大值（用于颜色块填充） global_min = min(box_counts) - 0.5 global_max = max(box_counts) + 0.5 # 定义每种方法的颜色和标签 method_colors = { '标准差方法': ('green', '标准差稳定区间'), 'Z-score方法': ('purple', 'Z-score稳定区间') } # 绘制标准差方法的稳定区间 for i, (start, end) in enumerate(intervals_std): interval_files = file_list[start:end + 1] if not interval_files: continue plt.fill_between(interval_files, global_min, global_max, color=method_colors['标准差方法'][0], alpha=0.3, zorder=0) # 添加区间标注 interval_counts = box_counts[start:end + 1] if interval_counts: avg_count = np.mean(interval_counts) std_dev = np.std(interval_counts) mid_idx = start + (end - start) // 2 if mid_idx < len(file_list): plt.annotate(f"区间{i + 1}: {start + 1}-{end + 1}\n均值: {avg_count:.1f}±{std_dev:.1f}", (file_list[mid_idx], avg_count), xytext=(0, 20), textcoords='offset points', ha='center', fontsize=10, bbox=dict(boxstyle="round,pad=0.3", fc="yellow", alpha=0.7), zorder=10) # 绘制Z-score方法的稳定区间 for i, (start, end) in enumerate(intervals_zscore): interval_files = file_list[start:end + 1] if not interval_files: continue plt.fill_between(interval_files, global_min, global_max, color=method_colors['Z-score方法'][0], alpha=0.3, zorder=0) # 添加区间标注 interval_counts = box_counts[start:end + 1] if interval_counts: avg_count = np.mean(interval_counts) std_dev = np.std(interval_counts) mid_idx = start + (end - start) // 2 if mid_idx < len(file_list): plt.annotate(f"区间{i + 1}: {start + 1}-{end + 1}\n均值: {avg_count:.1f}±{std_dev:.1f}", (file_list[mid_idx], avg_count), xytext=(0, -30), textcoords='offset points', ha='center', fontsize=10, bbox=dict(boxstyle="round,pad=0.3", fc="cyan", alpha=0.7), zorder=10) # 设置图表属性 plt.title('预测框数量变化趋势及稳定区间分析 - 标准差与Z-score方法合并', fontsize=18) plt.xlabel('图像文件名', fontsize=14) plt.ylabel('预测框数量', fontsize=14) plt.xticks(rotation=90, fontsize=7) plt.grid(True, linestyle='--', alpha=0.6) # 已删除图例 plt.gca().xaxis.set_major_locator(MaxNLocator(20)) plt.tight_layout() plt.savefig(output_path, dpi=150, bbox_inches='tight') plt.close() def save_interval_report(intervals, method_name, file_path, is_base=False, is_merged=False): """保存区间信息到文本文件""" interval_type = "基础区间" if is_base else "稳定区间" interval_type = "合并区间" if is_merged else interval_type with open(file_path, 'a') as f: f.write(f"\n{method_name} {interval_type}分析报告\n") f.write(f"{interval_type}数: {len(intervals)}\n") for i, (start, end) in enumerate(intervals): interval_counts = box_counts[start:end + 1] avg_count = np.mean(interval_counts) std_dev = np.std(interval_counts) cv = std_dev / avg_count if avg_count > 0 else 0 # 计算趋势斜率 x = np.arange(len(interval_counts)) slope, _, _, _, _ = linregress(x, interval_counts) f.write(f"\n区间 {i + 1}:\n") f.write(f" 起始文件索引: {start + 1} ({file_names[start]})\n") f.write(f" 结束文件索引: {end + 1} ({file_names[end]})\n") f.write(f" 文件数量: {end - start + 1}\n") f.write(f" 平均预测框数: {avg_count:.2f} ± {std_dev:.2f}\n") f.write(f" 变异系数: {cv:.4f}\n") f.write(f" 趋势斜率: {slope:.6f}\n") f.write(f" 最小值: {min(interval_counts)}, 最大值: {max(interval_counts)}\n") f.write("=" * 80 + "\n") def print_interval_info(intervals, method_name): """打印区间信息到控制台""" print(f"\n{method_name}发现 {len(intervals)} 个稳定区间:") for i, (start, end) in enumerate(intervals): interval_counts = box_counts[start:end + 1] avg_count = np.mean(interval_counts) std_dev = np.std(interval_counts) cv = std_dev / avg_count if avg_count > 0 else 0 # 计算趋势斜率 x = np.arange(len(interval_counts)) slope, _, _, _, _ = linregress(x, interval_counts) print(f"区间{i + 1}:") print(f" - 文件范围: {start + 1}-{end + 1} (共{end - start + 1}个文件)") print(f" - 平均框数: {avg_count:.2f} ± {std_dev:.2f}") print(f" - 变异系数: {cv:.4f}") print(f" - 趋势斜率: {slope:.6f}") print(f" - 最小值: {min(interval_counts)}, 最大值: {max(interval_counts)}") def merge_intervals(intervals, merge_gap=300, min_length=500): """合并重叠或接近的区间""" if not intervals: return [] # 按起始索引排序 intervals.sort(key=lambda x: x[0]) merged = [] current_start, current_end = intervals[0] for start, end in intervals[1:]: if start - current_end <= merge_gap: # 间隔小于合并阈值 current_end = max(current_end, end) # 扩展当前区间 else: merged.append((current_start, current_end)) current_start, current_end = start, end merged.append((current_start, current_end)) # 过滤短区间 final_merged = [ (start, end) for start, end in merged if (end - start + 1) >= min_length ] return final_merged # ====================== 主程序 ====================== if name == "main": # 配置路径 label_dir = "E:/0718/0718-labels" # 替换为您的标签文件夹路径 output_dir = "E:/0718/0718-stable2" # 输出目录 os.makedirs(output_dir, exist_ok=True) # 获取文件列表并按自然顺序排序 file_list = [f for f in os.listdir(label_dir) if f.endswith(".txt")] file_list.sort(key=natural_sort_key) # 提取文件名（不含扩展名） file_names = [os.path.splitext(f)[0] for f in file_list] # 统计每个文件的预测框数量 box_counts = [] for file in file_list: file_path = os.path.join(label_dir, file) count = 0 with open(file_path, 'r') as f: for line in f: if line.strip(): # 非空行 count += 1 box_counts.append(count) # 计算整体统计数据 total_mean = np.mean(box_counts) total_std = np.std(box_counts) # 使用三种不同方法找出稳定区间 base_std, merged_std, intervals_std = find_stable_intervals( box_counts, method='std', min_window=500, max_window=2000, threshold=1.2, # 标准差阈值 merge_gap=0, min_length=0, return_base=True ) base_zscore, merged_zscore, intervals_zscore = find_stable_intervals( box_counts, method='zscore_avg', min_window=500, max_window=2000, threshold=0.75, merge_gap=0, min_length=0, return_base=True ) base_slope, merged_slope, intervals_slope = find_stable_intervals( box_counts, method='slope', min_window=500, max_window=2000, threshold=0.000025, # 趋势斜率阈值 merge_gap=0, min_length=0, return_base=True ) # ====================== 生成图表 ====================== # 生成三种方法的最终结果图片 output_std = os.path.join(output_dir, "box_count_stable_intervals_std.png") output_zscore = os.path.join(output_dir, "box_count_stable_intervals_zscore.png") output_slope = os.path.join(output_dir, "box_count_stable_intervals_slope.png") # 生成三种方法的基础区间图片（合并前） output_base_std = os.path.join(output_dir, "box_count_base_intervals_std.png") output_base_zscore = os.path.join(output_dir, "box_count_base_intervals_zscore.png") output_base_slope = os.path.join(output_dir, "box_count_base_intervals_slope.png") # 生成三种方法的合并区间图片（合并后但未过滤） output_merged_std = os.path.join(output_dir, "box_count_merged_intervals_std.png") output_merged_zscore = os.path.join(output_dir, "box_count_merged_intervals_zscore.png") output_merged_slope = os.path.join(output_dir, "box_count_merged_intervals_slope.png") # 生成合并图 output_combined = os.path.join(output_dir, "box_count_stable_intervals_combined.png") # 生成三合一基础区间图 output_combined_base = os.path.join(output_dir, "box_count_base_intervals_combined.png") # 生成标准差和Z-score基础稳定区间的二合一图 output_std_zscore_base = os.path.join(output_dir, "box_count_base_intervals_std_zscore.png") output_std_zscore = os.path.join(output_dir, "box_count_stable_intervals_std_zscore.png") # 绘制最终结果图表 plot_box_count_trend(file_names, box_counts, intervals_std, output_std, title_suffix="", method_name="标准差方法") plot_box_count_trend(file_names, box_counts, intervals_zscore, output_zscore, title_suffix="", method_name="Z-score方法") plot_box_count_trend(file_names, box_counts, intervals_slope, output_slope, title_suffix="", method_name="趋势斜率方法") # 绘制基础区间图（合并前） plot_box_count_trend(file_names, box_counts, base_std, output_base_std, title_suffix="", method_name="标准差方法", is_base=True) plot_box_count_trend(file_names, box_counts, base_zscore, output_base_zscore, title_suffix="", method_name="Z-score方法", is_base=True) plot_box_count_trend(file_names, box_counts, base_slope, output_base_slope, title_suffix="", method_name="趋势斜率方法", is_base=True) # 绘制合并区间图（合并后但未过滤） plot_box_count_trend(file_names, box_counts, merged_std, output_merged_std, title_suffix="", method_name="标准差方法") plot_box_count_trend(file_names, box_counts, merged_zscore, output_merged_zscore, title_suffix="", method_name="Z-score方法") plot_box_count_trend(file_names, box_counts, merged_slope, output_merged_slope, title_suffix="", method_name="趋势斜率方法") # 生成合并图 plot_combined_intervals(file_names, box_counts, intervals_std, intervals_zscore, intervals_slope, output_combined) # 生成三合一基础区间图 plot_combined_base_intervals(file_names, box_counts, base_std, base_zscore, base_slope, output_combined_base) # 生成标准差和Z-score基础稳定区间的二合一图 plot_std_zscore_base_intervals(file_names, box_counts, base_std, base_zscore, output_std_zscore_base) plot_std_zscore_intervals(file_names, box_counts, intervals_std, intervals_zscore, output_std_zscore) 去掉代码中合并相邻平稳段和过滤短时伪平稳段的部分

点击了解资源详情

<think>我们只需要基础区间，即跳过合并相邻平稳段和过滤短时伪平稳段的步骤。修改find_s......

---------------------------------------------------------------------------------------------------------- Disk TotalSectors Cylinders Heads Sectors/Track DIskInfo 0 250069680 15566 255 63 C400-MTFDDAK128MAM 1 976773168 60801 255 63 HGST HTS545050A7E380 ---------------------------------------------------------------------------------------------------------- -----------------------------begin collect basic volume----------------------------------- DriverLetter FileSystem StartSector TotalSectors ParentDisk: Disk VolumeLabel -----------------------------end collect basic volume----------------------------------- -----------------------------begin collect dynamic volume----------------------------------- DriverLetter FileSystem DynamicVolumeType TotalSectors VolumeLabel ParentDiskInfo -----------------------------end collect dynamic volume------------------------------------- ([系统] | [C] | [NTFS] | [15896] M | [30729] M | [0]);([软件] | [D] | [NTFS] | [71172] M | [91370] M | [0]);([综合] | [E] | [NTFS] | [236787] M | [476929] M | [1]); DiskView Disk Number: 0 DiskView Disk Number: 0 has 2 child DiskView Disk Number: 1 DiskView Disk Number: 1 has 1 child DiskView Disk Number: 0 DiskView Disk Number: 0 has 2 child DiskView Disk Number: 1 DiskView Disk Number: 1 has 1 child CHFSPlusNodeVolume destroy.