分割是圖像分析中的一項(xiàng)基本技術(shù)，它允許我們根據(jù)對(duì)象、形狀或顏色將圖像劃分為有意義的部分。它在物體檢測(cè)、計(jì)算機(jī)視覺(jué)甚至藝術(shù)圖像處理等應(yīng)用中發(fā)揮著關(guān)鍵作用。但如何才能有效實(shí)現(xiàn)細(xì)分呢？幸運(yùn)的是，OpenCV (cv2) 提供了幾種用戶友好且強(qiáng)大的分割方法。
在本教程中，我們將探討三種流行的分割技術(shù)：
- Canny 邊緣檢測(cè) – 非常適合勾畫(huà)物體輪廓。
- 分水嶺算法 – 非常適合分離重疊區(qū)域。
- K-Means 顏色分割 – 非常適合對(duì)圖像中的相似顏色進(jìn)行聚類。
為了使本教程引人入勝且實(shí)用，我們將使用來(lái)自日本大阪的衛(wèi)星和航空?qǐng)D像，重點(diǎn)關(guān)注古代古墳。您可以從教程的 GitHub 頁(yè)面下載這些圖像和相應(yīng)的示例筆記本。
Canny 邊緣檢測(cè)到輪廓分割
Canny 邊緣檢測(cè)是一種簡(jiǎn)單而強(qiáng)大的方法來(lái)識(shí)別圖像中的邊緣。它的工作原理是檢測(cè)強(qiáng)度快速變化的區(qū)域，這些區(qū)域通常是物體的邊界。該技術(shù)通過(guò)應(yīng)用強(qiáng)度閾值生成“薄邊緣”輪廓。讓我們深入了解它使用 OpenCV 的實(shí)現(xiàn)。
示例：檢測(cè)衛(wèi)星圖像中的邊緣
在這里，我們使用大阪的衛(wèi)星圖像，特別是古墳，作為測(cè)試用例。
import cv2
import numpy as np
import matplotlib.pyplot as plt
files = sorted(glob("SAT*.png")) #Get png files
print(len(files))
img=cv2.imread(files[0])
use_image= img[0:600,700:1300]
gray = cv2.cvtColor(use_image, cv2.COLOR_BGR2GRAY)
#Stadard values
min_val = 100
max_val = 200
# Apply Canny Edge Detection
edges = cv2.Canny(gray, min_val, max_val)
#edges = cv2.Canny(gray, min_val, max_val,apertureSize=5,L2gradient = True )
False
# Show the result
plt.figure(figsize=(15, 5))
plt.subplot(131), plt.imshow(cv2.cvtColor(use_image, cv2.COLOR_BGR2RGB))
plt.title('Original Image'), plt.axis('off')
plt.subplot(132), plt.imshow(gray, cmap='gray')
plt.title('Grayscale Image'), plt.axis('off')
plt.subplot(133), plt.imshow(edges, cmap='gray')
plt.title('Canny Edges'), plt.axis('off')
plt.show()
輸出邊緣清晰地勾勒出古墳和其他感興趣區(qū)域的部分輪廓。然而，由于閾值過(guò)大，一些區(qū)域被遺漏了。結(jié)果在很大程度上取決于 min_val 和 max_val 的選擇以及圖像質(zhì)量。
為了增強(qiáng)邊緣檢測(cè)，我們可以對(duì)圖像進(jìn)行預(yù)處理以分散像素強(qiáng)度并減少噪聲。這可以使用直方圖均衡 (cv2.equalizeHist()) 和高斯模糊 (cv2.GaussianBlur()) 來(lái)實(shí)現(xiàn)。
use_image= img[0:600,700:1300]
gray = cv2.cvtColor(use_image, cv2.COLOR_BGR2GRAY)
gray_og = gray.copy()
gray = cv2.equalizeHist(gray)
gray = cv2.GaussianBlur(gray, (9, 9),1)
plt.figure(figsize=(15, 5))
plt.subplot(121), plt.imshow(gray, cmap='gray')
plt.title('Grayscale Image')
plt.subplot(122)
_= plt.hist(gray.ravel(), 256, [0,256],label="Equalized")
_ = plt.hist(gray_og.ravel(), 256, [0,256],label="Original",histtype='step')
plt.legend()
plt.title('Grayscale Histogram')
這種預(yù)處理可以均勻強(qiáng)度分布并平滑圖像，這有助于 Canny 邊緣檢測(cè)算法捕獲更有意義的邊緣。
邊緣很有用，但它們僅表示邊界。為了分割封閉區(qū)域，我們將邊緣轉(zhuǎn)換為輪廓并可視化它們。
# Edges to contours
contours, hierarchy = cv2.findContours(edges, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# Calculate contour areas
areas = [cv2.contourArea(contour) for contour in contours]
# Normalize areas for the colormap
normalized_areas = np.array(areas)
if normalized_areas.max() > 0:
normalized_areas = normalized_areas / normalized_areas.max()
# Create a colormap
cmap = plt.cm.jet
# Plot the contours with the color map
plt.figure(figsize=(10, 10))
plt.subplot(1,2,1)
plt.imshow(gray, cmap='gray', alpha=0.5) # Display the grayscale image in the background
mask = np.zeros_like(use_image)
for contour, norm_area in zip(contours, normalized_areas):
color = cmap(norm_area) # Map the normalized area to a color
color = [int(c*255) for c in color[:3]]
cv2.drawContours(mask, [contour], -1, color,-1 ) # Draw contours on the image
plt.subplot(1,2,2)
上述方法用代表其相對(duì)區(qū)域的顏色突出顯示檢測(cè)到的輪廓。這種可視化有助于驗(yàn)證輪廓是否形成封閉體或僅形成線條。然而，在此示例中，許多輪廓仍然是未閉合的多邊形。進(jìn)一步的預(yù)處理或參數(shù)調(diào)整可以解決這些限制。
通過(guò)結(jié)合預(yù)處理和輪廓分析，Canny 邊緣檢測(cè)成為識(shí)別圖像中對(duì)象邊界的強(qiáng)大工具。然而，當(dāng)對(duì)象定義明確且噪聲最小時(shí)，它的效果最佳。接下來(lái)，我們將探索 K 均值聚類以按顏色分割圖像，從而為相同數(shù)據(jù)提供不同的視角。
K均值聚類
K-Means 聚類是數(shù)據(jù)科學(xué)中一種流行的方法，用于將相似的項(xiàng)目分組為聚類，并且它對(duì)于基于顏色相似性的圖像分割特別有效。 OpenCV 的 cv2.kmeans 函數(shù)簡(jiǎn)化了此過(guò)程，使其可以執(zhí)行對(duì)象分割、背景去除或視覺(jué)分析等任務(wù)。
在本節(jié)中，我們將使用 K 均值聚類將古墳?zāi)箞D像分割為相似顏色的區(qū)域。
首先，我們對(duì)圖像的 RGB 值應(yīng)用 K 均值聚類，將每個(gè)像素視為一個(gè)數(shù)據(jù)點(diǎn)。
import cv2
import numpy as np
import matplotlib.pyplot as plt
files = sorted(glob("SAT*.png")) #Get png files
print(len(files))
img=cv2.imread(files[0])
use_image= img[0:600,700:1300]
gray = cv2.cvtColor(use_image, cv2.COLOR_BGR2GRAY)
#Stadard values
min_val = 100
max_val = 200
# Apply Canny Edge Detection
edges = cv2.Canny(gray, min_val, max_val)
#edges = cv2.Canny(gray, min_val, max_val,apertureSize=5,L2gradient = True )
False
# Show the result
plt.figure(figsize=(15, 5))
plt.subplot(131), plt.imshow(cv2.cvtColor(use_image, cv2.COLOR_BGR2RGB))
plt.title('Original Image'), plt.axis('off')
plt.subplot(132), plt.imshow(gray, cmap='gray')
plt.title('Grayscale Image'), plt.axis('off')
plt.subplot(133), plt.imshow(edges, cmap='gray')
plt.title('Canny Edges'), plt.axis('off')
plt.show()
在分割圖像中，古墳和周?chē)鷧^(qū)域聚集成不同的顏色。然而，噪聲和顏色的微小變化會(huì)導(dǎo)致簇分散，這會(huì)給解釋帶來(lái)挑戰(zhàn)。
為了減少噪音并創(chuàng)建更平滑的聚類，我們可以在運(yùn)行 K-Means 之前應(yīng)用中值模糊。
use_image= img[0:600,700:1300]
gray = cv2.cvtColor(use_image, cv2.COLOR_BGR2GRAY)
gray_og = gray.copy()
gray = cv2.equalizeHist(gray)
gray = cv2.GaussianBlur(gray, (9, 9),1)
plt.figure(figsize=(15, 5))
plt.subplot(121), plt.imshow(gray, cmap='gray')
plt.title('Grayscale Image')
plt.subplot(122)
_= plt.hist(gray.ravel(), 256, [0,256],label="Equalized")
_ = plt.hist(gray_og.ravel(), 256, [0,256],label="Original",histtype='step')
plt.legend()
plt.title('Grayscale Histogram')
模糊的圖像會(huì)產(chǎn)生更平滑的簇，減少噪音并使分割區(qū)域在視覺(jué)上更具凝聚力。
為了更好地理解分割結(jié)果，我們可以使用 matplotlib plt.fill_ Between;
創(chuàng)建獨(dú)特簇顏色的顏色圖
# Edges to contours
contours, hierarchy = cv2.findContours(edges, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# Calculate contour areas
areas = [cv2.contourArea(contour) for contour in contours]
# Normalize areas for the colormap
normalized_areas = np.array(areas)
if normalized_areas.max() > 0:
normalized_areas = normalized_areas / normalized_areas.max()
# Create a colormap
cmap = plt.cm.jet
# Plot the contours with the color map
plt.figure(figsize=(10, 10))
plt.subplot(1,2,1)
plt.imshow(gray, cmap='gray', alpha=0.5) # Display the grayscale image in the background
mask = np.zeros_like(use_image)
for contour, norm_area in zip(contours, normalized_areas):
color = cmap(norm_area) # Map the normalized area to a color
color = [int(c*255) for c in color[:3]]
cv2.drawContours(mask, [contour], -1, color,-1 ) # Draw contours on the image
plt.subplot(1,2,2)
這種可視化可以深入了解圖像中的主色及其相應(yīng)的 RGB 值，這對(duì)于進(jìn)一步分析非常有用。因?yàn)槲覀儸F(xiàn)在可以屏蔽并選擇我的顏色代碼區(qū)域。
簇的數(shù)量 (K) 顯著影響結(jié)果。增加 K 會(huì)創(chuàng)建更詳細(xì)的細(xì)分，而較低的值會(huì)產(chǎn)生更廣泛的分組。為了進(jìn)行實(shí)驗(yàn)，我們可以迭代多個(gè) K 值。
import cv2
import numpy as np
import matplotlib.pyplot as plt
files = sorted(glob("SAT*.png")) #Get png files
print(len(files))
img=cv2.imread(files[0])
use_image= img[0:600,700:1300]
gray = cv2.cvtColor(use_image, cv2.COLOR_BGR2GRAY)
#Stadard values
min_val = 100
max_val = 200
# Apply Canny Edge Detection
edges = cv2.Canny(gray, min_val, max_val)
#edges = cv2.Canny(gray, min_val, max_val,apertureSize=5,L2gradient = True )
False
# Show the result
plt.figure(figsize=(15, 5))
plt.subplot(131), plt.imshow(cv2.cvtColor(use_image, cv2.COLOR_BGR2RGB))
plt.title('Original Image'), plt.axis('off')
plt.subplot(132), plt.imshow(gray, cmap='gray')
plt.title('Grayscale Image'), plt.axis('off')
plt.subplot(133), plt.imshow(edges, cmap='gray')
plt.title('Canny Edges'), plt.axis('off')
plt.show()
不同 K 值的聚類結(jié)果揭示了細(xì)節(jié)和簡(jiǎn)單性之間的權(quán)衡：
?較低的 K 值（例如 2-3）：聚類范圍廣泛，區(qū)分清晰，適合高級(jí)分割。
?更高的 K 值（例如 12-15）：更詳細(xì)的分割，但代價(jià)是增加復(fù)雜性和潛在的過(guò)度分割。
K-Means 聚類是一種基于顏色相似性分割圖像的強(qiáng)大技術(shù)。通過(guò)正確的預(yù)處理步驟，它可以生成清晰且有意義的區(qū)域。然而，其性能取決于 K 的選擇、輸入圖像的質(zhì)量以及所應(yīng)用的預(yù)處理。接下來(lái)，我們將探索分水嶺算法，該算法利用地形特征來(lái)實(shí)現(xiàn)對(duì)象和區(qū)域的精確分割。
分水嶺分割
分水嶺算法的靈感來(lái)自地形圖，其中分水嶺劃分流域。此方法將灰度強(qiáng)度值視為高程，有效地創(chuàng)建“峰”和“谷”。通過(guò)識(shí)別感興趣區(qū)域，該算法可以分割具有精確邊界的對(duì)象。它對(duì)于分離重疊對(duì)象特別有用，使其成為細(xì)胞分割、對(duì)象檢測(cè)和區(qū)分密集特征等復(fù)雜場(chǎng)景的絕佳選擇。
第一步是預(yù)處理圖像以增強(qiáng)特征，然后應(yīng)用分水嶺算法。
use_image= img[0:600,700:1300]
gray = cv2.cvtColor(use_image, cv2.COLOR_BGR2GRAY)
gray_og = gray.copy()
gray = cv2.equalizeHist(gray)
gray = cv2.GaussianBlur(gray, (9, 9),1)
plt.figure(figsize=(15, 5))
plt.subplot(121), plt.imshow(gray, cmap='gray')
plt.title('Grayscale Image')
plt.subplot(122)
_= plt.hist(gray.ravel(), 256, [0,256],label="Equalized")
_ = plt.hist(gray_og.ravel(), 256, [0,256],label="Original",histtype='step')
plt.legend()
plt.title('Grayscale Histogram')
分段區(qū)域和邊界可以與中間處理步驟一起可視化。
# Edges to contours
contours, hierarchy = cv2.findContours(edges, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# Calculate contour areas
areas = [cv2.contourArea(contour) for contour in contours]
# Normalize areas for the colormap
normalized_areas = np.array(areas)
if normalized_areas.max() > 0:
normalized_areas = normalized_areas / normalized_areas.max()
# Create a colormap
cmap = plt.cm.jet
# Plot the contours with the color map
plt.figure(figsize=(10, 10))
plt.subplot(1,2,1)
plt.imshow(gray, cmap='gray', alpha=0.5) # Display the grayscale image in the background
mask = np.zeros_like(use_image)
for contour, norm_area in zip(contours, normalized_areas):
color = cmap(norm_area) # Map the normalized area to a color
color = [int(c*255) for c in color[:3]]
cv2.drawContours(mask, [contour], -1, color,-1 ) # Draw contours on the image
plt.subplot(1,2,2)
該算法成功識(shí)別不同的區(qū)域并在對(duì)象周?chē)L制清晰的邊界。在本例中，古墳被精確分割。然而，該算法的性能在很大程度上取決于閾值處理、噪聲去除和形態(tài)學(xué)操作等預(yù)處理步驟。
添加高級(jí)預(yù)處理，例如直方圖均衡或自適應(yīng)模糊，可以進(jìn)一步增強(qiáng)結(jié)果。例如：
# Kmean color segmentation
use_image= img[0:600,700:1300]
#use_image = cv2.medianBlur(use_image, 15)
# Reshape image for k-means
pixel_values = use_image.reshape((-1, 3)) if len(use_image.shape) == 3 else use_image.reshape((-1, 1))
pixel_values = np.float32(pixel_values)
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
K = 3
attempts=10
ret,label,center=cv2.kmeans(pixel_values,K,None,criteria,attempts,cv2.KMEANS_PP_CENTERS)
centers = np.uint8(center)
segmented_data = centers[label.flatten()]
segmented_image = segmented_data.reshape(use_image.shape)
plt.figure(figsize=(10, 6))
plt.subplot(1,2,1),plt.imshow(use_image[:,:,::-1])
plt.title("RGB View")
plt.subplot(1,2,2),plt.imshow(segmented_image[:,:,[2,1,0]])
plt.title(f"Kmean Segmented Image K={K}")
通過(guò)這些調(diào)整，可以準(zhǔn)確分割更多區(qū)域，并最大限度地減少噪聲偽影。
分水嶺算法在需要精確邊界劃分和重疊對(duì)象分離的場(chǎng)景中表現(xiàn)出色。通過(guò)利用預(yù)處理技術(shù)，它甚至可以有效地處理像古墳古墳區(qū)域這樣的復(fù)雜圖像。然而，它的成功取決于仔細(xì)的參數(shù)調(diào)整和預(yù)處理。
結(jié)論
分割是圖像分析中的重要工具，提供了隔離和理解圖像中不同元素的途徑。本教程演示了三種強(qiáng)大的分割技術(shù)：Canny 邊緣檢測(cè)、K 均值聚類和分水嶺算法，每種技術(shù)都是針對(duì)特定應(yīng)用程序量身定制的。從勾勒出大阪古代古墳的輪廓，到聚類城市景觀和劃分不同區(qū)域，這些方法凸顯了 OpenCV 在應(yīng)對(duì)現(xiàn)實(shí)世界挑戰(zhàn)方面的多功能性。
現(xiàn)在去將其中的一些方法應(yīng)用到您選擇的應(yīng)用程序中，并發(fā)表評(píng)論并分享結(jié)果。另外，如果您知道任何其他簡(jiǎn)單的分割方法，也請(qǐng)分享
以上是[Python-CV圖像分割：Canny邊緣、分水嶺和K-Means方法的詳細(xì)內(nèi)容。更多信息請(qǐng)關(guān)注PHP中文網(wǎng)其他相關(guān)文章！
熱AI工具
Undress AI Tool
免費(fèi)脫衣服圖片
Undresser.AI Undress
人工智能驅(qū)動(dòng)的應(yīng)用程序，用于創(chuàng)建逼真的裸體照片
AI Clothes Remover
用于從照片中去除衣服的在線人工智能工具。
Clothoff.io
AI脫衣機(jī)
Video Face Swap
使用我們完全免費(fèi)的人工智能換臉工具輕松在任何視頻中換臉！
熱門(mén)文章
熱工具
記事本++7.3.1
好用且免費(fèi)的代碼編輯器
SublimeText3漢化版
中文版，非常好用
禪工作室 13.0.1
功能強(qiáng)大的PHP集成開(kāi)發(fā)環(huán)境
Dreamweaver CS6
視覺(jué)化網(wǎng)頁(yè)開(kāi)發(fā)工具
SublimeText3 Mac版
神級(jí)代碼編輯軟件(SublimeText3)
熱門(mén)話題
Python類中的多態(tài)性
Jul 05, 2025 am 02:58 AM
多態(tài)是Python面向?qū)ο缶幊讨械暮诵母拍?，指“一種接口，多種實(shí)現(xiàn)”，允許統(tǒng)一處理不同類型的對(duì)象。1.多態(tài)通過(guò)方法重寫(xiě)實(shí)現(xiàn)，子類可重新定義父類方法，如Animal類的speak()方法在Dog和Cat子類中有不同實(shí)現(xiàn)。2.多態(tài)的實(shí)際用途包括簡(jiǎn)化代碼結(jié)構(gòu)、增強(qiáng)可擴(kuò)展性，例如圖形繪制程序中統(tǒng)一調(diào)用draw()方法，或游戲開(kāi)發(fā)中處理不同角色的共同行為。3.Python實(shí)現(xiàn)多態(tài)需滿足：父類定義方法，子類重寫(xiě)該方法，但不要求繼承同一父類，只要對(duì)象實(shí)現(xiàn)相同方法即可，這稱為“鴨子類型”。4.注意事項(xiàng)包括保持方
什么是python的列表切片？
Jun 29, 2025 am 02:15 AM
ListslicinginPythonextractsaportionofalistusingindices.1.Itusesthesyntaxlist[start:end:step],wherestartisinclusive,endisexclusive,andstepdefinestheinterval.2.Ifstartorendareomitted,Pythondefaultstothebeginningorendofthelist.3.Commonusesincludegetting
python`@classmethod'裝飾師解釋了
Jul 04, 2025 am 03:26 AM
類方法是Python中通過(guò)@classmethod裝飾器定義的方法，其第一個(gè)參數(shù)為類本身(cls)，用于訪問(wèn)或修改類狀態(tài)。它可通過(guò)類或?qū)嵗{(diào)用，影響的是整個(gè)類而非特定實(shí)例；例如在Person類中，show_count()方法統(tǒng)計(jì)創(chuàng)建的對(duì)象數(shù)量；定義類方法時(shí)需使用@classmethod裝飾器并將首參命名為cls，如change_var(new_value)方法可修改類變量；類方法與實(shí)例方法(self參數(shù))、靜態(tài)方法(無(wú)自動(dòng)參數(shù))不同，適用于工廠方法、替代構(gòu)造函數(shù)及管理類變量等場(chǎng)景；常見(jiàn)用途包括從
Python函數(shù)參數(shù)和參數(shù)
Jul 04, 2025 am 03:26 AM
參數(shù)（parameters）是定義函數(shù)時(shí)的占位符，而傳參（arguments）是調(diào)用時(shí)傳入的具體值。1.位置參數(shù)需按順序傳遞，順序錯(cuò)誤會(huì)導(dǎo)致結(jié)果錯(cuò)誤；2.關(guān)鍵字參數(shù)通過(guò)參數(shù)名指定，可改變順序且提高可讀性；3.默認(rèn)參數(shù)值在定義時(shí)賦值，避免重復(fù)代碼，但應(yīng)避免使用可變對(duì)象作為默認(rèn)值；4.args和*kwargs可處理不定數(shù)量的參數(shù)，適用于通用接口或裝飾器，但應(yīng)謹(jǐn)慎使用以保持可讀性。
如何使用CSV模塊在Python中使用CSV文件？
Jun 25, 2025 am 01:03 AM
Python的csv模塊提供了讀寫(xiě)CSV文件的簡(jiǎn)單方法。1.讀取CSV文件時(shí)，可使用csv.reader()逐行讀取，并將每行數(shù)據(jù)作為字符串列表返回；若需通過(guò)列名訪問(wèn)數(shù)據(jù)，則可用csv.DictReader()，它將每行映射為字典。2.寫(xiě)入CSV文件時(shí)，使用csv.writer()并調(diào)用writerow()或writerows()方法寫(xiě)入單行或多行數(shù)據(jù)；若要寫(xiě)入字典數(shù)據(jù)，則使用csv.DictWriter()，需先定義列名并通過(guò)writeheader()寫(xiě)入表頭。3.處理邊緣情況時(shí)，模塊自動(dòng)處理
解釋Python發(fā)電機(jī)和迭代器。
Jul 05, 2025 am 02:55 AM
迭代器是實(shí)現(xiàn)__iter__()和__next__()方法的對(duì)象，生成器是簡(jiǎn)化版的迭代器，通過(guò)yield關(guān)鍵字自動(dòng)實(shí)現(xiàn)這些方法。1.迭代器每次調(diào)用next()返回一個(gè)元素，無(wú)更多元素時(shí)拋出StopIteration異常。2.生成器通過(guò)函數(shù)定義，使用yield按需生成數(shù)據(jù)，節(jié)省內(nèi)存且支持無(wú)限序列。3.處理已有集合時(shí)用迭代器，動(dòng)態(tài)生成大數(shù)據(jù)或需惰性求值時(shí)用生成器，如讀取大文件時(shí)逐行加載。注意：列表等可迭代對(duì)象不是迭代器，迭代器到盡頭后需重新創(chuàng)建，生成器只能遍歷一次。
如何在Python中結(jié)合兩個(gè)列表？
Jun 30, 2025 am 02:04 AM
合并兩個(gè)列表有多種方法，選擇合適方式可提升效率。1.使用 號(hào)拼接生成新列表，如list1 list2；2.使用 =修改原列表，如list1 =list2；3.使用extend()方法在原列表上操作，如list1.extend(list2)；4.使用號(hào)解包合并（Python3.5 ），如[list1,*list2]，支持靈活組合多個(gè)列表或添加元素。不同方法適用于不同場(chǎng)景，需根據(jù)是否修改原列表及Python版本進(jìn)行選擇。
如何處理Python中的API身份驗(yàn)證
Jul 13, 2025 am 02:22 AM
處理API認(rèn)證的關(guān)鍵在于理解并正確使用認(rèn)證方式。1.APIKey是最簡(jiǎn)單的認(rèn)證方式，通常放在請(qǐng)求頭或URL參數(shù)中；2.BasicAuth使用用戶名和密碼進(jìn)行Base64編碼傳輸，適合內(nèi)部系統(tǒng)；3.OAuth2需先通過(guò)client_id和client_secret獲取Token，再在請(qǐng)求頭中帶上BearerToken；4.為應(yīng)對(duì)Token過(guò)期，可封裝Token管理類自動(dòng)刷新Token；總之，根據(jù)文檔選擇合適方式，并安全存儲(chǔ)密鑰信息是關(guān)鍵。
