labview查找范例时说 NI服务器未定位 这是怎么回事？

NI服务定位器未运行

在使用labview查找范例时，出现“NI服务定位器未运行”的对话框，而后不能够打开范例。有以下方法。

方法一：

是防火墙服务禁用造成的，在防火墙规则里面找，把和NI相关的都允许。

方法二：

点击我的电脑-管理-服务- National Instrument mDNS Responder Service 然后启动就可以了。

方法三：

您需要重新启动 HelpServer。下面是操作的步骤：

访问下面路径 C:\Program Files\National Instruments\LabVIEW x.x\resource\system

双击 HelpServer.llb

打开 Set HelpServer Config Settings__NATIONAL INSTRUMENTS.vi

点击布尔按键 Enable Help Server? 使之处在真值状态。

运行一次该VI。

关闭该VI。

现在范例查找器应该工作正常了。

您也可以通过下面的步骤重启 HelpServer。

访问下面路径 C:\WINDOWS\system32\

双击 nisvcloc.exe

这会打开 NI服务定位器服务。

接下来的步骤可以确保每次您重启Windows时服务定位器运行：

访问下面路径 Start » Program Files » Startup

右击菜单并选择 Create Shortcut

安装步骤创建快捷方式C:\WINDOWS\system32\nisvcloc.exe

这会确保在每次您重启Windows时服务运行。

如果上述步骤不能解决问题，请按照下列步骤来改变 Help Server使用的端口：

访问下列路径 C:\Program Files\National Instruments\LabVIEW x.x\resource\system

双击HelpServer.llb

打开 HelpServer__NATIONAL INSTRUMENTS.vi

现在，您应该可以看到 HelpServer 正在使用的端口。您可以通过多次运行和停止这个VI来改变端口。

点击 Stop 按钮可以看到 'Registered?' 灯关闭。现在运行这个VI，您会看到它重新点亮。

在您最后一次运行时，关闭这个 VI但不停止它。

现在范例查找器应该工作正常了。

https://www.oschina.net/code/snippet_1170370_32834

opencv 理想滤波、巴特沃兹滤波和高斯滤波的高通、低通滤波演示

    Filter Parameters 窗口： 滤波器参数窗口

        - d0: 滤波器大小 D0

        - flag: 滤波器类型

             0 - 理想滤波

             1 - 巴特沃兹滤波

             2 - 高斯滤波

        - n: 巴特沃兹滤波的阶数

        - lh: 低通滤波 or 高通滤波

    Filtered Image 窗口: 过滤后的图像和过滤器图像

#! /usr/bin/env python

#coding=utf-8

importcv2

importnumpy as np

'''

opencv 理想滤波、巴特沃兹滤波和高斯滤波的高通、低通滤波演示

    Filter Parameters 窗口： 滤波器参数窗口

        - d0: 滤波器大小 D0

        - flag: 滤波器类型

             0 - 理想滤波

             1 - 巴特沃兹滤波

             2 - 高斯滤波

        - n: 巴特沃兹滤波的阶数

        - lh: 低通滤波 or 高通滤波

    Filtered Image 窗口: 过滤后的图像和过滤器图像

'''

defcombine_images(images, axis=1):

    '''

    合并图像。

    @param images: 图像列表(图像成员的维数必须相同)

    @param axis: 合并方向。

        axis=0时，图像垂直合并

        axis = 1 时， 图像水平合并。

    @return 合并后的图像

    '''

    ndim =images[0].ndim

    shapes =np.array([mat.shape format inimages])

    assertnp.all(map(lambdae: len(e)==ndim, shapes)), 'all images should be same ndim.'

    ifaxis ==0:# 垂直方向合并图像

        # 合并图像的 cols

        cols =np.max(shapes[:, 1])

        # 扩展各图像 cols大小，使得 cols一致

        copy_imgs =[cv2.copyMakeBorder(img, 0, 0, 0, cols-img.shape[1],

            cv2.BORDER_CONSTANT, (0,0,0))  forimg inimages]

        # 垂直方向合并

        returnnp.vstack(copy_imgs)

    else:# 水平方向合并图像

        # 合并图像的 rows

        rows =np.max(shapes[:, 0])

        # 扩展各图像rows大小，使得 rows一致

        copy_imgs =[cv2.copyMakeBorder(img, 0, rows-img.shape[0], 0, 0,

            cv2.BORDER_CONSTANT, (0,0,0))  forimg inimages]

        # 水平方向合并

        returnnp.hstack(copy_imgs)

deffft(img):

    '''对图像进行傅立叶变换，并返回换位后的频率矩阵'''

    assertimg.ndim==2, 'img should be gray.'

    rows, cols =img.shape[:2]

    # 计算最优尺寸

    nrows =cv2.getOptimalDFTSize(rows)

    ncols =cv2.getOptimalDFTSize(cols)

    # 根据新尺寸，建立新变换图像

    nimg =np.zeros((nrows, ncols))

    nimg[:rows,:cols] =img

    # 傅立叶变换

    fft_mat =cv2.dft(np.float32(nimg), flags=cv2.DFT_COMPLEX_OUTPUT)

    # 换位，低频部分移到中间，高频部分移到四周

    returnnp.fft.fftshift(fft_mat)

deffft_image(fft_mat):

    '''将频率矩阵转换为可视图像'''

    # log函数中加1，避免log(0)出现.

    log_mat=cv2.log(1+cv2.magnitude(fft_mat[:,:,0], fft_mat[:,:,1]))

    # 标准化到0~255之间

    cv2.normalize(log_mat, log_mat, 0, 255, cv2.NORM_MINMAX)

    returnnp.uint8(np.around(log_mat))

defifft(fft_mat):

    '''傅立叶反变换，返回反变换图像'''

    # 反换位，低频部分移到四周，高频部分移到中间

    f_ishift_mat =np.fft.ifftshift(fft_mat)

    # 傅立叶反变换

    img_back =cv2.idft(f_ishift_mat)

    # 将复数转换为幅度, sqrt(re^2 + im^2)

    img_back =cv2.magnitude(*cv2.split(img_back))

    # 标准化到0~255之间

    cv2.normalize(img_back, img_back, 0, 255, cv2.NORM_MINMAX)

    returnnp.uint8(np.around(img_back))

deffft_distances(m, n):

    '''

    计算m,n矩阵每一点距离中心的距离

    见《数字图像处理MATLAB版.冈萨雷斯》93页

    '''

    u =np.array([i ifi<=m/2elsem-i fori inrange(m)], dtype=np.float32)

    v =np.array([i ifi<=m/2elsem-i fori inrange(m)], dtype=np.float32)

    v.shape =n, 1

    # 每点距离矩阵左上角的距离

    ret =np.sqrt(u*u +v*v)

    # 每点距离矩阵中心的距离

    returnnp.fft.fftshift(ret)

deflpfilter(flag, rows, cols, d0, n):

    '''低通滤波器

    @param flag: 滤波器类型

        0 - 理想低通滤波

        1 - 巴特沃兹低通滤波

        2 - 高斯低通滤波

    @param rows: 被滤波的矩阵高度

    @param cols: 被滤波的矩阵宽度

    @param d0: 滤波器大小 D0

    @param n: 巴特沃兹低通滤波的阶数 

    @return 滤波器矩阵

    '''

    assertd0 >0, 'd0 should be more than 0.'

    filter_mat =None

    #理想低通滤波

    ifflag ==0:

        filter_mat =np.zeros((rows, cols ,2), np.float32)

        cv2.circle(filter_mat, (rows/2, cols/2) , d0, (1,1,1), thickness=-1) 

    # 巴特沃兹低通滤波

    elifflag ==1:

        duv =fft_distances(*fft_mat.shape[:2])

        filter_mat =1/(1+np.power(duv/d0, 2*n))

        # fft_mat有2个通道，实部和虚部

        # fliter_mat 也需要2个通道

        filter_mat =cv2.merge((filter_mat, filter_mat))

    #高斯低通滤波

    else:

        duv =fft_distances(*fft_mat.shape[:2])

        filter_mat =np.exp(-(duv*duv) /(2*d0*d0))

        # fft_mat有2个通道，实部和虚部

        # fliter_mat 也需要2个通道

        filter_mat =cv2.merge((filter_mat, filter_mat))                 

    returnfilter_mat

defhpfilter(flag, rows, cols, d0, n):

    '''高通滤波器

    @param flag: 滤波器类型

        0 - 理想高通滤波

        1 - 巴特沃兹高通滤波

        2 - 高斯高通滤波

    @param rows: 被滤波的矩阵高度

    @param cols: 被滤波的矩阵宽度

    @param d0: 滤波器大小 D0

    @param n: 巴特沃兹高通滤波的阶数 

    @return 滤波器矩阵

    '''

    assertd0 >0, 'd0 should be more than 0.'

    filter_mat =None

    #理想高通滤波

    ifflag ==0:

        filter_mat =np.ones((rows, cols ,2), np.float32)

        cv2.circle(filter_mat, (rows/2, cols/2) , d0, (0,0,0), thickness=-1) 

    # 巴特沃兹高通滤波

    elifflag ==1:

        duv =fft_distances(rows, cols)

        # duv有 0 值(中心距离中心为0)， 为避免除以0，设中心为 0.000001

        duv[rows/2, cols/2] =0.000001

        filter_mat =1/(1+np.power(d0/duv, 2*n))

        # fft_mat有2个通道，实部和虚部

        # fliter_mat 也需要2个通道

        filter_mat =cv2.merge((filter_mat, filter_mat))

    #高斯高通滤波

    else:

        duv =fft_distances(*fft_mat.shape[:2])

        filter_mat =1-np.exp(-(duv*duv) /(2*d0*d0))

        # fft_mat有2个通道，实部和虚部

        # fliter_mat 也需要2个通道

        filter_mat =cv2.merge((filter_mat, filter_mat))                 

    returnfilter_mat

defdo_filter(_=None):

    '''滤波，并显示'''

    d0 =cv2.getTrackbarPos('d0', filter_win)

    flag =cv2.getTrackbarPos('flag', filter_win)

    n =cv2.getTrackbarPos('n', filter_win)

    lh =cv2.getTrackbarPos('lh', filter_win)

    # 滤波器

    filter_mat =None

    iflh ==0:

        filter_mat =lpfilter(flag, fft_mat.shape[0], fft_mat.shape[1], d0, n)

    else:

        filter_mat =hpfilter(flag, fft_mat.shape[0], fft_mat.shape[1], d0, n)

    # 进行滤波

    filtered_mat =filter_mat *fft_mat

    # 反变换

    img_back =ifft(filtered_mat)

    # 显示滤波后的图像和滤波器图像

    cv2.imshow(image_win, combine_images([img_back, fft_image(filter_mat)]))

if__name__ =='__main__':

    img =cv2.imread('images/Fig0515.jpg',0)

    rows, cols =img.shape[:2]

    # 滤波器窗口名称

    filter_win ='Filter Parameters'

    # 图像窗口名称

    image_win ='Filtered Image'

    cv2.namedWindow(filter_win)

    cv2.namedWindow(image_win)

    # 创建d0 tracker, d0为过滤器大小

    cv2.createTrackbar('d0', filter_win, 20, min(rows, cols)/4, do_filter)

    # 创建flag tracker,

    # flag=0时，为理想滤波

    # flag=1时，为巴特沃兹滤波

    # flag=2时，为高斯滤波

    cv2.createTrackbar('flag', filter_win, 0, 2, do_filter)

    # 创建n tracker

    # n 为巴特沃兹滤波的阶数

    cv2.createTrackbar('n', filter_win, 1, 5, do_filter)

    # 创建lh tracker

    # lh: 滤波器是低通还是高通， 0 为低通， 1为高通

    cv2.createTrackbar('lh', filter_win, 0, 1, do_filter)

    fft_mat =fft(img)

    do_filter()

    cv2.resizeWindow(filter_win, 512, 20)

    cv2.waitKey(0)

    cv2.destroyAllWindows()

2.  [图片]  低通图像和滤波器.jpg

3.  [图片]  滤波器参数.jpg

---