區域增長演算法的原理和技術方法

Ⅰ 圖像分割

圖像閾值化分割是一種傳統的最常用的圖像分割方法，因其實現簡單、計算量小、性能較穩定而成為圖像分割中最基本和應用最廣泛的分割技術。它特別適用於目標和背景占據不同灰度級范圍的圖像。它不僅可以極大的壓縮數據量，而且也大大簡化了分析和處理步驟，因此在很多情況下，是進行圖像分析、特徵提取與模式識別之前的必要的圖像預處理過程。

圖像閾值化的目的是要按照灰度級，對像素集合進行一個劃分，得到的每個子集形成一個與現實景物相對應的區域，各個區域內部具有一致的屬性，而相鄰區域不具有這種一致屬性。這樣的劃分可以通過從灰度級出發選取一個或多個閾值來實現。

基本原理是：通過設定不同的特徵閾值，把圖像象素點分為若干類。
常用的特徵包括：直接來自原始圖像的灰度或彩色特徵；由原始灰度或彩色值變換得到的特徵。
設原始圖像為f(x，y)，按照一定的准則f(x，y)中找到特徵值T，將圖像分割為兩個部分，分割後的圖像為：
若取：b0=0(黑)，b1=1(白)，即為我們通常所說的圖像二值化。

閾值分割方法實際上是輸入圖像f到輸出圖像g的如下變換：

其中，T為閾值，對於物體的圖像元素g(i,j)=1，對於背景的圖像元素g(i,j)=0。

由此可見，閾值分割演算法的關鍵是確定閾值，如果能確定一個合適的閾值就可准確地將圖像分割開來。閾值確定後，將閾值與像素點的灰度值逐個進行比較，而且像素分割可對各像素並行地進行，分割的結果直接給出圖像區域。
閾值分割的優點是計算簡單、運算效率較高、速度快。有著各種各樣的閾值處理技術，包括全局閾值、自適應閾值、最佳閾值等等。

閾值處理技術參看：

區域分割是講圖像按照相似性准則分成不同的區域，主要包括區域增長，區域分裂合並和分水嶺等幾種類型。

區域生長是一種串列區域分割的圖像分割方法。區域生長是指從某個像素出發，按照一定的准則，逐步加入鄰近像素，當滿足一定的條件時，區域生長終止。區域生長的好壞決定於1. 初始點（種子點）的選取。 2. 生長准則。 3. 終止條件 。區域生長是從某個或者某些像素點出發，最後得到整個區域，進而實現目標的提取。

區域生長的基本思想是將具有相似性質的像素集合起來構成區域。具體先對每個需要分割的區域找一個種子像素作為生長的起點，然後將種子像素周圍鄰域中與種子像素有相同或相似性質的像素(根據某種事先確定的生長或相似准則來判定)合並到種子像素所在的區域中。將這些新像素當作新的種子像素繼續進行上面的過程，直到再沒有滿足條件的像素可被包括進來。這樣一個區域就長成了。

區域生長需要選擇一組能正確代表所需區域的種子像素，確定在生長過程中的相似性准則，制定讓生長停止的條件或准則。相似性准則可以是灰度級、彩色、紋理、梯度等特性。選取的種子像素可以是單個像素，也可以是包含若干個像素的小區域。大部分區域生長准則使用圖像的局部性質。生長准則可根據不同原則制定，而使用不同的生長准則會影響區域生長的過程。

圖1是區域增長的示例。

區域生長是一種古老的圖像分割方法，最早的區域生長圖像分割方法是由Levine等人提出的。該方法一般有兩種方式，一種是先給定圖像中要分割的目標物體內的一個小塊或者說種子區域(seed point)，再在種子區域基礎上不斷將其周圍的像素點以一定的規則加入其中，達到最終將代表該物體的所有像素點結合成一個區域的目的；另一種是先將圖像分割成很多的一致性較強，如區域內像素灰度值相同的小區域，再按一定的規則將小區域融合成大區域，達到分割圖像的目的，典型的區域生長法如T. C. Pong等人提出的基於小面（facet）模型的區域生長法，區域生長法固有的缺點是往往會造成過度分割，即將圖像分割成過多的區域

區域生長實現的步驟如下:

區域分裂合並演算法的基本思想是先確定一個分裂合並的准則，即區域特徵一致性的測度，當圖像中某個區域的特徵不一致時就將該區域分裂成4個相等的子區域，當相鄰的子區域滿足一致性特徵時則將它們合成一個大區域，直至所有區域不再滿足分裂合並的條件為止。當分裂到不能再分的情況時，分裂結束，然後它將查找相鄰區域有沒有相似的特徵，如果有就將相似區域進行合並，最後達到分割的作用。在一定程度上區域生長和區域分裂合並演算法有異曲同工之妙，互相促進相輔相成的，區域分裂到極致就是分割成單一像素點，然後按照一定的測量准則進行合並，在一定程度上可以認為是單一像素點的區域生長方法。區域生長比區域分裂合並的方法節省了分裂的過程，而區域分裂合並的方法可以在較大的一個相似區域基礎上再進行相似合並，而區域生長只能從單一像素點出發進行生長（合並）。

反復進行拆分和聚合以滿足限制條件的演算法。

令R表示整幅圖像區域並選擇一個謂詞P。對R進行分割的一種方法是反復將分割得到的結果圖像再次分為四個區域，直到對任何區域Ri，有P(Ri)=TRUE。這里是從整幅圖像開始。如果P(R)=FALSE，就將圖像分割為4個區域。對任何區域如果P的值是FALSE．就將這4個區域的每個區域再次分別分為4個區域，如此不斷繼續下去。這種特殊的分割技術用所謂的四叉樹形式表示最為方便(就是說，每個非葉子節點正好有4個子樹)，這正如圖10.42中說明的樹那樣。注意，樹的根對應於整幅圖像，每個節點對應於劃分的子部分。此時，只有R4進行了進一步的再細分。

如果只使用拆分，最後的分區可能會包含具有相同性質的相鄰區域。這種缺陷可以通過進行拆分的同時也允許進行區域聚合來得到矯正。就是說，只有在P(Rj∪Rk)=TRUE時，兩個相鄰的區域Rj和Rk才能聚合。
前面的討論可以總結為如下過程。在反復操作的每一步，我們需要做：

可以對前面講述的基本思想進行幾種變化。例如，一種可能的變化是開始時將圖像拆分為一組圖象塊。然後對每個塊進一步進行上述拆分，但聚合操作開始時受只能將4個塊並為一組的限制。這4個塊是四叉樹表示法中節點的後代且都滿足謂詞P。當不能再進行此類聚合時，這個過程終止於滿足步驟2的最後的區域聚合。在這種情況下，聚合的區域可能會大小不同。這種方法的主要優點是對於拆分和聚合都使用同樣的四叉樹，直到聚合的最後一步。

分水嶺分割方法，是一種基於拓撲理論的數學形態學的分割方法，其基本思想是把圖像看作是測地學上的拓撲地貌，圖像中每一點像素的灰度值表示該點的海拔高度，每一個局部極小值及其影響區域稱為集水盆，而集水盆的邊界則形成分水嶺。分水嶺的概念和形成可以通過模擬浸入過程來說明。在每一個局部極小值表面，刺穿一個小孔，然後把整個模型慢慢浸入水中，隨著浸入的加深，每一個局部極小值的影響域慢慢向外擴展，在兩個集水盆匯合處構築大壩，即形成分水嶺。

分水嶺的計算過程是一個迭代標注過程。分水嶺比較經典的計算方法是L. Vincent提出的。在該演算法中，分水嶺計算分兩個步驟，一個是排序過程，一個是淹沒過程。首先對每個像素的灰度級進行從低到高排序，然後在從低到高實現淹沒過程中，對每一個局部極小值在h階高度的影響域採用先進先出(FIFO)結構進行判斷及標注。

分水嶺變換得到的是輸入圖像的集水盆圖像，集水盆之間的邊界點，即為分水嶺。顯然，分水嶺表示的是輸入圖像極大值點。因此，為得到圖像的邊緣信息，通常把梯度圖像作為輸入圖像，即

分水嶺演算法對微弱邊緣具有良好的響應，圖像中的雜訊、物體表面細微的灰度變化，都會產生過度分割的現象。但同時應當看出，分水嶺演算法對微弱邊緣具有良好的響應，是得到封閉連續邊緣的保證的。另外，分水嶺演算法所得到的封閉的集水盆，為分析圖像的區域特徵提供了可能。
為消除分水嶺演算法產生的過度分割，通常可以採用兩種處理方法，一是利用先驗知識去除無關邊緣信息。二是修改梯度函數使得集水盆只響應想要探測的目標。

為降低分水嶺演算法產生的過度分割，通常要對梯度函數進行修改，一個簡單的方法是對梯度圖像進行閾值處理，以消除灰度的微小變化產生的過度分割。即

程序可採用方法：用閾值限制梯度圖像以達到消除灰度值的微小變化產生的過度分割，獲得適量的區域，再對這些區域的邊緣點的灰度級進行從低到高排序，然後在從低到高實現淹沒的過程，梯度圖像用Sobel運算元計算獲得。對梯度圖像進行閾值處理時，選取合適的閾值對最終分割的圖像有很大影響，因此閾值的選取是圖像分割效果好壞的一個關鍵。缺點：實際圖像中可能含有微弱的邊緣，灰度變化的數值差別不是特別明顯，選取閾值過大可能會消去這些微弱邊緣。

參考文章：

圖像分割的一種重要途徑是通過邊緣檢測，即檢測灰度級或者結構具有突變的地方，表明一個區域的終結，也是另一個區域開始的地方。這種不連續性稱為邊緣。不同的圖像灰度不同，邊界處一般有明顯的邊緣，利用此特徵可以分割圖像。

圖像中邊緣處像素的灰度值不連續，這種不連續性可通過求導數來檢測到。對於階躍狀邊緣，其位置對應一階導數的極值點，對應二階導數的過零點(零交叉點)。因此常用微分運算元進行邊緣檢測。常用的一階微分運算元有Roberts運算元、Prewitt運算元和Sobel運算元，二階微分運算元有Laplace運算元和Kirsh運算元等。在實際中各種微分運算元常用小區域模板來表示，微分運算是利用模板和圖像卷積來實現。這些運算元對雜訊敏感，只適合於雜訊較小不太復雜的圖像。

由於邊緣和雜訊都是灰度不連續點，在頻域均為高頻分量，直接採用微分運算難以克服雜訊的影響。因此用微分運算元檢測邊緣前要對圖像進行平滑濾波。LoG運算元和Canny運算元是具有平滑功能的二階和一階微分運算元，邊緣檢測效果較好，

在邊緣檢測演算法中，前三個步驟用得十分普遍。這是因為大多數場合下，僅僅需要邊緣檢測器指出邊緣出現在圖像某一像素點的附近，而沒有必要指出邊緣的精確位置或方向．邊緣檢測誤差通常是指邊緣誤分類誤差，即把假邊緣判別成邊緣而保留，而把真邊緣判別成假邊緣而去掉．邊緣估計誤差是用概率統計模型來描述邊緣的位置和方向誤差的．我們將邊緣檢測誤差和邊緣估計誤差區分開，是因為它們的計算方法完全不同，其誤差模型也完全不同．

Roberts運算元 ：邊緣定位準，但是對雜訊敏感。適用於邊緣明顯且雜訊較少的圖像分割。Roberts邊緣檢測運算元是一種利用局部差分運算元尋找邊緣的運算元,Robert運算元圖像處理後結果邊緣不是很平滑。經分析，由於Robert運算元通常會在圖像邊緣附近的區域內產生較寬的響應，故採用上述運算元檢測的邊緣圖像常需做細化處理，邊緣定位的精度不是很高。

Prewitt運算元 ：對雜訊有抑製作用，抑制雜訊的原理是通過像素平均，但是像素平均相當於對圖像的低通濾波，所以Prewitt運算元對邊緣的定位不如Roberts運算元。

Sobel運算元 ：Sobel運算元和Prewitt運算元都是加權平均，但是Sobel運算元認為，鄰域的像素對當前像素產生的影響不是等價的，所以距離不同的像素具有不同的權值，對運算元結果產生的影響也不同。一般來說，距離越遠，產生的影響越小。

Isotropic Sobel運算元 ：加權平均運算元，權值反比於鄰點與中心點的距離，當沿不同方向檢測邊緣時梯度幅度一致，就是通常所說的各向同性。
在邊沿檢測中，常用的一種模板是Sobel 運算元。Sobel 運算元有兩個，一個是檢測水平邊沿的；另一個是檢測垂直平邊沿的 。Sobel運算元另一種形式是各向同性Sobel(Isotropic Sobel)運算元，也有兩個，一個是檢測水平邊沿的，另一個是檢測垂直平邊沿的 。各向同性Sobel運算元和普通Sobel運算元相比，它的位置加權系數更為准確，在檢測不同方向的邊沿時梯度的幅度一致。由於建築物圖像的特殊性，我們可以發現，處理該類型圖像輪廓時，並不需要對梯度方向進行運算，所以程序並沒有給出各向同性Sobel運算元的處理方法。

1971年，R.Kirsch[34]提出了一種能檢測邊緣方向的Kirsch運算元新方法：它使用了8個模板來確定梯度幅度值和梯度的方向。

圖像中的每個點都用8個掩模進行卷積，每個掩模對某個特定邊緣方向作出最大響應。所有8個方向中的最大值作為邊緣幅度圖像的輸出。最大響應掩模的序號構成了對邊緣方向的編碼。
Kirsch運算元的梯度幅度值用如下公式：

不同檢測運算元的對比：

參考文章：

文章引用於 木夜溯
編輯 Lornatang
校準 Lornatang

Ⅱ 高中地理計算題的解題技巧

地理中的計算題可謂難倒 理性思維 較為差的同學，但是不要認為就挽救不了，有 方法 可循的，那麼接下來給大家分享一些關於高中地理計算題的解題技巧，希望對大家有所幫助。

高中地理計算題的解題技巧

1.經緯度計算：經度差與地方時差算經度——地方時每相差1小時，經度相差1°;緯差法與正午太陽高度算緯度——正午太陽相差多小，緯度相差多少;北極星的仰角即地平高度等於當地地理緯度;經緯線上長度算經緯度——1°經線長111km,1°緯線長111cosфkm(ф為緯度)。

2.比例尺計算：比例尺=圖上距離/實地距離

3.海拔和相對高度的計算：等高線圖上任意兩地相對高度的計算可根據(n-1)d≤⊿h<(n+1)d (其中n表示兩地間不同等高線的條數， d表示等高距)。

4.流域面積的計算：作出流域的分水線即山脊線，由分水嶺所圍的區域即為流域的范圍;因圖形不規范，計算時一般算出圖幅面積後，再分析流域面積占圖幅面積的比重，相乘即可。

5.有關時間計算：①某地時區數=該地經度÷15，對商取整數部分，尾數部分四捨五入;②根據各時區中央經線的地方時即為本時區區時，相鄰的兩個時區的區時相差1小時，即求某地區區時=已知地區時±兩地時區，注意東加西減; ③根據東早西晚，經度每相差15°，地方時相差1小時。即求某地地方時=已知某地地方時±(兩地經度差×4分鍾/1°)，注意東加西減;④日期界線有兩條，自然界線即地方時0：00經線，以東早一天，為新的一天，以西晚一天，為舊的一天;人為界線即國際日期變更線，也就是180°經線(但兩者並不完全重合)，規定日界線以東晚一天，為舊的一天，以西早一天，為新的一天;新的一天的范圍即從地方時0：00經線向東到180°經線的范圍;新的一天的范圍=180°經線的地方時×15。⑤日照圖上晨線與赤道交點所在經線地方時為6：00，昏線與赤道交點所在經線的地方時為18：00;晨昏線與某緯線的切點所在經線為0：00(切點為極晝)或12：00(切點為極夜)。

6.地球自轉速度計算：①地球上除南北極點外， 其它 各地角速度都相等，大致每小時15°;②地球上赤道處線速度最大，南北極點為0，任意緯線上線速度Vф=V赤道cosф=1670cosф km/h ; ③同步衛星的角速度與地球上除極點外的任一點都相等，線速度比對應地面上的點大。

7.太陽高度及正午太陽高度計算：

①太陽高度由太陽直射點(h=90°)向四周以同心圓的形式遞減，到晨昏上為0，晝半球h>0°，夜半球h<0°，晨昏上h=0°。解題方法一定要注意把等太陽高度線圖轉化為日照圖，關鍵是注意中心點或為太陽直射點，或為夜半球中點。

②正午太陽高度的分布是由太陽直射點所在緯度向南北兩側遞減，計算時一般採用緯差法，即兩地緯度相差多少，正午太陽高度也相差多少。

8.晝夜長短計算：某地晝長等於該地所在緯線圈晝弧度數除以15°;日出時刻=12-晝長/2=夜長/2;日落時刻=12+晝長/2=24-夜長/2;極晝區晝長為24小時，極夜區晝長為0小時，赤道上各地晝長永遠是12小時，兩分日全球各地晝長均為12小時;緯度相同，晝夜長短相等，日出日落時刻相同;不同半球相同緯度的兩地晝夜長短相反，即某地晝長=對應另一半球相同緯度大小地的夜長。

9.太陽直射點的確定：①直射點經度即太陽高度最大(太陽上中天)的經線，地方時12：00的經線;②直射點緯度即正午太陽高度為90°的緯線，直射點的緯度大小與極晝或極夜出現的最低緯度大小互余，直射點緯度大小等於極晝的極點的太陽高度(或正午太陽高度)大小。

10.溫度計算：①對流層氣溫垂直遞減率為每上升100m，氣溫下降0。6℃;②焚風效應氣溫垂直遞增率，每下沉100m，氣溫增加1℃;③常溫層以下地溫垂直遞增率，每往下100m，地溫增加3℃。

11.氣壓梯度計算：單位距離間的氣壓差即為氣壓梯度，計算公式為△P/△d

12.河流徑流量的計算：徑流量=降水量一蒸發量

13.人口自然增長率的計算：自然增長率=出生率一死亡率

14.人口密度的計算：人口密度=人口總量/分布面積

15.城市化水平的計算：城市人口比重=城市人口數量/該地區人口總數

16.運動器感覺晝夜更替周期的計算：T=360°/(地球自轉角速度±運動器角速度)，(同向相加，逆向相減)。

高中地理的復習要具備的能力

一、進一步深化統整地理知識的能力

在第一階段復習時，知識點落實到章節，用的時間較長，是以單元為單位重點講解知識點之間的聯系。在第二階復習時，應重點復習地理學科的 主幹知 識，加強知識的歸納整理，形成自己的知識體系，提高分析問題和解決問題的能力。要注意知識之間內在聯系。針對復習過程中所暴露出來的一系列問題，應該在精 讀課本的基礎上多換角度思考，多藉助幾個載體來整合知識，從而掌握知識之間的邏輯關系，以便提高運用知識的遷移速度。如氣候知識，就可根據氣候的具體分 布、氣候的主要特點、影響氣候的成因、各種氣候類型的判斷、氣候對工農業的影響、氣候資源的利用與評價這一線索進行知識串聯;也可利用區域圖對中國各分區 之間、中國某區域與世界某區域之間氣候資源的利用等進行對比聯系;還可對各大洲相同的氣候類型進行影響因素的逐一對比等。還要注意知識歸類。在回歸課本防 止知識遺忘的同時，應該做好知識的整理和歸類工作，對高中地理重點和主幹知識進行歸類，可得出幾種類型。

(1)影響因素類。如影響太陽輻射強度的因素、影響氣候的因素、影響等溫線彎曲變化的因素、影響海水溫度和鹽度的因素、影響地震烈度大小的因素等。

(2)區位因素類。如工農業的區位因素、人口分布和遷移的區位因素、交通(鐵路、港口等)建設的區位因素等。

(3) 措施 和意義類。如減少水土流失的措施、減少土壤次生鹽鹼化的措施、解決水資源不足的措施等;修建鐵路的作用和意義、西氣東輸和西電東送的作用和意義等。

二、提高讀圖、析圖能力

地圖是地理學的「第二語言」，也是地理學習的重要工具。因此絕大部分高考題都以地圖為載體考查考生從圖中提取信息、解讀信息的能力。命題的圖像 多種多樣，而且多數是課本中圖的變形或創新。近幾年的文科綜合試題中，地理部分出現較多的圖形類型有：日照圖、模式圖、等值線圖、地理數據統計圖(表)或 區域地圖等等。雖然種類繁多，變化各異，但其本質都是反映地理事物的空間分布、時間變化、地理事物之間的關系(數量關系、邏輯關系等)，因此在復習時應注 意對圖表進行分類整理，抓住其共性， 總結 讀圖規律，提高讀圖、析圖能力。

(一)掌握好讀圖的基本步驟

(1)先看所給地圖的圖名。圖名是一幅地圖的眼睛，它常常概要地表明地圖所示的區域和主題內容。例如「中國工業布局的變化圖」，不僅表明了地圖所示區域是中國，還表明了地圖所示內容是中國工業布局的時空變化。

(2)細辨圖中圖例。當地圖上出現多項地理事物的空間分布時，首先可從圖例中找出各項地理事物的名稱，然後分門別類地分辨識別它們的分布特點。

(3)重視圖中分界線。地理分界線是判斷地理事物分布的重要依據，如洲界線、國界線、日界線、晨昏線等。

(4)注意空間位置或形象特徵。可通過地理事物的位置或形象特徵來認識其分布。如深圳位於珠江口東岸，而珠海位於西岸;法國的輪廓近似「六邊 形」，智利的輪廓像「長劍」。通過閱讀較熟悉的或有一定意義的地理事物，如城市、鐵路、公路、河流等，然後再沿某一方向順序去讀圖。

(5)分析判斷。在地圖上了解某一地理事物的空間分布特點時，可以從整體到局部作層層分析，找出規律，最後作進一步分析成因。

(6)勿漏輔圖。有些地圖配有輔圖，如課本中的洋流圖，就配有一幅北印度洋夏季洋流輔圖，我國的地圖往往配有一幅南海諸島的輔圖。輔圖有時有很重要的信息，讀圖時更需注意主圖與輔圖的關系及相對應的位置，不可忽視。

(二)判讀不同類型的地圖應有所側重

如判讀等值線圖要「五讀一分析」，即讀數值范圍、讀極值、讀疏密程度、讀彎曲方向、讀局部小范圍閉合等值線，分析成因。判讀曲線圖，應先看清縱 坐標和橫坐標的含義，再認清各種圖例所代表的地理要素，然後去讀圖、析圖。注意利用曲線圖的連續性，向兩邊進行定性或定量地延伸分析，揭示出地理事物和現 象的時空分布規律，進而說明各地理現象之間的聯系，從而去解決問題。又如分析統計圖表時，要按下面步驟進行：一讀圖名、圖例，二讀坐標、數據，三讀整體特 征和變化趨勢，並在此基礎上結合有關問題分析作答。

(三)應加強圖圖、圖文轉換訓練

要讓學生知道，大部分地理知識都可在圖上直觀地反映出來，而且教材表明的地理事物或現象之間的聯系在圖上可以顯示得更為緊密和清晰。復習時要堅 持圖文結合的原則，並加上圖文轉化、圖圖轉化訓練。如將局部圖轉化為全部圖，將從某一角度繪制的圖轉換成從一個比較熟悉的角度去看，將試題中的圖轉化為課 本上的圖或文字等，使之轉換到自己比較熟悉的知識體系中，從而方便解題。也可以根據課本中的文字等信息，將其轉化為各種形式的圖表，以了解圖像是如何演變 而來的，增強自己的判讀能力和繪制圖表的能力。

三、提高綜合運用知識的能力

要全面思考，對比分析。在建立完整的地理知識結構的基礎上，總結、歸納出地理原理、地理規律，弄清自然地理環境中地形、氣候、水文、植被、土壤 等及其相互聯系，人文地理要素的內涵，自然環境與人文活動之間的聯系等。對於容易混淆的地理知識注意進行對比分析：可縱向對比分析，如按時間順序比較三次 技術革命對工業生產、工業布局的影響。也可以進行橫向對比分析，如比較熱帶草原氣候和熱帶季風氣候的成因、氣候特徵、地區分布;再如比較幾種農業地域類型 的發展條件、主要特徵等，可採取列表分析，也可以通過圖像進行對比分析等等。認清相似問題的相似性和差異性，明確知識間的聯系，有利於掌握概念的實質內 容，排除干擾因素，形成正確概念。

要多角度進行訓練，促進知識遷移。對於一些可從多角度去思考的地理問題，要整體把握，注意 發散思維 的訓練。學習中注重加強對一因多果、一果多因 問題的研究，充分利用一題多變、一題多解，訓練解題思路，提高解題的應變能力，研究各種可能造成知識負遷移的因素，促進知識的正遷移。如給出一組等值線 圖，可以從多個方面變換條件進行 思維訓練 ：如假定為等高線圖，判斷山脊、山谷;如假定為等壓線圖，判斷高壓脊、低壓槽;如假定為等溫線圖，判斷是何種洋流 影響所致，或是何種地形影響所致等。

要理論聯系實際，分析、解決問題。高考試題的 一大特點就是注重聯系實際，把地理原理、地理規律巧妙地與當前 熱點 、焦點問題聯系起來，以考查學生 運用地理原理解決實際問題的能力。因此平時要關注熱點和重大問題，如全球變暖、北京奧運會、水土資源的合理利用、城市化、人口問題、能源的開發利用、新農 村建設、建設節約型社會、生態文明等。但不應盲目追逐熱點，要善於用地理的眼光看待問題，從中發掘所涉及的原理和規律。這樣不僅使地理學習在深度和廣度上 得到了擴展，而且有助於提高運用所學知識分析和解決問題的能力。

四、提高審題、答題的能力

審題具有一定的程序。

(1)注意試題的數量和分數的分配情況，做到心中有數。

(2)要確實弄清楚每道題的題意，搞清楚題目所給予的條件和問題，明確題目要求，因為考試要求可能與自己習慣的答題要求有所不同，所以一定要按 題意和要求去回答。要認真解讀試題中的每一幅圖、每一句話、每個數字、符號，搞清楚設問與所給材料之間的關系，盡可能多地從題干、設問和圖表上提取有效信 息，進行信息間關系的判斷，互相論證或排除錯誤判斷。更要注意那些關鍵性和限制性的文字，否則就可能造成誤答或答不全。

(3)對於有些「似曾相識」的題目，更不可掉以輕心，不能憑「想當然」作答。要將考題與平時做過的題目進行對比，看看是否有「細枝末節」上的區別。如有，把這些「區別」看出來，就可避免失誤。

在准確審題後，解題的關鍵是要有正確的答題思路，靈活地調動和運用平時積累的知識儲備，綜合分析，將所學知識與試題要 求成功「對接」來解答。針 對不同的題型，應採取不同的解題方法，就目前的情況來看，試題基本上是兩種類型，即選擇題和綜合題。對選擇題來說，一是注意事物的因果關系，試題往往要求 以果推因，有時則是以因推果;二是採取排除法，從相反的方向去思考問題，有時這樣解題會更快一點。綜合題的解答時要有整體性思維，因為綜合題的設計往往以 區域地理為載體，圍繞一個中心問題，從不同側面或者事物的不同層面來設問，因此必須用區域研究的方法，全面思考，圍繞著「在哪裡?」「有什麼?」「為什 么?」「怎麼做?」這一思路，去綜合分析解答問題，即從自然地理環境的內涵(地形、氣候、水文、土壤、植被等)及各要素間的相互聯系，人文地理要素的內涵 (資源、市場、交通、勞力、技術、政治、經濟、 文化 等)，以及自然環境與人文活動之間的聯系、影響等方面入手，找出優勢條件或限制性因素，綜合分析，提出 發展方向或解決措施。如分析沙塵暴的危害、產生原因和對策時，從危害來說，就必須考慮對自然環境的影響和對人類生產生活各方面的影響;從原因來說，必須考 慮自然原因，如大氣運動、大氣環流的穩定性、氣溫的變化、地表的植被狀況等;而人文原因則要考慮人類對地表的各種破壞，以及造成這種破壞的背景因素，如人 口的增長導致對自然資源掠奪性的開發而產生的各種環境問題等。

高中地理計算題的解題技巧相關 文章 ：

★ 高中地理題答題技巧及解題方法

★ 地理計算方法有哪些,地理計算題的解題方法

★ 高中地理命題規律與綜合題答題技巧

★ 做地理練習題的技巧

★ 高考地理選擇題解題方法整理

★ 高三地理得分技巧

★ 高考地理選擇題滿分答題技巧

★ 地理計算方法有哪些,25個地理計算公式

★ 高中地理的學習技巧

★ 高考各科答題技巧

Ⅲ 區域生長Matlab代碼

我跑了下，應該改成function Output=region(image,seed,Threshold,maxv)

........
........
%堆棧的尾部指針後移一位
Start=Start+1;
end
end
end

Output = LabelImage;

end
你試試看有結果沒

Ⅳ 區域增長演算法（C#實現)

這個不是跟區域填充差不多麼?
如果每次都要逐個單元掃描 不是卡死?
你可以去參考下區域填充算發 雖然那個演算法也不怎麼樣 不過至少每次尋找新點時候 不用逐個重新掃描;

你是想做識別么?

是逐個掃描一次..問題當標識好之後,,當你選擇下一個種子點的時候,又要重新掃描.這樣是很麻煩;
你可以採用區域填充..他首先確定一個種子點 然後他由這個種子點出發.當走到一路盡頭的時候就會返回 延下一個方向走..這樣就避免了逐點掃描
例如有這么一個方塊
A B C D E F
G H I J K L
M O P Q R S
T U V W X Y
假如沖 Q開始先左走 PQ關系小 則 P跟Q一樣 依次走到M 每一個都標記了 當然其中也有些不符合要求 然後M開始往上走....當走到一個點發現他四周所有的位置都被標記 而退回上一個點 繼續下一個方向..依次走完 這就是一個遞歸的方法,,而遞歸本質也是棧的使用(跟4皇後求法 也有點類似)

Ⅳ 遙感圖像的DEM提取原理是什麼

1、遙感信息提取方法分類
常用的遙感信息提取的方法有兩大類：一是目視解譯，二是計算機信息提取。

1.1目視解譯
目視解譯是指利用圖像的影像特徵（色調或色彩，即波譜特徵）和空間特徵（形狀、大小、陰影、紋理、圖形、位置和布局），與多種非遙感信息資料（如地形圖、各種專題圖）組合，運用其相關規律，進行由此及彼、由表及裡、去偽存真的綜合分析和邏輯推理的思維過程。早期的目視解譯多是純人工在相片上解譯，後來發展為人機交互方式，並應用一系列圖像處理方法進行影像的增強，提高影像的視覺效果後在計算機屏幕上解譯。

1）遙感影像目視解譯原則
遙感影像目視解譯的原則是先「宏觀」後「微觀」；先「整體」後「局部」；先「已知」後「未知」；先「易」後「難」等。一般判讀順序為，在中小比例尺像片上通常首先判讀水系，確定水系的位置和流向，再根據水系確定分水嶺的位置，區分流域范圍，然後再判讀大片農田的位置、居民點的分布和交通道路。在此基礎上，再進行地質、地貌等專門要素的判讀。

2）遙感影像目視解譯方法

（1）總體觀察
觀察圖像特徵，分析圖像對判讀目的任務的可判讀性和各判讀目標間的內在聯系。觀察各種直接判讀標志在圖像上的反映，從而可以把圖像分成大類別以及其他易於識別的地面特徵。

（2）對比分析
對比分析包括多波段、多時域圖像、多類型圖像的對比分析和各判讀標志的對比分析。多波段圖像對比有利於識別在某一波段圖像上灰度相近但在其它波段圖像上灰度差別較大的物體；多時域圖像對比分析主要用於物體的變化繁衍情況監測；而多各個類型圖像對比分析則包括不同成像方式、不同光源成像、不同比例尺圖像等之間的對比。
各種直接判讀標志之間的對比分析，可以識別標志相同（如色調、形狀），而另一些標識不同（紋理、結構）的物體。對比分析可以增加不同物體在圖像上的差別，以達到識別目的。

（3）綜合分析
綜合分析主要應用間接判讀標志、已有的判讀資料、統計資料，對圖像上表現得很不明顯，或毫無表現的物體、現象進行判讀。間接判讀標志之間相互制約、相互依存。根據這一特點，可作更加深入細致的判讀。如對已知判讀為農作物的影像范圍，按農作物與氣候、地貌、土質的依賴關系，可以進一步區別出作物的種屬；河口泥沙沉積的速度、數量與河流匯水區域的土質、地貌、植被等因素有關，長江、黃河河口泥沙沉積情況不同，正是因為流域內的自然環境不同所至。
地圖資料和統計資料是前人勞動的可靠結果，在判讀中起著重要的參考作用，但必須結合現有圖像進行綜合分析，才能取得滿意的結果。實地調查資料，限於某些地區或某些類別的抽樣，不一定完全代表整個判讀范圍的全部特徵。只有在綜合分析的基礎上，才能恰當應用、正確判讀。

（4）參數分析
參數分析是在空間遙感的同時，測定遙感區域內一些典型物體（樣本）的輻射特性數據、大氣透過率和遙感器響應率等數據，然後對這些數據進行分析，達到區分物體的目的。
大氣透過率的測定可同時在空間和地面測定太陽輻射照度，按簡單比值確定。儀器響應率由實驗室或飛行定標獲取。
利用這些數據判定未知物體屬性可從兩個方面進行。其一，用樣本在圖像上的灰度與其他影像塊比較，凡灰度與某樣本灰度值相同者，則與該樣本同屬性；其二，由地面大量測定各種物體的反射特性或發射特性，然後把它們轉化成灰度。然後根據遙感區域內各種物體的灰度，比較圖像上的灰度，即可確定各類物體的分布范圍。

1.2計算機信息提取
利用計算機進行遙感信息的自動提取則必須使用數字圖像，由於地物在同一波段、同一地物在不同波段都具有不同的波譜特徵，通過對某種地物在各波段的波譜曲線進行分析，根據其特點進行相應的增強處理後，可以在遙感影像上識別並提取同類目標物。早期的自動分類和圖像分割主要是基於光譜特徵，後來發展為結合光譜特徵、紋理特徵、形狀特徵、空間關系特徵等綜合因素的計算機信息提取。

1.2.1自動分類
常用的信息提取方法是遙感影像計算機自動分類。首先，對遙感影像室內預判讀，然後進行野外調查，旨在建立各種類型的地物與影像特徵之間的對應關系並對室內預判結果進行驗證。工作轉入室內後，選擇訓練樣本並對其進行統計分析，用適當的分類器對遙感數據分類，對分類結果進行後處理，最後進行精度評價。遙感影像的分類一般是基於地物光譜特徵、地物形狀特徵、空間關系特徵等方面特徵，目前大多數研究還是基於地物光譜特徵。
在計算機分類之前，往往要做些預處理，如校正、增強、濾波等，以突出目標物特徵或消除同一類型目標的不同部位因照射條件不同、地形變化、掃描觀測角的不同而造成的亮度差異等。
利用遙感圖像進行分類，就是對單個像元或比較勻質的像元組給出對應其特徵的名稱，其原理是利用圖像識別技術實現對遙感圖像的自動分類。計算機用以識別和分類的主要標志是物體的光譜特性，圖像上的其它信息如大小、形狀、紋理等標志尚未充分利用。
計算機圖像分類方法，常見的有兩種，即監督分類和非監督分類。監督分類，首先要從欲分類的圖像區域中選定一些訓練樣區，在這樣訓練區中地物的類別是已知的，用它建立分類標准，然後計算機將按同樣的標准對整個圖像進行識別和分類。它是一種由已知樣本，外推未知區域類別的方法；非監督分類是一種無先驗（已知）類別標準的分類方法。對於待研究的對象和區域，沒有已知類別或訓練樣本作標准，而是利用圖像數據本身能在特徵測量空間中聚集成群的特點，先形成各個數據集，然後再核對這些數據集所代表的物體類別。
與監督分類相比，非監督分類具有下列優點：不需要對被研究的地區有事先的了解，對分類的結果與精度要求相同的條件下，在時間和成本上較為節省，但實際上，非監督分類不如監督分類的精度高，所以監督分類使用的更為廣泛。

1.2.2紋理特徵分析
細小地物在影像上有規律地重復出現，它反映了色調變化的頻率，紋理形式很多，包括點、斑、格、壠、柵。在這些形式的基礎上根據粗細、疏密、寬窄、長短、直斜和隱顯等條件還可再細分為更多的類型。每種類型的地物在影像上都有本身的紋理圖案，因此，可以從影像的這一特徵識別地物。紋理反映的是亮度（灰度）的空間變化情況，有三個主要標志：某種局部的序列性在比該序列更大的區域內不斷重復；序列由基本部分非隨機排列組成；各部分大致都是均勻的統一體，在紋理區域內的任何地方都有大致相同的結構尺寸。這個序列的基本部分通常稱為紋理基元。因此可以認為紋理是由基元按某種確定性的規律或統計性的規律排列組成的，前者稱為確定性紋理（如人工紋理），後者呈隨機性紋理（或自然紋理）。對紋理的描述可通過紋理的粗細度、平滑性、顆粒性、隨機性、方向性、直線性、周期性、重復性等這些定性或定量的概念特徵來表徵。
相應的眾多紋理特徵提取演算法也可歸納為兩大類，即結構法和統計法。結構法把紋理視為由基本紋理元按特定的排列規則構成的周期性重復模式，因此常採用基於傳統的Fourier頻譜分析方法以確定紋理元及其排列規律。此外結構元統計法和文法紋理分析也是常用的提取方法。結構法在提取自然景觀中不規則紋理時就遇到困難，這些紋理很難通過紋理元的重復出現來表示，而且紋理元的抽取和排列規則的表達本身就是一個極其困難的問題。在遙感影像中紋理絕大部分屬隨機性，服從統計分布，一般採用統計法紋理分析。目前用得比較多的方法包括：共生矩陣法、分形維方法、馬爾可夫隨機場方法等。共生矩陣是一比較傳統的紋理描述方法，它可從多個側面描述影像紋理特徵。

1.2.3圖像分割
圖像分割就是指把圖像分成各具特性的區域並提取出感興趣目標的技術和過程，此處特性可以是像素的灰度、顏色、紋理等預先定義的目標可以對應單個區域，也可以對應多個區域。
圖像分割是由圖像處理到圖像分析的關鍵步驟，在圖像工程中占據重要的位置。一方面，它是目標表達的基礎，對特徵測量有重要的影響；另一方面，因為圖像分割及其基於分割的目標表達、特徵抽取和參數測量的將原始圖像轉化為更抽象更緊湊的形式，使得更高層的圖像分析和理解成為可能。
圖像分割是圖像理解的基礎，而在理論上圖像分割又依賴圖像理解，彼此是緊密關聯的。圖像分割在一般意義下是十分困難的問題，目前的圖像分割一般作為圖像的前期處理階段，是針對分割對象的技術，是與問題相關的，如最常用到的利用閾值化處理進行的圖像分割。
圖像分割有三種不同的途徑，其一是將各象素劃歸到相應物體或區域的象素聚類方法即區域法，其二是通過直接確定區域間的邊界來實現分割的邊界方法，其三是首先檢測邊緣象素再將邊緣象素連接起來構成邊界形成分割。

1）閾值與圖像分割
閾值是在分割時作為區分物體與背景象素的門限，大於或等於閾值的象素屬於物體，而其它屬於背景。這種方法對於在物體與背景之間存在明顯差別（對比）的景物分割十分有效。實際上，在任何實際應用的圖像處理系統中，都要用到閾值化技術。為了有效地分割物體與背景，人們發展了各種各樣的閾值處理技術，包括全局閾值、自適應閾值、最佳閾值等等。

2）梯度與圖像分割
當物體與背景有明顯對比度時，物體的邊界處於圖像梯度最高的點上，通過跟蹤圖像中具有最高梯度的點的方式獲得物體的邊界，可以實現圖像分割。這種方法容易受到雜訊的影響而偏離物體邊界，通常需要在跟蹤前對梯度圖像進行平滑等處理，再採用邊界搜索跟蹤演算法來實現。

3）邊界提取與輪廓跟蹤
為了獲得圖像的邊緣人們提出了多種邊緣檢測方法，如Sobel, Canny edge, LoG。在邊緣圖像的基礎上，需要通過平滑、形態學等處理去除雜訊點、毛刺、空洞等不需要的部分，再通過細化、邊緣連接和跟蹤等方法獲得物體的輪廓邊界。

4）Hough變換
對於圖像中某些符合參數模型的主導特徵，如直線、圓、橢圓等，可以通過對其參數進行聚類的方法，抽取相應的特徵。

5）區域增長
區域增長方法是根據同一物體區域內象素的相似性質來聚集象素點的方法，從初始區域（如小鄰域或甚至於每個象素）開始，將相鄰的具有同樣性質的象素或其它區域歸並到目前的區域中從而逐步增長區域，直至沒有可以歸並的點或其它小區域為止。區域內象素的相似性度量可以包括平均灰度值、紋理、顏色等信息。
區域增長方法是一種比較普遍的方法，在沒有先驗知識可以利用時，可以取得最佳的性能，可以用來分割比較復雜的圖像，如自然景物。但是，區域增長方法是一種迭代的方法，空間和時間開銷都比較大。

1.2.4面向對象的遙感信息提取
基於像素級別的信息提取以單個像素為單位,過於著眼於局部而忽略了附近整片圖斑的幾何結構情況，從而嚴重製約了信息提取的精度，而面向對象的遙感信息提取，綜合考慮了光譜統計特徵、形狀、大小、紋理、相鄰關系等一系列因素，因而具有更高精度的分類結果。面向對象的遙感影像分析技術進行影像的分類和信息提取的方法如下：
首先對圖像數據進行影像分割，從二維化了的圖像信息陣列中恢復出圖像所反映的景觀場景中的目標地物的空間形狀及組合方式。影像的最小單元不再是單個的像素，而是一個個對象，後續的影像分析和處理也都基於對象進行。
然後採用決策支持的模糊分類演算法，並不簡單地將每個對象簡單地分到某一類，而是給出每個對象隸屬於某一類的概率，便於用戶根據實際情況進行調整，同時，也可以按照最大概率產生確定分類結果。在建立專家決策支持系統時，建立不同尺度的分類層次，在每一層次上分別定義對象的光譜特徵、形狀特徵、紋理特徵和相鄰關系特徵。其中，光譜特徵包括均值、方差、灰度比值；形狀特徵包括面積、長度、寬度、邊界長度、長寬比、形狀因子、密度、主方向、對稱性，位置，對於線狀地物包括線長、線寬、線長寬比、曲率、曲率與長度之比等，對於面狀地物包括面積、周長、緊湊度、多邊形邊數、各邊長度的方差、各邊的平均長度、最長邊的長度；紋理特徵包括對象方差、面積、密度、對稱性、主方向的均值和方差等。通過定義多種特徵並指定不同權重，建立分類標准，然後對影像分類。分類時先在大尺度上分出"父類"，再根據實際需要對感興趣的地物在小尺度上定義特徵，分出"子類"。

Ⅵ 如何用區域生長法實現圖像分割

區域生長法圖像分割是直接根據像素的相似性和連通性來對圖像進行聚類的演算法。基本原理是，給出若干種子點，然後依次對這些種子點進行如下操作，直到種子點集合為空：判斷種子點四鄰域或八鄰域的像素點是否和種子點相似（灰度相似或其他測度相似），如果相似則將該點加入種子點集合，否則不作處理。
該演算法原理很簡單，但在數據結構的組織上卻需要技巧，本文介紹一種簡易的數據組織方式實現該演算法。

如上圖所示，左圖為一幅W*H大小的圖像示意圖，利用區域生長法圖像分割演算法，該圖像被分割（聚類）為7塊；右圖為相應的數據結構，圖像分割的結果屬於圖像空間數據，其實就是一系列的像素點坐標數組或與像素點坐標直接關聯的屬性數組如FLAG的數組等，這個數組的維度一定是W*H，而分割結果體現在數組元素的排列順序：同一類別的元素連續存儲。然而類別的界限無法用該數組表明，而只能用另外一個描述數組，這里我們稱之為圖像空間數據的「元數據」數據，這個數組的有效維度為空間數據的類別數，即7，每個元素代表的是空間數據數組中每個類別的元素個數，其實也就相應地表明了每個類別的指針位置。

Ⅶ 區域生長的區域生長的優勢和劣勢

1. 區域生長通常能將具有相同特徵的聯通區域分割出來。
2. 區域生長能提供很好的邊界信息和分割結果。
3. 區域生長的思想很簡單，只需要若干種子點即可完成。
4. 在生長過程中的生長准則可以自由的指定。
5. 可以在同一時刻挑選多個准則。 1. 計算代價大。
2. 雜訊和灰度不均一可能會導致空洞和過分割。
3. 對圖像中的陰影效果往往不是很好。
對雜訊問題，通常可以用一些平滑濾波器，或是diffusion濾波器做預處理來解決，所以通常雜訊問題並不是很嚴重。所以實際上，區域生長的最嚴重的問題就是效率低下。
據實驗，在2.4GHz的電腦上，一個512*512*343的數據，進行一次區域生長大約需要200s的時間

Ⅷ D3群在三維實空間中的矩陣表示是怎麼算的

MVS是一種從具有一定重疊度的多視圖視角中恢復場景的稠密結構的技術，傳統方法利用幾何、光學一致性構造匹配代價，進行匹配代價累積，再估計深度值。雖然傳統方法有較高的深度估計精度，但由於存在缺少紋理或者光照條件劇烈變化的場景中的錯誤匹配，傳統方法的深度估計完整度還有很大的提升空間。近年來卷積神經網路已經成功被應用在特徵匹配上，提升了立體匹配的精度。在這樣的背景下，香港科技大學Yaoyao等人，在2018年提出了一種基於深度學習的端到端深度估計框架——MVSNet。
多視圖立體匹配（Multi-view Stereo， MVS）是計算機領域中一個核心問題。重建多視圖立體匹配，可以認為是拍攝既定場景的一個逆過程。相機映射下，三維場景變換為二維，而多視圖立體匹配重建正好相反，其從這樣子。不同視點拍攝圖像，恢復出真實的三維場景。
傳統的方法使用手工設計的相似性度量指標和正則化方法計算場景的稠密對應關系（比如使用歸一化互相關Normalized Cross-Correlation和半全局匹配semi-global matching）。這些方法在非朗伯體表面、無弱紋理區域的場景可以達到很好的效果。但是在弱紋理區域，人工設計的相似性指標變得不可信，因此導致重建結果不完整。由MVS數據集的排行榜可知，這些方法具有很高的精度，然而在重建的完整度方法還有很大的空間可以提升。
卷積神經網路的研究的最新進展引發了人們完善立體匹配重建熱情。從概念看，基於學習演算法能夠捕獲全局的語義信息，比如基於高光和反射的先驗條件，便於得到更加穩健的匹配。目前已經探求一些兩視圖立體匹配，用神經網路替換手工設計的相似性度量或正則化方法。這些方法展現出更好的結果，並且逐步超過立體匹配領域的傳統方法。事實上，立體匹配任務完全適合使用CNN，因為圖像對是已經過修正過的，因此立體匹配問題轉化為水平方向上逐像素的視差估計。
與雙目立體匹配不同的是，MVS的輸入是任意數目的視圖，這是深度學習方法需要解決的一個棘手的問題。而且只有很少的工作意識到該問題，比如SurfaceNet事先重建彩色體素立方體，將所有像素的顏色信息和相機參數構成一個3D代價體，所構成的3D代價體即為網路的輸入。然而受限於3D代價體巨大的內存消耗，SurfaceNet網路的規模很難增大：SurfaceNet運用了一個啟發式的「分而治之」的策略，對於大規模重建場景則需要花費很長的時間。

Ⅸ 串列區域增長演算法會限制圖像的解析度嗎

圖像的插值放大和多閾值區域生長演算法Ij勺研究 摘要 中處理策略的不同,分割演算法又可分為並行演算法和串列

Ⅹ 為什麼要進行知識建模,知識建模的方法是什麼

1.為什麼要進行知識建模:因為知識建模通常是知識的邏輯體系化過程,主要指應用知識來解決各種工程問題，自動完成工程中各種繁瑣和重復的工作。

2.知識建模的方法:

一、主成分分析

降維，找到數據中的主成分，並利用這些主成分表徵原始數據，從而達到降維的目的。

1. 對樣本數據進行中心化處理；

2. 求樣本協方差矩陣；

3. 對協方差矩陣進行特徵值分解，將特徵值從大到小排列；

4. 取特徵值前 n 個最大的對應的特徵向量 W1, W2, …, Wn ，這樣將原來 m 維的樣本降低到 n 維。

通過 PCA ，就可以將方差較小的特徵給拋棄，這里，特徵向量可以理解為坐標轉換中新坐標軸的方向，特徵值表示在對應特徵向量上的方差，特徵值越大，方差越大，信息量也就越大。這也是為什麼選擇前 n 個最大的特徵值對應的特徵向量，因為這些特徵包含更多重要的信息。

PCA 是一種線性降維方法，這也是它的一個局限性。不過也有很多解決方法，比如採用核映射對 PCA 進行拓展得到核主成分分析(KPCA)，或者是採用流形映射的降維方法，比如等距映射、局部線性嵌入、拉普拉斯特徵映射等，對一些 PCA 效果不好的復雜數據集進行非線性降維操作。

二、線性判別分析：還需要一個投影方向，適合帶類別信息。

三、獨立成分分析：PCA特徵轉換降維，提取的是不相關的部分，ICA獨立成分分析，獲得的是相互獨立的屬性。ICA演算法本質尋找一個線性變換 z = Wx，使得 z 的各個特徵分量之間的獨立性最大。

四、隨機森林：集成思想，涉及到決策樹和集成學習，將若干個弱分類器的分類結果進行投票選擇，從而組成一個強分類器。

隨機森林的既可以用於回歸也可以用於分類任務，並且很容易查看模型的輸入特徵的相對重要性。隨機森林演算法被認為是一種非常方便且易於使用的演算法，因為它是默認的超參數通常會產生一個很好的預測結果。超參數的數量也不是那麼多，而且它們所代表的含義直觀易懂。隨機森林有足夠多的樹，分類器就不會產生過度擬合模型。由於使用大量的樹會使演算法變得很慢，並且無法做到實時預測。一般而言，這些演算法訓練速度很快，預測十分緩慢。越准確的預測需要越多的樹，這將導致模型越慢。在大多數現實世界的應用中，隨機森林演算法已經足夠快，但肯定會遇到實時性要求很高的情況，那就只能首選其他方法。當然，隨機森林是一種預測性建模工具，而不是一種描述性工具。也就是說，如果您正在尋找關於數據中關系的描述，那建議首選其他方法。

五、FP-growth演算法：FP代表頻繁模式（Frequent Pattern）。
這里有幾點需要強調一下：
第一，FP-growth演算法只能用來發現頻繁項集，不能用來尋找關聯規則。
第二，FP-growth演算法發現頻繁集的效率比較高，Apriori演算法要對於每個潛在的頻繁項集都會掃描數據集來判定是否頻繁，FP-growth演算法只需要對數據集進行兩次掃描。這種演算法的執行速度要快於Apriori，通常性能要好兩個數量級以上。
第三，FP-growth演算法基於Apriori演算法構建，在完成相同任務的時候採用了一些不同技術。
發現頻繁項集的基本過程：
1、構建FP樹
2、從FP樹中挖掘頻繁項集
優點：一般要快於Apriori
缺點：實現比較困難，在某些數據集上性能會下降。
適用數據類型：標稱型數據。

六、粒子群演算法：優化、最優解

七、靈敏度分析：線性規劃問題

八、層次分析法：主要用於決策、確定權重

九、模擬退火演算法：在解空間隨機尋找目標函數的全局最優解

十、遺傳演算法：最優解，將方程求解問題轉化為生存問題。

十一、幾種問題：

P問題：P類問題就是所有復雜度為多項式時間的問題的集合。

NP問題：可以在多項式時間內驗證一個解是否正確的問題稱為NP問題。（它包括P問題）

十二、機理分析法：機理分析是根據對現實對象特性的認識，分析其因果關系，找出反映內部機理的規律。機理分析建模常用：常微分方程、偏微分方程、邏輯方法、比例方法、代數方法

建立微分方程模型時應用已知物理定律，可事半功倍。也可利用平衡與增長式微元法或者分析法。

求解常微分方程模型的常用方法：微分方程的數值解、微分方程的定性分析。

常微分方程數值解的定義：

在生產和科研中所處理的微分方程往往很復雜,且大多得不出一般解。而實際問題中對初值問題的求解，一般是要求得到在若干個點上滿足規定精確度的近似值，或者得到一個滿足精確度要求的便於計算的表達式。

建立數值解法的一些途徑：

Ø 用差商代替導數

Ø 使用數值積分

Ø 使用泰勒公式，以此方法為基礎，有龍格-庫塔法、線性多步法等方法。

Ø 數值公式的精度

歐拉法是一階公式，改進的歐拉法是二階公式．

龍格-庫塔法有二階公式和四階公式．

線性多步法有四階亞當斯外插公式和內插公式．

雖然動態過程的變化規律一般要用微分方程建立的動態模型來描述，但是對於某些實際問題，建模的主要目的並不是要尋求動態過程每個瞬時的性態，而是研究某種意義下穩定狀態的特徵，特別是當時間充分長以後動態過程的變化趨勢。譬如在什麼情況下描述過程的變數會越來越接近某些確定的數值，在什麼情況下又會越來越遠離這些數值 而導致過程不穩定。

為了分析這種穩定與不穩定的規律常常不需要求解微分方程，而可以利用微分方程穩定性理論，直接研究平衡狀態的穩定性就行了。

十三、動態規劃： 動態規劃是用來解決多階段決策過程最優化的一種數量方法。其特點在於，它可以把一個n 維決策問題變換為幾個一維最優化問題，從而一個一個地去解決。

需指出：動態規劃是求解某類問題的一種方法，是考察問題的一種途徑，而不是一種演算法。必須對具體問題進行具體分析，運用動態規劃的原理和方法，建立相應的模型，然後再用動態規劃方法去求解。

多階段線性規劃典型為：1、生產決策問題2、機器負荷分配問題

能用動態規劃方法求解的多階段決策過程是一類特殊的多階段決策過程，即具有無後效性的多階段決策過程。

十四、有限差分方法：有限差分法求解流動控制方程的基本過程是：首先將求解區域劃分為差分網格，用有限個網格點代替連續的求解域，將待求解的流動變數（如密度、速度等）存儲在各網格點上，並將偏微分方程中的微分項用相應的差商代替，從而將偏微分方程轉化為代數形式的差分方程，得到含有離散點上的有限個未知變數的差分方程組。求出該差分方程組的解，也就得到了網格點上流動變數的數值解。

十六、幾種特徵工程技巧：

（1） 數據分箱

（2） 獨熱編碼

（3） 特徵哈希

（4） 嵌套法

（5） 取對數

（6） 特徵縮放與標准化

（7） 特徵交互