圖計算演算法

❶ 800X600的8位灰度圖象的大小的計算方法是什麼

800和600代表這個圖片橫縱兩個方向的像素點的數量，8位代表每個象素的顏色信息所佔用的磁碟空間，或者是色深。8位的進一步的含義是8個二進制位，這八個二進制位從00000000到11111111共之間共有256位數，所以其色深就是256級。

每四個二進制位被成為1位元組(bit)，8個二進制位則是2個位元組。所以一個800*600的圖像的大小就應該是800*600*2位元組=960000bit=937.5KB=0.9375MB

但一個圖像文件所需記錄的信息並非只有這些，還有這個圖像的名稱、格式信息、生成日期等，所以其大小還會有一些差別。另外每種圖像格式的編碼方式均不相同，還可能涉及到一些圖像壓縮之類的內容。以上計算方法僅適合BMP圖像格式。

❷ 在圖像處理中有哪些演算法

1、圖像變換：

由於圖像陣列很大，直接在空間域中進行處理，涉及計算量很大。採用各種圖像變換的方法，如傅立葉變換、沃爾什變換、離散餘弦變換等間接處理技術，將空間域的處理轉換為變換域處理，可減少計算量，獲得更有效的處理。它在圖像處理中也有著廣泛而有效的應用。

2、圖像編碼壓縮：

圖像編碼壓縮技術可減少描述圖像的數據量，以便節省圖像傳輸、處理時間和減少所佔用的存儲器容量。

壓縮可以在不失真的前提下獲得，也可以在允許的失真條件下進行。

編碼是壓縮技術中最重要的方法，它在圖像處理技術中是發展最早且比較成熟的技術。

3、圖像增強和復原：

圖像增強和復原的目的是為了提高圖像的質量，如去除雜訊，提高圖像的清晰度等。

圖像增強不考慮圖像降質的原因，突出圖像中所感興趣的部分。如強化圖像高頻分量，可使圖像中物體輪廓清晰，細節明顯；如強化低頻分量可減少圖像中雜訊影響。

4、圖像分割：

圖像分割是數字圖像處理中的關鍵技術之一。

圖像分割是將圖像中有意義的特徵部分提取出來，其有意義的特徵有圖像中的邊緣、區域等，這是進一步進行圖像識別、分析和理解的基礎。

5、圖像描述：

圖像描述是圖像識別和理解的必要前提。

一般圖像的描述方法採用二維形狀描述，它有邊界描述和區域描述兩類方法。對於特殊的紋理圖像可採用二維紋理特徵描述。

6、圖像分類：

圖像分類屬於模式識別的范疇，其主要內容是圖像經過某些預處理（增強、復原、壓縮）後，進行圖像分割和特徵提取，從而進行判決分類。

圖像分類常採用經典的模式識別方法，有統計模式分類和句法模式分類。

(2)圖計算演算法擴展閱讀：

圖像處理主要應用在攝影及印刷、衛星圖像處理、醫學圖像處理、面孔識別、特徵識別、顯微圖像處理和汽車障礙識別等。

數字圖像處理技術源於20世紀20年代，當時通過海底電纜從英國倫敦到美國紐約傳輸了一幅照片，採用了數字壓縮技術。

數字圖像處理技術可以幫助人們更客觀、准確地認識世界，人的視覺系統可以幫助人類從外界獲取3/4以上的信息，而圖像、圖形又是所有視覺信息的載體，盡管人眼的鑒別力很高，可以識別上千種顏色，

但很多情況下，圖像對於人眼來說是模糊的甚至是不可見的，通過圖象增強技術，可以使模糊甚至不可見的圖像變得清晰明亮。

❸ 圖紙鋼筋量的計算方法

從結構施工上看只要看結構圖，就有鋼筋的具體數量了；從預算的角度，而鋼筋是一根一根地計算的，另外，我們還把混凝土的比重看成是2.4，把鋼筋混凝土的比重看成是2.5，這也可以非常大概的了解在一般情況下鋼筋混凝土的含鋼量。
總之，精確的算，必須逐根計算後匯總。

鋼筋計算原理及計算方法
鋼筋重量=鋼筋長度*根數*理論重量
鋼筋長度=凈長+節點錨固+搭接+彎鉤（一級抗震）
柱
基礎層：筏板基礎〈=2000mm時， 基礎插筋長度=基礎層層高-保護層+基礎彎折a+基礎縱筋外露長度HN/3+與上層縱筋搭接長度LLE（如焊接時，搭接長度為0）
筏板基礎〉2000mm時， 基礎插筋長度=基礎層層高/2-保護層+基礎彎折a+基礎縱筋外露長度HN/3+與上層縱筋搭接的長度LLE（如焊接時，搭接長度為0）
地下室：柱縱筋長度=地下室層高-本層凈高HN/3+首層樓層凈高HN/3+與首層縱筋搭接LLE（如焊接時，搭接長度為0）
首層：柱縱筋長度=首層層高-首層凈高HN/3+max(二層凈高HN/6，500，柱截面邊長尺寸（圓柱直徑）)+與二層縱筋搭接的長度LLE（如焊接時，搭接長度為0）
中間層：柱縱筋長度=二層層高-max(二層層高HN/6，500，柱截面尺寸（圓柱直徑）)+max（三層層高HN/6，500，柱截面尺寸（圓柱直徑））+與三層搭接LLE（如焊接時，搭接長度為0）
頂層：
角柱：外側鋼筋長度=頂層層高－max（本層樓層凈高HN/6，500，柱截面長邊尺寸（圓柱直徑））－梁高+1.5LAE
內側鋼筋長度=頂層層高－max(本層樓層凈高HN/6，500，柱截面長邊尺寸（圓柱直徑）)-梁高+LAE
其中錨固長度取值：
當柱縱筋伸入梁內的直徑長〈LAE時，則使用彎錨，柱縱筋伸至柱頂後彎折12d，錨固長度=梁高-保護層+12d；當柱縱筋伸入梁內的直徑長〉=LAE時，則使用直錨：柱縱筋伸至柱頂後截斷，錨固長度=梁高-保護層，
當框架柱為矩形截面時，外側鋼筋根數為：3根角筋，b邊鋼筋總數的1/2，h邊總數的1/2。
內側鋼筋根數為：1根角筋，b邊鋼筋總數的1/2，h邊總數的1/2。
邊柱：外側鋼筋長度=頂層層高－max（本層樓層凈高HN/6，500，柱截面長邊尺寸（圓柱直徑））－梁高+1.5LAE
內側鋼筋長度=頂層層高－max(本層樓層凈高HN/6，500，柱截面長邊尺寸（圓柱直徑）)-梁高+LAE
當框架柱為矩形截面時，外側鋼筋根數為：2根角筋，b邊一側鋼筋總數
內側鋼筋根數為：2根角筋，b邊一側鋼筋總數，h邊兩側鋼筋總數。
中柱：縱筋長度=頂層層高-max（本層樓層凈高Hn/6，500，柱截面長邊尺寸（圓柱直徑））-梁高+錨固
其中錨固長度取值：
當柱縱筋伸入梁內的直徑長〈LAE時，則使用彎錨，柱縱筋伸至柱頂後彎折12d，錨固長度=梁高-保護層+12d；當柱縱筋伸入梁內的直徑長〉=LAE時，則使用直錨：柱縱筋伸至柱頂後截斷，錨固長度=梁高-保護層，

梁
梁的平面表示方法：
集中標注-
1、 梁編號
2、 截面尺寸
3、 箍筋
4、 上部貫通筋或架立鋼筋
5、 側面縱向構造鋼筋或受扭鋼筋
6、 梁頂面標高高差
原位標注
7、 梁支座上部筋
8、 梁下部鋼筋
9、 吊筋、附加鋼筋及構造鋼筋
鋼筋公式
上部通長筋：長度＝凈跨長+左支座錨固+右支座錨固

當hc-保護層(直錨長度)>=LaE時，取Max(LaE ,0.5hc＋5d)
當hc-保護層(直錨長度) <LaE時,必須彎錨，
演算法1：hc-保護層＋15d
演算法2：取0.4LaE＋15d
演算法3：取Max(LaE ,hc-保護層＋15d)
演算法4：取Max(LaE ,0.4LaE＋15d)
左、右支座負筋：
第一排長度=左或右支座錨固+凈跨長/3
第二排長度=左或右支座錨固+凈跨長/4
如有第三排筋伸入跨內1/5，如果一共兩排,第一排為通長筋,則第二排按LN/3計算
中間支座負筋長度
上排長度=2*凈跨長/3+支座寬
下排長度=2*凈跨長/4+支座寬
註：凈跨長為左右較長的跨
架立筋長度＝凈跨-左負筋伸入長度-右負筋伸入長度+ 150*2
註：當貫通筋和架立筋同時存在時，搭接值取150MM。
構造筋長度=凈跨長+2*15d
抗扭筋長度=凈跨長+2*錨固長度
拉筋長度=梁寬-2*保護+2*1.9d+2*max(10d,75mm)
根數=【(凈跨長-50*2)/非加密間距*2+1】*排數
當梁寬≤350時，拉筋直徑為6mm；梁寬>350時，拉筋直徑為8mm。拉筋間距為非加密區箍筋間距的兩倍。當設有多排拉筋時，上下兩排拉筋豎向錯開設置。
下部鋼筋
下部通長鋼筋長度=凈跨長+左支座錨固+右支座錨固
下部不伸入支座鋼筋長度=凈跨長-0.1*2*凈跨長
下部非通長鋼筋長度=凈跨長+左支座錨固+右支座錨固

箍筋長度=(梁寬-保護層*2 +梁高-保護層)*2+1.9d*2+max(10d,75mm)*2
根數＝2*【（加密區長度-50）/加密間距+1】+（非加密區長度/非加密間距-1）
當結構為一級抗震時，加密長度為max(2*梁高，500)，當結構為二到四級時，加密長度為max(1.5*梁高，500)
吊筋長度＝2*錨固+2*斜段長度+次梁寬度+2*50
斜段角度：高度 主梁高>800mm a為60度
主梁高<=800mm a為45度

板
底筋長度=凈長+2*max（支座寬/2，5d）+2*6.25d（一級鋼筋）+搭接
根數=（凈長-2*50）/間距+1
麵筋長度=凈長+2*la+2*6.25d（一級鋼筋）+搭接
根數=（凈長-2*50）/間距+1
la:非抗震； lae:抗震
端支座負筋長度=凈長+la+6.25d+(板厚-2*保護層)
根數=（凈長-2*50）/間距+1
中間支座負筋長度=左凈長+右凈長+2*（板厚-2*保護層）
根數=（凈長-2*50）/間距+1
分布筋長度=凈長-兩端端負筋露出長度+2*150
根數=左標注/間距+右標注/間距（不減起步距離，不加1，不減1）
溫度筋長度=凈長-兩端端負筋露出長度+2*150+2*6.25d（一級鋼筋）
根數=（凈長-兩端端負筋露出長度）/間距-1（不減起步距離，不加1，減1）
板中開洞：洞口左端長度=凈長-保護層+max(支座寬/2，5d)+6.25d+(板厚-2*保護層)+5d
洞口右端長度：同左端
根數=洞口寬/間距+1
懸挑：懸挑長度（一端在柱子里）=凈長+la+(板厚-2*保護層) +6.25d(一級鋼筋)
懸挑長度（兩端都在板里）=（板厚-2*保護層）+凈長+（板厚-2*保護層）+5d

剪力牆鋼筋計算
1、暗柱鋼筋計算
（A）縱筋長度計算：中間層：
採用綁扎連接時，長度=層高+1.2Lae，採用機械連接（如直螺紋套筒）時，長度=層高-500+500
（B）頂層：
採用綁扎連接時，長度=層高-500-板厚+Lae採用機械連接（如直螺紋套筒）時，長度=層高-500-板厚+Lae
（C）縱筋根數：按圖數
（D）箍筋計算：(梁寬 + 梁高 - 4 * 保護層) * 2 + 11.9*d*2+8*d
（E）拉筋長度：牆厚-保護層*2+2d+1.9d*2+max（75，10d）*2
根數：層高/拉筋間距+1（端柱同暗柱）
（2）剪力牆中的暗梁；暗梁縱筋長度=暗梁凈長+兩端錨固：
（3）箍筋長度=暗梁寬+暗梁高）*2-8*保護層+8*d+2*11.9*d；箍筋根數=暗梁凈長/間距+1
（4）剪力牆中的連梁
連梁縱筋長度＝洞口寬+左右兩邊錨固max(Lae，600)
中間層連梁箍筋根數＝（洞口寬－50*2）/箍筋配置間距+1
頂層連梁箍筋根數（兩端為直錨時）＝（洞口寬－50*2/箍筋配置間距+1）+(連梁錨固直段長－100/150+1)*2
連梁箍筋的長度＝(梁寬 + 梁高 - 4 * 保護層) * 2 + 11.9*d*2+8*d
（5）拉筋長度= 梁寬-保護層+2*11.9*d+2*d；根數=排數*（（洞口寬-100）/間距）
2、牆身水平鋼筋(牆端為暗柱)
外側鋼筋＝牆長-保護層；內側鋼筋＝牆長-保護層+15d
根數：層高/間距+1（暗梁、連梁牆身水平筋照設）
牆身水平鋼筋（牆端為端柱
外側鋼筋＝牆長-保護層；內側鋼筋＝牆凈長+錨固長度（彎錨、直錨）
根數＝層高/間距+1（暗梁、連梁內水平筋照設
牆身縱筋計算
• 基礎插筋=彎折長度a+錨固豎直長度h1+搭接長度1.2LaE或非連接區500
• 中間層縱筋=層高+搭接長度1.2LaE或非連接區500
• 頂層縱筋=層高-板厚+錨固
• 根數=（牆凈長（牆長-暗柱截面長）-2*s/2）/間距
3、牆身垂直鋼筋
（1）牆身豎向分布鋼筋根數＝牆身凈長-1個豎向間距s/2（或2*50）/豎向布置間距+1
牆身垂直分布筋是從暗柱或端柱邊開始布置
（2）遇有洞口時，需要分段計算根數
牆梁鋼筋與牆身鋼筋的關系
當設計未註明時，側面構造縱筋同剪力牆水平分布筋；拉筋直徑：當梁寬≤ 350時為6mm，梁寬>350時為8mm，拉筋間距為兩倍箍筋間距；當連梁截面高度>700時，側面縱向構造鋼筋直徑應≥10mm，間距應 ≤200；

鋼筋計算原理
鋼筋重量=鋼筋長度*根數*理論重量
鋼筋長度=凈長+節點錨固+搭接+彎鉤（一級抗震）
柱
基礎層：筏板基礎〈=2000mm時， 基礎插筋長度=基礎層層高-保護層+基礎彎折a+基礎縱筋外露長度HN/3+與上層縱筋搭接長度LLE（如焊接時，搭接長度為0）
筏板基礎〉2000mm時， 基礎插筋長度=基礎層層高/2-保護層+基礎彎折a+基礎縱筋外露長度HN/3+與上層縱筋搭接的長度LLE（如焊接時，搭接長度為0）
地下室：柱縱筋長度=地下室層高-本層凈高HN/3+首層樓層凈高HN/3+與首層縱筋搭接LLE（如焊接時，搭接長度為0）
首層：柱縱筋長度=首層層高-首層凈高HN/3+max(二層凈高HN/6，500，柱截面邊長尺寸（圓柱直徑）)+與二層縱筋搭接的長度LLE（如焊接時，搭接長度為0）
中間層：柱縱筋長度=二層層高-max(二層層高HN/6，500，柱截面尺寸（圓柱直徑）)+max（三層層高HN/6，500，柱截面尺寸（圓柱直徑））+與三層搭接LLE（如焊接時，搭接長度為0）
頂層：
角柱：外側鋼筋長度=頂層層高－max（本層樓層凈高HN/6，500，柱截面長邊尺寸（圓柱直徑））－梁高+1.5LAE
內側鋼筋長度=頂層層高－max(本層樓層凈高HN/6，500，柱截面長邊尺寸（圓柱直徑）)-梁高+LAE
其中錨固長度取值：
當柱縱筋伸入梁內的直徑長〈LAE時，則使用彎錨，柱縱筋伸至柱頂後彎折12d，錨固長度=梁高-保護層+12d；當柱縱筋伸入梁內的直徑長〉=LAE時，則使用直錨：柱縱筋伸至柱頂後截斷，錨固長度=梁高-保護層，
當框架柱為矩形截面時，外側鋼筋根數為：3根角筋，b邊鋼筋總數的1/2，h邊總數的1/2。
內側鋼筋根數為：1根角筋，b邊鋼筋總數的1/2，h邊總數的1/2。
邊柱：外側鋼筋長度=頂層層高－max（本層樓層凈高HN/6，500，柱截面長邊尺寸（圓柱直徑））－梁高+1.5LAE
內側鋼筋長度=頂層層高－max(本層樓層凈高HN/6，500，柱截面長邊尺寸（圓柱直徑）)-梁高+LAE
當框架柱為矩形截面時，外側鋼筋根數為：2根角筋，b邊一側鋼筋總數
內側鋼筋根數為：2根角筋，b邊一側鋼筋總數，h邊兩側鋼筋總數。
中柱：縱筋長度=頂層層高-max（本層樓層凈高Hn/6，500，柱截面長邊尺寸（圓柱直徑））-梁高+錨固
其中錨固長度取值：
當柱縱筋伸入梁內的直徑長〈LAE時，則使用彎錨，柱縱筋伸至柱頂後彎折12d，錨固長度=梁高-保護層+12d；當柱縱筋伸入梁內的直徑長〉=LAE時，則使用直錨：柱縱筋伸至柱頂後截斷，錨固長度=梁高-保護層，

梁
梁的平面表示方法：
集中標注-
1、 梁編號
2、 截面尺寸
3、 箍筋
4、 上部貫通筋或架立鋼筋
5、 側面縱向構造鋼筋或受扭鋼筋
6、 梁頂面標高高差
原位標注
7、 梁支座上部筋
8、 梁下部鋼筋
9、 吊筋、附加鋼筋及構造鋼筋
鋼筋公式
上部通長筋：長度＝凈跨長+左支座錨固+右支座錨固

當hc-保護層(直錨長度)>=LaE時，取Max(LaE ,0.5hc＋5d)
當hc-保護層(直錨長度) <LaE時,必須彎錨，
演算法1：hc-保護層＋15d
演算法2：取0.4LaE＋15d
演算法3：取Max(LaE ,hc-保護層＋15d)
演算法4：取Max(LaE ,0.4LaE＋15d)
左、右支座負筋：
第一排長度=左或右支座錨固+凈跨長/3
第二排長度=左或右支座錨固+凈跨長/4
如有第三排筋伸入跨內1/5，如果一共兩排,第一排為通長筋,則第二排按LN/3計算
中間支座負筋長度
上排長度=2*凈跨長/3+支座寬
下排長度=2*凈跨長/4+支座寬
註：凈跨長為左右較長的跨
架立筋長度＝凈跨-左負筋伸入長度-右負筋伸入長度+ 150*2
註：當貫通筋和架立筋同時存在時，搭接值取150MM。
構造筋長度=凈跨長+2*15d
抗扭筋長度=凈跨長+2*錨固長度
拉筋長度=梁寬-2*保護+2*1.9d+2*max(10d,75mm)
根數=【(凈跨長-50*2)/非加密間距*2+1】*排數
當梁寬≤350時，拉筋直徑為6mm；梁寬>350時，拉筋直徑為8mm。拉筋間距為非加密區箍筋間距的兩倍。當設有多排拉筋時，上下兩排拉筋豎向錯開設置。
下部鋼筋
下部通長鋼筋長度=凈跨長+左支座錨固+右支座錨固
下部不伸入支座鋼筋長度=凈跨長-0.1*2*凈跨長
下部非通長鋼筋長度=凈跨長+左支座錨固+右支座錨固

箍筋長度=(梁寬-保護層*2 +梁高-保護層)*2+1.9d*2+max(10d,75mm)*2
根數＝2*【（加密區長度-50）/加密間距+1】+（非加密區長度/非加密間距-1）
當結構為一級抗震時，加密長度為max(2*梁高，500)，當結構為二到四級時，加密長度為max(1.5*梁高，500)
吊筋長度＝2*錨固+2*斜段長度+次梁寬度+2*50
斜段角度：高度 主梁高>800mm a為60度
主梁高<=800mm a為45度

板
底筋長度=凈長+2*max（支座寬/2，5d）+2*6.25d（一級鋼筋）+搭接
根數=（凈長-2*50）/間距+1
麵筋長度=凈長+2*la+2*6.25d（一級鋼筋）+搭接
根數=（凈長-2*50）/間距+1
la:非抗震； lae:抗震
端支座負筋長度=凈長+la+6.25d+(板厚-2*保護層)
根數=（凈長-2*50）/間距+1
中間支座負筋長度=左凈長+右凈長+2*（板厚-2*保護層）
根數=（凈長-2*50）/間距+1
分布筋長度=凈長-兩端端負筋露出長度+2*150
根數=左標注/間距+右標注/間距（不減起步距離，不加1，不減1）
溫度筋長度=凈長-兩端端負筋露出長度+2*150+2*6.25d（一級鋼筋）
根數=（凈長-兩端端負筋露出長度）/間距-1（不減起步距離，不加1，減1）
板中開洞：洞口左端長度=凈長-保護層+max(支座寬/2，5d)+6.25d+(板厚-2*保護層)+5d
洞口右端長度：同左端
根數=洞口寬/間距+1
懸挑：懸挑長度（一端在柱子里）=凈長+la+(板厚-2*保護層) +6.25d(一級鋼筋)
懸挑長度（兩端都在板里）=（板厚-2*保護層）+凈長+（板厚-2*保護層）+5d

剪力牆鋼筋計算
1、暗柱鋼筋計算
（A）縱筋長度計算：中間層：
採用綁扎連接時，長度=層高+1.2Lae，採用機械連接（如直螺紋套筒）時，長度=層高-500+500
（B）頂層：
採用綁扎連接時，長度=層高-500-板厚+Lae採用機械連接（如直螺紋套筒）時，長度=層高-500-板厚+Lae
（C）縱筋根數：按圖數
（D）箍筋計算：(梁寬 + 梁高 - 4 * 保護層) * 2 + 11.9*d*2+8*d
（E）拉筋長度：牆厚-保護層*2+2d+1.9d*2+max（75，10d）*2
根數：層高/拉筋間距+1（端柱同暗柱）
（2）剪力牆中的暗梁；暗梁縱筋長度=暗梁凈長+兩端錨固：
（3）箍筋長度=暗梁寬+暗梁高）*2-8*保護層+8*d+2*11.9*d；箍筋根數=暗梁凈長/間距+1
（4）剪力牆中的連梁
連梁縱筋長度＝洞口寬+左右兩邊錨固max(Lae，600)
中間層連梁箍筋根數＝（洞口寬－50*2）/箍筋配置間距+1
頂層連梁箍筋根數（兩端為直錨時）＝（洞口寬－50*2/箍筋配置間距+1）+(連梁錨固直段長－100/150+1)*2
連梁箍筋的長度＝(梁寬 + 梁高 - 4 * 保護層) * 2 + 11.9*d*2+8*d
（5）拉筋長度= 梁寬-保護層+2*11.9*d+2*d；根數=排數*（（洞口寬-100）/間距）
2、牆身水平鋼筋(牆端為暗柱)
外側鋼筋＝牆長-保護層；內側鋼筋＝牆長-保護層+15d
根數：層高/間距+1（暗梁、連梁牆身水平筋照設）
牆身水平鋼筋（牆端為端柱
外側鋼筋＝牆長-保護層；內側鋼筋＝牆凈長+錨固長度（彎錨、直錨）
根數＝層高/間距+1（暗梁、連梁內水平筋照設
牆身縱筋計算
• 基礎插筋=彎折長度a+錨固豎直長度h1+搭接長度1.2LaE或非連接區500
• 中間層縱筋=層高+搭接長度1.2LaE或非連接區500
• 頂層縱筋=層高-板厚+錨固
• 根數=（牆凈長（牆長-暗柱截面長）-2*s/2）/間距
3、牆身垂直鋼筋
（1）牆身豎向分布鋼筋根數＝牆身凈長-1個豎向間距s/2（或2*50）/豎向布置間距+1
牆身垂直分布筋是從暗柱或端柱邊開始布置
（2）遇有洞口時，需要分段計算根數
牆梁鋼筋與牆身鋼筋的關系
當設計未註明時，側面構造縱筋同剪力牆水平分布筋；拉筋直徑：當梁寬≤ 350時為6mm，梁寬>350時為8mm，拉筋間距為兩倍箍筋間距；當連梁截面高度>700時，側面縱向構造鋼筋直徑應≥10mm，間距應 ≤200；

❹ 請問圖計算解決什麼問題

圖計算解決的問題是如何高效地處理大規模圖數據。圖計算，便是以圖作為數據模型來表達問題並予以解決的這一過程。以高效解決圖計算問題為目標的系統軟體稱為圖計算系統。
圖計算的興起及飛速發展很大程度上得益於圖結構靈活的表達能力及其廣闊的應用前景。以CPU為代表，遵循統一化設計理念、廣泛通用於各類計算領域的傳統處理架構在新的需求面前逐漸陷入困境。存在著並行效率低、訪存隨機性強、數據沖突頻度高以及計算傳輸比低等突出問題。為此，學術界和工業界涌現出了大量面向圖計算的行編程範式、演算法模型和處理框架等方面的研究這些系統軟體層面的進展固然對解決上述通用處理架構中存在的問題起到了很好的緩解作用，但是圖計算的性能仍普遍受制於底層處理架構。
研究表明，即使綜合運用目前先進的圖計算優化技術並將貢獻發揮到極致，圖計算仍存在至少35%的性能損耗，這一損耗在處理稀疏型冪律圖時尤為明顯；更重要的是。由於圖數據的頻繁移動，功耗方面的表現更為糟糕。因此，開展處理架構創新驅動的「面向圖計算的領域專用加速器研究」對提升圖計算的處理能力有著頗為重要的現實意義。
更多關於圖計算解決什麼問題，進入：https://www.abcgonglue.com/ask/d223461615805422.html?zd查看更多內容

❺ 計算圖像相似度的演算法有哪些

SIM = Structural SIMilarity（結構相似性），這是一種用來評測圖像質量的一種方法。由於人類視覺很容易從圖像中抽取出結構信息,因此計算兩幅圖像結構信息的相似性就可以用來作為一種檢測圖像質量的好壞.

首先結構信息不應該受到照明的影響,因此在計算結構信息時需要去掉亮度信息,即需要減掉圖像的均值;其次結構信息不應該受到圖像對比度的影響,因此計算結構信息時需要歸一化圖像的方差;最後我們就可以對圖像求取結構信息了,通常我們可以簡單地計算一下這兩幅處理後的圖像的相關系數.

然而圖像質量的好壞也受到亮度信息和對比度信息的制約,因此在計算圖像質量好壞時,在考慮結構信息的同時也需要考慮這兩者的影響.通常使用的計算方法如下,其中C1,C2,C3用來增加計算結果的穩定性:
2u(x)u(y) + C1
L(X,Y) = ------------------------ ,u(x), u(y)為圖像的均值
u(x)^2 + u(y)^2 + C1

2d(x)d(y) + C2
C(X,Y) = ------------------------,d(x),d(y)為圖像的方差
d(x)^2 + d(y)^2 + C2

d(x,y) + C3
S(X,Y) = ----------------------,d(x,y)為圖像x,y的協方差
d(x)d(y) + C3

而圖像質量Q = [L(X,Y)^a] x [C(X,Y)^b] x [S(X,Y)^c]，其中a，b，c分別用來控制三個要素的重要性，為了計算方便可以均選擇為1，C1，C2，C3為比較小的數值，通常C1=(K1 x L)^2, C2=(K2 xL)^2, C3 = C2/2, K1 << 1, K2 << 1, L為像素的最大值(通常為255).
希望對你能有所幫助。

❻ 圖計算應用場景有哪些

圖計算模型在大數據公司，尤其是IT公司運用十分廣泛。近幾年，以深度學習和圖計算結合的大規模圖表徵為代表的系列演算法發揮著越來越重要的作用。圖計算的發展和應用有井噴之勢，各大公司也相應推出圖計算平台，例如Google Pregel、Facebook Giraph、騰訊星圖、華為GES、阿里GraphScope等。

GraphScope 是阿里巴巴達摩院實驗室研發的一站式圖計算平台。GraphScope 提供 Python 客戶端，能十分方便的對接上下游工作流。它具有高效的跨引擎內存管理，在業界首次支持 Gremlin 分布式編譯優化，同時支持演算法的自動並行化和支持自動增量化處理動態圖更新，提供了企業級場景的極致性能。GraphScope 已經證明在多個關鍵互聯網領域（如風控，電商推薦，廣告，網路安全，知識圖譜等）實現重要的業務新價值，其代碼當前已在github/alibaba/graphscope 上開源，以供更多開發者使用。

❼ 圖計算解決什麼問題

圖計算解決的問題是如何高效地處理大規模圖數據。圖計算，便是以圖作為數據模型來表達問題並予以解決的這一過程。以高效解決圖計算問題為目標的系統軟體稱為圖計算系統。x0dx0a圖計算的興起及飛速發展很大程度上得益於圖結構靈活的表達能力及其廣闊的應用前景。以CPU為代表，遵循統一化設計理念、廣泛通用於各類計算領域的傳統處理架構在新的需求面前逐漸陷入困境。存在著並行效率低、訪存隨機性強、數據沖突頻度高以及計算傳輸比低等突出問題。為此，學術界和工業界涌現出了大量面向圖計算的行編程範式、演算法模型和處理框架等方面的研究這些系統軟體層面的進展固然對解決上述通用處理架構中存在的問題起到了很好的緩解作用，但是圖計算的性能仍普遍受制於底層處理架構。x0dx0a研究表明，即使綜合運用目前先進的圖計算優化技術並將貢獻發揮到極致，圖計算仍存在至少35%的性能損耗，這一損耗在處理稀疏型冪律圖時尤為明顯；更重要的是。由於圖數據的頻繁移動，功耗方面的表現更為糟糕。因此，開展處理架構創新驅動的「面向圖計算的領域專用加速器研究」對提升圖計算的處理能力有著頗為重要的現實意義。x0dx0a更多關於圖計算解決什麼問題，進入：https://www.abcgonglue.com/ask/d223461615805422.html?zd查看更多內容

❽ [圖像演算法]-Faster RCNN詳解

paper： Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
Tensorflow-faster r-cnn github: Tensorflow Faster RCNN for Object Detection

faster rcnn是何凱明等大神在2015年提出目標檢測演算法，該演算法在2015年的ILSVRV和COCO競賽中獲得多項第一。該演算法在fast rcnn基礎上提出了RPN候選框生成演算法，使得目標檢測速度大大提高。

(1)image input；
(2)利用selective search 演算法在圖像中從上到下提取2000個左右的Region Proposal；
(3)將每個Region Proposal縮放(warp)成227*227的大小並輸入到CNN，將CNN的fc7層的輸出作為特徵；
(4)將每個Region Proposal提取的CNN特徵輸入到SVM進行分類；
(5)對於SVM分好類的Region Proposal做邊框回歸，用Bounding box回歸值校正原來的建議窗口，生成預測窗口坐標.
缺陷:
(1) 訓練分為多個階段，步驟繁瑣：微調網路+訓練SVM+訓練邊框回歸器；
(2) 訓練耗時，佔用磁碟空間大；5000張圖像產生幾百G的特徵文件；
(3) 速度慢：使用GPU，VGG16模型處理一張圖像需要47s；
(4) 測試速度慢：每個候選區域需要運行整個前向CNN計算；
(5) SVM和回歸是事後操作，在SVM和回歸過程中CNN特徵沒有被學習更新.

(1)image input；
(2)利用selective search 演算法在圖像中從上到下提取2000個左右的建議窗口(Region Proposal)；
(3)將整張圖片輸入CNN，進行特徵提取；
(4)把建議窗口映射到CNN的最後一層卷積feature map上；
(5)通過RoI pooling層使每個建議窗口生成固定尺寸的feature map；
(6)利用Softmax Loss(探測分類概率) 和Smooth L1 Loss(探測邊框回歸)對分類概率和邊框回歸(Bounding box regression)聯合訓練.

相比R-CNN，主要兩處不同:
(1)最後一層卷積層後加了一個ROI pooling layer；
(2)損失函數使用了多任務損失函數(multi-task loss)，將邊框回歸直接加入到CNN網路中訓練
改進:
(1) 測試時速度慢：R-CNN把一張圖像分解成大量的建議框，每個建議框拉伸形成的圖像都會單獨通過CNN提取特徵.實際上這些建議框之間大量重疊，特徵值之間完全可以共享，造成了運算能力的浪費.
FAST-RCNN將整張圖像歸一化後直接送入CNN，在最後的卷積層輸出的feature map上，加入建議框信息，使得在此之前的CNN運算得以共享.
(2) 訓練時速度慢：R-CNN在訓練時，是在採用SVM分類之前，把通過CNN提取的特徵存儲在硬碟上.這種方法造成了訓練性能低下，因為在硬碟上大量的讀寫數據會造成訓練速度緩慢.
FAST-RCNN在訓練時，只需要將一張圖像送入網路，每張圖像一次性地提取CNN特徵和建議區域，訓練數據在GPU內存里直接進Loss層，這樣候選區域的前幾層特徵不需要再重復計算且不再需要把大量數據存儲在硬碟上.
(3) 訓練所需空間大：R-CNN中獨立的SVM分類器和回歸器需要大量特徵作為訓練樣本，需要大量的硬碟空間.FAST-RCNN把類別判斷和位置回歸統一用深度網路實現，不再需要額外存儲.
(4) 由於ROI pooling的提出，不需要再input進行Corp和wrap操作，避免像素的損失，巧妙解決了尺度縮放的問題.

(1)輸入測試圖像；
(2)將整張圖片輸入CNN，進行特徵提取；
(3)用RPN先生成一堆Anchor box，對其進行裁剪過濾後通過softmax判斷anchors屬於前景(foreground)或者後景(background)，即是物體or不是物體，所以這是一個二分類；同時，另一分支bounding box regression修正anchor box，形成較精確的proposal（註：這里的較精確是相對於後面全連接層的再一次box regression而言）
(4)把建議窗口映射到CNN的最後一層卷積feature map上；
(5)通過RoI pooling層使每個RoI生成固定尺寸的feature map；
(6)利用Softmax Loss(探測分類概率) 和Smooth L1 Loss(探測邊框回歸)對分類概率和邊框回歸(Bounding box regression)聯合訓練.

相比FASTER-RCNN，主要兩處不同:
(1)使用RPN(Region Proposal Network)代替原來的Selective Search方法產生建議窗口；
(2)產生建議窗口的CNN和目標檢測的CNN共享

改進:
(1) 如何高效快速產生建議框？
FASTER-RCNN創造性地採用卷積網路自行產生建議框，並且和目標檢測網路共享卷積網路，使得建議框數目從原有的約2000個減少為300個，且建議框的質量也有本質的提高.

從上面的三張圖可以看出，Faster R CNN由下面幾部分組成：
1.數據集，image input
2.卷積層CNN等基礎網路，提取特徵得到feature map
3-1.RPN層，再在經過卷積層提取到的feature map上用一個3x3的slide window，去遍歷整個feature map,在遍歷過程中每個window中心按rate，scale（1:2,1:1,2:1）生成9個anchors，然後再利用全連接對每個anchors做二分類（是前景還是背景）和初步bbox regression，最後輸出比較精確的300個ROIs。
3-2.把經過卷積層feature map用ROI pooling固定全連接層的輸入維度。
4.然後把經過RPN輸出的rois映射到ROIpooling的feature map上進行bbox回歸和分類。

SPP-Net是出自論文《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》
由於一般的網路結構中都伴隨全連接層，全連接層的參數就和輸入圖像大小有關，因為它要把輸入的所有像素點連接起來,需要指定輸入層神經元個數和輸出層神經元個數，所以需要規定輸入的feature的大小。而SPP-NET正好解決了這個問題。

如果原圖輸入是224x224，對於conv5出來後的輸出，是13x13x256的，可以理解成有256個這樣的filter，每個filter對應一張13x13的activation map.如果像上圖那樣將activation map pooling成4x4 2x2 1x1三張子圖，做max pooling後，出來的特徵就是固定長度的(16+4+1)x256那麼多的維度了.如果原圖的輸入不是224x224，出來的特徵依然是(16+4+1)x256；直覺地說，可以理解成將原來固定大小為(3x3)窗口的pool5改成了自適應窗口大小，窗口的大小和activation map成比例，保證了經過pooling後出來的feature的長度是一致的.

總結而言，當網路輸入的是一張任意大小的圖片，這個時候我們可以一直進行卷積、池化，直到網路的倒數幾層的時候，也就是我們即將與全連接層連接的時候，就要使用金字塔池化，使得任意大小的特徵圖都能夠轉換成固定大小的特徵向量，這就是空間金字塔池化的意義（多尺度特徵提取出固定大小的特徵向量）。

ROI pooling layer實際上是SPP-NET的一個精簡版，SPP-NET對每個proposal使用了不同大小的金字塔映射，而ROI pooling layer只需要下采樣到一個7x7的特徵圖.對於VGG16網路conv5_3有512個特徵圖，這樣所有region proposal對應了一個7*7*512維度的特徵向量作為全連接層的輸入.

為什麼要pooling成7×7的尺度？是為了能夠共享權重。Faster RCNN除了用到VGG前幾層的卷積之外，最後的全連接層也可以繼續利用。當所有的RoIs都被pooling成（512\×7\×7）的feature map後，將它reshape 成一個一維的向量，就可以利用VGG16預訓練的權重，初始化前兩層全連接.

那麼經過何種變換才能從圖11中的窗口P變為窗口呢？比較簡單的思路就是：

注意：只有當Proposal和Ground Truth比較接近時（線性問題），我們才能將其作為訓練樣本訓練我們的線性回歸模型，否則會導致訓練的回歸模型不work（當Proposal跟GT離得較遠，就是復雜的非線性問題了，此時用線性回歸建模顯然不合理）.這個也是G-CNN: an Iterative Grid Based Object Detector多次迭代實現目標准確定位的關鍵. 線性回歸就是給定輸入的特徵向量X，學習一組參數W，使得經過線性回歸後的值跟真實值Y(Ground Truth)非常接近.即.那麼Bounding-box中我們的輸入以及輸出分別是什麼呢？

如上圖中標識：
① rpn_cls：60*40*512-d ⊕ 1*1*512*18 > 60*40*92 逐像素對其9個Anchor box進行二分類
② rpn_bbox：60*40*512-d ⊕ 1*1*512*36>60*40*9*4 逐像素得到其9個Anchor box四個坐標信息

逐像素對Anchors分類標記
① 去除掉超過1000*600這原圖的邊界的anchor box
② 如果anchor box與ground truth的IoU值最大，標記為正樣本，label=1
③ 如果anchor box與ground truth的IoU>0.7，標記為正樣本，label=1
④ 如果anchor box與ground truth的IoU<0.3，標記為負樣本，label=0
剩下的既不是正樣本也不是負樣本，不用於最終訓練，label=-1

逐像素Bbox回歸糾正
除了對anchor box進行標記外，另一件事情就是計算anchor box與ground truth之間的偏移量
令：ground truth:標定的框也對應一個中心點位置坐標x ,y 和寬高w ,h
anchor box: 中心點位置坐標x_a,y_a和寬高w_a,h_a
所以，偏移量：
△x=(x -x_a)/w_a △y=(y -y_a)/h_a
△w=log(w /w_a) △h=log(h /h_a)
通過ground truth box與預測的anchor box之間的差異來進行學習，從而是RPN網路中的權重能夠學習到預測box的能力

接著進一步對Anchors進行越界剔除和使用nms非最大值抑制，剔除掉重疊的框；比如，設定IoU為0.7的閾值，即僅保留覆蓋率不超過0.7的局部最大分數的box（粗篩）。最後留下大約2000個anchor，然後再取前N個box（比如300個）；這樣，進入到下一層ROI Pooling時region proposal大約只有300個。

參考文獻：

❾ 圖計算軟體Gelly和Graphscope有什麼區別

Gelly是Flink的圖API庫，而GraphScope是阿里研發的圖計算平台，是一個完整的平台，包括圖數據管理，執行引擎還支持多種圖演算法