自生長演算法
1. 增長率的演算法是什麼
1、增長率=（本期營業額-上期營業額/上期營業額）X100%=10%
2、人口增長率人口自然增長率指一定時期內人口自然增長數（出生人數減死亡人數）與該時期內平均人口數之比，通常以年為單位計算，用千分比來表示，計算公式為：
人口自然增長率＝（年內出生人數－年內死亡人數）/年平均人口數×100%＝人口出生率－人口死亡率
3、經濟增長率經濟增長率是末期國民生產總值與基期國民生產總值的比較 以末期現行價格計算末期GNP,得出的增長率是名義經濟增長率。
以不變價格(即基期價格)計算末期GNP,得出的增長率是實際經濟增長率。
在量度經濟增長時,一般都採用實際經濟增長率
經濟增長率也稱經濟增長速度，它是反映一定時期經濟發展水平變化程度的動態指標，也是反映一個國家經濟是否具有活力的基本指標。
增長率的計算公式：n年數據的增長率=[(本期/前n年)^（1/(n-1)）-1]×100%
同比增長率=（當年的指標值-去年同期的值）÷去年同期的值*100%
環比增長率=（本期的某個指標的值-上一期這個指標的值）/上一期這個指標的值
增長率的基本類型：
增長率是指一定時期內某一數據指標的增長量與基期數據的比值。
同比增長率，一般是指和去年同期相比較的增長率。同比增長和上一時期、上一年度或歷史相比的增長（幅度）。發展速度由於採用基期的不同，可分為同比發展速度、環比發展速度和定基發展速度。均用百分數或倍數表示。
環比增長率，一般是指和上期相比較的增長率。
定基增長率：如果觀察的是若干個時期的數據，每個時期的數據均與同一個基期數據進行對比，則這種比較方法，稱為定基比較。例如，將某一時期1970年、1980年、1990年和2000年的GNP數值與1949年進行比較，所獲得的4個比例，稱為定基增長率。
2. 區域生長演算法 C++實現
在比賽和項目中用opencv用多了，就會發現很多opencv沒有實現的演算法，其中一些還是十分常用，在教科書上經常出現的。作為一個弱雞，有的簡單的演算法能夠自己實現（比如本文所要講的），有的寫到一半就打出GG，有的直接就下不了手。。。作為一個非計算機科班的自動化系學生，想要成為一名視覺演算法工程師，還是有很長的路要走啊~~
其實看上圖和這個名字就很容易理解，區域生長是根據預先定義的生長准則將像素或子區域組合為更大區域的過程。基本方法是從一組「種子」點開始（原點），將與種子相似的臨近像素（在特定范圍內的灰度或顏色）添加到種子棧中，不斷迭代，生成一大片區域。嚴謹的數學定義可以查看岡薩雷斯的數字圖像處理。
演算法的步驟如下：
我這里因為項目需要，對原本的區域生長演算法多加了最大與最小值的限制，作為默認參數可以不填。
上面是灰度圖像的處理，我這里重載了三通道圖像的區域生長
References：
https://blog.csdn.net/robin__chou/article/details/50071313
數字圖像處理（第三版） ——岡薩雷斯 P493
3. 分布式全局ID自增演算法
stub代表一個業務
這種情況有可能因為從庫沒來得及同步從而生成重復的ID
雙主設置中，
其中一台機器值生成奇數ID
其中一台機器值生成偶數ID
業務隨機從其中一個機器中取出一個ID，如果其中一台掛了，直接從另外一台生成。
1.簡單 2.ID遞增
1.並發量不夠高
2.水平擴展困難
3.安全系數低
incrby key n //n為步長，key代表一個業務
單點吞吐不夠，可以使用集群
同一個key在不同的節點上的初始值不同，步長相同，可以保證節點之間的value不相同
1.性能更好
2.ID遞增
1.水平擴展困難
2.集群宕機會導致產生重復id
UUID是一組32位的16進制數字，理論上總數為16^32 = 2 ^ 128個
UUID是利用同一時空中的所有機器都是唯一的這一規則來確保唯一性的。
UUID通過系統時間，時鍾序列以及全局唯一的機器識別，例如網卡MAC，機器SN等
相對安全，可以保證ID唯一
1.存儲麻煩，太長了
2.無法自增
通過上面可以知道，最多可以是2 ^ 10 = 1024個全局唯一節點，最後12bit表示每毫秒生成的一個id序號。
4. 人生的增長演算法是什麼
就是一個自我發現的過程，努力在不確定的世界裡，不斷自我成長，自我切割，直至找到你的核心演算法，建立自我的某種確定性，然後不斷重復，如滾雪球般越滾越大。
滾雪球的特點是什麼？就是開始很小，越滾越大。
主題就是增長，就像一輛車里的加速系統。生活就像逆水行舟，假如你不能加速，現實中最好的情況，你也就處於一種原地打轉的狀態。
怎樣才能實現增長？
那些原地打轉的人呢？東看看西看看，每天花的時間也很多，看起來也下了不少功夫，卻毫無長進，就像猴子掰苞谷。
所以，我們要做的是從「掰苞谷模式」，進化到「滾雪球模式」。
這也是第一流公司的核心心法。2005年，Facebook剛成立沒多久，有人提出了一個能夠為公司創收的想法，這樣就能向投資者證明公司是可以盈利的。聽起來很有道理吧，結果公司創始人扎克伯格並不同意，他走到白板前寫下了大大的一個詞：增長。
為什麼呢？扎克伯格認為，公司當時的戰略焦點是用戶增長，這一點比收入更重要。回頭看來，這是Facebook成功的關鍵。
你想想看，投資人為什麼要投Facebook？他們要的就是未來的想像空間。他們更願意投資一台印鈔機，而不是一台收銀機。
再想想我們自己，也是一樣的道理。對於個人來說，需要有增長思維。更重要的增長是什麼？當然不是這個月的工資，而是你的能力和社會網路，以及你未來的賺錢能力。
那怎樣才能實現增長呢？
有效的增長，分為三個階段：1.增長假設；2.增長驗證；3.大規模增長。
對於個人來說也是一樣，即使你再有能力，你沒有增長思維，成長就會受到限制；假如沒有基本能力，只談增長，到頭來也是一場空。
概括而言，對於個體來說，增長思維有一個清晰的主線，分為三個階段。 在輸得起的時候快速試錯，積極探索，目的是找到可持續的、可規模化的增長公式，也就是你的個人演算法。
這個持續改進、快速迭代的過程，在商業領域，有個類似的熱門概念，增長黑客，也就是你所做的每一件事，都力求給產品帶來持續增長的可能性。
無論是公司還是個人，不行動，你就沒有辦法獲取反饋。當你知道，每一次失敗都會為最終的成功，採集數據，你就不會那麼害怕失敗了。
正如《精益創業》的作者埃里克·萊斯說：「魔力與天才並非成功創業所必需，運用可學習和可復制的科學的創業程序才是最重要的。」
經過假設、驗證和執行這三個步驟，你才能迎來真正的爆發式增長，實現全面的擴張。
對個人來說，也是這樣，你只有找到可學習可復制的增長模式，你的努力才有可能轉化為收獲，就像滾雪球一樣，越滾越大。
5. 自適應演算法的簡介
自適應過程是一個不斷逼近目標的過程。它所遵循的途徑以數學模型表示，稱為自適應演算法。通常採用基於梯度的演算法，其中最小均方誤差演算法（即LMS演算法）尤為常用。自適應演算法可以用硬體(處理電路)或軟體（程序控制）兩種辦法實現。前者依據演算法的數學模型設計電路，後者則將演算法的數學模型編製成程序並用計算機實現。演算法有很多種，它的選擇很重要，它決定處理系統的性能質量和可行性。
自適應均衡器的原理就是按照某種准則和演算法對其系數進行調整最終使自適應均衡器的代價(目標)函數最小化，達到最佳均衡的目的。而各種調整系數的演算法就稱為自適應演算法，自適應演算法是根據某個最優准則來設計的。最常用的自適應演算法有迫零演算法，最陡下降演算法，LMS演算法，RLS演算法以及各種盲均衡演算法等。在理論上證明了對於任何統計特性的雜訊干擾,VLMS演算法優於LMS演算法。
自適應演算法所採用的最優准則有最小均方誤差(LMS)准則，最小二乘(LS)准則、最大信噪比准則和統計檢測准則等，其中最小均方誤差(LMS)准則和最小二乘(LS)准則是目前最為流行的自適應演算法准則。由此可見LMS演算法和RLS演算法由於採用的最優准則不同，因此這兩種演算法在性能，復雜度等方面均有許多差別。
6. 什麼是最小均方差准則
【最小均方差准則】就是均方誤差最小准則。即選擇一組時域采樣值，採用最小均方誤差演算法（自適應演算法的一種），以使均方誤差最小，從而達到最優化設計。這一方法注重的是在整個頻率區間內，總誤差全局最小，但不能保證局部頻率點的性能，有些頻點可能會有較大的誤差。
【自適應演算法】是指處理和分析過程中，根據處理數據的數據特徵自動調整處理方法、處理順序、處理參數、邊界條件或約束條件，使其與所處理數據的統計分布特徵、結構特徵相適應，以取得最佳的處理效果。自適應過程是一個不斷逼近目標的過程。它所遵循的途徑以數學模型表示，稱為自適應演算法。通常採用基於梯度的演算法，其中最小均方誤差演算法（即LMS演算法）尤為常用。
7. VisualC++數字圖像處理的目錄
第1章VisuaIC++數字圖像編程基礎
1．1圖像、顏色表和色彩空間
1．1．1圖1象
1．1．2圖像的矩陣表示
1．1.3顏色表
1．1.4彩色空問
1．1．5灰度圖像和彩色圖像
1．2BMP文件結構及其存取
1．2．1BMP文件結構
1．2．2BMP圖像文件的讀寫
1．2．3BMP圖像點陣圖數據的訪問
1．2．4灰度圖像的顏色表
1．3GDI對象及GDI點陣圖
1．3．1從資源中裝入GDI點陣圖
1.3．2對點陣圖進行伸縮處理
1．4設備無關點陣圖(DIB)
1．4．1調色板
1.4．2DIB訪問函數
1．4.3面向過程的DIB的讀寫及訪問
1．4．4面向對象的DIB的讀寫及訪問——ImgCenterDib類
1.4．5使用ImgCenterDib進行圖像可視化編程
1．5面向對象的圖像處理演算法實現
1．5．1特效顯示類SpecialEffectShow的定義
1．5.2圖像的掃描顯示
1．5.3圖像的滑動顯示
1．5．4圖像的漸進顯示
1．5．5圖像的馬賽克顯示
1．6本章小結
第2章圖像的灰度變換
2．1灰度變換類(GrayTrans)
2．1．1灰度變換類(GrayTrans)的定義
2．1．2GrayTrans類的構造函數和析構函數
2．1_3彩色和灰度格式問的轉換
2．2灰度的線性變換
2．2．1負相變換
2．2．2二值化和閾值處理2．2.3分段線性變換
2．3灰度的非線性變換
2.3．1對數函數非線性變換
2．3．2指數函數非線性變換
2．4灰度直方圖
2．4．1直方圖類(Histogram)
2．4．2編程實現直方圖的繪制
2．4．3直方圖均衡
2．5本章小結
第3章圖像的幾何變換
3．1幾何校正與幾何變換
3．2幾何變換類(GeometrvTrans)
3．2．1幾何變換類(GeometryTrans)的定義
3．2．2GeometryTrans類的構造函數和析構函數
3．3圖像的平移
3．4圖像的轉置
3．5圖像的鏡像變換
3．6圖像的插值演算法
3．7圖像的縮放
3．8圖像的旋轉
3．8．1簡單角度的旋轉
3．8．2任意角度的旋轉
3．9本章小結
第4章圖像的變換域處理
4．1傅里葉變換
4．1．1傅里葉變換的理論基礎
4．1．2二維離散傅里葉變換的性質
4．1.3快速傅里葉變換(FFT)
4．1．4快速傅里葉變換類(Transform_FFT)
4．1．5Transform_FFT類的實現
4．1．6傅里葉變換在圖像處理中的應用
4．2離散餘弦變換
4．2．1基礎理論
4．2.2離散餘弦變換類(Transform_DCT)的定義
4．2．3離散餘弦變換類(TransforTn_DCT)的實現
4．2.4離散餘弦變換的實驗結果
4．3圖像的小波變換及其應用
4．3．1小波變換的基本理論
4．3．2尺度函數與小波
4．3．3Mallat演算法與塔式分解
4.3．4圖像的多分辨分解與重建
4．3．5小波變換類的定義
4．3．6小波變換類的實現
4.3．7小波在圖像去噪中的應用
4．4本章小結
第5章圖像增強處理
5．1圖像增強類
5．1．1圖像增強類的定義
5．1．2CImgEnhance類的構造函數和析構函數
5．2圖像中的雜訊模型
5．2．1雜訊來源
5．2．2編程實現雜訊添加
5．2.3編程實現信噪比的計算
5.3圖像灰度修正
5．3．1灰度校正
5．3．2其他灰度修正方法
5．4圖像的平滑
5．4．1鄰域平均法
5．4．2加權平均
5．4．3選擇式掩模平滑
5．4.4中值濾波
5．5圖像的銳化
5．5．1梯度銳化
5．5．2拉普拉斯掩模銳化
5．6本章小結
第6章圖像分割
6．1圖像分割類(ImgSegment)
6．1．1ImgSegment類的定義
6．1.2ImgSegment類的構造函數和析構函數
6．2閾值分割
6．2．1閾值分割原理
6．2．2最大方差閾值分割
6．2.3互動式閾值分割
6.3邊緣檢測
6．3．1邊緣檢測原理
6．3.2常用邊緣運算元
6．3.3自定義模板邊緣
6．4生長演算法
6．4．1區域生長
6．4．2輪廓提取和邊界跟蹤
6．5Hough變換
6．6本章小結
第7章圖像復原
7．1建立圖像退化模型
7．1．1圖像的退化模型
7．1．2連續的退化模型
7．1.3離散的退化模型
7．2運動模糊圖像復原的基本原理
7.2．1運動模糊圖像形成過程的描述
7．2．2勻速直線運動模糊的退化模型
7．2．3勻速直線運動的點擴散函數參數確定
7．3典型的運動模糊圖像復原方法
7．3．1圖像恢復類的定義
7．3．2ImageRestoreExt類構造函數與析構函數
7．3．3逆濾波
7．3．4維納濾波
7．3．5振鈴效應的抑制
7．4其他恢復方法
7．4．1投影恢復法
7.4．2Richardson-Lucy演算法
7．4．3幾種恢復方法的性能比較
7．5圖像復原質量評價
7．5．1有參照圖像質量評價
7．5．2無參照圖像質量評價
7．6本章小結
第8章圖像的形態學處理
8．1數學形態學類(Morphology)
8．1．1Morphology類的定義
8．1．2構造函數和析構函數
8．2二值數學形態學
8．2．1二值數學形態學的相關概念
8．2．2結構元素輸入函數
8．2.3二值腐蝕和膨脹
8．2.4二值開運算和閉運算
8．2．5二值形態學邊界
8．2．6擊中擊不中變換與細化演算法
8．3灰值形態學
8.3．1灰值形態學的相關概念
8．3．2灰值腐蝕和膨脹
8．3.3灰值開運算和閉運算
8.3．4灰值形態學梯度
8．3．5Top-Hat變換
8．4水域分割
8．4．1水域分割原理
8.4．2水域分割類(Watershed)
8．4.3Watershed類的實現
8．4.4水域分割函數的調用
8．5本章小結
第9章運動圖像分析及其應用
9．1運動圖像分析涉及的基本問題
9．1．1運動圖像分析
9．1．2運動的分類
9．1．3運動的表達
9．2頻域運動估計方法
9．2．1歸一化相位相關方法
9．2．2基於相位差的運動估計方法
9．3運動目標檢測與跟蹤
9.3．1靜止背景下的運動目標檢測
9．3．2動態背景下的運動目標檢測一
9．3．3基於MeanShift的運動目標跟蹤方法
9．4運動分析在電視跟蹤測量系統中的典型應用
9．4．1電視跟蹤測量系統的基本工作原理
9．4．2目標的提取與跟蹤
9.4.3簡單場景的目標檢測與跟蹤
9．4.4復雜場景下的金字塔模板匹配跟蹤方法
9．5本章小結
第10章圖像配准
10．1圖像配準的定義
10．2圖像配准類(Register)
10．2．1Register類的定義
10．2．2Register類的構造函數和析構函數
10．2．3Register類輸入數據的介面函數
10．3模板匹配法
10.4基於Harris角點特徵的圖像配准
10．4．1Harris角點檢測及其演算法實現
10．4.2基於奇異值分解的角點匹配及其演算法實現
10．5基於相位相關的圖像配准
10．6本章小結
參考文獻
……
8. Excel自定義演算法
公式為：
=INDEX(C2:I6,MATCH(K2,B2:B6,),MATCH(L2,C7:I7,))
如圖所示：