图计算算法

❶ 800X600的8位灰度图象的大小的计算方法是什么

800和600代表这个图片横纵两个方向的像素点的数量，8位代表每个象素的颜色信息所占用的磁盘空间，或者是色深。8位的进一步的含义是8个二进制位，这八个二进制位从00000000到11111111共之间共有256位数，所以其色深就是256级。

每四个二进制位被成为1字节(bit)，8个二进制位则是2个字节。所以一个800*600的图像的大小就应该是800*600*2字节=960000bit=937.5KB=0.9375MB

但一个图像文件所需记录的信息并非只有这些，还有这个图像的名称、格式信息、生成日期等，所以其大小还会有一些差别。另外每种图像格式的编码方式均不相同，还可能涉及到一些图像压缩之类的内容。以上计算方法仅适合BMP图像格式。

❷ 在图像处理中有哪些算法

1、图像变换：

由于图像阵列很大，直接在空间域中进行处理，涉及计算量很大。采用各种图像变换的方法，如傅立叶变换、沃尔什变换、离散余弦变换等间接处理技术，将空间域的处理转换为变换域处理，可减少计算量，获得更有效的处理。它在图像处理中也有着广泛而有效的应用。

2、图像编码压缩：

图像编码压缩技术可减少描述图像的数据量，以便节省图像传输、处理时间和减少所占用的存储器容量。

压缩可以在不失真的前提下获得，也可以在允许的失真条件下进行。

编码是压缩技术中最重要的方法，它在图像处理技术中是发展最早且比较成熟的技术。

3、图像增强和复原：

图像增强和复原的目的是为了提高图像的质量，如去除噪声，提高图像的清晰度等。

图像增强不考虑图像降质的原因，突出图像中所感兴趣的部分。如强化图像高频分量，可使图像中物体轮廓清晰，细节明显；如强化低频分量可减少图像中噪声影响。

4、图像分割：

图像分割是数字图像处理中的关键技术之一。

图像分割是将图像中有意义的特征部分提取出来，其有意义的特征有图像中的边缘、区域等，这是进一步进行图像识别、分析和理解的基础。

5、图像描述：

图像描述是图像识别和理解的必要前提。

一般图像的描述方法采用二维形状描述，它有边界描述和区域描述两类方法。对于特殊的纹理图像可采用二维纹理特征描述。

6、图像分类：

图像分类属于模式识别的范畴，其主要内容是图像经过某些预处理（增强、复原、压缩）后，进行图像分割和特征提取，从而进行判决分类。

图像分类常采用经典的模式识别方法，有统计模式分类和句法模式分类。

(2)图计算算法扩展阅读：

图像处理主要应用在摄影及印刷、卫星图像处理、医学图像处理、面孔识别、特征识别、显微图像处理和汽车障碍识别等。

数字图像处理技术源于20世纪20年代，当时通过海底电缆从英国伦敦到美国纽约传输了一幅照片，采用了数字压缩技术。

数字图像处理技术可以帮助人们更客观、准确地认识世界，人的视觉系统可以帮助人类从外界获取3/4以上的信息，而图像、图形又是所有视觉信息的载体，尽管人眼的鉴别力很高，可以识别上千种颜色，

但很多情况下，图像对于人眼来说是模糊的甚至是不可见的，通过图象增强技术，可以使模糊甚至不可见的图像变得清晰明亮。

❸ 图纸钢筋量的计算方法

从结构施工上看只要看结构图，就有钢筋的具体数量了；从预算的角度，而钢筋是一根一根地计算的，另外，我们还把混凝土的比重看成是2.4，把钢筋混凝土的比重看成是2.5，这也可以非常大概的了解在一般情况下钢筋混凝土的含钢量。
总之，精确的算，必须逐根计算后汇总。

钢筋计算原理及计算方法
钢筋重量=钢筋长度*根数*理论重量
钢筋长度=净长+节点锚固+搭接+弯钩（一级抗震）
柱
基础层：筏板基础〈=2000mm时， 基础插筋长度=基础层层高-保护层+基础弯折a+基础纵筋外露长度HN/3+与上层纵筋搭接长度LLE（如焊接时，搭接长度为0）
筏板基础〉2000mm时， 基础插筋长度=基础层层高/2-保护层+基础弯折a+基础纵筋外露长度HN/3+与上层纵筋搭接的长度LLE（如焊接时，搭接长度为0）
地下室：柱纵筋长度=地下室层高-本层净高HN/3+首层楼层净高HN/3+与首层纵筋搭接LLE（如焊接时，搭接长度为0）
首层：柱纵筋长度=首层层高-首层净高HN/3+max(二层净高HN/6，500，柱截面边长尺寸（圆柱直径）)+与二层纵筋搭接的长度LLE（如焊接时，搭接长度为0）
中间层：柱纵筋长度=二层层高-max(二层层高HN/6，500，柱截面尺寸（圆柱直径）)+max（三层层高HN/6，500，柱截面尺寸（圆柱直径））+与三层搭接LLE（如焊接时，搭接长度为0）
顶层：
角柱：外侧钢筋长度=顶层层高－max（本层楼层净高HN/6，500，柱截面长边尺寸（圆柱直径））－梁高+1.5LAE
内侧钢筋长度=顶层层高－max(本层楼层净高HN/6，500，柱截面长边尺寸（圆柱直径）)-梁高+LAE
其中锚固长度取值：
当柱纵筋伸入梁内的直径长〈LAE时，则使用弯锚，柱纵筋伸至柱顶后弯折12d，锚固长度=梁高-保护层+12d；当柱纵筋伸入梁内的直径长〉=LAE时，则使用直锚：柱纵筋伸至柱顶后截断，锚固长度=梁高-保护层，
当框架柱为矩形截面时，外侧钢筋根数为：3根角筋，b边钢筋总数的1/2，h边总数的1/2。
内侧钢筋根数为：1根角筋，b边钢筋总数的1/2，h边总数的1/2。
边柱：外侧钢筋长度=顶层层高－max（本层楼层净高HN/6，500，柱截面长边尺寸（圆柱直径））－梁高+1.5LAE
内侧钢筋长度=顶层层高－max(本层楼层净高HN/6，500，柱截面长边尺寸（圆柱直径）)-梁高+LAE
当框架柱为矩形截面时，外侧钢筋根数为：2根角筋，b边一侧钢筋总数
内侧钢筋根数为：2根角筋，b边一侧钢筋总数，h边两侧钢筋总数。
中柱：纵筋长度=顶层层高-max（本层楼层净高Hn/6，500，柱截面长边尺寸（圆柱直径））-梁高+锚固
其中锚固长度取值：
当柱纵筋伸入梁内的直径长〈LAE时，则使用弯锚，柱纵筋伸至柱顶后弯折12d，锚固长度=梁高-保护层+12d；当柱纵筋伸入梁内的直径长〉=LAE时，则使用直锚：柱纵筋伸至柱顶后截断，锚固长度=梁高-保护层，

梁
梁的平面表示方法：
集中标注-
1、 梁编号
2、 截面尺寸
3、 箍筋
4、 上部贯通筋或架立钢筋
5、 侧面纵向构造钢筋或受扭钢筋
6、 梁顶面标高高差
原位标注
7、 梁支座上部筋
8、 梁下部钢筋
9、 吊筋、附加钢筋及构造钢筋
钢筋公式
上部通长筋：长度＝净跨长+左支座锚固+右支座锚固

当hc-保护层(直锚长度)>=LaE时，取Max(LaE ,0.5hc＋5d)
当hc-保护层(直锚长度) <LaE时,必须弯锚，
算法1：hc-保护层＋15d
算法2：取0.4LaE＋15d
算法3：取Max(LaE ,hc-保护层＋15d)
算法4：取Max(LaE ,0.4LaE＋15d)
左、右支座负筋：
第一排长度=左或右支座锚固+净跨长/3
第二排长度=左或右支座锚固+净跨长/4
如有第三排筋伸入跨内1/5，如果一共两排,第一排为通长筋,则第二排按LN/3计算
中间支座负筋长度
上排长度=2*净跨长/3+支座宽
下排长度=2*净跨长/4+支座宽
注：净跨长为左右较长的跨
架立筋长度＝净跨-左负筋伸入长度-右负筋伸入长度+ 150*2
注：当贯通筋和架立筋同时存在时，搭接值取150MM。
构造筋长度=净跨长+2*15d
抗扭筋长度=净跨长+2*锚固长度
拉筋长度=梁宽-2*保护+2*1.9d+2*max(10d,75mm)
根数=【(净跨长-50*2)/非加密间距*2+1】*排数
当梁宽≤350时，拉筋直径为6mm；梁宽>350时，拉筋直径为8mm。拉筋间距为非加密区箍筋间距的两倍。当设有多排拉筋时，上下两排拉筋竖向错开设置。
下部钢筋
下部通长钢筋长度=净跨长+左支座锚固+右支座锚固
下部不伸入支座钢筋长度=净跨长-0.1*2*净跨长
下部非通长钢筋长度=净跨长+左支座锚固+右支座锚固

箍筋长度=(梁宽-保护层*2 +梁高-保护层)*2+1.9d*2+max(10d,75mm)*2
根数＝2*【（加密区长度-50）/加密间距+1】+（非加密区长度/非加密间距-1）
当结构为一级抗震时，加密长度为max(2*梁高，500)，当结构为二到四级时，加密长度为max(1.5*梁高，500)
吊筋长度＝2*锚固+2*斜段长度+次梁宽度+2*50
斜段角度：高度 主梁高>800mm a为60度
主梁高<=800mm a为45度

板
底筋长度=净长+2*max（支座宽/2，5d）+2*6.25d（一级钢筋）+搭接
根数=（净长-2*50）/间距+1
面筋长度=净长+2*la+2*6.25d（一级钢筋）+搭接
根数=（净长-2*50）/间距+1
la:非抗震； lae:抗震
端支座负筋长度=净长+la+6.25d+(板厚-2*保护层)
根数=（净长-2*50）/间距+1
中间支座负筋长度=左净长+右净长+2*（板厚-2*保护层）
根数=（净长-2*50）/间距+1
分布筋长度=净长-两端端负筋露出长度+2*150
根数=左标注/间距+右标注/间距（不减起步距离，不加1，不减1）
温度筋长度=净长-两端端负筋露出长度+2*150+2*6.25d（一级钢筋）
根数=（净长-两端端负筋露出长度）/间距-1（不减起步距离，不加1，减1）
板中开洞：洞口左端长度=净长-保护层+max(支座宽/2，5d)+6.25d+(板厚-2*保护层)+5d
洞口右端长度：同左端
根数=洞口宽/间距+1
悬挑：悬挑长度（一端在柱子里）=净长+la+(板厚-2*保护层) +6.25d(一级钢筋)
悬挑长度（两端都在板里）=（板厚-2*保护层）+净长+（板厚-2*保护层）+5d

剪力墙钢筋计算
1、暗柱钢筋计算
（A）纵筋长度计算：中间层：
采用绑扎连接时，长度=层高+1.2Lae，采用机械连接（如直螺纹套筒）时，长度=层高-500+500
（B）顶层：
采用绑扎连接时，长度=层高-500-板厚+Lae采用机械连接（如直螺纹套筒）时，长度=层高-500-板厚+Lae
（C）纵筋根数：按图数
（D）箍筋计算：(梁宽 + 梁高 - 4 * 保护层) * 2 + 11.9*d*2+8*d
（E）拉筋长度：墙厚-保护层*2+2d+1.9d*2+max（75，10d）*2
根数：层高/拉筋间距+1（端柱同暗柱）
（2）剪力墙中的暗梁；暗梁纵筋长度=暗梁净长+两端锚固：
（3）箍筋长度=暗梁宽+暗梁高）*2-8*保护层+8*d+2*11.9*d；箍筋根数=暗梁净长/间距+1
（4）剪力墙中的连梁
连梁纵筋长度＝洞口宽+左右两边锚固max(Lae，600)
中间层连梁箍筋根数＝（洞口宽－50*2）/箍筋配置间距+1
顶层连梁箍筋根数（两端为直锚时）＝（洞口宽－50*2/箍筋配置间距+1）+(连梁锚固直段长－100/150+1)*2
连梁箍筋的长度＝(梁宽 + 梁高 - 4 * 保护层) * 2 + 11.9*d*2+8*d
（5）拉筋长度= 梁宽-保护层+2*11.9*d+2*d；根数=排数*（（洞口宽-100）/间距）
2、墙身水平钢筋(墙端为暗柱)
外侧钢筋＝墙长-保护层；内侧钢筋＝墙长-保护层+15d
根数：层高/间距+1（暗梁、连梁墙身水平筋照设）
墙身水平钢筋（墙端为端柱
外侧钢筋＝墙长-保护层；内侧钢筋＝墙净长+锚固长度（弯锚、直锚）
根数＝层高/间距+1（暗梁、连梁内水平筋照设
墙身纵筋计算
• 基础插筋=弯折长度a+锚固竖直长度h1+搭接长度1.2LaE或非连接区500
• 中间层纵筋=层高+搭接长度1.2LaE或非连接区500
• 顶层纵筋=层高-板厚+锚固
• 根数=（墙净长（墙长-暗柱截面长）-2*s/2）/间距
3、墙身垂直钢筋
（1）墙身竖向分布钢筋根数＝墙身净长-1个竖向间距s/2（或2*50）/竖向布置间距+1
墙身垂直分布筋是从暗柱或端柱边开始布置
（2）遇有洞口时，需要分段计算根数
墙梁钢筋与墙身钢筋的关系
当设计未注明时，侧面构造纵筋同剪力墙水平分布筋；拉筋直径：当梁宽≤ 350时为6mm，梁宽>350时为8mm，拉筋间距为两倍箍筋间距；当连梁截面高度>700时，侧面纵向构造钢筋直径应≥10mm，间距应 ≤200；

钢筋计算原理
钢筋重量=钢筋长度*根数*理论重量
钢筋长度=净长+节点锚固+搭接+弯钩（一级抗震）
柱
基础层：筏板基础〈=2000mm时， 基础插筋长度=基础层层高-保护层+基础弯折a+基础纵筋外露长度HN/3+与上层纵筋搭接长度LLE（如焊接时，搭接长度为0）
筏板基础〉2000mm时， 基础插筋长度=基础层层高/2-保护层+基础弯折a+基础纵筋外露长度HN/3+与上层纵筋搭接的长度LLE（如焊接时，搭接长度为0）
地下室：柱纵筋长度=地下室层高-本层净高HN/3+首层楼层净高HN/3+与首层纵筋搭接LLE（如焊接时，搭接长度为0）
首层：柱纵筋长度=首层层高-首层净高HN/3+max(二层净高HN/6，500，柱截面边长尺寸（圆柱直径）)+与二层纵筋搭接的长度LLE（如焊接时，搭接长度为0）
中间层：柱纵筋长度=二层层高-max(二层层高HN/6，500，柱截面尺寸（圆柱直径）)+max（三层层高HN/6，500，柱截面尺寸（圆柱直径））+与三层搭接LLE（如焊接时，搭接长度为0）
顶层：
角柱：外侧钢筋长度=顶层层高－max（本层楼层净高HN/6，500，柱截面长边尺寸（圆柱直径））－梁高+1.5LAE
内侧钢筋长度=顶层层高－max(本层楼层净高HN/6，500，柱截面长边尺寸（圆柱直径）)-梁高+LAE
其中锚固长度取值：
当柱纵筋伸入梁内的直径长〈LAE时，则使用弯锚，柱纵筋伸至柱顶后弯折12d，锚固长度=梁高-保护层+12d；当柱纵筋伸入梁内的直径长〉=LAE时，则使用直锚：柱纵筋伸至柱顶后截断，锚固长度=梁高-保护层，
当框架柱为矩形截面时，外侧钢筋根数为：3根角筋，b边钢筋总数的1/2，h边总数的1/2。
内侧钢筋根数为：1根角筋，b边钢筋总数的1/2，h边总数的1/2。
边柱：外侧钢筋长度=顶层层高－max（本层楼层净高HN/6，500，柱截面长边尺寸（圆柱直径））－梁高+1.5LAE
内侧钢筋长度=顶层层高－max(本层楼层净高HN/6，500，柱截面长边尺寸（圆柱直径）)-梁高+LAE
当框架柱为矩形截面时，外侧钢筋根数为：2根角筋，b边一侧钢筋总数
内侧钢筋根数为：2根角筋，b边一侧钢筋总数，h边两侧钢筋总数。
中柱：纵筋长度=顶层层高-max（本层楼层净高Hn/6，500，柱截面长边尺寸（圆柱直径））-梁高+锚固
其中锚固长度取值：
当柱纵筋伸入梁内的直径长〈LAE时，则使用弯锚，柱纵筋伸至柱顶后弯折12d，锚固长度=梁高-保护层+12d；当柱纵筋伸入梁内的直径长〉=LAE时，则使用直锚：柱纵筋伸至柱顶后截断，锚固长度=梁高-保护层，

梁
梁的平面表示方法：
集中标注-
1、 梁编号
2、 截面尺寸
3、 箍筋
4、 上部贯通筋或架立钢筋
5、 侧面纵向构造钢筋或受扭钢筋
6、 梁顶面标高高差
原位标注
7、 梁支座上部筋
8、 梁下部钢筋
9、 吊筋、附加钢筋及构造钢筋
钢筋公式
上部通长筋：长度＝净跨长+左支座锚固+右支座锚固

当hc-保护层(直锚长度)>=LaE时，取Max(LaE ,0.5hc＋5d)
当hc-保护层(直锚长度) <LaE时,必须弯锚，
算法1：hc-保护层＋15d
算法2：取0.4LaE＋15d
算法3：取Max(LaE ,hc-保护层＋15d)
算法4：取Max(LaE ,0.4LaE＋15d)
左、右支座负筋：
第一排长度=左或右支座锚固+净跨长/3
第二排长度=左或右支座锚固+净跨长/4
如有第三排筋伸入跨内1/5，如果一共两排,第一排为通长筋,则第二排按LN/3计算
中间支座负筋长度
上排长度=2*净跨长/3+支座宽
下排长度=2*净跨长/4+支座宽
注：净跨长为左右较长的跨
架立筋长度＝净跨-左负筋伸入长度-右负筋伸入长度+ 150*2
注：当贯通筋和架立筋同时存在时，搭接值取150MM。
构造筋长度=净跨长+2*15d
抗扭筋长度=净跨长+2*锚固长度
拉筋长度=梁宽-2*保护+2*1.9d+2*max(10d,75mm)
根数=【(净跨长-50*2)/非加密间距*2+1】*排数
当梁宽≤350时，拉筋直径为6mm；梁宽>350时，拉筋直径为8mm。拉筋间距为非加密区箍筋间距的两倍。当设有多排拉筋时，上下两排拉筋竖向错开设置。
下部钢筋
下部通长钢筋长度=净跨长+左支座锚固+右支座锚固
下部不伸入支座钢筋长度=净跨长-0.1*2*净跨长
下部非通长钢筋长度=净跨长+左支座锚固+右支座锚固

箍筋长度=(梁宽-保护层*2 +梁高-保护层)*2+1.9d*2+max(10d,75mm)*2
根数＝2*【（加密区长度-50）/加密间距+1】+（非加密区长度/非加密间距-1）
当结构为一级抗震时，加密长度为max(2*梁高，500)，当结构为二到四级时，加密长度为max(1.5*梁高，500)
吊筋长度＝2*锚固+2*斜段长度+次梁宽度+2*50
斜段角度：高度 主梁高>800mm a为60度
主梁高<=800mm a为45度

板
底筋长度=净长+2*max（支座宽/2，5d）+2*6.25d（一级钢筋）+搭接
根数=（净长-2*50）/间距+1
面筋长度=净长+2*la+2*6.25d（一级钢筋）+搭接
根数=（净长-2*50）/间距+1
la:非抗震； lae:抗震
端支座负筋长度=净长+la+6.25d+(板厚-2*保护层)
根数=（净长-2*50）/间距+1
中间支座负筋长度=左净长+右净长+2*（板厚-2*保护层）
根数=（净长-2*50）/间距+1
分布筋长度=净长-两端端负筋露出长度+2*150
根数=左标注/间距+右标注/间距（不减起步距离，不加1，不减1）
温度筋长度=净长-两端端负筋露出长度+2*150+2*6.25d（一级钢筋）
根数=（净长-两端端负筋露出长度）/间距-1（不减起步距离，不加1，减1）
板中开洞：洞口左端长度=净长-保护层+max(支座宽/2，5d)+6.25d+(板厚-2*保护层)+5d
洞口右端长度：同左端
根数=洞口宽/间距+1
悬挑：悬挑长度（一端在柱子里）=净长+la+(板厚-2*保护层) +6.25d(一级钢筋)
悬挑长度（两端都在板里）=（板厚-2*保护层）+净长+（板厚-2*保护层）+5d

剪力墙钢筋计算
1、暗柱钢筋计算
（A）纵筋长度计算：中间层：
采用绑扎连接时，长度=层高+1.2Lae，采用机械连接（如直螺纹套筒）时，长度=层高-500+500
（B）顶层：
采用绑扎连接时，长度=层高-500-板厚+Lae采用机械连接（如直螺纹套筒）时，长度=层高-500-板厚+Lae
（C）纵筋根数：按图数
（D）箍筋计算：(梁宽 + 梁高 - 4 * 保护层) * 2 + 11.9*d*2+8*d
（E）拉筋长度：墙厚-保护层*2+2d+1.9d*2+max（75，10d）*2
根数：层高/拉筋间距+1（端柱同暗柱）
（2）剪力墙中的暗梁；暗梁纵筋长度=暗梁净长+两端锚固：
（3）箍筋长度=暗梁宽+暗梁高）*2-8*保护层+8*d+2*11.9*d；箍筋根数=暗梁净长/间距+1
（4）剪力墙中的连梁
连梁纵筋长度＝洞口宽+左右两边锚固max(Lae，600)
中间层连梁箍筋根数＝（洞口宽－50*2）/箍筋配置间距+1
顶层连梁箍筋根数（两端为直锚时）＝（洞口宽－50*2/箍筋配置间距+1）+(连梁锚固直段长－100/150+1)*2
连梁箍筋的长度＝(梁宽 + 梁高 - 4 * 保护层) * 2 + 11.9*d*2+8*d
（5）拉筋长度= 梁宽-保护层+2*11.9*d+2*d；根数=排数*（（洞口宽-100）/间距）
2、墙身水平钢筋(墙端为暗柱)
外侧钢筋＝墙长-保护层；内侧钢筋＝墙长-保护层+15d
根数：层高/间距+1（暗梁、连梁墙身水平筋照设）
墙身水平钢筋（墙端为端柱
外侧钢筋＝墙长-保护层；内侧钢筋＝墙净长+锚固长度（弯锚、直锚）
根数＝层高/间距+1（暗梁、连梁内水平筋照设
墙身纵筋计算
• 基础插筋=弯折长度a+锚固竖直长度h1+搭接长度1.2LaE或非连接区500
• 中间层纵筋=层高+搭接长度1.2LaE或非连接区500
• 顶层纵筋=层高-板厚+锚固
• 根数=（墙净长（墙长-暗柱截面长）-2*s/2）/间距
3、墙身垂直钢筋
（1）墙身竖向分布钢筋根数＝墙身净长-1个竖向间距s/2（或2*50）/竖向布置间距+1
墙身垂直分布筋是从暗柱或端柱边开始布置
（2）遇有洞口时，需要分段计算根数
墙梁钢筋与墙身钢筋的关系
当设计未注明时，侧面构造纵筋同剪力墙水平分布筋；拉筋直径：当梁宽≤ 350时为6mm，梁宽>350时为8mm，拉筋间距为两倍箍筋间距；当连梁截面高度>700时，侧面纵向构造钢筋直径应≥10mm，间距应 ≤200；

❹ 请问图计算解决什么问题

图计算解决的问题是如何高效地处理大规模图数据。图计算，便是以图作为数据模型来表达问题并予以解决的这一过程。以高效解决图计算问题为目标的系统软件称为图计算系统。
图计算的兴起及飞速发展很大程度上得益于图结构灵活的表达能力及其广阔的应用前景。以CPU为代表，遵循统一化设计理念、广泛通用于各类计算领域的传统处理架构在新的需求面前逐渐陷入困境。存在着并行效率低、访存随机性强、数据冲突频度高以及计算传输比低等突出问题。为此，学术界和工业界涌现出了大量面向图计算的行编程范式、算法模型和处理框架等方面的研究这些系统软件层面的进展固然对解决上述通用处理架构中存在的问题起到了很好的缓解作用，但是图计算的性能仍普遍受制于底层处理架构。
研究表明，即使综合运用目前先进的图计算优化技术并将贡献发挥到极致，图计算仍存在至少35%的性能损耗，这一损耗在处理稀疏型幂律图时尤为明显；更重要的是。由于图数据的频繁移动，功耗方面的表现更为糟糕。因此，开展处理架构创新驱动的“面向图计算的领域专用加速器研究”对提升图计算的处理能力有着颇为重要的现实意义。
更多关于图计算解决什么问题，进入：https://www.abcgonglue.com/ask/d223461615805422.html?zd查看更多内容

❺ 计算图像相似度的算法有哪些

SIM = Structural SIMilarity（结构相似性），这是一种用来评测图像质量的一种方法。由于人类视觉很容易从图像中抽取出结构信息,因此计算两幅图像结构信息的相似性就可以用来作为一种检测图像质量的好坏.

首先结构信息不应该受到照明的影响,因此在计算结构信息时需要去掉亮度信息,即需要减掉图像的均值;其次结构信息不应该受到图像对比度的影响,因此计算结构信息时需要归一化图像的方差;最后我们就可以对图像求取结构信息了,通常我们可以简单地计算一下这两幅处理后的图像的相关系数.

然而图像质量的好坏也受到亮度信息和对比度信息的制约,因此在计算图像质量好坏时,在考虑结构信息的同时也需要考虑这两者的影响.通常使用的计算方法如下,其中C1,C2,C3用来增加计算结果的稳定性:
2u(x)u(y) + C1
L(X,Y) = ------------------------ ,u(x), u(y)为图像的均值
u(x)^2 + u(y)^2 + C1

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

d(x,y) + C3
S(X,Y) = ----------------------,d(x,y)为图像x,y的协方差
d(x)d(y) + C3

而图像质量Q = [L(X,Y)^a] x [C(X,Y)^b] x [S(X,Y)^c]，其中a，b，c分别用来控制三个要素的重要性，为了计算方便可以均选择为1，C1，C2，C3为比较小的数值，通常C1=(K1 x L)^2, C2=(K2 xL)^2, C3 = C2/2, K1 << 1, K2 << 1, L为像素的最大值(通常为255).
希望对你能有所帮助。

❻ 图计算应用场景有哪些

图计算模型在大数据公司，尤其是IT公司运用十分广泛。近几年，以深度学习和图计算结合的大规模图表征为代表的系列算法发挥着越来越重要的作用。图计算的发展和应用有井喷之势，各大公司也相应推出图计算平台，例如Google Pregel、Facebook Giraph、腾讯星图、华为GES、阿里GraphScope等。

GraphScope 是阿里巴巴达摩院实验室研发的一站式图计算平台。GraphScope 提供 Python 客户端，能十分方便的对接上下游工作流。它具有高效的跨引擎内存管理，在业界首次支持 Gremlin 分布式编译优化，同时支持算法的自动并行化和支持自动增量化处理动态图更新，提供了企业级场景的极致性能。GraphScope 已经证明在多个关键互联网领域（如风控，电商推荐，广告，网络安全，知识图谱等）实现重要的业务新价值，其代码当前已在github/alibaba/graphscope 上开源，以供更多开发者使用。

❼ 图计算解决什么问题

图计算解决的问题是如何高效地处理大规模图数据。图计算，便是以图作为数据模型来表达问题并予以解决的这一过程。以高效解决图计算问题为目标的系统软件称为图计算系统。x0dx0a图计算的兴起及飞速发展很大程度上得益于图结构灵活的表达能力及其广阔的应用前景。以CPU为代表，遵循统一化设计理念、广泛通用于各类计算领域的传统处理架构在新的需求面前逐渐陷入困境。存在着并行效率低、访存随机性强、数据冲突频度高以及计算传输比低等突出问题。为此，学术界和工业界涌现出了大量面向图计算的行编程范式、算法模型和处理框架等方面的研究这些系统软件层面的进展固然对解决上述通用处理架构中存在的问题起到了很好的缓解作用，但是图计算的性能仍普遍受制于底层处理架构。x0dx0a研究表明，即使综合运用目前先进的图计算优化技术并将贡献发挥到极致，图计算仍存在至少35%的性能损耗，这一损耗在处理稀疏型幂律图时尤为明显；更重要的是。由于图数据的频繁移动，功耗方面的表现更为糟糕。因此，开展处理架构创新驱动的“面向图计算的领域专用加速器研究”对提升图计算的处理能力有着颇为重要的现实意义。x0dx0a更多关于图计算解决什么问题，进入：https://www.abcgonglue.com/ask/d223461615805422.html?zd查看更多内容

❽ [图像算法]-Faster RCNN详解

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是何凯明等大神在2015年提出目标检测算法，该算法在2015年的ILSVRV和COCO竞赛中获得多项第一。该算法在fast rcnn基础上提出了RPN候选框生成算法，使得目标检测速度大大提高。

(1)image input；
(2)利用selective search 算法在图像中从上到下提取2000个左右的Region Proposal；
(3)将每个Region Proposal缩放(warp)成227*227的大小并输入到CNN，将CNN的fc7层的输出作为特征；
(4)将每个Region Proposal提取的CNN特征输入到SVM进行分类；
(5)对于SVM分好类的Region Proposal做边框回归，用Bounding box回归值校正原来的建议窗口，生成预测窗口坐标.
缺陷:
(1) 训练分为多个阶段，步骤繁琐：微调网络+训练SVM+训练边框回归器；
(2) 训练耗时，占用磁盘空间大；5000张图像产生几百G的特征文件；
(3) 速度慢：使用GPU，VGG16模型处理一张图像需要47s；
(4) 测试速度慢：每个候选区域需要运行整个前向CNN计算；
(5) SVM和回归是事后操作，在SVM和回归过程中CNN特征没有被学习更新.

(1)image input；
(2)利用selective search 算法在图像中从上到下提取2000个左右的建议窗口(Region Proposal)；
(3)将整张图片输入CNN，进行特征提取；
(4)把建议窗口映射到CNN的最后一层卷积feature map上；
(5)通过RoI pooling层使每个建议窗口生成固定尺寸的feature map；
(6)利用Softmax Loss(探测分类概率) 和Smooth L1 Loss(探测边框回归)对分类概率和边框回归(Bounding box regression)联合训练.

相比R-CNN，主要两处不同:
(1)最后一层卷积层后加了一个ROI pooling layer；
(2)损失函数使用了多任务损失函数(multi-task loss)，将边框回归直接加入到CNN网络中训练
改进:
(1) 测试时速度慢：R-CNN把一张图像分解成大量的建议框，每个建议框拉伸形成的图像都会单独通过CNN提取特征.实际上这些建议框之间大量重叠，特征值之间完全可以共享，造成了运算能力的浪费.
FAST-RCNN将整张图像归一化后直接送入CNN，在最后的卷积层输出的feature map上，加入建议框信息，使得在此之前的CNN运算得以共享.
(2) 训练时速度慢：R-CNN在训练时，是在采用SVM分类之前，把通过CNN提取的特征存储在硬盘上.这种方法造成了训练性能低下，因为在硬盘上大量的读写数据会造成训练速度缓慢.
FAST-RCNN在训练时，只需要将一张图像送入网络，每张图像一次性地提取CNN特征和建议区域，训练数据在GPU内存里直接进Loss层，这样候选区域的前几层特征不需要再重复计算且不再需要把大量数据存储在硬盘上.
(3) 训练所需空间大：R-CNN中独立的SVM分类器和回归器需要大量特征作为训练样本，需要大量的硬盘空间.FAST-RCNN把类别判断和位置回归统一用深度网络实现，不再需要额外存储.
(4) 由于ROI pooling的提出，不需要再input进行Corp和wrap操作，避免像素的损失，巧妙解决了尺度缩放的问题.

(1)输入测试图像；
(2)将整张图片输入CNN，进行特征提取；
(3)用RPN先生成一堆Anchor box，对其进行裁剪过滤后通过softmax判断anchors属于前景(foreground)或者后景(background)，即是物体or不是物体，所以这是一个二分类；同时，另一分支bounding box regression修正anchor box，形成较精确的proposal（注：这里的较精确是相对于后面全连接层的再一次box regression而言）
(4)把建议窗口映射到CNN的最后一层卷积feature map上；
(5)通过RoI pooling层使每个RoI生成固定尺寸的feature map；
(6)利用Softmax Loss(探测分类概率) 和Smooth L1 Loss(探测边框回归)对分类概率和边框回归(Bounding box regression)联合训练.

相比FASTER-RCNN，主要两处不同:
(1)使用RPN(Region Proposal Network)代替原来的Selective Search方法产生建议窗口；
(2)产生建议窗口的CNN和目标检测的CNN共享

改进:
(1) 如何高效快速产生建议框？
FASTER-RCNN创造性地采用卷积网络自行产生建议框，并且和目标检测网络共享卷积网络，使得建议框数目从原有的约2000个减少为300个，且建议框的质量也有本质的提高.

从上面的三张图可以看出，Faster R CNN由下面几部分组成：
1.数据集，image input
2.卷积层CNN等基础网络，提取特征得到feature map
3-1.RPN层，再在经过卷积层提取到的feature map上用一个3x3的slide window，去遍历整个feature map,在遍历过程中每个window中心按rate，scale（1:2,1:1,2:1）生成9个anchors，然后再利用全连接对每个anchors做二分类（是前景还是背景）和初步bbox regression，最后输出比较精确的300个ROIs。
3-2.把经过卷积层feature map用ROI pooling固定全连接层的输入维度。
4.然后把经过RPN输出的rois映射到ROIpooling的feature map上进行bbox回归和分类。

SPP-Net是出自论文《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》
由于一般的网络结构中都伴随全连接层，全连接层的参数就和输入图像大小有关，因为它要把输入的所有像素点连接起来,需要指定输入层神经元个数和输出层神经元个数，所以需要规定输入的feature的大小。而SPP-NET正好解决了这个问题。

如果原图输入是224x224，对于conv5出来后的输出，是13x13x256的，可以理解成有256个这样的filter，每个filter对应一张13x13的activation map.如果像上图那样将activation map pooling成4x4 2x2 1x1三张子图，做max pooling后，出来的特征就是固定长度的(16+4+1)x256那么多的维度了.如果原图的输入不是224x224，出来的特征依然是(16+4+1)x256；直觉地说，可以理解成将原来固定大小为(3x3)窗口的pool5改成了自适应窗口大小，窗口的大小和activation map成比例，保证了经过pooling后出来的feature的长度是一致的.

总结而言，当网络输入的是一张任意大小的图片，这个时候我们可以一直进行卷积、池化，直到网络的倒数几层的时候，也就是我们即将与全连接层连接的时候，就要使用金字塔池化，使得任意大小的特征图都能够转换成固定大小的特征向量，这就是空间金字塔池化的意义（多尺度特征提取出固定大小的特征向量）。

ROI pooling layer实际上是SPP-NET的一个精简版，SPP-NET对每个proposal使用了不同大小的金字塔映射，而ROI pooling layer只需要下采样到一个7x7的特征图.对于VGG16网络conv5_3有512个特征图，这样所有region proposal对应了一个7*7*512维度的特征向量作为全连接层的输入.

为什么要pooling成7×7的尺度？是为了能够共享权重。Faster RCNN除了用到VGG前几层的卷积之外，最后的全连接层也可以继续利用。当所有的RoIs都被pooling成（512\×7\×7）的feature map后，将它reshape 成一个一维的向量，就可以利用VGG16预训练的权重，初始化前两层全连接.

那么经过何种变换才能从图11中的窗口P变为窗口呢？比较简单的思路就是：

注意：只有当Proposal和Ground Truth比较接近时（线性问题），我们才能将其作为训练样本训练我们的线性回归模型，否则会导致训练的回归模型不work（当Proposal跟GT离得较远，就是复杂的非线性问题了，此时用线性回归建模显然不合理）.这个也是G-CNN: an Iterative Grid Based Object Detector多次迭代实现目标准确定位的关键. 线性回归就是给定输入的特征向量X，学习一组参数W，使得经过线性回归后的值跟真实值Y(Ground Truth)非常接近.即.那么Bounding-box中我们的输入以及输出分别是什么呢？

如上图中标识：
① rpn_cls：60*40*512-d ⊕ 1*1*512*18 > 60*40*92 逐像素对其9个Anchor box进行二分类
② rpn_bbox：60*40*512-d ⊕ 1*1*512*36>60*40*9*4 逐像素得到其9个Anchor box四个坐标信息

逐像素对Anchors分类标记
① 去除掉超过1000*600这原图的边界的anchor box
② 如果anchor box与ground truth的IoU值最大，标记为正样本，label=1
③ 如果anchor box与ground truth的IoU>0.7，标记为正样本，label=1
④ 如果anchor box与ground truth的IoU<0.3，标记为负样本，label=0
剩下的既不是正样本也不是负样本，不用于最终训练，label=-1

逐像素Bbox回归纠正
除了对anchor box进行标记外，另一件事情就是计算anchor box与ground truth之间的偏移量
令：ground truth:标定的框也对应一个中心点位置坐标x ,y 和宽高w ,h
anchor box: 中心点位置坐标x_a,y_a和宽高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)
通过ground truth box与预测的anchor box之间的差异来进行学习，从而是RPN网络中的权重能够学习到预测box的能力

接着进一步对Anchors进行越界剔除和使用nms非最大值抑制，剔除掉重叠的框；比如，设定IoU为0.7的阈值，即仅保留覆盖率不超过0.7的局部最大分数的box（粗筛）。最后留下大约2000个anchor，然后再取前N个box（比如300个）；这样，进入到下一层ROI Pooling时region proposal大约只有300个。

参考文献：

❾ 图计算软件Gelly和Graphscope有什么区别

Gelly是Flink的图API库，而GraphScope是阿里研发的图计算平台，是一个完整的平台，包括图数据管理，执行引擎还支持多种图算法