自生长算法
1. 增长率的算法是什么
1、增长率=（本期营业额-上期营业额/上期营业额）X100%=10%
2、人口增长率人口自然增长率指一定时期内人口自然增长数（出生人数减死亡人数）与该时期内平均人口数之比，通常以年为单位计算，用千分比来表示，计算公式为：
人口自然增长率＝（年内出生人数－年内死亡人数）/年平均人口数×100%＝人口出生率－人口死亡率
3、经济增长率经济增长率是末期国民生产总值与基期国民生产总值的比较 以末期现行价格计算末期GNP,得出的增长率是名义经济增长率。
以不变价格(即基期价格)计算末期GNP,得出的增长率是实际经济增长率。
在量度经济增长时,一般都采用实际经济增长率
经济增长率也称经济增长速度，它是反映一定时期经济发展水平变化程度的动态指标，也是反映一个国家经济是否具有活力的基本指标。
增长率的计算公式：n年数据的增长率=[(本期/前n年)^（1/(n-1)）-1]×100%
同比增长率=（当年的指标值-去年同期的值）÷去年同期的值*100%
环比增长率=（本期的某个指标的值-上一期这个指标的值）/上一期这个指标的值
增长率的基本类型：
增长率是指一定时期内某一数据指标的增长量与基期数据的比值。
同比增长率，一般是指和去年同期相比较的增长率。同比增长和上一时期、上一年度或历史相比的增长（幅度）。发展速度由于采用基期的不同，可分为同比发展速度、环比发展速度和定基发展速度。均用百分数或倍数表示。
环比增长率，一般是指和上期相比较的增长率。
定基增长率：如果观察的是若干个时期的数据，每个时期的数据均与同一个基期数据进行对比，则这种比较方法，称为定基比较。例如，将某一时期1970年、1980年、1990年和2000年的GNP数值与1949年进行比较，所获得的4个比例，称为定基增长率。
2. 区域生长算法 C++实现
在比赛和项目中用opencv用多了，就会发现很多opencv没有实现的算法，其中一些还是十分常用，在教科书上经常出现的。作为一个弱鸡，有的简单的算法能够自己实现（比如本文所要讲的），有的写到一半就打出GG，有的直接就下不了手。。。作为一个非计算机科班的自动化系学生，想要成为一名视觉算法工程师，还是有很长的路要走啊~~
其实看上图和这个名字就很容易理解，区域生长是根据预先定义的生长准则将像素或子区域组合为更大区域的过程。基本方法是从一组“种子”点开始（原点），将与种子相似的临近像素（在特定范围内的灰度或颜色）添加到种子栈中，不断迭代，生成一大片区域。严谨的数学定义可以查看冈萨雷斯的数字图像处理。
算法的步骤如下：
我这里因为项目需要，对原本的区域生长算法多加了最大与最小值的限制，作为默认参数可以不填。
上面是灰度图像的处理，我这里重载了三通道图像的区域生长
References：
https://blog.csdn.net/robin__chou/article/details/50071313
数字图像处理（第三版） ——冈萨雷斯 P493
3. 分布式全局ID自增算法
stub代表一个业务
这种情况有可能因为从库没来得及同步从而生成重复的ID
双主设置中，
其中一台机器值生成奇数ID
其中一台机器值生成偶数ID
业务随机从其中一个机器中取出一个ID，如果其中一台挂了，直接从另外一台生成。
1.简单 2.ID递增
1.并发量不够高
2.水平扩展困难
3.安全系数低
incrby key n //n为步长，key代表一个业务
单点吞吐不够，可以使用集群
同一个key在不同的节点上的初始值不同，步长相同，可以保证节点之间的value不相同
1.性能更好
2.ID递增
1.水平扩展困难
2.集群宕机会导致产生重复id
UUID是一组32位的16进制数字，理论上总数为16^32 = 2 ^ 128个
UUID是利用同一时空中的所有机器都是唯一的这一规则来确保唯一性的。
UUID通过系统时间，时钟序列以及全局唯一的机器识别，例如网卡MAC，机器SN等
相对安全，可以保证ID唯一
1.存储麻烦，太长了
2.无法自增
通过上面可以知道，最多可以是2 ^ 10 = 1024个全局唯一节点，最后12bit表示每毫秒生成的一个id序号。
4. 人生的增长算法是什么
就是一个自我发现的过程，努力在不确定的世界里，不断自我成长，自我切割，直至找到你的核心算法，建立自我的某种确定性，然后不断重复，如滚雪球般越滚越大。
滚雪球的特点是什么？就是开始很小，越滚越大。
主题就是增长，就像一辆车里的加速系统。生活就像逆水行舟，假如你不能加速，现实中最好的情况，你也就处于一种原地打转的状态。
怎样才能实现增长？
那些原地打转的人呢？东看看西看看，每天花的时间也很多，看起来也下了不少功夫，却毫无长进，就像猴子掰苞谷。
所以，我们要做的是从“掰苞谷模式”，进化到“滚雪球模式”。
这也是第一流公司的核心心法。2005年，Facebook刚成立没多久，有人提出了一个能够为公司创收的想法，这样就能向投资者证明公司是可以盈利的。听起来很有道理吧，结果公司创始人扎克伯格并不同意，他走到白板前写下了大大的一个词：增长。
为什么呢？扎克伯格认为，公司当时的战略焦点是用户增长，这一点比收入更重要。回头看来，这是Facebook成功的关键。
你想想看，投资人为什么要投Facebook？他们要的就是未来的想象空间。他们更愿意投资一台印钞机，而不是一台收银机。
再想想我们自己，也是一样的道理。对于个人来说，需要有增长思维。更重要的增长是什么？当然不是这个月的工资，而是你的能力和社会网络，以及你未来的赚钱能力。
那怎样才能实现增长呢？
有效的增长，分为三个阶段：1.增长假设；2.增长验证；3.大规模增长。
对于个人来说也是一样，即使你再有能力，你没有增长思维，成长就会受到限制；假如没有基本能力，只谈增长，到头来也是一场空。
概括而言，对于个体来说，增长思维有一个清晰的主线，分为三个阶段。 在输得起的时候快速试错，积极探索，目的是找到可持续的、可规模化的增长公式，也就是你的个人算法。
这个持续改进、快速迭代的过程，在商业领域，有个类似的热门概念，增长黑客，也就是你所做的每一件事，都力求给产品带来持续增长的可能性。
无论是公司还是个人，不行动，你就没有办法获取反馈。当你知道，每一次失败都会为最终的成功，采集数据，你就不会那么害怕失败了。
正如《精益创业》的作者埃里克·莱斯说：“魔力与天才并非成功创业所必需，运用可学习和可复制的科学的创业程序才是最重要的。”
经过假设、验证和执行这三个步骤，你才能迎来真正的爆发式增长，实现全面的扩张。
对个人来说，也是这样，你只有找到可学习可复制的增长模式，你的努力才有可能转化为收获，就像滚雪球一样，越滚越大。
5. 自适应算法的简介
自适应过程是一个不断逼近目标的过程。它所遵循的途径以数学模型表示，称为自适应算法。通常采用基于梯度的算法，其中最小均方误差算法（即LMS算法）尤为常用。自适应算法可以用硬件(处理电路)或软件（程序控制）两种办法实现。前者依据算法的数学模型设计电路，后者则将算法的数学模型编制成程序并用计算机实现。算法有很多种，它的选择很重要，它决定处理系统的性能质量和可行性。
自适应均衡器的原理就是按照某种准则和算法对其系数进行调整最终使自适应均衡器的代价(目标)函数最小化，达到最佳均衡的目的。而各种调整系数的算法就称为自适应算法，自适应算法是根据某个最优准则来设计的。最常用的自适应算法有迫零算法，最陡下降算法，LMS算法，RLS算法以及各种盲均衡算法等。在理论上证明了对于任何统计特性的噪声干扰,VLMS算法优于LMS算法。
自适应算法所采用的最优准则有最小均方误差(LMS)准则，最小二乘(LS)准则、最大信噪比准则和统计检测准则等，其中最小均方误差(LMS)准则和最小二乘(LS)准则是目前最为流行的自适应算法准则。由此可见LMS算法和RLS算法由于采用的最优准则不同，因此这两种算法在性能，复杂度等方面均有许多差别。
6. 什么是最小均方差准则
【最小均方差准则】就是均方误差最小准则。即选择一组时域采样值，采用最小均方误差算法（自适应算法的一种），以使均方误差最小，从而达到最优化设计。这一方法注重的是在整个频率区间内，总误差全局最小，但不能保证局部频率点的性能，有些频点可能会有较大的误差。
【自适应算法】是指处理和分析过程中，根据处理数据的数据特征自动调整处理方法、处理顺序、处理参数、边界条件或约束条件，使其与所处理数据的统计分布特征、结构特征相适应，以取得最佳的处理效果。自适应过程是一个不断逼近目标的过程。它所遵循的途径以数学模型表示，称为自适应算法。通常采用基于梯度的算法，其中最小均方误差算法（即LMS算法）尤为常用。
7. VisualC++数字图像处理的目录
第1章VisuaIC++数字图像编程基础
1．1图像、颜色表和色彩空间
1．1．1图1象
1．1．2图像的矩阵表示
1．1.3颜色表
1．1.4彩色空问
1．1．5灰度图像和彩色图像
1．2BMP文件结构及其存取
1．2．1BMP文件结构
1．2．2BMP图像文件的读写
1．2．3BMP图像位图数据的访问
1．2．4灰度图像的颜色表
1．3GDI对象及GDI位图
1．3．1从资源中装入GDI位图
1.3．2对位图进行伸缩处理
1．4设备无关位图(DIB)
1．4．1调色板
1.4．2DIB访问函数
1．4.3面向过程的DIB的读写及访问
1．4．4面向对象的DIB的读写及访问——ImgCenterDib类
1.4．5使用ImgCenterDib进行图像可视化编程
1．5面向对象的图像处理算法实现
1．5．1特效显示类SpecialEffectShow的定义
1．5.2图像的扫描显示
1．5.3图像的滑动显示
1．5．4图像的渐进显示
1．5．5图像的马赛克显示
1．6本章小结
第2章图像的灰度变换
2．1灰度变换类(GrayTrans)
2．1．1灰度变换类(GrayTrans)的定义
2．1．2GrayTrans类的构造函数和析构函数
2．1_3彩色和灰度格式问的转换
2．2灰度的线性变换
2．2．1负相变换
2．2．2二值化和阈值处理2．2.3分段线性变换
2．3灰度的非线性变换
2.3．1对数函数非线性变换
2．3．2指数函数非线性变换
2．4灰度直方图
2．4．1直方图类(Histogram)
2．4．2编程实现直方图的绘制
2．4．3直方图均衡
2．5本章小结
第3章图像的几何变换
3．1几何校正与几何变换
3．2几何变换类(GeometrvTrans)
3．2．1几何变换类(GeometryTrans)的定义
3．2．2GeometryTrans类的构造函数和析构函数
3．3图像的平移
3．4图像的转置
3．5图像的镜像变换
3．6图像的插值算法
3．7图像的缩放
3．8图像的旋转
3．8．1简单角度的旋转
3．8．2任意角度的旋转
3．9本章小结
第4章图像的变换域处理
4．1傅里叶变换
4．1．1傅里叶变换的理论基础
4．1．2二维离散傅里叶变换的性质
4．1.3快速傅里叶变换(FFT)
4．1．4快速傅里叶变换类(Transform_FFT)
4．1．5Transform_FFT类的实现
4．1．6傅里叶变换在图像处理中的应用
4．2离散余弦变换
4．2．1基础理论
4．2.2离散余弦变换类(Transform_DCT)的定义
4．2．3离散余弦变换类(TransforTn_DCT)的实现
4．2.4离散余弦变换的实验结果
4．3图像的小波变换及其应用
4．3．1小波变换的基本理论
4．3．2尺度函数与小波
4．3．3Mallat算法与塔式分解
4.3．4图像的多分辨分解与重建
4．3．5小波变换类的定义
4．3．6小波变换类的实现
4.3．7小波在图像去噪中的应用
4．4本章小结
第5章图像增强处理
5．1图像增强类
5．1．1图像增强类的定义
5．1．2CImgEnhance类的构造函数和析构函数
5．2图像中的噪声模型
5．2．1噪声来源
5．2．2编程实现噪声添加
5．2.3编程实现信噪比的计算
5.3图像灰度修正
5．3．1灰度校正
5．3．2其他灰度修正方法
5．4图像的平滑
5．4．1邻域平均法
5．4．2加权平均
5．4．3选择式掩模平滑
5．4.4中值滤波
5．5图像的锐化
5．5．1梯度锐化
5．5．2拉普拉斯掩模锐化
5．6本章小结
第6章图像分割
6．1图像分割类(ImgSegment)
6．1．1ImgSegment类的定义
6．1.2ImgSegment类的构造函数和析构函数
6．2阈值分割
6．2．1阈值分割原理
6．2．2最大方差阈值分割
6．2.3交互式阈值分割
6.3边缘检测
6．3．1边缘检测原理
6．3.2常用边缘算子
6．3.3自定义模板边缘
6．4生长算法
6．4．1区域生长
6．4．2轮廓提取和边界跟踪
6．5Hough变换
6．6本章小结
第7章图像复原
7．1建立图像退化模型
7．1．1图像的退化模型
7．1．2连续的退化模型
7．1.3离散的退化模型
7．2运动模糊图像复原的基本原理
7.2．1运动模糊图像形成过程的描述
7．2．2匀速直线运动模糊的退化模型
7．2．3匀速直线运动的点扩散函数参数确定
7．3典型的运动模糊图像复原方法
7．3．1图像恢复类的定义
7．3．2ImageRestoreExt类构造函数与析构函数
7．3．3逆滤波
7．3．4维纳滤波
7．3．5振铃效应的抑制
7．4其他恢复方法
7．4．1投影恢复法
7.4．2Richardson-Lucy算法
7．4．3几种恢复方法的性能比较
7．5图像复原质量评价
7．5．1有参照图像质量评价
7．5．2无参照图像质量评价
7．6本章小结
第8章图像的形态学处理
8．1数学形态学类(Morphology)
8．1．1Morphology类的定义
8．1．2构造函数和析构函数
8．2二值数学形态学
8．2．1二值数学形态学的相关概念
8．2．2结构元素输入函数
8．2.3二值腐蚀和膨胀
8．2.4二值开运算和闭运算
8．2．5二值形态学边界
8．2．6击中击不中变换与细化算法
8．3灰值形态学
8.3．1灰值形态学的相关概念
8．3．2灰值腐蚀和膨胀
8．3.3灰值开运算和闭运算
8.3．4灰值形态学梯度
8．3．5Top-Hat变换
8．4水域分割
8．4．1水域分割原理
8.4．2水域分割类(Watershed)
8．4.3Watershed类的实现
8．4.4水域分割函数的调用
8．5本章小结
第9章运动图像分析及其应用
9．1运动图像分析涉及的基本问题
9．1．1运动图像分析
9．1．2运动的分类
9．1．3运动的表达
9．2频域运动估计方法
9．2．1归一化相位相关方法
9．2．2基于相位差的运动估计方法
9．3运动目标检测与跟踪
9.3．1静止背景下的运动目标检测
9．3．2动态背景下的运动目标检测一
9．3．3基于MeanShift的运动目标跟踪方法
9．4运动分析在电视跟踪测量系统中的典型应用
9．4．1电视跟踪测量系统的基本工作原理
9．4．2目标的提取与跟踪
9.4.3简单场景的目标检测与跟踪
9．4.4复杂场景下的金字塔模板匹配跟踪方法
9．5本章小结
第10章图像配准
10．1图像配准的定义
10．2图像配准类(Register)
10．2．1Register类的定义
10．2．2Register类的构造函数和析构函数
10．2．3Register类输入数据的接口函数
10．3模板匹配法
10.4基于Harris角点特征的图像配准
10．4．1Harris角点检测及其算法实现
10．4.2基于奇异值分解的角点匹配及其算法实现
10．5基于相位相关的图像配准
10．6本章小结
参考文献
……
8. Excel自定义算法
公式为：
=INDEX(C2:I6,MATCH(K2,B2:B6,),MATCH(L2,C7:I7,))
如图所示：