最大空间算法

⑴ 常用的数据挖掘算法有哪几类

常用的数据挖掘算法分为以下几类：神经网络，遗传算法，回归算法，聚类分析算法，贝耶斯算法。

目前已经进入大数据的时代，所以数据挖掘和大数据分析的就业前景非常好，学好大数据分析和数据挖掘可以在各个领域中发挥自己的价值；同时，大数据分析并不是一蹴而就的事情，而是需要你日积月累的数据处理经验，不是会被轻易替代的。一家公司的各项工作，基本上都都用数据体现出来，一位高级的数据分析师职位通常是数据职能架构中领航者，拥有较高的分析和思辨能力，对于业务的理解到位，并且深度知晓公司的管理和商业行为，他可以负责一个子产品或模块级别的项目，带领团队来全面解决问题，把控手下数据分析师的工作质量。

想要了解更多有关数据挖掘算法的信息，可以了解一下CDA数据分析师的课程。课程教你学企业需要的敏捷算法建模能力，可以学到前沿且实用的技术，挖掘数据的魅力;教你用可落地、易操作的数据科学思维和技术模板构建出优秀模型，只教实用干货，以专精技术能力提升业务效果与效率。点击预约免费试听课。

⑵ 2015考研：计算机数据结构常用算法（9）

第九章内部排序(在内存中进行的枝银排序不需要访问外存的)外部排序(排序量很大，过分批的读写外存，最终完成排序)
稳定排猛猛宴序和非稳定排序：看相同记录的相对次序是否回发生改变。主要看在排序过程中的比较是不是相邻记录，如果是相知衡邻比较，一定是稳定的排序。如果不是相邻的比较，就是不稳定的。
内排序方法 截止目前，各种内排序方法可归纳为以下五类：
(1)插入排序(2)交换排序(3)选择排序(4)归并排序 (5)基数排序。
插入排序：包括直接插入排序和希尔排序
直接插入排序：(稳定的)
算法描述
void Insort (sqList &L) ∥对顺序文件F直接插入排序的算法∥
int i,j
for (i=2i<=L.leni++) ∥插入n-1个记录∥

if(L.R[i].key
L.R[0]=L.R[i] ∥待插入记录先存于监视哨∥
L.R[i]=L.R[i-1]
for(j=i-2L.R[0].key
L.R[j+1]=L.R[j] ∥记录顺序后移∥
L.R[j+1]=L.R[0] ∥原R[i]插入j+1位置∥

算法分析
设排序中key比较次数为C，C最小时记为Cmin，最大时记为Cmax。
(1)当原来就有序(正序)时，每插入一个R[i]只需比较key一次，即：
(2)当原本逆序(key从大到小)时，每插入一个R[i]要和子表中i-1个key比较，加上同自身R[0]的比较，此时比较次数最多，即：
(3)记录总的移动次数m(m最小时记为mmin，最大时记为mmax)
正序时，子表中记录的移动免去，即：
逆序时，插入R[i]牵涉移动整个子表。移动次数为2+(i-1)=i+1，此时表的移动次数最大，即：
排序的时间复杂度取耗时最高的量级，故直接插入排序的T(n)=O(n2)。
Shell(希尔)排序又称“缩小增量”排序(不稳定的)
交换类的排序：(起泡排序和快速排序)
起泡排序算法描述
void Bubsort (sqList &L)
int i,flag ∥flag为记录交换的标记∥
Retype temp
for (i=L.leni>=2i--) ∥最多n-1趟排序∥
flag=0 //记录每一趟是否发生了交换
for (j=1j<=i-1j++) ∥一趟的起泡排序∥
if (L.R[j].key>L.R[j+1].key) ∥两两比较∥
temp=L.R[j] ∥R[j] Û R[j+1]∥
L.R[j]=L.R[j+1]
L.R[j+1]=temp
flag=1

if (flag==0) break ∥无记录交换时排序完毕∥

算法分析
设待排长度为n，算法中总的key比较次数为C。若正序，第一趟就无记录交换，退出循环，Cmin=n-1=O(n)若逆序，则需n-1趟排序，每趟key的比较次数为i-1(2&lei&len)，故：
同理，记录的最大移动次数为：
故起泡排序的时间复杂度T(n)=O(n2)。并且是稳定的。
快速排序：(不稳定的，时间复杂度O(nlogn))，不需要辅助空间，但有最好和最差之分
分割算法
int Partition(Sqlist&L,int low,int high)
L.R[0]=L.R[low]
pivotkey=L.R[low].key
while(low
while(low=pivotkey)
--high
L.R[low]=L.R[high]
while(low
++low
L.R[high]= L.R[low]

return low

总控函数：
void QSort(Sqlist&L,int low,int high)
if(low

pivotloc=Partition(L,low,high)
QSort(L,low,pivotloc-1)
QSort(L,pivotloc+1,high)

调用方法：QSort(L,1,L,lenght)
算法分析：
若 原本就正序或逆序，每次调用一次后，记录数只减少了一个，故此时T(n)=C(n+(n-1)+……+1)=O(n2)。这是快速排序效率最差的情况。所以快速排序算法有待改进。
简单选择排序： 属于稳定排序时间复杂度(O(n2))
算法描述
void Slectsort (Sqlist& L) ∥直接选择排序的算法∥

for (i=1i

j=SeloctMinkey(L,i) //从i到L.len中选择key最小的记录
if (i!=j)
temp=L.R[i]
L.R[i]=L.R[j]
L.R[j]=temp

堆排序：属于选择排序 不稳定，时间复杂度(O(nlogn))，没有最好和最差的分别，也需 要辅助的栈空间
若ki&gek2i、ki&gek2i+1。此时，根结点k1的值最大，称为“大根堆”。
若ki&lek2i、ki&lek2i+1满足“”关系，则k1最小，称为“小根堆”。
在堆排序中，我们采用的是大根堆，原因是大根堆中，根最大，对删除很方便，直接把它与最后一个叶子结点交换就可以了。
记录key集合k=k1 k2……kn， 排序 分两步进行：
(1)将k1 k2……kn建成一个大根堆
(2)取堆的根(key最大者)，然后将剩余的(n-1)个key又调整为堆，再取当前堆
的根(key次大者)，……，直到所有key选择完毕。
一个元素的堆调整算法：
//已知H.R[s...m]除H.R[s]之外，均满足堆的定义，本函数只是将H.R[s]放到已经是堆的堆中
void HeapAdjust (SqList& H, int s, int m) ∥将(H.R[s]……H.R[m])调整成大根堆∥

rc=H.R[s] ∥暂存H.R[s]∥
for(j=2sj<=m j=2 )//沿key较大的孩子结点向下筛选

if (jL.R[j].key) j++ ∥令j为s的左右孩子key最大者的序号
if (rc.key>L.R[j].key)
break//说明H.R[s]已经比当前堆中的所有元素大，已经是堆了，不需要调整了
L.R[s]=L.R[j] ∥把最大的放到根结点
s=j ∥把s与j交换，使得s与下层的堆比较

L.R[s]=rc ∥最初的根回归∥

void Heapsort (SqList& H) ∥ 堆排序算法∥

//初始建堆
for (i=L.len/2 i>=1 i--) //从完全二叉树的最后一个非叶子结点开始
HeapAdjust (L,i,L.len) ∥调整(R[i]……R[n])为堆∥
//每次取下根(最大的元素)所谓的取下，只是放到数组最后，改变一下数组的下界
for (i=L.leni>=2i--) ∥总共摘n-1次∥
temp=F.R[1] ∥根与当前最后一个结点互换∥
F.R[1]=F.R[i]
F.R[i]=temp
HeapAdjust (L ,1,i-1) ∥把最后一个元素调整到合适的位置∥

二路归并排序：(稳定的，时间复杂度O(nlogn)又稳定又效率高，但需要辅助空间TR[1....n]
二路归并得核心操作是将一维数组中前后相邻的两个有序序列归并为一个有序序列
(注意这就是线型表中我们常考的那个，两个有序链表合成一个新的有序表)
算法描述如下：
void Merge(RcdType SR[],RcdType&TR[],int i,int m,int n)
//将有序的SR[i...m]和SR[m+1....n]归并为有序的TR[i....n]

for(j=m+1,k=i i<=m&&j<=n ++k) //谁小就先将谁放进TR
if(SR[i].key<=SR[j].key)
TR[k]=SR[i++]
else
TR[k]=SR[j++]

if(i<=m) //将剩余的SR 直接放到TR
TR[k....n]=SR[i...m]
if(j<=n) //将剩余的SR 直接放到TR
TR[k...n]=SR[j....n]

void MSort(RcdType SR[], RcdType&TR1[], int s, int t)
//将SR[s...t]归并排序为TR1[s...t]
if(s= =t) //只有一个元素
TR1[s]=SR[s]
else

m=(s+t)/2//将SR[]平分为两半
MSort(SR, TR2, s, m)
MSort(SR, TR2, m+1, t)
Merge(TR2, TR1, s, m, t)

以上就是第9章节有关数据结构算法，希望考生对于这些算法能够熟记于心，方便考试的应用和日后的实际操作。最后，猎考考研祝大家考试成功!
推荐阅读：
2015考研：计算机数据结构常用算法汇总

考研有疑问、不知道如何总结考研考点内容、不清楚考研报名当地政策，点击底部咨询官网，免费领取复习资料：https://www.87dh.com/xl/

⑶ 为什么FAT FAT32格式最大可存入文件是4G，不是4.1、3.9存储硬件的空间算法是如何计算的

FAT32是微软推出的分区格式，微软当年所做的规定就是单个文件最大不超过空启斗2的斗磨32次方，旁冲也就是4GB。

NTFS是随着Windows NT系统诞生的，扩大了支持文件的大小，扩大了分区大小限制，增加了文件安全性的一些属性，还增加了数据压缩功能。但后来由于个人电脑的数据量越来越大，NTFS才被带到了个人电脑领域。

⑷ 需要掌握哪些大数据算法

数据挖掘领域的十大经典算法：C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Naive Bayes, and CART。

1、C4.5算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3算法。
2、2、k-means algorithm算法是一个聚类算法，把n的对象根据他们的属性分为k个分割，k < n。
3、支持向量机，英文为Support Vector Machine，简称SV机（论文中一般简称SVM）。它是一种监督式学习的方法，它广泛的应用于统计分类以及回归分析中。
4、Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。
5、最大期望（EM）算法。在统计计算中，最大期望（EM，Expectation–Maximization）算法是在概率（probabilistic）模型中寻找参数最大似然 估计的算法，其中概率模型依赖于无法观测的隐藏变量（Latent Variabl）。
6、PageRank是Google算法的重要内容。2001年9月被授予美国专利，专利人是Google创始人之一拉里·佩奇（Larry Page）。因此，PageRank里的page不是指网页，而是指佩奇，即这个等级方法是以佩奇来命名的。
7、Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器 (强分类器)。
8、K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。
9、Naive Bayes。在众多的分类模型中，应用最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型（Naive Bayesian Model，NBC）。
10、CART, Classification and Regression Trees。 在分类树下面有两个关键的思想。

关于大数据算法的相关问题推荐CDA数据分析师的相关课程，课程内容兼顾培养解决数据挖掘流程问题的横向能力以及解决数据挖掘算法问题的纵向能力。要求学生具备从数据治理根源出发的思维，通过数字化工作方法来探查业务问题，通过近因分析、宏观根因分析等手段，再选择业务流程优化工具还是算法工具，而非“遇到问题调算法包”点击预约免费试听课。

⑸ 数据挖掘十大算法-

整理里一晚上的数据挖掘算法，其中主要引自wiki和一些论坛。发布到上作为知识共享，但是发现Latex的公式转码到网页的时候出现了丢失，暂时没找到解决方法，有空再回来填坑了。

——编者按

一、 C4.5

C4.5算法是由Ross Quinlan开发的用于产生决策树的算法[1]，该算法是对Ross Quinlan之前开发的ID3算法的一个扩展。C4.5算法主要应用于统计分类中，主要是通过分析数据的信息熵建立和修剪决策树。

1.1 决策树的建立规则

在树的每个节点处，C4.5选择最有效地方式对样本集进行分裂，分裂规则是分析所有属性的归一化的信息增益率，选择其中增益率最高的属性作为分裂依据，然后在各个分裂出的子集上进行递归操作。

依据属性A对数据集D进行分类的信息熵可以定义如下：

划分前后的信息增益可以表示为：

那么，归一化的信息增益率可以表示为：

1.2 决策树的修剪方法

C4.5采用的剪枝方法是悲观剪枝法(Pessimistic Error Pruning，PEP)，根据样本集计算子树与叶子的经验错误率，在满足替换标准时，使用叶子节点替换子树。

不妨用K表示训练数据集D中分类到某一个叶子节点的样本数，其中其中错误分类的个数为J，由于用估计该节点的样本错误率存在一定的样本误差，因此用表示修正后的样本错误率。那么，对于决策树的一个子树S而言，设其叶子数目为L(S)，则子树S的错误分类数为：

设数据集的样本总数为Num，则标准错误可以表示为：

那么，用表示新叶子的错误分类数，则选择使用新叶子节点替换子树S的判据可以表示为：

二、KNN

最近邻域算法(k-nearest neighbor classification, KNN)[2]是一种用于分类和回归的非参数统计方法。KNN算法采用向量空间模型来分类，主要思路是相同类别的案例彼此之间的相似度高，从而可以借由计算未知样本与已知类别案例之间的相似度，来实现分类目标。KNN是一种基于局部近似和的实例的学习方法，是目前最简单的机器学习算法之一。

在分类问题中，KNN的输出是一个分类族群，它的对象的分类是由其邻居的“多数表决”确定的，k个最近邻居（k为正整数，通常较小）中最常见的分类决定了赋予该对象的类别。若k = 1，则该对象的类别直接由最近的一个节点赋予。在回归问题中，KNN的输出是其周围k个邻居的平均值。无论是分类还是回归，衡量邻居的权重都非常重要，目标是要使较近邻居的权重比较远邻居的权重大，例如，一种常见的加权方案是给每个邻居权重赋值为1/d，其中d是到邻居的距离。这也就自然地导致了KNN算法对于数据的局部结构过于敏感。

三、Naive Bayes

在机器学习的众多分类模型中，应用最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型(Naive Bayesian Model，NBC)[3]。朴素贝叶斯模型发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。同时，NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。

在假设各个属性相互独立的条件下，NBC模型的分类公式可以简单地表示为：

但是实际上问题模型的属性之间往往是非独立的，这给NBC模型的分类准确度带来了一定影响。在属性个数比较多或者属性之间相关性较大时，NBC模型的分类效率比不上决策树模型；而在属性相关性较小时，NBC模型的性能最为良好。

四、CART

CART算法(Classification And Regression Tree)[4]是一种二分递归的决策树，把当前样本划分为两个子样本，使得生成的每个非叶子结点都有两个分支，因此CART算法生成的决策树是结构简洁的二叉树。由于CART算法构成的是一个二叉树，它在每一步的决策时只能是“是”或者“否”，即使一个feature有多个取值，也是把数据分为两部分。在CART算法中主要分为两个步骤：将样本递归划分进行建树过程；用验证数据进行剪枝。

五、K-means

k-平均算法(k-means clustering)[5]是源于信号处理中的一种向量量化方法，现在则更多地作为一种聚类分析方法流行于数据挖掘领域。k-means的聚类目标是：把n个点（可以是样本的一次观察或一个实例）划分到k个聚类中，使得每个点都属于离他最近的均值（此即聚类中心）对应的聚类。

5.1 k-means的初始化方法

通常使用的初始化方法有Forgy和随机划分(Random Partition)方法。Forgy方法随机地从数据集中选择k个观测作为初始的均值点；而随机划分方法则随机地为每一观测指定聚类，然后执行“更新”步骤,即计算随机分配的各聚类的图心，作为初始的均值点。Forgy方法易于使得初始均值点散开，随机划分方法则把均值点都放到靠近数据集中心的地方；随机划分方法一般更适用于k-调和均值和模糊k-均值算法。对于期望-最大化(EM)算法和标准k-means算法，Forgy方法作为初始化方法的表现会更好一些。

5.2 k-means的标准算法

k-means的标准算法主要包括分配(Assignment)和更新(Update)，在初始化得出k个均值点后，算法将会在这两个步骤中交替执行。

分配(Assignment)：将每个观测分配到聚类中，使得组内平方和达到最小。

更新(Update)：对于上一步得到的每一个聚类，以聚类中观测值的图心，作为新的均值点。

六、Apriori

Apriori算法[6]是一种最有影响的挖掘布尔关联规则频繁项集的算法，其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。Apriori采用自底向上的处理方法，每次只扩展一个对象加入候选集，并且使用数据集对候选集进行检验，当不再产生匹配条件的扩展对象时，算法终止。

Apriori的缺点在于生成候选集的过程中，算法总是尝试扫描整个数据集并尽可能多地添加扩展对象，导致计算效率较低；其本质上采用的是宽度优先的遍历方式，理论上需要遍历次才可以确定任意的最大子集S。

七、SVM

支持向量机(Support Vector Machine, SVM)[7]是在分类与回归分析中分析数据的监督式学习模型与相关的学习算法。给定一组训练实例，每个训练实例被标记为属于两个类别中的一个或另一个，SVM训练算法创建一个将新的实例分配给两个类别之一的模型，使其成为非概率二元线性分类器。SVM模型是将实例表示为空间中的点，这样映射就使得单独类别的实例被尽可能宽的明显的间隔分开。然后，将新的实例映射到同一空间，并基于它们落在间隔的哪一侧来预测所属类别。

除了进行线性分类之外，SVM还可以使用所谓的核技巧有效地进行非线性分类，将其输入隐式映射到高维特征空间中，即支持向量机在高维或无限维空间中构造超平面或超平面集合，用于分类、回归或其他任务。直观来说，分类边界距离最近的训练数据点越远越好，因为这样可以缩小分类器的泛化误差。

八、EM

最大期望算法(Expectation–Maximization Algorithm, EM)[7]是从概率模型中寻找参数最大似然估计的一种算法。其中概率模型依赖于无法观测的隐性变量。最大期望算法经常用在机器学习和计算机视觉的数据聚类（Data Clustering）领域。最大期望算法经过两个步骤交替进行计算，第一步是计算期望(E)，利用对隐藏变量的现有估计值，计算其最大似然估计值；第二步是最大化(M)，最大化在E步上求得的最大似然值来计算参数的值。M步上找到的参数估计值被用于下一个E步计算中，这个过程不断交替进行。

九、PageRank

PageRank算法设计初衷是根据网站的外部链接和内部链接的数量和质量对网站的价值进行衡量。PageRank将每个到网页的链接作为对该页面的一次投票，被链接的越多，就意味着被其他网站投票越多。

算法假设上网者将会不断点网页上的链接，当遇到了一个没有任何链接出页面的网页，这时候上网者会随机转到另外的网页开始浏览。设置在任意时刻，用户到达某页面后并继续向后浏览的概率，该数值是根据上网者使用浏览器书签的平均频率估算而得。PageRank值可以表示为：

其中，是被研究的页面集合，N表示页面总数，是链接入页面的集合，是从页面链接处的集合。

PageRank算法的主要缺点是的主要缺点是旧的页面等级会比新页面高。因为即使是非常好的新页面也不会有很多外链，除非它是某个站点的子站点。

十、AdaBoost

AdaBoost方法[10]是一种迭代算法，在每一轮中加入一个新的弱分类器，直到达到某个预定的足够小的错误率。每一个训练样本都被赋予一个权重，表明它被某个分类器选入训练集的概率。如果某个样本点已经被准确地分类，那么在构造下一个训练集中，它被选中的概率就被降低；相反，如果某个样本点没有被准确地分类，那么它的权重就得到提高。通过这样的方式，AdaBoost方法能“聚焦于”那些较难分的样本上。在具体实现上，最初令每个样本的权重都相等，对于第k次迭代操作，我们就根据这些权重来选取样本点，进而训练分类器Ck。然后就根据这个分类器，来提高被它分错的的样本的权重，并降低被正确分类的样本权重。然后，权重更新过的样本集被用于训练下一个分类器Ck[，并且如此迭代地进行下去。

AdaBoost方法的自适应在于：前一个分类器分错的样本会被用来训练下一个分类器。AdaBoost方法对于噪声数据和异常数据很敏感。但在一些问题中，AdaBoost方法相对于大多数其它学习算法而言，不会很容易出现过拟合现象。AdaBoost方法中使用的分类器可能很弱（比如出现很大错误率），但只要它的分类效果比随机好一点（比如两类问题分类错误率略小于0.5），就能够改善最终得到的模型。而错误率高于随机分类器的弱分类器也是有用的，因为在最终得到的多个分类器的线性组合中，可以给它们赋予负系数，同样也能提升分类效果。

引用

[1] Quinlan, J. R. C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers, 1993.

[2] Altman, N. S. An introction to kernel and nearest-neighbor nonparametric regression. The American Statistician. 1992, 46 (3): 175–185. doi:10.1080/00031305.1992.10475879

[3] Webb, G. I.; Boughton, J.; Wang, Z. Not So Naive Bayes: Aggregating One-Dependence Estimators. Machine Learning (Springer). 2005, 58 (1): 5–24. doi:10.1007/s10994-005-4258-6

[4] decisiontrees.net Interactive Tutorial

[5] Hamerly, G. and Elkan, C. Alternatives to the k-means algorithm that find better clusterings (PDF). Proceedings of the eleventh international conference on Information and knowledge management (CIKM). 2002

[6] Rakesh Agrawal and Ramakrishnan Srikant. Fast algorithms for mining association rules in large databases. Proceedings of the 20th International Conference on Very Large Data Bases, VLDB, pages 487-499, Santiago, Chile, September 1994.

[7] Cortes, C.; Vapnik, V. Support-vector networks. Machine Learning. 1995, 20 (3): 273–297. doi:10.1007/BF00994018

[8] Arthur Dempster, Nan Laird, and Donald Rubin. "Maximum likelihood from incomplete data via the EM algorithm". Journal of the Royal Statistical Society, Series B, 39 (1):1–38, 1977

[9] Susan Moskwa. PageRank Distribution Removed From WMT. [October 16, 2009]

[10] Freund, Yoav; Schapire, Robert E. A Decision-Theoretic Generalization of on-Line Learning and an Application to Boosting. 1995. CiteSeerX: 10.1.1.56.9855

⑹ 什么是扫描仪的最大空间分辨率

在了解最大空间分辨率之前应首先明确扫描仪的分辨率分为光学分辨率和最大空间分辨率，由于最大空间分辨率相当于插值分辨率，并不代表扫描仪的真实分辨率，所以我们在选购扫描仪时应以光学分辨率为准。

最大空间分辨率又称为内插值分辨率或软件分辨率，是通过数学算法增大图像分辨率的方法，但我们在实际购买中要以光学分辨率为准，在光学分辨率相同的条件下，最大空间分辨率只能作为参考。目前最大空间分辨率的算法大致分为三种：

补点法：就是说如磨孙果两个像素之间需要加一个点，就用第一个像素的数据作为这个点的值，这个算法的优点是运算量小，速度快，但效果差，容易造成马赛克现像。

平均值法：就是说如果两个像素之间需要加一个点，就是用这两个点的平均值作为这个点的值，这种算法的效果比补点法要好得多。

二次乘方法：这个算法是各种算法中效果最好的算法，也是运算最复杂的算法，为了得到两个像素之间新增的点的数值，需要取该像素前后左右各两个点的数值，模拟出这四个点数据变化的规律的曲线，从而获得这个点的数值。

目前限于技术水平和扫描速度限制，多数扫描仪在横向插值时采用平均算法，纵向插值时采用瞎高链补点法，只有少数扫描仪在横向和纵向都采用平均值法。与之相比，目前的图像处理软件普遍采用二次乘方作为插值算法，因此生成的图像效果明显好于扫描仪自身插值的效果，因此无论从效果角度还是速度角度讲，扫描时，都不要使用超过扫描仪光学分辨率的精度进行扫描，如确实需要提高扫描精度，可以使用软件进行放大，以获得更好的图像效果。

光学分辨率
光学分率，是指一个设备的光学系统可以采样的实际信息量，决定光学分辨率的各种因素随数字化设备类型的不同而不同。如平板扫描仪，它们的光学分辨率取决于两个因素：线性电荷耦合器件（CCD）的探测器数量和可以接受最大原始图像的宽度。如最大宽度为8.5英寸，CCD为5100单元，那么它的最高水平光学分辨率为600PPI。扫描头在原始图像上扫过的距离确定了垂直分辨率，它可以高于水平光学分辨率。数码摄像机、照相机以及某些透明介质扫描仪一般采用一个矩形电荷耦合器件（CCD）陈列（不是移动式线性电荷耦合器件）。它在任何方向可以捕获的像数总数是固定的。鼓形扫描仪中旋转速度，光源的亮度，步进电机的功能念旁、镜头孔径的尽寸等组合在一起确定其最高光学分辨率。

什么是最大空间分辨率?

最大空间分辨率又叫做内插分辨率，它是在相邻像素之间求出颜色或者灰度的平均值从而增加像素数的办法。内插算法增加了像素数，但不能增添真正的图像细节，因此，我们应更重视光学分辨率。
内插分辨率表示在处理器或软件算法的帮助下扫描仪可以模拟的最高信息密度。内插算法不含增加新的细节。
一般是为了输出已经数字化的图像没有足够的信息量去满足图象的要求，就可以采用内插分辨率增加一些新的像素去提高分辨率和尺寸。但不可能通过内插获得新的细节，而且由于这种方法是对象素值取平均数，实际上会影响图像的清晰度和反差，因而应尽可能地避免使用它。

⑺ 占用辅助空间最多的排序算法

归并排序。辅助空间指的是为局部变量和形参所开辩扒辟的空间，归并排序需要使用与待排序数组相同大小的岩灶老辅助空间，因此占用的辅助空间最多。排序也称排序算法，排序是将一组数据，依指定的顺序进粗升行排列的过程。

⑻ 排序算法中耗时最短，最长，分配空间最大，最小的算法各是什么

最短的是桶排序 O(n)
最长的镇陪是冒泡排序O(n^2)
分尘举配空间是指御兄蠢排序算法的辅助空间还是待排序数据量？