僅僅是普通表達(dá)式的話，定義數(shù)據(jù)類型，比如從單精度改為雙精度，如果想保留小數(shù)點(diǎn)位數(shù)，用formatnumber來處理。如果是某個(gè)算法的精度，就要復(fù)雜一些，要定義一個(gè)誤差，在算法迭代過程中，用while語句判斷計(jì)算結(jié)果的殘差是否小于定義的誤差值，至于殘差如何計(jì)算，與你的算法有關(guān)
成都創(chuàng)新互聯(lián)公司是一家集網(wǎng)站建設(shè),赤坎企業(yè)網(wǎng)站建設(shè),赤坎品牌網(wǎng)站建設(shè),網(wǎng)站定制,赤坎網(wǎng)站建設(shè)報(bào)價(jià),網(wǎng)絡(luò)營銷,網(wǎng)絡(luò)優(yōu)化,赤坎網(wǎng)站推廣為一體的創(chuàng)新建站企業(yè)，幫助傳統(tǒng)企業(yè)提升企業(yè)形象加強(qiáng)企業(yè)競(jìng)爭(zhēng)力。可充分滿足這一群體相比中小企業(yè)更為豐富、高端、多元的互聯(lián)網(wǎng)需求。同時(shí)我們時(shí)刻保持專業(yè)、時(shí)尚、前沿，時(shí)刻以成就客戶成長(zhǎng)自我，堅(jiān)持不斷學(xué)習(xí)、思考、沉淀、凈化自己，讓我們?yōu)楦嗟钠髽I(yè)打造出實(shí)用型網(wǎng)站。
圖像二值化的目的是最大限度的將圖象中感興趣的部分保留下來，在很多情況下，也是進(jìn)行圖像分析、特征提取與模式識(shí)別之前的必要的圖像預(yù)處理過程。這個(gè)看似簡(jiǎn)單的問題，在過去的四十年里受到國內(nèi)外學(xué)者的廣泛關(guān)注，產(chǎn)生了數(shù)以百計(jì)的閾值選取方法，但如同其他圖像分割算法一樣，沒有一個(gè)現(xiàn)有方法對(duì)各種各樣的圖像都能得到令人滿意的結(jié)果。
本文針對(duì)幾種經(jīng)典而常用的二值發(fā)放進(jìn)行了簡(jiǎn)單的討論并給出了其vb.net 實(shí)現(xiàn)。
1、P-Tile法
Doyle于1962年提出的P-Tile (即P分位數(shù)法)可以說是最古老的一種閾值選取方法。該方法根據(jù)先驗(yàn)概率來設(shè)定閾值，使得二值化后的目標(biāo)或背景像素比例等于先驗(yàn)概率，該方法簡(jiǎn)單高效，但是對(duì)于先驗(yàn)概率難于估計(jì)的圖像卻無能為力。
2、OTSU 算法（大津法）
OSTU算法可以說是自適應(yīng)計(jì)算單閾值（用來轉(zhuǎn)換灰度圖像為二值圖像）的簡(jiǎn)單高效方法。1978 OTSU年提出的最大類間方差法以其計(jì)算簡(jiǎn)單、穩(wěn)定有效，一直廣為使用。
3、迭代法（最佳閥值法）
(1)． 求出圖象的最大灰度值和最小灰度值，分別記為Zl和Zk，令初始閾值為：
(2)． 根據(jù)閾值TK將圖象分割為前景和背景，分別求出兩者的平均灰度值Z0和ZB:
式中，Z(i,j）是圖像上(i,j)點(diǎn)的象素值，N(i,j)是(i,j)點(diǎn)的權(quán)值，一般取1。
(3)． 若TK=TK+1，則所得即為閾值，否則轉(zhuǎn)2，迭代計(jì)算。
4、一維最大熵閾值法
它的思想是統(tǒng)計(jì)圖像中每一個(gè)灰度級(jí)出現(xiàn)的概率 ，計(jì)算該灰度級(jí)的熵 ,假設(shè)以灰度級(jí)T分割圖像，圖像中低于T灰度級(jí)的像素點(diǎn)構(gòu)成目標(biāo)物體（O），高于灰度級(jí)T的像素點(diǎn)構(gòu)成背景（B），那么各個(gè)灰度級(jí)在本區(qū)的分布概率為：
O區(qū)： i=1,2……,t
B區(qū)： i=t+1,t+2……L-1
上式中的 ,這樣對(duì)于數(shù)字圖像中的目標(biāo)和背景區(qū)域的熵分別為：
對(duì)圖像中的每一個(gè)灰度級(jí)分別求取W=H0 +HB，選取使W最大的灰度級(jí)作為分割圖像的閾值，這就是一維最大熵閾值圖像分割法。
看了你說遞歸的效率低。那么你可以不用的。
給出的方法就是先生成第一個(gè)排列，然后每次調(diào)用下面的函數(shù)給出下一個(gè)排列，這樣生成的效率很高，這個(gè)函數(shù)可以內(nèi)聯(lián)。
這個(gè)是很經(jīng)典的排列組合算法??？在網(wǎng)上能搜到一大堆。
大概是那種帶指向的移動(dòng)的算法。我給你搜一個(gè)吧。
我找了幾個(gè)，這個(gè)是我覺得說的比較清楚的，你可以仔細(xì)參考一下，看不懂的話再搜點(diǎn)別的好了。。
全排列的算法跟這個(gè)不太一樣的。需要有點(diǎn)改動(dòng)的。
至于語言的話，應(yīng)該不會(huì)有太大問題吧。。basic版的確實(shí)比較少，現(xiàn)在我也比較懶不想動(dòng)手寫。。還是要靠你自己啦。
★生成排列的算法：
比如要生成5，4，3，2，1的全排列，首先找出一個(gè)最小的排列12345, 然后依次調(diào)用n!次STL算法中的next_permutation()即可輸出所有的全排列情況。所以這種算法的細(xì)節(jié)就是STL algorithm中next_permutation()的實(shí)現(xiàn)機(jī)制。詳細(xì)的實(shí)現(xiàn)代碼，大伙可以參考侯捷的《STL源代碼剖析》，在這里我只說一下我的理解：
1 首先從最尾端開始往前尋找兩個(gè)相鄰元素，令第一個(gè)元素為*i,第二個(gè)元素為*ii，且滿足*i*ii，找到這樣一組相鄰的元素后。
2 再從最尾端開始往前檢驗(yàn)，找出第一個(gè)大于*i的元素，令為*k，將i,k元素對(duì)調(diào)。
3 再將ii及ii之后的所有元素顛倒排列，此即所求之"下一個(gè)"排列。
prev_permutation()算法的思路也基本相同，只不過它們尋找的"拐點(diǎn)"不同，在next_permutation()算法中尋找的是峰值拐點(diǎn)，而在prev_permutation()算法中尋找的是谷值拐點(diǎn)。另外，在第二步中，prev_permutation()要找的是第一個(gè)小于*i的元素而不是第一個(gè)大于*i的元素。
具體例子，有空再舉，現(xiàn)在時(shí)間太晚了:)
★生成組合的算法：
如下面截圖所示，分全組合和r-組合兩種情況。
這里有一段核心代碼：
//--------------------------------------------------------
// Generate next combination (algorithm from Rosen p. 286)
//--------------------------------------------------------
public int[] getNext () {
if (numLeft.equals (total)) {
numLeft = numLeft.subtract (BigInteger.ONE);
return a;
}
int i = r - 1;
while (a[i] == n - r + i) {
i--;
}
a[i] = a[i] + 1;
for (int j = i + 1; j r; j++) {
a[j] = a[i] + j - i;
}
numLeft = numLeft.subtract (BigInteger.ONE);
return a; //這里返回的a數(shù)組，存儲(chǔ)的就是下標(biāo)的排列組合。
}
到這里，也許大伙會(huì)有一個(gè)疑問，假如要求的不是數(shù)字的排列組合，而是字符或字符串的排列組合呢？怎么辦？其實(shí)很簡(jiǎn)單，你只要拿數(shù)組的下標(biāo)來做排列組合，返回他們下標(biāo)的排列組合，然后再到原數(shù)組中讀取字符串值，就可以輸出全部的排列組合結(jié)果。
沒錯(cuò)!!
你的算法是：
1.定義三個(gè)變量，minValue（放最小值），X（放最小值的X坐標(biāo)），Y（放最小值的Y坐標(biāo)）。
2.遍歷矩陣。在遍歷過程中將最小值放在minValue中，最小值的X坐標(biāo)放在X中，最小值的Y坐標(biāo)放在X中。
重慶分公司
重慶分公司
