契合企业需求的匠心课程

昆山网上java学习

现在学习Java还有前途吗？

昆山网上java学习

在互联网行业，Java工程师是一个技术含量非常高的岗位，支撑了互联网行业的半壁江山，全世界有一千万Java程序员，目前还在有更多的计算机爱好者向Java的大门奔来。Java发展了20多年，关于Java的悲观论调也不时出现，现在学Java还有前途吗？是否已经过了红利期了呢？

Java作为所有编程语言中热门技术，可以说它无处不在，目前全球有着数十亿的设备正在运行着Java，很多服务器程序都是用Java编写，用以处理每天超过数以千万的数据。

无论是手机软件、手机Java游戏还是电脑软件，每一次购物到每一笔支付成功，都离不开Java，越来越多的企业也正采用Java语言开发网站，而在所有程序员中，Java开发工程师就占据了20%的比例。

从国内排名靠前网站的主要开发语言，也可以看出Java在各大开发语言中的地位。淘宝、搜狐、网易等一线互联网公司，都在使用Java开发语言。

这也不难理解，为什么Java现在这么火爆，吸引越来越多的人学习，根本原因，还是因为企业对Java的认可和应用。

Java有没有前途，需要我们认清自己今后应该怎么走自己的路线，是走技术，还是走管理。走技术路线：从初级、中级、高级再到软件架构师。如果说走管理路线：项目经理、部门经理、技术总监。只有清楚了自己要走的路线后，再往决定的那一方面去努力，学习。除此以外，还有一些人学了这一专业后，从事销售顾问、培训讲师、自己创业的都有，关键是自己要认识自己，自己更适何哪一条路。

所以，先认清“正确的结果”，根据正确的结果去设计你的过程。当一个人具有明确的职业目标时，就会对有助于实现目标的蛛丝马迹都特别敏感，做事情相应也就会很有目的性，而不是稀里糊涂的。所以，就容易到达自己的目的。如果没有职业目标，脚踩西瓜皮滑到哪里是哪里，学什么技术都没前途。

在未来的几年，Java工程师人才的需求还在不断的加大，由于人才的紧缺，这个岗位相对于其它专业薪资待遇还是不错的，而且Java工程师的待遇是与工作经验直接挂勾的，当你有了丰富的经验以后，你在这个行业里就比较抢手了，而且企业所出的薪酬也是相当高的，到时只有你选择他们了。

Java课程介绍

昆山网上java学习

一阶段：Java基础
内容有Java开发介绍、Java数组、Java面向对象、常用基础类、集合、线程和I/O、异常处理、项目（坦克大战、打飞机等）。

二阶段：JavaWeb
内容有HTML5入门、CSS3入门、Javascript、MySQL使用、JDBC连接池、Servlet、ajax、jQuery、项目。

三阶段：Java框架
内容有Struts2、Hibernate5、JPA、Spring4、BootStrap、echarts 图表插件使用、Maven、SpringData、SpringMVC。

四阶段：Java 云数据
亿级并发架构演进、Linux基础、搭建tomcat环境、MysQL高级、 memcached、Redis、MongoDB（而选一）、elasticsearch、cobar、Quartz、nginx反向代理和负载均衡、SSL证书配置、Keepalived双活、Haproxy、 LVS、nignx（三选一）、Rpc和Dobbo、ActiveMQ队列、Hadoop、项目（上亿人并发的抢票系统）。

【OpenCV】直方图应用：直方图均衡化，直方图匹配，对比直方图

直方图均衡化

直方图均衡化（Histogram Equalization）是直方图**典型的应用，是图像点运算的一种。对于一幅输入图像，**运算产生一幅输出图像，点运算是指输出图像的每个像素点的灰度值由输入像素点决定，即：

直方图均衡化是**灰度变换将一幅图像转换为另一幅具有均衡直方图，即在每个灰度级上都具有相同的象素点数过程。从分布图上的理解就是希望原始图像中y轴的值在新的分布中尽可能的展开。变换过程是利用累积分布函数对原始分布进行映射，生成新的均匀拉伸的分布。因此对应每个点的操作是寻找原始分布中y值在均匀分布中的位置，如下图是理想的单纯高斯分布映射的示意图：

（图片来源：《Learnning OpenCV》 p189）

OpenCV中的cvEqualizeHist

OpenCV中有灰度直方图均衡化的函数cvEqualizeHist，接口很明朗：

[cpp] view plain copy void cvEqualizeHist( const CvArr* src, CvArr* dst );

注意此函数只能处理单通道的灰色图像，对于彩色图像，我们可以把每个信道分别均衡化，再Merge为彩色图像。

实践：图像直方图均衡化

[cpp] view plain copy int main() { iplImage * image= cvLoadImage("baboon.jpg"); //显示原图及直方图 myShowHist("Source",image); IplImage* eqlimage=cvCreateImage(cvGetSize(image),image->depth,3); //分别均衡化每个信道 IplImage* redImage=cvCreateImage(cvGetSize(image),image->depth,1); IplImage* greenImage=cvCreateImage(cvGetSize(image),image->depth,1); IplImage* blueImage=cvCreateImage(cvGetSize(image),image->depth,1); cvSplit(image,blueImage,greenImage,redImage,NULL); cvEqualizeHist(redImage,redImage); cvEqualizeHist(greenImage,greenImage); cvEqualizeHist(blueImage,blueImage); //均衡化后的图像 cvMerge(blueImage,greenImage,redImage,NULL,eqlimage); myShowHist("Equalized",eqlimage); } 原始图像及灰度直方图如下：

均衡化后的直方图：

直方图匹配

直方图匹配又叫直方图规定化（Histogram Normalization/Matching）是指对一副图像进行变换，使其直方图与另一幅图像的直方图或特定函数形式的直方图进行匹配。应用场景如不同光照条件下的两幅图像，我们可以在比较两幅图像前先进行匹配变化。

参考shlkl99上传的直方图匹配代码，将图像规定化为高斯分布函数。

[cpp] view plain copy //将图像与特定函数分布histv[]匹配 void myHistMatch(IplImage *img,double histv[]) { int bins = 256; int sizes[] = {bins}; CvHistogram *hist = cvCreateHist(1,sizes,CV_HIST_ARRAY); cvCalcHist(&img,hist); cvNormalizeHist(hist,1); double val_1 = 0.0; double val_2 = 0.0; uchar T[256] = {0}; double S[256] = {0}; double G[256] = {0}; for (int index = 0; index<256; index) { val_1 = cvQueryHistValue_1D(hist,index); val_2 = histv[index]; G[index] = val_2; S[index] = val_1; } double min_val = 0.0; int PG = 0; for ( int i = 0; i<256; i) { min_val = 1.0; for(int j = 0;j<256; j) { if( (G[j] - S[i]) < min_val && (G[j] - S[i]) >= 0) { min_val = (G[j] - S[i]); PG = j; } } T[i] = (uchar)PG; } uchar *p = NULL; for (int x = 0; x<img->height; x) { p = (uchar*)(img->imageData img->widthStep*x); for (int y = 0; y<img->width; y) { p[y] = T[p[y]]; } } } // 生成高斯分布 void GenerateGaussModel(double model[]) { double m1,m2,sigma1,sigma2,A1,A2,K; m1 = 0.15; m2 = 0.75; sigma1 = 0.05; sigma2 = 0.05; A1 = 1; A2 = 0.07; K = 0.002; double c1 = A1*(1.0/(sqrt(2*CV_PI))*sigma1); double k1 = 2*sigma1*sigma1; double c2 = A2*(1.0/(sqrt(2*CV_PI))*sigma2); double k2 = 2*sigma2*sigma2; double p = 0.0,val= 0.0,z = 0.0; for (int zt = 0;zt < 256; zt) { val = K c1*exp(-(z-m1)*(z-m1)/k1) c2*exp(-(z-m2)*(z-m2)/k2); model[zt] = val; p = p val; z = z 1.0/256; } for (int i = 0;i<256; i) { model[i] = model[i]/p; } }

实践：直方图匹配

对示例图片每个信道分别进行匹配处理

对比直方图

OpenCV中提供了cvCompareHist函数用以对比两个直方图的相似度： [cpp] view plain copy double cvCompareHist( const CvHistogram* hist1, //直方图1 const CvHistogram* hist2, //直方图2 int method//对比方法 ); method有CV_COMP_CORREL， CV_COMP_CHISQR，CV_COMP_INTERSECT，CV_COMP_BHATTACHARYYA四种方法，对应公式如下：

实践：对比不同光照条件的两幅图像直方图

直方图的对比主要用以判断两幅图像的匹配度，我们试验以下两幅图像直方图对比的结果： [cpp] view plain copy int main() { IplImage * image= cvLoadImage("myhand1.jpg"); IplImage * image2= cvLoadImage("myhand2.jpg"); int hist_size=256; float range[] = {0,255}; float* ranges[]={range}; IplImage* gray_plane = cvCreateImage(cvGetSize(image),8,1); cvCvtColor(image,gray_plane,CV_BGR2GRAY); CvHistogram* gray_hist = cvCreateHist(1,&hist_size,CV_HIST_ARRAY,ranges,1); cvCalcHist(&gray_plane,gray_hist,0,0); IplImage* gray_plane2 = cvCreateImage(cvGetSize(image2),8,1); cvCvtColor(image2,gray_plane2,CV_BGR2GRAY); CvHistogram* gray_hist2 = cvCreateHist(1,&hist_size,CV_HIST_ARRAY,ranges,1); cvCalcHist(&gray_plane2,gray_hist2,0,0); //相关：CV_COMP_CORREL //卡方：CV_COMP_CHISQR //直方图相交：CV_COMP_INTERSECT //Bhattacharyya距离：CV_COMP_BHATTACHARYYA double com=cvCompareHist(gray_hist,gray_hist2,CV_COMP_BHATTACHARYYA); cout<<com<<endl; } 输出结果为：0.396814 cvCompareHist的结果为【0,1】的浮点数，越小表示两幅图匹配度越高，0.0时两幅图精确匹配。（可以试验两幅完全一样的图即为0.0）。针对上面两幅图，我们分别先进行直方图匹配变化：之后使用cvCompareHist()对比两幅图像的直方图，输出结果为0.267421 表明两幅图的匹配度变高了。注意method用不同的方法对比结果是不同的。

应用

**对比我们可以设置EMD的阈值来判定皮肤或手的ROI。《Learnning OpenCV》后面有相应的练习题：收集手的肤色直方图，对比室内，室外手的直方图的EMD距离，利用这些测量值设置一个距离阈值。 a.利用该阈值检测第三幅图（如室外阴影），看能能否很好的检测肤色直方图。 b.随机选择不是肤色的背景块直方图，观测EMD变化，试验与真实肤色对比时能否很好的拒绝背景。如上也即是直方图对比可以应用的场景。