① 河海大學計算機的發展歷程
河海大學計算機起源於1973年成立的「水文計算機研究室」，當時主要從事水文數值模擬計算。
1982年，河海水文數字計算機系統研製成功並開始推廣應用。
1990年代初，學校成立第一屆計算機科學與技術專業本科生，在此基礎上，河海大學計算機科學與技術學院在1997年正式成立。
2002年，學校成立了研究生院計算機科學與技術學科，開始招收計算機領域的碩士和博士研究生。
當前，河海大學計算機科學與技術學院是江蘇省計算機科學與技術引領學院之一，先後獲批了「信息與計算科學聯合學院」、「高性能計算中心」等重要機構。近年來，學院積極推動與IBM、微軟、甲骨文等國際知名企業和國內著名高校的教育和科研合作，力求為社會培養高素質計算機人才。
河海大學計算機課程設置十分完善，分為必修和選修兩部分。
必修課包括：計算機組成原理、操作系統、數據結構、計算機網路、計算機程序設計、資料庫原理、計算機圖形學等；
選修課包括：信息安全、人工智慧、分布式計算、圖像處理等。
此外，學院積極參與ACM國際大學生程序設計競賽、機器人比賽等各類比賽，為學生提供多元化的培養模式。
河海大學計算機科研成果豐碩，取得了一系列具有重要實踐應用價值以及深遠影響的成果。其中代表性的科研成果包括：
1. 提出尺度不變特徵變換（SIFT）演算法，該演算法在圖像處理領域享有很高聲譽。
2. 研製了基於GIS三維可視化技術的河流城市防洪系統，該系統成功應用於南京市雨污水管網規劃等項目。
3. 發明了一種基於光電感測技術的水位自動測報儀，該儀器適用於各類水文工程的水文測量及水文模型驗證等方面。
以上顯示了河海大學計算機在圖像處理、GIS應用、水文測量等領域中具有豐碩的研究成果，為國家的相關行業做出貢獻。
河海大學計算機科學與技術學院以多樣化的教育方式，為學生提供系統的計算機科學與技術專業課程教育以及細分領域的深入研究，加強學生在工程實踐、團隊協作、創新能力等方面的鍛煉，為學生未來職業發展打下堅實基礎。
未來，河海大學計算機將繼續延續自身優勢，加強與相關領域的交叉融合，推出適合時代發展的相關專業。比如物聯網、人工智慧等，為我國高科技產業發展培養出更多專業、高素質、實踐型的計算機科學人才。同時，學院將加大應用研究力度和成果轉化力度，為國家產業升級和社會經濟發展做出更大貢獻。
② 百度圖片搜索引擎原理是如何實現的
圖片搜索的原理有三個步驟
1. 將目標圖片進行特徵提取，描述圖像的演算法很多，用的比較多的是：SIFT描述子，指紋演算法函數，bundling features演算法，hash function（散列函數）等。也可以根據不同的圖像，設計不同的演算法，比如圖像局部N階矩的方法提取圖像特徵。
2. 將圖像特徵信息進行編碼，並將海量圖像編碼做查找表。對於目標圖像，可以對解析度較大的圖像進行降采樣，減少運算量後在進行圖像特徵提取和編碼處理。
3. 相似度匹配運算：利用目標圖像的編碼值，在圖像搜索引擎中的圖像資料庫進行全局或是局部的相似度計算；根據所需要的魯棒性，設定閾值，然後將相似度高的圖片預保留下來；最後應該還有一步篩選最佳匹配圖片，這個應該還是用到特徵檢測演算法。
其中每個步驟都有很多演算法研究，圍繞數學，統計學，圖像編碼，信號處理等理論進行研究。
根據Neal Krawetz博士的解釋，原理非常簡單易懂。我們可以用一個快速演算法，就達到基本的效果。
這里的關鍵技術叫做"感知哈希演算法"（Perceptual hash algorithm），它的作用是對每張圖片生成一個"指紋"（fingerprint）字元串，然後比較不同圖片的指紋。結果越接近，就說明圖片越相似。下面是一個最簡單的實現：
第一步，縮小尺寸。
將圖片縮小到8x8的尺寸，總共64個像素。這一步的作用是去除圖片的細節，只保留結構、明暗等基本信息，摒棄不同尺寸、比例帶來的圖片差異。
第二步，簡化色彩。
將縮小後的圖片，轉為64級灰度。也就是說，所有像素點總共只有64種顏色。
第三步，計算平均值。
計算所有64個像素的灰度平均值。
第四步，比較像素的灰度。
將每個像素的灰度，與平均值進行比較。大於或等於平均值，記為1；小於平均值，記為0。
第五步，計算哈希值。
將上一步的比較結果，組合在一起，就構成了一個64位的整數，這就是這張圖片的指紋。組合的次序並不重要，只要保證所有圖片都採用同樣次序就行了。
得到指紋以後，就可以對比不同的圖片，看看64位中有多少位是不一樣的。在理論上，這等同於計算"漢明距離"（Hammingdistance）。如果不相同的數據位不超過5，就說明兩張圖片很相似；如果大於10，就說明這是兩張不同的圖片。
具體的代碼實現，可以參見Wote用python語言寫的imgHash.py。代碼很短，只有53行。使用的時候，第一個參數是基準圖片，第二個參數是用來比較的其他圖片所在的目錄，返回結果是兩張圖片之間不相同的數據位數量（漢明距離）。
這種演算法的優點是簡單快速，不受圖片大小縮放的影響，缺點是圖片的內容不能變更。如果在圖片上加幾個文字，它就認不出來了。所以，它的最佳用途是根據縮略圖，找出原圖。
實際應用中，往往採用更強大的pHash演算法和SIFT演算法，它們能夠識別圖片的變形。只要變形程度不超過25%，它們就能匹配原圖。這些演算法雖然更復雜，但是原理與上面的簡便演算法是一樣的，就是先將圖片轉化成Hash字元串，然後再進行比較。
③ 人臉識別技術的原理是什麼是什麼
人臉識別技術的原理是什麼？
人臉識別技術正在越來越廣泛地應用於我們的生活中。先進的人臉識別技術不僅可以用來解鎖手機，還可用於安全檢查、身份認證、監控安防等領域。那麼，人臉識別技術的原理是什麼呢？
人臉識別技術的原理是基於面部特徵識別和人臉圖像匹配的。它包含以下幾個基本步驟：採集面部圖像、人臉檢測和定位、人臉預處理和特徵提取、特徵匹配和識別。
首先是採集面部圖像。採用攝像頭將人臉圖像捕捉下來，利用圖像預處理技術將圖像轉為數字信號，然後進行數字信號處理。
然後是人臉檢測和定位。在人臉圖像中，需要先定位出人臉的位置，這個過程就是人臉檢測。一般採用的方法是使用人臉檢測演算法，例如卷積神經網路（CNN）和Haar-like特徵分類器等。
接著是人臉預處理和特徵提取。對於圖像數據，預處理是必要過程。對於人臉識別，預處理的目的是將人臉圖像中的雜訊和非人臉部分去除，突出人臉部分。然後，通過特徵提取技術將面部圖像中的特徵信息提取出來，比如說重要的特徵點、紋理、形狀等。主要採用的方法有PCA、LBP、SIFT、SURF等。
最後是特徵匹配和識別。通過比對提取出來的特徵信息和存儲在資料庫中的特徵信息進行匹配，找出相似度最高的兩張圖片，然後就能夠完成人臉識別過程。
總的來說，人臉識別技術是基於數字圖像處理、模式識別和人工智慧等技術的，經過以上的處理和匹配，最終完成人臉識別。當然，這其中的每一個步驟都需要採用精細的演算法和技術，才能夠達到高准確度和高速度的要求。