① 河海大学计算机的发展历程
河海大学计算机起源于1973年成立的“水文计算机研究室”，当时主要从事水文数值模拟计算。
1982年，河海水文数字计算机系统研制成功并开始推广应用。
1990年代初，学校成立第一届计算机科学与技术专业本科生，在此基础上，河海大学计算机科学与技术学院在1997年正式成立。
2002年，学校成立了研究生院计算机科学与技术学科，开始招收计算机领域的硕士和博士研究生。
当前，河海大学计算机科学与技术学院是江苏省计算机科学与技术引领学院之一，先后获批了“信息与计算科学联合学院”、“高性能计算中心”等重要机构。近年来，学院积极推动与IBM、微软、甲骨文等国际知名企业和国内着名高校的教育和科研合作，力求为社会培养高素质计算机人才。
河海大学计算机课程设置十分完善，分为必修和选修两部分。
必修课包括：计算机组成原理、操作系统、数据结构、计算机网络、计算机程序设计、数据库原理、计算机图形学等；
选修课包括：信息安全、人工智能、分布式计算、图像处理等。
此外，学院积极参与ACM国际大学生程序设计竞赛、机器人比赛等各类比赛，为学生提供多元化的培养模式。
河海大学计算机科研成果丰硕，取得了一系列具有重要实践应用价值以及深远影响的成果。其中代表性的科研成果包括：
1. 提出尺度不变特征变换（SIFT）算法，该算法在图像处理领域享有很高声誉。
2. 研制了基于GIS三维可视化技术的河流城市防洪系统，该系统成功应用于南京市雨污水管网规划等项目。
3. 发明了一种基于光电传感技术的水位自动测报仪，该仪器适用于各类水文工程的水文测量及水文模型验证等方面。
以上显示了河海大学计算机在图像处理、GIS应用、水文测量等领域中具有丰硕的研究成果，为国家的相关行业做出贡献。
河海大学计算机科学与技术学院以多样化的教育方式，为学生提供系统的计算机科学与技术专业课程教育以及细分领域的深入研究，加强学生在工程实践、团队协作、创新能力等方面的锻炼，为学生未来职业发展打下坚实基础。
未来，河海大学计算机将继续延续自身优势，加强与相关领域的交叉融合，推出适合时代发展的相关专业。比如物联网、人工智能等，为我国高科技产业发展培养出更多专业、高素质、实践型的计算机科学人才。同时，学院将加大应用研究力度和成果转化力度，为国家产业升级和社会经济发展做出更大贡献。
② 百度图片搜索引擎原理是如何实现的
图片搜索的原理有三个步骤
1. 将目标图片进行特征提取，描述图像的算法很多，用的比较多的是：SIFT描述子，指纹算法函数，bundling features算法，hash function（散列函数）等。也可以根据不同的图像，设计不同的算法，比如图像局部N阶矩的方法提取图像特征。
2. 将图像特征信息进行编码，并将海量图像编码做查找表。对于目标图像，可以对分辨率较大的图像进行降采样，减少运算量后在进行图像特征提取和编码处理。
3. 相似度匹配运算：利用目标图像的编码值，在图像搜索引擎中的图像数据库进行全局或是局部的相似度计算；根据所需要的鲁棒性，设定阈值，然后将相似度高的图片预保留下来；最后应该还有一步筛选最佳匹配图片，这个应该还是用到特征检测算法。
其中每个步骤都有很多算法研究，围绕数学，统计学，图像编码，信号处理等理论进行研究。
根据Neal Krawetz博士的解释，原理非常简单易懂。我们可以用一个快速算法，就达到基本的效果。
这里的关键技术叫做"感知哈希算法"（Perceptual hash algorithm），它的作用是对每张图片生成一个"指纹"（fingerprint）字符串，然后比较不同图片的指纹。结果越接近，就说明图片越相似。下面是一个最简单的实现：
第一步，缩小尺寸。
将图片缩小到8x8的尺寸，总共64个像素。这一步的作用是去除图片的细节，只保留结构、明暗等基本信息，摒弃不同尺寸、比例带来的图片差异。
第二步，简化色彩。
将缩小后的图片，转为64级灰度。也就是说，所有像素点总共只有64种颜色。
第三步，计算平均值。
计算所有64个像素的灰度平均值。
第四步，比较像素的灰度。
将每个像素的灰度，与平均值进行比较。大于或等于平均值，记为1；小于平均值，记为0。
第五步，计算哈希值。
将上一步的比较结果，组合在一起，就构成了一个64位的整数，这就是这张图片的指纹。组合的次序并不重要，只要保证所有图片都采用同样次序就行了。
得到指纹以后，就可以对比不同的图片，看看64位中有多少位是不一样的。在理论上，这等同于计算"汉明距离"（Hammingdistance）。如果不相同的数据位不超过5，就说明两张图片很相似；如果大于10，就说明这是两张不同的图片。
具体的代码实现，可以参见Wote用python语言写的imgHash.py。代码很短，只有53行。使用的时候，第一个参数是基准图片，第二个参数是用来比较的其他图片所在的目录，返回结果是两张图片之间不相同的数据位数量（汉明距离）。
这种算法的优点是简单快速，不受图片大小缩放的影响，缺点是图片的内容不能变更。如果在图片上加几个文字，它就认不出来了。所以，它的最佳用途是根据缩略图，找出原图。
实际应用中，往往采用更强大的pHash算法和SIFT算法，它们能够识别图片的变形。只要变形程度不超过25%，它们就能匹配原图。这些算法虽然更复杂，但是原理与上面的简便算法是一样的，就是先将图片转化成Hash字符串，然后再进行比较。
③ 人脸识别技术的原理是什么是什么
人脸识别技术的原理是什么？
人脸识别技术正在越来越广泛地应用于我们的生活中。先进的人脸识别技术不仅可以用来解锁手机，还可用于安全检查、身份认证、监控安防等领域。那么，人脸识别技术的原理是什么呢？
人脸识别技术的原理是基于面部特征识别和人脸图像匹配的。它包含以下几个基本步骤：采集面部图像、人脸检测和定位、人脸预处理和特征提取、特征匹配和识别。
首先是采集面部图像。采用摄像头将人脸图像捕捉下来，利用图像预处理技术将图像转为数字信号，然后进行数字信号处理。
然后是人脸检测和定位。在人脸图像中，需要先定位出人脸的位置，这个过程就是人脸检测。一般采用的方法是使用人脸检测算法，例如卷积神经网络（CNN）和Haar-like特征分类器等。
接着是人脸预处理和特征提取。对于图像数据，预处理是必要过程。对于人脸识别，预处理的目的是将人脸图像中的噪声和非人脸部分去除，突出人脸部分。然后，通过特征提取技术将面部图像中的特征信息提取出来，比如说重要的特征点、纹理、形状等。主要采用的方法有PCA、LBP、SIFT、SURF等。
最后是特征匹配和识别。通过比对提取出来的特征信息和存储在数据库中的特征信息进行匹配，找出相似度最高的两张图片，然后就能够完成人脸识别过程。
总的来说，人脸识别技术是基于数字图像处理、模式识别和人工智能等技术的，经过以上的处理和匹配，最终完成人脸识别。当然，这其中的每一个步骤都需要采用精细的算法和技术，才能够达到高准确度和高速度的要求。