优点：理论基础坚实：贝叶斯算法基于贝叶斯定理，它为概率模型的学习和推理提供了明确的理论框架。易于实现：贝叶斯算法的逻辑简单，只要使用贝叶斯公式转化即可，因此易于实现。分类过程中时空开销小：贝叶斯算法假设特征之间相互独立，因此在分类过程中，只会涉及到二维存储，大大降低了时空开销。易于并行化：贝叶斯算法可以很方便地进行并行化处理，提高计算效率。缺点：假设前提：贝叶斯算法假设样本特征彼此独立，这个假设在

如果把 LLM 比作汽车的发动机，那么 LangChain 就是完整的汽车底盘 + 传动系统 + 控制系统 —— 它让 “发动机” 能适配不同的 “车身”（应用场景），实现更复杂的 “行驶功能”（业务逻辑）。Chains 是 LangChain 的 “灵魂”，它允许将多个组件（LLM、Prompt、检索器等）组合成一个可执行的流程，解决 “单步操作无法完成复杂任务” 的问题。LangChain 框

这是 MediaPipe 提供的一个绘图工具包。它包含了方便的函数，可以直接在图像上绘制出检测到的关键点（landmarks）和它们之间的连接（connections）: 这是 MediaPipe 的手部检测解决方案。它封装了预训练好的模型，可以直接用于检测图像或视频中的人手。

在一张中查找与最相似的区域，返回每个位置的匹配度矩阵。参数介绍：image：待搜索图像，即要在其中查找模板的，必须是 8 位灰度图或彩色图（3 通道）。templ：模板图像，即要匹配的小图，尺寸必须小于等于源图像，且（灰度 / 彩色对应）。method：决定匹配度的计算方式：归一化的相关系数匹配，结果范围[-1,1]，值越接近 1 匹配度越高：未归一化的相关系数，值越大匹配度越高：归一化的相关匹配

观察此图发现需要将答题卡透视变换，再提取出所有的圆圈，进行排序，最后判断答案。如下图，要求识别出答题卡的答案，并与正确答案比对（B,E,A,D,B)6、判断哪个选择答案与正确答案（这里采用统计白色像素数量）为了比对正确答案，将正确答案与其索引值相匹配。5、轮廓排序（从上到下、从左到右）7、对比标准答案 、 打分。1、读取图像 、 预处理。2、找到答题卡最大外框。4、提取所有选项圆圈。

注意:做轮廓检测前需要将图片读取为二值数据，即像素值只为0和255。参数介绍：image：输入图像，必须是（非 0 即 255）mode：决定要检测哪些轮廓cv2.RETR_EXTERNAL：只检测最外层轮廓，忽略内部嵌套轮廓cv2.RETR_LIST：检测所有轮廓，但不建立任何层级关系（轮廓间无父子区分）cv2.RETR_CCOMP：检测所有轮廓，仅建立两层层级（外层为父，内层为子）cv2.RE

是由一幅图像的多个不同分辨率的子图构成的图像集合。是通过一个图像不断的降低采样率产生的，最小的图像可能仅仅有一个像素点。图像金字塔的底部是待处理的高分辨率图像（原始图像），而顶部则为其低分辨率的近似图像。

参数介绍：image：需要旋转的图片k：旋转的次数（每次旋转 90 度）正数：逆时针旋转（k=1→90°，k=2→180°）负数：顺时针旋转（k=-1→90°，k=-2→180°）注意：图片旋转 90 度后，宽高会互换示例：待旋转图片：参数介绍：src：待旋转的原始图像（灰度图 / 彩色图均可）rotateCode：指定旋转角度和方向（仅 3 个可选值）cv2.ROTATE_90_CLOCKWIS

ResNet 网络是在 2015年 由微软实验室中的何凯明等几位大神提出，斩获当年ImageNet竞赛中分类任务第一名，目标检测第一名。获得COCO数据集中目标检测第一名，图像分割第一名。Resnet在cnn 图像方面有着非常突出的表现，它利用 shortcut 短路连接，解决了深度网络中模型退化的问题。相比普通网络每两层/三层之间增加了短路机制，通过残差学习使深层的网络发挥出作用。如何解决传统神

角点检测函数image, # 输入灰度图maxCorners, # 设定最大的角点个数，是最有可能的角点数，如果这个参数不大于0，那么表示没有角点数的限制qualityLevel, #图像角点的最小可接受参数，质量测量值乘以这个参数就是最小特征值，小于这个数的会被抛弃。minDistance, # 角点之间最小的欧式距离，用于分散角点mask=None, # 检测区域。如果图像不是空的，它指定检测