搜索引擎如何判断网页核心关键词？
选择恰当的关键词是SEO考验技巧的环节之一，只有选择正确的关键词，才能使SEO走在正确的方向上。
网页核心关键词和网站页面的相关性程度，相关性好自然会有好的排名。
搜索引擎判断网页核心关键词会通过标签、关键词密度、站内和站外的锚文本来判定一个页面的核心关键词。
搜索引擎判断网页核心关键词：
1、关键词密度
搜索词在页面出现的次数越多，密度越高，说明页面与搜索词相关；一般来说，出现2-3次关键词就可以，文章次数比较长的话，出现4-6次即可，不要过度堆积关键词。
2、三大标签
从优化公司的标题标签、关键词标签和描述标签这三大标签，这三个标签可以最直接告诉搜索引擎网页发的是什么内容，标题title占据的比例是最高的，在写title时包含优化的目标关键词，可以做到用户在搜索时直接匹配关键词。切记，标题不宜太长。、
3、站内和站外的锚文本
做站内锚文本时，采用对方网页的关键词做锚文本；做站内锚文本时，选择第一个关键词作锚文本。 比如：你想给“404页面”这个词做锚文本，但当前页面出现很多次“404页面”。我们选择第一次做。搜索引擎认为，这符合一般逻辑习惯。 做站内锚文本时，可以在页脚添加一行首页和导航页面上的关键词锚文本链接。
一个seoer在关键词部署上合理的设置，让搜索引擎识别网页核心关键词，从而获取更好的排名。

图像灰度(image grayscale)：把白色与黑色之间按对数关系分为若干等级，称为灰度。灰度分为256阶。用灰度表示的图像称作灰度图。

图象亮度(image brightness)：指画面的明亮程度，单位是堪德拉每平米(cd/m2)或称nits。图象亮度是从白色表面到黑色表面的感觉连续体，由反射系数决定，亮度侧重物体，重在“反射”。

在灰度图像中，亮度等于灰度，图像运算处理方式相同，但是在彩色图像中，亮度和对比度相关，即通过对RGB颜色分量的增加（增加亮度）或减少（减少亮度）相同的增量来显示，亮度的调整就是给每个分量乘以一个百分比值。

图像强度(image intensity)：表示单通道图像像素的强度（值的大小）。

在灰度图像中，它是图像的灰度。

在RGB颜色空间中，可以理解把它为是R通道的像素灰度值，G通道的像素灰度值，或是B通道的像素灰度值，也就是RGB中含三个image intensity。

 

可以将图像转换为灰度,然后调整大小.这样你就可以得到灰度值来衡量“亮度”

还可以将图像转换为HSB空间(色调,饱和度,亮度)

 

图片 光谱分析  

一个问题可以通过RGB图像恢复高光谱图像吗？

一句话就是RGB图像本身就不包含高光谱的信息，自然也就无法通过图像处理从RGB图像恢复到高光谱图像。换句话说，普通的光学相机在自然光下拍的照片不包含完整的光谱信息。

 

为什么多光谱图像的空间分辨率比全色图像要低？

做遥感的应该都知道，多光谱图像有4个波段，但是空间分辨率低。全色图像只有1个波段，但空间分辨率较高。而且空间分辨率也几乎是4：1的关系

 

Reference

1 图像灰度、亮度、强度区分

2 如何判断图像是否暗？ (高对比度,低亮度)

3 多光谱图像

 

 

 

 

主要从以下六个方面来判断，这是六个大的方面，还有一些子特性就不写了
1、功能性：
用户的需求是否满足，即客户要求的功能是否全部实现
2、易使用性：
对于一个刚上手的用户来讲，软件是否对用户具有友善性以及方便性，即软件的功能操作不需要用户花太多的时间去学习或理解怎么用
3、高效率性：
这里涉及到软件的性能相关，在指定的条件下，用软件实现某种功能所需的计算机资源（包括时间）的有效程度。效率反映了在完成功能要求时，有没有浪费资源，此外"资源";这个术语有比较广泛的含义，它包括了内存、外存的使用，通道能力及处理时间。
4、可靠性：
在规定的时间和条件下，软件所能维持其性能水平的程度。可靠性对某些软件是重要的质量要求，它除了反映软件满足用户需求正常运行的程度，且反映了在故障发生时能继续运行的程度。
5、可维护性：
软件在研发时需求变更时进行相应修改的容易程度。，以及上市之后的运行维护的方便性，一个易于维护的软件系统也是一个易理解、易测试和易修改的软件，以便纠正或增加新的功能，或允许在不同软件环境上进行操作。
6、可移植性：
从一个环境转移到另一个环境的容易程度。

	

辩证法中强调联系是普遍的，而如何判断两个变量之间是否存在联系呢，又如何衡量这种联系的程度呢？这就需要进行相关分析了。
什么是相关分析？
相关分析是测量变量之间是否存在相关程度的统计方法。我们通过相关分析可以确定是否存在相关关系，及相关关系的程度(通过相关系数表示)。
变量数量对相关的影响
提及相关分析，我们一般会想到两个变量之间的相关分析，实际上对于任何多个变量，任何类型的变量，都可以进行相关关系的考察。只不过使用的统计方法存在差别。
其中包括：
研究一个变量和另一个变量之间的相关关系
研究一个变量和多个变量之间的相关关系
研究两个变量群之间的相关关系
研究多个变量群之间的相关关系
在此，我们仅讨论两个变量之间的相关关系情况，其他的内容我们接下来逐步讲解。
相关关系的类型
我们确定了研究相关关系的变量个数之后，还需要确定研究的两个变量的测度类型和相关关系的形式。测度类型我们之前已经有了了解，接下来我们探讨什么是相关关系的类型。
我们根据变量间的函数关系，把相关关系划分为两大类：
线性相关：两变量在表达式上呈现(直线)线性方程的形式。
非线性相关：两个变量存在的线性趋势为曲线形式。
相关关系的方向
我们根据两个变量相关关系的方向，即同向还是反向，可以把相关关系分为以下：
正相关与负相关：如果 A 变量增加时 B 变量也增加，则称为正相关，如 A 变量增加时 B 变量减小，则称为负相关。
相关关系的强弱
如果两个变量存在相关关系，那么接下来我们就需要衡量两个变量相关关系的程度，我们一般使用相关系数来衡量相关的程度。
两变量的相关程度达到了可以通过精确函数表达的程度，当得知 A 变量取值时，就可以准确推算出 B 变量的取值时，我们称之为完全相关。完全相关又分为完全正相关和完全负相关两种。
今天，我们只讨论两个变量之间的相关关系的情况。根据两个变量的类型，我们可以使用不同的相关分析统计方法。
两个连续变量的线性相关关系：Pearson 相关系数
两个定序变量的相关关系(或不满足正态分布假设的等间隔数据)：Spearman相关系数、Kendall’s tau-b相关系数
我们使用最为广泛的相关系数是 Pearson相关系数，因此今天也就着重讲解Pearson相关分析。
Pearson 相关系数是定量的描述线性相关程度的指标。
什么情况下使用 Pearson 相关分析？
任何一种统计方法都是有适用条件的，对统计方法运用得好坏和正确不在于是否能写出公式或能否计算出结果，而在于针对数据特征懂得运用正确的统计方法。只有在以下情况中，才能使用 Pearson 相关分析：
变量：两个定距变量，且两个变量呈正态分布；
相关类型：确定是否存在线性关系及衡量其程度
同时，样本中存在的极端值对Person相关系数的计算影响极大，因此要慎重考虑和处理，必要时可以对其进行剔除，或者进行变量变换，以避免由一两个数值导致出现错误的结论。需要注意的是，有的时候在分别观察每个变量时极端值并不明显，但是联合观察两个变量时就会凸显出来。因此还需要满足：
确保样本中不存在极值(可以通过数据预处理去掉极值)
案例
研究问题与数据
中国消费者信心调研(CCSS)是一项针对中国地区的消费者对当前经济发展形势表现出的信心程度及其变动的一项调查，在此CCSS 案例的调查结果作为分析数据[^1]。我们通过统计分析，考察年龄与信心指数是否存在相关关系。
SPSS 操作
我们打开 SPSS，导入数据后进行操作：【分析】【相关】【双变量】，将需要分析的变量选入“变量”栏目中，相关系数选择 Person(皮尔逊)，其他保持默认。
分析结果解读
图中给出的就是相关分析的结果，我们分析了两个变量，因此结果为 2*2 的矩阵。每个单元分为三行，分别是相关系数、P 值和样本数。
要读懂相关分析，我们分为以下两个步骤：
观察“显著性(双尾)”，是否小于 0.05，若小于0.05，则在 0.05 显著性水平下，相关性显著；若小于 0.01，则在 0.01 显著性水平下，相关性显著；否则相关不显著，即可认为不相关。
这一步实际上是相关系数的检验。
SPSS 进行相关性分析的时候，第一步是根据样本数据计算出相关系数，第二步是对计算出的相关系数进行检验，以确定其不是从一个数值为 0 的相关系数的总体中抽出的(避免计算出的数值是由于抽样误差所导致的)，检验后得到 p 值，再将 p 值和临界值比较，判断相关是否显著。
在相关性显著的前提下，观察 Person(皮尔逊)相关系数的大小，确定相关程度。
根据相关系数的绝对值大小，确定相关程度：
0.1-0.3为弱相关
0.3-0.5为中等相关
0.5-1.0为强相关
结果撰写
本研究采用 Pearson 相关分析研究消费者年龄与信心指数的相关性，结果发现两变量呈现线性相关关系，Pearson 相关系数为-0.219.
论文案例
我们选取如下论文作为案例进行说明：
王广新,王悦.支持智慧学习的语境化叙事游戏开发与学习效果验证[J].中国远程教育,2019(10):20-28+92-93.
文章为了研究智慧学习的语境化叙事游戏对学习效果是否有促进作用，对游戏叙事体验与发游戏化发现式学习效果进行了相关性分析，并给出了相关系数及假设检验结果，从中可以了解到各个研究变量之间的相关关系。
[^1]: 案例数据选自张文彤：SPSS 统计分析基础教程(第 2 版)