第一十零章 不确定性到确定性的转化(2/4)
不过，汤教授是麻省理工毕业的博士，很权威，大家都很相信他。
面对这么多实验室的同事🚠🔮和学生，汤教授就像上课一样⚔，要说得详细一些。先简单阐述了一下逻辑学到统计学的思路转变。
图像由无数个点组成，分辨率越高，点数越多；分🐤辨率越低，点数越少。
把图像扩大🙪🍏1倍，其实🐡🁕就是把点数🃲增加1倍。
过去的算法，是数学、逻辑学的思路。即有了前一个节点，然后根据数学逻辑，推演到了下一个点，一个点变为两个点，就完成了拓展。把图片中所有的点👒🈐♂都处理、扩展一遍，图片的放大就🝌完成了。
可这是个确切的过程。
选择的节点得是确定的，才能⚚👺🍶衍生出第二个点。
如果第一个节点都是模糊的、不确定的，就算数学公式、逻辑思路再正确，也没用啊，巧妇难☲🃗为无米之炊。
新的大数据下的图像处理思路，应用到的是统计学算法。
比如，有两条路，都可以到达终点，运动员选择哪一🏏🙆条路耗时更短？
传🄨统的思路，就要通过数学和逻辑学上的计算。
计算路程长度，运动员的速度，以及运动员的状态、耐力、加速度、减⚧速度、摩擦力所影响的摔倒几率等等。
拿出一套极复杂的公式出来。
可是⛍🙅，如果过来的运动员是没有腿的🃝😳残疾人，或者盲人怎么办？过去的这套公式就都没用了。
统计学的思路就很简单了。
两条路，不管是正常人、残疾人，还是自行车、汽车，都无所谓，统计数据就好了。左边这条路测算1万次，右边这条路测算1万次。😐🀢
经过测试，左边赢了80🚠🔮0🉀0次，右边赢了2000次，结果就出来了。
选择左边这条路耗时更短！
应用在模糊照片的清晰化处理⚚👺🍶上，就是大数据下的统计学。
比如一个🛶♏模糊化的鼻子，原始形象是什么样？
统计就好了。
选1万个不同种类的鼻子，然后进行模糊化处理。模糊化处理后的鼻子，哪个🄰🁊跟模糊照片中的鼻子点位重合最高，就是哪个。
面对这么多实验室的同事🚠🔮和学生，汤教授就像上课一样⚔，要说得详细一些。先简单阐述了一下逻辑学到统计学的思路转变。
图像由无数个点组成，分辨率越高，点数越多；分🐤辨率越低，点数越少。
把图像扩大🙪🍏1倍，其实🐡🁕就是把点数🃲增加1倍。
过去的算法，是数学、逻辑学的思路。即有了前一个节点，然后根据数学逻辑，推演到了下一个点，一个点变为两个点，就完成了拓展。把图片中所有的点👒🈐♂都处理、扩展一遍，图片的放大就🝌完成了。
可这是个确切的过程。
选择的节点得是确定的，才能⚚👺🍶衍生出第二个点。
如果第一个节点都是模糊的、不确定的，就算数学公式、逻辑思路再正确，也没用啊，巧妇难☲🃗为无米之炊。
新的大数据下的图像处理思路，应用到的是统计学算法。
比如，有两条路，都可以到达终点，运动员选择哪一🏏🙆条路耗时更短？
传🄨统的思路，就要通过数学和逻辑学上的计算。
计算路程长度，运动员的速度，以及运动员的状态、耐力、加速度、减⚧速度、摩擦力所影响的摔倒几率等等。
拿出一套极复杂的公式出来。
可是⛍🙅，如果过来的运动员是没有腿的🃝😳残疾人，或者盲人怎么办？过去的这套公式就都没用了。
统计学的思路就很简单了。
两条路，不管是正常人、残疾人，还是自行车、汽车，都无所谓，统计数据就好了。左边这条路测算1万次，右边这条路测算1万次。😐🀢
经过测试，左边赢了80🚠🔮0🉀0次，右边赢了2000次，结果就出来了。
选择左边这条路耗时更短！
应用在模糊照片的清晰化处理⚚👺🍶上，就是大数据下的统计学。
比如一个🛶♏模糊化的鼻子，原始形象是什么样？
统计就好了。
选1万个不同种类的鼻子，然后进行模糊化处理。模糊化处理后的鼻子，哪个🄰🁊跟模糊照片中的鼻子点位重合最高，就是哪个。