【科普】合成全景图中计算机视觉技术的知识和原理（更新中[3.19]，配图解） | 机器学习小组 | 果壳网 科技有意思
3616人加入此小组
前一篇简单介绍了一下全景图的发展史和一个方便简洁的全景图合成软件。或许很多朋友会好奇其中的神秘，比如说为什么不同角度拍摄的图片拼接的时候可以自动对齐（略准确来讲也就是如何处理图片之间的仿射畸变和透视失真）；如何能自动找到图片之间可以粘连的部分并且准确无误地拼接在一起；如何平衡图片之间光线色调的差异等等。其实每一步的背后或多或少都有比较复杂却又相当精妙的技术和算法，所以这次尝试用比较直观的方式给大家介绍一下每一步的工作原理，逆转对前沿科技“虽不明但觉厉”的看法。那么先描述一下整个流程：---图片之间---1. 特征点匹配：找到素材图片中共有的图像部分。2. 图片匹配：连接匹配的特征点，估算图像间几何方面的变换。---全局优化和无缝衔接---3. 全景图矫直：矫正拍摄图片时相机的相对3D旋转，主要原因是拍摄图片时相机很可能并不在同一水平线上，并且存在不同程度的倾斜，略过这一步可能导致全景图变成波浪形状。4. 图像均衡补偿：全局平衡所有图片的光照和色调。5. 图像频段融合：步骤4之后仍然会存在图像之间衔接边缘、晕影效果（图像的外围部分的亮度或饱和度比中心区域低）、视差效果（因为相机透镜移动导致）。----------------（一）特征点匹配----------------合成全景图的第一步是提取并且匹配所有素材图片的局部特征点。1. 什么是特征点？普遍来讲，一张图片所包含的特征点通常就是周围含有较大信息量的点，而仅通过这些富有特征的局部，基本就可以推测出整张图片。比如说物体的棱角、夜景闪耀的星星，或是图片里的图案和花纹。图中框内即为判断富有特征的部分。实际上人在识别某个东西或是图案的时候也是通过观察这个物体具有哪种特征，然后与自己的经历和记忆所匹配。举例来说，去超市看到一个水果，假设我们观察到这个水果是绿色（颜色特征），球形（形状特征），有黑色纹路（图案特征）。于是我们可以通过经验判断出这是个西瓜。当然人还会通过各种其他特征来增强对物体的判断力，只是整个从收到信息到做出判断的过程行云流水，甚至自己都察觉不到。这就是生物视觉的精妙之处，只可惜距离破解生物视觉系统目前看来似乎仍是遥不可及，所以在神经网络破解并模拟生物大脑的运作之前就先由计算机视觉来承担这个重担了。稍稍有些跑题，那么继续之前的问题：提取何种特征？并且如何提取特征？如前面所说，一幅图片具有形形色色各种特征，简单的可以是颜色、形状或图案，复杂的比如说可以是图案的自相似性（是否存在类似重复性图案）或是整个场景里其他的物体（好比说在超市的水果架上我们可以更能确信西瓜就是西瓜，而水果架这个背景即为特征）。实际上提取这些特征在计算机视觉领域里也占有相当重要的位置，毕竟好的特征选择是整个识别系统可以成功运转的大前提。[理论部分]在合成全景图的流程里运用的是“点匹配”，也就是匹配局部图片信息。因为局部图片能提取的特征有限，比如说形状特征在这种情况就不适宜，所以一般采用通过整个局部的图案来判断是否符合作为特征的条件。其中运用最普遍的为SIFT特征（Scale-invariant feature transform)，即尺度不变特征转换。其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪和动作比对。此算法由 David Lowe 在1999年所发表，在急速发展的计算机视觉领域内至今仍然被普遍认为是最好的（即State of the art）特征侦测与描述算法。提取SIFT特征分为两步：侦测与描述（形成特征向量）。简单来讲，侦测就是扫描图片所有的尺度下的所有位置（尺度可以理解为局部缩放）。而判断一个点作为特征点合不合格，需要计算在这个尺度下的高斯差（DoG，Difference of Gaussians）的局部极值（Local Extrema）。如第一张图所示，每一个尺度（Scale）下对局部影像进行不同尺度的高斯模糊（局部影像与高斯滤波器的卷积）取差值。局部极值计算方式如第二张图所示，将测试像素的DoG的数值与其26个邻接像素比较取其最大最小极值，也就是测试像素的“特征度” 。即便找到了特征点，单纯匹配特征点周围的局部影像是行不通的。首先SIFT特征本身最大的优点就是“位置、尺度、旋转不变量"，也就是说在一定范围内旋转或是拉远拉近相机，可以检测出相同的特征点位置（Repeatability）以及提取出相同的特征向量（Scale & Rotation Invariant），所以不同角度条件拍摄的图片才可以通过SIFT特征匹配。而像素数值是不具备这些特点的。再者局部影像的像素信息量大导致匹配效率低下。假设这个局部大小设为16*16像素大小，每一个像素值对应RGB 3个数值，那么每个特征点就对应一个786维的向量（也就是每个点要用786个数表示），考虑到尺度与旋转不变量这个向量又需要乘上十几倍甚至几十倍以覆盖所有的变化，假设一个图片如果包含上千个特征点，而数据库包含上千张图片，那么在匹配时庞大的计算量无疑是对CPU的一场灾难。为了保证提取出来的特征向量具有“旋转不变量”的特性，首先要做的是在每个特征点找到一个“方向”，而这个方向和局部图像的特性应当是一致的，也就是说理想状态下如果旋转这个局部图片，那么重新提取这个"方向"也和之前相比旋转相同角度。SIFT里选择这个角度的方式是在高斯模糊之后的局部图片里计算每一个像素点的"角度"与"大小"，之后进行投票选出所有像素最多的那个角度作为主方向。下图为计算这个角度和大小的公式，看似很长实际上只是计算横竖相邻像素之间的差值和(m)和角度(θ)。于是局部图像产生的差值和角度可以通过这种方式形成特征向量（或称为关键点描述子 - Keypoint Descriptor）。形成这个向量的方式是"量化"这些角度(比如说把360度平均分成8等分), 然后根据位置累计起来。上图表示的是一个8x8的局部采样计算出的2x2的特征矩阵，实际上一般使用的是16x16局部采样形成4x4特征矩阵。所以如果把这个矩阵拉成向量，也就是包含8*4*4 = 128个元素。形成特征向量之后下一个问题就是如何匹配了。最基本的方式可以称作“最邻近搜索”（Nearest Neighbour），实际上也就是找在128维空间上直线距离最近的的特征向量，这个求直线距离的方式和2维无异，最近的特征向量也就被认为是互相匹配。原作者使用的方式是增加了k-d tree算法来高效率地完成高维度上的最邻近搜索。[理论部分结束]----------------（二）图片匹配----------------接下来的目标就是找到所有匹配(也就是重叠)的图片部分，接连所有图片之后就可以形成一个基本的全景图了。因为每张图片有可能和其他每张图片有重叠部分，所以匹配全部图片需要差不多匹配图片个数的平方次。不过实际上每两张图片之间只需要那么几个相对精准匹配的点就可以估算出这两张图像里的几何关系。最普遍的方式是用RANSAC（RANdom SAmple Consensus, 随机抽样一致），在这里的用途就是排除掉不符合大部分几何变换的匹配。之后利用这些匹配的点来"估算单应矩阵" （Homography Estimation），也就是把其中一张通过个关联性和另一张匹配的方法，在之后会详细介绍。上图即为用RANSAC找出符合几何约束的特征点之后，通过单应矩阵来对齐两张图片的内容。【RANSAC】[理论部分]首先介绍一下RANSAC的原理。RANSAC是一种迭代算法（Iteration Method）,用来从观测数据中估算出数学模型的参数，此基础上便可以分离内群（Inliers）与离群（Outliers）数据。简单来说就是一般来讲观测的数据里经常会出现很多噪音，比如说像SIFT匹配有时就会因为不同地方有类似的图案导致匹配错误。而RANSAC就是通过反复取样，也就是从整个观测数据中随机抽一些数据估算模型参数之后看和所有数据误差有多大，然后取误差最小视为最好以及分离内群与离群数据。下图這裡用一個簡單的例子來說明，在一組數據點中找到一條最適合的線。 假設，此有一組集合包含了內群以及離群，其中內群為可以被擬合到線段上的點，而離群則是無法被擬合的點。如果我們用簡單的最小平方法來找此線，我們將無法得到一條適合於內群的線，因為最小平方法會受離群影響而影響其結果。而RANSAC，可以只由內群來計算出模型，而且概率還夠高。 然而，RANSAC無法保證結果一定最好，所以必須小心選擇參數,使其能有足夠的概率。下图是一个简单的例子，用RANSAC来找出符合内群的直线的参数（可以看做是找y=ax+b里的a和b），以及内群数据本身。之所以RANSAC能在有大量噪音情况仍然准确，主要原因是随机取样时只取一部分可以避免估算结果被离群数据影响。流程为以下：（摘自维基）需要补充这个流程的是：判断数据是否符合模型的阈值以及重复多少次步骤是要自行定义的，并且决定了整个流程相对的准确度与运算时间。总结一下的话，RANSAC算法的输入为：1. 观测数据 （包括内群与外群的数据）2. 符合部分观测数据的模型 （与内群相符的模型）3. 最少符合模型的内群数量 4. 判断数据是否符合模型的阈值 （数据与模型之间的误差容忍度）5. 迭代运算次数 （抽取多少次随机内群）输出为：1. 最符合数据的模型参数 （如果内群数量小于输入第三条则判断为数据不存在此模型）2. 内群集 （符合模型的数据）优点：能在包含大量外群的数据中准确地找到模型参数，并且参数不受到外群影响。缺点：计算参数时没有一个最大运算时间的顶限，也就是说在迭代次数被限制的情况下，得出来的参数结果有可能并不是最优的，甚至可能不符合真实内群。所以设定RANSAC参数的时候要根据应用考虑“准确度与效率”哪一个更重要，以此决定做多少次迭代运算。设定与模型的最大误差阈值也是要自己调，因应用而异。还有一点就是RANSAC只能估算一个模型。[理论部分结束]RANSAC应用于点匹配的效果，基于前图：匹配时不符合绝大多数几何变换的判断为匹配错误并排除。【Homography Estimation】找到两张图里正确的匹配之后就可以利用这些点来估算两张图之间的几何变换关系。简单来说就是：假设固定其中一张图在桌子上，如何摆放，旋转，拉伸另一张图使其与第一张重合。【待补充】假设有一对匹配点, 和, 他们之间的单应矩阵便是下图公式中的H。【待补充】PS：如果发现有错误或是疏漏请多帮忙指正，感谢不尽。
+ 加入我的果篮
很好 先介绍个梗概 再一点点深入讲 这样就不会让新手一头雾水 SIFT是目前在局部特征里很热的技术 配合降维技术 速度会更快 可以关注一下PCA-SIFT 对于想深入了解局部特征检测技术的同学 可以看一看这篇paper 文献有点老 但是很经典
引用 的话：很好 先介绍个梗概 再一点点深入讲 这样就不会让新手一头雾水 SIFT是目前在局部特征里很热的技术 配合降维技术 速度会更快 可以关注一下PCA-SIFT 对于想深入了解局部特征检测技术的同学 可以看一看这篇paper 文献有点老 但是很经典连接打不开
引用 的话：连接打不开
额 可能是你没有购买相应的数据库吧 你可以上谷歌学术（）上搜索Local Invariant Feature Detectors- A Survey这篇文章 作者是T Tuytelaars, K Mikolajczyk
计算机视觉与机器学习博士生
引用 的话：很好 先介绍个梗概 再一点点深入讲 这样就不会让新手一头雾水 SIFT是目前在局部特征里很热的技术 配合降维技术 速度会更快 可以关注一下PCA-SIFT 对于想深入了解局部特征检测技术的同学 可以看一看这篇paper 文献有点老 但是很经典SIFT的变种确实也是数不胜数，相对来说我比较了解的也只是SURF和加入颜色信息的colorSIFT。不过实际上个人感觉局部特征相关的研究近年慢慢冷了下来，更多人把注意力集中在全局特征上，比如说Dense SIFT+Bag of Words（或PHOW），或是SPM（Spatial Pyramid Matching）。还有就是Multiple Kernel和非线性的分类器，以及Manifold Learning（或许可以归为非线性降维）。之前也有听说过PCA-SIFT，通过对SIFT降维达到分类提速的效果，不过发表的时间也是比较早了。这种技术或许在进行点对点匹配（Nearest Neighbour）时至关重要。但目前来讲很多比较热门并且高效率的算法先用表观信息做Dictionary Learning（用K-means或是Sparse Coding），之后在某种几何约束归类后用Bag of Words方式形成直方图用于分类，在这种情况下特征本身的维度也就并不这么重要了。话是这么说，点对点匹配在某些领域还是很关键，比如说这篇帖子里的Image stitching技术或是很多3D重构也依赖于点对点匹配。
计算机视觉与机器学习博士生
引用 的话：连接打不开[2008] Local Invariant Feature Detectors- A Survey.pdf
全景图要求相机只能旋转而不能平移，除非是拍平面图像。。做全景图这一点要注意了。。
计算机视觉与机器学习博士生
引用 的话：全景图要求相机只能旋转而不能平移，除非是拍平面图像。。做全景图这一点要注意了。。谢谢你的提醒。这个问题的原因就是相机透镜中心移动导致的视差效果，拍摄越近的物体平移时造成的视差越大。不过全景图内的物体一般都很远，所以小范围移动导致的视差几乎可以忽略。实际上流程的第5步也包括了这个问题基于计算机视觉技术的解决方案。
正好对这个比较感兴趣。。
举手提问。。。我对SIFT的研究刚入门，发现这个貌似是找两幅图相同之处的。。。而我的毕设是3D视频图像的差错检测。。。说白了就是在两幅看上去差不多的图间（左右眼图像，有视差）找不同（亮度、高度、旋转）。。问SIFT有这方面的应用么？再问几个小白问题：SIFT提取的特征值以什么形式表现出来？向量？参数？用什么方式进行SIFT特征值提取？C++代码，还是MATLAB，或者有现成的软件？求大神们指教。。。
引用 的话：举手提问。。。我对SIFT的研究刚入门，发现这个貌似是找两幅图相同之处的。。。而我的毕设是3D视频图像的差错检测。。。说白了就是在两幅看上去差不多的图间（左右眼图像，有视差）找不同（亮度、高度、旋转）。。问SIFT有这方面的应用么？再问几个小白问题：SIFT提取的特征值以什么形式表现出来？向量？参数？用什么方式进行SIFT特征值提取？C++代码，还是MATLAB，或者有现成的软件？求大神们指教。。。 见VLFeat
计算机视觉与机器学习博士生
引用 的话：举手提问。。。我对SIFT的研究刚入门，发现这个貌似是找两幅图相同之处的。。。而我的毕设是3D视频图像的差错检测。。。说白了就是在两幅看上去差不多的图间（左右眼图像，有视差）找不同（亮度、高度、旋转）。。问SIFT有这方面的应用么？再问几个小白问题：SIFT提取的特征值以什么形式表现出来？向量？参数？用什么方式进行SIFT特征值提取？C++代码，还是MATLAB，或者有现成的软件？求大神们指教。。。SIFT的特性是尺度旋转等不变量,也就是说两幅看上去差不多的图里同样位置的点给出的SIFT应该非常相似. 所以我个人感觉不太适用于检测相似图像间的差错. 不过对于位移和旋转的问题,可以利用SIFT点对点匹配来推导两图之间的相机变换矩阵,简单来说就是"如何通过位移和旋转让第一张图与第二张图重合"的问题,而这个位移和旋转的矩阵应该就是你想找的东西.关于亮度或是其他跟几何没太大关系的变化大概就需要依靠其他方式解决了. 我之后会补充"图像均衡补偿"相关的东西,可能可以解决这个问题.SIFT提取的特征默认为一个128维的向量. 特征值提取过程我有时间会继续补充这篇文章. 楼上所说的VLFeat是个很好的Matlab与C的开源library,使用也简便. Matlab 2012b的Computer Vision Toolbox也包括了一些特征提取的函数,不过印象中只有SURF没SIFT.
引用 的话：举手提问。。。我对SIFT的研究刚入门，发现这个貌似是找两幅图相同之处的。。。而我的毕设是3D视频图像的差错检测。。。说白了就是在两幅看上去差不多的图间（左右眼图像，有视差）找不同（亮度、高度、旋转）。。问SIFT有这方面的应用么？再问几个小白问题：SIFT提取的特征值以什么形式表现出来？向量？参数？用什么方式进行SIFT特征值提取？C++代码，还是MATLAB，或者有现成的软件？求大神们指教。。。左右眼图像不存在Homography，用SIFT找出点来也不可能找到匹配的矩阵。题目还有啥限制没？
计算机视觉与机器学习博士生
引用 的话：左右眼图像不存在Homography，用SIFT找出点来也不可能找到匹配的矩阵。题目还有啥限制没？确实, 没注意楼上所说的两张图来自左右眼. 那就应该归属为三维重构的问题了,比如可以通过Epipolar geometry找两个视角之间的Fundamental matrix. 不过我认为即便如此还是可能会依赖SIFT点匹配.
引用 的话：确实, 没注意楼上所说的两张图来自左右眼. 那就应该归属为三维重构的问题了,比如可以通过Epipolar geometry找两个视角之间的Fundamental matrix. 不过我认为即便如此还是可能会依赖SIFT点匹配.是的。因为SIFT有专利保护，matlab可能无法集成进去，就只能用VLFEAT了
引用 的话：是的。因为SIFT有专利保护，matlab可能无法集成进去，就只能用VLFEAT了好在OpenCV提供了sift函数，不用自己写，sift挺有意思，我也是刚查的。不过是属于所谓"Non-free functionality"，但是估计不做商用应该可以试试。
引用 的话：好在OpenCV提供了sift函数，不用自己写，sift挺有意思，我也是刚查的。不过是属于所谓"Non-free functionality"，但是估计不做商用应该可以试试。啊~~太好了~~那我正好可以用OpenCV来尝试一下SIFT。。。ps:感谢楼上各位大神哈~~~
600dpi扫描地图,8张拼接.微软ice软件搞定.
引用 的话：谢谢你的提醒。这个问题的原因就是相机透镜中心移动导致的视差效果，拍摄越近的物体平移时造成的视差越大。不过全景图内的物体一般都很远，所以小范围移动导致的视差几乎可以忽略。实际上流程的第5步也包括了这个问题基于计算机视觉技术的解决方案。有专用的全景云台可以让相机围绕其光心转动。
计算机视觉与机器学习博士生
引用 的话：......最后的吐槽动图亮
咦?..这个小组人好少. SIFT和SURF都很有用啊，只不过是feature matching的complexity是n^2...还有前几年willowgarage家出的ORB的feature matching算法貌似提升了一个exponential等级...没细读paper. 最近在研究visual feature的dimension reduction。类似于PCA-SIFT不过在探索别的方法。大家对于这个方面有什么研究嘛？
干货很硬，学习中。帖子中的那个示例图片实际上是尼泊尔的安娜浦那主峰
计算机视觉与机器学习博士生
引用 的话： 咦?..这个小组人好少. SIFT和SURF都很有用啊，只不过是feature matching的complexity是n^2...还有前几年willowgarage家出的ORB的feature matching算法貌似提升了一个exponential等级...没细读paper. 最近在研究visual feature的dimension reduction。类似于PCA-SIFT不过在探索别的方法。大家对于这个方面有什么研究嘛？orb是基于FAST Corner detection做特征点检测的一种Binary feature descriptor，主要贡献的只是把BRIEF改进成旋转不变量。orb作者并没有提出关于特征匹配的算法。实际上目前降低特征匹配的Computational complexity的一般方式是通过Vector Quantisation来聚类特征向量之后用直方图通过分类器做Classification或是Regression。工程上来讲Binary descriptor很快，按照作者自己的声明orb能比SIFT快几百倍，不过在追求准确性大于效率的地方就行不通了。附上摘自””的一个比较试验，ORB虽说相对比较新但准确率意外地低，但我自己并没亲自试过所以不能保证这个比较试验的准确性。
各位大牛好！我也在做全景拼接，用的是opencv，我现在已经求出单应矩阵，也利用这个矩阵做了透视变换，那要怎么和另外那张图对齐啊？直接叠加显然效果不对啊
我会说我是搜上课的内容搜进来的么。。。
(C)2013果壳网&京ICP备号-2&京公网安备请问一下学过计算机的，大专计算机网络技术主要学习什么课程？难度多高？升本几率多大？谢谢啦…_百度知道
请问一下学过计算机的，大专计算机网络技术主要学习什么课程？难度多高？升本几率多大？谢谢啦…
我有更好的答案
按默认排序
生本前报个班好好学习升本考点，网站维护等等，之后就会学office办公软件，种豆得豆的地方，我也是专科，服务器搭建，对于像我这样大学打了2年游戏的学渣来说我以为是零，刚开学时学的是电脑的一些基础常识，别无选择。大学是个种瓜得瓜，第二年吧，正好专业还是网络技术，升本就是小菜一碟，但是有个比我还渣的同学愣是顺利升本了，网站建设dreamveaver。至于升本几率。要学的好多，反正他教什么你什么呗，网络设备连接，开始学图像处理photoshop这么巧
那么自考升本和成人考升本哪个好啊？？网上看到自考很难真的吗
专升本含金量比较高，因为他是全日制的。自考升本是在你上专科期间自己考的，给学校交几千块钱，然后他们给你发好多好多书，平时都不用看，考试前有老师给你画重点，然后你使劲背就行了，不过多的要死，但是监考貌似不严，好多人抄，所以好多企业都不承认自考本。成人升本是你毕业后想升那个学校的本，然后在网上报名，交学费，基本上不用上学，有的是完全网络授课的，也有的只有晚上授课，还有的一周要去几天，但不是全日制本科，都没有专升本含金量高。
那自考没有本科的吗？？还有专插本难吗？？需要英语好吗？？
自考考的就是本科。。专插本不就是转升本吗，专科上3年，本科再上两年，毕业证是本科毕业证。自考本在你上3年专科毕业的时候也就完成了，但是你的毕业证不是本科毕业证，好像会注明专升本。
那自考过了，还能再考再报专升本吗？？你是哪个学校的？？
其他类似问题
计算机网络技术的相关知识
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁计算机网络技术学来有什么用?_百度知道
计算机网络技术学来有什么用?
提问者采纳
网络应用软件的开发以及计算机网络相关软硬件的营销工作及技术支持等工作、使用，使学生具有较强的职业工作技能和素质，一次就业率均达到 100%网络布线：本专业 学生 除了学习必要的数理与计算机基础知识外， 经过扎实的网络技术应用 、建网，熟练掌握计算机网络技术知识和应用技能。2，学会在网络环境下检索、制作各种信息、计算机组成原理。就业方向 ：计算机网络技术（网络系统管理）专业三年制专科培养目标 、网络编程、计算机网络技术(1) 培养目标掌握计算机网络技术专业的基本知识、 TCP&#47。近三年毕业生主要到各计算机网络公司就业，就业空间较大， 还要掌握 计算机网络技术与网络通信的基本知识,卖电脑、数字电路，效益也好二，毕业后持证上岗、网络技术基础、网络系统管理、数据库开发技术。基本要求 、数据库应用基础、发送、北京联合大学应用文理学院信息科学与技术系、管理与服务的高级专业技术应用型人才、网络系统管理 和 网络互联等 专业技能训练、网络安全技术等。专业特色 、 管理与维护、网页制作、网络数据库、处理,文员,黑客、网页设计师等、网络系统管理 和 网络互联等 专业技能训练,网络工程师。通过2-5年的锻炼、网络集成与设备配置、面向Net的Web应用程序设计、计算机网络技术， 将计算机网络技术，具有良好的职业道德、C语言程序设计，具备规划、事业单位和高新技术公司就业：1：计算机基础，可以成为网络管理员、动态网页设计、基本技能、网络信息资源开发与利用的人才？请看资料，在使用计算机网络的企、构建局域网， 还要掌握 计算机网络技术与网络通信的基本知识、网络媒体技术、网络测试等相应的实训环节有机结合、网络系统管理、各类网站的建设与管理,去电信或网通当技术人员：本专业面向首都经济建设第一线、网络工程师、网络测试与维护。(2) 就业方向本专业毕业生可在各类企事业单位，能从事计算机网络系统安装、网络操作系统，维护管理网络系统及网络软件编程能力的技术应用性人才。 要求学生不仅要取得网络系统工程师资格证书、网站创建与管理，培养热爱社会主义祖国、使用。(3) 主要专业课程计算机应用基础;IP 网络互联,去公司或网吧当网管、计算机软件公司等行业从事计算机网络系统的规划和组网、网络与信息安全等及上述课程相应的实践课程和实训。主要课程 ，还要学习这一特殊行业的职业规范： 本专业毕业生可担任网络系统维护和管理的工程技术人员、网络系统的管理和维护：本专业 学生 除了学习必要的数理与计算机基础知识外,局域网连接， 经过扎实的网络技术应用 、提高和深造、德智体美全面发展的，成为网络系统 安装、数据结构、是个很好的专业一、网页制作技术、服务器管理、网络安全技术等专业课程与组网
其他类似问题
2人觉得有用
计算机网络技术的相关知识
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁微信发红包已经推出有一段时间了，到现在还有很多的朋友在享受发红包抢红包的乐趣。就在昨天腾讯 ...
最近两年微信红包比较火，小编最近也加了不少微信群，在群里面不少小伙伴在发红包，不论发的红包 ...
<font color='#ff
图文资讯排行榜
大家经常在淘宝上买一些东西，很多的淘宝掌柜会把顾客...
电脑基础知识排行榜
经常会有一些电脑小白问起怎么看电脑配置，去电脑城购...
<font color='#ff
本栏目教程排行
电脑系统的 任务管理器 可以为用户提供计算机性能的信...
css中text-indent应用总结 css中的text-indent以前从...