关于颜色的几个算法
?流行色算法
流行色算法的基本思路是:对彩色图像中所有彩色出现的次数做统计分析，创建一个数组用于表示颜色和颜色出现频率的统计直方图。按出现频率递减的次序对该直方图数组排序后，直方图中的前256 种颜色就是图像中出现次放最多(频率最大) 的256 种颜色，将它们作为调色板的颜色。该算法用统计直方图来分析颜色出现的频率，因此且称为彩色直方图统计算法。图像中其他的颜色采用在RGB 颜色空间中的最小距离原则映射到与其邻近的256种调色板颜色上。流行色算法实现较简单，对颜色数量较小的图像可以产生较好的结果，但是该算法存在的主要缺陷是，图像中一些出现频率较低，但对人眼的视觉效挺明显的信息将丢失。比如，图像中存在的高亮度斑点，由于出现的次数少，很可能不能被算法选中，将被丢失。
?中位切分算法
中位切分算法的基本思路是：在RGB 彩色空间中，R 、G 、B 三基色对所对应于空间的三个坐标轴，将每坐标轴部量化为0 - 255 。对应于最暗(黑) ，255 对应于最亮，这样就形成了一个边长为256 的彩色立方体。所有可能的颜色都对与立方体内的一个点; 将彩色方体切分成256个小立方体，每个立方体中都包含相同数量的在图像中出现的颜色点；取出每个小立方体的中心点，则这些点所表示的颜色就是我们所需要的最能代表图像颜色特征的256 种颜色。中位切分算法是PauJ Heckbert在80 年代初提出来的，现被广泛应用于图像处理领域。该算法的缺点是涉及复杂的排序工作，而且内存开销较大。
?八叉树算法
1988 年，奥地利的M. Gervautz和W. Purgathofer 发表了一篇题为"A Simple Method for Color Quantization: Octree Quantization" 的论文，提出了种新的采用八义树数据结构的颜色量化算法，一般称为八叉树颜色量化算法。该算法的效率比中位切分算法高而且内存开销小。
八叉树颜色量化算法的基本思路是：将图像中使用的RGB 颜色值分布到层状的八叉树中。八叉树的深度可达九层，即根节点层加上分别表示8位的R、G 、B 值的每一位的八层节点。较低的节点层对应于较不重要的RGB 值的位(右边的位) ，因此，为了提高效率和节省内存，可以去掉最低部的2 ~ 3 层，这样不会对结果有太大的影响。叶节点编码存储像素的个数和R 、G 、B 颜色分量的值；而中间的节点组成了从最顶层到叶节点的路径。这是一种高效的存储方式，既可以存储图像中出现的颜色和其出现的次数，也不会浪费内存来存储图像中不出现的颜色。
扫描图像的所有像素，每遇到种新的颜色就将它放入八叉树中，并创建一个叶节点。图像扫描完后，如果叶子节点的数量大于调色板所需的颜色数时，就需要将有些叶子节点合并到其上一层节点中，并将该节点转化成叶节点，在其中存储颜色且其出现的次数。这样，减少叶节点的数量，直到叶节点的数量等于或小于调色板所需的颜色数。如果叶节点的数量小于或等于调色板所需的颜色数，则可以遍历八叉树，将叶子节点的颜色填入调色饭的颜色表
色差仪的分类_原理及测量方法
色差仪的分类，原理及测量方法 1.分类 根据性能参数、精度范围和使用要求，色差仪可分为3种：第一种是手持 式色差仪，又称色彩色差计，其能直接读取数据，不用连接电脑，不配带软件，使用方便，价格便宜，但精度较低，在颜色管理的一般领域使用广泛；第二种 是便携式色差仪，又称便携式分光测色仪，其除了能直接读取数据外，还能连 接电脑，配带软件，体积较小，便于携带，精度较高，价格适中；第三种是台 式色差仪，又称台式分光测色配色仪，其具有读数窗口，连接电脑时需要使用 测色、配色软件，具有高精度的测色和配色功能，体积较大，性能稳定，价格 较高。目前，国内印刷企业使用较广的是便携式色差仪。 2.原理 色差仪是模拟人眼对红、绿、蓝光感应的光学测量仪器，可以对被测物体 进行五角度分析，其中习惯选择15°、45°、110°的角度进行分析。 所有的颜色都可以通过任何一种Lab颜色标尺被感知并测量，L轴为亮度轴，0为黑，100为白；a轴为红绿轴，正值为红，负值为绿，0为中性色；b 轴为黄蓝轴，正值为黄，负值为蓝，0为中性色。这些标尺可以用来表示试样 与标样的颜色差异，通常以Δa、Δb、ΔL为标识符，ΔE被定义为样品的总色差，但其不能表示出试样色差的偏移方向，ΔE数值越大，说明色差越大。色差仪可以根据CIE色度空间的Lab、Lch原理，测量显示出试样与标样的色差ΔE及Δa、Δb、ΔL值。
ΔE通常按如下公式计算： ΔE*=[(ΔL*)+(Δa*)+(Δb*)]1/2 有时一些公司会要求总色差小于2，有的还会要求达到Lab值。如果ΔE≤2.0，建议Δa、Δb、ΔL均≤1.5，一般ΔE为1.5时目视是可以分辨的。由于Δa、Δb、ΔL一般情况下均没有定值，在要求过于严格的情况下，往往对总色差ΔE 和色差Δc（不考虑亮度影响）都有要求，此时可按如下公式计算：ΔE*=[(ΔL*)+(Δa*)+(Δb*)]1/2 Δc*=[(Δa*)+(Δb*)]1/2 具体测量方法 在实际操作中，我们将测量出的数据在图1上标示为一个静态的坐标点（称为起始点）。在印刷过程中要想保证印刷品色相的稳定性，就需要调墨工 人随时调整油墨配比和黏度，这样在每次调整后再测量，就可以在坐标图上标 示出另外的一些坐标点（冲淡点、点黑加重点等），每次调整前后形成的两个 不同的坐标点之间都会有一定的移动方向和距离（沿坐标a轴、b轴距离不等，因产品而定）。如果我们将这个数值与色差仪上显示的Δa、Δb、ΔL、ΔE等数据结合在一起，在图1上就会显示成一系列动态的点，那么，这些动态点之间 的方向和距离在实际操作中就成了调墨工人调色时所应添加哪一种或哪几种色 墨及其添加量的定性和定量参考，相当于日常调墨工作中的指南针和测量尺。
网络社区划分算法
网络社区划分算法 目录 ? 1 简介 ? 2 构建一个点击流网络 ? 3 网络社区划分的两种主要思路：拓扑分析和流分析 ? 4 拓扑分析 o 4.1 计算网络的模块化程度Q-Modularity o 4.2 计算网络的连边紧密度Edge betweenness o 4.3 计算网络拉普拉斯矩阵的特征向量Leading eigenvector o 4.4 通过fast greedy方法搜索网络模块化程度Q-Modularity的最大值 o 4.5 通过multi level方法搜索网络模块化程度Q-Modularity的最大值 ? 5 流分析 o 5.1 随机游走算法Walk Trap o 5.2 标签扩散算法label propagation o 5.3 流编码算法 the Map Equation o 5.4 流层级算法 Role-based Similarity ? 6 总结 使用许多互联网数据，我们都可以构建出这样的网络，其节点为某一种信息资源，如图片，视频，帖子，新闻等，连边为用户在资源之间的流动。对于这样的网络，使用社区划分算法可以揭示信息资源之间的相关性，这种相关性的发现利用了用户对信息资源的处理信息，因此比起单纯使用资源本身携带的信息来聚类（例如，使用新闻包含的关键词对新闻资源进行聚类），是一种更深刻的知识发现。 假设我们手头有一批用户在一段期间访问某类资源的数据。为了减少数据数理规模，我们一般只考虑最经常被访问的一批资源。因此在数据处理中，我们考虑UV（user visit）排名前V的资源，得到节点集合|V|，然后对于一个用户i在一段时间（例如一天）访问的资源，选择属于|V|的子集vi。如果我们有用户访问资源的时间，就可以按照时间上的先后顺序，从vi中产生vi-1条有向边。如果我们没有时间的数据，可以vi两两间建立联系，形成vi(vi-1)/2条无向边。因为后者对数据的要求比较低，下文中，暂时先考虑后者的情况。对于一天的n个用户做这个操作，最后将得到的总数为的连边里相同的边合并，得到|M|个不同的边，每条边上都带有权重信息。这样，我们就得到了V个节点，M条边的一个加权无向网络，反应的是在一天之用户在主要的信息资源间的流动情况。在这个网络上，我们可以通过社区划分的算法对信息资源进行分类。
基于特征的图像匹配算法毕业设计论文(含源代码)
诚信声明 本人声明： 我所呈交的本科毕业设计论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。本人完全意识到本声明的法律结果由本人承担。 申请学位论文与资料若有不实之处，本人承担一切相关责任。 本人签名：日期：2010 年05 月20日
毕业设计（论文）任务书 设计（论文）题目： 学院：专业：班级： 学生指导教师（含职称）：专业负责人： 1．设计（论文）的主要任务及目标 (1) 了解图象匹配技术的发展和应用情况，尤其是基于特征的图象匹配技术的发展和应用。 (2) 学习并掌握图像匹配方法，按要求完成算法 2．设计（论文）的基本要求和内容 （1）查阅相关中、英文文献，完成5000汉字的与设计内容有关的英文资料的翻译。（2）查阅15篇以上参考文献，其中至少5篇为外文文献，对目前国内外图象匹配技术的发展和应用进行全面综述。 （3）学习图象匹配算法，尤其是基于特征的图象匹配算法。 （4）实现并分析至少两种基于特征的图象匹配算法，并分析算法性能。 3．主要参考文献 [1]谭磊, 张桦, 薛彦斌．一种基于特征点的图像匹配算法[J]．天津理工大学报，2006， 22(6)，66-69． [2]甘进，王晓丹，权文．基于特征点的快速匹配算法[J]．电光与控制，2009，16(2)， 65-66． [3]王军，张明柱．图像匹配算法的研究进展[J]．大气与环境光学学报，2007，2(1)， 12-15．
钻石的颜色分级
第二章钻石的颜色分级 第一节钻石的颜色与分级 1、钻石颜色分级的对象 浅色的、近于无色的钻石。黄色系列或开普系列的钻石是颜色分级的主要对象。 2、钻石的颜色和彩色钻石 钻石的颜色是由钻石对可见光具有选择性吸收所引起。 彩色钻石：是指当钻石的色调加深到一定程度，变得醒目而鲜艳时，就成为相当吸引人的宝石。 彩色钻石是由杂质元素、压力、放射性元素的辐射等造成。 彩色钻石的稀有程度依次为：红、绿、蓝、紫红、粉红、褐、黄。 Z比色石可以作为确定黄色彩钻的界限。3、颜色分级及其发展 （1）质量相同的条件下：最高色级与次高色级（如D与E）钻石在价格上的差异可达50%，较低色级两相邻的色级间(如I和J)价格差异仅10%—15%。 （2）发展：钻石分级进行系统的评价开始于19世纪中叶，巴西的钻矿是世界钻石的主要来源。早先评定色级所用的术语直接地反映了这种情况，Golcondo代表颜色最好的钻石，其后依次为Bagagem、Canavieras、Diamantinas、Bahias。19世纪末，随着南非钻石的发现和大量开采，其产量远远的超过了巴西，色级的用语也随之发生了变化。20世纪30年代形成的新的流行于钻石贸易中的国际性的术语：Jager、River、Top Wesselton、Wesselton 、Top Crystal、Crytal、Top Cape、和Cape。 20世纪50年代，美国宝石学院对钻石色级作了划分，并采用了新的术语，把颜色从无色到浅黄色分成了23个级别，并分别用英文字母D到Z——给予标定。70年代前后，对钻石的4C分级的研究和标准的设立也有了新的发展。1963年德国队钻石分级术语作了定义，1969年Scan.D.N.问世，1970年德国又对钻石分级补充了切工分级的部分内容，1974年CIBJO钻石分级标准出台。（3）带有产地色彩的旧术语被更新的主要原因：由于20世纪初中叶在非洲诸国、前苏联的钻石矿藏纷纷被发现和开采，南非不在是钻石的唯一来源，南非钻石产量下降到世界总产量的30%以下。钻石来源的多样化，导致了实际上并不陈旧的旧术语被淘汰。目前在钻石商贸中实际应用的各种钻石色级，除了术语与详略有不大区别之外，不存在本质区别，色级的界限完全一致。所以，色级是钻石4C分级中最为一致的一项指标。 4、各种色级标准的异同和特色 CIBJO和IDC标准对0.47ct以下的钻石不细分EW+和RW+，Scan.D.N.标准对0.47ct以下的钻石采用简化色级，我国的标准小或重量做相应的规定。 5、色级的定义 色级是根据以切磨钻石所带有的颜色深浅程度人为地划分出一系列的界限而形成的，这使得原本连续变化的钻石颜色浓度被分割成为阶梯状的色级，每一色级代表一定的颜色浓度区间，而且色级越高，浓度区间越小，色级越低，浓度区间也相对较大。 第二节颜色分级的基本条件 1、颜色分级的原理和方法 目视比较法：通过比较待分级的钻石样品与标准样品—比色石的颜色深度的接近程度来确定钻石的色级。 经过严格训练的分级师，能够对分级中所遇到的各种问题进行综合分析，并借助于比色石，准确确定出钻石样品所属的色级。为了避免出现主观性的错误，许多实验室都采用多人重复评价的方法来保证结论的客观性。依据这一方法，比色石是颜色分级必不可少的条件。此外，比色石的环境、光照条件等也会影响到分级结果。 2、比色石 （1）要求：1）不得带有除黄色以外的色调；2）不得含带有颜色的及肉眼易见的内含物，其净度等级应在SI1以上；3）比色石的琢型必须是切工良好的标准圆钻型；4）比色石要大小均一，同一套比色石的重量差异不得大于0.10ct，比色石重量不应小于0.25ct；5）不得有强荧光反应；6）必须进行严格的色度标定。 （2）GIA钻石分级标准要求比色石为每一
大型复杂网络中的社区结构发现算法
—92— 大型复杂网络中的社区结构发现算法 胡 健1，董跃华1，杨炳儒2 (1. 江西理工大学信息工程学院，赣州 341000；2. 北京科技大学信息工程学院，北京 100083) 摘 要：在大型复杂网络中自动搜寻或发现社区具有重要的实际应用价值。该文把超图模型以及基于此的聚类算法应用到社区结构发现的领域。对于简单图的社区结构发现，引入边聚集系数的概念，提出基于边聚集系数的社区发现算法。将安然邮件数据集作为测试数据集，通过算法对比分析，证明该算法在时间复杂度上可以提高一个数量级。 关键词：边聚集系数；社区结构；社区发现 Community Structure Discovery Algorithm in Large and Complex Network HU Jian 1, DONG Yue-hua 1, YANG Bing-ru 2 (1. Faculty of Information Engineering, Jiangxi University of Science and Technology, Ganzhou 341000; 2. School of Information Engineering, University of Science and Technology Beijing, Beijing 100083) 【Abstract 】The automatic search and community discovery in large and complex network has important practical applications. This paper applies the hypergraph based model and cluster algorithm in community structure discovery, introduces the concept of Edge Clustering Coefficient(ECC) to community structure discovery of simple graph and proposes an algorithm of community discovery based on ECC. Enron e-mail data sets are test data sets, through comparative analysis of algorithm, to prove that this algorithm can significantly improve the time complexity. 【Key words 】Edge Clustering Coefficient(EBB); community structure; community discovery 计 算 机 工 程Computer Engineering 第34卷 第19期 Vol.34 No.19 2008年10月 October 2008 ·网络与通信· 文章编号：1000—3428(2008)19—0092—02 文献标识码：A 中图分类号：TP301.6 1 概述 复杂网络中社区发现(community finding)的研究起源于 社会学的研究工作。能够在大型复杂网络中自动搜寻或发现“社区”具有重要的实际应用价值[1]，如社会网络中的社区可能代表的是根据兴趣或背景而形成的真实的社会团体，引文网络中的社区或许代表的是针对同一主题的相关论文，万维网中的社区或许就是讨论相关主题的若干网站，而生物化学网络或者电子电路网络中的社区可能就是某一类功能单元。发现这些网络中的社区有助于更有效地理解和开发这些网络。与社区发现相关的成熟理论包括图论以及模式识别。Wu 和Huberman 的研究成果[2]以及Newman 和Girvan 的研究成果[3]使得复杂网络中的社区发现成为近几年复杂网络领域的一个研究热点并形成了复杂网络中的一个重要研究方向。Newman 和Girvan 把社区发现问题定义为将网络节点划分成若干组，使得组内的节点之间连接比较稠密而不同组节点之间的连接则比较稀少。Newman 和Girvan 在其研究中提出了基于边介数(edge betweenness)概念的分割方法，尽管该方法计算量很大，但由于其性能优越而成为社区发现研究的重要参考模型。 对于一般简单图的社区发现，也可以称之为基于图的聚类，把具有相同或者相似属性的有共性的节点聚合到一起，形成一个个的聚类[2]。这方面的方法有很多，最常用的有G-N 算法、谱二分法和层次聚类法。 尽管人们对复杂网络的社区发现问题已进行了大量的研究，但是仍然存在一些目前无法解决的基本问题[4]，如社区的概念虽然大量使用，但却缺少严格的数学定义；大多数社区发现算法虽然性能优越，但所需要的计算量却很大；更为 关键的是，很多算法不是针对异构数据集。这说明复杂网络中社区发现的研究还远没有成为体系，还有很多工作待完善。 2 边的聚集系数定义 为了刻画描述一个网络，通常有这样几个角度，一个是这个网络中点与点之间的距离以及整个网络的平均距离；另一个是每个节点的度以及整个网络的平均的度；还一个就是节点之间聚集的情况，点的聚集系数这个概念是用来体现对于某个节点A 来讲，如果B 和C 都是A 的邻接点(朋友关系)，那么B 和C 两者之间也有邻接(朋友)的可能性。 定义1 某节点n 的聚集系数(node clustering coefficient) ()C n 如下定义： (1)假设某节点n 的度是k ，则该节点的这些邻居之间可能形成边的最大数是： ()(1)/2T n k k =? (2)()E n 表示图中这些邻居之间实际的边的个数，则 ()()/()C n E n T n = 定义2 一个网络的聚集系数为这个网络中节点的聚集系数的平均值。 如图1所示，节点1的度为5，所以与它相连接的5个顶点之间最多存在54/210×=条边；而实际上另外5个顶点相互之间存在6条边，所以节点1的聚集系数是6/100.6=。 基金项目：国家自然科学基金资助项目(60675030) 作者简介：胡 健(1967－)，男，副教授、博士，主研方向：数据挖掘，智能信息检索；董跃华，副教授；杨炳儒，教授、博士生导师 收稿日期：2008-08-01 E-mail ：euguenehu@https://www.360docs.net/doc/227625038.html,
图像匹配搜索算法
本文基于相关性分析来实现图像匹配 第一步：读取图像。 分别读取以下两幅相似的图片，显示效果如下： 第二步：选择一副图像的子区域。用户可以通过鼠标选择需要截取的图像部分，用于匹配。随机选取图片的一块区域，如下图：
第三步：使用相关性分析两幅图像 采用协方差的方式计算相关系数，分析图片的相似性。 1．协方差与相关系数的概念 对于二维随机变量(,)X Y ，除了关心它的各个分量的数学期望和方差外，还需要知道这两个分量之间的相互关系，这种关系无法从各个分量的期望和方差来说明，这就需要引进描述这两个分量之间相互关系的数字特征——协方差及相关系数。 若X Y 与相互独立,则()( )0 Y E X EX Y EY σ--???? =≠;若()()0E X EX Y EY --≠????,则表 示X 与Y 不独立,X 与Y 之间存在着一定的关系 设 (,)X Y 是二维随机变量， 则称()()E X EX Y EY --????为X 与Y 的协方差（Covariance ），记为 ()cov ,X Y 或XY σ，即 ()()()cov ,XY X Y E X EX Y EY σ==--???? 若 0X σ≠ 且0Y σ=≠，则称 XY XY X Y σρσσ== 为X 与Y 的相关系数（Correlation Coefficient ）。()c o v ,X Y 是 有量纲的量，而XY ρ则是无量纲的量．协方差常用下列公式计算
()() =-? cov,X Y E XY EX EY 2．用全搜索和协方差计算截取图片与另外一幅图片的各点的相似度。c=normxcorr2(sub_I1(:,:,1),I2(:,:,1)); 第四步：找到整幅图像的偏移。 [max_c,imax]=max(abs(c(:))); [ypeak,xpeak]=ind2sub(size(c),imax(1)); [m,n]=size(sub_I1); xbegin=xpeak-n+1; ybegin=ypeak-m+1; xend=xpeak; yend=ypeak; 从原图像提取匹配到的图像 extracted_I1=I2(ybegin:yend,xbegin:xend,:); 第五步：显示匹配结果。 相关性匹配图： 找出峰值即最相似区域的中心
颜色种类大全颜色分类
颜色名称英语十六进制R G B C M Y K H S V Black#000000000000100000 Dimgray#696969105105105000590041 Gray#808080128128128000500050 Dark Gray#A9A9A9169169169000340066 Silver#C0C0C0192192192000250075 Light Gray#D3D3D3211211211000170083 Gainsboro#DCDCDC220220220000140086 White Smoke#F5F5F524524524500040096 White#FFFFFF255255255000000100 Snow#FFFAFA255250250022002100 Sand Beige#E6C3C3230195195015151001590 Rosy Brown#BC8F8F188143143024242602474 Light Coral#F0808024012812804747604794 Indian Red#CD5C5C2059292055552005580 Brown#A52A2A1654242075753507565 Fire Brick#B222221783434081813008170 Maroon#80000012800010010050010050 Dark Red#8B000013900010010045010055 Strong Red#E6000023000010010010010090 Red#FF000025500010010000100100 Persimmon#FF4D402557764070750475100 Misty Rose#FFE4E1255228225011120612100 Salmon#FA807225012811404954265498
【CN110060308A】一种基于光源颜色分布限制的颜色恒常性方法【专利】
(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910242770.X (22)申请日 2019.03.28 (71)申请人 杭州电子科技大学 地址 310018 浙江省杭州市下沙高教园区2 号大街 (72)发明人 张显斗 刘硕 李倩 (74)专利代理机构 杭州君度专利代理事务所 (特殊普通合伙) 33240 代理人 朱月芬 (51)Int.Cl. G06T 7/90(2017.01) (54)发明名称 一种基于光源颜色分布限制的颜色恒常性 方法 (57)摘要 本发明公开了一种基于光源颜色分布限制 的颜色恒常性方法。本发明步骤如下：步骤(1)为 不同相机构建精准的色域范围，计算相机空间的 黑体轨迹；步骤(2)依托黑体轨迹构建光源颜色 分布的色域范围；步骤(3)利用已有颜色恒常性 方法估计图像的光源颜色；步骤(4)对光源估计 结果进行判断，若处于色域范围内则不作处理， 若不在色域范围内则通过色域映射法将该光源 估计结果映射到色域边界内；步骤(5)将校正后 的色度点变换到RGB空间，色域映射得到的点是 估计光源校正后的色度点。本发明将已有颜色恒 常性方法光源估计不在色域内的结果映射在色 域边界内，从而降低光源估计误差，以达到对各 种不同颜色恒常性方法鲁棒性的提升。权利要求书2页 说明书6页 附图2页CN 110060308 A 2019.07.26 C N 110060308 A
1.一种基于光源颜色分布限制的颜色恒常性方法，其特征在于包括如下步骤： 步骤(1)为不同相机构建精准的色域范围，计算相机空间的黑体轨迹； 步骤(2)依托黑体轨迹构建光源颜色分布的色域范围； 步骤(3)利用已有颜色恒常性方法估计图像的光源颜色； 步骤(4)对光源估计结果进行判断，若处于色域范围内则不作处理，若不在色域范围内则通过色域映射法将该光源估计结果映射到色域边界内； 步骤(5)将校正后的色度点变换到RGB空间，色域映射得到的点是估计光源校正后的色度点。 2.根据权利要求1所述的一种基于光源颜色分布限制的颜色恒常性方法，其特征在于：步骤(1)中对于待估计光源颜色的图像，首先预测采集该图像的相机灵敏度曲线，并将黑体的光谱辐射应用到该相机灵敏度曲线上得到黑体轨迹； 步骤(2)中依托黑体轨迹构建光源颜色分布的色域范围；在黑体轨迹上找到三个点；分别位于黑体轨迹的高色温处对应的色度点m 1，低色温处对应的色度点m 2，以及在低色温和高色温中间处找到对应的色度点m 0；并在m 0处上下找到两个点m H 和m L 来扩展色域的范围；利用m 1，m H ，m 2三个点计算二次多项式来拟合色域的上边界，并用m 1，m L ，m 2计算二次多项式来拟合色域的下边界。 3.根据权利要求2所述的一种基于光源颜色分布限制的颜色恒常性方法，其特征在于：步骤(3)中利用各种已有颜色恒常性方法估计图像的光源颜色，估计的光源颜色和真 实光源颜色变换到rg空间； 4.根据权利要求3所述的一种基于光源颜色分布限制的颜色恒常性方法，其特征在于：步骤(4)中对于步骤(3)的方法估计的光源颜色结果，判断是否存在于构建的色域范围内，若处于色域范围内则不作处理，若不在色域范围内则通过色域映射法将该光源估计结果映射到色域边界来降低误差，从而提高已有颜色恒常性方法光源估计的准确性； 两种色域映射方法： 记待映射点为P(r ,g)，即颜色恒常性方法估计的光源颜色结果，假设P不在构建的色域内； 通过最小距离法或基于中心点法进行色域映射； 步骤(5)中色域映射得到的点是估计光源校正后的色度点，将其变换到RGB空间，即为校正后的光源颜色；rg转RGB的方法如下：假设B为1，b＝1-r -g，则 权 利 要 求 书1/2页2CN 110060308 A
SIFT特征点提取与匹配算法
SIFT 特征点匹配算法 基于SIFT 方法的图像特征匹配可分为特征提取和特征匹配两个部分，可细化分为五个部分： ① 尺度空间极值检测（Scale-space extrema detection ）； ② 精确关键点定位（Keypoint localization ） ③ 关键点主方向分配（Orientation assignment ） ④ 关键点描述子生成（Keypoint descriptor generation ） ⑤ 比较描述子间欧氏距离进行匹配（Comparing the Euclidean distance of the descriptors for matching ） 1.1 尺度空间极值检测 特征关键点的性质之一就是对于尺度的变化保持不变性。因此我们所要寻找的特征点必须具备的性质之一，就是在不同尺度下都能被检测出来。要达到这个目的，我们可以在尺度空间内寻找某种稳定不变的特性。 Koenderink 和Lindeberg 已经证明，变换到尺度空间唯一的核函数是高斯函数。因此一个图像的尺度空间定义为：(,,)L x y σ，是由可变尺度的高斯函数(,,)G x y σ与输入图像(,)I x y 卷积得到，即： ),(),,(),,(y x I y x G y x L *=σσ （1.1） 其中：2222/)(221 ),,(σπσσy x e y x G +-= 在实际应用中，为了能相对高效地计算出关键点的位置，建议使用的是差分高斯函数（difference of Gaussian ）(,,)D x y σ。其定义如下： ) ,,(),,() ,()),,(),,((),,(σσσσσy x L k y x L y x I y x G k y x G y x D -=*-= （1.2） 如上式，D 即是两个相邻的尺度的差（两个相邻的尺度在尺度上相差一个相乘系数k ）。
图像处理技术--模板匹配
图像处理技术——模板匹配算法 左力2002．3． 认知是一个把未知与已知联系起来的过程。对一个复杂的视觉系统来说，它的内部常同时存在着多种输入和其它知识共存的表达形式。感知是把视觉输入与事前已有表达结合的过程，而识别也需要建立或发现各种内部表达式之间的联系。 匹配就是建立这些联系的技术和过程。建立联系的目的是为了用已知解释未知。 章毓晋《图像工程下册》P.163 一．模板匹配的基本概念 模板就是一幅已知的小图像。模板匹配就是在一幅大图像中搜寻目标，已知该图中有要找的目标，且该目标同模板有相同的尺寸、方向和图像，通过一定的算法可以在图中找到目标，确定其坐标位置。 以8位图像(其1个像素由1个字节描述)为例，模板T( m ? n个像素)叠放在被搜索图S( W ? H个像素)上平移，模板覆盖被搜索图的那块区域叫子图Sij。i，j为子图左上角在被搜索图S上的坐标。搜索范围是： 1 ≤ i ≤ W – M 1 ≤ j ≤ H – N 通过比较T和Sij的相似性，完成模板匹配过程。 注意：图像的数据是从下到上、从左到右排列的。 可以用下式衡量T和Sij相似性： ∑∑ = =- = N n ij M m n m T n m S j i D 12 1 )] , ( ) , ( [ ) ,(被搜索图 S 模板 T m i {
∑∑ ∑∑ ∑∑ ======+?-=N n M m N n ij M m N n ij M m n m T n m T n m S n m S 1 2 1 1 1 1 2 1 )] ,([),(),(2)],([ 上式的第一项为子图的能量，第三项为模板的能量，都与模板匹配无关。第二项是模板和子图的互相关，随( i, j )而改变。当模板和子图匹配时，该项有极大值。将其归一化，得模板匹配的相关系数： ∑∑∑∑∑∑======?= N n M m N n ij M m N n ij M m n m T n m S n m T n m S j i R 1 2 1 1 2 1 1 1 )] ,([)],([) ,(),(),( 当模板和子图完全一样时，相关系数R( i, j ) = 1。在被搜索图S 中完成全部搜索后，找出R 的最大值Rmax( im, jm )，其对应的子图Simjm 即为匹配目标。显然，用这种公式做图像匹配计算量大、速度较慢。 另一种算法是衡量T 和Sij 的误差，其公式为： ∑∑ ==-=N n ij M m n m T n m S j i E 1 1 |),(),(|),( E( i, j )为最小值处即为匹配目标。为提高计算速度，取一个误差阈值E 0，当E( i, j )> E 0时就停止该点的计算，继续下一点计算。 试验结果如下： 注：以上试验是在赛扬600 PC 机上用VC6.0进行的。 结果表明：被搜索图越大，匹配速度越慢；模板越小，匹配速度越快。误差法速度较快，阈值的大小对匹配速度影响大，和模板的尺寸有关。 二．改进模板匹配算法 我在误差算法的基础上设计了二次匹配误差算法： 第一次匹配是粗略匹配。取模板的隔行隔列数据，即四分之一的模板数据，在被搜索图上进行隔行隔列扫描匹配，即在原图的四分之一范围内匹配。由于数据量大幅度减少，匹配速度显著提高。 为了合理的给出一个误差阈值E0，我设计了一个确定误差阈值E0的准则： E 0 = e 0 * (m+1)/2 * (n+1)/2
分布估计算法的模型分析与研究
分布估计算法的模型分析与研究 毕丽红 刘 渊 张 静 （石家庄铁路职业技术学院 河北石家庄 ０５００４１） 摘要：分布估计算法是在遗传算法基础上发展起来的一类新型进化优化算法。分布估计算 法采用概率图模型表示基因变量之间的连锁关系，以构建优良解集的概率分布模型和采样分布 模型来实现迭代优化。详细分析分布估计算法的基本原理，对采用不同概率图模型的分布估计 算法进行总结和分析，并针对分布估计算法领域的研究现状，提出仍需解决的主要问题。 关键词：分布估计算法 遗传算法 概率图模型 中图分类号：TP301 文献标识码：A 文章编号：1673-1816(2008)01-0030-05 遗传算法（Genetic Algorithms，GA）[1]是一种借鉴生物界自然遗传机制的高度并行和自适应的全局优化随机搜索算法，具有功能强、鲁棒性好、计算简单、对搜索空间无限制等特点。已经成功应用于函数优化、机器学习、数据挖掘和图像识别等领域，然而，遗传算法本身还存在一些问题。首先，遗传算法的关键是处理进化过程中的积木块（building block）[2]，然而交叉算子和变异算子不具有学习和识别基因之间连锁关系的能力，所以实际的重组操作经常造成积木块的破坏，从而导致算法逼近局部最优解或早熟；另外，遗传算法中操作参数的选择依赖性强，甚至参数选择本身就是一个优化问题[3]；第三，遗传算法的理论基础还比较薄弱。为了解决遗传算法的这些问题，更好地解决各种难解优化问题，各种改进遗传算法不断出现。至今，探索和设计能够快速、可靠、准确求解各种复杂优化问题的可胜任的遗传算法（competent GA）[2]一直是进化计算领域的一项重要课题。１ 分布估计算法的基本原理 针对积木块被破坏的问题，对传统遗传算法有代表性的改进方法主要有两类：一类是改变算法中解的表示，通过基因级而不是染色体一级的重组操作来改善遗传算法的性能。如连锁学习遗传算法（LLGA）、基因表达混乱遗传算法（GEMGA）等，然而最近一些研究表明，此类算法所具有的连锁学习（linkage learning）能力不足以解决复杂的优化问题。另一类算法则是改变重组操作的基本原理，将遗传算法中基因的交叉和变异操作改进为学习优良解集中基因的概率分布，其基本思想是从当前种群中选取部分优良解，并利用这些优良解估计和学习染色体中基因的分布模型，然后采样该分布模型产生新的染色体和种群。逐次迭代，最后逼近最优解。基于这种由分布模型改进进化算法的思想形成的一类新型优化算法称为分布估计算法（Estimation of Distribution Algorithms, EDAs）或基于概率模型的遗传算法（Probabilistic Model-Building Genetic Algorithms, PMBGAs）。 收稿日期：２００７－１１－０９ 作者简介：毕丽红（１９７０－），女，汉，河北石家庄人，硕士，副教授，研究方向智能控制。 基金项目：河北省科学技术研究与发展基金项目（０７２１３５１３４）
颜色的分类
颜色的分类： 在家庭装修中：色彩搭配的是否调和，是家庭氛围是否和谐的重要表现方式。那么，通常意义的暖冷色又是怎么分类的？ 暖色系包括红紫,红,红橙,橙,黄橙; 冷色系包括黄绿,绿,蓝绿,蓝,蓝紫;还有介於暖色系和寒色系的颜色:黄,紫. 暖色系：由太阳颜色衍生出来的颜色，红色，黄色，绿色（别惊讶，绿色也属于暖色系），给人以温暖柔和的感觉。 冷色系：蓝色，紫色都属于冷色系，另外粉色也属于冷色系哦。 中性色系：就是黑、白、灰三种颜色。适用于任何色系的人。 搭配的时候要注意：冷暖色系通常不适合搭配（当然也有例外），中性色系可以和任何颜色搭配。 不同的色彩可以使人产生不同的心理感受： 1．暖色与冷色： 红色、橙色、黄色--为暖色，象征着：太阳、火焰。 绿色、兰色、黑色--为冷色，象征着：森林、大海、蓝天。 灰色黑色、白色--为中间色（无色系）； 冷色调的亮度越高--越偏暖，暖色调的亮度越高--越偏冷。 2．兴奋与沉静： 红色和明亮的黄色调成的橙色--给人活泼、愉快、兴奋的感受。青色、青绿色、青紫色--让人感到安静、沉稳、塌实。 3．前进与后退： 色彩可以使人有距离上的心理感觉。黄色有突出背景向前的感觉，青色有缩入的感觉；其排列如下：红色 > 黄色≈橙色 > 紫色 > 绿色 > 青色； 暖色为前进色--膨胀、亲近、依偎的感觉。色彩明亮--前进！ 冷色为后退色--镇静、收缩、遥远的感觉。色彩暗 --后退！ 在家庭装修中，面积较小的房间要选用"暗色调的地板"；使人有面积扩大的感觉。如果选用明亮色彩的地板就会显得空间狭窄，增加压抑感。 4．轻与重： 色彩可以给人带来"轻与重"的感觉；白色和黄色给人感觉较轻，而红色和黑色给人感觉较重。在家装中，居室的顶部（天花）易选用浅颜色或较亮的色调；而墙和地面可适当加重，否则给人头重脚轻的感觉。 5．柔和与强硬： 暖色感觉柔和、柔软，冷色给人坚实、强硬；中性为过度色。 那么在装修风格上，各类装修风格的大致搭配色彩又是怎么样的？其地板，家具等大致搭配方案？ 欧式古典风格 古典美是人类心灵深处尊崇的美，厚重而有底蕴，是人类历史在时光岁月的流逝中沉积下来的审美精华。古典美并没有被现代社会的时尚光芒所掩盖，反而越来越成为上流社会所推崇的自我表现形式。中式古典家具或厚重深色的各式复古家具无不体现着主人的文化底蕴与对历史审美的缅怀。玛宝木、古堡橡木、巴洛克橡木与流年橡木等色系，古典而厚重的颜色配以复古处理的表面效果，能够很好地衬托出高贵而内敛的王者风范。 建议：中式与西式古典家具颜色深重并辅以复古效果处理，搭配白色或淡米黄色的墙壁、古典灯具以及油画作装饰，主人的大家风范就在复古的格调中含而不露了。 欧式简约风格
MATLAB典型去雾算法代码
本节主要介绍基于Retinex理论的雾霭天气图像增强及其实现。 1.3.1 Rentinex理论 Retinex（视网膜“Retina”和大脑皮层“Cortex”的缩写）理论是一种建立在科学实验和科学分析基础上的基于人类视觉系统（Human Visual System）的图像增强理论。该算法的基本原理模型最早是由Edwin Land（埃德温?兰德）于1971年提出的一种被称为的色彩的理论，并在颜色恒常性的基础上提出的一种图像增强方法。Retinex 理论的基本内容是物体的颜色是由物体对长波（红）、中波（绿）和短波（蓝）光线的反射能力决定的，而不是由反射光强度的绝对值决定的；物体的色彩不受光照非均性的影响，具有一致性，即Retinex理论是以色感一致性（颜色恒常性）为基础的。 根据Edwin Land提出的理论，一幅给定的图像S(x,y)分解成两幅不同的图像：反射物体图像R(x,y)和入射光图像L(x,y)，其原理示意图如图8.3-1所示。 图1.3-1 Retinex理论示意图 对于观察图像S中的每个点(x,y)，用公式可以表示为： S(x,y)=R(x,y)×L(x,y) （1.3.1）实际上，Retinex理论就是通过图像S来得到物体的反射性质R，也就是去除了入射光L的性质从而得到物体原本该有的样子。 1.3.2 基于Retinex理论的图像增强的基本步骤 步骤一: 利用取对数的方法将照射光分量和反射光分量分离，即： S＇(x, y)=r(x, y)+l(x, y)=log(R(x, y))+log(L(x, y))； 步骤二：用高斯模板对原图像做卷积，即相当于对原图像做低通滤波，得到低通滤波后的图像D(x,y)，F（x, y）表示高斯滤波函数： D(x, y)=S(x, y) *F（x, y）； 步骤三：在对数域中，用原图像减去低通滤波后的图像，得到高频增强的图像G （x, y）： G(x,y)=S＇(x, y)-log(D(x, y)) ； 步骤四：对G(x,y)取反对数，得到增强后的图像R(x, y)：
SIFT特征点提取与匹配算法
二 特征点提取算法 1、基于SIFT （Scale Invariant Feature Transform ）方法的图像特征匹配 参看David G. Lowe 的“Distinctive Image Features from Scale-Invariant Keypoints ” 基于SIFT 方法的图像特征匹配可分为特征提取和特征匹配两个部分，可细化分为五个部分： ① 尺度空间极值检测（Scale-space extrema detection ）； ② 精确关键点定位（Keypoint localization ） ③ 关键点主方向分配（Orientation assignment ） ④ 关键点描述子生成（Keypoint descriptor generation ） ⑤ 比较描述子间欧氏距离进行匹配（Comparing the Euclidean distance of the descriptors for matching ） 1.1 尺度空间极值检测 特征关键点的性质之一就是对于尺度的变化保持不变性。因此我们所要寻找的特征点必须具备的性质之一，就是在不同尺度下都能被检测出来。要达到这个目的，我们可以在尺度空间内寻找某种稳定不变的特性。 Koenderink 和Lindeberg 已经证明，变换到尺度空间唯一的核函数是高斯函数。因此一个图像的尺度空间定义为：(,,)L x y σ，是由可变尺度的高斯函数(,,)G x y σ与输入图像(,)I x y 卷积得到，即： ),(),,(),,(y x I y x G y x L *=σσ （1.1） 其中：2222/)(221 ),,(σπσσy x e y x G +-= 在实际应用中，为了能计算的相对高效，所真正使用的是差分高斯尺度空间（difference of Gaussian ）(,,)D x y σ。其定义如下： ) ,,(),,() ,()),,(),,((),,(σσσσσy x L k y x L y x I y x G k y x G y x D -=*-= （1.2） 如上式，D 即是由两个相邻的尺度的差（两个相邻的尺度在尺度上相差一个相乘系数k ）。
视觉心理学的物体大小恒常性计算
视觉心理学的物体大小恒常性计算 摘要： 知觉恒常性是人类感知世界最重要、最突出的方面，它为解决计算机图像理解和物体识别等经典计算机视觉难题提供了新的思路．大小恒常性是最重要的知觉恒常性之一．正确的图像物体大小恒常性感知的关键在于准确计算物体在图像中的感知深度．本文总结了人眼使用的各种图像深度线索，提出了这些线索融合与冲突的解决方案，然后用数学方法建立了图像物体大小恒常性计算模型．实验结果表明该模型是有效的．本文是应用视觉心理学来解决计算机视觉问题的一次成功而有益的探索． 关键词： 大小恒常性；视觉心理学；图像理解；图像深度线索 １引言 根据几何光学知识，物体在视网膜的映像轮廓不同于物体的轮廓，会随着人和环境不断变化，而且几乎每时每刻都在发生变化．但是对我们而言，外界的物体看上去都是一样的，有着标准的形状、大小、颜色、明度和位置关系．例如，随着观察者与桌子的相对运动或照明的变化，桌子的视网膜映像发生了很大的变化，但我们对它的感知却基本上没有变化．这种现象称作知觉恒常性（Ｐｅｒｃｅｐｔｉｏｎ ｃｏｎｓｔａｎｃｙ），它是人类感知世界最重要、最突出的方面．知觉恒常性使人类视觉系统能超越不完全的、易于失真的、模糊的、二维视网膜映像，而建立起丰富的、稳定的、通常正确的、三维的客观世界表象？从光学成像的角度，人眼和照相机有着几乎完全相同的成像机制（初始状态相同）．根据Ｍａｒｒ的观点，计算机视觉问题与人类视觉问题几乎完全相同，两者都是从图像中发现客观世界有什么事物，这些事物在什么地方（目的状态相同）．不同的是，人类视觉能轻易地完成计算机视觉中的许多经典难题，如边缘检测、图像分割、物体识别等等．目前，大多数研究者认为，无论在生物社区还是在机器人社区，人类视觉系统都是最好的、最通用的，而且绝大多数计算机视觉算法的参考标准要靠人眼标定．不难想象，在计算机求解视觉问题的中间状态时，如果能完全共享人类视觉的计算理论与算法，从理论上讲计算机视觉的性能就有可能与人类视觉系统相媲美悼１．知觉恒常性是人类感知世界的基本方式，所以计算机视觉也应充分利用人类知觉恒常性的有关理论与算法．恒常性理论对图像物体识别有着特别重要的意义．因为随着成像视点的变化，客观世界中的任一物体都可以产生无限多个二维图像投影，所以从二维图像出发，识别出对应的客观世界物体是一对多的数学问题，也是计算机视觉中的经典难题．恒常性理论最吸引人的地方是：面对连续变化的刺激特征，物体能被稳定、唯一地感知．所以恒常性理论特别有助于解决物体识别中的视点不变 （Ｖｉｅｗｐｏｉｎｔｉｎｖａｒｉａｎｔ）难题Ｈ。．恒常性主要包含如下种类：大小恒常性、形状恒常性、明度恒常性及颜色恒常性等．文献［５］指出： 除了有了颜色恒常性的报告外，没有发现计算机视觉学者对其他恒常性的研究文献．我们通过对国内外的中、英文文献资料的检索，也得出了同样的结论．故本文将对大小恒常性进行计算研究．大小是标识物体的一个重要属性．例如，在日常生活中，矮个子被感知为小孩的概率较大，高个子被感知为成年人的概率较大．而且，正确感知物体的大小具有重要的生物学意义．对许多食肉动物而言，小老虎是它们可能的美餐，而大老虎则是它们的杀手．故自动计算图像物体的正常大小对于图像物体识别无疑是十分重要的，这也正是图像物体大小恒常性计算的意义及应用所在． ２大小恒常性心理学基础视觉心理学的研究表明：尽管物体视网膜映像的大小在变，但看上去它的大小基本不变．心理学家称这一现象为大小恒常性（Ｓｉｚｅ ｃｏｎｓｔａｎｃｙ）．图１显示了一些大小恒常性的例子．视觉心理学已经揭示了大小恒常性的计算理论ｕ１，用公式表示为： Ｓ＝Ｂ木Ａ半Ｄ （１）ｓ为物体的感知大小，Ａ为物体的成像视角，Ｄ为物体的感知深度（也称感知距离），即人类视觉系统感知到的图像上物体在成像时离照相机的距离，曰为与眼睛（相机）有关的成像缩放系数（对于同一次成像，曰值对所有物体都是相同的）．物体的成像视角Ａ可用物体在图像中的一维大小来表示．图２演示了一个实例．棒１和棒２分别放在离观察者１０个单位、３０个单位远的位置上，即Ｄ棒ｌ＝１／３ Ｄ棒２．根据几何光学知识，物体成像视角的大小与物体离眼睛的距离成反比，故两棒成像视角的关系为Ａ棒。＝３Ａ棒２．如果能正确感知两棒的实际深度（距离）Ｄ棒。，Ｄ棒２，应用式（１）就能实现大小恒常性，即Ｓ棒。＝Ｓ棒２．视觉心理学还揭示了人眼使用的各种图像深度线索（Ｉｍａｇｅ ｄｅｐｔｈ ｃｕｅｓ），主要包括：物体在图像中的高度（Ｅｌｅｖａｔｉｏｎ ｏｆ ｏｂｊｅｃｔ ｉｎ ｔｈｅ ｉｍａｇｅ）、线性透视（Ｌｉｎｅ ｐｅｒｓｐｅｃｔｉｖｅ）、纹理梯度（Ｔｅｘｔｕｒｅｇｒａｄｉｅｎｔ）、大气透视（Ａｅｒｉａｌ ｐｅｒｓｐｅｃｆｉｖｅ）等．下面对它们分别介绍，主要参考资料见文献［１，６，７］．（１）物体在图像中的高度室外深度图像一般同时包含低处的地面部分与高处的天空部分，如图ｌ（ａ）一（ｃ）、图３（ｃ）～（ｄ）．室内深度图像一般也同时包含低处地板部分与高处的天花板部分，如图３（ａ）．我们分别统称室外图像的天空部分与室内图像的天花板部分为图像天空，地面部分与地板部分为图像地面，并称图像天空与图像地面的分界线为中间线．处于中间线附近的图像物体在图像中具有最大的感知深度．在图像地面部分，图像物体离中间线越近，即离图像底端越远，感知深度越大，反之越小；在图像天空部分，图像物体离中间线越近，即离图像顶端越远，感知深度越大，反之越小．物体在图像中的高度是一种最重要的图像深度线索．图像有时也没有中间线，此时只有地面部分，线性透视客观世界中向远处延伸的平行线，在图像平面中将靠得越来越近，甚至会聚（Ｃｏｎｖｅｒｇｅ）．这样一组线称为会聚线（Ｃｏｎｖｅｒｇｉｎｇ ｌｉｎｅ），它们的会聚点称为灭点（Ｖａｎｉｓｈｉｎｇ ｐｏｉｎｔ）．在图像中，平行线指示平坦的表面，会聚线指示向远处延伸的表面．对于室外图像，线性透视效果一般仅出现在图像地面部分，但对于室内图像，同时作用于地面部分与天空部分，如图３（ｎ）．线性透视的深度感知规律是：图像中的物体离灭点越近，感知深度越大，反之越小．同时，会聚线的中心线也能给出图像感知深度变化最快的方向．如图ｌ（ａ）两铁轨的中心线（与图像底端边线夹角约４５℃）指示感知深度变化最快的方向；而图ｌ（ｂ）小径的中心线（与图像底端边线夹角约９００ｃ）为感知深度变化最快的方向．（３）纹理梯度（纹理密度） 许多表面如墙面、路面及田野里的花朵都有纹理．当这些纹理表面向远处延伸时，表面离观察者越远，分辨率越小、纹理也变得越来越小．所以，对于图像中的同质纹理区域，分辨率越小，纹理越小，感知深度越大；纹理越大，分辨率越大，感知深度越小．纹理梯度方向可用来指示感知深度变化最快的方向，大气透视大气散射来自各个方向的光线．来自远处物体的光线也应被大气散射．因蓝光更容易被散射，所以物体距观察者越远，物体附着的蓝色越深．又因并不是所有的光都以直线进入观察者的眼睛，所以物体距观察者越远，物体看上去越模糊．这种自然现象称大气透视，它也是一种图像深度线索：图像中的物体越模糊，附着的蓝色越深，感知深度越大，反之越小．（ｄ）是一张大峡谷的照片．照片中间靠近右侧（如箭头所示）的部分清晰、带蓝色较浅，感知深度较小；而同一高度靠近左侧的部分模