位图是什么?

admin

篇一：位图变成矢量图

位图转矢量图

教学目标：

1、 教会学生将位图转矢量图而且不改变图型色彩的方法。

2、 教会学生渐变工具和填充色彩面板的使用方法。

3、 教会学生如何将凤凰卫视图标的位图转矢量图。

教学重点：如何将位图转矢量图而且不改变图型色彩。

教学难点：渐变工具和填充色彩工具的使用方法

教学方法：讲解法、演示法、实训法相结合。

教学地点：二机房。

教学工具：投影仪、教学课件。

学习工具：机房电脑。

教学过程：

导入新课：

广告行业使用的大部分图片来自网上的位图，我们都知道网上的位图很多不清晰，存在锯齿，不好再进行更细致的处理。如何消除锯齿成了所有设计者的一道难题。

矢量图和位图相比，矢量图就没有了锯齿的困惑，而AI软件就恰恰能帮助我们解决这道难题。听起来有些不可思议。

知识讲解：

下面我们在学习位图转矢量图而且不改变图型色彩的方法之前我们得先学习一些工具的使用方法。

一、位于AI软件工具面板下端有这样一些图标。可以使用“工具”面板中的以下任何控件来指定颜色：

填充按钮

描边按钮

通过双击此按钮，可以使用拾色器来选择填充颜色。 通过双击此按钮，可以使用拾色器来选择描边颜色。通过单击此按钮，可以在填充和描边之间互换颜色。

通过单击此按钮，可以恢复默认颜色设置 （白色填充和黑互换填色和描边按钮默认填色和描边按钮

色描边）。 颜色按钮

“无”按钮 通过单击此按钮，可以将上次选择的纯色应用于具有渐变填充或者没有描边或填充的对象。（快捷键是“<”号键。） 通过单击此按钮，可以删除选定对象的填充或描边。（快捷键是“？”号键。）

渐变按钮

“>”号键。） 通过单击此按钮，可以将当前选择的填充更改为上次选择的渐变。（快捷键是

二、渐变工具和渐变面板的使用

1、渐变工具的快捷键是G键。

2、渐变面板的介绍：

渐变面板的类型选项只有径向和线性两种形式。

新增加了反向渐变图标。可以直接调换色彩的方向。 。 角度的设置可以改变渐变的方向

渐变滑块可以设置渐变的效果。可以增加和减去颜色。

AI CS4还增加了不透明度选项可以改变某一个颜色的不透明度。而在以前的板本是很难实现这样的效果的。

三、实时描摹和扩展的使用方法。

描摹选项面板的模式和阈值的设置方法。（体在操作中讲解）

教学项目：

现在我们将凤凰卫视图标的位图转成矢量图。

第一步：

实时描摹

实时描摹和通过描摹选项设置的描摹形式有什么不同？

实时描摹是已经设置好的描摹形式，不一定适应所有的图片。而通过描摹选项设置后可以描摹我们需要的效果。

描摹选项面板的模式设置有三种形式，一种黑白、一种彩色、一种是灰度，他们有什么区别呢？（具体在操作中讲解）

阈值是什么概念？怎么设置凤凰卫视图标的阈值？

设置阈值后，点击确定。凤凰卫视图标变成了黑色，但还是不能生成路径，怎么办？ 用什么办法可以变成可编辑的路径区域图形呢。用其他工具试一试。确定不能实现目标， 第二步：

点击扩展图标后路径自动生成了。图标锯齿将不再出现。

第三步：

最后给图标上色，完成实例。

选择渐变图标或按“>”图标，打开渐变面板，设置好颜色，填充渐变色。

（具体操作在实践中讲解）

课堂实践：

请一个学生上台演示。其余学生自主练习。(老师观摩，指导学生完成作业。)

教师点评：

点评学生的作业。（师评与互评）

作业收集：

学生完成的作业上交到老师的文件夹。

学生总结：

学习了填充颜色的方法、渐变工具的使用方法、以及将位图转成矢量图的方法。 课后作业：

将下列北京奥运会会徽位图，转为矢量图并保存。

篇二：8583位图

8583位图

8583是这样的，我举一个简单的例子。以64个域的报文来举例，域是什么我也说不清楚，你可以把它想象为医院放药的抽屉，一个抽屉预先定义好要放什么东西，比如伟哥，或者感冒冲剂，一般情况下定义放伟哥的抽屉最好永远放伟哥，不要放别的东西，当然你也可以放板蓝根，但这样的话容易出错，也不太规范。

数量是这么规定的，有三种情况：

首先是定量，也就是说定义好这个抽屉放30瓶伟哥，就放30瓶一瓶也不能多，一瓶也不能少。 其次是LLVAR，也就是说用1位字节定义数量，比如0x12表示里头放12瓶，当然你也可以理解为16+2=18瓶。但要是0x12表示12，那0x13就等于13，不要0x12=12 ，0x13=19

最后是LLLVAR,是2位字节表示数量，比如 0x01,0x04 = 104

域也就是这样的，一共有64个域，每个域预先定义了内容和长度

有一个叫做BITMAP的，也就是位图，定义了一个数据包里包含

了几个域。举个例子

20 00 38 00 00 00 00 34

你把它解开，排列一下

20 = 0010 0000

00 = 0000 0000

38 = 0011 1000

依次类推，得到一串数字

0010 0000 0000 0000 0011 1000 0000 0000 0000 0000 0000 0000 0000 0000 0011 0100 然后从左到右数一下里头含有1的是那几位，上面的例子我们得到

3 19 20 21 59 60 62 ,这几位含有1。也就是说接下来的报文包含有这几个域。

好了说了那么多，我们来做一个简单的例子比如消费交易，需要上送交易类型，卡号等等，定义如下 卡号 第2域 LLVAR BCD 5309987876545342

交易类型 第3域 长度6 BCD 900000

金额 第4域 长度12 BCD 100分

时间 第7域 长度8 BCD 20030802

2磁道信息 第35域 LLVAR ASCII 123456

3磁道信息 第36域 LLLVAR BCD 123456001

商户号 第41域 LLVAR ASCII 98765432

好了我们现在开始打包，首先按照长度和类型把上面的数据处理一下

卡号 165309987876545342

交易类型 900000

金额 000000000100

时间 20030802

2磁道 06313233343536

3磁道 0009123456001

商户号 083938373635343332

接下来我们按照域信息生成位图

因为有第2域，所以第二个位置是1，由第三域，所以第三个位置

是1，。。。

依此类推得到一串数字

0111 0010 0000 0000 0000 0000 0000 0000 0011 0000 1000 0000 0000 0000 0000 0000

转换过来，就是

72 00 00 00 30 80 00 00 这个就是BITMAP了

然后把上面的数据按照BITMAP+每个域的内容，依次排列 就得到这个包的内容了

7200000030800000165309987876545342900000000000000100 20030802063132333435360009123456001083938373635343332 前头再加上TPDU和MSGID就是最后的数据包

很简单把，解包也一样的。

写得不好，让各位见笑了。

篇三：图片搜索的原理

图片搜索的原理是什么？

这种技术的原理是什么？计算机怎么知道两张图片相似呢？对于这种图像搜索的算法，一般是三个步骤：

1. 将目标图片进行特征提取，描述图像的算法很多，用的比较多的是：SIFT描述子，指纹算法函数，bundling features算法，hash function（散列函数）等。也可以根据不同的图像，设计不同的算法，比如图像局部N阶矩的方法提取图像特征。

2. 将图像特征信息进行编码，并将海量图像编码做查找表。对于目标图像，可以对分辨率较大的图像进行降采样，减少运算量后在进行图像特征提取和编码处理。

3. 相似度匹配运算：利用目标图像的编码值，在图像搜索引擎中的图像数据库进行全局或是局部的相似度计算；根据所需要的鲁棒性，设定阈值，然后将相似度高的图片预保留下来；最后应该还有一步筛选最佳匹配图片，这个应该还是用到特征检测算法。

其中每个步骤都有很多算法研究，围绕数学，统计学，图像编码，信号处理等理论进行研究。

根据Neal Krawetz博士的解释，原理非常简单易懂。我们可以用一个快速算法，就达到基本的效果。

这里的关键技术叫做"感知哈希算法"（Perceptual hash algorithm），它的作用是对每张图片生成一个"指纹"（fingerprint）字符串，然后比较不同图片的指纹。结果越接近，就说明图片越相似。下面是一个最简单的实现： 第一步，缩小尺寸。

将图片缩小到8x8的尺寸，总共64个像素。这一步的作用是去除图片的细节，只保留结构、明暗等基本信息，摒弃不同尺寸、比例带来的图片差异。 第二步，简化色彩。

将缩小后的图片，转为64级灰度。也就是说，所有像素点总共只有64种颜色。

第三步，计算平均值。

计算所有64个像素的灰度平均值。

第四步，比较像素的灰度。

将每个像素的灰度，与平均值进行比较。大于或等于平均值，记为1；小于平均值，记为0。

第五步，计算哈希值。

将上一步的比较结果，组合在一起，就构成了一个64位的整数，这就是这张图片的指纹。组合的次序并不重要，只要保证所有图片都采用同样次序就行了。

得到指纹以后，就可以对比不同的图片，看看64位中有多少位是不一样的。在理论上，这等同于计算"汉明距离"（Hamming distance）。如果不相同的数据位不超过5，就说明两张图片很相似；如果大于10，就说明这是两张不同的图片。

具体的代码实现，可以参见Wote用python语言写的imgHash.py。代码很短，只有53行。使用的时候，第一个参数是基准图片，第二个参数是用来比较的其他图片所在的目录，返回结果是两张图片之间不相同的数据位数量（汉明距离）。

这种算法的优点是简单快速，不受图片大小缩放的影响，缺点是图片的内容不能变更。如果在图片上加几个文字，它就认不出来了。所以，它的最佳用途是根据缩略图，找出原图。

实际应用中，往往采用更强大的pHash算法和SIFT算法，它们能够识别图片的变形。只要变形程度不超过25%，它们就能匹配原图。这些算法虽然更复杂，但是原理与上面的简便算法是一样的，就是先将图片转化成Hash字符串，然后再进行比较。


《位图是什么?》出自：百味书屋
链接地址：http://www.850500.com/news/71336.html
转载请保留,谢谢!