在卷积和和池化的过程中存在着两种对图像的处理形式：
在这个例子中： 输入跨度为13 滤波器宽度为6 步幅为5
“VALID”：只会丢掉最右边的列（或最底部的行） “SAME”：尝试向左或右均匀填充，但如果添加的列数是奇数，它将向右添加偶数，向左侧添加奇数个列（向下添加偶数个列，向上添加奇数个列）
在 tensorflow 中，tf.nn.conv2d函数和tf.nn.max_pool函数，尺寸变化： 对于SAME填充，输出高度和宽度计算如下： out_height = ceil（float（in_height）/ float（strides [1]））
out_width = ceil（float（in_width）/ float（strides [2]））
和
对于VALID填充，输出高度和宽度计算如下： out_height = ceil( float(in_height – filter_height + 1）/ float(strides[1]))
out_width = ceil( float(in_width – filter_width + 1）/ float(strides [2])）
起因 最近在做一个图像处理的算法，因为图像太暗，所以需要对图像的亮度进行增强(不考虑噪声的放大)。尝试了网上搜索到的各种方法后，发现它们存在两个问题：容易造成原本较亮的地方过曝，并且参数不好设置。尝试了一些暗光增强的paper的算法后，发现它们又太慢了。这时我想到曾经看过的一篇paper说过，有一种亮度增强的算法是基于去雾来做的，步骤很简单： 1. 将RGB图像取反(关于图像取反，请参考我的这篇博客OpenCV图像取反)； 2. 对取反后的图像进行去雾； 3. 将去雾后的图像取反。
其背后的理念是：暗光图像取反后，原本接近黑色的像素就会变成接近白色，整张图像就会类似于有雾的图像。于是对这样的图像进行去雾后，白色的像素就变暗了，再反色后，像素就变亮了！没毛病！
快速去雾算法 说起去雾，恐怕大多数人的第一反应就是鼎鼎大名的何恺明博士的暗通道先验去雾算法。我的第一反应也是这个。但是在了解之后，我发现这种方法速度太慢了，难以应用到我的算法中。于是我开始搜索快速的去雾算法，很快找到了这篇论文《基于单幅图像的快速去雾算法》刘倩, 陈茂银, 周东华(这篇文章中也提到了暗通道先验去雾算法的速度太慢)，速度很快，只有O(1)复杂度。
这篇论文我并没有仔细看，而是秉承“拿来主义”的精神，直接根据论文提供的算法流程实现了代码。原因是它的算法流程太简单了，在轻松地实现了代码之后，就没有再看的欲望了~这里贴一下它的算法流程，你们自己看： 源码解释 我把实现的代码放到了GitHub：IBEABFHR(原谅我这个取名废)，请点进去看效果图，我这里就不重复放了。我感觉效果还是很好的，暗处的亮度增强得很好，亮处虽然有过曝，但并不是很明显。而且控制亮度的参数很好调整，只要随便找一张图像调整好参数，就可以应用于所有图片了。
运行速度 代码是用OpenCV实现的，同时支持彩色图像和灰度图像。在我的电脑上(CPU: E3-1230 v3)测试，运行100次取平均值，速度如下：
分辨率 类型 时间 1024×768 灰度图像 8.77ms 1024×768 彩色图像 16.24ms 1920×1080 灰度图像 22.61ms 1920×1080 彩色图像 40.60ms 4160×2340 灰度图像 104.57ms 4160×2340 彩色图像 186.14ms 但是如果你只使用我的算法一次，可能速度要慢得多，原因是第一次取反操作因为未知原因耗费了额外的时间。关于这点，请参看我的这篇博客OpenCV图像取反。
参数调整 这个算法总共有两个可变参数。一个是在step 3中进行均值滤波时的所用的滤波半径radius，另一个是在step 5中用的ρ。
radius参数在某些图像上可以控制对比度，数值越大，对比度越强，但在某些图像上不起作用。这个参数取值不能太小，否则增强后的图像会出现光晕。一般不应小于50或者图像宽度和高度最大值的的1/20。
ρ控制图像增强的亮度，数值越大，增强后的图像越亮。一般的取值范围为[1.0, 2.0]。在我的实现中，我使用了一种简单选择的策略，请参看源代码，仅供参考。
关于参数的效果及设置，我参考了这篇博客一种可实时处理 O(1)复杂度图像去雾算法的实现，在此进行感谢。
数字图像：每一个数字图像都是一个像素点矩阵，这个矩阵包含所有像素点的强度值
像素点：最小的图像单元，一张图像由好多的像素点组成。像素就是图像的尺寸
位图：也称点阵图，它是由许多点组成的，这些点称为像素。当许多不同颜色的点组合在一起后，便构成了一副完整的图像。 位图可以记录每一个点的数据信息，从而精确地制作色彩和色调变化丰富的图像。但是，由于位图图像与分辨率有关，它所包含的图像像素数目是一定的，若将图像放大到一定程度后，图像就会失真，边缘出现锯齿。
灰度：表示图像像素明暗程度的数值，也就是黑白图像中点的颜色深度，范围一般从0到255，白色为255 ，黑色为0。灰度值指的是单个像素点的亮度，灰度值越大表示越亮。灰度级表明图像中不同灰度的最大数量灰度级越大，图像的亮度范围越大。
通道：把图像分解成一个或多个颜色成分；①单通道：一个像素点只需一个数值表示，只能表示灰度，0为黑色； ②三通道：RGB模式，把图像分为红绿蓝三个通道，可以表示彩色，全0表示黑色；③四通道：在RGB基础上加上alpha通道，表示透明度，alpha=0表示全透明
深度：深度即位数（比特数）①位深：一个像素点所占的总位数，也叫像素深度、图像深度等，其中位深 = 通道数 × 每个通道所占位数 ②256色图：n位的像素点可以表示2^n种颜色，称2^n色图，n=8时为256色图 ③8位RGB与8位图：前者的位数指每个通道所占的位数，后者指整个像素点共占的位数，其中8位RGB是一个24位图，也称为真彩
对比度：指不同颜色之间的差别。对比度越大，不同颜色之间的反差越大，即所谓黑白分明，对比度过大，图像就会显得很刺眼。对比度越小，不同颜色之间的反差就越小。对比度=最大灰度值/最小灰度值
亮度：指照射在景物或图像上光线的明暗程度。图像亮度增加时，就会显得耀眼或刺眼，亮度越小时，图像就会显得灰暗。
色相：颜色，调整色相就是调整景物的颜色，例如，彩虹由红、橙、黄、绿、青、蓝、紫七色组成，那么它就有七种色相。顾名思义即各类色彩的相貌称谓，如大红、普蓝、柠檬黄等。色相是色彩的首要特征，是区别各种不同色彩的最准确的标准。事实上任何黑白灰以外的颜色都有色相的属性，而色相也就是由原色、间色和复色来构成的
色调：各种图像色彩模式下原色的明暗程度，级别范围从0到255，共256级色调。例如对灰度图像，当色调级别为255时，就是白色，当级别为0时，就是黑色，中间是各种程度不同的灰色。在RGB模式中，色调代表红、绿、蓝三种原色的明暗程度，对绿色就有淡绿、浅绿、深绿等不同的色调。
色调是指色彩外观的基本倾向。在明度、纯度、色相这三个要素中，某种因素起主导作有用，可以称之为某种色调
饱和度：指图像颜色的浓度。饱和度越高，颜色越饱满，即所谓的青翠欲滴的感觉。饱和度越低，颜色就会显得越陈旧、惨淡，饱和度为0时，图像就为灰度图像。可以通过调整电视机的饱和度来进一步理解饱和度的概念。
频率：灰度值变化剧烈程度的指标，是灰度在平面空间上的梯度。低频就是颜色缓慢地变化,也就是灰度缓慢地变化,就代表着那是连续渐变的一块区域,这部分就是低频。 高频就是频率变化快，即相邻区域之间灰度相差很大,这就是变化得快。图像中,一个影像与背景的边缘部位的频率高，即高频显示图像边缘。图像的细节处也是属于灰度值急剧变化的区域，正是因为灰度值的急剧变化，才会出现细节。另外噪声（即噪点）也是这样,在一个像素所在的位置,之所以是噪点,就是因为它与正常的点颜色不一样了，灰度有了快速地变化。固有“图像的低频是轮廓，高频是噪声和细节”。
空域：也叫空间域，即所说的像素域，在空域的处理就是在像素级的处理，如在像素级的图像叠加。通过傅立叶变换后，得到的是图像的频谱。表示图像的能量梯度。
频域： 也叫频率域，任何一个波形都可以分解成多个正弦波之和。每个正弦波都有自己的频率和振幅。所以任意一个波形信号有自己的频率和振幅的集合。频率域就是空间域经过傅立叶变换的信号
图像分辨率：每英寸图像内的像素点数。分辨率越高，像素的点密度越高，图像越逼真。
空间分辨率：图像中可辨别的最小细节的度量，如果一幅图像的尺寸为MxN，表明在成像时采集了MxN个样本，空间分辨率是MxN。
灰度分辨率：在灰度级中可分辨的最小变化，在数字图像处理教程中，灰度分辨率指的是色阶，色阶是表示图像亮度强弱的指数标准，也就是我们说的色彩指数。灰度分辨率指亮度，和颜色无关，但最亮的只有白色，最不亮的只有黑色。
颜色空间(颜色模型)：描述颜色的三维空间坐标系，一个颜色定义为颜色空间的一个点。
1.灰度模式：“灰度”模式可以表现出丰富的色调，但是也只能表现黑白图像。“灰度”模式图像中的像素是由8位的分辨率来记录的，能够表现出256种色调，从而使黑白图像表现的更完美。灰度模式的图像只有明暗值，没有色相和饱和度这两种颜色信息。其中，0%为黑色，100%为白色，K值是用来衡量黑色油墨用量的。使用黑白和灰度扫描仪产生的图像常以灰度模式显示。
2.位图模式：“位图”模式的图像又叫黑白图像，它用黑、白两种颜色值来表示图像中的像素。其中的每个像素都是用1 bit的位分辨率来记录色彩信息的，占用的存储空间较小，因此它要求的磁盘空间最少。位图模式只能制作出黑、白颜色对比强烈的图像。如果需要将一副彩色图像转换成黑白颜色的图像，必须先将其转换成“灰度”模式的图像，然后再转换成黑白模式的图像，即“位图”模式的图像。
在OpenCV中，彩色图像使用OpenCV加载时是BGR模式。但是在Matplotlib中是RGB模式，所以彩色图像如果已经被OpenCV读取，那他将不会被Matplotlib正确显示。
3.HSV颜色模型：也称六角锥体模型(Hexcone Model)。、这个模型中颜色的参数分别是：色调（H），饱和度（S），亮度（V）。在HSV颜色空间中要比在BGR空间中更容易表示一个特定颜色。
H参数表示色彩信息，即所处的光谱颜色的位置。该参数用一角度量来表示，红、绿、蓝分别纯度S为一比例值，范围从0到1，它表示成所选颜色的纯度和该颜色最大的纯度之间的比率。S=0时，只有灰度。相隔120度。互补色分别相差180度。
V表示色彩的明亮程度，范围从0到1。有一点要注意：它和光强度之间并没有直接的联系。（以下的HSI模型应该就是HSV模型）
图像描述：
距离度量：描述图像中像素之间的距离。
欧几里得距离：距离点(i,j)小于或者等于某一值是以点(i,j)为原点的圆
城市街区(小区)距离：距离点(i,j)小于或者等于某一值是以点(i,j)为中心的菱形
棋盘距离距离：;距离点(i,j)小于或者等于某一值是以点(i,j)为中心的正方形
暗通道最早是由He提出的，并且也发展得很快，具体的在这里不说，这篇文章，只是谈一下暗通道去雾的实现过程
1.该方法最原始的模型是I=Jt+A(1-t)，这个模型在我的其他文章中有详细介绍，这里不详细讲解。
可以看出带有雾的图像的I是由没有散射的原图像J和大气光(air light)共同组成的。这里刚好看到t，1-t和为1，实则不然，只是凑巧这样，原作者有详细的推导，这个是推导而来并非为了凑和为1。
2.看了上面的模型进一步会想，要是我们把t变为1，不就I=J，完事了么……理论上是这样的，不过一般给你的图像都是拍好的，你要想t=1，那你得找没有雾的图，没有雾的图你去啥雾。在这里我们不是改变t的值，而是对t进行求解。
3.为了求t，He老大的暗通道出现了，他发现一个规律，在没有雾的图像中，图像的RGB通道，总会有一个通道的值偏低。该区域的最小值是一个很小的值。颜色鲜艳和阴影都会表现出暗通道极小的值。下图是选了三通道最小值后又做了个最小值滤波。该公式就可以表示暗通道的性质了。c为通道，Ω局部窗范围（最小滤波）。这里还有一点可以看出，天空那不是黑的。在He.2009年的论文中也说明了，在带有天空的图像中，暗通道方法并不是很适用，后期应该是他已经改进了，想要了解的可以去查一下。
4.J=0，你有没有看出点什么。我们未知参数就只有一个t了。
通过上面的公式我们的t就求出来了，t出来了我们真实的J就可以求解出来了。
5.这里说明几个问题
①求出的t咋用？这里说明一点，在图像中，不同点的t是不同的，因此每个区域都有一个t，把t的矩阵带入到最上面即可。
②大气光A怎么求？首先从暗通道图像中按照亮度的大小提取最亮的前0.1%像素。然后，在原始有雾图像II中寻找对应位置上的具有最高亮度的点的值，并以此作为AA的值。
③三个通道怎么处理呢？一个一个处理，t是一样的，只是不同的Ic和Ac……（c：R、G、B）
④网上提到了soft matting和导向图是用来干啥的？咱们用最小滤波出来的暗通道会是一块一块的，那么咱们的t估计也好不到哪去…………为了得到更好地t，我们就要优化我们的暗通道图。He最初用soft matting……网上的评论一致认为很慢，我没试，也就不说了。导向图是用来替代soft matting的，也是听他们说很快。
图片来自大神博客：http://www.cnblogs.com/Imageshop/p/3281703.html
镜头阴影矫正（Lens Shading Correction）是为了解决由于lens的光学特性，由于镜头对于光学折射不均匀导致的镜头周围出现阴影的情况。
lens shading分为两种luma shading(亮度阴影)和color shading(色彩偏差)。
luma shading：由于Lens的光学特性，Sensor影像区的边缘区域接收的光强比中心小，所造成的中心和四角亮度不一致的现象。镜头本身就是一个凸透镜，由于凸透镜原理，中心的感光必然比周边多。如图所示：
color shading： 由于各种颜色的波长不同，经过了透镜的折射，折射的角度也不一样，因此会造成color shading的现象，这也是为什么太阳光经过三棱镜可以呈现彩虹的效果。如图所示： 矫正方法：
任何Shading都可以通过当前像素乘以增益gain的方式进行矫正。比较常见的两种思路：
<1> 半径矫正（radial shading correct）
<2> 网格矫正（mesh shading correct）
这两种矫正的gain都是基于中心像素灰度值和边缘像素灰度值以及矫正像素位置到中心像素位置的距离共同决定。
参考资料：
https://www.mm-sol.com/products/computational-camera/automatic-lens-shading-correction.html
http://blog.csdn.net/u013531497/article/details/39082415
https://wenku.baidu.com/view/2b20c21ffad6195f312ba6df.html
http://blog.csdn.net/xiaoyouck/article/details/77206505
http://blog.csdn.net/qq377801394/article/details/72472034
T1 最优图像 【题目描述】 小E在好友小W的家中发现一幅神奇的图画，对此颇有兴趣。它可以被看做一个包含N×M个像素的黑白图像，为了方便起见，我们用0表示白色像素，1表示黑色像素。小E认为这幅图画暗藏玄机，因此他记录下了这幅图像中每行、每列的黑色像素数量，以回去慢慢研究其中的奥妙。 有一天，小W不慎将图画打湿，原本的图像已经很难分辨。他十分着急，于是找来小E，希望共同还原这幅图画。根据打湿后的图画，他们无法确定真正的图像，然而可以推测出每个像素原本是黑色像素的概率Pij%。那么，一个完整的图像的出现概率就可以定义为 ，其中Sij表示在还原后的图像中，像素是白色(0)还是黑色(1)。换句话说，一个完整图像出现概率就等于其所有黑色像素的出现概率之积。显然，图像的黑色像素不能包含概率为0的像素。 然而，小E对此也无能为力。因此他们找到了会编程的小F，也就是你，请你根据以上信息，告诉他们最有可能是原始图像的答案是什么。
【输入文件】 输入文件image.in的第一行是两个正整数N和M，表示图像大小。 接下来N行每行包含M个整数，表示每个像素是黑色像素的概率为Pij%。0 ≤ Pij < 100。 接下来一行有N个非负整数，表示每一行中黑色像素的个数。 接下来一行有M个非负整数，表示每一列中黑色像素的个数。
【输出文件】 输出文件image.out包含一个N×M的01矩阵，表示你还原出的图像。输出不包含空格。图像每行、每列中1的个数必须与输入一致，且是所有可能的图像中出现概率最大的一个。输入数据保证至少存在一个可能的图像。如果有多种最优图像，任意输出一种即可。
【样例输入】 2 2 90 10 20 80 1 1 1 1
【样例输出】 10 01
【样例解释】 共有两种可能的图像： 01 10 和 10 01 前者的出现概率是0.1×0.2=0.02，后者的出现概率是0.9×0.8=0.72，故后者是最优图像。
【数据规模和约定】 对于20%的数据，N , M ≤ 5 对于100%的数据，N , M ≤ 100
分析： 首先看到这道题，感觉又像贪心，又像dp
我们就应该有一种直觉：网络流 建图方式显而易见 但是每一种图的贡献是一种连乘的形式 而网络流好像只能计算相乘的形式，怎么办呢
中午吃饭的时候，dp表示：可以取一个lg，这样就可以把乘变加了 觉得非常有道理
建图：用1…n表示行，n+1…n+m表示列，
若Pij>0，则连一条边(i,n+j)，费用为-lg(Pij)*100000，容量为1 然后从s向1…n连边，费用为0，容量为这一行的黑色像素数量 然后从n+1..n+m向t连边，费用为0，容量为这一列的黑色像素数量 求这个图的最小费用最大流
写完测了一下，只能过掉20%的数据 听说需要用ZKW网络流优化 （本文中不再冗述，重点在于解题思路）
tip 注意输出的时候没有空格（mdzz，太不认真了。。。）
1. 前言 现在手中只有一张图像需要在一个集合中去找到与之最相近的那一张，这个过程实际是一个匹配的过程，特别是在多模态医学图像中解决这样的问题是比较迫切的，今年试验了一种广泛使用的算法——感知哈希算法！具体的实验结果将在下文中给出。
2. 算法原理 step1：缩小图片尺寸 将图片缩小到8×8的尺寸, 总共64个像素. 这一步的作用是去除各种图片尺寸和图片比例的差异, 只保留结构、明暗等基本信息。 step2：转为灰度图片 将缩小后的图片, 转为64级灰度图片。 step3：计算灰度平均值 计算图片中所有像素的灰度平均值 step4：比较像素的灰度 将每个像素的灰度与平均值进行比较, 如果大于或等于平均值记为1, 小于平均值记为0。 step5：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位的二进制整数, 这就是这张图片的指纹。 step6：对比图片指纹 得到图片的指纹后, 就可以对比不同的图片的指纹, 计算出64位中有多少位是不一样的. 如果不相同的数据位数不超过5, 就说明两张图片很相似, 如果大于10, 说明它们是两张不同的图片。
3. Python实现 # -*- coding=utf-8 -*- import numpy as np from PIL import Image import matplotlib.pyplot as plt # extract feature # lines: src_img path def Extra_Featrue(lines, new_rows=64, new_cols=64): for name in lines: ori_img = Image.open(name.strip()) feature_img = ori_img.
看完颜色的物理和数学描述基础，再来分析颜色的哲学基础，颜色的人文语义属性。颜色的基本三属性为色相、明度和纯度。
来自于百科：色彩是通过眼、脑和我们的生活经验所产生的一种对光的视觉效应。人对颜色的感觉不仅仅由光的物理性质所决定，比如人类对颜色的感觉往往受到周围颜色的影响。有时人们也将物质产生不同颜色的物理特性直接称为颜色。
人眼对色彩的感知一般来源于来自于光源的直射色和物体表面的反射色。
基础理论，查看百度经验：色彩基础知识 。下面文章摘抄了一小部分。
参考：如何通俗地解释色彩三要素：色相、明度、纯度？ HSV(Hue, Saturation, Value)是根据颜色的直观特性由A. R. Smith在1978年创建的一种颜色空间, 也称六角锥体模型(Hexcone Model)。色彩的基本属性离开RGB色彩空间，重新定义了色彩的HSV空间，依然表示 单个色彩的唯一性，但有可能仍然没有包含提夫尼蓝。参考：色彩的HSV表示模型，Hue, Saturation, Value。HSV空间和RGB空间是双射映射。
RGB为生成色，CMYK为反射色，RGB和CMY颜色模型都是面向硬件的，而HSV（Hue Saturation Value）颜色模型是面向用户的。
色彩基本属性 色相-hue
色相是指色彩的相貌,是色彩最显著的特征,是不同波长的色彩被感觉的结果。光谱上的红、橙、黄、绿、青、蓝、紫就是七种不同的基本色相。
色相变化
参考：色相环
明度-value
明度是指色彩的明暗、深浅程度的差别,它取决于反射光的强弱。它包括两个含义:一是指一种颜色本身的明与暗,二是指不同色相之间存在着明与暗的差别。
颜色有深浅、明暗的变化。比如，深黄、中黄、淡黄、柠檬黄等黄颜色在明度上就不一样，紫红、深红、玫瑰红、大红、朱红、桔红等红颜色在亮度上也不尽相同。这些颜色在明暗、深浅上的不同变化，也就是色彩的又一重要特征一一明度变化。
色彩的明度变化有许多种情况，一是不同
色相之间的明度变化。如：在未调配过得原色黄色明度最高、黄比橙亮、橙比红亮、红比紫亮、紫比黑亮；二是在某种颜色中，加白色明度就会逐渐提高，加黑色明度就会变暗，但同时它们的
纯度(颜色的
饱和度)就会降低，三是相同的颜色，因光线照射的强弱不同也会产生不同的明暗变化。 纯度-saturation
也称彩度、艳度、浓度、饱和度,是指色彩的纯净程度。
其他色彩名词
相关关系及影响
0.三要素环
1. 明度对比类型 为了细致的研究色彩明暗对比，可以把黑、灰、白划分为11个色阶。靠近白的3阶为高调色，靠近黑的三阶为低调色，中间三阶为中调色。
高调：具有柔软、轻快、纯洁、淡雅之感；
中调：具有柔和、含蓄、稳重、明确之感；
低调：具有朴素、浑厚、沉重、压抑之感。
2. 纯度对比类型.p76
低纯度基调1-3：给人以平淡、消极、无力、陈旧的感觉，同时也能给人自然、简朴、柔和、超俗、宁静的感受。
中纯度基调4-6：能够传达中庸、文雅、安详的感觉。
高纯度基调7-9：由高纯色组成的基调，由鲜艳、冲动、热烈、活波的视觉感受，给人以积极、强烈而冲动的感觉，如图3-37所示，如运用不当也会产生残暴、恐怖、低俗、刺激的感觉。
图片：高纯度的红色照片，联想一下贞子
降低纯度的方法：加白（产生色相偏差）、加黑（失去光亮感，感觉变得沉着冷静）、加灰（变得柔和柔软）。
3.空间基底映射 RGB空间和HSV空间是双射的，转换矩阵如下所示。
引用地址：http://wenku.baidu.com/view/3ccc1ec58bd63186bcebbc0c.html###
金属光泽
金属光泽是光泽强度的等级之一。一般指反射率R>0.25者，宛如金属抛光后所产生的光泽。同时金属光泽也是矿物光泽的一种。一些硫化物和氧化物矿物。如黄铁矿、方铅矿、镜铁矿等就具有金属光泽。金属光泽矿物均属不透明矿物，很少用作宝石。
[1]
金属光泽是指如同金属
抛光后的表面所反射的光泽，如同平滑的金属光洁表面所呈现的光泽，反光极强，同
非金属光泽、
半金属光泽并列。 特别之处： 金属光泽在RGB空间可以在三通道均匀分布，转化到HSV空间，会产生奇特的特征，表示为金属光泽物体只有V值，其H值和S值均为0. 其他属性
冷暖对比
由于色彩的冷暖差别而形成的色彩对比,称为冷暖对比。红、橙、黄使人感觉温暖;蓝、蓝绿、蓝紫使人感觉寒冷;绿与紫介于期间,另外,色彩的冷暖对比还受明度与纯度的影响,白光反射高而感觉冷,黑色吸收率高而感觉暖。
在色相环上，红橙黄为暖色，其中橙色称为“暖极”，绿青蓝为冷色，其中天蓝色被称为“冷极”。在色重上，暖色偏重，冷色偏轻。在湿度上，冷色湿润。纯度越高，冷暖感越强。纯度越低，冷暖感也随之降低。
补色对比
将红与绿、黄与紫、蓝与橙等具有补色关系的色彩彼此并置,使色彩感觉更为鲜明,纯度增加,称为补色对比。
色调 色调指得是一幅画中画面色彩的总体倾向,是大的色彩效果。在大自然中,我们经常见到这样一种现象:不同颜色的物体或被笼罩在一片金色的阳光之中,或被笼罩在一片轻纱薄雾似的、淡蓝色的月色之中;或被秋天迷人的黄金色所笼罩;或被统一在冬季银白色的世界之中。这种在不同颜色的物体上,笼罩着某一种色彩,使不同颜色的物体都带有同一色彩倾向,这样的色彩现象就是色调。色调是画面色彩构成的总体效果。
问题：echarts 设置背景颜色描述:
@Kener-林峰 你好，想跟你请教个问题：请问怎么设置echarts整个图标的背景颜色？？我用了color属性，在官网实验的时候不显示。。。。
解决方案1:
/*#################开始 数据源处理器情况#################################*/
option= {
backgroundColor: ‘#1b1b1b’,//背景色
title : {
text: ‘动态数据’,
subtext: ‘纯属虚构’
},
tooltip : {
trigger: ‘axis’
解决方案2:
背景颜色就是dom自己的颜色，图表背景本身是透明的，可以给都没加css控制整体背景
以上介绍了“echarts 设置背景颜色”的问题解答，希望对有需要的网友有所帮助。本文网址链接：http://www.codes51.com/itwd/1523298.html
学习本专业时，出现了一个相对于物理来说的其他的不同学科，感觉还是可以学一下的，每次学不同的知识，下载软件是必不可少的，这里是从百度上下载的软件，仅供参考； 链接： http://pan.baidu.com/s/1jHVwa5S 密码：d1kn
1、 下载之后出现三个文件：
R2016b_win64_dvd1.iso（安装文件);
R2016b_win64_dvd2.iso（安装文件）； Matlab2016b Win64 Crack.rar（破解文件）。
2、 下面进行破解【其实只要利用好以上的文件就可以了】：
3、 解压安装文件，安装文件为iso格式，但是不能通过虚拟光驱安装，需要将iso文件用解压软件解压。注意，R2016b_win64_dvd1.iso和R2016b_win64_dvd2.iso两个文件均需要解压，且必须解压到同一个文件夹，如图所示：
4、 点击setup.exe，进行安装。如图所示
5、点击setup.exe，之后稍等一会儿，MathWorks安装程序启动，启动后选择“使用文件安装密钥 不需要Internet连接”，如图所示：
6、点击下一步，是否接受许可协议的条款哪儿选择“是”，如图所示
7、点击下一步，选择“我已有我的许可证的文件安装密钥”，在下面输入秘钥：“09806-07443-53955-64350-21751-41297”，如图所示
8、选择要安装的目录。
9、选择需要安装的产品，建议全选，也可根据自己需要选择要安装的产品，我是全选的，选择之后点击“下一步”。如图所示：
10、进入“确认”页面，点击“安装”。
11，进入安装界面，有进度条显示安装进度，安装过程需要较长时间。
12， 安装完成之后，进入“产品配置说明”界面，点击“下一步”继续。
13，之后进入“安装完毕”界面，点击“完成”按钮，完成安装。
14，将下载的“Matlab 2016a Win64Crack.rar”解压，解压后文件如图所示，我见文件解压在桌面上，文件夹中的“license_standalone.lic”就是许可文件，如图所示：
15，之后打开MATLAB的安装目录D:\Program Files (x86)\bin\win64点击“activate_matlab.exe”进行激活，选择“在不选择Internet情况下手动激活”，点击“下一步”继续。如图所示：
16，选择“输入许可证文件的完成路径（包括文件名）”，点击“浏览”，选择刚才解压到桌面的Matlab 2016a Win64 Crack文件夹中的许可文件，点击选择。
17，之后进入“离线激活”界面，现在的许可证文件的路径已经填写完整，点击“下一步”。
18，之后提示“激活完成”，如图所示。此时不要打开软件。继续看下一步。
19，打开解压的Matlab 2016a Win64Crack文件夹中的MATLAB Production Server\R2016a\bin\win64，复制其中的四个dll文件，如图所示：
20，之后打开D:\ProgramFiles\MATLAB\R2016b\bin\win64文件，将复制的dll文件粘贴在这个文件夹中，系统会提示“复制文件”选项，所有文件都选择“复制和替换”即可
21，之后打开D:\ProgramFiles\MATLAB\R2016b\bin文件夹下的MATLAB启动图标，点击右键发送桌面快捷方式，就可以正常使用了。
22，之后打开软件，就拥有一个完全免费的matlab2016a中文破解版本了