Sketch Learning - SVG 是什么?

本文介绍了SVG格式的基本概念,探讨了SVG作为矢量图如何保存绘图信息,并详细解释了SVG中的关键命令,如moveto和curveto,为理解Sketch中的笔画提供了基础。

SVG 简介

在 Sketch(草图)研究中,我们经常会遇到 SVG 格式的图像文件。和 PNG 不同,SVG是一种矢量图,它可以保存草图绘图过程中每个笔画的坐标信息。所以,理解 SVG 对于研究草图是很有意义的。

PNG 实际上是像素点,是一个矩阵,比如 RGB 三通道的 224 * 224 像素的一张 PNG 图片,就是一个 224 * 224 * 3 的实数矩阵。但是 SVG 则是一门编程语言,是使用 XML 来描述二维图形和绘图程序的语言。也就是说,SVG文件实际上就是一些 XML 代码,所以我们要理解 svg ,就是要理解这些 XML 代码。

SVG 中包含了矩形,圆形,路径等多种组成元素,分别对应
<rect> <circle> <path> 等标签,每个标签都有自己的一些属性,比如 <circle> 中 cx 和 cy 属性定义圆点的 x 和 y 坐,r 属性定义圆的半径。但是对于 Sketch,我们并主要理解 <path> 就够了,因为草图的笔画都是通过 <path>来存储的。path 元素的形状通过属性 d 来定义,属性 d 的值是一个 “命令+参数” 的序列。下面将介绍 的一些命令

直线命令

  • M = moveto
    【Move to】需要两个参数,分别是需要移动到的点的x轴和y轴的坐标。类似于移动画笔的位置。一般 M 会表示一个笔画的开始。
M x y //绝对位置
m dx dy //相对位置。后续提到其他命令雷同,故省略不再赘述。
  • L = lineto
    【Line to】需要两个参数,分别是一个点的x轴和y轴坐标,L命令将会在当前位置和新位置(L前面画笔所在的点)之间画一条线段。

  • H = horizontal lineto
    H 【绘制平行线】

  • V = vertical lineto
    V【绘制垂直线】
    这两个命令都只带一个参数,标明在x轴或y轴移动到的位置,因为它们都只在坐标轴的一个方向上移动

  • Z = closepath
    Z 【闭合路径】
    Z命令会从当前点画一条直线到路径的起点。不区分大小写

曲线命令

  • C = curveto
    三次贝塞尔曲线。(x,y)表示的是曲线的终点,(x1,y1)是起点的控制点,(x2,y2)是终点的控制点。
    控制点描述的是曲线起始点的斜率,曲线上各个点的斜率,是从起点斜率到终点斜率的渐变过程。
C x1 y1, x2 y2, x y

下面还有一些其他命令就不再贴解释了,有兴趣的可以在 svg之详解 中去了解。
- S = smooth curveto
- Q = quadratic Belzier curve
- T = smooth quadratic Belzier curveto
- A = elliptical Arc

在 Sketch 中,一般只有 M 和 C 两种命令。所以只需要理解这两种命令应该就够了。

内容概要:本文围绕考虑隐私保护的分布式联邦学习在电力负荷预测中的应用展开研究,并提供了完整的Python代码实现。该方法采用联邦学习的分布式架构,允许多个数据持有方在不共享原始敏感数据的前提下协同训练高精度的负荷预测模型,有效解决了数据孤岛用户隐私泄露之间的矛盾。研究详细阐述了联邦学习的核心机制,包括本地模型训练、加密参数上传、全局模型聚合等关键流程,并基于真实电力负荷数据进行了实验验证,结果表明该方法在保障数据隐私安全的同时,仍能保持优异的预测性能模型泛化能力。; 适合人群:具备一定机器学习基础和电力系统背景的研究人员,以及从事负荷预测、数据隐私保护、联邦学习算法开发的研究生和技术人员。; 使用场景及目标:①应用于居民区、工业园区等多主体参的电力负荷预测场景,解决跨机构数据协作中的隐私合规问题;②为构建安全可信的智能电网数据共享分析平台提供关键技术支撑;③推动联邦学习在能源互联网、需求响应、虚拟电厂等领域的工程化落地。; 阅读建议:建议读者结合所提供的Python代码进行动手实践,深入理解联邦学习的通信协议、梯度聚合机制隐私保护策略,可在复现实验的基础上尝试引入差分隐私、同态加密等增强手段,或优化模型结构以提升预测效率精度。
内容概要:本文提出了一种基于压缩感知中密钥控制测量矩阵的新型图像压缩加密混合算法,深度融合压缩感知理论现代密码学机制,实现图像在高效压缩的同时完成高强度的安全加密。该算法通过引入密钥动态生成或调控测量矩阵,确保仅有持有正确密钥的授权方能够准确重构原始图像,从而显著提升系统的抗攻击能力和保密性。文中系统阐述了算法的设计原理、密钥控制机制、测量矩阵构造方法以及信号重构流程,并基于Matlab平台进行了完整的代码实现仿真实验,验证了该算法在压缩效率、重构图像质量(如PSNR、SSIM指标)以及抵抗常见攻击(如噪声、剪切、统计分析)等方面的优异性能。; 适合人群:具备信号处理、信息安全或数字图像处理基础知识,正在从事相关领域研究的研究生、科研人员及工程技术开发者。; 使用场景及目标:①适用于军事通信、医疗影像安全传输、云端敏感图像存储等需兼顾压缩效率数据安全的场景;②为探索压缩感知信息安全交叉领域的研究人员提供可复现的算法设计范例仿真代码参考;③推动图像数据在传输存储过程中实现高效性安全性的有机统一。; 阅读建议:建议读者结合提供的Matlab代码深入理解算法实现细节,重点分析密钥控制测量矩阵的生成逻辑及其对重构性能的影响,同时可在不同类型的图像数据集上进行测试,以全面评估算法的鲁棒性泛化能力。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值