您没有登录或者您没有权限访问此页面，可能有如下几个原因
1、本版块为正规版块,只有注册会员才能进入!
2、违法和不良信息举报***： 转2004
举报邮箱： 举报QQ：
使用合作网站帐号登录第四十六课：过浓照片的调整（大卫PS入门教程）
您现在的位置：&&>>&&>>&&>>&&>>&正文
第四十六课：过浓照片的调整
&&&热&&&&&★★★
第四十六课：过浓照片的调整（大卫PS入门教程）
作者： 文章来源： 点击数：1927 更新时间： 23:03:11
四十六、过浓照片的调整
有时，照片拍得不错，但是，色彩过于浓烈，彩度高，亮度低，反差也太大，因而显得很沉重，需要把它调整得自然一些，轻快一些，也就是正常一些，真实一些。像这样的缺点要是你注意的话，还真不少呢。看下面这张照片：
从画面上看，地面是显蓝色的。我们就会感觉到：蓝色的地面是不大有的，这是由于色彩过于偏蓝造成的。下面要想办法，减低蓝色的饱和度。执行“色相和饱和度”，选择调整蓝色：（注意下面彩色条中的范围调整）
现在，颜色减淡了，比较正常了。
我们先来看调整之前：
下面两条彩色条中，两条竖杠之间是主调整区，即225度到255度，这三十度，完全是蓝色的范围。两条竖杠的两边，分别有两个三角，这是缓冲调整区，分别扩大三十度，即从195度到225度计三十度，从255度到285度，也是三十度。就是说，为了在调整蓝色的时候，有个过渡，不要太突然。这个蓝色的主调整区和缓冲区都是可以调整的，可扩大，也可缩小。上面在调整时，我们加大了主调整区和缓冲区。主调整区向左扩大到了青色，向右扩大到了紫色，而缓冲区扩大到了***与部分绿色。基本上除了绿色没有侵占。这个范围是为了在调整饱和度及亮度的时候，兼顾到了红色及***、青色，都让它们减淡一些。
现在再来对比一下两张图片，后一张就自然多了。为了更细致一些，再进行色阶的调整：
通过色阶的调整，让黑色真正成为黑色，同时，中间调调到1.19，偏亮一些。现在人的肤色也正常了。（人的肤色是一个重要的标准）这里所介绍的，只是调整照片的一种方法，调整照片的方法很多很多，各有所长罢了。（完）
文章录入：晴天&&&&责任编辑：清水洗尘&
上一篇文章：
下一篇文章：
【字体： 】 【】【】【】【】【】
网友评论：（只显示最新10条。评论内容只代表网友观点，与本站立场无关！）
::发表评论::
评论内容：
严禁发表危害国家安全、政治、***淫秽等内容的评论。
用户需对自己在使用本网服务过程中的行为承担法律责任。
本站管理员有权保留或删除评论内容。
评论内容只代表网友个人观点，与本网站立场无关。
备案/许可证编号: 闽ICP备号 域名创建于2010年12月
版权: 一方阳光All Rights Reserved楼主发言：2次 发图： | 更多
中评社台北10月28日电（记者 黄筱筠）台湾指标民调今天发布台湾民心动态调查（Taiwan Mood Barometer Survey，TMBS）结果，民众对国内经济现况，8.2%认为国内整体经济状况好，82.5%认为不好，相较于10月上期调查，正向评价增加2.5个百分点，负面评价减少1.7个百分点。 台湾指标民调指出， 2016年10月下期，台湾民心动态调查（Taiwan Mood Barometer Survey，TMBS）结果显示，就民众对国内经济现况而言，8.2%认为国内整体经济状况好，82.5%认为不好，相较于10月上期调查，正向评价增加2.5个百分点，负面评价减少1.7个百分点。若就民众家庭经济现况而言，51.8%表示平常财务收支够用，41.6%表示不够用，对照10月上期调查结果正向评价微增0.1个百分点，负面评价增加1.7个百分点。 至于有关政治面评价对于“总统”与“行政院长”表现，民调显示，42.9%民众信任蔡英文、38.4%不信任，对照10月上期正向评价降3.8个百分点，负面评价增2.7个百分点。对蔡英文执政表现有34.9%满意、48.4%不满意，相较10月上期的正向评价减少2.7个百分点，负面评价增2.0个百分点。“行政院长”林全施政表现有28.8%满意、47.7%不满意，相较10月上期调查正向评价微增0.1个百分点，负面评价微降0.3个百分点。 民调也显示，有关对两岸三党好感度，相较10月上期调查民众对民进党好感比率降1.4个百分点、反感比率增3.3个百分点，对国民党好感比率增2.6个百分点、反感比率降1.5个百分点，至于对在大陆执政的中国***好感比率增4.2个百分点、反感比率降3.7个百分点，然若就“好感温度计”整体而言（正、负向评价与强度并计，加权计算后已非原始百分比故称为“点”），本期民进党印象评价降1.9点达47.0点，对国民党的印象评价增2.0点达40.9点，对中国***印象评价增3.5点达32.6点，民众对该三党印象仍倾反感。 台湾指标民调表示，本调查是TISR台湾指标民调公司在至26日，经随机跳号抽样及电脑辅助人员***访问，完访1007位居住在台澎金马、年满20岁民众，在95%信赖水准时的抽样误差最大值±3.1%。“台湾民心动态调查”为该公司独立设计的自费调查。
台湾在清朝时期被抛弃给日本殖民，五十年后二战来了才收回台湾，现在有多少日杂
这东东就是忽悠人的，湾湾看这东东解决了自己的什么问题？
这才是我共的真实目的啊。。。。。。。
要不要大陆民众给台湾的政党打打分？
请遵守言论规则，不得违反国家法律法规回复(Ctrl+Enter)Hadoop实例：二度人脉与好友推荐
Hadoop实例：二度人脉与好友推荐
［来源］&达内&&&&［编辑］&达内&&&［时间］
在浪新微博、人人网等社交网站上，为了使用户在网络上认识更多的朋友，社交网站往往提供类似“你可能感兴趣的人”、“间接关注推荐”等好友推荐的功能。一直很好奇这个功能是怎么实现的。
在浪新微博、人人网等社交网站上，为了使用户在网络上认识更多的朋友，社交网站往往提供类似“你可能感兴趣的人”、“间接关注推荐”等好友推荐的功能。一直很好奇这个功能是怎么实现的。
其实，社交网站上的各个用户以及用户之间的相互关注可以抽象为一个图。以下图为例：
顶点A、B、C到I分别是社交网站的用户，两顶点之间的边表示两顶点代表的用户之间相互关注。那么如何根据用户之间相互关注所构成的图，来向每个用户推荐好友呢？可能大家都听说过六度人脉的说法，所谓六度人脉是指：地球上所有的人都可以通过五层以内的熟人链和任何其他人联系起来。通俗地讲：“你和任何一个陌生人之间所间隔的人不会超过六个，也就是说，最多通过六个人你就能够认识任何一个陌生人。”这个理论在社交网络中同样成立。
现在我们以上图为例，介绍下如何利用用户之间相互关注所构成的图，来向每个用户推荐好友。首先我们不得不假设的是如果两用户之间相互关注，那么我们认为他们认识或者说是现实中的好友，至少应该认识。假设我们现在需要向用户I推荐好友，我们发现用户I的好友有H、G、C。其中H的好友还有A，G的好友还有 F，C的好友还有B、F。那么用户I、H、G、C、A、B、F极有可能是同一个圈子里的人。我们应该把用户A、B、F推荐给用户I认识。进一步的想，用户 F跟两位I的好友C、G是好友，而用户A、B都分别只跟一位I的好友是好友，那么相对于A、B来说，F当然更应该推荐给用户I认识。
可能你会发现，在上面的分析中，我们使用了用户I的二度人脉作为他的推荐好友，而且我们对用户I的每个二度人脉进行了投票处理，选举出最优推荐。其实，我觉得，二度人脉的结果只能看看某个用户的在社交网站上的人际关系链，而基于投票选举产生的二度人脉才是好友推荐功能中所需要的好友。
另外你也可能已经认识到所谓的N度人脉，其实就是图算法里面的宽度优先搜索。宽度优先搜索的主要思想是From Center To Outer，我们以用户I为起点，在相互关注所构成的图上往外不退回地走N步所能到的顶点，就是用户I的N度好友。
下面是Python写的N度人脉的算法，可以输出某个用户的N度好友,代码详见这里。
下面几点是其与宽度优先搜索的不同之处：
1. 宽度优先搜索搜索的是起始顶点可达的所有顶点，N度人脉不需要，它只需要向外走N步，走到N步的顶点处便停止，不需要再往外走了。
2. 走过N步之后，结果中包含起始顶点往外走1、2……N-1步所能到达的所有顶点，返回结果之前需将这些点删除。
3. 变量pathLenFromStart记录这N步具体的走法。
上诉的算法看似可行，其实在实际中并不适用。社交网站上的用户量至少是千万级别的，不可能把所有用户之间相互关注的关系图放进内存中，这个时候就可以依赖 Hadoop了。下面的实例中，我们的输入是deg2friend.txt，保存用户之间相互关注的信息。每行有两个用户ID，以逗号分割，表示这两个用户之间相互关注即认识。
二度好友的计算需要两轮的MapReduce。第一轮MapReduce的Map中，如果输入是“H，I”，我们的输出是 key=H，value=“H，I”跟key=I，value=“H，I”两条结果。前者表示I可以通过H去发现他的二度好友，后者表示H可以通过I去发现他的二度好友。
根据第一轮MapReduce的Map，第一轮MapReduce的Reduce 的输入是例如key =I，value={“H，I”、“C，I”、“G，I”} 。其实Reduce 的输入是所有与Key代表的结点相互关注的人。如果H、C、G是与I相互关注的好友，那么H、C、G就可能是二度好友的关系，如果他们之间不是相互关注的。对应最上面的图，H与C是二度好友，G与C是二度好友，但G与H不是二度好友，因为他们是相互关注的。第一轮MapReduce的Reduce的处理就是把相互关注的好友对标记为一度好友（“deg1friend”）并输出，把有可能是二度好友的好友对标记为二度好友（“deg2friend”）并输出。
第二轮MapReduce则需要根据第一轮MapReduce的输出，即每个好友对之间是否是一度好友（“deg1friend”），是否有可能是二度好友（“deg2friend”）的关系，确认他们之间是不是真正的二度好友关系。如果他们有deg1friend的标签，那么不可能是二度好友的关系；如果有deg2friend的标签、没有deg1friend的标签，那么他们就是二度好友的关系。另外，特别可以利用的是，某好友对deg2friend标签的个数就是他们成为二度好友的支持数，即他们之间可以通过多少个都相互关注的好友认识。
两轮MapReduce的代码，详见这里。
根据上述两轮的MapReduce的方法，我以部分微博的数据进行了测试，测试的部分结果如下：
通过与我(@Intergret)相互关注的138位好友，两轮的MapReduce向我推荐的二度好友前三位是：（@可乐要改变），（@琥珀露珠）和（@赵鸿泽），他们都是我本科的同学，有很多共同的好友，但我跟他们三目前尚未相互关注，所以推荐结果还算靠谱。&
> 本站内容系网友提交或本网编辑转载，其目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请及时与本网联系，我们将在第一时间删除内容！
原创博客,转载请注明:http://my.oschina.net/BreathL/blog/75112
最近做了一个项目,要求找出二度人脉的一些关系,就好似浪新微博的&你可能感兴趣的人& 中,间接关注推荐:简单描述:即你关注的人中有N个人同时都关注了 XXX .
在程序的实现上,其实我们要找的是:若 User1 ...
二度人脉算法基本原理 参考:http://my.oschina.net/BreathL/blog/75112完整java实现:/intergret/snippet/blob/master/deg2friend.java 所谓六度人脉关系理论(Six Degrees of Separation),是指地球上所有的人都可以通过 ...
/art/731.htm
以前,只看到和听到,很多销售或者老板经常向朋友介绍朋友,或者被人引荐.今年,在这方面,我也有不断尝试.最近,重新看的&从零开始做人脉&这本书,也有专门提到这种方法.这次,特意和大家分享一下我的实践体会.1.偶然在CSDN博客看到了&叶修涛&写的几篇文章.
http://blog.csdn.net/yefighter
May 27.2011 对于个人来说,专业是利刃,人脉是秘密武器,如果光有专业,没有人脉,个人竞争力就是一分耕耘,一分收获.但若加上人脉,个人竞争力将是一分耕耘,数倍收获. 人脉是一个人通往财富.成功的入门票.人脉竞争力是如何在一个人的成就里扮演着重要的角色.一个人能否成功,不在于你知道什么(what you know),而是在于你认识谁(whom you
所谓六度人脉是指:地球上所有的人都可以通过六层以内的熟人链和任何其他人联系起来.通俗地说:&你和任何一个陌生人之间所间隔的人不会超过六个,也就是说,只要你愿意,最多通过六个人你就能够认识世界上的任何一个陌生人.&当然,这里的六个人只是平均值,而非绝对值.诸君犯不着因为通过六个人无法取得跟美国总统的联系而去找作者算账.
内修:打响自我口碑 人脉理财,需要真才实学相辅相成,指的是专业知识与敬业态度.在工作上肯下苦工是第一步,博得客户.上司.同事的信任,先有工作表现为基础,人脉的加分效果才明显. 27岁的杨庆,前一份工作是精品公关公司的专员,如今,则是国内某知名钟表代理公司的公关经理.当初尚未正式上班,公司就送来一支市价20万的名表当作员工福利.不少人欣羡她能得到这个好职位,杨 ...
接手友答网的市场推广工作有一段时间了,其实对于这方面的工作并不陌生,之前做个站及负责爱好者网站内容时,都或多或少接触过这方面的东西,只不过没有系统的做过.最近经常与一些朋友交流,发现自己知道的东西不少,但却太零碎,所以决定把一些心得写出来:一是为了能够与更多的人交流,二是为了整理自己的思路.当然,如果写出来的东西能帮到别人,是最好的.闲话少说,言归正转! 市 ...
