图像简史——程序员眼中的图像发展史

人，是感官的动物。

我们的大脑，像一块复杂度极高的CPU，每天在接收着各种格式的数据，进行着无休止的计算。我们以各种感官接触着这个世界，抽取着不同感官下的信息，从而认知了世界。而图像作为承载信息最为丰富的一种媒介，在人类探索智慧的历史中，一直占据着重要的位置。人用这样一双肉眼如何识别不同类别的图像（image classification and pattern recognition），如何在图像中分割出形形色色的物体（semantic segmentation and object detection），如何从模糊的图像中想象出物体的轮廓（image super-resolution）,如何创作出天马行空的图画（image synthesis），都是目前 机器视觉图像处理领域 关注的热点问题。全世界的研究者都希望有朝一日，计算机能代替人眼来识别这一幅幅图像，发现在图像中隐藏的密码。

图像分类是图像处理中的一个重要任务 。在传统机器学习领域，去识别分类一个一个图像的标准流程是特征提取、特征筛选，最后将特征向量输入合适的分类器完成特征分类。直到2012年Alex Krizhevsky突破性的提出AlexNet的网络结构， 借助深度学习的算法，将图像特征的提取、筛选和分类三个模块集成于一体 ，设计5层卷积层加3层全连接层的深度卷积神经网络结构，逐层对图像信息进行不同方向的挖掘提取，譬如浅层卷积通常获取的是图像边缘等通用特征，深层卷积获取的一般是特定数据集的特定分布特征。AlexNet以154%的创纪录低失误率夺得2012年ILSVRC（ImageNet大规模视觉识别挑战赛）的年度冠军，值得一提的是当年亚军得主的错误率为262%。 AlexNet超越传统机器学习的完美一役被公认为是深度学习领域里程碑式的历史事件，一举吹响了深度学习在计算机领域爆炸发展的号角 。

时间转眼来到了2014年，GoogleNet横空出世，此时的深度学习，已经历ZF-net，VGG-net的进一步精炼，在网络的深度，卷积核的尺寸，反向传播中梯度消失问题等技术细节部分已有了详细的讨论，Google在这些技术基础上引入了Inception单元，大破了传统深度神经网络各计算单元之间依次排列，即卷积层->激活层->池化层->下一卷积层的范式，将ImageNet分类错误率提高到了67%的高水平。

在网络越来越深，网络结构越来越复杂的趋势下，深度神经网络的训练越来越难，2015年Microsoft大神何恺明（现就职于Facebook AI Research）为了解决训练中准确率先饱和后降低的问题，将residual learning的概念引入深度学习领域，其核心思想是当神经网络在某一层达到饱和时，利用接下来的所有层去映射一个f(x)=x的函数，由于激活层中非线性部分的存在，这一目标几乎是不可能实现的。

但ResNet中，将一部分卷积层短接，则当训练饱和时，接下来的所有层的目标变成了映射一个f(x)=0的函数，为了达到这一目标，只需要训练过程中，各训练变量值收敛至0即可。Resdiual learning的出现，加深网络深度提高模型表现的前提下保证了网络训练的稳定性。2015年，ResNet也以36%的超低错误率获得了2015年ImageNet挑战赛的冠军，这一技术也超越了人类的平均识别水平，意味着人工智能在人类舞台中崛起的开始。

图像分类任务的实现可以让我们粗略的知道图像中包含了什么类型的物体，但并不知道物体在图像中哪一个位置，也不知道物体的具体信息，在一些具体的应用场景比如车牌识别、交通违章检测、人脸识别、运动捕捉，单纯的图像分类就不能完全满足我们的需求了。

这时候，需要引入图像领域另一个重要任务： 物体的检测与识别 。在传统机器领域，一个典型的案例是利用HOG（Histogram of Gradient）特征来生成各种物体相应的“滤波器”， HOG滤波器 能完整的记录物体的边缘和轮廓信息，利用这一滤波器过滤不同的不同位置，当输出响应值幅度超过一定阈值，就认为滤波器和中的物体匹配程度较高，从而完成了物体的检测。这一项工作由Pedro F Felzenszalb，Ross B Girshick，David Mcallester还有Deva Ramanan以Object Detection with Discriminatively Trained Part-Based Models共同发表在2010年9月的IEEE Transactions on Pattern Analysis and Machine Interlligence期刊上。

时间如白驹过隙，惊鸿一瞥，四年过去，Ross B Girishick已由当年站在巨人肩膀上的IEEE Student Member成长为了AI行业内独当一面的神级人物，继承了深度学习先驱的意志，在2014年CVPR会议上发表题为Rich Feature Hirarchies for Accurate Object Detection and Semantic Segmentation文章。RCNN，一时无两，天下皆知。

RCNN 的核心思想在于将一个物体检测任务转化为分类任务 ，RCNN的输入为一系列利用selective search算法从图像中抽取的图像块，我们称之为region proposal。经过warping处理，region proposals被标准化到相同的尺寸大小，输入到预先训练好并精细调参的卷积神经网络中，提取CNN特征。得到了每一个proposal的CNN特征后，针对每一个物体类别，训练一个二分类器，判断该proposal是否属于该物体类别。2015年，为了缩短提取每一个proposal的CNN特征的时间，Girishick借鉴了Spatial Pooling Pyramid Network（SPPnet）中的pooling技术，首先利用一整幅图像提取CNN特征图谱，再在这张特征图谱上截取不同的位置的proposal，从而得到不同尺寸的feature proposals，最后将这些feature proposals通过SPPnet标准化到相同的尺寸，进行分类。这种改进，解决了RCNN中每一个proposal都需要进行CNN特征抽取的弊端，一次性在整图上完成特征提取，极大的缩短了模型的运行时间，因而被称作“Fast R-CNN”，同名文章发表于ICCV 2015会议。

2015年，Girishick大神持续发力，定义RPN（region-proposal-network）层，取代传统的region proposal截取算法，将region proposal的截取嵌入深度神经网络中，进一步提高了fast R-CNN的模型效率，因而被称作“Faster R-CNN”，在NIPS2015上Girishick发表了题为“Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks”的关键文章，完成了RCNN研究领域的三级跳壮举。

随着时代的发展， 科学家们不仅仅是技术的研究者，更是艺术的创造者 。

在人工智能领域的另一位新一代灵魂人物，Ian Goodfellow在2014年提出了Generative Adversarial Net的概念，通过定义一个生成器（generator）和一个判别器（discriminator）来完成图像生成任务。其原理在于生成器的任务是从随机噪声中“创造”出接近目标图像的“假图像”去欺骗判别器，而判别器的任务是去甄别哪一些图像是来自于真实的数据集，哪一些图像是来自于生成器，在生成器和判别器的互相对抗中，通过合理的损失函数设计完成训练，最终模型收敛后，判别器的概率输出为常数05，即一幅图像来自于生成器和真实数据集的概率相同，生成器生成的图像的概率分布无限趋近于真实数据集。

GAN技术成为2015，2016年深度学习研究的热门领域，在图像恢复、降噪、超分辨重建等方向获得了极佳的表现，衍生出一系列诸如WGAN，Info-GAN，DCGAN，Conditional-GAN等技术，引领了一波风潮。

当我们把一帧帧图像串联在一起，变成流动的光影，我们研究的问题就从空间维度上扩展到了时间维度，我们不仅需要关心物体在图像中的位置、类别、轮廓形状、语义信息，我们更要关心图像帧与帧之间的时间关系，去捕捉、识别一个物体的运动，去提取视频的摘要，去分析视频所表达的含义，去考虑除了图像之外的声音、文本标注，去处理一系列的自然语言，我们的研究一步一步，迈向了更广阔的星辰与大海。

图像和视频，都是虚拟的一串串数字，一个个字节，但却让这个世界更加真实 。

照片太多怎么办？你可以将照片制作成相册并进行分类管理。那么如何制作相册？Mac电脑如何对照片进行管理分类？

将图像放入相册

在照片中管理图像时要学习的第一件事是首先将它们放入相册。简而言之，您必须创建相册，然后将图像放入其中。

如何在 macOS 的“照片”中将图像添加到相册

通过单击选择要添加到相册的图像。

右键单击图像，选择添加到，然后选择现有相册或新相册。

如果正在创建新相册，新相册将出现在“照片”应用程序左侧的“我的相册”下。单击名称并适当地重命名。

如何从 macOS 照片中的相册中删除图像

选择图像或图像要删除。

右键单击图像，选择从相册中删除照片。

整理专辑

如果您有很多相册，则必须进一步管理它们的组织方式，以便您可以尽快轻松地查看和访问所需的图像。

默认情况下，“照片”的“我的相册”部分按创建顺序列出相册。最新专辑显示在列表顶部，而较旧的专辑显示在下方。

如何更改 macOS 照片中我的相册的顺序

右键单击我的相册，在上下文菜单中选择排序。

选择三个选项之一：按名称、按最旧的在前或按最新的在前。

Newest First 和 By Name 可能是三人组中更有用的选项，但考虑到 By Name 可能是最可定制的。

例如，专辑的创意命名可以改变其在排序列表中的位置。或者，您可以用数字作为专辑名称的前缀。

您还可以通过在列表中上下拖动相册和文件夹来手动重新排序我的相册中的相册和文件夹。

如果您有大量相册，并且它们可以分类，请考虑在“我的相册”中创建一个文件夹来放置相册。

如何在 macOS 的“照片”中的“我的相册”中添加和使用文件夹

右键单击我的相册并选择新建文件夹。

为文件夹指定一个适当的名称，例如包含宠物相册的文件夹的“Animals”。

将相册拖放到文件夹中。

将相册添加到文件夹后，您可以像对待我的相册文件夹中的相册一样对待它们，包括对列表中的相册进行排序和重新定位。

请记住，与照片本身一样，您对 macOS 照片中的相册、文件夹和相册顺序所做的任何更改也将影响该应用程序的 iPhone 和 iPad 版本。

如何在Mac电脑上制作相册呢？以下几款软件可以轻松制作不同风格的相册并进行相册管理

以上就是我带来的如何制作相册并管理的全部内容，更多精彩教程请关注macvcom ！

读完了这篇文章，感悟颇深，实乃结合深度学习与行为金融之佳作。其创新的投资者情绪度量，和以BW为基础的精彩实证研究设计，从新的数据源上有力地验证了De Long等行为金融学者的提出的噪音交易者理论中的反转效应。精彩，精彩！

在行为金融两大支柱中的心理学方面，投资者情绪是永恒的话题，投资者情绪的度量也随着信息的变革不断的发展。Baker and Wulger ( 2006 ) 时代用PCA方法从6个市场指标合成情绪拉开了投资者情绪度量的帷幕，大数据时代使用搜索引擎、财经论坛、社交媒体等多源数据中提取投资者情绪实现了更高频的衡量。然而，Khaled Obaid (2021)等人在JFE发表的A picture is worth a thousand words: Measuring investor sentiment by combining machine learning and photos from news，提出了一种刻画投资者情绪的新方法——图像信息。

1数据来源

2情绪指标的计算

使用TensorFlow中已经训练好的Google Inception (v3) model可以使用CNN方法识别任何图像并且输出许多特征，但由于本文的目标只需要投资者情绪的消极或积极特征，因此使用 迁移学习 把该 图像识别通用领域的知识迁移到单一的情绪识别上 。实现的原理是(Yang et al, 2013)的方法，把Google Inception (v3) mode最后的 全连接层替换成只输出积极或消极情绪结果2种类别 的新层，同时为了让模型具有识别情绪的能力，用DeepSent提供的情绪图像数据集去 训练新的最后的全连接层 ，最后就能得到识别图像情绪的神经网络。

主要是机器学习领域的指标：accuracy(871%), recall(862%), precision (943%), and F1 (901%)

参考指标：1Campos et al (2017) 比较在DeepSent上训练的CNN模型，提出了accuracy 783% - 830%的范围，以此作为参考依据。；2为了衡量在本文的目标数据集上的特定表现，随机抽取了100张图像并在第三方MTurk打好标签，然后重新测试模型的分类效果，accuracy(760%), recall(928%), precision (771%), and F1 (842%)，接近You et al, (2015)的结果。

图像分类的阈值超过50%被认为是消极情绪图像，计算当天消极情绪图像占当天新闻中出现的所有图像的比例得到对图像悲观情绪的测度。

一， 一个元素合成到画面中，大小设计，位置摆放；

二，一个元素合成到画面中对其他元素的影响。主要使用工具：扭曲工具组。 具备同样质感的物体在同样的受光环境中会呈现相同的漫反射状态。

主要使用工具：曲线、色阶、亮度对比度等。调整图像先调亮度，然后颜色。因为亮度只有一个值，而颜色有三个值。拿到图像首先将饱和度调为零，重新调整其亮度。 由亍受光的丌同前景和背景呈现不同的明暗和阴影。这些在后期是最难修改的。我们无法改变物体的受光位置，只能旋转戒扭曲物体模拟一致光线。由于物体的属性丌同，还可以分为 不透明、透明、透光而不透明（如葡萄、纸张等），不透明的物体有漫反射和镜面反射的分别，透明物体有折射和焦散的特性，多个物体之间还有环境色的影响，这些都是需要设计师去观察的。

光线匹配应注意 6 点：漫反射不投影、镜面反射（注意水面反射）、模糊反射、折射、发光、环境色。 超现实是基亍现实之上。 是一种建立在合理基础上的似像非像、似真非真的艺术，从大四那年在林业大学培训 Photoshop开始，讲课已有六年。越来越觉得人不人最大的差别是在思维斱式上。有的人一年可以成为高手，有的人做了几年也鲜有提高，思考的深度决定着得到的信息量，就是思维斱式的差异。如果在学习的时候感到困惑和瓶颈，那么问一下自己，在学习一个软件的时候，有没有迚行以下六个层次的思考：

1、软件级。把软件学会了，知道命令是什么意思。会实现一些简单的制作，但是效果很差，丌得要领。这是背诵命令大全的人；

2、应用级。知道软件可以做什么，对软件功能非常精通，对其特性也非常了解，阅尽天下效果，做尽天下效果。但是离开了参照和步骤，却又一头茫然。这是常年学习案例和教程的人；

3、设备级。以PS来说，某些混合模式模拟的是胶片暗房；调色模拟的是曝光曲线和白平衡等；滤镜特效模拟的是各种实体滤光镜。 可以说每一个核心功能都对应一个现实存在的硬件实体。如果了解了其对应的硬件特性，那么做东西就精确，快准到位。同时，能力也就丌仅基亍某款软件，任何类似软件都可以快速上手。这是热爱传统行业和电脑艺术设计，开勤亍思考的人。

4、程序级。对软件再次深入，就需要了解一些算法。虽然说设备和软件是相通的，但是软件是通过算法来模拟硬件实现的效果。就需要了解混合模式是如何计算的，是如何影响曝光曲线，不调色有何异同等等。这样也才可以了解，各种调色斱式，哪些有用哪些给傻瓜用，任何一个问题，只用哪种调色工具就可以搞定，用另一个为什么搞丌定，每个的特点和缺陷又在什么地斱。有时候只记软件的特性丌是丌可以，但是最好是可以分析出特性，这样才能永进的抛弃教程，才会有自己的绝招和思想。

5、观察级。都希望做的东西漂亮，然而漂亮丌会属亍所有人的作品。在做一个东西之前，有没有要想好该怎么做，什么风格，什么色彩，突出谁，削弱谁，明谁暗谁，大谁小谁，主体是谁陪体是谁，背景又怎么安排。当脑子里完全构思好以后，再把它实现出来，有以上几个级别能力的支持，这时就像抄袭一样，下笔如有神。

6、思维级。做的东西再漂亮，也仅仅是个美工人员，以客户需求为个人指导。极致的作品丌是最精尖的技术，而是融入了艺术大师对社会对人生的思考。设计师在做别人的东西，大师在做自己的东西，就是因为思考的层面丌同。艺术不哲学总是殊途同归，个人思想的深度决定着作品和人生的深度。 问题：折射

问题：影子

问题：影子

问题：运动

问题：光线

有哪些的图标网站值得推荐？

图标网站:

1、Iconfont-阿里巴巴矢量图标库

阿里巴巴旗下的免费矢量图库,提供了矢量图标下载、在线存储、格式转换等,可以中文搜索,直接在搜索框里输入需要的内容,就可以出现对应的素材。点击下载图标就可以了,网站还支持在线修改颜色,真的是很绝一网站。

2、NounProject

一个基于平面设计师而创办的icon图标分享平台,提供高质量、可辨识性强的图标,使用者在网站上可以通过右上角的图标找到分类,筛选出你想寻找或使用的标志图示,分类包括动物、食物与饮料、生活保健、人物、安全与警示、科学、运动与娱乐、交通运输、旅游、天气与自然等等分类。

3、Iconninja

IconNinja是一个高质量的免费图标素材搜索下载平台,支持近100万个免费图标,按照文件格式、宽度、高度、文件大小等信息,用户可以根据自己的需求进行选择,特别适合前端工程师或者PPT设计师使用。

4、icons8

icons8是高质量的免费图标资源网站,支持在线改色、添加文字或背景装饰等。用户在下载素材时,可以选择SVG、EPS、PNG和PDF四种下载格式,方便用户后续在不同场景中的使用需求。

5、IconPark

IconPark是字节出品的一个开源图标库,可以将一个单一的SVG源文件变幻出多种主题,网站分类详细、为用户提供更轻量的代码和更灵活的使用场景;致力于构建高质量、统一化、可定义的图标资源,让大多数人都能够选择适合自己的风格图标。

ps怎么制作icon小图标

方法一,打开ps,直接

新建ctrt+N,新建高宽为256像素大小的图像,(本人亲测,当高宽任一大于256像素的话,保存时都不能为ico格式),控制高宽像素小于256,然后拖进自己的图像,另存为ctrt+shift+s——选择保存ico格式即可,出现对话框,就选择第二个选项。即可

方法二,打开ps,打开自己的,ctrt+alt+i调整图像大小,控制高宽小于256像素,这个也实验过了,当大于256像素时如图:

当小于或等于256像素时,如图,那么可以保存了,保存时就有ico格式可以选择,此时文件差不多小于150K

选择保存路径后,点击保存,然后选择第二个选项:png(vista)。点击OK即可。(如果选择第一个,那么文件基本是失败。)

如何制作自己的网页字体图标

从设计单独的图标开始,到把它们转化成@font-face格式以备嵌入,乃至授权给他人使用,整个过程中我们将仅使用免费软件和在线服务。感觉怎么样呢你不必依托于任何深奥的知识就可以制作出一套成功的英文字体(包括字母和数字),而只需要眼睛来设计——你面对的可能是非常非常小的东西。

最终,你将会收获一个制作设计元素的过程(方法),它的意义远远在制作出简单的图标之上。

在我们继续之前,首先应该谈谈,究竟希望通过在设计中使用图标达到什么目的,又是什么使得一个图标比下一个更成功。先讲理论再讲应用。为了完成这个任务,我们必须思考图标作为符号学的一部分,所扮演的角色。

什么是优秀的图标

符号学,从广义上来说就是研究符号系统,我们如何对它们的形成和维护做出贡献,它们亦因我们对世界的理解而受到影响。

不论何时,当你从“它象征着什么”——它向你的观众传达了什么信息,或者它唤起了他们什么概念——思考你的某一部分设计工作时,你就是以符号学家的角度来审视你的设计。符号学像其它语言学一样,的确可以覆盖一种语言,在一个网站上面,有很多东西不是通过文字表达出来的,例如颜色、字体、形状(图标)。每个人都应该注意的是,这些东西所表达的都含有一种很强的文化因素。在中国,红色可以表示好运气,而在很多西方国家,它却意味着危险。

术语“icon”在符号学中有一个特殊的意思。icon是一个神器,通过相似表达某事物。例如,一个标记地图位置的icon。它拥有一个类似真实的

地图标记的形状,因此它可以表示一个位置,反过来,真正的地图位置标记使人们想起各种有意义的概念。其中这些有抽象的概念,比如地点;也有不太抽象的概

念,比如这个位置可能在什么地方。

一些所谓的图标并不具有真正意义的代表性。无处不在的RSS图标,一个点和两个同心圆弧段,没有什么比它更像ReallySimple

Syndication了。构成RSS图标的形状通过单独约定具有象征意义,对此我们已经达成了共识。不过,一个RSS图标更适合被称为RSS标志。

现在,我希望我们已经确定了下面两项成功的网站icon需要遵循的准则:

要有与真实事物的相似点,例如,一个类似真实打印机的打印图标。

你的图标在符号系统中应该是一个熟悉的,可识别的标志。

字体图标日益受到欢迎

Icon字体,由于其提供了一种图标速记方式,长期以来被认为是一种加强型UI设计,它协助人们理解文本信息。Icon图像以毒品传播的速度在整个web设计社区流传,使用它可以使你的设计更加亮丽、吸引更多用户点击。

与相比,使用icon式字体是一个相对新的主意。然而,与(背景方式)相比,它具备很多固有的优势,因此它的吸引力正在逐渐增长。早在9月初,我在微博上写了它的一些好处,ChrisCoyier显然也有类似的想法,几周之后也向更多观众介绍了它。基于以上两篇文章和其它内容,我编写了这个较为完整的特征列表:

它们的尺寸能够轻松调整,并且不会损坏图像质量(作为矢量图);

给icon定义颜色和文本一样简单。例如,对于一个rss图标,color:orange;

可以把许多icons排列在一个组中,也就是一个文件中,这样只需要一次http请求就可以了;

正如Chris所指出的,它们在IE6中也可以借着透明性显示出形状(这一点与PNG不同);

对于那些应该出现在文字附近的图标,对齐方式和包装都不是问题(因为它们是文本);

你可以应用CSS3的text-shadow和background-clip:text效果,以便凸显字型的形状;

不像SVG,icon字体很容易实现跨浏览器兼容;

问题

Chris说过,使用icon字体是一个不错的主意,我要告诉你。

尽管如此,icon字体的使用现状并不理想。首先,一些优质的可用字体,如Pictos,Fico,Klepto,Cheetos,Ponyo和SailorMoon都是收费的。实际上意味着真有两个问题:

你或许不得不投资一部分钱。

无论你是否需要花钱,你将会被迫接受其他一些人的糟糕设计。

除了自动抓取程序,我假定主要是网页设计师将会阅读这篇文章。我是一个设计师,我不认为只有我一个讨厌依靠别人的作品,使自己的设计思路大打折扣这

种事儿。当然,我更不喜欢那种有支付权限的想法。我知道自己要使用什么图标,并且我知道如何才能使其适合我的整体设计。我想要那种控制力。

经过一些搜索,我想介绍一下Inkscape的svg字体编辑器。通过使用Inkscape和一款在线转换器(SVG字体到TTF),我制作出了字体“Heyding”,这个字体在Simurai’slist(由Coyier的文章链接到)中有介绍。我不打算将自己的字体卖给你(它是免费的),但是我想它会带给你一个非常好的概念。

使用Inkscape制作icon字型

启动Inkscape

我们先从下载和安装Inkscape开始。你也应该使用我的icon字体启动器模板,它们被放在这个GitHub仓库的资源文件夹里(以后这个项目中还会有更多)。一旦你在Inkscape中打开了这个文件,你应该通过在主菜单中打开以下窗口来设置好你的工作空间:

OBJECT→FILLANDSTROKE

OBJECT→ALIGNANDDISTRIBUTE

TEXT→SVGFONTEDITOR

在SVG字体编辑面板中,点击“Font”下的“Font1”。现在,你的工作空间看起来应该有点儿像这个截图:

值得指出的是,baseline不是在画布的下边界之下:如果你希望与相邻的字体共享同一条基线,你的图标应该很轻微地悬在画布的底部。我已经用Georgia,Arial和一些网页字体进行了测试。

制作你的第一个字型

为定义字型,点击SVG字体编辑面板中的“Glyphs”选项卡,然后点击面板下方的“Add

Glyh”按钮。一开始你可能不太清楚,但如果你在你的字形(“字型1”)上点击,一个字段将会显示出来,它要求你输入你需要的图标对应的字符。我们首先

要做一个简单的星形,所以我建议你输入的字符“s”,“S”或“”:

现在我们已经定义了字型对应的字符,我们需要制作字型本身。由于这次我们仅仅要制作一个星星,我们应该从Inkscape左边的工具栏中选择有用的

StarsandPolygonstool

,然后,在画布上绘制一个星星。你会发现,这个工具自带的选项允许您更改星星的外观。在我的例子中,选择了角数为5,spoke

ratio为05,roundedvalue为01。

使用AlignandDistributepanel(可能在SVGFontEditor下面隐藏着)使星星横向居中,然后乡下拖动形状使触及基线。关闭网格显示之后,画布看起来应该像这样子:

在我们的icon字体中,字型只是形状,没有颜色、层级或者渐变的形状。因此,为了使我们的星星成为一个合格的字体候选者,我们必须将它由一个对象

转化成基于路径的图形。你可以通过在主按钮上选择星星,然后是PATH→OBJECTTO

PATH来完成这一任务。现在,选择了星星之后,我们可以在SVGFontEditor中,高亮显示可用的“s”字型,然后点击Get

curvesfromselection按钮:

当你在SampleText区域输入“s”时,你的星星应该被预览出来,如下所示:

制作更加复杂的icon

你已经制作出了第一个可扩展的SVG字体字型。通过使用Filland

Stroke面板上的选项:编辑路径节点,以及合并对象和笔画,能够使你做出更加不凡的icon设计。由于我们还有很多要讲,我不想深入完成一个完整的

Inkscape教程,但是遵循下面的简单规则会给你带来好处:

坚持使用黑色笔画和填充,只是为了提醒你:那些icon仅仅是形状,而非复杂的矢量图。为icon上色这件工作,我们会在最终产品中使用CSS来完成。

所有对象和笔画(线条)必须被转化成路径(不管使用PATH→OBJECTTOPATH或者PATH→STROKETOPATH)

当有多个对象和/或笔画被用来完成一个icon字型时,它们应该被合并起来(使用PATH→COMBINE或者,在某些情况下,使用PATH→UNION)

为了在已有的形状上剪切出想要的形状,将形状放置在主形状上面,选择两个形状,然后选择PATH→DIFFERENCE。点击Getcurvesfromselection,黑色块上面的白色区域剔除之后就是你要的形状。

准备嵌入你的字体

假如你已经重复了很多次我刚才所描述的方法,创建了一些有用的图标,并且,字体文件被保存为。现在,你将要准备好把这个图标库用于网页中。

把SVG转化成TTF

你应该采取的第一项措施是,将SVG字体格式转换成一个更熟悉、更通用的格式。TTF是一种用于本地安装的卓越格式。同时,它还为再转化成@font-face提供了一个良好的基础。可以进行字体转换的在线服务包括:

,

和

。然而,我个人最喜欢的,是

,因为我不会排队,也从来没看到它产生什么故障。

我想,不需要向你介绍如何使用这个资源也足以显示我的诚意了。醒目的文件上传字段,select元素和巨大的转换按钮会让你迅速抓住重点,真的。

编辑字体信息

既然你已经获得了一个TTF,我推荐你现在编辑产生的元数据。对字体进行重命名、添加属性和描述,使它准备好被安装、嵌入和分发。这也是一种声明字体为你所创造的途径。运行Windows的读者可以选择使用貌似很霸气的MicrosoftFontPropertiesEditor或者允许免费使用X天的Typograf。对于苹果和Linux用户,我希望得到你们更好的意见。

重要提示:虽然MicrosoftFontProperties

Editor允许您添加作者,描述和许可信息,它似乎并没有让你编辑字体名称、附言名称等基本数据。这些字段是被禁用的。如果你想使用这些特殊的功能,你

需要在SVG转换为TTF之前,在SVG代码中编辑禁止的值。在你喜欢的文本编辑器(我用Notepad++)中打开原始的SVG,并编辑以下内容:

FontName:标签中可以寻找到,font-family属性

PostscriptName:标签中可以寻找到,id属性

Description:你应该在这个标签中添加一个描述(作者、许可等)。请注意这与TTF描述文字是不同的,转换过程中将不会被保留;你还需要为TTF添加单独的描述信息。

嵌入字体

一旦你在本地系统中安装了TTF,并且已经预览过,确定没有出现意外状况,你就可以在FontSquirrel的@font-facegenerator中运行它了。为了使输出代码的效率和效果尽量好,这里有几个专家模式中的选项值得一提:

Subsetting:该选项允许您只运行需要的字符集(包括字符编码、类型、语言等选项),减少文件大小。

Removekerning:您的图标将几乎总是单独出现,所以字距是没有必要的。据称,这也将减小文件大小。

WebOnly:如果你希望您的字体仅仅用于web中,而非桌面-你可以选择此选项。它也可以更好地满足您的授权计划。现在我将介绍许可证。

发布字体

如果你有兴趣发布你的字体,给它添加许可是一个比较好的做法。否则许多字体网站将不会带它玩儿。由于我们制作图标时使用的是免费、开源的软件,发布时也不妨这样做。

目前,有很多可用的授权选项,而逐一调查研究它们有时是令人费解的一件事。GNUGeneralPublicLicense是完全可以接受的,但你可能要考虑SILOpenFontLicense。使用这种许可证的主要优点是,reservedfontname:即允许其他设计师修改字体,但他们需要用不同的名字。在实践中,这意味着,对图标设计的一些不良行为不能以“你的名字”来进行。

有了这两种许可,你还应该在一个文本文件中保存版本信息,同时在字体的元信息中插入版权声明和完整许可的URL链接。如果需要更具体的说明,请访问各自的许可证页面(上面的链接)。

CSSspriting的终结者

为什么要停下使用SVG字体做通用图标的脚步有了做图标的能力,也就有了能力去设计出站点独有的形状、品牌元素和装饰。这一点像CSS

sprities,所有这些视觉元素都可以保存在一个文件中,减少了服务器调用http请求的次数;不过,icon字体的元素都可以调整大小,而不必依赖

于位置坐标(背景位置值)才能正确显示。这使它们更适合于responsivedesign。

让我们假装要选择使用一个SVG字体去代替一些我的steampunk般的blog里基本的设计元素。组件设计的一个简单的HTML表格呈现会是这个样子:

关于这种方式,最好的事情就是通用性。举例来说,从左边的第二个齿轮形状既可作为一个微小的圆点设计,又可以是一个巨大而抽象的背景装饰。着色很简

单:color:maroon,但没有必要坚持扁平的颜色;多种CSS3效果叠加起来可以为它添加纹理和触感。为了让你一开始有所启发,查看thisexcellentgalleryofCSS3-enhancedwebfonts。

关于屏幕阅读器的快速笔记

以这种方式使用字体来显示视觉元素的一个问题是,在屏幕阅读器上输出时会受到影响。直观上的网站访问者会看到齿轮,箭头之类的图标,但是屏幕阅读器将坚持读出指定这些设计的字符。对于使用装饰性的SVG字体元素,我建议听取Coyier的建议:为Unicode的SupplementaryPrivateUseArea分配向量。这样的符号不应该由读者来读出。

一个协作式iconweb字体

作为我的JavaScript导师,Rupert,有一天向我指出,使用SVG字体来创建图标集为合作提供了一个有趣的机会。你看,SVG的代码-XML的一种形式-是高度标准化而且轻松可读的。正是源码的顺序让我觉得,icon字体的开发很适合选择像GitHub这样的协作编码服务。

这个想法契合了我想要的符号含义:如果一个图标是由很多人协商之后一致确定的,那么它的形成过程中也存在一定的“共识”。通过我们的图标标识系统设计出来的,一定是最典型的图标。我们应该创建一种属于社区的icon词汇,并且它对于需要的人来说是有意义的。

为了发展这个想法,我创建了一个公开的GitHub仓库CommunityIconFont,这个仓库的文件结构并不复杂:仔细阅读上面的Inkscape教程和项目主页的内容应该可以为你解答所有的疑惑。如果你是GitHub的新成员,尝试阅读它们的帮助页面,或者问问你附近的技术人员(我正是这样做的)。

先制作数据集还是进行图像处理，应该根据具体情况而定。如果已经有现成的数据集，且能够满足需求，可以首先对该数据集进行图像处理，以便更好地训练模型。如果没有现成的数据集，或者现有的数据集不能满足需求，就需要先制作数据集，收集和标注图像，以便更好地进行图像处理和训练模型。建议在实践中对不同方法和流程进行比较和评估，以便更好地确定最适合自己的方法和流程。同时，需要注意的是，在制作数据集和进行图像处理时，需要确保数据集的质量和图像处理的准确性和可靠性，以避免数据偏差和误差对模型训练和预测的影响。