[2007-03下](Lgz独家秘笈)利用ACDSee5编辑,归档多部DC拍摄的图片

本文提供了一套实用的旅行摄影技巧,包括设备准备、拍摄技巧及后期处理等,帮助读者轻松整理和回顾旅途的美好瞬间。

摘要:二月上旬和几位同事到云南考察,随行共六人五台 DC。返哈后,筛选PS、整理、归档照片费了好大劲,虽然“ACDSee+灵貂”已经配合得很熟练了,但也着实费了好大的功夫,在这个过程中也总结出了一些心得体会。
 
██████████ Step1.对时
 
    所有相机的时间要一致。不一定都和北京时间一秒不差,起码彼此之间不要时差太多!
   
    每天别忘了充电。
 
██████████ Step2.设置分辨率
 
    有意义的景物、集体合影、重点人物(例如领导、美女等)就用最大分辨率拍摄,其余无关紧要的画面(例如如下提到的标志性建筑)就用小一些的分辨率。
   
    如果存储卡空间很大,或者每天都能回到驻地把图片导出到电脑中,就随意了。
 
██████████ Step3.带一个读卡器
   
    不是必须的,但如果大家带的 DC 使用的存储卡类型各异,又都没有带数据线,有个多合一的读卡器就能轻松搞定。
   
██████████ Step4.标志性建筑
 
    每到(无论出发还是抵达)一个机场、一个火车站、景点、宾馆、饭店、街道指示牌……,尽量拍一张照片(尽量拍下写着字的牌匾)。
   
    可以合影、可以只拍标志性建筑。如果拍的不好、拍的不清楚、拍模糊了……,可以对图片加一段“语音注释”。现在 DC 都有录音功能,说一大段话也占不了多少存储空间。
   
    忘了拍标志性建筑,就拍一张自己的手表或者随便什么东西,对着图片讲一段话说明当时在什么地点、什么时间、天气、随行人员……。
   
    再不就是,照一下机票、车票。
   
    这一做法参考了拍电影时的 Action 指示牌。
 
██████████ Step5.景点介绍
 
    到了一处景点、景观,与门口、旁边的景点介绍牌合个影。单拍也行,分辨率不必太大。
   
    开会的话,就拍一张会议标语。
 
██████████ Step6.某个不知何处的景物
 
    为其加入一段语音注释。
   
    常能见到一些图片,拍的是一朵很好看的花、一块形状奇异的石头、一只很可爱的动物、一道食色诱人的菜肴……,却不知道什么时间在什么地方拍摄的,而且还想不起来花名、石头名、动物名、菜名……,为什么要拍它?
   
    那就为它们加入语音注释,例如:
   
    何年何月何处,花叫向日葵,某某名人栽种的;
    石头叫陨石,几十亿年前灭绝恐龙的那块陨石的残骸;
    动物叫熊猫,某地仅有的物种,世界仅存多少只;
    菜是当地特有的啤酒鱼,味道有何独特、做法有何独特……。
   
    诸如此类。
 
██████████ Step7.PS(ACDSee登场)
 
    无论多少分辨率的图片,我都 Resize 至 1280x1024 左右。
   
    一般几兆的图片可以减少至几百K,拿去冲洗也都够了。
 
██████████ Step8.还原时间
 
    选中所有图片,按“Ctrl+T”——Change Time Stamp,修改时间戳。
   
    DC 拍摄的图片中都包含元信息(Meta Data),即“Exif”。在对话框中选择:
   
    “Change the Last-modified date and time”of the selected files to:“Exif date & time”
   
    于是所有图片的修改时间都变成了图片被拍摄的时间,无论多少个 DC,文件名如何,最后按时间排列的话,都变成了连贯的“影片片段”。
   
    按顺序看一遍,找到标志性建筑,新建一个文件夹,名字就用标志性建筑或城市名、景点名……,将其后的图片、直至下一个标志性建筑前的图片放入新建的文件夹内。
 
██████████ Step9.存储压缩
 
    用 WinRAR 压缩,压缩方式选择“存储”。ACDSee5 可直接进入到存储压缩的 Rar 文件中,就如同进入到了一个文件夹。浏览一个连续的文件,要比浏览多个分散的文件快!
内容概要:本文围绕EKF SLAM(扩展卡尔曼滤波同步定位与地图构建)的性能展开多项对比实验研究,重点分析在稀疏与稠密landmark环境下、预测与更新步骤同时进行与非同时进行的情况下的系统性能差异,并进一步探讨EKF SLAM在有色噪声干扰下的鲁棒性表现。实验考虑了不确定性因素的影响,旨在评估不同条件下算法的定位精度与地图构建质量,为实际应用中EKF SLAM的优化提供依据。文档还提及多智能体系统在遭受DoS攻击下的弹性控制研究,但核心内容聚焦于SLAM算法的性能测试与分析。; 适合人群:具备一定机器人学、状态估计或自动驾驶基础知识的科研人员及工程技术人员,尤其是从事SLAM算法研究或应用开发的硕士、博士研究生和相关领域研发人员。; 使用场景及目标:①用于比较EKF SLAM在不同landmark密度下的性能表现;②分析预测与更新机制同步与否对滤波器稳定性与精度的影响;③评估系统在有色噪声等非理想观测条件下的适应能力,提升实际部署中的可靠性。; 阅读建议:建议结合MATLAB仿真代码进行实验复现,重点关注状态协方差传播、观测更新频率与噪声模型设置等关键环节,深入理解EKF SLAM在复杂环境下的行为特性。稀疏 landmark 与稠密 landmark 下 EKF SLAM 性能对比实验,预测更新同时进行与非同时进行对比 EKF SLAM 性能对比实验,EKF SLAM 在有色噪声下性能实验
内容概要:本文围绕“基于主从博弈的售电商多元零售套餐设计与多级市场购电策略”展开,结合Matlab代码实现,提出了一种适用于电力市场化环境下的售电商优化决策模型。该模型采用主从博弈(Stackelberg Game)理论构建售电商与用户之间的互动关系,售电商作为领导者制定电价套餐策略,用户作为跟随者响应电价并调整用电行为。同时,模型综合考虑售电商在多级电力市场(如日前市场、实时市场)中的【顶级EI复现】基于主从博弈的售电商多元零售套餐设计与多级市场购电策略(Matlab代码实现)购电组合优化,兼顾成本最小化与收益最大化,并引入不确定性因素(如负荷波动、可再生能源出力变化)进行鲁棒或随机优化处理。文中提供了完整的Matlab仿真代码,涵盖博弈建模、优化求解(可能结合YALMIP+CPLEX/Gurobi等工具)、结果可视化等环节,具有较强的可复现性和工程应用价值。; 适合人群:具备一定电力系统基础知识、博弈论初步认知和Matlab编程能力的研究生、科研人员及电力市场从业人员,尤其适合从事电力市场运营、需求响应、售电策略研究的相关人员。; 使用场景及目标:① 掌握主从博弈在电力市场中的建模方法;② 学习售电商如何设计差异化零售套餐以引导用户用电行为;③ 实现多级市场购电成本与风险的协同优化;④ 借助Matlab代码快速复现顶级EI期刊论文成果,支撑科研项目或实际系统开发。; 阅读建议:建议读者结合提供的网盘资源下载完整代码与案例数据,按照文档目录顺序逐步学习,重点关注博弈模型的数学表达与Matlab实现逻辑,同时尝试对目标函数或约束条件进行扩展改进,以深化理解并提升科研创新能力。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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