清风--AI练习贴

博主表示要学习AI,原因是AI可制作矢量图并输出为SVG格式,SVG图像是标准的XML文档。IE浏览SVG需安装SVGView,可到Google搜索下载。还介绍了写SVG代码、用AI打开SVG文件可编辑,复杂图形可用AI做型再用代码精确控制。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

别怀疑,没看错:)我也要开始学习AI了,哈哈哈,当然了,我是不大可能学会画画了,我连个圆都画不好。废话不多说了,为何要学习AI,因为AI除了可以制作矢量图以外,还可以将图像输出为SVG格式,大家可以尝试把自己的AI图转存为SVG图像,可以用记事本打开这个SVG图像,会发现就是一个标准的XML文档。

IE如果要浏览SVG图像,请安装SVGView,我现在上不了国际网无法给出确切下载地址,大家到Google一下吧。

SVG是什么?

在万维网历史的大部分时间里,浏览器显示的图形都是光栅格式的。在光栅图像(如 GIF 或 JPEG 图像)中,文件包含图像中每个像素的颜色值。浏览器读取这些值并做出相应行动。它仅认识到单独的部分,而没有整体概念。
总的说来,这一系统有其优势,例如忠实再现摄影图像的能力,但它在某些情形下显得不足。例如,尽管浏览器能以不同大小显示一个图像,通常会产生锯齿边缘, 在这些地方,浏览器不得不为那些在原始图像中不存在的像素插入或猜测数值。此外,光栅文件格式的二进制性质使得难以(尽管不是不可能)基于数据库信息动态 地创建图像,并且动画最多也仅限于“翻动书本”类型的动画,即快速连续地显示单独图像。
向量图形,通过指定为确定每个像素的值所需的指令而不是指定这些值本身,克服了这些困难中的一部分。例如,向量图形不再为一个直径一英寸的圆提供像素值,而是告诉浏览器创建一个直径一英寸的圆,然后让浏览器(或插件)做其余事情。
这消除了光栅图形的许多限制;使用向量图形,浏览器只要知道它必须画一个圆。如果图像需要以正常大小的三倍来显示,那么浏览器只要按正确的大小画圆而不必 执行光栅图像通常的插入法。类似地,浏览器接收的指令可以更容易地与外部信息源(如应用程序和数据库)绑定,要对图像制作动画,浏览器只要接收有关如何操 纵属性(如半径或颜色)的指令即可。



接下来,尝试着在写一个SVG代码

<?xml version="1.0" standalone="no" ?>
<!DOCTYPE svg PUBLIC "-//W3C//DTD SVG 1.0//EN"
 "http://www.w3.org/TR/2001/REC-SVG-20010904/DTD/svg10.dtd";>
<svg width="300" height="100" xmlns="http://www.w3.org/2000/svg";>
    <rect x="25" y="10" width="280" height="50"
          fill="red" stroke="blue" stroke-width="3"/>
</svg>


效果如下:
此主题相关图片


接下来我们用AI打开这个SVG文件
此主题相关图片



发现是可以编辑的,OK,这也就是为何我要学习AI的原因,因为特别复杂的图形如果用纯代码写,费时费力,最好的方法,就是先用AI作出一个大概的型,然后用代码精确控制其变形或做动画,时时曲线完全可以用SVG来实现了:)
参考资源链接:[机器人位姿分析:D-H参数详解](https://wenku.youkuaiyun.com/doc/7ne6vbvm69?utm_source=wenku_answer2doc_content) D-H参数是机器人学中描述和计算机器人末端执行器位置和姿态的基础工具。要使用D-H参数构建末端执行器的坐标系,我们首先需要定义每一连杆的D-H参数:连杆长度ai、扭角αi、连杆偏置di和关节转角θi。这些参数能够帮助我们建立相邻关节坐标系之间的变换关系。 以一个简单的两关节平面机械臂为例,假设我们有以下D-H参数: - 第一个关节(J1):a1 = 1.0, α1 = 0, d1 = 0.5, θ1 = θ1 - 第二个关节(J2):a2 = 0.8, α2 = 0, d2 = 0, θ2 = θ2 我们的目标是构建从基座到末端执行器的总变换矩阵。根据D-H方法,我们可以得到每个关节的齐次变换矩阵,并将它们连乘起来得到总变换矩阵T02。 第一个关节的变换矩阵为: T1 = [[cos(θ1), -sin(θ1), 0, a1], [sin(θ1)cos(α1), cos(θ1)cos(α1), -sin(α1), -sin(α1)d1], [sin(θ1)sin(α1), cos(θ1)sin(α1), cos(α1), cos(α1)d1], [0, 0, 0, 1]] 第二个关节的变换矩阵为: T2 = [[cos(θ2), -sin(θ2), 0, a2], [sin(θ2)cos(α2), cos(θ2)cos(α2), -sin(α2), -sin(α2)d2], [sin(θ2)sin(α2), cos(θ2)sin(α2), cos(α2), cos(α2)d2], [0, 0, 0, 1]] 总变换矩阵T02是T1和T2的乘积: T02 = T1 * T2 在这个表达式中,我们使用了两个关节的D-H参数来计算机器人末端执行器的坐标系。通过改变θ1和θ2的值,我们可以计算出末端执行器在不同关节角度下的位置和姿态。 如果你想深入学习和实践D-H参数及其在机器人位姿描述中的应用,我推荐你查阅《机器人位姿分析:D-H参数详解》。这本书详细阐述了D-H参数的理论基础和应用,同时提供了丰富的示例和练习题,帮助读者更好地理解和掌握这一重要概念。 参考资源链接:[机器人位姿分析:D-H参数详解](https://wenku.youkuaiyun.com/doc/7ne6vbvm69?utm_source=wenku_answer2doc_content)
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