更新格式

2025-02-23 16:04:16 +08:00
parent f1fdc98268
commit 26244880ee
5 changed files with 40 additions and 16 deletions
@@ -25,6 +25,7 @@ table.gridtable td {

 table.invisibletable {
    border: 0px;
+    display: table;
 }

 table.invisibletable tr {
@@ -58,21 +58,22 @@ YCbCr模型广泛应用在图片和视频的压缩传输中，比如你可以留

 这是有道理的，还记得我们在文章开始时提到的有损压缩的基本原理吗？有损压缩首先要做的事情就是“把重要的信息和不重要的信息分开”，YCbCr恰好能做到这一点。对于人眼来说，图像中明暗的变化更容易被感知到，这是由于人眼的构造引起的。视网膜上有两种感光细胞，能够感知亮度变化的视杆细胞，以及能够感知颜色的视锥细胞，由于视杆细胞在数量上远大于视锥细胞，所以我们更容易感知到明暗细节。比如说下面这张图  
 <div align="center">
-<table class="invisibletable" style="width:620px;">
+<table class="invisibletable">
 <tbody>
 <tr>
 <td colspan="5">
-<center>
-<img src="/images/2014/08/jpeg_15.jpg" >
-</center>
+
+![](/images/2014/08/jpeg_15.jpg)
+
 </td>
 </tr>
 <tr>
-<td><figure style="width: 200px; margin: 0px;"><img src="/images/2014/08/jpeg_16.png" ><figcaption >Y</figcaption></figure></td>
-<td style="width: 10px;"></td>
-<td><figure style="width: 200px; margin: 0px;"><img src="/images/2014/08/jpeg_17.png" ><figcaption >Cb</figcaption></figure></td>
-<td style="width: 10px;"></td>
-<td><figure style="width: 200px; margin: 0px;"><img src="/images/2014/08/jpeg_18.png" ><figcaption >Cr</figcaption></figure></td>
+<td>
+<figure style="margin: 5px;"><img src="/images/2014/08/jpeg_16.png" ><figcaption >Y</figcaption></figure></td>
+<td ></td>
+<td><figure style="margin: 5px;"><img src="/images/2014/08/jpeg_17.png" ><figcaption >Cb</figcaption></figure></td>
+<td ></td>
+<td><figure style="margin: 5px;"><img src="/images/2014/08/jpeg_18.png" ><figcaption >Cr</figcaption></figure></td>
 </tr>
 </tbody>
 </table>
@@ -65,7 +65,8 @@ $$
 奥妙之处在于，经过DCT，数据中隐藏的规律被发掘了出来,杂乱的数据被转换成几个工整变化的数据。DCT转换后的数组中第一个是一个直线数据，因此又被称为“直流数据”，简称DC，后面的数据被称为“交流数据”，简称AC，这个称呼起源于信号分析中的术语。  
 在JPEG压缩过程中，经过颜色空间的转换，每一个8X8的图像块，在数据上表现为3个8X8的矩阵，紧接着我们对这三个矩阵做一个二维的DCT转换，二维的DCT转换公式为  
 $$\small{\begin{aligned}
-F(u,v)&=\alpha(u)\cdot\alpha(v)\cdot \sum_{x=0}^{7}\sum_{y=0}^{7}f(x,y)\cos\left(\frac{2x+1}{16}u\pi\right)\cos\left(\frac{2y+1}{16}v\pi\right)\quad u,v=0,1,2,\ldots,7\\
+F(u,v)&=\alpha(u)\cdot\alpha(v)\cdot \sum_{x=0}^{7}\sum_{y=0}^{7}f(x,y)\cos\left(\frac{2x+1}{16}u\pi\right)\cos\left(\frac{2y+1}{16}v\pi\right)\\
+u,v &=0,1,2,\ldots,7\\
 \alpha(u)&=\begin{cases}1/\sqrt{8}, & \text{when u}=0\\
 1/2, & \text{when u}\neq 0\end{cases}
 \end{aligned}}\tag{2.4}
@@ -11,13 +11,21 @@ SPH([Smoothed Particle Hydrodynamics](http://en.wikipedia.org/wiki/Smoothed_Part
 
 SPH算法是典型的拉格朗日视角，它的基本原理就是通过粒子模拟流体的运动规律，然后再转换成网格进行流体渲染。  
 <div align="center">
-<table class="invisibletable" style="width:560px;">
+<table class="invisibletable">
 <tbody>
 <tr valign="center">
 <td ><img src="/images/2014/08/sph_2.jpg" ></td>
-<td > -&gt; </td>
+<td > 
+
+$\rightarrow$
+
+</td>
 <td ><img src="/images/2014/08/sph_3.jpg" ></td>
-<td > -&gt;</td>
+<td > 
+
+$\rightarrow$
+
+</td>
 <td ><img src="/images/2014/08/sph_4.jpg" ></td>
 </tr>
 </tbody>
@@ -3,14 +3,27 @@ title: "SPH算法简介（三）: 光滑核函数"
 tags: 数学 流体 程序 算法
 ---
 和其他流体力学中的数学方法类似，SPH算法同样涉及到“光滑核”的概念，可以这样理解这个概念，粒子的属性都会“扩散”到周围，并且随着距离的增加影响逐渐变小，这种随着距离而衰减的函数被称为“光滑核”函数，最大影响半径为“光滑核半径”。  
-<table class="invisibletable" align="center">
+
+<div align="center">
+<table class="invisibletable">
 <tbody>
 <tr>
-<td width="50%" ><img src="/images/2014/08/sph_21.gif"></td>
-<td width="50%" ><img src="/images/2014/08/sph_22.gif"><p>光滑核函数一般具有的形态</p></td>
+<td>
+
+![](/images/2014/08/sph_21.gif )
+
+</td>
+
+<td>
+
+![](/images/2014/08/sph_22.gif "光滑核函数一般具有的形态")
+
+</td>
 </tr>
 </tbody>
 </table>
+</div>
+
 反过来不难理解，尽管我们将流体视为一个个分散的粒子，但流体毕竟是连续充满整个空间的，流体中每个位置参与运算的值都是由周围一组粒子累加起来的。

 ![](/images/2014/08/sph_26.gif)