OpenEXR的采样机制

OpenEXR的输出机制是无损的,这样做会受到部分低配置电脑存储及运算带宽的限制。

当前有很多针对图像的压缩算法来解决这个问题,OpenEXR另外提供了WRITE_YC这种存储方式,这种方式会将RGB数据存储到luminance/chroma格式中,具体是将RGB三个通道转换到亮度通道及RY、BY两个通道中。由于人眼对色彩的解析能力远低于EXR文件提供的解析度,所以完全可以降低转换过程中RY、BY通道的采样率。亮度通道可以以1:1的方式进行采样,而RY、BY两个通道则可以通过对2x2个像素计算一个平均值的方式来压缩数据。通过这种方式输出的图像色彩信息被压缩了大半,而人眼并不能察觉到这种变化,同时也不存在复杂的解码过程,所以图片的读取速度会很快。

OpenEXR对WRITE_YC这种存储方式渲染出来的图片的读取方式也很简单,软件会识别到WRITE_YC这种属性,并将Y,RY,BY转换回RGB即可正常读取。

时间: 2024-10-25 14:56:10

OpenEXR的采样机制的相关文章

OpenEXR的读取机制

这还是一篇学习笔记,知识重点还是领会完再敲一遍比较好. OpenEXR通过RgbaInputFile这个接口读取RGBA ONLY图像文件信息,该接口通过dataWindow()方法获取图像边界坐标信息,通过该边界坐标信息即可计算出图像的heigth及width. 此时的图像文件的数据还未以OpenEXR标准的方式存储,OpenEXR是如何将这些数据标准化的呢?首先定义一个Array2D<Rgba>的模板&pixels,pixels是一个数组的引用,然后通过pixels.resizeE

谈谈信息不对称

// 本文由 曹政 的微信公众号转载整理而来,如有兴趣可以关注他的微信公众号:caoz的梦呓 一直以来,大部分商业行为获利的一个重要基础是信息不对称. 互联网时代一个巨大的谎言是,信息是公开透明的,但是很遗憾,这不是真的. 1.互联网时代了信息还不对称吗? 1.1 高价值信息都有自己的圈子 一些非常具有价值的信息资源,并不在互联网流传,每个行业都有自己的小圈子,有些信息和资讯,只在小圈子里流通,对广大公众而言,这些信息是无从获知的.(编者注:举个极端的例子:A股的内幕交易...还有 ZF 每次政

Linux 监控系统---zabbix

监控系统及zabbix基础(一) =========================================================================== 概述: =========================================================================== 监控系统  1.监控系统介绍 ★监控指标: 硬件:如:cpu使用率,内存空间等 软件:软件程序如:nginx,进程数量等 业务:并发在线数量,事物数量等

Google之大规模分布式系统的监控基础架构Dapper

[说明:本文是阅读Google论文"Dapper, a Large-Scale Distributed Systems Tracing Infrastructure"之后的一个简要总结,完整译文可参考此处. 另论文"Uncertainty in Aggregate Estimates from Sampled Distributed Traces"中有关于采样的更详细分析.此外,Twitter开源的Zipkin就是参考Google Dapper而开发.] Dappe

Dapper,大规模分布式系统的跟踪系统--转

原文地址:http://bigbully.github.io/Dapper-translation/ 概述 当代的互联网的服务,通常都是用复杂的.大规模分布式集群来实现的.互联网应用构建在不同的软件模块集上,这些软件模块,有可能是由不同的团队开发.可能使用不同的编程语言来实现.有可能布在了几千台服务器,横跨多个不同的数据中心.因此,就需要一些可以帮助理解系统行为.用于分析性能问题的工具. Dapper--Google生产环境下的分布式跟踪系统,应运而生.那么我们就来介绍一个大规模集群的跟踪系统,

对pathtracing的一些个人理解

本人水平有限,若有错误也请指正~ 上面说到pathtracing(pt)的一些优点和缺点,优点即其实现很简单,这就是大概为什么当今市面上流行的很多渲染器如今都相继采用pathtracing算法为核心进行实现,但是pathtracing的最大缺点就是收敛速度很慢,其原因就在于全局光照的那个积分式要求在半球面上连续采样,这就需要每次发射n条采样光线,n的数量直接决定了最终图像的质量(对于pt来讲它的图像质量取决于噪点数量的多少,噪点多的话有点像用老式胶片拍出来的照片那样),一般n越大图像过渡越光滑.

《开源安全运维平台-OSSIM最佳实践》已经上市

<开源安全运维平台-OSSIM最佳实践>已上市 经多年潜心研究开源技术,历时三年创作的<开源安全运维平台OSSIM最佳实践>一书即将出版.该书用100多万字记录了作者10多年的OSSIM研究应用成果,重点展示了开源安全管理平台OSSIM在大型企业网运维管理中的实践.国内目前也有各式各样的运维系统,经过笔者对比分析得出这些工具无论在功能上.性能上还是在安全和稳定性易用性上都无法跟OSSIM系统想媲美,而且很多国内的开源安全运维项目在发布几年后就逐步淡出了舞台,而OSSIM持续发展了十

sklearn参数优化方法

学习器模型中一般有两个参数:一类参数可以从数据中学习估计得到,还有一类参数无法从数据中估计,只能靠人的经验进行指定,后一类参数就叫超参数 比如,支持向量机里的C,Kernel,gama,朴素贝叶斯里的alpha等,在学习其模型的设计中,我们要搜索超参数空间为学习器模型找到最合理的超参数,可以通过以下方法获得学习器模型的参数列表和当前取值:estimator.get_params() sklearn 提供了两种通用的参数优化方法:网络搜索和随机采样, 网格搜索交叉验证(GridSearchCV):

LIME:模型预测结果是否值得信任?

花了一天时间对LIME论文:http://arxiv.org/pdf/1602.04938v1.pdf 仔细阅读和代码阅读,实验,大体理解了作者的设计思路. 背景: 我们在建立模型的时候,经常会思考我们的模型是不是够稳定,会不会出现样本偏差效应, p>>N时候会不会过拟合? 我们检查模型稳定,我们进行一些cross-validation来看看各项评估指标方差大不大. 可是如果样本一开始因为采样偏差导致样本有偏,导致模型和实际情况有差异,这个就不太好评估了.同样,p>>N也会有类似的