以下是《人臉自動機器識別》（2023年1月出版，段錦著）第40、41頁的內容
4.1.1 rgb顏色模型
rgb模型是人們最常用的顏色模型。國際照明委員會（cie）選擇紅色（波長700.0nm）、綠色（波長546.1nm）、藍色（波長435.8nm）三種單色光作為表色系統的三基色，這就是rgb色系座標系。一般攝像系統都採用rgb座標系，影象的顏色一般也用此色系座標表示。通過以rgb座標係為基礎描述其他色系座標系，將其他色系座標系的基色描述為rgb三色的線性或者非線性函式。在rgb模型中，人表現出來的顏色受光照的影響，但對同一點，在不同亮度下的相應值是成比例的。也就是說，同一點在不同光照條件下具有相同的色彩，只是亮度不同而已。rgb顏色空間可以直接通過線性變化，轉化為灰度影象
gray = 0.299 × r + 0.587 × g + 0.114 * b
4.1.2 yiq模型
yiq是ntsc制的顏色空間，其中亮度資訊包含在y中，而色度資訊（包括色彩和純度）則結合在i和q中。iq平面垂直於y軸，i包含橙—表色彩資訊，提供鮮豔色調的明暗度，q給出綠—品紅色彩資訊。
wang和brandstein對yiq空間中人臉膚色的分布作為分析，得到如下結論：
如果選擇乙個比較合理的iq平面，則人臉顏色的投影可以被限制在乙個較小的範圍內。下圖是人臉顏色在iq平面的顏色分布，其中，淺色區域表示人臉，深色區域表示背景。
yiq顏色模型和rgb模型之間模型之間可以進行線性轉換，其轉換公式為
摘自《人臉自動機器識別》 科學出版社 段錦
經過mfc**測試，上圖「人臉的iq顏色分布」有誤，測試**如下：
cclientdc dc(this);
int count = 0;
for(int r = 0; r < 256; r++)}}
}測試結果顯示，以紅色比較多，沒有其他顏色，顯然上圖中的結論是錯誤的，不知道是wang和brandstein研究錯了，還是《人臉自動機器識別》作者弄錯了，又或者是我的**有問題。
測試結果如下
自動機器學習簡述（AutoML）
一 為什麼需要自動機器學習 二 超引數優化 hyper parameter optimization 三 元學習 meta learning 四 神經網路架構搜尋 neural architecture search 五 自動化特徵工程 六 其它自動機器學習工具集 對於機器學習的新使用者而言，使用機...
有限自動機的構造與識別
實驗三 有限自動機的構造與識別 一 實驗目標 1 掌握有窮狀態自動機的概念 2 掌握有窮狀態自動機的儲存及表示方法 3 掌握有窮狀態自動機與正則式之間的關係。二 實驗要求 1 輸入正規式 2 構造該正規式的有窮狀態自動機 3.以五元組形式輸出。三 演算法 參見教材的轉換規則。練習 a b abb l...
自動機器學習（AutoML）最新綜述
機器學習的應用需要大量的人工干預，這些人工干預表現在 特徵提取 模型選擇 引數調節等機器學習的各個方面。automl 試圖將這些與特徵 模型 優化 評價有關的重要步驟進行自動化地學習，使得機器學習模型無需人工干預即可被應用。作者從機器學習和自動化兩個角度給出了定義 1.從機器學習角度講，automl...