图片的威力:绝不仅仅是缓解视觉疲劳

简介: 有两个数据需要分享一下:1、人脑处理图片的速度是处理文字的60000倍;2、人在看报纸时,99%的文字信息会自动被过滤掉,脑子里只残留了可怜的1%。这是非常吓人的两个数字,可能会让我们对图片的威力产生了一点兴趣。
有两个数据需要分享一下: 1、人脑处理图片的速度是处理文字的60000倍; 2、人在看报时,99%的文字信息会自动被过滤掉,脑子里只残留了可怜的1%。 这是非常吓人的两个数字,可能会让我们对图片的威力产生了一点兴趣。下面再来分享一个 很科学的事 实人脑处理文字信息与图片信息的区别:人脑处理图片信息是同步进行的,而处理文字信息则是一步一步 循序渐进的,而且一篇文字下来,大部分人只记住了其中的20%。 在互联网信息匮乏的年代,网文都是很珍贵的东西,往往被人当做真理。那时候,文字当道,图片只是 作为分割文字和缓解疲劳的工具。 现在,上网的频率太高了,文字信息太多了,人是不可能消耗掉那么多文字的,但是又不得不上网获取信息,否则就跟不上了。 于是,有些人想到了在图片上做文章。 这里的做文章,不是随便找个图来配上那么简单,而是把大量的文字信息压缩到一张图片里面。前面提 到的数字:60000,可不是闹着玩的。加入看一篇60000子的文章需要十分钟,则压缩成一张图片就只需 要十分钟/60000的时间。 当然,这只是数字上的差距,图片的意义还不止停留在速度层面。比如,图片还留给人很大的想象空间 、图片可以体现真实性(所谓的有图有真相)、图片让人赏心悦目等等。 总之, 现在使用图片不仅仅是分割文字和缓解疲劳,现在图片绝对不是“配图”,配角的配。图片应该成为主角。因为,有时候一张图片可以表达的东西很多,比如: 最典型的,一张图片可以是一个广告: 超薄的 联想 电脑 lianxiangbijiben.jpg 超大号的杜蕾斯,你懂的 chaodahaoduleisi.jpg 一张图片就可以完成一个公益宣传: 禁止疲劳驾驶 pilaojiashi.jpg 吸烟有害 健康 jinyanguanggao.jpg 一张图片可以是一个笑话: xiaohua.jpg 一张图片可以是一个故事: 纯净水一样的爱 biaobai.jpg 一张图片可以反映人性: 都一把年纪了,荷尔蒙还这么旺盛…… renpin.jpg 一张图片可以是一种生活方式: shenghuofangshi.jpg 一张图片可以是一个时代、一段传奇: 张伯伦与20000个女人同床共枕: 20000.jpg 张伯伦创下NBA单场最高得分100分: 100.jpg 一张图片可以是整个人生: rensheng.jpg 这就是图片的威力。图片不能只是文章里面的配角,而要成为主角。当然图文搭配会有更多意想不到的效果。 因此, 在这个信息泛滥的互联网,在这个选择困难症横行的年代,我们要懂得利用图片,巧妙借用图片 的威力,让图片说话,而不是摆设。 真正的好图片都是与文字相互作用的,两者应该有机结合,只有两者配合得好,才能迸发出让人尖叫的 表达效果。其中以下几点可以借鉴: 1、文字提示:文字里面要提到并指示图片,这是最基本的要求。比如“如图所示”、“图片中的某某某 ”等等; 2、图片位置:图片出现在文章前三分之一,大段文字后出现图片。这主要是发挥图片基本功能,即“防 瞌睡”; 3、图片里面的字体:图片里面尽量不要出现文字,尤其是大段文字。If have to,保证文字必须清晰可 辨; 4、文字居左,图片居中,这是节省眼力的一个细节,很多人都没有在意。 当然,图片本身清晰、大小适中等等都是基本要求了。 没有图片的文字就像吃饭没有菜光吃白米饭一样,吃多一点就会想吐;没有文字的图片就像吃饭光有菜 没有没饭一样,虽然吃得很滋味,但是总像没有吃饱的感觉;图片和文字没有配合起来,相互孤立的网 文,就像用白米饭下酒一样,既迷糊又闹心。 图片和文字的配合,是互联网时代传递和表达信息的伟大创新。
目录
相关文章
|
8月前
|
机器学习/深度学习 编解码 API
深度学习+不良身体姿势检测+警报系统+代码+部署(姿态识别矫正系统)
深度学习+不良身体姿势检测+警报系统+代码+部署(姿态识别矫正系统)
|
8月前
|
机器学习/深度学习 算法 计算机视觉
基于深度学习的停车位关键点检测系统(代码+原理)
基于深度学习的停车位关键点检测系统(代码+原理)
|
3月前
|
编解码 监控 算法
高动态范围成像:超越人眼的视觉体验
【10月更文挑战第15天】高动态范围成像(HDR)通过捕捉更广泛的亮度范围,超越传统图像和人眼的极限,提供卓越的视觉体验。本文深入解析HDR的基本原理、技术特点及其在摄影、电影、游戏、医学影像和工业检测等领域的广泛应用,展现其引领视觉技术革命的独特魅力。
|
8月前
|
人工智能 算法 TensorFlow
基于AidLux的工业视觉少样本缺陷检测实战
基于AidLux的工业视觉少样本缺陷检测实战
86 0
|
8月前
|
运维 算法 数据处理
|
机器学习/深度学习 编解码 算法
CenterNet++ | CenterNet携手CornerNet终于杀回来了,实时高精度检测值得拥有!(一)
CenterNet++ | CenterNet携手CornerNet终于杀回来了,实时高精度检测值得拥有!(一)
193 0
|
编解码 vr&ar 计算机视觉
CenterNet++ | CenterNet携手CornerNet终于杀回来了,实时高精度检测值得拥有!(二)
CenterNet++ | CenterNet携手CornerNet终于杀回来了,实时高精度检测值得拥有!(二)
228 0
|
编解码 人工智能 自然语言处理
扩散+超分辨率模型强强联合,谷歌图像生成器Imagen背后的技术
扩散+超分辨率模型强强联合,谷歌图像生成器Imagen背后的技术
237 0
|
机器学习/深度学习 人工智能 算法
如何用Transformer分清12位女排运动员?这个「时空双路」框架刷群体行为识别SOTA
如何用Transformer分清12位女排运动员?这个「时空双路」框架刷群体行为识别SOTA
114 0
|
传感器 数据采集 机器学习/深度学习
毫米波雷达在多模态视觉任务上的近期工作及简析(下)
在近些年,2D检测任务在自动驾驶的热度递减,取而代之的是3D任务,毕竟现在的实际场景一直多是基于3D场景。但是在3D检测或者分割等任务中,雷达赋予了一个不一样的角色,在之前FOV视角中,毫米波点云大多为了与FOV特征融合,都是通过投影这一种方法,而放到3D场景中,分为两个流派:一个是点云流派:由于lidar和radar具有天然的相似性(当然是处理后的点云),自然就有lidar的相关角色赋予毫米波雷达,相应的,毫米波的角色从FOV到了BEV,它的下游任务,也从辅助为主到BEV下的分割、深度估计、生成密集点云等。
毫米波雷达在多模态视觉任务上的近期工作及简析(下)