基于图像绘制技术综述
基于点的图形绘制技术综述
基于深度学习的图像识别技术发展综述
基于深度学习的图像识别技术发展综述近年来，随着深度学习技术的快速发展和广泛应用，基于深度学习的图像识别技术也取得了巨大的突破和进展。
本文将对基于深度学习的图像识别技术的发展进行综述，包括其原理、应用领域以及存在的挑战和未来发展方向。
深度学习是一种模仿人脑神经网络结构和机制的技术，通过多层的神经元网络构建模型，实现从数据中进行自动学习和提取特征的能力。
在图像识别领域，深度学习技术的发展使得计算机能够理解和解释图像中的内容，实现对图像中物体、场景、人脸等的识别和分类。
首先，基于深度学习的图像识别技术的原理是通过大规模的标记数据集和深层的神经网络模型进行训练，使得模型能够根据输入图像的特征进行分类和识别。
其中，最重要的模型是卷积神经网络（CNN），它通过多层的卷积和池化操作提取图像的特征，并通过全连接层进行分类。
还有其他一些模型，如循环神经网络（RNN）和生成对抗网络（GAN），它们也在图像识别中得到了应用。
基于深度学习的图像识别技术已经在多个领域取得了重要的应用。
首先是在人脸识别领域，深度学习技术能够准确地识别和验证人脸，用于安全认证、犯罪侦查等方面。
其次，在自动驾驶和机器人领域，深度学习技术能够识别道路、交通标志、行人等，实现智能驾驶和智能导航。
此外，深度学习技术还能够识别医学影像、检测疾病、辅助医生进行诊断，以及图像搜索、广告推荐等方面的应用。
然而，基于深度学习的图像识别技术也面临一些挑战。
首先是标记数据集的获取和标注工作量大，需要耗费大量的时间和人力。
此外，对于一些复杂的图像场景和细粒度的分类任务，深度学习技术的表现仍然有限。
另外，深度学习模型的参数数量庞大，对计算和存储资源的要求较高。
同时，深度学习模型的解释性较差，无法提供对于识别结果的准确解释。
未来，基于深度学习的图像识别技术仍然有许多发展的方向。
首先是模型的改进和优化，包括网络结构设计、参数调整和训练算法改进等方面。
其次是使用深度学习技术进行多模态的图像识别，包括结合语音、文本等多种信息进行综合识别。
基于图像化方法的恶意软件检测与分类综述
基于图像化方法的恶意软件检测与分类综述目录1. 内容概览 (2)1.1 研究背景 (2)1.2 研究意义 (4)1.3 研究目标与内容 (5)2. 恶意软件概述 (6)2.1 恶意软件的定义 (8)2.2 恶意软件的分类 (9)2.3 恶意软件的危害性 (11)3. 基于图像化方法的恶意软件检测与分类技术 (12)3.1 图像化方法的基本原理 (13)3.2 恶意软件的特征提取 (15)3.3 机器学习在恶意软件检测中的应用 (16)3.4 深度学习在恶意软件检测中的应用 (18)3.5 图像化方法在恶意软件分类中的应用 (20)3.6 图像化方法面临的挑战与解决方案 (21)4. 研究方法与技术路线 (22)4.1 数据收集与预处理 (24)4.2 特征选择与提取 (26)4.3 模型建立与训练 (27)4.4 实验设计与分析 (28)5. 研究案例分析 (30)5.1 研究工具与平台 (31)5.2 实验结果展示 (32)5.3 性能评估与对比 (33)6. 结论与未来工作 (34)6.1 研究成果总结 (35)6.2 存在问题与不足 (37)6.3 未来研究方向 (38)1. 内容概览自从机器学习技术被引入到检测和分类恶意软件领域，过去的十年见证了这些领域的显著进步。
基于图像化方法在这一过程中扮演了重要的角色，它们利用图像处理和分析技术来识别恶意软件的行为特征，这些特征通常以代码图像或系统行为图的形式存在。
本综述文章旨在概述基于图像化方法的恶意软件检测与分类的现状和未来趋势。
将探讨最新的技术进展，包括深度学习模型在建模复杂数据和进行恶意软件分类方面的应用。
本综述还将聚焦图像化方法如何被集成到更广泛的大数据分析框架中，以提高恶意软件检测的准确性和效率。
还将考察不同类型的恶意软件，如防病毒软件、间谍软件、勒索软件和病毒等的图像化检测技术。
本综述还会评估基于图像化方法的恶意软件检测系统的实际应用情况，并讨论这些系统在现实世界中的部署所面临的挑战和机遇。
基于图像处理的视觉导航技术研究与实现
基于图像处理的视觉导航技术研究与实现摘要：随着人工智能的快速发展，基于图像处理的视觉导航技术在无人驾驶、机器人导航等领域中得到了广泛的应用。
本文通过对基于图像处理的视觉导航技术的研究与实现进行综述，分析了其原理、方法和应用。
进一步探讨了当前视觉导航技术的挑战和未来发展方向。
一、介绍视觉导航技术是利用视觉传感器获取环境图像信息，并通过图像处理算法实现导航目标的定位和路径规划。
该技术的出现在无人驾驶、机器人导航等领域具有重要的应用前景。
二、基于图像处理的视觉导航技术原理基于图像处理的视觉导航技术主要通过以下步骤实现：1. 图像采集：利用携带相机的设备获取环境中的图像。
2. 图像预处理：对采集到的图像进行去噪、增强等预处理操作，提高后续处理的效果。
3. 特征提取：通过机器学习算法或图像处理算法提取关键的特征点或轮廓线等信息。
4. 定位和路径规划：通过匹配提取到的特征点或轮廓线与已知地图，获得当前位置信息，并根据目标位置进行路径规划。
三、基于图像处理的视觉导航技术方法1. 特征匹配法：利用特征提取算法提取图像中的特征点，通过与已知地图进行特征点匹配实现导航定位。
2. 深度学习法：使用深度学习算法对图像进行端到端的处理和分析，实现定位和路径规划。
3. 目标检测法：通过检测图像中的目标物体，如交通标志、建筑物等，实现位置和方向的判断。
四、基于图像处理的视觉导航技术应用1. 无人驾驶：通过图像处理技术实现自动驾驶车辆的定位和路径规划，提高行驶的安全性和效率。
2. 机器人导航：利用视觉导航技术让机器人在复杂环境中进行导航，如仓库管理、室内导航等。
3. 智能监控系统：利用视觉导航技术进行目标跟踪、异常检测等，提升监控系统的性能。
五、挑战与未来发展方向1. 算法优化：需要针对不同场景和应用优化算法，提高导航精度和速度。
2. 数据标注：对大规模数据集进行标注是瓶颈，需要开发自动标注算法或者利用少量标注数据进行迁移学习。
基于图像分析的植物叶片识别技术综述
1
基于图像分析的植物叶片识别技术
基于图像分析的植物叶片识别主要有图像预处理 、 叶片特
将 CSS 匹配方式运用到叶片的进一步识别分类中 ， 保 基于上下文特征的匹配方法
证了识别的准确性。 2. 1. 2 形状上下文（ shape context） 的描述方法是指以目标轮廓的 有限点集合来表示物体特征的方法 。 基于上下文特征的匹配 方法的基本思想是以有限点集来表示待匹配的图像物体 ， 利用 得到匹 形状直方图计算与模板图像的形状上下文特征匹配度 ， 配度最小值的模板， 从而确定测试图像的类别 。 基于上下文特征的匹配方法进行植物叶片识别是一种利 用叶片形状轮廓上的一组离散点集表示叶片 ， 从而进行形状匹 配， 用匹配度实现植物叶片识别的方法 。 在植物叶片识别中， 对植物叶片图像进行轮廓提取 ， 选取叶片轮廓或者边缘上的一 p2 ， …， p n ｝ 表示叶片的形状信息， 组离散点集合 p = ｛ p1 ， 从而得 到 n 个形状直方图。对于叶片形状， 选取了 n 个边界离散点之 就可以用 n 个矩阵描述它的形状特征 。 得到形状直方图 后， 后， 需要对任意的两个目标对象进行相应形状直方图的匹配程 度计算， 即进行两个目标对象的相似度测量 。 相似度测量式为
［1 ］
人类以及环境的关系最为密切 。 由于人类生产活动造成了植 物物种的灭绝， 而植物在维持生物平衡 、 水土保持等方面又起 着重要作用； 同时， 植物农业作为国民经济的命脉 ， 是人们生活 提高农业生产需要农业植物的精细数据 ， 因 生产的基础部分， 此植物分类与识别具有非常重要的意义 。 植物的分类与识别一般选取植物的局部特征 ， 如植物的 叶、 花、 果、 茎、 纸条等特征。这些器官都有各自的分类价值 ， 但 是相比起植物其他的器官 ， 植物叶片的存活时间较长 ， 在一年 的大部分时间内都可较为方便地采集到 ， 所以常作为植物的识 别特征和认识植物的主要参照器官 ； 同时叶形是研究植物物种 的形态变异和分化的一个非常好的指标 ， 因此基于叶片的识别 是识别一种植物最直接有效且最简单的方法 。 传统的叶片分类识别需要操作者有丰富的分类学知识和 长期的实践经验， 且工作效率低、 工作量大、 数据存在一定的主 观性， 而这些都会影响到识别的客观性与精确性 。由于植物叶 片基本处于一个平面状态 ， 适合进行二维图像加工处理 。随着 计算机的应用， 探索如何利用计算机快速准确地识别植物叶 片， 是解决这些问题的一个切实可行的新途径 。因此研究基于
基于图像处理技术的隧道裂缝检测综述
隧道裂缝检测技术发展趋势
智能化：利用人工智能和机器学习技术提高检测准确性和效率。 自动化：实现自动识别、定位和记录，减少人工干预和误差。 实时化：提高检测速度和实时反馈能力，满足快速检测和安全监控的需求。 精细化：提高检测精度和分辨率，实现更细微裂缝的检测和评估。
基于图像处理技 术的隧道裂缝检 测方法
基于灰度图像的隧道裂缝检测方法
灰度图像处理：通过灰度化处理，将彩色图 像转换为黑白图像，便于后续处理和分析。
图像增强：采用直方图均衡化、对比度拉伸 等算法，提高图像的对比度和清晰度，以便 更好地识别裂缝。
边缘检测：利用边缘检测算法，如Sobel、 Canny等，检测出图像中的边缘信息，以便 进一步提取裂缝特征。
形态学处理技术：通过膨胀、腐蚀等形态学操作，对图像进行降噪和细化，提高裂缝检测的准确性和可靠性。
隧道裂缝检测技 术发展历程
传统隧道裂缝检测方法
传统隧道裂缝检测方法主要是通过人工巡检和望远镜观察进行检测。
这些方法不仅效率低下，而且检测精度和可靠性也难以保证。
随着技术的发展，传统隧道裂缝检测方法逐渐被基于图像处理技术的检测方法所取代。
基于深度学习的隧道裂缝检测方法
深度学习模型：卷积神经网络 （CNN）
数据预处理：图像增强、去噪 等
训练过程：使用大量带标签的 裂缝图像进行训练
检测效果：准确率高，对复杂 背景和裂缝形态具有良好的适 应性
隧道裂缝检测技 术应用案例分析
实际应用案例介绍
案例名称：某高速公路隧道裂缝检测
案例简介：该案例采用了基于图像处理技术的隧道裂缝检测系统，实现了快速、 准确地对隧道裂缝进行检测和分析。
恶劣环境下的工作能力：隧道内部的环境通常比较恶劣，如潮湿、黑暗、灰尘等，对检测设备的稳定性 和可靠性提出了更高的要求。
基于图像建模技术研究综述与展望
基于图像建模技术研究综述与展望
刘钢;彭群生;鲍虎军
【期刊名称】《计算机辅助设计与图形学学报》
【年(卷),期】2005(017)001
【摘要】基于图像建模技术是计算机图形学和计算机视觉领域共同关心的重要问题.文中侧重从计算机图形学的研究角度对基于图像建模技术进行了综述,介绍了近年来提出的典型的基于图像建模方法及其最新研究进展,给出了这些方法的基本原理并加以分析比较,最后对基于图像建模技术的未来研究给出了一些建议.
【总页数】10页(P18-27)
【作者】刘钢;彭群生;鲍虎军
【作者单位】浙江大学CAD&CG国家重点实验室,杭州,310027;浙江大学数学系,杭州,310027;浙江大学CAD&CG国家重点实验室,杭州,310027;浙江大学数学系,杭州,310027;浙江大学CAD&CG国家重点实验室,杭州,310027
【正文语种】中文
【中图分类】TP391
【相关文献】
1.林木虚拟生长建模方法及建模工具研究综述和展望 [J], 焦祥;郑加强;张慧春;苏朦朦;
2.林木虚拟生长建模方法及建模工具研究综述和展望 [J], 焦祥;郑加强;张慧春;苏朦朦
3.树的建模技术研究综述与展望 [J], 周骏;陈雷霆;刘启和;李艳梅;饶云波
4.电力系统负荷建模研究综述与展望 [J], 赵静波; 鞠平; 施佳君; 秦川
5.基于图像三维建模技术的桥梁病害巡检定位技术 [J], 陈国强
因版权原因，仅展示原文概要，查看原文内容请购买。
基于神经网络的图像生成技术综述
基于神经网络的图像生成技术综述在人工智能领域，图像生成技术是一个备受瞩目的研究方向。
神经网络作为一种基础性工具，被广泛应用于图像生成领域，并在不断的研究和改进中，取得了诸多优秀的成果。
本文将从神经网络的基本原理入手，综述基于神经网络的图像生成技术的研究现状，并探讨其未来发展的方向与前景。
一、神经网络的基本原理神经网络是一种通过模拟人类神经系统进行信息处理的算法模型。
它由多个神经元组成，每个神经元接收大量的输入信号，经过加权处理后输出结果。
神经网络的训练过程是调整权重的过程，通过不断地反复计算、调整权重，使网络的输出结果更加准确，最终达到预期目标。
二、基于神经网络的图像生成技术基于神经网络的图像生成技术主要包括图像风格转换、图像超分辨率、图像修复、图像生成和图像标注等方面。
下面分别进行介绍。
1、图像风格转换图像风格转换是指将一幅图像的风格转换为另一幅图像的风格。
该技术可以实现不同艺术风格的转换，也可以将一张彩色图像转换为黑白图像。
基于神经网络的图像风格转换技术主要依赖于卷积神经网络，通过降低网络中某些层的权重，来达到转换风格的目的。
目前，最为流行的图像风格转换技术是基于VGG网络架构的方法和CycleGAN方法。
2、图像超分辨率图像超分辨率是指将低分辨率的图像通过技术手段转换为高分辨率的图像。
神经网络主要通过对图像进行上采样和下采样的操作，实现图像的超分辨率。
该技术在提高图像质量的同时，也有效地提升了图像处理的速度。
3、图像修复图像修复是指修复被损坏或缺失的图像部分，使图像看起来完整。
基于神经网络的图像修复技术主要通过模型设计和训练来实现，其中最为常见的方法是使用生成对抗网络（GAN）来进行图像修复。
4、图像生成图像生成是指使用神经网络进行图像的生成。
通过训练神经网络模型，生成出与实际图像非常相似的图像。
这一技术在数字内容制作、电影特效、游戏制作等领域有着广泛的应用。
5、图像标注图像标注是指给一张图片贴上文字标注，这通常需要人工完成。
基于图像分析的植物叶片识别技术综述
第２ ８卷 第 １ １期
２１ 年 １ ０１ １月
计 算 机 应 用 研 究
Ａｐ ｌ ａ ｉｎ Ｒｅ ｅ ｒ ｈ ｏ ｍｐ ｔ ｒ ｐ ｉ ｔ ｓ ａ ｃ ｆＣｏ ｕ ｅ ｓ ｃ ｏ
Ｖ０ ． ８ Ｎｏ １ １２ ． １ ＮＯ ． ２ １ Ｖ ０ １
基 于 图像 分 析 的植 物 叶 片识 别 技 术综 述 术
Ｋｅ ｒ ｓ ｄ ｇｔ ｍａ ｅ ａ ａｙ ｉ ；ｐ ａ ｔｌａ ｃ ｇ ｉ ｏ ｙ ｗｏ ｄ ： ｉ ｉ ｉ ｇ ｎ ｓｓ ｌ ｎ ｅ ｒ ｏ ｎ ｔ ｎ；ｉ ｇ ｅ ｌｔ ｔｈ ｎ ｌ ａ ｌ ｆ ｅ ｉ ｍａ ｅ ｔｍｐ ａ ｅ ｍａｃ ｉｇ；ｓａｉｔ ｓ ｔｔ ｉ ；ｍａ ｈ ｎ ｅ ｒ ｉ ｇ ｓｃ ｃ ｉｅ ｌ ａｎ ｎ
ｉｔｏ ｕ ｄ ｔ ｉ ｓｅ ｓｏ ｈｅ ｐ ａ ｅ ｅ ｏ ｎ ｔ ｎ ｔｃ ｎｏｏ ，ｅｓ ． ｔ ｓ ｕｓ ｈ ｅ ｔ ｄ ｓ ｄ ｏ ｅ ａｉｎａ ｔｕ ｔ ｅ ｎ ｒ ｄ ｃｅ ｈｅ ｍａｎ ｔ ｐ ｆｔ ｌｎｔｌ ａ ｒ ｃ ｇ ｉｉ ｅ ｈ ｌｇ ｆ ｏ ｙ ｐ ｏ ｄｉｃ ｓｔ ｒ ｅ ｍｅｈｏ ｓｂａ ｅ ｎ ｒｌｔｏ ｌｓｒ ｃｕｒ
用；
物物种 的灭绝 ， 而植物在维 持生 物平衡 、 土保持 等方 面又起 水 着重要作用 ； 同时 ， 物农 业作为国 民经济 的命脉 ， 植 是人们生活 生产的基础部分 ， 提高农业 生产需 要农业 植 物的精细 数据 ， 因
基于深度学习的图像识别技术综述
基于深度学习的图像识别技术综述图像识别 (Image Recognition) 技术是计算机视觉领域的一个重要分支，目的是让计算机“看懂”图像，从而实现自动化识别、分类、定位、跟踪等功能。
随着计算机硬件性能和深度学习技术的发展，图像识别技术取得了飞速的进展，成为计算机视觉领域中的一个热门话题。
一、图像识别技术的发展历程图像识别技术的发展历程随着计算机科学、数学、物理学等学科的飞速发展而不断完善。
早期的图像识别技术主要采用数据挖掘、机器学习、人工神经网络等方法，但是这些方法在图像识别领域的应用面临一定的局限性和挑战。
随着深度学习技术的兴起，图像识别技术又一次迎来了新的突破。
2012 年，AlexNet (深度学习神经网络)在 ImageNet 挑战赛中夺冠，标志着深度学习技术在图像识别领域的应用取得了重大突破。
2015 年，VGG、GoogLeNet、ResNet 等深度学习模型相继诞生，使得图像识别准确率不断提高，性能不断优化。
今天，基于深度学习的图像识别技术已经成为计算机视觉领域的主流解决方案。
二、基于深度学习的图像识别技术原理基于深度学习的图像识别技术主要是利用深度神经网络，通过大规模无标注数据的训练，从图像中学习特征表示，并将其映射到目标类别。
具体而言，深度学习网络通常由若干个卷积层、池化层和全连接层组成，这些层次化结构使得神经网络能够自动学习图像的高层次语义信息。
一般而言，基于深度学习的图像识别技术主要包括以下几个环节：1. 数据集的准备：机器学习算法需要大量的数据来进行训练，因此对数据集的选择尤为重要。
一般而言，对于图像识别任务而言，需要手动标注图像的类别。
2. 特征提取：深度学习网络的前几层都是卷积层，这些层次能够将原始图像特征逐渐提取出来，得到更加具体的特征表示。
3. 分类模型的训练：将特征表示输入到神经网络中，进行标签分类的训练。
4. 模型评估与优化：通过测试数据集来评价训练出的模型性能，并进行模型调优。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Input: Geometry, Material Properties (Color, Reflectance,…etc.), Lighting. Transformation and Rasterization.
Transform (& Lighting)
Rasterization
Computer Vision methods to recover models.
一、基于图像绘制（IBR）技术定义
Top Level Survey
3D Graphics
Sample-Based Graphics Geometry or Surface Based Rendering & Modeling
Image-Based Rendering & Modeling
Volume Rendering
Human eyes are usually at a certain height-level Human eyes are less sensitive to vertical parallax and lighting changes
f ( X , Y , Z , , , , t )
一、基于图像绘制（IBR）技术定义
Definition of IBR (by Sing Bing Kang)
image-based rendering techniques rely on interpolation using the original set of input images or pixel reprojection from source images onto the target image in order to produce a novel virtual view
三、IBR技术理论基础-Plenoptic Funciton
1. An Introduction
Two ways of describing the world:
• A source description: ——The world can be described by geometric models, texture maps, refection models, lighting and shading models. • An appearance description: ——The world can be described by the dense array of light rays filling the space, which can be observed by posing eyes or cameras in the space. The light rays can be represented through the Plenoptic function.
二、典型IBR技术演示
Paronoma Mosaics Demo
二、典型IBR技术演示
Tour-Into-Picture
二、典型IBR技术演示
Lightfield Video
二、典型IBR技术演示
Feature-based Morphing
三、IBR技术理论基础-Plenoptic Funciton
一、基于图像绘制（IBR）技术定义
一、基于图像绘制（IBR）技术定义
Why IBR?
Geometry Modeling Complexity Fidelity Difficult #triangles Synthetic IBR Easy #pixels Acquired
Problems of triangle-based graphics: • Always starts from scratch. • Millions of sub-pixel triangles.
f ( X , Y , Z , , , , t )
三、IBR技术理论基础-Plenoptic Funciton
Various Representations
三、IBR技术理论基础-Plenoptic Funciton
6D
– The Surface Plenoptic Function
三、IBR技术理论基础-Plenoptic Funciton
Restraining in View Space
Assumption 5: Viewpoint
• The viewer moves along a certain path. • Reduces 2 dimensions from the full plenoptic function. • Too large size for dynamic scene
三、IBR技术理论基础-Plenoptic Funciton
7D Plenoptic Function
三、IBR技术理论基础-Plenoptic Funciton
2. How to Handle Plenoptic Function?
Two Stages
• sampling and reconstruction of sampled signals
f ( X , Y , Z , , , , t )
三、IBR技术理论基础-Plenoptic Funciton
Restraining in View Space
Assumption 6: Viewpoint
• • • • The viewer has a fixed position. Reduces the dimension of the plenoptic function by 3. No 3D effects can possibly be perceived. Similarity to regular images and videos.
f ( X , Y , Z , , , , t )
三、IBR技术理论基础-Plenoptic Funciton
Restraining in View Space
Assumption 2: Air
• Air is translucent • Radiances along a light ray through empty space remain constant.
f ( X , Y , Z , , , , t )
三、IBR技术理论基础-Plenoptic Funciton
Restraining in View Space
Assumption 3: Time
• Static scene • Images captured at different time and positions can be used together to render novel views. • Too large size for dynamic scene
四、IBR技术发展
1、Image Matting 2、Digital PhotoMontage 3、High-Dynamic-Range Image Display 4、Plenoptic photography
五、基于图像绘制技术定义的扩展
一、基于图像绘制（IBR）技术定义
Traditional Computer Graphics
Assumption 2. As we discussed, when radiance along a light ray through empty space remains constant. 6D • Position on the surface (2D) • Light ray direction(2D) • Time (1D) and wavelength (1D).
一、基于图像绘制（IBR）技术定义
Definition of IBR (by Cha Zhang & Tsuhan Chen of CMU)
Given a continuous plenoptic function that describes a scene, image-based rendering is a process of two stages: – sampling and rendering. In the sampling stage, samples are taken from the plenoptic function for representation and storage. In the rendering stage, the continuous plenoptic function is reconstructed with the captured samples.
基于图像绘制技术综述
目
1、Panorama Mosaics 2、Tour-Into-Picture 3、Light Field 4、Feature-based Morphing
录
一、基于图像绘制（IBR）技术定义 二、典型IBR技术演示
三、IBR技术理论基础-Plenoptic Funciton
1、An introduction 2、how to handle with plenoptic fuction
三、IBR技术理论基础-Plenoptic Funciton
IBR: An Old Story
Plenoptic function
f ( X , Y , Z , , , , t )
As pointed out by Adelson and Bergen (1991): The world is made of three-dimensional objects, but these objects do not communicate their properties directly to an observer. … The plenoptic function serves as the sole communication link between the physical objects and their corresponding retinal images. It is the intermediary between the world and the eye.