A Fast Method for Single Image Dehazing Using Dark Channel Prior
A Fast Method for Single Image Dehazing Using
Dark Channel Prior
Feng Liu, and Canmei Yang
University of Science and Technology of China (USTC)
Hefei, China
lflf@https://www.sodocs.net/doc/db15821243.html,, paulyang@https://www.sodocs.net/doc/db15821243.html,
Abstract—In this paper, we propose an improved method for single image haze removal based on the dark channel prior. The dark channel prior is a kind of statistics of outdoor haze-free images. It estimates the transmission map and gives out a superior result. While refining the transmission map with soft matting is computation consuming and this prior is invalid for near white scenes. We simplify the refining step by locally processing and the region to be refined is located by dealing with the coarse dark channel. By computing the difference of intensities between the highest channel and the lowest, we reestimate the transmission map with a method derived from underwater dehazing. Results show that our method has a good ability of haze removal with lower computation and the output of near white scenes is more realistic.
Index Terms—Image dehazing, the dark channel prior, underwater dehazing.
I. I NTRODUCTION
Images of outdoor scenes can be significantly degraded by bad weather such as fog and haze [1]. This is due to the presence of numerous atmospheric particles which absorb and scatter light. Such degraded images lose contrast and become dim especially in the distant regions. As images of clear visibility are desired in monitoring system, object recognition, photography, etc, haze removal is meaningful in both commercial application and scientific research.
Impressive progress has been made in single image dehazing. As there is only the hazy image, assumptions and constrains are needed to estimate the haze-free scene. Fattal [2] estimates the optical transmission on the assumption that the transmission and surface shading are locally uncorrelated. However, low SNR or the lack of variation in significant portions will cause his method to fail. Tan [3] maximizes the local contrast of the hazy image. It works but may cause image distortion to some extent. He [4] proposes the dark channel prior to estimate the image transmission map. Its principle is simple but the result is amazing. However, refining the transmission map using soft matting costs mounts of calculation. Furthermore, the prior may not work when dealing with near white scenes.
In this paper we propose an improved method for haze removal based on the dark channel prior. We refine the
transmission map locally in the area whose scene depth is
(a) (b)
Fig. 1. (a) Input hazy image. (b) Result of our image dehazing method. discontinuous using smaller patches, which avoids large computation. The halo effect is almost eliminated by the locally refining method. As we mentioned above, the dark channel prior may be invalid when the original color of the scene objects is partial white. The original method [4] treats it as haze and the transmission maps of these scenes are underestimated, resulting in oversaturation in these areas. In our work, we manage to locate the near white scenes and re-estimate its transmission map. The recovered image is more naturally realistic than that in the original method [4].
II. D ARK C HANNEL P RIOR
In computer vision and computer graphics, the optical model of a hazy image is usually described as [2, 3, 4]:
(x))
(1
(x)
(x)
(x)t
t?
+
=A
J
I, (1)
where I is the observed hazy image, J is the surface radiance, A is the global airlight [5]. As A is assumed to be constant globally, it is independent from location x. And t is the medium transmission, which is expressed as:
(x)
-
e
(x)βd
t=, (2)
where β is the scattering coefficient of the atmosphere and d is the scene depth. The equation reveals the relationship between scene depth and medium transmission.
The dark channel prior is based on the statistical characteristics of outdoor haze-free images: at least one color channel has some pixels whose intensities are very low in most nonsky patches,
))y (min (min )x (c }
{c )x (y dark
J J
b g,r,∈Ω∈=, (3)
0)x (dark
→J
. (4)
Based on this prior, with proper patch size, the dark channels of images can indicate the thickness of haze. The coarse transmission map t (x) is then estimated:
)
(min
(min 1(x)c
c c )(A y I t x y ~
Ω∈??=ω. (5) ω is set 0.95 to keep a small amount of haze for distant
objects. The coarse transmission map t (x) is then refined to t (x) using soft matting. With the refined transmission map t (x), the recovered image J (x) can then be estimated:
A A
I J +?=
)
),((max )((x)
0t x t x . (6)
t 0 is a lower limit in case the transmission map t (x) is close to zero.
III. A N I MPROVED M ETHOD F OR D ARK C HANNEL R EFINING In the original dark channel method (Fig. 2), the coarse dark channel is computed using a patch size 15×15. Then the coarse dark channel needs to be refined to generate the corresponding transmission map. While refining using soft matting is computation consuming, makes the method hard for real-time implementation. In more detailed analysis, the halo effect is caused by the processing with patches. As shown in Fig. 2b, the areas of discontinuous scene depth are always the image edges. The distant scenes are covered with haze and the near scenes are clear. If the patches of distant scenes intersect the region of near scenes, the dark channel intensity of the patch center is then estimated using the pixels in the near scenes, whose dark channel intensity is relatively low. The transmission map is then overestimated, causing incomplete haze removal in the patches. It is so called the halo effects. As the wrong estimation is formed in the coarse dark channel, in the next step, we need dark channel refining to eliminate the halos.
(a) (b) (c)
Fig. 2. The dark channel method. (a) Input image. (b) Result without refining. (c) Result with refining.
In Fig. 2, we compare the recovered images using coarse dark channel to the one using the refined. Apparently we can see that besides the halos near edges, the two images are almost the same. Based on these observations of statistics [6], we propose an improved method to reestimate the coarse dark channel: Replacing the whole dark channel refining with local implementation of dark channel prior, using smaller patch size. How can we locate the regions of potential halo effect? Chu [7] proposes a method of edge detecting on the input hazy image. For the areas of halos are always the scene depth edges. Edge detection using detectors like Sobel, Canny et al. can figure out the edges exactly. However, not all these regions of sharp edges have the halo effects. And if we use these detectors to detect the edges with a relatively small threshold, there will be too many details in the result, making the refining step computation consuming, while edge detecting on the input picture is time consuming and unnecessary.
In Fig. 3b, we notice that in the image of coarse dark channel, there is an obvious step of intensities near the area of halos. For this is the cause of halos. As the coarse dark channel is generated by a rectangular patch, we use the vertical and horizontal gradient to locate the potential halo areas. With appropriate threshold (we set 0.021 here), we can locate the areas to be refined exactly. And the computation of gradient is less than that of other detectors like Sobel, Canny et al.
(a) (b)
(c) (d)
Fig. 3. (a) Input image. (b) Course dark channel. (c) Result of edge detecting. (d) Final result.
As the patch size we use is 15, if one pixel has the lowest dark channel in part of the image, the 15×15 patches covering it will be assigned its intensity. Based on this principle, we shift the detected gradient edge by half the patch size, 7, along the direction (horizontal or vertical) of intensity decreases. And the direction can be simply inferred from the sign of the gradient. Then we process the binary image with morphological operations of dilation. The mask of refining region is now generated (Fig. 3c).
)](grad_y )(grad_x [dilation I I BW mask
∪= (7)
The regions which are marked will be refined with a smaller patch size 3×3 to generate the final dark channel. While patch size 3×3 is not suitable for very sharp edges. In Fig. 4a we can see that there are still one pixel wide halos beside the edges. So we compare the dark channel with the lowest intensity of three channels. If the difference between them is over a threshold, we will choose the lowest intensity of three channels instead. In Fig. 4b we can see the final result.
(a) (b)
Fig. 4. (a) Recovered image with halos. (b) Result of our image dehazing.
As refining the dark channel using small patch size 3×3 is unassociated with the coarse dark channel generating. If we don't concern about the memory cost, and merge the step of refining into the loop of coarse dark channel generating. This will reduce the time cost significantly:
mask r mask r BW x t BW x t x t ?+??===)( )(1)()(1
dark
7
dark (8) In Fig. 1b, Fig. 3d and et al. we can see that our recovered
image is as vivid as the original method [4]. But our method requires less amount of computation.
IV. C ORRECTION OF D ARK C HANNEL E STIMATIONS The dark channel prior is simple but powerful for single image haze removal. While it is a kind of image statistics, it may not work for some particular images. And the method is processing every there channels in the same way. As the RGB color space is not designed to approximate human vision, the changes of its components can not reflect the effects to human vision directly. When the color of scene objects is close to white and there is no dark channel area like shadow or bright color on them, the intensity of the dark channel will be relatively high. The prior treats the slightly colored objects as haze layer, resulting in underestimating of the transmission map. The recovered image will be oversaturated in these areas. According to human visual characteristics, people are more sensitive to changes in near white colors. When these objects have some slightly bright color, the oversaturation of the result is prominent. This defect of the prior may not be ignored.
As a result, the areas which tend to be oversaturated always have a high intensity of luminance and a relatively low intensity of saturation. In the RGB color space, these areas have the following features: intensities of three channels are relatively high, differences of the intensities of the RGB
channels are over a threshold. In YUV color space the distribution of the feathers is like a ring. The first feature is so called the near white. The second feature is showed that these areas are not pale white, they have some slight colors. This prior cannot discriminate the near white scenes from the haze layers. But we can make efforts to revising the oversaturation. For decreasing computation consuming, we deal with it in pixels instead of patches.
Bianco [8] use the differences of the RGB channels to estimate the transmission map of an underwater image. Here we calculate the difference between the highest channel and the lowest of each point. The difference can reflect some features of the areas. For the areas of heavy haze, the color is near white (the intensity is close to 1) and the difference is close to zero. So the revising won't change the differences much and the output will still remain white. For the areas of near white scenes, the difference is a median value. The intensities of all three channels are near 1. So the difference is limited by the maximum. For the areas of nonwhite scenes, the intensity of at least one channel will be relatively low. And the difference is relatively high than others mostly. Only if the colors of areas are near dark and the differences will be low. This situation won't affect our revising method.
First we calculate the difference between the highest channel and the lowest: (x)min (x)max (x)c c
I I
D ?=. (9)
As listed above, the areas of median values are the areas of
near white scenes. Then we calculate the average of D (x):
(x))mean(D avgD =. (10) The value of avgD can tell if it is necessary to revise the dark channel. If the input image is nearly all white, avgD will be close to zero. And if the input image is colorful, avgD will be relatively high. Only if avgD is a median value, we can tell that the input image has a large scale of near white scenes, or half white half colorful. Our method is also adapted for the second situation. The range of avgD we set is 0.16~0.21.
If the value is in that range, then we calculate the absolute value of the difference: avgD D mD'?=
(x)(x), (11)
(x)(x))max((x)mD'mD'mD ?=. (12) mD (x) shows the degree of association with the near white scenes. The areas of pale white and colorful scenes have low values in mD (x).
To limit the influence of the revising method on the transmission map, we set the maximum value to 0.14:
()
uplim mD mD D ?=(x)
max (x)
(x)0γγ, (13)
we set uplim 0.14 here, γ is to compress the range for the areas which is not necessarily to revised. we set γ 2.0 here. Then the final transmission map is:
)()()(0x D x t x t f +=, (14) then t f (x) should be normalized.
In Fig. 5c we can see that the areas of white marbles are remained white while the red tiles and pillars are enhanced. This shows the improvement of our method.
(a) (b) (c)
Fig. 5. (a) Input image. (b) Result of the original method [4]. (c) Result of our improved method.
V. E XPERIMENTAL R ESULTS
The advantage of our method is the fast implementation and the revising of near white scenes. On a laptop with a 2.1GHz Intel Core 2 Duo CPU, 3G memory, the original method takes about 15~25s to process a 600×400 image. But ours will only take about 2~5s to process the same image. As the revising step depends on the average of the differences, the running time depends on the content of an image. As we can see in Fig. 5, the transmission map of the white marbles is successfully revised. At the same time, the transmission map of the tiles is affected by the method. We can find that the color of red tiles is lighter than that in Fig. 5b. But it is not a big matter, the whole visual effects are much more satisfying than those in Fig. 5b. We will need to find a more proper method to deal with the differences. We can find the same phenomenon in Fig.
6. The color blue in Fig. 6c is lighter than that in Fig. 6b.
(a) (b) (c)
Fig. 6. (a) Input image. (b) Result of the original method [4]. (c) Result of our improved method.
VI. C ONCLUSIONS
The dark channel prior is very simple but powerful for single image haze removal. While the refining step is time consuming. We use locally refining to sacrifice output quality for running speed. And the result is accepted. As the dark channel is a kind of statistics, it may not work for some particular images. When the color of scene objects is close to white and there is no dark channel area like shadow or bright color on them. The prior treats the light colored objects as haze layer, resulting in underestimating the transmission of these objects. The recovered image is then oversaturated in that area. We use differences of each pixel to revise the transmission map. It is simple but useful. As the prior itself cannot distinguish between the haze layer and near white scenes. We need to modify the mapping of differences to eliminate the bad effects of revising in the future.
R EFERENCES
[1] S. G. Narasimhan, and S. K. Nayar, "Vision and the
Atmosphere," Int'l J. Computer Vision, vol. 48, pp. 233-254, 2002.
[2] R. Fattal, "Single Image Dehazing," Proc. ACM Transaction on
Graphics, vol. 27, pp. 1-9, 2008.
[3] R. Tan, "Visibility in Bad Weather from a Single Image," Proc.
IEEE Conf. Computer Vision and Pattern Recognition, pp. 1-8, June 2008.
[4] K. He, J. Sun, and X. Tang, "Single image haze removal using
dark channel prior," Proc. IEEE Conf. Computer Vision and Pattern Recognition, pp. 1956-1963, June 2009.
[5] H. Koschmieder, "Theorie der Horizontalen Sichtweite," Beitr.
Phys. Freien Atm., vol. 12, pp. 171-181, 1924.
[6] Wei Hu, Guodong Yuan, Zhao Dong, and Xueming Shu,
"Improved Single Image Dehazing Using Dark Channel Prior," Journal of Computer Research and Development , vol. 12, pp. 2132-2140, 2010.
[7] HongLi Chu, Yuanxiang Li, Zeming Zhou, and Ji Shen,
"Optimized Fast Dehazing Method Based on Dark Channel Prior," Acta Electronica Sinica, vol. 41, pp. 791-797, 2013. [8] N. Carlevaris-Bianco, A. Mohan, and R. M. Eustice, "Initial
results in underwater single image dehazing", Proc. IEEE OCEANS, pp.1-8, 2010.
法国化妆品品牌排名
法国化妆品品牌排名 在西方的化妆品中，法国化妆品的地位相当于东方的韩国，所以法国化妆品品牌排名也受到很多女性的关心。对于法国来说也是出名的浪漫之都，化妆品也是这个地方不可或缺的一部分，是不是开始感兴趣了，跟着时尚女人网小编一起来看看法国化妆品品牌排名吧！一定让你大开眼界。 法国化妆品品牌排名一 兰蔻，创办于1935年，是根据法国中部的一个城市而命名的，创办人觉得每一个女人就像是玫瑰一样，所欲选择了“兰蔻”这个被玫瑰环绕的城市来命名。 法国化妆品品牌排名二 香奈儿的创始人出生在法国，当时是一个非常平常的巴黎少女，父亲只是个流动的商人，她和姐姐相依为命长大，创立香奈儿是改变了她和不少女性的一个壮举。 |
法国化妆品品牌排名三 迪奥的创始人在1947年成立了属于自己的时装店，在之后的日子里，他的不断发展成为世界著名的时装设计师。 | 法国化妆品品牌排名四
薇姿在法国的名气很大，创立于1931年，薇姿的实验室表示，要一直努力的了解人类的皮肤，永远的和医院合作，这是他们的使命。 | 法国化妆品品牌排名五 碧欧泉起源于法国，是欧洲三大化妆品品牌之一，该品牌一贯主张的健康理念一直受到全球女性的追捧，所以称为了世界知名的品牌。 |
法国化妆品品牌排名六 欧莱雅同样起源于法国，展示了法国的成熟气质和优雅的感觉，平时注重自我形象的人都会选择这款，这是姐姐泉眼品牌与高品质的产品。 | 法国化妆品品牌排名七 雅漾是法国皮尔法伯医药集团下的护肤产品，结合的药品的精华，主要在药店和健康馆销售，有兴趣的女性也可以尝试一下。 | 法国化妆品品牌排名八
依云是法国历史上很悠久的品牌，这是一个法国小镇的名字，在2001年出现化妆品的系列，是纯天然的化妆品系列。 本文来自时尚女人https://www.sodocs.net/doc/db15821243.html,/New/NewsContent_4754.html
初中数学函数知识点归纳(1)
函数知识点总结(掌握函数的定义、性质和图像) 平面直角坐标系 1、定义：平面上互相垂直且有公共原点的两条数轴构成平面直角坐标系，简称为直角坐标系 2、各个象限内点的特征: 第一象限：（+，+） 点P （x,y ），则x ＞0,y ＞0； 第二象限：（-，+） 点P （x,y ），则x ＜0,y ＞0； 第三象限：（-，-） 点P （x,y ），则x ＜0,y ＜0； 第四象限：（+，-） 点P （x,y ），则x ＞0,y ＜0； 3、点的对称特征：已知点P(m,n), 关于x 轴的对称点坐标是(m,-n), 横坐标相同，纵坐标反号 关于y 轴的对称点坐标是(-m,n) 纵坐标相同，横坐标反号 关于原点的对称点坐标是(-m,-n) 横，纵坐标都反号 4、点P （x,y ）的几何意义： 点P （x,y ）到x 轴的距离为 |y|， 点P （x,y ）到y 轴的距离为 |x|。 点P （x,y ）到坐标原点的距离为22y x + 5、两点之间的距离： 已知A ),(11y x 、B ),(22y x AB|=2 12212)()(y y x x -+- 6、中点坐标公式：已知A ),(11y x 、B ),(22y x M 为AB 的中点,则：M=(212x x + , 2 1 2y y +) 7、点的平移特征： 在平面直角坐标系中， 将点（x,y ）向右平移a 个单位长度，可以得到对应点（ x-a ，y ）； 将点（x,y ）向左平移a 个单位长度，可以得到对应点（x+a ，y ）； 将点（x,y ）向上平移b 个单位长度，可以得到对应点（x ，y ＋b ）； 将点（x,y ）向下平移b 个单位长度，可以得到对应点（x ，y －b ）。 注意：对一个图形进行平移，这个图形上所有点的坐标都要发生相应的变化；反过来， 从图形上点的坐标的加减变化，我们也可以看出对这个图形进行了怎样的平移。
数学f1初中数学2006年中考试题分类汇编--函数及其图像 (2)
本文为自本人珍藏 版权所有 仅供参考 本文为自本人珍藏 版权所有 仅供参考 2006年中考试题分类汇编--函数及其图像 1.（2006·梅列区）函数y = 3 x+1 中自变量x 的取值范围是 .x ≠-1 2．（2006·晋江市）函数3 21-= x y 中，自变量x 的取值范围是 . x ≠2 3 3.（2006·旅顺口区）如图是一次函数y 1=kx+b 和反比例函数y 2观察图象写出y 1＞y 2时，x 的取值范围 ． －2＜x ＜0或x ＞3 4．（2006·南通市）在函数5 2-=x x y 中,自变量x 的取值范围是_ ________．x>5 5．（2006·衡阳市）函数y =中自变量劣的取值范围是 . x ≥1 6．（2006·盐城市）函数y= 1 -x 1中，自变量x 的取值范围是 . x ≠1 7．（2006·永州市）函数y =中自变量x 的取值范围是 ．3x ≤ 8．（2006·潍坊市）函数12 y x -=-中，自变量x 的取值范围是（ ）Ｄ A ．1x -≥ B ．2x > C ．1x >-且2x ≠ D ．1x -≥且2x ≠ 9．（2006·广东省）函数1 1+= x y 中自变量x 的取值范围是 ( A ) A ．x ≠-l B ．x >-1 C ．x =- 1 D ．x <- 1 10．（2006·永州市）小慧今天到学校参加初中毕业会考，从家里出发走10分钟到离家500米的地方吃早餐，吃早餐用了20分钟；再用10分钟赶到离家1000米的学校参加考试．下列图象中，能反映这一过程的是（ ）D 11．（2006·湛江市）小颖从家出发，直走了20分钟，到一个离家1000米的图书室，看了40分钟的书后，用15分钟返回到家，下图中表示小颖离家时间与距离之间的关系的是（ ）A A ． B ． C ． D ． （分）
一线化妆品品牌
中国十大名牌化妆品榜中榜（化妆品品牌，名牌化妆品） 欧莱雅L'OREAL(于1907年法国,世界化妆品行业的领先者,中国驰名商标,欧莱雅集团) 雅芳A VON(于1886年美国纽约,世界十大品牌品牌,世界上最大的美容化妆品公司之一) 妮维雅NIVEA(于1911年德国汉堡,欧洲全球护肤专家,BDF(拜尔斯道夫)公司旗下品牌) 玫琳凯Marykay(于1963年美国,世界上最大的护肤品和彩妆品直销企业之一,玫琳凯公司) 玉兰油OLAY(于1950年代,世界上最大最著名的护肤品牌之一,宝洁公司旗下品牌) DHC蝶翠诗(1972年日本,跨化妆品/医药保健/翻译出版/美容院/水疗领域的综合性企业) 露得清(分别创立于1954年和1992年美国,著名化妆品品牌,强生公司旗下品牌) 薇姿Vichy(于1931年法国,将药房专销护肤品的概念带入中国,欧莱雅集团旗下品牌) 旁氏POND'S(于1846年美国,1987年由联合利华收购,联合利华的成功典范之一,护肤佳品) ZA姬芮(真皙)(资生堂(1872年东京)和卓多姿(1932年纽约)合作创建,美颜产品的前沿) 八大高端化妆品品牌榜中榜 迪奥Dior(Christian dior始于1946年法国,代表高贵典雅生活风格精华的品牌) 香奈儿(尔)***el(于1913年法国巴黎,旗下产品繁多,法国著名奢侈品牌,巴黎***el集团) 雅诗兰黛Estee Lauder(于1946年美国纽约,全球领先的化妆品品牌,美国雅诗兰黛公司) 兰蔻Lancome(于1935年创于法国,全球知名的高端化妆品品牌,法国国宝级化妆品牌) 资生堂/欧珀莱AUPRES(于1872年日本,中国名牌,欧珀莱属于资生堂Shiseido集团旗下品牌) 倩碧Clinique(于1968年美国,世界顶级化妆品品牌,一线牌子,美国雅诗兰黛集团旗下品牌) 碧欧泉Biotherm(于1950年法国,欧洲三大时尚护肤品牌之一,属L'Oreal化妆品集团) 安娜苏Anna Sui(有彩妆,护肤品和香水,其中化妆品1998年在日本诞生,时尚设计的领先品牌) 十大大众化妆品品牌榜中榜/名牌化妆品 小护士(于1992年,国内著名化装品牌,欧莱雅集团在中国收购的第一个本土品牌) 隆力奇(中国名牌,中国驰名商标,民族品牌,技术力量先进的日化企业,江苏隆力奇集团) 大宝Dabao(中国名牌,中国驰名商标,北京市著名商标,强生旗下品牌,北京大宝公司) 丁家宜TJOY(中国药科大学丁家宜教授始于1987年,民族品牌,苏州珈侬生化有限公司) 李医生(始于1991年澳洲,受消费者喜爱的日化品牌,西婷美容保健有限公司) 美体小铺(The face shop,于1976年英国,天然/活性健康化妆品,国际化妆品品牌) 佰草集Herborist(国内最著名的化妆品企业,民族品牌,上海家化旗下中草药中高档护理品) 相宜本草(于1999年上海,民族品牌,上海名牌,高新技术企业,中华本草美容护肤品品牌) 自然堂CHCEDO(于2001年中国,中国著名品牌,民族品牌,上海市名牌产品,伽蓝集团) 采诗Caisy(大型日化公司,大众化妆品品牌,民族品牌,广州市采诗化妆品有限公司) 2010年国际化妆品排行榜 1 香奈儿(尔)***el (于1913年法国巴黎,旗下产品繁多,法国著名奢侈品牌,***el集团) 2 雅诗兰黛Estee Lauder (于1946年美国纽约,全球领先的化妆品品牌,美国雅诗兰黛公司) 3 兰蔻Lancome (于1935年创于法国,全球知名的高端化妆品品牌,法国国宝级化妆品牌) 4 迪奥Dior (于1913年法国巴黎,华丽与高雅的代名词,著名时尚奢侈消费品品牌) 5 娇兰Guerlain (于1828年法国,以香水起家的巴黎皇室贵族保养品品牌,法国娇兰集团)
化妆品品牌大全
国际顶级化妆品公司排行 1.法国欧莱雅集团(L'Oreal Groug) 顶级品牌 HR(赫莲娜) 二线产品 Lancome(兰蔻)、Biotherm(碧欧泉) 三线或三线以下产品 LOreal Pairs(欧莱雅)、kiehls(契尔氏) Garnier(卡尼尔)、羽西、小护士 彩妆品牌 shu unemura(植村秀)、Maybelline(美宝莲) 香水品牌 Giorgio Armani(阿玛尼)、Parfums(纪梵希) Ralph Lauren(拉尔夫·劳伦)、Polo(保罗)、cacharel(卡夏尔) 2.宝洁公司(The Procter & Gamble) 顶级品牌 SK-II(Maxfactor)蜜丝佛陀 二线产品 Olay(玉兰油)、lllume(伊奈美) 男士品牌 Boss Skin 彩妆品牌
Cover girl(封面女郎) 亚洲第一彩妆品牌 ANNA SUI(安娜苏) 香水品牌 ANNA SUI(安娜苏)、Escada(艾斯卡达)、Dunhill(登喜路) Lanvin(朗万)、Paul Smith(保罗史密斯) 3.美国雅诗兰黛(Estee Lauder Cos Inc) 顶级品牌 La Mer(海蓝之谜) 一线品牌 雅诗兰黛 二线品牌 Clinique(倩碧) 彩妆品牌 Bobbi Brown(芭比波朗)、M.A.C(魅可) 香水品牌 Tommy Hilfiger(唐美希绯格)、DKNY(唐可娜儿)、Aramis(雅男儿) 4.日本资生堂(Shiseido Co Ltd) 顶级品牌 IPSA(茵芙莎) 中国专售
AUPRES(欧珀莱)、Za(姬芮) 香水品牌 三宅一生 5.法国LVMH集团 护肤品牌 Guerlain(娇兰)、Chiristian Dior(迪奥) 纪梵希(Givenchy)、CLARINS(娇韵诗) 彩妆品牌 Makeup forvever(浮生若梦)、BENEFIT、SEPHORA(丝芙兰) 香水品牌 KENZO(高田贤三)、fendi(芬迪) DOLCE&GABBANA(杜嘉班纳)、CalvinKlein(CK)、LOEWE 6.英国联合利华(Unilever) 护肤品牌 Elizabeth Arden(伊丽莎白.雅顿) 7.法国Chanel(香奈儿)集团
初中数学函数知识点汇总
函数及其图像 一、平面直角坐标系 在平面内画两条互相垂直且有公共原点的数轴，就组成了平面直角坐标系。 坐标平面被x 轴和y 轴分割而成的四个部分，分别叫做第一象限、第二象限、第三象限、第四象限。 注意：x 轴和y 轴上的点，不属于任何象限。 二、不同位置的点的坐标的特征 1、各象限内点的坐标的特征 第一象限(+,+) 第二象限(-,+) 第三象限(-,-) 第四象限(+,-) 2、坐标轴上的点的特征 在x 轴上纵坐标为0 , 在y 轴上横坐标为, 原点坐标为（0，0） 3、两条坐标轴夹角平分线上点的坐标的特征 点P(x,y)在第一、三象限夹角平分线上?x 与y 相等 点P(x,y)在第二、四象限夹角平分线上?x 与y 互为相反数 4、和坐标轴平行的直线上点的坐标的特征 位于平行于x 轴的直线上的各点的纵坐标相同。 位于平行于y 轴的直线上的各点的横坐标相同。 5、关于x 轴、y 轴或远点对称的点的坐标的特征 点P 与点p ’关于x 轴对称?横坐标相等，纵坐标互为相反数 点P 与点p ’关于y 轴对称?纵坐标相等，横坐标互为相反数 点P 与点p ’关于原点对称?横、纵坐标均互为相反数 6、点到坐标轴及原点的距离 点P(x,y)到坐标轴及原点的距离： （1）到x 轴的距离等于y （2）到y 轴的距离等于x （3）到原点的距离等于22y x + 三、函数及其相关概念 1、变量与常量 在某一变化过程中，可以取不同数值的量叫做变量，数值保持不变的量叫做常量。 一般地，在某一变化过程中有两个变量x 与y ，如果对于x 的每一个值，y 都有唯一确定的值与它对应，那么就说x 是自变量，y 是x 的函数。 2、函数的三种表示法（1）解析法（2）列表法（3）图像法 3、由函数解析式画其图像的一般步骤（1）列表（2）描点（3）连线 4、自变量取值范围 四、正比例函数和一次函数 1、正比例函数和一次函数的概念 一般地，如果b kx y +=（k ，b 是常数，k ≠0），那么y 叫做x 的一次函数。 特别地，当一次函数b kx y +=中的b 为0时，kx y =（k 为常数，k ≠0）。这时，y 叫做x 的正比例函数。
[法国护肤品适合中国人吗]适合在法国买的护肤品有哪些(2)(Word可编辑版)
[法国护肤品适合中国人吗]适合在法国买 的护肤品有哪些(2) （最新版） -Word文档，下载后可任意编辑和处理- 法国购买护肤品的地方推荐 Choice1：【百货公司】 百货公司是大而全的代名词。一般的百货公司都可以囊括大部分的名牌化妆品和护肤品。所以目标是名牌的消费者大可认定一家百货公司，即可搜罗到几乎所有你想要的宝贝。在百货公司中售卖的美妆品牌都有一个独立的专柜，专柜小姐对本品牌的产品特点非常的熟悉，可以根据您的需求做出个性化的推荐。在减价销售期间，百货公司中的各个美妆品牌常常会推出优惠大礼包，超值的组合绝对不能错过。另外在百货公司购物还有一个好处就是，可以享受百货公司提供的优惠和服务，比如礼品包装、参加购物抽奖活动等。 到巴黎必逛的百货公司当属闻名遐迩老佛爷和春天百货，这两家店比邻而居，都位于加尼叶歌剧院附近，一家没逛过瘾可以迅速杀进另一家，一定能满足你购物的欲望。此外，巴黎市政府旁边的BHV也是一座大型的综合性百货公司，路过的话不妨进去看看。
如何到达： 去老佛爷和春天百货，可以乘坐地铁7号、9号线到Chaussee d' Antin La Fayette站。 到BHV，可乘坐地铁1号或11号线，到Hotel de ville站下，从地铁的BHV百货出口即有通道通向商场地下一层。 Choice2：【品牌专卖店】 百货公司的货物虽全，但若只逛百货公司，难免会错过一些遗珠。比如法国的几家以纯天然原料著称的化妆品品牌，它们大多不会在百货公司里设置专柜，而是开设自己的独立连锁专卖店，例如YVES ROCHER和L'OCCITANE等。 在品牌专卖店购买化妆品最好办理相关品牌的会员积分卡，可以享受更多优惠，如YVES ROCHER就采用会员积分制度，只要在YVES ROCHER购买产品时办理一张会员积分卡，就可以将本次的消费积分登记上去。当积分达到一定的额度，即可获赠礼品并享有其他优惠。 在新年和大减价期间，各个品牌专卖店也会推出很多活动。其中YVES ROCHER的大减价就非常实在，是少数对旗下所有化妆品都进行打折的品牌，折扣力度可达五折，在此期间购买是最划算不过的了。L'OCCITANE的各专卖店则会推出一些限定特惠产品和套装礼品盒。特惠产品虽然种类有限，但价格都相当诱人。值得一提的是它的礼品盒，包装精致大方，是馈赠亲友的佳品。 如何到达： 各品牌专卖店分布很广，您可以提前在官网上查找地址，也可以
初中数学函数图像专题
中考专项复习三（函数及其图象） 一、选择题(本题共10 小题，每小题4 分，满分40分) 2．若 ab ＞0，bc<0，则直线y=－a b x －c b 不通过（ ）. A ．第一象限 B 第二象限 C ．第三象限 D ．第四象限 3．若二次函数y=x 2－2x+c 图象的顶点在x 轴上，则c 等于（ ）. A ．－1 B ．1 C ． 2 1 D ．2 4．已知一次函数的图象与直线y=-x+1平行，且过点（8，2），那么此一次函数的解析式为（ ）. A ．y=－x －2 B ．y=－x －6 C ．y=－x+10 D ．y=－x －1 5．已知一次函数y= kx+b 的图象经过第一、二、四象限，则反比例函数y= kb x 的图象大致为（ ） . 6．二次函数y=x 2－4x+3的图象交x 轴于A 、B 两点，交y 轴于点C ，则△ABC 的面积为 A ．1 B ．3 C ．4 D ．6 7．已知一次函数y=kx+b 的图象如图所示，当x ＜0时，y 的取值范围是（ ）. A ．y ＞0 B ．y ＜0 C ．－2＜y ＜0 D ．y ＜－2 8．如图是二次函数y=ax 2+bx+c 的图象，则点(a+b ，ac)在（ ）. A ．第一象限 B ．第二象限 C ．第三象限 D ．第四象限 （第7题图） （第8题图） （第9题图） （第10题图） 9．二次函数c bx ax y ++=2 （0≠a ）的图象如图所示，则下列结论： ①a ＞0； ②b ＞0； ③c ＞0；④b 2-4a c ＞0，其中正确的个数是（ ）. A ． 0个 B ． 1个 C ． 2个 D ． 3个 10．如图，正方形OABC ADEF ，的顶点A D C ，，在坐标轴上，点F 在AB 上，点B E ，在函数 1 (0)y x x =>的图象上，则点E 的坐标是（ ） Ａ． ?? Ｂ． ? ? Ｃ． ?? Ｄ．?? 二、填空题(本题共 4 小题，每小题 5 分，满分 20 分) 11．已知y 与(2x+1)成反比例，且当x=1时,y=2，那么当x=-1时，y=_________. 12．在平面直角坐标系内，从反比例函数x k y = （k ＞0）的图象上的一点分别作x 、y 轴的垂线段，与x 、y 轴所围成的矩形面积是12，那么该函数解析式是_________. 13．老师给出一个函数，甲、乙、丙各正确指出了这个函数的一个性质：甲：函数的图象经过第一象限；乙： 函数的图象经过第三象限；丙：在每个象限内，y 随x 的增大而减小 .请你根据他们的叙述构造满足上述 x
化妆品国际五大品牌
化妆品国际五大品牌 国际化妆品五大品牌 兰蔻 诞生于法国的兰蔻，在护肤、彩妆、香水等多个领域都有涉及，主要是针对年龄在25-40岁的成熟女性，是全球知名的高端化妆品品牌。 倩碧 倩碧是美国雅诗兰黛集团推出的护肤品品牌，其产品系列有香水、彩妆、护肤、美体。倩碧护肤产品都通过了过敏性测试，产品除香氛外更是百分百不含香料，独有的皮肤分析器更会帮助消费者选择正确的适合自己的护肤产品。 香奈儿 香奈儿品牌涉及了服装、珠宝、化妆品、香水、护肤等，简单舒适、时尚简约永远是香奈儿品牌的目标，香奈护肤产品更是由尖端科技打造的高端护肤品牌。 雅姿 雅姿是安利公司的五大类产品之一，是世界著名的美容化妆品牌。雅姿诞生以来就是为美丽而生的，经过50多年的不懈努力，雅姿品牌发展到现在，产品遍及全球多个国家和地区。雅姿品牌的系列包括基本护理、男士护肤、美白、全新滋养、特别护理等多个系列，其产品配方和成份更是美国专利认可的，为消费者带
来与众不同的美容新享受。 雅诗兰黛 雅诗兰黛夫人创立的雅诗兰黛品牌，在经过半个多世纪的时间，以其卓越的功效和领先的科技在全球受到广泛的认可。现在，雅诗兰黛的产品包括护肤、彩妆及香水，产品遍及全球130多个国家。 韩国化妆品牌排名 1.hera/赫拉 赫拉是韩国爱茉莉集团旗下的顶级品牌，hera适合30+，或是25+有经济实力的mm. 推荐单品hera 气垫bb霜 赫拉uv多功能防晒保湿气垫粉饼bb霜是韩国最高人气粉饼，化妆巨头的高端定位~ 赫拉、iope和兰芝是同属于太平洋爱茉莉集团 (所属这个集团的著名品牌还有雪花秀、韩律、悦诗风吟、爱丽小屋、梦妆等等)。最近持续走火的iope定位要比兰芝高一个档次，iope各方面技术基础都完胜兰芝这是毋庸置疑滴~不过，"赫拉"最近货比较紧缺，各大免税店更是限量销售(每个护照一个月只可以买6个)，集隔离、保湿、防晒、美白、舒缓五大功效于一身的赫拉/hera，一直都被爱茉莉集团冠以高端定位，档次要比iope还要来的高喔~(这也是赫拉的价格比iope来的高一点的原因哈)对于赫拉的技术基础mm们大可放心哈~spf50+/pa+++的超强防晒指数，用过iope的mm肯定都知道，赫拉的防晒指数也是不输给iope。 2.爱丽/etude
化妆品品牌中英文名
化妆品品牌（中英文对照） ?法国品牌 兰蔻Lancome 香奈儿Chanel 迪奥Christian Dior 薇姿/ vichy 碧欧泉/ BIOTHERM 欧莱雅/ L`oreal 雅漾/ Avene 依云/ Evian 奥洛菲/ OLEVA 圣罗兰/ YSL 欧树/ NUXE 迪梵Darphin 娇韵诗CLARINS 法国四大药妆： 薇姿（vichy） 依泉（uriage）、 雅漾（avene） 理肤泉（lrp） ?美国品牌 雅芳/ AVON 水芝澳/ H2O 玫琳凯MARYKAY 倩碧/ CLINIQUE 强生/ Johnson&Johnson 露华浓/ REVLON 潘婷/ PENTEN 海飞丝/ Head & Shoulders 美宝莲/ Maybelline 玉兰油/ OLAY 雅诗兰黛/ ESTEE LAUDER 欧派/ OPI CK 佳洁士/ CREAS 曼秀雷敦/ Mentholatum 可伶可俐/ CLEAN&CLEAR 飘柔/ REJOICE 贝玲妃/ benefit 旁氏/ POND’S ?日本品牌
资生堂Shiseido 东洋之花TAYOI 蝶翠诗DHC 兰皙欧RECIPE 植村秀shu uemura RMK（轻女孩子欢迎的彩妆系列和系列） 艾文莉AVENIR 安尚秀Asixo 施丽宝（药妆品牌）cilebo 泊美Pure Mild SK-II 肌言堂 水之印AquaLABEL 三宅一生Issey Miyake 高丝KOSE 花王prettia 姬芮Za (是Zotos Accent的简称) 雪肌精SEKKISEI ?韩国品牌 薇欧薇VOV 梦妆Mamonde 兰芝LΛNEGE 菲诗小铺THE FACE SHOP 谜尚MISSHA 蝶妆DEBON 可迪CETTUA 悦诗风吟Innisfree 思亲肤SKIN FOOD 伊诺姿ISA KNOX ?英国品牌 巴宝莉/柏帛丽Burberry 联合利华/ Unilever 美体小铺/ The Body Shop 诗恩碧/ C&B 瑰珀翠/ Crabtree&Evelyn 博姿/ Boots 清妍/ Simple Neal's Yard Remedies/ NYR （主营精油产品）卡露诗/ LcarlusModels Own ?其他国家品牌 （澳洲）李医生DoctoLi
初中数学一次函数的图像专项练习30题(有答案)
一次函数（图像题） 专项练习一 1．函数y=ax+b 与y=bx+a 的图象在同一坐标系内的大致位置正确的是（ ） A ． B ． C ． D ． 2．一次函数y 1=kx+b 与y 2=x+a 的图象如图，则下列结论：①k ＜0；②a ＞0；③当x ＞2时，y 2＞y 1，其中正确的个数是（ ） A ． 0 B ． 1 C ． 2 D ． 3 3．一次函数y=kx+b ，y 随x 的增大而减小，且kb ＞0，则在直角坐标系内它的大致图象是（ ） A ． B ． C ． D ． 4．下列函数图象不可能是一次函数y=ax ﹣（a ﹣2）图象的是（ ） A ． B ． C ． D ． 5．如图所示，如果k ?b ＜0，且k ＜0，那么函数y=kx+b 的图象大致是（ ） A ． B ． C ． D ． 6．如图，直线l 1：y=x+1与直线l 2：y=﹣x ﹣把平面直角坐标系分成四个部分，则点（，）在（ ）
A ． 第一部分 B ． 第二部分 C ． 第三部分 D ． 第四部分 7．已知正比例函数y=﹣kx 和一次函数y=kx ﹣2（x 为自变量），它们在同一坐标系内的图象大致是（ ） A ． B ． C ． D ． 8．函数y=2x+3的图象是（ ） A ． 过点（0，3），（0，﹣）的直线 B ． 过点（1，5），（0，﹣）的直线 C ． 过点（﹣1，﹣1），（﹣，0）的直线 D ． 过点（0，3），（﹣，0）的直线 9．下列图象中，与关系式y=﹣x ﹣1表示的是同一个一次函数的图象是（ ） A ． B ． C ． D ． 10．函数kx ﹣y=2中，y 随x 的增大而减小，则它的图象是下图中的（ ） A ． B ． C ． D ． 11．已知直线y 1=k 1x+b 1，y 2=k 2x+b 2，满足b 1＜b 2，且k 1k 2＜0，两直线的图象是（ ） A ． B ． C ． D ． 12．如图所示，表示一次函数y=ax+b 与正比例函数y=abx （a ，b 是常数，且ab ≠0）的图象是（ ） A ． B ． C ． D ． 13．连降6天大雨，某水库的蓄水量随时间的增加而直线上升．若该水库的蓄水量V （万米3）与降雨的时间t （天） 的关系如图所示，则下列说法正确的是（ ）
28种世界知名化妆品品牌简介
种世界知名化妆品品牌简介 、兰蔻 欧莱雅的基础和应用研究意味着无数的开拓和智慧的结晶，构成了兰蔻革新产品的坚实的后盾。 兰蔻分别在法国、美国和日本建立起了三个主要的研究基地。 有多研究人员从事着新产品的开发和研究。 在诸如生物学、化学、生物技术、皮肤学、神经生理学、心理学、生物化学、生物物理、植物制剂及感知分析等多个领域有大量独到的技术手段。 仿生模拟 兰蔻目前正在进行皮肤过程的仿生学模拟，以便能够对皮肤变化的原始机理进行再现。 兰蔻通过的原始设计对皮肤内存在的细胞间脂肪层进行了模拟，在皮肤的脂肪层中引入了有活性的向量组份。这种技术结构保证了对皮肤结构的最优化的模拟。 不论是或是，这些向量都不大于纳米，或是等于角质层中细胞间的距离。这种极端微观化的效 果使得物质在皮肤中得以扩散的能力大大增强。 纳米时代 为改善活性物质的穿透效应，应该保护好活性物质并将其带到最接近于所期望的细胞位置，以增加护肤产品的功效。这些都是向量化的目的所在，是一个包含了非常复杂的技术的领域。兰蔻作 为这个领域的世界领先者已经有了年多的历史。 令人惊叹的活性模型 再造皮肤是一种真实的技术能力，是一种在特定条件下能够取代活性皮肤的优良的研究工具。构造工程使得我们能够对皮肤中发生的最深奥的机理有更好的理解，从而完成在人体上无法进行的重要研究。这种复杂的技术也使得专家们能够对真实的皮肤对于新产品具有何种反应做出预测。 日积月累的实验室经验使得兰蔻的专家们能够对未来的美容业的发展趋向做出推断。 临床研究 兰蔻得到了皮肤学专家的有力支持并和他们建立起了密切的合作关系，以便对产品的功效及皮肤 的承受度进行评估和确认。 、欧珀莱 欧珀莱，国内化妆品的开在高枝上的奇葩。
初中数学一次函数的图像专项练习30题(有答案)ok
. 一次函数的图像专项练习30题（有答案） 1．函数y=ax+b与y=bx+a的图象在同一坐标系内的大致位置正确的是（） A．B．C．D． 2．一次函数y1=kx+b与y2=x+a的图象如图，则下列结论：①k＜0；②a＞0；③当x＞2时，y2＞y1，其中正确的个数是（） A．0B．1C．2D．3 3．一次函数y=kx+b，y随x的增大而减小，且kb＞0，则在直角坐标系内它的大致图象是（）A．B．C．D． 4．下列函数图象不可能是一次函数y=ax﹣（a﹣2）图象的是（） A．B．C．D． 5．如图所示，如果k?b＜0，且k＜0，那么函数y=kx+b的图象大致是（） A．B．C．D． 6．如图，直线l1：y=x+1与直线l2：y=﹣x ﹣把平面直角坐标系分成四个部分，则点（，）在（）
A ． 第一部分 B ． 第二部分 C ． 第三部分 D ． 第四部分 7．已知正比例函数y=﹣kx 和一次函数y=kx ﹣2（x 为自变量），它们在同一坐标系内的图象大致是（ ） A ． B ． C ． D ． 8．函数y=2x+3的图象是（ ） A ． 过点（0，3），（0，﹣）的直线 B ． 过点（1，5），（0，﹣）的直线 C ． 过点（﹣1，﹣1），（﹣，0）的直线 D ． 过点（0，3），（﹣，0）的直线 9．下列图象中，与关系式y=﹣x ﹣1表示的是同一个一次函数的图象是（ ） A ． B ． C ． D ． 10．函数kx ﹣y=2中，y 随x 的增大而减小，则它的图象是下图中的（ ） A ． B ． C ． D ． 11．已知直线y 1=k 1x+b 1，y 2=k 2x+b 2，满足b 1＜b 2，且k 1k 2＜0，两直线的图象是（ ） A ． B ． C ． D ．
十大名牌化妆品
十大名牌化妆品/名牌化妆品 1 欧莱雅L'OREAL(中国驰名商标,国家免检产品,世界十大化妆品) 2 雅芳AVOU(世界十大化妆品,国家免检产品) 3 玫琳凯Marykay(1963年美国,世界品牌,国家免检产品) 4 资生堂/欧珀莱AUPRES(1872年日本,中国名牌,国家免检产品) 5 玉兰油OLAY(宝洁旗下品牌,国家免检产品) 6 小护士(中国畅销品牌,国家免检产品) 7 可伶可俐/露得清(强生出品,国家免检产品) 8 大宝(中国名牌,中国驰名商标,国家免检产品) 9 丁家宜(中国畅销品牌,国家免检产品) 10 隆力奇(中国名牌,中国驰名商标,国家免检产品) 更多知名化妆品品牌 在中国销售的知名化妆品品牌： 妮维雅，玫琳凯，自然堂，安利，Sk-ll，兰寇Lancome，雅诗兰黛，VICHY薇姿，LAROCHE-POSAY理肤泉，欧珀莱，DHC，兰芝，羽西，雅姿，露得清，美宝莲Maybelline，露华浓，雅漾，佰草集，卡尼尔，清妃，倩碧，李医生 十大眼霜品牌榜中榜／名牌眼霜 1 大宝Dabao眼霜(中国名牌,中国驰名商标,国家免检产品) 2 玉兰油OLAY眼霜(宝洁旗下品牌,国家免检产品) 3 资生堂Sheseido眼霜(1872年日本,世界十大化妆品企业之一) 4 欧莱雅L'OREAL眼霜(中国驰名商标,国家免检产品) 5 雅芳AVOU眼霜(中国畅销品牌,国家免检产品)) 6 雅诗兰黛EsteeLauder(1946年美国) 7 兰寇Lancome眼霜(1935年法国) 8 薇姿Vichy眼霜(1931年法国,欧莱雅集团旗下品牌) 9 碧欧泉Biotherm眼霜(1950年法国) 10 倩碧Clinique眼霜(1968年创立,世界顶级化妆品品牌) 在中国销售的更多知名眼霜品牌： 玫琳凯眼霜，丸美眼霜，兰芝眼霜，安利眼霜，ZA姬芮眼霜，羽西眼霜 十大睫毛膏榜中榜／品牌睫毛膏 1 娥佩兰Opera(日本东京的国际品牌) 2 欧莱雅L'OREAL(中国驰名商标,国家免检产品) 3 美宝莲睫毛膏(美国品牌,法国欧莱雅集团旗下品牌) 4 兰寇Lancome(1935年法国) 5 查名一猫睫毛膏(知名品牌,上海创馨化妆品有限公司出品) 6 火烈鸟睫毛膏(知名品牌,上海创馨化妆品有限公司出品) 7 VOV睫毛膏(韩国品牌,四十年历史,亚洲最受欢迎的彩妆品牌之一) 8 ZA姬芮睫毛膏(上海卓多姿中信化妆品出品,于1998年,资生堂控股) 9 DHC(著名日本品牌) 10 卡姿兰Carslan(著名法国彩妆品）
珍藏初中数学6.2.1二次函数的图像与性质⑶ (2)
6.2.1二次函数的图像与性质⑶ 主 备：郭 佳 课 型：新 授 审 核：赵玉霞 班级 姓名 【学习目标】 1.会用描点法画二次函数()2 h x a y +=的图像，掌握它的性质. 2.渗透数形结合思想. 【课前自习】 2 2.抛物线222 +=x y 的对称轴是 ，顶点坐标是 ；x 取任何实数，对应 的y 值的取值范围是 . 3.抛物线 的开口向 ；无论x 取任何实数，抛物线上的点都在 轴 的 方，它的顶点是图像的最 点. 4.点A （1，-4）在函数32 +=x y 的图像上，点A 在该图像上的对称点的坐标是 . 【课堂助学】 一、 自主探索： 1.画出二次函数 和 的图像： ⑵在下列平面直角坐标系中描出表中各点，并把这些点连成平滑的曲线： 32 1 2--=x y ()2 221 +=x y ()2 22 1-=x y