y=lgx的图像怎么画

y=lgx的图像可以采用特殊点的额方法画出：

只要取得相对应的x值，计算得出y值。就可以得到图像上的各个点的位置，然后依次描出，连成线段后，就可以得到y=lgx的图像。

比如：

10的-2次方等于0.01，得出点（0.01,-2） 

10的-1次方等于0.1，得出点（0.1,-1）  

10的0次方等于1，得出点（1,0） 

10的1次方等于10，得出点（10,1） 

10的2次方等于100，得出点（100,2） 

10的3次方等于1000，得出点（1000,3）

但其实只要描出三个点：(0.1,  -1) 、（1,0）、（10,1），就可以得到图像。

扩展资料：

对数函数的图像特点和规律：

值域：实数集R,显然对数函数无界。

定点：函数图像恒过定点（1,0）。

奇偶性：非奇非偶函数，或者称没有奇偶性

周期性：不是周期函数

单调性：a>1时，在定义域上为单调增函数，并且上凸。

0

参考资料来源：百度百科-对数函数

往往只描出三个点：(0.1,  -1)     （1,0）      （10,1）。

（我为了说明问题，故意把刻度没有画均匀）。

y = log(x)（底数为10）的图像可以通过以下步骤进行大致绘制：
1. 确定定义域和值域：
- 定义域：x > 0（对数函数的底数不能为0或负数）
- 值域：整个实数轴
2. 确定基准点：
选择一些符合定义域和值域的特定点，例如，(1, 0)、(10, 1)、(100, 2)，可以作为基准点。
3. 绘制渐近线：
对于 log(x) 函数来说，当 x 趋近于 0 时，y 会无限接近负无穷（即 x 轴的左侧无穷远点）；当 x 趋近于正无穷时，y 会无限接近正无穷（即 x 轴的右侧无穷远点）。因此，可以在图上绘制一条垂直于 x 轴的渐近线。
4. 连接点：
使用基准点连接，并通过适当的曲线来表示函数的增长趋势。对于 log(x) 函数来说，曲线会逐渐变缓，从左下方的第一象限升至右上方。
以下是一个例子的近似图示，以帮助理解：
```
|
| + (100, 2)
y |
| |
-----------|----------------------------------------------------------
| |
|
|
| + (10, 1)
|
|
|
|
0 +---|-----|------------ (1, 0)
0.1 1 10 100 x
```
请注意，这只是一个近似的图示，实际的图像会更加平滑和精确。绘制时，可以通过计算更多点或使用计算机软件来得到更精确的结果。

都是图像处理。
1）恢复是一种inverse problem。你不知道图像的真实值（oracle），只有corrupted的observation，你希望尽可能地接近真实值。比如denoising, inpainting, deblocking, 去马赛克等等...

由于自己的研究相关，对image reconstruction补充以下内容展开，请选择阅读：
目标一般是最小化reconstruction到oracle的距离（例如常用的euclidean distance）。有客观的metric（例如PSNR，MSE）用于衡量恢复的质量。也会参考主观的视觉效果（参考Visual Quality Assessment的一些研究）。
假设x是真实值，y是观察值，那么已知y，求x的过程就称为恢复reconstruction。
如果y = x + n，n是噪声(这里特指additive noise），这样的问题就是denoising。
如果对于部分像素点i：y(i) = x(i)，剩余像素点j：y(j) = 0或者wrong value，这样的问题就是inpainting（或者可以认为是matrix completion）。
这类问题统属于inverse problem，而且是ill-posed的：因为只知道y，x没有唯一解（你可以想象是中学的时候，只告诉你一个方程，但解3个未知数那样）。
要想得到唯一的true solution，你就需要利用图像自身独有的特性，或者某些piror information。
常见手段有一下几种：
a）利用图片的smoothness，在某一些domain下sparsity或者dimension reduction来做regularizer（DCT/Wavelet shrinkage，PCA，Dictionary/Transform learning）
b）利用图片空间的自相似性（spatial patch self-similarity），以及噪声或者干扰的已知模型来做estimation（Non-local Mean Filtering, BM3D）
c）利用类似图像的库（image corpus），训练stochastic model来做estimation（GMM training）
在恢复的时候一般利用其中之一，也可以是某几种的combination来操作。

1）增强是你知道真实值（不一定是所谓的目标真实值，只是处理时当做ground truth），但你希望进一步处理，来达到视觉上的某些特定要求。比如调节图片亮度（lighter/darker），对比度（contrast）；比如锐化或者其他特定的filtering。
目标一般是基于主观视觉评判，或者是task-driven。

y=lgx的图像可以通过首先确定x的取值范围，然后列出函数表达式，计算出对应的y值，标出坐标系中的点，再将这些点连成一条连续的曲线就可以了。