კვანმეტრიული სურათის დამუშავება: 5 ნაბიჯი

2024 ავტორი: John Day | [email protected]. ბოლოს შეცვლილი: 2024-01-30 10:20

(ზემოთ ფიგურა ასახავს სურათის დამუშავების არსებული მეთოდის შედარებას სურათის რაოდენობრივ დამუშავებასთან. შენიშნეთ გაუმჯობესებული შედეგი. ზედა მარჯვენა სურათი გვიჩვენებს უცნაურ არტეფაქტებს, რომლებიც წარმოიქმნება არასწორი ვარაუდიდან, რომ სურათები ზომავს რაღაცას, როგორიცაა სინათლე. ქვედა მარჯვენა სურათი აჩვენებს უკეთეს შედეგს იგივე საქმის კეთებით რაოდენობრივად)

ამ ინსტრუქციიდან თქვენ შეისწავლით თუ როგორ გააუმჯობესოთ არსებული ვიზუალიზაციის ან მხედველობის სენსორული სისტემების შესრულება ძალიან მარტივი კონცეფციის გამოყენებით: გამოსახულების რაოდენობრივი აღქმა

სურათის რაოდენობრივი დამუშავება მნიშვნელოვნად აუმჯობესებს რომელიმე ქვემოთ ჩამოთვლილს:

• არსებული სურათის დამუშავება, როგორიცაა სურათის დაბნელება;
• მანქანათმცოდნეობა, კომპიუტერული ხედვა და ნიმუშების ამოცნობა;
• ტარებადი სახის ამოცნობა (იხ. Http://wearcam.org/vmp.pdf), AI და HI დაფუძნებული ხედვა და ა.შ.

ძირითადი იდეა არის სურათების რაოდენობრივად წინასწარ დამუშავება და დამუშავება შემდეგნაირად:

1. გააფართოვეთ გამოსახულების ან სურათების დინამიური დიაპაზონი;
2. სურათის ან სურათების დამუშავება ჩვეულებისამებრ;
3. შეკუმშეთ გამოსახულების ან სურათების დინამიური დიაპაზონი (ანუ გააუქმეთ ნაბიჯი 1).

წინა ინსტრუქციებში მე ვასწავლიდი HDR (მაღალი დინამიური დიაპაზონის) შეგრძნებისა და რაოდენობრივი აღქმის ზოგიერთ ასპექტს, მაგ. ხაზოვანობა, სუპერპოზიცია და ა.

ახლა მოდით გამოვიყენოთ ეს ცოდნა.

მიიღეთ ნებისმიერი არსებული პროცესი, რომლის გამოყენებაც გსურთ. მაგალითი, რომელსაც მე ვაჩვენებ არის გამოსახულების დაბინდვა, მაგრამ თქვენ ასევე შეგიძლიათ გამოიყენოთ იგი სხვა რამისთვის.

ნაბიჯი 1: გააფართოვეთ თქვენი გამოსახულების ან სურათების დინამიური დიაპაზონი

(ფიგურები ადაპტირებული "სურათის ინტელექტუალური დამუშავებიდან", ჯონ უილი და შვილები ინტერსესული სერია, სტივ მანი, 2001 წლის ნოემბერი)

პირველი ნაბიჯი არის შეყვანის სურათის დინამიური დიაპაზონის გაფართოება.

იდეალურ შემთხვევაში, თქვენ ჯერ უნდა განსაზღვროთ კამერის საპასუხო ფუნქცია, f, შემდეგ კი მიმართოთ უკუ პასუხი, f შებრუნებული, გამოსახულებას.

ტიპიური კამერები კომპრესიულია დინამიური დიაპაზონისთვის, ამიტომ ჩვენ, როგორც წესი, გვინდა ვრცელდება ექსპანსიური ფუნქცია.

თუ არ იცით საპასუხო ფუნქცია, დაიწყეთ რაიმე მარტივი გზით, როგორიცაა სურათის მასივში სურათის ჩატვირთვა, ცვლადების გადატანა მონაცემთა ტიპზე, როგორიცაა (float) ან (ორმაგი) და თითოეული პიქსელის მნიშვნელობის ექსპონენტამდე ამაღლება, როგორიცაა, მაგალითად, თითოეული პიქსელის მნიშვნელობის კვადრატი.

დასაბუთება:

რატომ ვაკეთებთ ამას?

პასუხი არის ის, რომ კამერების უმეტესობა შეკუმშავს მათ დინამიურ დიაპაზონს. ამის მიზეზი ის არის, რომ ეკრანის უმეტესობა აფართოებს დინამიურ დიაპაზონს. ეს სრულიად შემთხვევით ხდება: კათოდური მილის სატელევიზიო ეკრანის მიერ გამოყოფილი სინათლის ოდენობა დაახლოებით უდრის 2.22-ის ექსპონენტამდე გაზრდილ ძაბვას, ასე რომ, როდესაც ვიდეო ძაბვის შეყვანა დაახლოებით ნახევარია, გამოსხივებული სინათლის რაოდენობა გაცილებით მეტია ნახევარზე ნაკლები

ფოტომედია ასევე დინამიური დიაპაზონის გაფართოებაა. მაგალითად, ფოტოგრაფიული "ნეიტრალური" ნაცრისფერი ბარათი ასხივებს ინციდენტის სინათლის 18% -ს (არა ინციდენტის სინათლის 50%). ეს სინათლე (18%) ითვლება პასუხის შუაგულში. როგორც ხედავთ, თუ გამომავალ დიაგრამას შევხედავთ შეყვანის ფუნქციის სახით, ჩვენების მედია იქცევა თითქოს იდეალური ხაზოვანი ჩვენებებია, რომლებიც შეიცავს დინამიური დიაპაზონის გაფართოებას იდეალურ ხაზოვან პასუხამდე.

ზედა ფიგურაში, ზემოთ, თქვენ ხედავთ ეკრანს, რომელიც შეფუთულია წერტილოვანი ხაზით და ეს ექვივალენტია გაფართოების მქონე იდეალურ ხაზოვან ჩვენებამდე.

ვინაიდან ეკრანი არსებითად გაფართოებულია, კამერები უნდა იყოს შემუშავებული კომპრესიული ისე, რომ გამოსახულებები კარგად გამოიყურებოდეს არსებულ ეკრანებზე.

ძველ დროში, როდესაც იყო ათასობით სატელევიზიო მიმღების ეკრანი და მხოლოდ ერთი ან ორი სამაუწყებლო სადგური (მაგ. მხოლოდ ერთი ან ორი სატელევიზიო კამერა), უფრო ადვილი იყო კამერაში კომპრესიული არაწრფივობის ჩადება, ვიდრე ყველა ტელევიზიის გახსენება და განათავსეთ თითო თითოეულ სატელევიზიო მიმღებში.

შემთხვევით ეს ასევე შეუწყო ხელი ხმაურის შემცირებას. აუდიო ჩვენ ვუწოდებთ მას "Dolby" ("companding") და მინიჭებული პატენტი ამისთვის. ვიდეოში ეს სრულიად შემთხვევით მოხდა. სტოკჰემმა შემოგვთავაზა, რომ სურათების ლოგარითმი უნდა გადავიღოთ მათ დამუშავებამდე და შემდეგ მივიღოთ ანტილოგი. ის, რაც მან ვერ გააცნობიერა, არის ის, რომ კამერებისა და ეკრანების უმეტესობა ამას უკვე შემთხვევით აკეთებს. სამაგიეროდ, მე შემომთავაზა ის, რომ ჩვენ გავაკეთოთ ზუსტად საპირისპირო იმისა, რაც სტოკჰემმა შემოგვთავაზა. (იხილეთ "ინტელექტუალური სურათის დამუშავება", ჯონ უაილი და შვილების ინტერსესული სერია, გვერდი 109-111.)

ქვედა სურათზე ხედავთ შემოთავაზებულ ანტიჰომომორფულ (კვანმეტრული) სურათის დამუშავებას, სადაც ჩვენ დავამატეთ დინამიური დიაპაზონის გაფართოებისა და შეკუმშვის ნაბიჯი.

ნაბიჯი 2: დაამუშავეთ სურათები, ან შეასრულეთ კომპიუტერული ხედვა, მანქანათმცოდნეობა ან მსგავსი

მეორე ნაბიჯი, დინამიური დიაპაზონის გაფართოების შემდეგ, არის სურათების დამუშავება.

ჩემს შემთხვევაში, მე უბრალოდ შევასრულე გამოსახულების დეკონვოლუცია, ბუნდოვანი ფუნქციით, ანუ სურათის დაბინდვა, როგორც ეს საყოველთაოდ ცნობილია წინა ხელოვნებაში.

არსებობს ორი ფართო კატეგორიის რაოდენობრივი გამოსახულების აღქმა:

• ეხმარება ხალხს დაინახოს;
• დამხმარე მანქანები იხ.

თუ ჩვენ ვცდილობთ დავეხმაროთ ხალხს დაინახონ (ეს არის მაგალითი, რომელსაც მე აქ ვაჩვენებ), ჩვენ ჯერ არ დავასრულეთ: ჩვენ უნდა დავუბრუნოთ დამუშავებული შედეგი სურათის სივრცეში.

თუ ჩვენ ვეხმარებით მანქანებს დაინახონ (მაგალითად, სახის ამოცნობა), ჩვენ უკვე დავასრულეთ (არ არის საჭირო ნაბიჯი 3 -ზე გადასვლა).

ნაბიჯი 3: ხელახლა შეკუმშეთ შედეგის დინამიური დიაპაზონი

როდესაც ვმუშაობთ გაფართოებულ დინამიურ დიაპაზონში, ჩვენ ვამბობთ, რომ ვიმყოფებით "სინათლის სივრცეში" (კვანმეტრული გამოსახულების სივრცე).

მე –2 ნაბიჯის ბოლოს, ჩვენ ვიმყოფებით სინათლის სივრცეში და ჩვენ უნდა დავუბრუნდეთ გამოსახულების სივრცეს.

ეს ნაბიჯი 3 არის გამოსახულების სივრცეში დაბრუნების შესახებ.

მე –3 ნაბიჯის შესასრულებლად, უბრალოდ შეკუმშეთ მე –2 ნაბიჯის გამომავალი დინამიური დიაპაზონი.

თუ იცით კამერის საპასუხო ფუნქცია, უბრალოდ გამოიყენეთ იგი, რომ მიიღოთ შედეგი, f (p (q)).

თუ არ იცით კამერის საპასუხო ფუნქცია, უბრალოდ გამოიყენეთ კარგი გამოცნობა.

თუ კვადრატში გამოსახულების პიქსელები 1 ნაბიჯში, ახლა არის დრო, რომ აიღოთ თითოეული სურათის პიქსელის კვადრატული ფესვი, რათა დაუბრუნდეთ თქვენს ვარაუდს გამოსახულების სივრცის შესახებ.

ნაბიჯი 4: თქვენ ალბათ გინდათ სცადოთ სხვა ვარიაციები

დებილინგი არის მხოლოდ ერთი მრავალი შესაძლო მაგალითიდან. მაგალითად, განვიხილოთ მრავალჯერადი ექსპოზიციის გაერთიანება.

გადაიღეთ ნებისმიერი ორი სურათი, როგორიცაა ორი, რაც მე ზემოთ მაქვს. ერთი იღებდა დღისით, მეორე კი ღამით.

შეუთავსეთ მათ ბინდის მსგავსი სურათი.

თუ მათ უბრალოდ აფასებთ, ეს ნაგავს ჰგავს. სცადე ეს შენ თვითონ!

მაგრამ თუ ჯერ გააფართოვებთ თითოეული სურათის დინამიურ დიაპაზონს, შემდეგ დაამატებთ მათ და შემდეგ შეკუმშავთ ჯამის დინამიურ დიაპაზონს, ის მშვენივრად გამოიყურება.

შეადარეთ სურათის დამუშავება (სურათების დამატება) სურათის რაოდენობრივი დამუშავებით (გაფართოება, დამატება და შემდეგ შეკუმშვა).

თქვენ შეგიძლიათ გადმოწეროთ ჩემი კოდი და სხვა მაგალითი მასალა აქედან:

ნაბიჯი 5: წინსვლა: ახლა სცადეთ HDR გამოსახულების კომპოზიციებით

(სურათის ზემოთ: HDR შედუღების ჩაფხუტი იყენებს რაოდენობრივი გამოსახულების დამუშავებას გაძლიერებული რეალობის გადახურვისთვის. იხილეთ Slashgear 2012 წლის 12 სექტემბერს.)

Ჯამში:

გადაიღეთ სურათი და გამოიყენეთ შემდეგი ნაბიჯები:

1. გააფართოვეთ გამოსახულების დინამიური დიაპაზონი;
2. სურათის დამუშავება;
3. შეკუმშოს შედეგის დინამიური დიაპაზონი.

და თუ გსურთ უკეთესი შედეგი, სცადეთ შემდეგი:

სხვადასხვაგვარად გამოვლენილი სურათების მრავალფეროვნების გადაღება;

1. გააფართოვეთ დინამიური დიაპაზონი სინათლის სივრცეში, როგორც ჩემი წინა ინსტრუქციით HDR;
2. მიღებული რაოდენობრივი გამოსახულების დამუშავება, q, სინათლის სივრცეში;
3. შეკუმშოს დინამიური დიაპაზონი ტონაგრამის საშუალებით.

გაერთეთ და გთხოვთ დააწკაპუნეთ "მე მოვახერხე" და განათავსეთ თქვენი შედეგები, და მე სიამოვნებით გავაკეთებ კომენტარს ან მოგცემთ კონსტრუქციულ დახმარებას.