Картинки методы – картинки и фото методы обучения, скачать изображения на Depositphotos®

О задаче поиска объекта на изображении. Часть 1: Базовые методы.

Евгений Борисов понедельник, 24 июля 2017 г. В этой статье привёден обзор методов поиска объекта на изображении.

1. Введение

Множество практических задач от автоматизации контроля на производстве до конструирования роботизированных автомобилей непосредственно связаны с задачей поиска объектов на изображении. Для её решения можно применять две разные стратегии, которые зависят от условий съёмки — моделирование фона и моделирование объекта.

1. Моделирование фона — этот подход можно применять если камера неподвижна, т.е. мы имеем фон, который мало изменяется, и таким образом можно построить его модель. Все точки изображения, которые существенно отклоняются от модели фона, считаем объектами переднего плана. Таким образом можно решать задачи обнаружения и сопровождения объекта.
2. Моделирование объекта — этот подход более общий, применяеться в случаях когда фон постоянно и существенным образом изменяется. В отличии от предыдущего случая, здесь нам необходимо знать что именно мы хотим найти, т.е. необходимо построить модель объекта, а затем проверить точки картинки на соответствие этой модели.

Иногда условия задачи позволяют комбинировать оба подхода, это может существенно улучшить результаты. Решение задачи с моделированием фона для неподвижной камерой можно найти в [1]. Далее будем рассматривать применение второй стратегии, т.е. моделирование объекта поиска.

2. Обзор методов

В этом разделе мы приведём список подходов, с помощью которых можно успешно решать задачу поиска объекта на изображении, в порядке возрастания сложности.

1. Цветовые фильтры — если объект существенно выделяется на фоне по цвету, то можно подобрать соответствующий фильтр.
2. Выделение и анализ контуров — если мы знаем, что объект имеет форму, например, круга, то можно поискать окружности на изображении.
3. Сопоставление с шаблоном — у нас есть изображение объекта, ищем в другом изображении области совпадающие с этим изображением объекта.
4. Работа с особыми точками — на картинке с объектом ищем особенности (например углы), которые пытаемся сопоставить с такими особенностями на другом изображении.
5. Методы машинного обучения — обучаем классификатор на картинках с объектом, некоторым способом разделяем изображение на части, проверяем классификатором каждую часть на наличие объекта.

Далее мы рассмотрим эти методы подробней.

3. Цветовые фильтры

Метод цветовых фильтров можно применять в случаях, когда объект существенно отличаться от фона по цвету и освещение равномерно и не изменяется.

Рис.2: подбор параметров фильтра (красный)

Рис.3: результат работы детектора (красный)

Подробней о методе цветовых фильтров можно почитать в [2].

4. Выделение и анализ контуров

Если объект на фоне по цвету существенным образом не выделяется и/или имеет сложную раскраску, то применение метода цветовых фильтров не даст хороших результатов. В этом случае можно попробовать применить метод выделения и анализа контуров. Для этого мы выделяем границы на изображении. Границы это места резкого изменения градиента яркости, их можно найти с помощью метода Canny [3]. Далее мы можем проверить выделенные линии-границы на соответствие геометрическим контурам объекта, это можно сделать применив метод Хафа (Hough Transform) [3], например мы можем поискать в границах окружности.

Рис.4:поиск окружностей Этот метод также можно применять совместно с цветовыми фильтрами. Подробней о выделении и анализе контуров можно почитать в [2]. Исходный код примера c поиском окружностей можно скачать [ здесь].

5. Сопоставление с шаблоном

Если изображение имеет множество мелких деталей то анализ контуров может быть затруднён. В этом случае можно применить метод сопоставления с шаблоном (template matching). Он заключается в следующем — берем картинку с объектом (рис.5) и ищем на большом изображении области совпадающие с изображением объекта (рис.6,7).
Рис 5: объект для поиска

Рис.6: исходное изображение

Рис.7: результат поиска

Подробней о методе сопоставления с шаблоном можно послушать лекцию [4]. Исходный код примера можно скачать [ здесь].

6. Работа с особыми точками

Метод сопоставления с шаблоном, описанный в предыдущем разделе, ищет точные совпадения точек шаблона с точками изображения. Если изображение повёрнуто или масштабировано относительно параметров шаблона то этот метод работает плохо. Для преодоления этих ограничений применяют методы основанные на т.н. особых точках, их мы рассмотрим далее. Особая точка (key point) это небольшая область, которая существенным образом выделяется на изображении. Существует несколько методов определения таких точек, это могут быть углы (Harris corner detector)[5] или блобы (blob, капля) [6], т.е. небольшие области одинаковой яркости, достаточно чёткой границей, выделяющиеся на общем фоне. Для особой точки вычисляют т.н. дескриптор — характеристику особой точки. Дескриптор вычисляют по заданной окрестности особой точки, как направления градиентов яркости разных частей этой окрестности. Существует несколько методов расчёта дескрипторов для особых точек: SIFT, SURF, ORB и др. Надо отметить, что некоторые методы расчёта дескрипторов являются запатентованными (например SIFT) и их коммерческое использование ограничено. Подробней про особые точки на изображениях и методах работы с ними можно послушать лекцию [7]. Особые точки можно применять для поиска объекта на изображении. Для этого нам необходимо иметь изображение искомого объекта и далее выполнить следующие действия.

1. На картинке с объектом ищем особые точки объекта и вычисляем их дескрипторы.
2. На анализируемом изображении тоже ищем особые точки и вычисляем для них дескрипторы.
3. Сравниваем дескрипторы особых точек объекта и дескрипторы особых точек, найденных на изображении.
4. Если найдено достаточное количество соответствий то помечаем область с соответствующими точками.

Ниже на рис.8 представлены результаты работы метода поиска объекта по особым точкам.
Рис 8: детектор объектов по особым точкам Исходный код примера можно скачать [ здесь].

7. Методы машинного обучения

Метод поиска объектов путём сравнение наборов особых точек имеет свои недостатки, один из них это плохая обобщающая способность. Если у нас стоит задача, например, выделения лиц людей на фото, то по особым точкам наш метод будет искать одну конкретную фотографию. Ту фотографию, на которой были выделены особые точки, остальные лица будут выделятся хуже, потому как им, скорее всего, соответствуют другие наборы особых точек. Результаты могут быть ещё хуже если изменить ракурс съемки. Для решения этих проблем нам уже необходимы методы машинного обучения и не одна картинка с объектом но целые учебные наборы из сотен (а в некоторых случаях — сотен тысяч) разных картинок с изображением объекта в разных условиях. Применение методов машинного обучения для поиска объектов на изображении мы рассмотрим во второй части этой статьи.

Литература

1. Е.С.Борисов Детектор объектов для неподвижных камер.
   — http://mechanoid.kiev.ua/cv-backgr.html
2. Е.С.Борисов Обработка видео: детектор объектов на основе цветовых фильтров.
   — http://mechanoid.kiev.ua/cv-detector-color.html
3. Е.С.Борисов Базовые методы обработки изображений.
   — http://mechanoid.kiev.ua/cv-base.html
4. Антон Конушин Компьютерное зрение (2011). Лекция 3. Простые методы анализа изображений. Сопоставление шаблонов.
   — http://www.youtube.com/watch?v=TE99wDbRrUI
5. OpenCV documentation: Harris Corner Detection
   — http://docs.opencv.org/3.0-beta/doc/py_tutorials/py_feature2d/py_features_harris/py_features_harris.html
6. Wikipedia: Blob_detection
   — http://en.wikipedia.org/wiki/Blob_detection
7. Антон Конушин Компьютерное зрение (2011). Лекция 5. Локальные особенности
   — http://www.youtube.com/watch?v=vFseUICis-s

mechanoid.kiev.ua

Художественные средства фотографии. 12 способов получить выразительный кадр. Часть 1

Итак, вы купили фотокамеру и разобрались, как она работает. Но снимки почему-то получаются скучными, остаются понятными только вам, собирают мало лайков в социальных сетях… Как быть? Конечно, можно обвинять злую судьбу и тайно завидовать более популярным фотографам, можно всё время покупать дорогие объективы в надежде на то, что они будут снимать лучше старых. Но это, как вы понимаете, совершенно неконструктивно. Мой опыт подсказывает, что хороший кадр — это техника на 5% и творчество на 95%. Поэтому лучше немного отвлечься от мира фототехники и посмотреть в сторону творческих аспектов фотографии.

Эта статья преследует лишь одну цель — мотивировать обладателей фотокамер на творчество. Приведённые советы помогут вам развить креативный подход к фотосъёмке и делать более выразительные кадры. Статья не претендует на всеобъемлемость и энциклопедичность, но будет полезна практикующим фотографам. В качестве более глубокой теоретической базы хочется посоветовать читателю книги Л.П. Дыко «Основы композиции в фотографии» и А.И. Лапина «Фотография как…». Мы же дадим простые советы, которые каждый фотограф сможет применить в своём деле. Также отметим, что они актуальны для любого жанра.

1. Сюжет. Как перестать делать скучные фотографии?

Что делает любую картинку эффектной? Конечно же, её сюжет. Красивое освещение, резкость, обработка и всё остальное, с чем так носятся начинающие фотографы, — суета сует. Нет ничего важнее сюжета. Игнорирование этого очевидного факта заставляет фотографов снимать пусть очень качественные и резкие, но скучные, унылые, никому не интересные фотографии.

Доказать важность сюжета очень легко — зайдите на любой сайт (или страничку в социальной сети) с забавными картинками (например, в группу Prophotos.ru в Facebook — помимо прочего, там публикуются и фотоподборки) и посмотрите, что делает эти картинки смешными, шокирующими, вдохновляющими.

«Но ведь, например, пейзаж — это всего лишь фотки природы! Какой там может быть сюжет?» — спросит иной читатель. Тут-то и оно: в любом хорошем пейзаже тоже есть сюжет. Простейший и банальнейший пример — восход или закат солнца. Сюжетом может стать любое интересное состояние природы, задача фотографа — застать и показать его на фото. Гроза, осенний листопад, туман, удивительные сочетания размеров и форм, отношения человека и природы — всё это примеры сюжетов для пейзажа.

Похожая ситуация и с портретной фотографией. Чем отличается выразительный портрет от фотографии на паспорт? Нет, не сложным освещением, а прежде всего сюжетом. Настроение, мимика, эмоции вашего героя — всё это сюжет. Думаю, о его важности в репортажной фотографии вообще говорить не стоит.

Nikon D810 / Nikon AF-S 18-35mm f/3.5-4.5G ED Nikkor
«В поиске интересных сюжетов»

Вся сложная и дорогая техника со всеми этими выдержками, экспозициями, штативами, объективами, брекетингами и прочим придумана не на радость техногикам, а для того, чтобы мы, фотографы, могли должным образом запечатлеть всё самое интересное! Если вы нашли какой-то красивый сюжет, но «камера не смогла передать всё его великолепие» — это первый признак того, что вам нужно подтянуть технические фотонавыки и, возможно, сменить аппаратуру на более совершенную.

То же самое можно сказать и о композиции. Её правила придуманы не для того, чтобы вы всегда помещали главный объект строго по правилу третей или какому-нибудь правилу треугольника. Скучный кадр останется скучным, даже будучи верно скомпонованным. Композиция нужна для того, чтобы вы, пользуясь её инструментами, смогли донести сюжет до зрителя. В каком бы жанре вы ни снимали, первым делом ищите, продумывайте и планируйте истории, которые будете рассказывать! Помните, что сюжет должен быть ясен и понятен не только вам, но и зрителю. Поэтому старайтесь не брать в кадр лишние, отвлекающие, не относящиеся к нему детали (так называемый фотографический мусор).

Сравним два кадра.

Уверен, этот вариант снимка вы изучали дольше. Ведь на нём не просто палатка под сосной, а небольшая история об уютном вечере на берегу водоёма с костром.

В конце этого параграфа хотелось бы предостеречь читателя от ещё одной ловушки. Не ставьте перед собой преграды в виде жанровых ограничений. Например: «Я снимаю строго пейзажи, а поэтому людей, животных и следов цивилизации на моих фото быть не должно». Подобные ограничения допустимы в коммерческой фотографии, они связаны с назначением ваших снимков и целями заказчика: если вам дано задание снять модельные тесты, значит, от вас будут ждать именно их. В творческой фотографии такие ограничения неуместны. Если вы видите примечательный сюжет, какая разница, будет ли он укладываться в рамки того или иного жанра? Жмите на кнопку скорее!

Вы можете скрестить пейзаж с репортажем или портретом — всё в ваших руках. Всем известно, что самые выдающиеся произведения искусства создаются именно на стыке жанров. К тому же любая фотосерия должна состоять из кадров как минимум разноплановых: где-то уместен общий пейзажный план, а где-то будет лучше снять выразительную деталь крупным планом.

Между прочим, такая «мультиформатность» требует от фотографа дополнительных навыков: нужна гибкость, умение работать быстро и настраивать аппаратуру в соответствии с ситуацией. Поэтому же я не рекомендую собирать комплект фототехники под определённый жанр. Например, сугубо под портрет: идти на съёмку лишь со светосильным портретником типа Nikon AF-S 85mm f/1.8G Nikkor. Даже на обычной портретной съёмке будут моменты, когда пригодится широкоугольник или хотя бы штатник. Лучше добиваться универсальности, поэтому, наряду с пейзажным объективом Nikon AF-S 18-35mm f/3.5-4.5G ED Nikkor, в моей фотосумке всегда находится и светосильный фикс (вроде Nikon AF-S 50mm f/1.4G Nikkor) — на случай съёмки портретов, крупных планов, создания размытого фона и тому подобного.

2. Свет

Именно благодаря свету и тени мы можем оценить объёмы предметов на плоскости фотографии. Самые мощные (но при этом совершенно неуправляемые) световые инструменты находятся в руках матушки-природы: солнце и луна, облака, рельеф местности, время суток. Со всем этим придётся иметь дело фотографу, желающему снимать на улице.

Эффектное освещение может стать частью сюжета. О том, что такое режимное время написано множество статей, и, пожалуй, каждый фотограф знает, что это такое. Если вкратце, это временной отрезок около часа до заката и час после него плюс то же самое утром: час до рассвета и час после него. Разумеется, временные рамки режимного времени крайне размыты и слово «час» здесь дано лишь в качестве примерного ориентира.

Как правило, в режимное время действительно получаются самые выразительные кадры. Обычно человек, только взявший в руки фотоаппарат, даже не представляет, насколько лучше будут выглядеть кадры, сделанные в этот временной промежуток. Попробуйте поснимать вечером или рано утром! Многие мои ученики были страшно благодарны лишь за то, что я им посоветовал поснимать на рассвете. Вместо того чтобы искать на фотоаппарате кнопку «сделать красиво», запланируйте следующую съёмку на режимное время.

Nikon D810 / Nikon 70-200mm f/4G ED AF-S VR Nikkor
Рассветное освещение всё делает лучше. Даже эта заурядная московская улица смотрится симпатично благодаря ему. А ещё в 5 утра нет пробок!

Разумеется, режимный свет не панацея. Вам также придётся искать цепляющие сюжеты, да и самим светом нужно распорядиться грамотно. К тому же даже режимное время не всегда радует хорошим светом: его могут закрыть тучи на небе, рельеф местности, дома. Кроме режимного времени, существует масса других вариантов получения выразительного освещения. Самый простой и доступный — освещение от окна. Мягкий боковой свет, исходящий от окон, тоже позволит делать отличные снимки не только утром или вечером, но и днём.

3. Игра на контрастах: сравнение, противопоставление

Этот приём тоже относится к работе с сюжетом снимка, просто хотелось бы выделить его отдельно. Сравнение, «конфликт» на фото могут быть интересны вашему зрителю. Маленькое и большое, ровное и изогнутое, грубое и нежное, чёрное и белое — покажите в кадре игру противоположностей! Разумеется, чтобы запечатлеть подобное, фотограф должен сначала увидеть это (что требует некоторого опыта).

Nikon D810 / Nikon 16mm f/2.8D AF Fisheye-Nikkor
Известное место в Москве — храм Николая Чудотворца у Тверской заставы, который с двух сторон теснят деловые здания. Какие сравнения и противопоставления на этом снимке видит читатель? Напишите об этом в комментариях.

Одно из самых простых противопоставлений в пейзажной фотографии — сравнение большого и маленького. Проблема многих видовых снимков в том, что зритель не чувствует на картинке масштаба сцены. Грубо говоря, на фото скала высотой в 5 метров и гора в 5000 метров могут выглядеть почти одинаково. Нам же важно дать понять, что открывающаяся панорама действительно грандиозна. Для этого можно поместить в кадр предмет, чьи масштабы зритель способен оценить: человека или животное, постройку, на худой конец, дерево.

Сравнивать можно не только в пейзаже. Старость и молодость, богатство и бедность, женственность и мужество — вот только несколько примеров противопоставления для портретной фотографии. Многие известные фотографы — мастера сравнений, взять хотя бы Элиотта Эрвитта со знаменитой фотографией «Белые и цветные».

«Белые и цветные», Элиотт Эрвит
Как вы думаете, что сравнивает автор на этом фото? Какие детали заставляют нас почувствовать противопоставление на нём?

4. Использование перспективы

Фотография — это плоская картинка, проекция трёхмерного мира. Тем не менее зрителю нравится погружаться в 3D, чувствовать объёмность кадра. Как создать на двухмерном изображении иллюзию объёма? С помощью перспективы. Тема работы с перспективой заслуживает если не отдельной книги, то как минимум отдельной большой статьи. Здесь мы её коснёмся лишь вскользь, дав, прежде всего, не теоретические знания, а практические советы.

Начнём с того, что в фотографии используется несколько видов перспективы. Самая простая и знакомая всем — линейная. Это визуальное изменение размеров объектов по мере их удаления от наблюдателя. Лучше всего видно линейную перспективу тогда, когда в кадре есть уходящие вдаль линии. Классический пример: параллельные рельсы, удаляясь, сходятся в одну точку. Ищите в своих кадрах такие линии. Они позволят зрителю почувствовать объём, а заодно ведут его взгляд за собой вглубь кадра.

Сколько читатель насчитает в этой статье фотопримеров с ярко выраженной линейной перспективой? Их довольно много! Ведь используется этот приём очень и очень часто. Вот ещё один кадр:

Nikon D810 / Nikon AF-S 18-35mm f/3.5-4.5G ED Nikkor

Второй вид перспективы — тональная (воздушная). Да, в живописи тональная и воздушная перспектива — два отдельных вида: один отвечает за искажение цветов по мере удаления объекта от наблюдателя, другой — за уменьшение контраста и чёткости. Но в фотографии одно без другого не может существовать, ведь именно толща воздуха, дымка ответственны за изменение цветов и контраста. Поэтому их почти всегда объединяют в один вид и применяют как цельный изобразительный приём. Тональная (воздушная) перспектива, как и линейная, используется для того, чтобы подчеркнуть объём, трёхмерность пространства на фотографии.

Пример тональной (воздушной) перспективы на фото. Чем дальше от нас — тем ниже контраст объектов. Взгляните на горные хребты.

Тональная (воздушная) и линейная перспектива — мощные инструменты фотографа. Но прежде чем бросаться снимать дорожки, уходящие вдаль, и далёкие горные вершины, важно понимать, что лишь одна перспектива не вытянет на себе скучный кадр. Поэтому используйте перспективу вместе с другими художественными приёмами!

5. Работаем с многоплановой композицией

Передний и средний план, фон — эти определения знают все. Если вы способны понять, где на вашем снимке фон, а где передний план, значит вы вполне можете создавать многоплановые композиции! Классический пример создания такой композиции в пейзаже: разместите на переднем плане растения (цветы), чуть дальше, на среднем плане, какой-нибудь домик, а на заднем пусть будут горы.

Многоплановые кадры нравятся зрителям: всегда есть что изучить взглядом. Мало того, благодаря интересному сочетанию планов можно показать какой-то сюжет, конфликт, историю. Создать многоплановую композицию проще, чем вы думаете! Просто не бросайтесь снимать красивый пейзаж прямо с той точки, где вы стоите. Поищите передний план, способный дополнить композицию, ваш сюжет. Им вполне могут стать цветы, деревья, красивые камни и прочее. На передний план вы можете поставить человека или животное. При этом важно помнить, что создать многоплановую композицию — не значит нагромоздить в кадр побольше всего. Планы не должны перегораживать, перебивать друг друга, они должны быть связаны общим сюжетом, идеей снимка.

Как работа с передним планом может сказаться на сюжете снимка? Например, так. У меня множество похожих фото северного сияния с другим передним планом: камнями, цветами, скалами. Но многим зрителям нравится именно этот снимок. Передний план в виде лодки (пусть она не совсем резка: сказались волны и съёмка на длинной выдержке — какое это имеет значение?) получился жизненным и понятным каждому. Он заставляет чувствовать зрителя сопричастность (пожалуй, каждый рыбак катался на лодке «Прогресс», изображённой на фото). Этого не происходит, когда в качестве переднего плана выступают случайные камни или цветы.

6. Точка съемки

Знаете ли вы, что человек, как и фотокамера, видит мир не трёхмерным, а лишь как его двухмерную проекцию на сетчатке глаза? Что мы делаем с предметом, чтобы получше его рассмотреть, узнать о его свойствах в трёхмерном пространстве? Крутим в руках. Тот же трюк с фотографией провернуть не получится. Только вы как автор сможете выбрать, с какой стороны показать тот или иной объект своему зрителю. Пользуйтесь этой возможностью!

Зачастую именно выгодная точка съёмки будет решать, удачный снимок получится или нет. С помощью выбранного ракурса мы можем показать объём предмета (например, показав его не «в лоб», а вполоборота). Помните, оригинальная точка съёмки — это не только съёмка с нижней или верхней точки. Ищите такие ракурсы, с которых ваш сюжет наилучшим образом будет показан зрителю.

Nikon D610 / Nikon 70-200mm f/4G ED AF-S VR Nikkor

Только благодаря выбранному ракурсу видна стена из кустарника. Если отойти от неё хотя бы на метр, она «рассыпется»: превратится в отдельные, ничем не примечательные кусты возле трамвайных путей. Для съёмки я использовал телеобъектив Nikon 70-200mm f/4G ED AF-S VR Nikkor. Он позволил сжать перспективу на фото. В том числе, он сжал промежутки между кустами, которые были заметны даже с такого ракурса при съёмке на широкоугольную оптику.

Это лишь первая часть статьи. Оставайтесь с нами: подписывайтесь на странички журнала Prophotos.ru в соцсетях, чтобы не пропустить окончание статьи!

prophotos.ru

Метод изображений — Википедия

Материал из Википедии — свободной энциклопедии

Метод изображений (метод зеркальных отображений) — один из методов математической физики, применяемый для решения краевых задач для уравнения Гельмгольца, уравнения Пуассона, волнового уравнения и некоторых других.

Суть метода изображений состоит в том, что исходная задача отыскания поля заданных (сторонних) источников в присутствии граничных поверхностей сводится к расчёту поля тех же и некоторых добавочных (фиктивных) источников в безграничной среде, которые помещаются вне области отыскания поля исходной задачи. Эти добавочные источники называются источниками-изображениями. Правила их построения полностью аналогичны тем, по которым строятся изображения точечных источников в оптике в системе зеркал (здесь зеркала повторяют форму граничных поверхностей). Величины источников-изображений определяются граничными условиями на поверхностях, а также требованиями одинаковости поля, создаваемого реальной системой источников и поверхностей, и системой, составленной из действительных источников и фиктивных источников-изображений в пространстве вблизи действительных источников.

С помощью метода изображений обычно решаются задачи, в которых каждому заданному точечному источнику можно сопоставить конечную систему (иногда бесконечный дискретный ряд) однотипных точечных источников-изображений. Поэтому наибольшее распространение метод изображений получил в электростатике. Также метод изображений можно распространить на более широкий класс границ и граничных условий в рамках метода геометрической оптики при достаточно малой длине волны и некоторых уточняющих его коротковолновых приближений. В этом случае он сводится к построению картины лучей и геометрооптических изображений.

Пример 1: Точечный заряд и проводящая плоскость

Пусть точечный заряд q{\displaystyle q} расположен на расстоянии a{\displaystyle a} от проводящей плоскости. Требуется определить силу, с которой плоскость действует на заряд.

Введём равный и противоположный по знаку заряд-изображение с другой стороны плоскости на том же расстоянии. Сила притяжения между реальным зарядом и зарядом-изображением определяется по закону Кулона:

ru.wikipedia.org

Исследование методов сегментации изображений / Хабр

В статье описано исследование методов сегментации изображений на различных примерах. Целью исследования является обнаружение достоинств и недостатков некоторых известных методов.

Методы, которые будут рассмотрены в данной статье:

1. Метод выращивания регионов Тут можно почитать про метод выращивания регионов;
2. Метод водораздела А тут подробно про метод водораздела, еще и с кодом;
3. Метод нормальных разрезов Подробнее почитать можно тут.

Исследование методов сегментации на модельных изображениях

Исследование методов сегментации первоначально проводилось моделях изображений. В качестве моделей использовались девять видов изображений.

Название метода	Результаты
Метод выращивания регионов
Метод водораздела
Метод нормальных разрезов

Результаты исследования показали:

• Метод выращивания регионов локализует дефекты текстуры как резко отличающиеся от фона, так и образованные поворотом и изменением яркости текстуры;
• Метод выращивания регионов в различной степени локализует дефекты при разных углах поворота текстуры;
• Рассмотренный метод сегментации водораздела в исходном виде не обеспечивает локализацию текстурных дефектов;
• Метод нормальных разрезов хорошо локализует наличие текстуры отличной от фона, но не выделяет изменение яркости и поворот текстуры.

Исследование методов сегментации на изображениях объекта

Для исследования методов сегментации было подготовлена база изображений различных объектов. Полученные изображения прошли сегментацию с помощью различных методов, результат которой представлен на рисунках в таблице

Результаты:

• Метод выращивания регионов не обеспечивает локализацию сегментов на изображениях объекта;
• Рассмотренные методы водораздела и нормальных разрезов в исходном виде не обеспечивают локализацию представленных объектов;
• Метод нормальных разрезов обеспечивает локализацию объектов на изображениях объектов.

Результаты

Результаты проведенного исследования:

• Метод выращивания регионов не обеспечивает локализацию сегментов как на модельных изображениях, так и на изображениях объекта, а также обеспечивает локализацию элементов дорожно-транспортной инфраструктуры.
• Рассмотренные методы водораздела и нормальных разрезов в исходном виде не полностью обеспечивают локализацию представленных объектов.
• Метод нормальных разрезов обеспечивает локализацию объектов как на модельных изображениях, так и на изображениях объектов, а также обеспечивает локализацию элементов дорожно-транспортной инфраструктуры.
• Метод выращивания регионов и метод нормальных разрезов могут быть рекомендованы для использования в автоматизированных системах визуального контроля.

habr.com

Приемы и техники фотографии

Сочетание естественного света и вспышки – не самая простая техника. Ведь при её использовании вы опираетесь на правила съемки двух разных видов освещения сразу….

Читать дальше → 04/09/2018. Фотосъёмка — Приемы и техники. Перевод: Алексей Шаповал

5 953

Вспышки обычно считают тем инструментом, который используется в помещении и уж никак не в горных регионах с переменчивой погодой. Сейчас на улице +23, а через минуту налетит ветер…

Читать дальше → 17/08/2018. Фотосъёмка — Приемы и техники. Перевод: Алексей Шаповал

3 100

Чувствуете ли вы «Жажду скорости»? Вы наверняка видели крутые фотографии, когда определенное динамическое действие показывается навеки застывшим во времени, и хотели…

Читать дальше → 20/11/2017. Фотосъёмка — Приемы и техники. Перевод: Алексей Шаповал

18 543

Исследовать новые техники съемки и делиться ими с другими – один из самых приятных аспектов работы профессионального фотографа дикой природы. Это мотивирует меня постоянно…

Читать дальше → 24/08/2017. Фотосъёмка — Приемы и техники. Перевод: Алексей Шаповал

8 046

Поляризованный свет – это свет, волны которого колеблются в одном направлении. Можно создать потрясающие фотографии с замерзшими кристаллами льда, которые…

Читать дальше → 19/05/2017. Фотосъёмка — Приемы и техники. Перевод: Алексей Шаповал

7 639

Фокусная (фокальная) точка – термин, который часто используют фотографы и блоги о фотосъемке. Они говорят: «Создайте фокальную точку. Она должна быть первым и последним местом…

Читать дальше → 20/03/2017. Фотосъёмка — Приемы и техники. Перевод: Алексей Шаповал

24 144

Если вы работаете в сфере дизайна, вам наверняка может потребоваться запечатлеть текстуры так, как это делают профессиональные фотографы. В то время, когда фотограф сфокусируется…

Читать дальше → 06/03/2017. Фотосъёмка — Приемы и техники. Перевод: Алексей Шаповал

13 757

В сегодняшнем небольшом уроке мы рассмотрим три вида зрительного контакта, которые стоит учитывать при съемке портрета, а также различные ситуации, в которых каждый вид будет…

Читать дальше → 26/01/2017. Фотосъёмка — Приемы и техники. Перевод: Алексей Шаповал

20 652

Не так давно я отметил, что лишь немногие фотографы создают фотографии, напоминающие своей стилистикой стоп-кадр из фильма. Пара известных фотографов, снимающих в этом жанре…

Читать дальше → 21/03/2016. Фотосъёмка — Приемы и техники. Перевод: Анастасия Родригес

71 322

В первой и второй части этой статьи мы разбирали психологические особенности малышей и приёмы общения с ними. Пора переходить к практике фотосъёмки  – фотоиграм для…

Читать дальше → 12/01/2016. Фотосъёмка — Приемы и техники. Автор: Игорь Губарев

26 980

Первая часть статьи была целиком посвящена вопросам установления контакта с малышами и созданию дружеских уз. При работе с детьми этим вопросам надо посвятить МЕГАособое внимание…

Читать дальше → 08/01/2016. Фотосъёмка — Приемы и техники. Автор: Игорь Губарев

26 769

В предыдущей статье я описал несколько так называемых «правил композиции». Правила эти не так уж однозначны и могут вызывать разногласия…

Читать дальше → 24/02/2015. Фотосъёмка — Приемы и техники. Перевод: Анна Смолина

45 383

В последнее время среди фотографов все популярнее становятся мобильные комплекты импульсного света, которые легко помещаются в небольшую сумку и позволяют получать качественный…

Читать дальше → 06/12/2014. Фотосъёмка — Приемы и техники. Автор: Евгений Карташов

49 014

Нам удалось взять у Линуса интервью, в котором он делится приёмами создания своих удивительных натюрмортов и тем, что его вдохновило к подобному творчеству…

Читать дальше → 09/07/2014. Фотосъёмка — Приемы и техники. Перевод: Марк Лаптенок

26 227

Перед вами четвёртая статья из серии, посвящённой съёмке обнажённого женского тела. Серия отражает мой подход в ню-фотографии, содержит иллюстрированные тексты и видеоролики…

Читать дальше → 28/06/2014. Фотосъёмка — Приемы и техники. Перевод: Марк Лаптенок

64 170

Перед вами третья статья из серии, посвящённой съёмке обнажённого женского тела. Серия отражает мой подход в ню-фотографии, содержит иллюстрированные тексты и видеоролики. В этой…

Читать дальше → 26/06/2014. Фотосъёмка — Приемы и техники. Перевод: Марк Лаптенок

105 065

Перед вами вторая статья из серии, посвящённой съёмке обнажённого женского тела. Серия отражает мой подход в ню-фотографии, содержит иллюстрированные тексты и видеоролики…

Читать дальше → 25/06/2014. Фотосъёмка — Приемы и техники. Перевод: Марк Лаптенок

29 877

Перед вами первая статья из четырёх, которые в подробностях раскрывают мой подход в фотографии ню. Серия включает в себя не только иллюстрированные тексты, но и видеоролики…

Читать дальше → 21/06/2014. Фотосъёмка — Приемы и техники. Перевод: Марк Лаптенок

199 051

photo-monster.ru

методы ресайза изображений / Хабр

Почему изображение, масштабированное с бикубической интерполяцией, выглядит не как в Фотошопе. Почему одна программа ресайзит быстро, а другая — нет, хотя результат одинаковый. Какой метод ресайза лучше для увеличения, а какой для уменьшения. Что делают фильтры и чем они отличаются.

Вообще, это было вступлением к другой статье, но оно затянулось и вылилось в отдельный материал.

Этот человек сидит среди ромашек, чтобы привлечь ваше внимание к статье.

Для наглядного сравнения я буду использовать изображения одинакового разрешения 1920×1280 (одно, второе), которые буду приводить к размерам 330×220, 1067×667 и 4800×3200. Под иллюстрациями будет написано, сколько миллисекунд занял ресайз в то или иное разрешение. Цифры приведены лишь для понимания сложности алгоритма, поэтому конкретное железо или ПО, на котором они получены, не так важно.

Ближайший сосед (Nearest neighbor)

Это самый примитивный и быстрый метод. Для каждого пикселя конечного изображения выбирается один пиксель исходного, наиболее близкий к его положению с учетом масштабирования. Такой метод дает пикселизированное изображение при увеличении и сильно зернистое изображение при уменьшении.

Вообще, качество и производительность любого метода уменьшения можно оценить по отношению количества пикселей, участвовавших в формировании конечного изображения, к числу пикселей в исходном изображении. Чем больше это отношение, тем скорее всего алгоритм качественнее и медленнее. Отношение, равное одному, означает что как минимум каждый пиксель исходного изображения сделал свой вклад в конечное. Но для продвинутых методов оно может быть и больше одного. Дак вот, если например мы уменьшаем изображение методом ближайшего соседа в 3 раза по каждой стороне, то это соотношение равно 1/9. Т.е. большая часть исходных пикселей никак не учитывается.

1920×1280 → 330×220 = 0,12 ms
1920×1280 → 1067×667 = 1,86 ms
1920×1280 → 4800×3200 = 22,5 ms

Теоретическая скорость работы зависит только от размеров конечного изображения. На практике при уменьшении свой вклад вносят промахи кеша процессора: чем меньше масштаб, тем меньше данных используется из каждой загруженной в кеш линейки.

Метод осознанно применяется для уменьшения крайне редко, т.к. дает очень плохое качество, хотя и может быть полезен при увеличении. Из-за скорости и простоты реализации он есть во всех библиотеках и приложениях, работающих с графикой.

Аффинные преобразования (Affine transformations)

Аффинные преобразования — общий метод для искажения изображений. Они позволяют за одну операцию повернуть, растянуть и отразить изображение. Поэтому во многих приложениях и библиотеках, реализующих метод аффинных преобразований, функция изменения изображений является просто оберткой, рассчитывающей коэффициенты для преобразования.

Принцип действия заключается в том, что для каждой точки конечного изображения берется фиксированный набор точек исходного и интерполируется в соответствии с их взаимным положением и выбранным фильтром. Количество точек тоже зависит от фильтра. Для билинейной интерполяции берется 2×2 исходных пикселя, для бикубической 4×4. Такой метод дает гладкое изображение при увеличении, но при уменьшении результат очень похож на ближайшего соседа. Смотрите сами: теоретически, при бикубическом фильтре и уменьшении в 3 раза отношение обработанных пикселей к исходным равно 4² / 3² = 1,78. На практике результат значительно хуже т.к. в существующих реализациях окно фильтра и функция интерполяции не масштабируются в соответствии с масштабом изображения, и пиксели ближе к краю окна берутся с отрицательными коэффициентами (в соответствии с функцией), т.е. не вносят полезный вклад в конечное изображение. В результате изображение, уменьшенное с бикубическим фильтром, отличается от изображения, уменьшенного с билинейным, только тем, что оно еще более четкое. Ну а для билинейного фильтра и уменьшения в три раза отношение обработанных пикселей к исходным равно 2² / 3² = 0.44, что принципиально не отличается от ближайшего соседа. Фактически, аффинные преобразования нельзя использовать для уменьшения более чем в 2 раза. И даже при уменьшении до двух раз они дают заметные эффекты лесенки для линий.

Теоретически, должны быть реализации именно аффинных преобразований, масштабирующие окно фильтра и сам фильтр в соответствии с заданными искажениями, но в популярных библиотеках с открытым исходным кодом я таких не встречал.

1920×1280 → 330×220 = 6.13 ms
1920×1280 → 1067×667 = 17.7 ms
1920×1280 → 4800×3200 = 869 ms

Время работы заметно больше, чем у ближайшего соседа, и зависит от размера конечного изображения и размера окна выбранного фильтра. От промахов кеша уже практически не зависит, т.к. исходные пиксели используются как минимум по двое.

Мое скромное мнение, что использование этого способа для произвольного уменьшения изображений попросту является багом, потому что результат получается очень плохой и похож на ближайшего соседа, а ресурсов на этот метод нужно значительно больше. Тем не менее, этот метод нашел широкое применение в программах и библиотеках. Самое удивительное, что этот способ используется во всех браузерах для метода канвы drawImage() (наглядный пример), хотя для простого отображения картинок в элементе используются более аккуратные методы (кроме IE, в нем для обоих случаев используются аффинные преобразования). Помимо этого, такой метод используется в OpenCV, текущей версии питоновской библиотеки Pillow (об этом я надеюсь написать отдельно), в Paint.NET.

Кроме того, именно этот метод используется видеокартами для отрисовки трехмерных сцен. Но разница в том, что видеокарты для каждой текстуры заранее подготавливают набор уменьшенных версий (mip-уровней), и для окончательной отрисовки выбирается уровень с таким разрешением, чтобы уменьшение текстуры было не более двух раз. Кроме этого, для устранения резкого скачка при смене mip-уровня (когда текстурированный объект приближается или отдаляется), используется линейная интерполяция между соседними mip-уровнями (это уже трилинейная фильтрация). Таким образом для отрисовки каждого пикселя трехмерного объекта нужно интерполировать между 2³ пикселями. Это дает приемлемый для быстро движущейся картинки результат за время, линейное относительно конечного разрешения.

Суперсемплинг (Supersampling)

С помощью этого метода создаются те самые mip-уровни, с помощью него (если сильно упростить) работает полноэкранное сглаживание в играх. Его суть в разбиении исходного изображения по сетке пикселей конечного и складывании всех исходных пикселей, приходящихся на каждый пиксель конечного в соответствии с площадью, попавшей под конечный пиксель. При использовании этого метода для увеличения, на каждый пиксель конечного изображения приходится ровно один пиксель исходного. Поэтому результат для увеличения равен ближайшему соседу.

Можно выделить два подвида этого метода: с округлением границ пикселей до ближайшего целого числа пикселей и без. В первом случае алгоритм становится малопригодным для масштабирования меньше чем в 3 раза, потому что на какой-нибудь один конечный пиксель может приходиться один исходный, а на соседний — четыре (2×2), что приводит к диспропорции на локальном уровне. В то же время алгоритм с округлением очевидно можно использовать в случаях, когда размер исходного изображения кратен размеру конечного, или масштаб уменьшения достаточно мал (версии разрешением 330×220 почти не отличаются). Отношение обработанных пикселей к исходным при округлении границ всегда равно единице.

1920×1280 → 330×220 = 7 ms
1920×1280 → 1067×667 = 15 ms
1920×1280 → 4800×3200 = 22,5 ms

Подвид без округления дает отличное качество при уменьшении на любом масштабе, а при увеличении дает странный эффект, когда большая часть исходного пикселя на конечном изображении выглядит однородной, но на краях видно переход. Отношение обработанных пикселей к исходным без округления границ может быть от единицы до четырех, потому что каждый исходный пиксель вносит вклад либо в один конечный, либо в два соседних, либо в четыре соседних пикселя.

1920×1280 → 330×220 = 19 ms
1920×1280 → 1067×667 = 45 ms
1920×1280 → 4800×3200 = 112 ms

Производительность этого метода для уменьшения ниже, чем у аффинных преобразований, потому что в расчете конечного изображения участвуют все пиксели исходного. Версия с округлением до ближайших границ обычно быстрее в несколько раз. Также возможно создать отдельные версии для масштабирования в фиксированное количество раз (например, уменьшение в 2 раза), которые будут еще быстрее.

Данный метод используется в функции gdImageCopyResampled() библиотеки GD, входящей в состав PHP, есть в OpenCV (флаг INTER_AREA), Intel IPP, AMD Framewave. Примерно по такому же принципу работает libjpeg, когда открывает изображения в уменьшенном в несколько раз виде. Последнее позволяет многим приложениям открывать изображения JPEG заранее уменьшенными в несколько раз без особых накладных расходов (на практике libjpeg открывает уменьшенные изображения даже немного быстрее полноразмерных), а затем применять другие методы для ресайза до точных размеров. Например, если нужно отресайзить JPEG разрешением 1920×1280 в разрешение 330×220, можно открыть оригинальное изображение в разрешении 480×320, а затем уменьшить его до нужных 330×220.

Свертки (Convolution)

Этот метод похож на аффинные преобразования тем, что используются фильтры, но имеет не фиксированное окно, а окно, пропорциональное масштабу. Например, если размер окна фильтра равен 6, а размер изображения уменьшается в 2,5 раза, то в формировании каждого пикселя конечного изображения принимает участие (2,5 * 6)² = 225 пикселей, что гораздо больше, чем в случае суперсемплинга (от 9 до 16). К счастью, свертки можно считать в 2 прохода, сначала в одну сторону, потом в другую, поэтому алгоритмическая сложность расчета каждого пикселя равна не 225, а всего (2,5 * 6) * 2 = 30. Вклад каждого исходного пикселя в конечный как раз определяется фильтром. Отношение обработанных пикселей к исходным целиком определяется размером окна фильтра и равно его квадрату. Т.е. для билинейного фильтра это отношение будет 4, для бикубического 16, для Ланцоша 36. Алгоритм прекрасно работает как для уменьшения, так и для увеличения.

1920×1280 → 330×220 = 76 ms
1920×1280 → 1067×667 = 160 ms
1920×1280 → 4800×3200 = 1540 ms

Скорость работы этого метода зависит от всех параметров: размеров исходного изображения, размера конечного изображения, размера окна фильтра.

Именно этот метод реализован в ImageMagick, GIMP, в текущей версии Pillow с флагом ANTIALIAS.

Одно из преимуществ этого метода в том, что фильтры могут задаваться отдельной функцией, никак не привязанной к реализации метода. При этом функция самого фильтра может быть достаточно сложной без особой потери производительности, потому что коэффициенты для всех пикселей в одном столбце и для всех пикселей в одной строке считаются только один раз. Т.е. сама функция фильтра вызывается только (m + n) * w раз, где m и n — размеры конечного изображения, а w — размер окна фильтра. И наклепать этих функций можно множество, было бы математическое обоснование. В ImageMagick, например, их 15. Вот как выглядят самые популярные:

Билинейный фильтр (bilinear или triangle в ImageMagick)

Бикубический фильтр (bicubic, catrom в ImageMagick)

Фильтр Ланцоша (Lanczos)

Примечательно, что некоторые фильтры имеют зоны отрицательных коэффициентов (как например бикубический фильтр или фильтр Ланцоша). Это нужно для придания переходам на конечном изображении резкости, которая была на исходном.

habr.com

Методика «последовательные картинки»

Цель: определить способность к логическому мышлению, обобщению, умению понимать связь событий и строить последовательные умозаключения, определить уровень развития связанной речи.

Материал и оборудование: сюжетные картинки (от 3 до б), на которых изображены этапы какого-либо события. Популярным экспериментальным материалом для этой методики являются сюжетные рисунки Х.Бидструпа.

Процедура исследования

Ребенку показывают беспорядочно разложенные картинки и дают инструкцию, ребенок раскладывают их по порядку и комментируют.

Инструкция: Посмотри, перед тобой лежат картинки, на которых изображено какое-то событие. Порядок картинок перепутан, и тебе надо догадаться, как их поменять местами, чтобы стало ясно, что нарисовал художник. Подумай, переложи картинки, как считаешь нужным, а потом составь по ним рассказ о том событии, которое здесь изображено.

Анализ результатов:

0 баллов- ничего не рассказал

1 балл — только перечисляет предметы, изображённые на картинке. На наводящие вопросы отвечает односложно «например, «Что делают?»- «Играют», «не знаю».

2 балла — составляет 2-3 описательных предложения, состоящие из существительных и глаголов. Часто предложения не связаны между собой.

3 балла — составляет рассказ из 4-5 предложений. При этом предложения могут отражать события, непосредственно не изображённые на картинке. 4 балла — составляет развёрнутый рассказ с использованием прилагательных, наречий, а также диалогов между персонажами, изображёнными на картинке. Предложения могут передавать желания, чувства героя.

	Уровни	низкий Ур.патологии	ниже среднего	Средняя норма	выше среднего	Высокий уровень
	Определение уровня развития логического мышления	0	1	2-3	4	5

Анализ результатов:

Для определения уровня развития логического мышления необходимо соблюдение следующих условий: 1. Задание считается выполненным, если все картинки набора связаны в единый рассказ, т.е. цепь определённых событий.

Если последовательные картинки объединены логически, причинно-следственными связями. Чтобы уточнит, устанавливает ли ребёнок такие логические связи, необходимо задавать ему уточняющие вопросы: «Почему произошло именно так? Как ты догадался, что это так?». И если при ответе на вопрос ребёнок обращается к соседним картинкам предыдущей или последней), значит он способен выявить причинно-следственные связи.

2. Задание не выполнено, если ребёнок описывает содержание каждой картинки самостоятельно, без связи между ними. Если связи не видно, необходимо с помощью уточняющих вопросов определить, уточнить видит ли ребёнок связь между разными картинками, связывает ли их в одно целое. Если нет, то картинки рассматриваются ребёнком как независимые друг от друга. 3. При определении уровня развития логического мышления не оценивается «красота» рассказа, т.е. богатство речи и т.д., так как это имеет отношение к развитию речи, но не к логическому мышлению.

0 баллов — Не справился.

1 балл — Рассказ составлен на основе двух картинок, логическая связь присутствует.

2 балла — Рассказ составлен по трём картинкам правильно, но на уточняющие вопросы не отвечает, не обосновывает.

3 балла — Рассказ составлен по трём картинкам, отвечает на уточняющие вопросы, чётко выявляются логические связи.

4 балла — Рассказ составлен по четырём картинкам правильно, но на уточняющие вопросы не отвечает, логические связи не обосновывает.

5 баллов — Рассказ составлен по четырём картинкам, отвечает на уточняющие вопросы, чётко выявляются логические связи

studfiles.net