Обработка картинки: Генератор мемов. Создавайте самые смешные мемы онлайн.

Содержание

Обработка изображений — Работаем с фото и видео / Хабр

Работаем с фото и видео

Статьи Авторы Компании

Сначала показывать

Порог рейтинга

Уровень сложности

ilikeMagic

7 часов назад

Уровень сложности Средний

Время на прочтение 3 мин

Количество просмотров

690

Python *C++ *Обработка изображений *Машинное обучение *

Из песочницы

В статье мы соберём OpenCV с поддержкой OpenVINO, а также узнаем отличия в скорости инференса модели машинного зрения на C++ и Python при прочих равных.

Всего голосов 4: ↑2 и ↓2 0

Комментарии 0

KirillMih

000Z» title=»2023-03-22, 11:09″>вчера в 11:09

Уровень сложности Простой

Время на прочтение 4 мин

Количество просмотров

2.4K

Информационная безопасность *Обработка изображений *Хранение данных *Облачные сервисы *

Recovery mode

Из песочницы

В этой статье будет рассмотренно продолжение известной по прошлому году истории о подходе к обработке персданных в «Ситимобил». Напомню, 23 декабря 2022 года стало известно об утечке данных водителей «Ситимобил». Компания признала факт утечки, уведомила Роскомнадзор, принесла извинения водителям и заявила о проведении внутреннего расследования. Среди многочисленных утечек (а всего по данным Роскомнадзора в 2022 было зафиксировано порядка 150 крупных утечек персональных данных) утечка у «Ситимобил» отличалась тем, что в открытый доступ попали не просто персданные, а изображения паспортов водителей.

На сегодняшний день информации о назначении штрафа компании еще нет. Но мне кажется, что при его назначении учтут, что в этой утечке были изображения паспортов и, как показано вот здесь изображения селфи водителей с паспортом одновременно. Не знаю можно ли фото, на котором есть и паспорт, и лицо крупным планом, классифицировать как биометрию, но очевидно, что с таким фото возможностей для нанесения ущерба водителю становится сильно больше.

В этой заметке я хочу показать свой взгляд пользователя на то, как происходит обработка изображений паспортов и персданных водителей в «Ситимобил» через 2.5 месяца после утечки.

Всего голосов 20: ↑20 и ↓0 +20

Комментарии 13

Stantin

вчера в 04:46

Время на прочтение 6 мин

Количество просмотров

1.6K

Python *Обработка изображений *Машинное обучение *Искусственный интеллект

Обзор

🤖 Сезон machine learning

Развитие искусственного интеллекта сейчас переживает бурный рост, и сфера его применения постоянно расширяется, проникая в области, ранее никак не связанные с ИТ.

Хорошим примером такой экспансии является спорт.

Не так давно появился термин Sport tech и количество проектов значительно выросло за последние несколько лет.

Волейбол — перспективное направление в спортивной аналитике. Один из самых массовых видов спорта, распространен в очень многих странах.

Итак, у нас есть видеозапись волейбольной игры. С какой целью она обычно делается? Возможно, чтобы показать друзьям или пересматривать лучшие моменты долгими зимними вечерами. Но наверное, в сыром виде, запись не очень годится для этого. Ведь скорее всего, первые минут десять игроки будут переодеваться и разминаться, а после каждого розыгрыша будет проходить минута‑другая, пока кто‑то сбегает за мячом.

В общем, мы подходим к очевидной цели — избавиться от всего скучного и оставить только самое интересное. Ок, стратегия ясна, переходим к тактике.

Для стороннего зрителя (которым конечно является искуственный интеллект) есть несколько маркеров для привлечения внимания: игроки, мяч, судья, табло. Любой из этих объяектов может быть подвергнут аналитике. Но сегодня мы поговорим о мяче.

Связь зрительского интереса и мяча вполне очевидна: мяч летает — мы смотрим. Нет мяча — некуда смотреть. В общем, понятно, что нам надо вырезать все кадры, где мяч не летает и тогда это можно будет смотреть без зевоты.

Всего голосов 10: ↑10 и ↓0 +10

Комментарии 9

lenant

16 мар в 17:51

Уровень сложности Простой

Время на прочтение 14 мин

Количество просмотров

3.5K

Блог компании Doubletapp Серверная оптимизация *Обработка изображений *Машинное обучение *Искусственный интеллект

Обзор

🤖 Сезон machine learning

Всех приветствую, меня зовут Антон Рябых, работаю в Doubletapp. Вместе с коллегой Данилом Гальпериным мы написали статью про важный этап в процессе обучения нейронных сетей и получения необходимых нам результатов — оптимизацию модели. Зачем нужно оптимизировать модель, если и так все работает? Но как только вы начнете разворачивать модель на устройстве, которое будет ее обрабатывать, перед вами встанет множество проблем.

Более крупные модели занимают больше места для хранения, что затрудняет их распространение. Более крупные модели требуют больше времени для работы и могут потребовать более дорогого оборудования. Это особенно важно, если вы создаете модель для приложения, работающего в реальном времени.

Оптимизация моделей направлена на уменьшение размера моделей при минимизации потерь в точности и производительности.

Методы оптимизации

• Pruning — устранение части параметров нейронной сети.
• Quantization — уменьшение точности обрабатываемых типов данных.
• Knowledge distillation — обновление топологии исходной модели до более эффективной, с уменьшенным количеством параметров и более быстрым выполнением.
• Weight clustering — сокращение количества уникальных параметров в весах модели.

• OpenVino, TensorRT — фреймворки, с помощью которых можно оптимизировать модели.

Всего голосов 27: ↑27 и ↓0 +27

Комментарии 3

kucev

16 мар в 10:36

Время на прочтение 14 мин

Количество просмотров

1.2K

Data Mining *Обработка изображений *Big Data *Машинное обучение *Искусственный интеллект

Перевод

Данные — один из самых ценных в наше время ресурсов. Однако из-за затрат, конфиденциальности и времени обработки сбор реальных данных не всегда возможен. В таком случае для подготовки моделей машинного обучения хорошей альтернативой могут стать синтетические данные. В этой статье мы объясним, что такое синтетические данные, почему они используются и когда их лучше применять, какие существуют модели и инструменты генерации и какими способами можно задействовать синтетические данные.

Читать дальше →

Всего голосов 1: ↑1 и ↓0 +1

Комментарии 1

madschumacher

16 мар в 01:47

Время на прочтение 18 мин

Количество просмотров

Python *Обработка изображений *Научно-популярное Физика Химия

В этой статье мы обсудим какие бывают цветовые схемы для атомов, дальтонизм, цветовую модель RGB в контексте Python-а, ну и попробуем сделать собственную цветовую модель, которая, надеюсь, будет чуточку дружелюбнее к дальтоникам.

И да, это кликбейтный заголовок 🙂

Клюнуть на кликбейтный заголовок

Всего голосов 25: ↑25 и ↓0 +25

Комментарии 21

Xcom-shop

15 мар в 16:42

Уровень сложности Простой

Время на прочтение 4 мин

Количество просмотров

5. 5K

Блог компании Группа компаний X-Com Обработка изображений *Графический дизайн *Дизайн Софт

Привет, Хабр! Сегодня мы поговорим о графическом редакторе AliveColors и попробуем разобраться, что за задачи он может решать. В этом посте мы коснемся вопроса, в каких ситуациях AliveColors может заменить безвременно покинувший наш рынок Adobe Photoshop, и почему его стоит рассмотреть в качестве интересного софта для самых разных ситуаций. Всех, кто пользовался AliveColors, а также страдает от отсутствия лицензионного фотошопа, приглашаем под кат и в комментарии.

Всего голосов 35: ↑31 и ↓4 +27

Комментарии 8

iMidav

14 мар в 17:51

Уровень сложности Средний

Время на прочтение 3 мин

Количество просмотров

5.8K

Обработка изображений *Графический дизайн *Искусственный интеллект

Из песочницы

Собрал в одно месте все самое нужное и популярное. Для тех, кто больше любит посмотреть, чем почитать, в конце прикрепил ссылку, где можно посмотреть ролики авторов, которые очень подробно обо всем рассказывают. Пользуйтесь на здоровье =)

prompt для этих ИИ будут фактически одинаковым, как и для других похожих сервисов.

Всего голосов 14: ↑10 и ↓4 +6

Комментарии 17

kucev

14 мар в 10:59

Время на прочтение 11 мин

Количество просмотров

Обработка изображений *Big Data *Машинное обучение *Искусственный интеллект Здоровье

Перевод

Международная система здравоохранения ежедневно генерирует множество медицинских данных, которые (по крайней мере, теоретически) можно использовать для машинного обучения. В любой отрасли данные считаются ценным ресурсом, который помогает компаниям обгонять конкурентов, и здравоохранение не является исключением.

В этом посте мы вкратце рассмотрим сложности, с которыми приходится сталкиваться при работе с медицинскими данными, и сделаем обзор публичных медицинских датасетов, а также практических задач, которые они помогают выполнять.

Читать дальше →

Всего голосов 3: ↑3 и ↓0 +3

Комментарии 0

botdev

10 мар в 00:56

Время на прочтение 4 мин

Количество просмотров

3.2K

Мессенджеры *Python *Обработка изображений *Облачные сервисы *Искусственный интеллект

Из песочницы

Данная статья описывает моё знакомство с ChatGPT на уровне API и интеграцию с платформой создания ботов Salebot.

Давно занимаюсь сборкой ботов в Salebot и на Python, и я не мог просто пройти мимо ChatGPT и её API (модель GPT 3). Но, во время изучения API, меня понесло дальше, невозможно было остановиться на GPT 3. Вот какие задачи я себе поставил.

Всего голосов 16: ↑9 и ↓7 +2

Комментарии 31

SmartEngines

7 мар в 14:20

Уровень сложности Средний

Время на прочтение 7 мин

Количество просмотров

1.7K

Блог компании Smart Engines Алгоритмы *Обработка изображений *Софт Искусственный интеллект

В сегодняшней статье речь пойдет о Smart Tomo Engine 2.0 – новой версии нашего продукта реконструкции трехмерных объектов из набора их томографических проекций (рентгенограмм). По сравнению с предыдущей версией у новой выше качество получаемых изображений, существенно повышено быстродействие, улучшена технологическая совместимость с программами анализа трехмерных данных и с различными видами томографов. Заходите под кат, чтобы увидеть работу новой версии STE на примере реконструкции цветов (в честь Международного женского дня).

Всего голосов 18: ↑18 и ↓0 +18

Комментарии 4

freehabr

4 мар в 14:44

Уровень сложности Средний

Время на прочтение 2 мин

Количество просмотров

2.4K

Обработка изображений *Искусственный интеллект

Мнение

Всем привет. Последний месяц я в составе сообщества поклонников одной компьютерной игры активно экспериментирую со stable diffusion. И на основе этого у меня сложилось впечатление, как можно было бы улучшить ChatGPT.

Во-первых, это богатство настроек. Поскольку SD это опен сорс, то там можно настроить буквально все что угодно — количество итераций, размер картинки, степень похожести картинки на другую картинку и так далее. Очень не хватает схожих настроек для чатгпт — например, отдельно указать тематику, размер желаемого текста, степень его подробностей и так далее.

Всего голосов 13: ↑2 и ↓11 -9

Комментарии 2

SmartEngines

28 фев в 14:51

Время на прочтение 7 мин

Количество просмотров

1.5K

Блог компании Smart Engines Обработка изображений *Искусственный интеллект Подготовка технической документации *

Мы подсчитали, что ручной ввод данных из типовых форм занимает 6–7 часов в день. Автономная система Smart Document Engine на смартфоне справляется с подобной задачей буквально за минуты. В этой статье мы расскажем о самых эффективных бизнес‑кейсах применения нашей мобильной OCR.

Всего голосов 2: ↑2 и ↓0 +2

Комментарии 10

UprightMan

28 фев в 11:00

Время на прочтение 14 мин

Количество просмотров

Блог компании FirstVDS Информационная безопасность *Обработка изображений *Искусственный интеллект Будущее здесь

Перевод

Взрывное распространение ИИ‑генеративных технологий затронуло и создание видеоконтента. Главным двигателем здесь стали дипфейки (DeepFake). В общем доступе появились десятки инструментов, вроде DeepFaceLab, Deepfakes Web или FaceSwap, которые позволяют изменять лица людей на видео, добиваясь пугающей натуралистичности.

Ранее мы уже разбирали, что представляет собой технология deepfake, какие потенциальные опасности несет, а также тестировали популярные инструменты для распознавания дипфейк‑изображений. Этим материалом мы продолжим интересную тематику и раскроем больше технологических деталей вывода «глубоких подделок» на чистую воду. На сей раз речь пойдет о real‑time или live‑дипфейках, способных в реальном времени подменять участников видеозвонков образами других людей. Также расскажем о критических уязвимостях «живых» дипфейков, которые можно эффективно использовать для их распознавания.

Всего голосов 9: ↑8 и ↓1 +7

Комментарии 3

alexprozoroff

000Z» title=»2023-02-20, 16:01″>20 фев в 16:01

Уровень сложности Средний

Время на прочтение 7 мин

Количество просмотров

9.5K

Работа с видео *Обработка изображений *Визуализация данных *Машинное обучение *Инженерные системы *

С помощью обработки данных с уличных камер проанализируем характеристики движения пешеходов. Посмотрим как на их поведение влияет качество работы коммунальных служб. Узнаем насколько сильно замедляет передвижение гололед, и как много шагов нужно, чтобы это выяснить.

Пошагали

Всего голосов 82: ↑82 и ↓0 +82

Комментарии 21

kucev

20 фев в 11:16

Время на прочтение 15 мин

Количество просмотров

1.1K

Data Mining *Обработка изображений *Big Data *Машинное обучение *Искусственный интеллект

Перевод

Аннотирование и разметка сырых данных (изображений и видео) для моделей машинного обучения (ML) — это самая длительная и трудоёмкая, хотя и необходимая часть любого проекта компьютерного зрения.

Качественные результаты и точность работы команды аннотаторов непосредственно влияет на точность любой модели машинного обучения, вне зависимости от того, применяются ли к массивам данных изображений AI (искусственный интеллект) или алгоритм глубокого обучения.

Организации из различных сфер (здравоохранения, производства, спорта, ВПК, автоматизации и возобновляемой энергетики) используют модели машинного обучения и компьютерного зрения для решения задач, выявления паттернов и интерпретирования тенденций в массивах данных изображений и видео.

Любой проект компьютерного зрения начинается с разметки и аннотирования сырых данных командами аннотаторов; это огромные объёмы изображений и видео. Успешные результаты аннотирования гарантируют, что модель сможет «учиться» на этих данных обучения, решая задачи, поставленные перед ней организацией.

После формулирования задачи и целей проекта у организаций возникает непростой выбор перед этапом аннотирования: нужно ли отдавать эту работу на аутсорс, или выполнять аннотирование массивов данных изображений и видео собственными силами?

Читать дальше →

Всего голосов 2: ↑1 и ↓1 0

Комментарии 0

kucev

000Z» title=»2023-02-17, 15:10″>17 фев в 15:10

Время на прочтение 9 мин

Количество просмотров

1.5K

Обработка изображений *Big Data *Машинное обучение *Искусственный интеллект Здоровье

Перевод

Качество датасета медицинских снимков (как и датасетов изображений в любой другой области) напрямую влияет на точность модели машинного обучения.

В секторе здравоохранения это ещё более важно, ведь качество крупных массивов данных медицинских снимков для диагностического и медицинского AI (искусственного интеллекта) или моделей глубокого обучения может стать для пациентов вопросом жизни и смерти.

Как знают команды клинических исследователей, сложность, форматы и слои информации в медицине больше и затейливее, чем в немедицинских изображениях и видео. Отсюда и берётся необходимость в алгоритмах искусственного интеллекта, машинного обучения (ML) и глубокого обучения с целью понимания, интерпретации и обучения на аннотированных массивах данных медицинских снимков.

В этой статье мы расскажем о сложностях создания обучающих массивов данных из медицинских снимков и видео (особенно в сфере радиологии), а также поделимся рекомендациями по созданию обучающих массивов данных высочайшего качества.

Читать дальше →

Всего голосов 3: ↑2 и ↓1 +1

Комментарии 1

gatoazul

14 фев в 17:44

Уровень сложности Простой

Время на прочтение 9 мин

Количество просмотров

2.9K

Поисковые технологии *Обработка изображений *

Веб 2.0 — отличная штука. Сайты на самообслуживании. Пользователи наполняют их сами («постят контент», как сейчас выражаются). Сами напостили, сами посмеялись. А владелец сайта только платит за хостинг и стрижет купоны на рекламе. Удобно же.

Но жизнь наша так странно устроена, что плюсов без минусов не бывает, а нередко недостатки вообще являются продолжением достоинств. Есть проблемы и у самонаполняемых сайтов — баяны. В смысле, дубли.

Дубли многие посетители не любят, особенно старожилы, на зубок помнящие мемасики, появившиеся во времена превед‑медведа и олбанского йазыгга. Каждое их появление они встречают фырканьем и угрозами немедленно отписаться.

Что же делать? Конечно, призвать на помощью железную машину — пусть она сама ищет баяны.

Всего голосов 17: ↑17 и ↓0 +17

Комментарии 23

befuddle

14 фев в 13:04

Уровень сложности Сложный

Время на прочтение 14 мин

Количество просмотров

1.7K

Блог компании Сбер Обработка изображений *Big Data *Машинное обучение *Искусственный интеллект

Привет, Хабр! В этой статье мы, команда Sber AI, расскажем о пайплайне для распознавания текста и о нюансах обучения HTR‑моделей, а также поделимся датасетом школьных обезличенных тетрадей. Это почти 2 тысячи страниц с полной разметкой полигонов слов (более 300 тысяч текстов). Если нужно, то датасет есть в открытом доступе на hugging face.

Мы в Sber AI в рамках одного из наших направлений занимаемся распознаванием рукописного текста. В частности наша команда написала пайплайн для более удобного и быстрого проведения экспериментов под разные датасеты. Он состоит из двух модулей — (1) детекция слов и (2) чтение слов. К этому ещё можно добавить этап извлечения связного текста — объединение слов в предложения и страницы. Сложность HTR задачи (handwritten text recognition) в том, что рукопись каждого человека уникальна, на неё влияет множество факторов, включая возраст и настроение. Модель чтения печатного текста можно ускорить добавлением синтетики на основе печати простыми шрифтами на фонах. А вот с HTR‑моделью это не даст такой сильный прирост, так что лучше воспользоваться синтетической рукопиской от GAN.

Отметим, что интересные задачи возникают и в модели для детекции рукописного текста. В таких данных текст, как правило, «прыгает» по странице, каждое слово под своим углом. Некоторые слова накладываются друг на друга, а строка может изгибаться, чтобы она поместилась на одной странице. Есть нюансы и при объединении двух моделей, например, нюансы даунгрейда качества чтения текста при объединении с детекцией (ошибки двух моделей мешают друг другу).

Всего голосов 10: ↑10 и ↓0 +10

Комментарии 3

Xcom-shop

14 фев в 12:44

Уровень сложности Простой

Время на прочтение 5 мин

Количество просмотров

3.3K

Блог компании Группа компаний X-Com Обработка изображений *Периферия

Привет, Хабр! Сегодня мы хотим поговорить про многофункциональные печатающие устройства (МФУ). Тема актуальная — без бумаги многие процессы не идут ни дома, ни в офисе. А учитывая, что проблемы с бумагой в нашей стране более-менее решили — кто-то стал делать ее чуть менее белоснежной, а кто-то просто тащит из Китая (например, “Магнит”), вопрос печати и сканирования совершенно точно остается на повестке дня. Под катом вы найдете краткий обзор доступных в продаже МФУ средней мощности, которые прямо сейчас можно установить в офисе и начать работу, а также информацию о стоимости и доступности расходников к ним.

Всего голосов 7: ↑7 и ↓0 +7

Комментарии 12

Обработка фото: виды и этапы | Статьи | Фото, видео, оптика

Ретушь фото делает снимок более эффектным, завершённым, эстетичным. Новичок теряется в обилии техник и инструментов независимо от того, проходит ли он курсы, читает статьи или учится по видео. За что хвататься? С чего начать? Какая обработка нужна фотографии, а какая зря потратит ваше время?

Рассказываем, какая ретушь нужна, если вы снимаете репортаж, портрет для частного клиента или работаете над снимком, который попадёт в журнал, рекламу или на выставку.

Важный навык фотографа — понимать, когда детальная обработка нужна, а когда только вредит и усложняет его работу / Фото: Елизавета Чечевица, Фотосклад.Эксперт: Елизавета Чечевица

Первое, что нужно осознать: лучше уметь всё. И обрабатывать фотографию детально «как в журнале», доводя до идеала каждый пиксель, и просто наводить лёгкий марафет цветокоррекцией. Но, в зависимости от задачи, цены работы и конечного пункта, куда отправится фотография (соцсети, билборд, выставка, конкурс), в каком размере её будут разглядывать, глубина обработки может и должна быть разная.

Представим ситуацию: у вас заказали портрет. Звучит масштабно? Но что, если он будет висеть на сайте иконкой в разделе техподдержки размером 50 на 50 пикселей? Есть ли смысл тратить 1,5 часа на один кадр, чтобы очистить фон, удалить прыщики, выровнять светотень, «причесать» волосы и брови, дорисовывая их волосок к волоску? Ответ такой: для тренировки да, но, если говорить про работу и её результат, то никто не заметит ваших трудов в конечном итоге.

Рассказываем, какие существуют виды обработки в зависимости от целей и задач, а также какие этапы они в себя включают.

Реальный пример: 930 фотографий с регистрации и свадебной прогулки молодожёнов. Даже если представить, что поверхностная ретушь одного снимка может занимать 15 минут (в реальности больше), получаются 232 часа непрерывной работы / Иллюстрация: Елизавета Чечевица, Фотосклад.Эксперт

Цветокоррекция

Как правило, это потоковая обработка большого числа кадров, где автор редактирует только яркость и цвет. Правильнее её было бы назвать конвертацией RAW или цветокоррекцией JPEG. Чаще всего так обрабатывают стрит-фото и фоторепортаж. Например, свадьбы, когда с регистрации, банкета, прогулки гостей и молодожёнов получается от нескольких сотен фотографий до нескольких тысяч.

Для цветокоррекции даже не нужно переходить непосредственно в Фотошоп. Достаточно воспользоваться каким-либо конвертером: Lightroom, Capture One, Adobe Camera Raw / Фото: unsplash. com

Что может включать в себя этот этап:

Изменение яркости. Пересвеченные фотографии затемняют, затемнённые — осветляют. Часто фотографы корректируют яркость в отдельном тоновом диапазоне. Например, когда в свадебной съёмке платье невесты может превратиться в сияющее белое пятно.

Баланс белого. Его меняют, если фотография кажется слишком жёлтой, синей, зелёной. Задача этого этапа — привести цвета к естественными.

Читайте также:
Всё про яркость: как затемнить или осветлить фото во время съёмки и на постобработке
Баланс белого: что это такое, как настроить на камере и поправить на постобработке

Пример портрета без ретуши, но с лёгкой цветокоррекцией / Фото: pxhere.com

Кадрирование и выравнивание горизонта.

Удаление шумов.

Читайте также:
Как обрезать фотографию: кадрирование в Photoshop на компьютере и онлайн
Шум на фото: что такое, почему появляется, как убрать

Поднятие резкости и контраста.

Тонировка. По желанию на фотографию можно привнести какой-то оттенок. Например, свадьбы часто делают более тёплыми. Сюда же можно отнести корректировку отдельных цветов. Например, можно приглушить все зелёные оттенки, чтобы листва не бросалась в глаза, либо прибрать красноту на лице.

Правильного порядка тут нет. Обычно начинают с того, что больше всего мешает и раздражает. Так темно, что ничего не видно? Поднимайте яркость. Кадр желтющий, что другие цвета не различить? Правьте баланс белого.

Читайте также:
Что такое резкость и как поднимать её в Photoshop, Lightroom и онлайн
Гайд и лайфхаки по обработке фото в Lightroom

Техническая ретушь

Основное направление этого вида обработки — эффект фото без ретуши. Его задача удалить и исправить весомые недостатки кадра, которые влияют на восприятие, но оставляют снимок естественным. Например, исправить цвет, удалить провода, мусор, очистить фон. Может, вы фотографировали модель у зеркала, а потом увидели разводы? Или случайно в перерыве между съёмкой на одежде появилось пятно от кофе или мороженого? Размазалась помада? Осыпалась тушь?

Эту ретушь чаще всего используют фотографы, которые работают на частных клиентов. Это одиночные, парные, семейные фотосессии, детские, но также может быть и съёмка каталогов одежды (хотя, в идеале, для каталогов должно быть достаточно цветокоррекции).

Как и в случае с цветокоррекцией, порядок работы может быть любым / Фото: Елизавета Чечевица, Фотосклад.Эксперт

Что включает в себя техническая ретушь:

Цветокоррекция. Да-да, всё, что вы делали в предыдущем блоке, всего лишь один из этапов в технической ретуши.

Очистка фона. Удалите грязь, мусор, провода, лишние объекты и людей.

Читайте также:
Как убрать в Фотошопе лишнее: от проводов до человека

Чистка одежды. Почистите шерсть, катышки, пятна и самые заметные складки-помятости.

Читайте также:
Ретушь одежды: как убрать пятна, шерсть, складки

Работа с моделью. Поправьте осыпавшийся макияж и явные дефекты кожи, которые не планируете показывать. Например, перед съёмкой на носу появился большой прыщ. Если это не входит в концепцию фотосессии, где вы хотите показать человека полностью естественным со всеми недостатками, сделайте модели приятно и сотрите прыщик, чтобы она могла смело поставить фотографию в соцсети.

Читайте также:
Ретушь лица в Photoshop: основы, инструменты и лайфхаки

Работа с цветом кожи. Например, лицо из-за тональника одного цвета, шея — другого, замерзшие руки — третьего, а ноги из-за колготок — пятого. В таком случае лучше выровнять цвет. Ещё одна причина, когда может понадобиться точечная цветокоррекция — покрасневшие от холода щеки, нос, пальцы.

Пластика. Не всегда и не везде. Зависит от пожеланий модели, видения фотографа и — естественно — кадра. Например, модель в облегающем платье и колготках. Последние сдавливают талию, из-за чего силуэт получается немного неровным. Сгладить этот недостаток поможет именно пластика. Как видите, речь не всегда идёт о том, чтобы изменить фигуру и лицо человека не меньше, чем это сделал бы пластический хирург.

Читайте также:
Пластика в Photoshop: подробный гайд, хитрости

Может ли фотография с такой ретушью оказаться в журнале, в конкурсе или на выставке? Однозначно да! Однако в таком случае на фотографа ложится больше ответственности в организации съёмки: модель, локация, свет, подбор аксессуаров, одежды, макияж, идея. Всё должно быть настолько на высоте, чтобы детальная обработка просто не понадобилась.

Глубокая ретушь

Можно встретить несколько вариаций названия: журнальная ретушь, hi-end ретушь. Это детальная обработка фотографии, где ретушер уделяет внимание каждой мелочи. Форма губ и красота блика на них, густота ресниц, форма бровей и зубов, пробелы в причёске, согласованность цветов, симметрия и аккуратность светотени — на всё это обращают внимание при такой обработке.

Эта ретушь подразумевает, что без внимания не остаётся ни один пиксель. Она подходит для рекламных портретных и предметных съёмок, с ней можно подаваться в журналы и на выставки.

Этот снимок шёл в печать в крупном формате, поэтому было важно поработать почти над каждой деталью. На ретушь одного кадра ушло около двух часов работы, но это далеко не предел / Фото: Елизавета Чечевица, Фотосклад.Эксперт

Этапы и порядок журнальной ретуши:

цветокоррекция;
техническая ретушь;
глубокая обработка модели или предмета. Этот этап самый долгий и трудоёмкий.

На нём используют и миксуют между собой две техники ретуши: частотное разложение и dodge&burn. Первая позволяет очистить поверхность предмета или кожу модели от прыщиков, морщинок, выровнять светотеневой рисунок, вторая — детально поработать с текстурой и светотенью.Также на этом этапе работают над деталями. Например, вы обрабатываете крупный портрет, который будет рекламировать помаду.

Читайте также:
Всё про ретушь методом Dodge and burn
Частотное разложение пошагово: суть метода, этапы, настройки

Что, кроме кожи, может потребоваться отредактировать:

ресницы, если они редкие;
огрехи макияжа;
губы. Например, сделать контур идеально чётким, добавить блик, заменить текстуру, если губы изжёваны или обветрены.
глаза. Например, удалить капилляры, красноту.

Читайте также:
Обработка глаз: 4 простых и эффектных приёма

зубы. Например, отбелить, убрать скол.
волосы.

Важно ретушировать не только саму модель, но и фон. Просто убрать царапину или след от обуви мало. Например, если это мятый бумажный фон, то его нужно довести до идеала.

Абсолютно белый фон на фотографии, делающий её эффектной, — результат постобработки / Фото: pxhere.com

Кроме того, ретушируют одежду, избавляя её от складок, помятостей, торчащих ниток, и остальное тело. Да, если на крупном портрете в кадр попали руки, шея, то их нужно отредактировать с такой же тщательностью.

Работа с цветом. Выровнять тон кожи, перекрасить отдельные элементы изображения, привести фотографию к красивой цветовой схеме.

Чаще всего ни одна рекламная съёмка не обходится без глубокой переработки исходника / Фото: pxhere.com

Пластика, если вы не сделали её на этапе технической резкости.

Резкость, если она кажется недостаточной.

Отдельный вид глубокой обработки — художественная ретушь. Это условное название, но ключевой посыл здесь — сильное изменение исходника, полная переработка изображения и превращение фотографии в нечто большее. Например, коллаж, фотоарт, фотоманипуляцию. Здесь автор может использовать множество исходников, 3d-объекты, перерисовку и дорисовку элементов изображения вручную.

По большому счёту, это уже трудно назвать фотографией. Такие работы можно увидеть на выставках в галереях и в рекламе, но это — отдельный мир. Скорее, это картина, созданная с помощью графических редакторов, поэтому речь здесь о творчестве, где автор выступает в роли художника и где гораздо важнее навык рисования, чем фотографирования или ретуши.

Читайте также:
Коллаж: пошаговый план, как сделать из фотографий

Что такое обработка изображений? Значение, методы, сегментация и важные факты, которые необходимо знать

За последние несколько лет глубокое обучение оказало огромное влияние на различные области технологий. Одной из самых горячих тем, обсуждаемых в этой отрасли, является компьютерное зрение, способность компьютеров самостоятельно понимать изображения и видео. Самоуправляемые автомобили, биометрия и распознавание лиц — все они полагаются на компьютерное зрение. В основе компьютерного зрения лежит обработка изображений.

Что такое изображение?

Прежде чем мы перейдем к обработке изображений, нам нужно сначала понять, что именно представляет собой изображение. Изображение представлено своими размерами (высота и ширина) в зависимости от количества пикселей. Например, если размеры изображения составляют 500 x 400 (ширина x высота), общее количество пикселей в изображении составляет 200 000.

Этот пиксель представляет собой точку на изображении, которая приобретает определенный оттенок, непрозрачность или цвет. Обычно он представлен одним из следующих:

Оттенки серого. Пиксель — это целое число со значением от 0 до 255 (0 — полностью черный, а 255 — полностью белый).
RGB — пиксель состоит из 3 целых чисел от 0 до 255 (целые числа представляют интенсивность красного, зеленого и синего).
RGBA — это расширение RGB с добавленным альфа-полем, которое представляет непрозрачность изображения.

Для обработки изображений требуется фиксированная последовательность операций, выполняемых над каждым пикселем изображения. Процессор изображения выполняет первую последовательность операций над изображением, пиксель за пикселем. Как только это будет полностью сделано, он начнет выполнять вторую операцию и так далее. Выходное значение этих операций может быть вычислено для любого пикселя изображения.

Что такое обработка изображений?

Обработка изображений — это процесс преобразования изображения в цифровую форму и выполнения определенных операций для получения из него некоторой полезной информации. Система обработки изображений обычно обрабатывает все изображения как 2D-сигналы при применении определенных предопределенных методов обработки сигналов.

Типы обработки изображений

Существует пять основных типов обработки изображений:

Визуализация — Поиск объектов, которые не видны на изображении
Распознавание — Различать или обнаруживать объекты на изображении
Повышение резкости и восстановление — Создание улучшенного изображения из исходного изображения
Распознавание образов. Измерение различных узоров вокруг объектов на изображении
Извлечение — просмотр и поиск изображений в большой базе данных цифровых изображений, которые похожи на исходное изображение

Компоненты обработки изображений

Компьютер

Компьютер общего назначения, который может быть чем угодно, от ПК до суперкомпьютера, используется в системе обработки изображений. Иногда специально созданные компьютеры используются в специализированных приложениях для достижения определенной степени производительности.

Оборудование для специализированной обработки изображений

Он состоит из дигитайзера и оборудования, которое может выполнять основные операции, включая арифметико-логическое устройство (ALU), которое может выполнять одновременные арифметические и логические операции над целыми изображениями.

Массивное хранение

В приложениях, связанных с обработкой изображений, навыки необходимы. Существует три основных типа цифровых хранилищ для приложений обработки изображений: существуют три типа хранилищ (1) краткосрочное хранилище, (2) онлайн-хранилище для быстрого вызова (3) архивное хранилище, которое характеризуется редким доступом.

Датчики камеры

Это намек на восприятие. Основная функция датчика изображения состоит в том, чтобы собирать входящий свет, преобразовывать его в электрический сигнал, измерять этот сигнал и затем выводить его на вспомогательную электронику. Он состоит из двумерного массива светочувствительных компонентов, которые преобразуют фотоны в электроны. Изображения захватываются оборудованием, таким как цифровые камеры, с использованием датчиков изображения, таких как CCD и CMOS. На датчиках изображения часто требуются два компонента для сбора цифровых изображений. Первый — это реальный инструмент (сенсор), который может обнаруживать энергию, излучаемую объектом, который мы хотим превратить в изображение. Второй — дигитайзер, преобразующий выходные данные физического сенсорного устройства в цифровую форму.

Дисплей изображения

Изображения показаны.

Программное обеспечение

Программное обеспечение для обработки изображений состоит из специализированных модулей, выполняющих определенные функции.

Печатное оборудование

Лазерные принтеры, пленочные камеры, термочувствительное оборудование, струйные принтеры и цифровое оборудование, такое как оптические диски и диски CD-ROM, — вот лишь несколько примеров инструментов, используемых для записи изображений.

Сеть

Необходимый компонент для отправки визуальных данных через сетевой компьютер. Наиболее важным фактором передачи изображения является полоса пропускания, поскольку приложениям обработки изображений требуются огромные объемы данных.

Основные этапы обработки изображения

Получение изображения

Получение изображения — это первый шаг в обработке изображения. Этот шаг также известен как предварительная обработка при обработке изображений. Он включает получение изображения из источника, обычно аппаратного источника.

Улучшение изображения

Улучшение изображения — это процесс выявления и выделения определенных интересных деталей на скрытом изображении. Это может включать изменение яркости, контрастности и т. д.

Восстановление изображения

Восстановление изображения — это процесс улучшения внешнего вида изображения. Однако, в отличие от улучшения изображения, восстановление изображения выполняется с использованием определенных математических или вероятностных моделей.

Обработка цветных изображений

Обработка цветных изображений включает ряд методов цветового моделирования в цифровой области. Этот шаг получил известность из-за значительного использования цифровых изображений в Интернете.

Вейвлеты и обработка с несколькими разрешениями

Вейвлеты

используются для представления изображений с различной степенью разрешения. Изображения подразделяются на вейвлеты или меньшие области для сжатия данных и пирамидального представления.

Сжатие

Сжатие — это процесс, используемый для уменьшения памяти, необходимой для сохранения изображения, или пропускной способности, необходимой для его передачи. Это делается, в частности, когда изображение предназначено для использования в Интернете.

Морфологическая обработка

Морфологическая обработка представляет собой набор операций обработки для преобразования изображений на основе их формы.

Сегментация

Сегментация — один из самых сложных этапов обработки изображений. Он включает в себя разделение изображения на составные части или объекты.

Изображение и описание

После сегментации изображения на области в процессе сегментации каждая область представляется и описывается в форме, подходящей для дальнейшей компьютерной обработки. Репрезентация имеет дело с характеристиками изображения и региональными свойствами. Описание связано с извлечением количественной информации, которая помогает отличить один класс объектов от другого.

Распознавание

Распознавание присваивает объекту метку на основе его описания.

Слепая деконволюция при обработке изображений

Деконволюция слепого изображения — это задача восстановления четкого изображения из размытого и зашумленного без точного знания того, как изображение было размыто, как это было получено с помощью идеальной камеры-обскуры. Неопознанная операция размытия может быть вызвана расфокусировкой, движением камеры, движением сцены или другими оптическими дефектами. Компромисс между продолжительностью экспозиции и настройкой диафрагмы необходим для правильной экспозиции фотографии. Фотограф может использовать большую диафрагму или длительный период экспозиции при плохом освещении. Первый вариант создает размытие в движении, когда камера перемещается относительно объектов сцены во время экспозиции. При использовании второго варианта объекты, находящиеся дальше от фокальной плоскости, становятся расфокусированными. Это может привести к слепой деконволюции при обработке изображений.

Важность фазы в обработке изображений

Фаза, в двух словах, содержит информацию о позициях функций. Фотографии только фазы и только величины не могут быть объединены для получения оригинала. Чтобы получить оригинал, перемножьте их в области Фурье и выполните обратное преобразование. Фаза повторяющейся волны описывает положение или синхронизацию конкретной точки в цикле волны. Вместо фактических абсолютных фаз сигналов обычно имеет значение разность фаз между волнами.

Эффект звона при обработке изображений

Неприятный эффект звона, часто называемый феноменом Гиббса в математических подходах к обработке изображений, представляет собой артефакт, который проявляется в виде ряби вблизи острых краев на фотографиях и видео. К этому эффекту приводит потеря или искажение высокочастотной информации в изображении.

Применение обработки изображений

Получение медицинских изображений

Обработка изображений широко используется в медицинских исследованиях и позволяет создавать более эффективные и точные планы лечения. Например, его можно использовать для раннего выявления рака молочной железы с помощью сложного алгоритма обнаружения узлов при сканировании молочной железы. Поскольку медицинское использование требует хорошо обученных процессоров изображений, эти приложения требуют серьезной реализации и оценки, прежде чем они могут быть приняты для использования.

Технологии определения трафика

В случае датчиков дорожного движения мы используем систему обработки видеоизображения или VIPS. Он состоит из а) системы захвата изображения, б) телекоммуникационной системы и в) системы обработки изображений. При захвате видео VIPS имеет несколько зон обнаружения, которые выдают сигнал «включено» всякий раз, когда транспортное средство входит в зону, а затем выводят сигнал «выключено», когда транспортное средство выходит из зоны обнаружения. Эти зоны обнаружения могут быть настроены для нескольких полос и могут использоваться для обнаружения трафика на конкретной станции.

Слева — нормальное дорожное изображение | Справа — изображение VIPS с зонами обнаружения (источник)

Помимо этого, он может автоматически записывать номерной знак транспортного средства, различать тип транспортного средства, отслеживать скорость водителя на шоссе и многое другое.

Реконструкция изображения

Обработку изображения можно использовать для восстановления и заполнения отсутствующих или поврежденных частей изображения. Это включает в себя использование систем обработки изображений, которые были тщательно обучены с использованием существующих наборов данных фотографий, для создания новых версий старых и поврежденных фотографий.

Рис. Реконструкция поврежденных изображений с помощью обработки изображений (источник)

Распознавание лиц

Одно из наиболее распространенных применений обработки изображений, которые мы используем сегодня, — это распознавание лиц. Он следует алгоритмам глубокого обучения, когда машина сначала обучается конкретным чертам человеческого лица, таким как форма лица, расстояние между глазами и т. д. После обучения машины этим чертам человеческого лица она начнет принимать все объекты на изображении, напоминающие человеческое лицо. Распознавание лиц является жизненно важным инструментом, используемым в безопасности, биометрии и даже фильтрах, доступных в настоящее время в большинстве приложений для социальных сетей.

Преимущества обработки изображений

Внедрение методов обработки изображений оказало огромное влияние на многие технологические организации. Вот некоторые из наиболее полезных преимуществ обработки изображений, независимо от области применения:

Цифровое изображение может быть доступно в любом желаемом формате (улучшенное изображение, рентгеновский снимок, фотонегатив и т. д.)
Помогает улучшить изображения для интерпретации человеком
Информация может быть обработана и извлечена из изображений для машинной интерпретации
Пикселями изображения можно управлять с любой желаемой плотностью и контрастностью
Изображения можно легко сохранять и извлекать
Позволяет легко передавать изображения в электронном виде сторонним поставщикам

Начните свою карьеру в области искусственного интеллекта и машинного обучения с нужными ресурсами! Запишитесь на профессиональную сертификационную программу Simplilearn в области искусственного интеллекта и машинного обучения, спонсируемую Университетом Пердью и IBM, уже сегодня!

Вот что вы можете сделать дальше

Рост технологий глубокого обучения привел к быстрому ускорению компьютерного зрения в проектах с открытым исходным кодом, что только увеличило потребность в инструментах обработки изображений. Спрос на специалистов, обладающих ключевыми навыками в технологиях глубокого обучения, с каждым годом растет стремительными темпами. Если вы хотите узнать больше об обработке изображений и преимуществах глубокого обучения, сертификационный курс Simplilearn Best Deep Learning Course (с Keras и TensorFlow) — идеальный способ направить вас на правильный путь. Вы освоите все концепции и модели глубокого обучения с использованием фреймворков Keras и TensorFlow и реализуете алгоритмы глубокого обучения. Начните с этого курса сегодня, чтобы начать успешную карьеру в области глубокого обучения.

Image Processing Toolbox

Выполнение обработки, визуализации и анализа изображений

Получить бесплатную пробную версию

Посмотреть цены

Image Processing Toolbox™ предоставляет полный набор эталонных стандартных алгоритмов и приложений рабочего процесса для обработки изображений, анализа, визуализации и разработки алгоритмов. Вы можете выполнять сегментацию изображения, улучшение изображения, шумоподавление, геометрические преобразования и регистрацию изображений, используя методы глубокого обучения и традиционные методы обработки изображений. Инструментарий поддерживает обработку 2D, 3D и произвольно больших изображений.

Приложения Image Processing Toolbox позволяют автоматизировать стандартные рабочие процессы обработки изображений. Вы можете в интерактивном режиме сегментировать данные изображений, сравнивать методы совмещения изображений и выполнять пакетную обработку больших наборов данных. Функции и приложения визуализации позволяют просматривать изображения, трехмерные объемы и видео; настроить контраст; создавать гистограммы; и управлять областями интереса (ROI).

Вы можете ускорить свои алгоритмы, запустив их на многоядерных процессорах и графических процессорах. Многие функции набора инструментов поддерживают генерацию кода C/C++ для создания прототипов настольных компьютеров и развертывания встроенных систем машинного зрения.

Что такое Image Processing Toolbox?

2:12 Продолжительность видео 2:12.

Что такое панель инструментов обработки изображений?

Анализ изображений

Извлечение значимой информации из изображений, например нахождение форм, подсчет объектов, определение цветов или измерение свойств объектов.

Документация | Примеры

Сегментация изображения

Определение границ областей на изображении с использованием различных подходов, включая автоматическое определение порога, методы на основе границ и методы на основе морфологии.

Документация | Примеры

Регистрация изображений

Выравнивание изображений для проведения количественного анализа или качественного сравнения с использованием мультимодальных и нежестких методов регистрации на основе интенсивности.

Документация | Примеры

К сожалению, ваш браузер не поддерживает встроенные видео.

Рабочие процессы обработки 3D-изображений

Визуализируйте и выполняйте полные рабочие процессы обработки изображений на трехмерных объемах.

Документация | Примеры

К сожалению, ваш браузер не поддерживает встроенные видео.

Обработка гиперспектральных изображений

Чтение, запись и визуализация гиперспектральных данных в различных форматах файлов и обработка данных с использованием таких алгоритмов, как Smile Reduction, NDVI или определение спектральных индексов.

Документация | Примеры

Глубокое обучение обработке изображений

Выполнение задач обработки изображений, таких как удаление шума изображения и выполнение преобразования изображения в изображение, с использованием глубоких нейронных сетей.

Документация | Примеры

Предварительная обработка изображений

Повышение контрастности, удаление шума и устранение размытия с помощью настройки контрастности, морфологических операторов и пользовательских или предустановленных фильтров.

Документация | Примеры

Приложения для исследований и открытий

Используйте приложения для изучения и открытия различных алгоритмических подходов. С помощью приложения Color Thresholder вы можете сегментировать изображение на основе различных цветовых пространств. Приложение Image Region Analyzer позволяет вычислять свойства регионов в бинарных изображениях.

Документация | Примеры

Ускорение и развертывание

Автоматическое создание кода C/C++, CUDA ^® и HDL для прототипирования и развертывания алгоритмов обработки изображений на ЦП, графических процессорах, ПЛИС и специализированных интегральных схемах.

Документация | Примеры

Ресурсы продукта:

Документация Примеры кода Видео Требования к продукту Примечания к выпуску

«Вскоре после запуска ForWarn в производство были обнаружены ранее незамеченные повреждения градом, которые представляли угрозу для водораздела. Без MATLAB мы не смогли бы выполнить эту работу столь же эффективно».
Дуэйн Армстронг, Космический центр Стеннис НАСА

Посмотреть больше историй клиентов

Получите бесплатную пробную версию

30 дней исследования в ваших руках.