Görüntü düzenleme uygulamalarındaki anahtar tekniklerden biri baskın renkleri belirlemektir. Bu baskın renklerin tanımlanması, bir görüntünün paletini oluşturmak için çok önemlidir; bu da seçilen araçların etkisini ve düzenleme sonuçlarını doğru bir şekilde yansıtır.  Bu makalede, sınırlı bir renk alanı içinde bir görüntünün paletinin nasıl belirleneceği, bir görüntünün baskın renklerinin nasıl tanımlanacağı ve bir palet ile baskın renkler arasında nasıl ayrım yapılacağı açıklanacaktır.   Palet  Görüntü paleti genellikle orijinal görüntüde bulunan tüm renklere bir referanstır. Temelde, renk uyarı sinyali değerlerinin sayısal ölçeğine dayalı olarak tüm renk tonu aralığını yakalar.  Bir sinyalin belirli bir doğruluk düzeyiyle modellenmesi konusunda anlaşırsak, bu sinyal değerlerinin aralığı mevcut renk paletimizi temsil edecektir.  Bir görüntünün her benzersiz temsili ve bir görüntünün renklerinin bu alana eşlenmesi onun bir alt kümesi olacaktır. Dijital sinyal işlemede (bir görüntü aynı zamanda bir sinyaldir), genellikle çeşitli nicelikleri onun ayrık temsili yoluyla anlarız.  Böylece görüntü paletimiz, ayrı bir haritayla temsil edilen görüntüdeki tüm renklerin bir alt kümesi olarak görülebilir. Her renk indekslenebilir ve renk uzaylarından birinde belirli bir değer atanabilir. Amacımız için RGB renk modelini kullanacağız.  Görüntü paletini bu şekilde sunmanın önemli zorluklarından biri, insan görünürlüğünün genişliğidir. Görüntü paletinin tamamını manuel olarak analiz edebilmemiz pek olası değildir ve tüm orijinal renklerle temsil edilen bir görüntüyü saklamak çoğu zaman mantıklı değildir. Bunun yerine sayılarını makul bir sınıra indiriyoruz.  Renk nicelemesi olarak bilinen bu işlem, bir görüntüde temsil edilebilecek tam alt kümedeki renk sayısının daha küçük bir alt kümeye düşürülmesini içerir. Örneğin, 14 bit ham renk verileri 8 bit JPEG olarak veya 8 bit PNG'ye dönüştürülmüş 16 bit TIFF olarak temsil edilebilir.  Bir görüntünün ana renklerini belirlemenin basit bir çözümü, renk niceleme sürecini 8 hatta 3 renk gibi çok sınırlı bir kümeye göre tasavvur etmektir. Bu bize görüntüdeki ana renkler hakkında bilgi vererek onları daha dikkat çekici ve akılda kalıcı hale getirir.  İdeal olarak, son görüntüdeki renklerin   veya   tarafından belirtilen ilkelere uygun olarak uyumlu olması gerekir. Johannes Itten Matyushin  Bir görüntünün baskın renklerini belirleyerek görüntünün "uyumunu" görselleştirmemize olanak tanıyan bir araç yaratabiliriz. Bu aynı zamanda filtrelemeden sonra görüntünün uyumu veya "sentetik uyumlaştırma" için de geçerli olabilir.  Aşağıda böyle bir araç geliştirmeye çalışacağız.    Medyan Kesim  Bir görüntünün paletini sıkıştırmak için yaygın olarak kullanılan ve yüksek kaliteli bir algoritma, Medyan Kesim algoritmasıdır. Bazı değişikliklerle de olsa, JPEG gibi çoğu büyük kayıplı görüntü sıkıştırma algoritmasına dahil edilmiştir.  Medyan Kesim algoritmasının temel prensibi, görüntünün kübik histogramını sırayla medyanlara bölmektir. Ortaya çıkan her alt küp, yaklaşık olarak eşit sayıda kutu veya aynı renkteki pikselleri içerir.  Bölme işlemi önceden belirlenen sayıda alt küp sayısına ulaştığında, her küpün ortalama rengini hesaplıyoruz ve bunu orijinal görüntünün karşılık gelen renkleriyle eşleştiriyoruz. Bu işlem, orijinal görüntüdeki renk sayısını etkili bir şekilde azaltarak görüntüyü daha küçük bir dosya boyutuna sıkıştırmamıza olanak tanır.  İlk bakışta bu algoritmanın başlangıç kısmı, bir görüntünün ana veya baskın renklerini belirleme sorunumuzu çözebilirmiş gibi görünebilir. Ancak görüntüyü böldüğümüz renk sayısı çok az olduğunda ve yalnızca az sayıda rengi analiz ettiğimizde potansiyel bir sorun ortaya çıkar.  Renklerin ortalaması aşırı yüksek olduğundan, görüntüde gerçekte bulunmayan renkleri tanımlamamız gerekebilir. Her küpten maksimum bine sahip rengi seçip onu baskın olarak etiketleyebilirdik ama o zaman artık bir palet oluşturmazdı.  Dolayısıyla, bu yaklaşımı, görüntü paletinin     versiyonunu belirlemek için saklayacağız; bu aynı zamanda görüntüyü "uyumlu fayda" açısından görsel olarak analiz etmek için bir araç olarak da kullanılabilir. Baskın renkleri belirlemek için istatistiksel analizden yararlanacağız: aynı kübik histogramda yerel maksimumları arayacağız. sıkıştırılmış bir   Yerel Maksimum  Yerel maksimumları belirlemek için özel bir kod uygulayacağız. Aynı zamanda yetenekli bir sanatçı olan yazar, algoritmanın mükemmel bir tanımını sağlıyor. Temel olarak, öncelikle görüntü istatistiklerini Medyan Kesim algoritmasında kullanılan aynı üç boyutlu RGB histogramında topluyoruz.   Kübik histogramın her hücresi, renk kutularını ve hücrede yer alan her rengin tüm değerlerinin toplamını içerecektir. 32x32x32 (başlangıçta 30x30x30) çözünürlükle sınırlı histogram boyutu göz önüne alındığında, toplamın biriktirilmesi ortalama hücre renginin hesaplanmasını kolaylaştırır.   Daha sonra tüm alanı iyice keşfederek ve bunu komşu hücrelerle karşılaştırarak yerel maksimumu ararız.   Bunu takiben, daha az ağırlığa sahip benzer renkleri atarak yerel maksimumların sayısını yinelemeli olarak gereken miktara indiririz. Kalan tüm yerel maksimumlar için listede yer alan tüm değerlerin ortalama renklerini hesaplıyoruz.  Yerel maksimumdaki renk yoğunluğu daha yüksek olduğundan ve piksel değerleri arasındaki fark Medyan Kesimden alınan küplere göre daha küçük olduğundan, renkler ana görüntüde mevcut olanlara daha yakın olacak ve baskın renkleri daha doğru bir şekilde temsil edecektir.  Bu, iki model arasındaki temel farkı ortaya koyuyor:   elde etmek ile yerel maksimumları veya   aramak. Birincil "sıkıştırılmış palet" görüntüsünü eşleyerek, büyük ölçüde kesilmiş bir biçimde de olsa,   yeni bir görüntü oluşturacağız. "sıkıştırılmış bir palet" baskın renkleri ana görüntüyle aynı renk dengesini koruyan  Öte yandan, baskın renkler yalnızca     . Uygun bir renk dengesi ile yeni bir şeye dönüştürülemezler. görüntüde öncelikli olarak mevcut olan renklerin kompozisyonunu tanımlar   Uygulama  Bu görevi örnek olarak kullanarak,   kullanarak görüntü analizi ve manipülasyonu için kullanıma hazır bir uygulama geliştirmenin ne kadar kolay olduğunu göstereceğiz. Diğer motorlarda bulunmayan işlevlerle başlayacağız. IMPrecessing Framework'ü  Örneğin çerçeve, Adobe   dosyalarını önceden var olan CLUT'larla okuma kapasitesine sahiptir ve bir görüntüden gerçek zamanlı olarak üç boyutlu bir kübik histogram çıkarabilir. .cube  Bundan yararlanarak şunları yapabilecek bir uygulama oluşturmayı hedefliyoruz:  Dosyaları JFIF (jpeg) formatında yükleyin.  Orijinal görüntüyü “normalleştirin”.  "Normalleştiricinin" yoğunluğunu kontrol edin.  Adobe .cube dosyasından rastgele bir LUT'u işleme dahil edin.  CLUT'un etkisinin yoğunluğunu yönetin.  Görüntünün doğrusal bir histogramını görüntüleyin.  Görüntünün "sıkıştırılmış paletini" ve baskın renklerini ve bunların sayısal temsilini üçlü (r,g,b) biçiminde sergileyin  İnşaatımızın son ürünü bu interaktif oyuncağa benzeyecek:   Burada görüntünün basit "normalleştirilmesinin", baskın renkleri daha çeşitli ve uyumlu bir set halinde yeniden dağıtarak son paletin çeşitliliğini nasıl olumlu yönde etkilediği açıktır.   "Normalleştirici"  Önceden var olan iki filtreden bir filtre oluşturacağız:    - görüntü histogramının belirtilen sınırlara kadar genişletilmesine olanak tanır IMPContrastFilter    - ortalama rengin aranmasına ve görüntüdeki sahte tonların düzeltilmesine dayalı olarak otomatik beyaz dengesi düzeltmesi gerçekleştirir. Bu aslında  IMPAutoWBFilter  alınan bir fikrin küçük bir modifikasyonudur. Andrey Zhuravlev'in blogundan   import IMProcessing /// Image filter public class IMPTestFilter:IMPFilter { /// We will use a contrast control filter through histogram stretching var contrastFilter:IMPContrastFilter! /// Auto white balance filter var awbFilter:IMPAutoWBFilter! /// Image Linear Histogram Analyzer var sourceAnalyzer:IMPHistogramAnalyzer! /// Solver of the histogram analyzer for calculating the lightness boundaries of the image let rangeSolver = IMPHistogramRangeSolver() public required init(context: IMPContext) { super.init(context: context) // Initialize filters in context contrastFilter = IMPContrastFilter(context: context) awbFilter = IMPAutoWBFilter(context: context) // Add filters to the stack addFilter(contrastFilter) addFilter(awbFilter) // Initialize the histogram analyzer sourceAnalyzer = IMPHistogramAnalyzer(context: self.context) // Add a light boundary search solver to the analyzer sourceAnalyzer.addSolver(rangeSolver) // Add an observing handler to the filter for // to pass the current image frame to the analyzer addSourceObserver { (source) - Void in self.sourceAnalyzer.source = source } // Add an observing handler for updating analysis calculations to the analyzer sourceAnalyzer.addUpdateObserver({ (histogram) - Void in // set the lightness boundaries in the contrast filter each time the image changes self.contrastFilter.adjustment.minimum = self.rangeSolver.minimum self.contrastFilter.adjustment.maximum = self.rangeSolver.maximum }) } }   Palet Çözücü  IMPrecessing Framework, benzersiz hesaplama organizasyonu nedeniyle birçok benzer platformdan öne çıkıyor. Esasen filtreleri işlemeyen özel bir filtre grubu kullanır.  Bu sınıfların nesneleri, homojen ve uzaysal alanlardaki görüntüyü değiştirmez. Bunun yerine, belirli sorunları çözmek için özel genişleticilerde analiz için belirli hesaplamalar ve metrik gösterimleri gerçekleştirirler.  Örneğin, IMPHistogramAnalyzer sınıfının bir nesnesi, görüntünün ortalama rengini, ışık aralığını, bölgesel bölümü vb. hesaplayan birden fazla çözücüyü aynı anda ekleyebilir.  Paleti ve baskın renklerin listesini hesaplamak amacıyla IMPHistogramCubeAnalyzer'ın analizini genişletmek için çözücüyü kullanıyoruz. Hesaplama sonuçları daha sonra güncellenmiş bir NSTableView'da görüntülenir.   import IMProcessing /// Types of distribution of image color accents /// /// - palette: palette for quantizing image colors. /// calculated using the median-cut transformation scheme: /// http://www.leptonica.com/papers/mediancut.pdf /// - dominants: calculation of dominant colors of an image by searching for local maxima /// color distribution density functions: /// https://github.com/pixelogik/ColorCube /// public enum IMPPaletteType{ case palette case dominants } /// Solver of the cubic color histogram analyzer IMPHistogramCubeAnalyzer public class IMPPaletteSolver: IMPHistogramCubeSolver { /// Maximum number of palette colors for analysis public var maxColors = Int(8) /// List of found colors public var colors = [IMPColor]() /// Palette type public var type = IMPPaletteType.dominants /// Solver handler handler /// - parameter analyzer: link to the analyzer /// - parameter histogram: cubic histogram of the image /// - parameter imageSize: image size public func analizerDidUpdate(analizer: IMPHistogramCubeAnalyzer, histogram: IMPHistogramCube, imageSize: CGSize) { var p = [float3]() if type == .palette{ p = histogram.cube.palette(count: maxColors) } else if type == .dominants { p = histogram.cube.dominantColors(count: maxColors) } colors.removeAll() for c in p { colors.append(IMPColor(color: float4(rgb: c, a: 1))) } } }   View Controller'daki Tüm Bileşenleri Birleştiriyoruz  Denetleyicinin,   adını vereceğimiz ana uygulama filtresine, IMPLutFilter adında bir CLUT filtresine, "normal" bir histogramı görüntülemek için kullanıma hazır IMPHistogramView'a, ekleyeceğimiz kübik histogram analizörü olan IMPHistogramCubeAnalyzer'a ihtiyacı olacaktır. çözücümüz IMPPaletteSolver. IMPTestFilter  Son olarak, görüntüyü görüntülemek için ana pencere olarak IMPImageView'ı kullanacağız ve ortak IMPContext, çerçevenin tüm yapıcıları tarafından kullanılan anahtar sınıftır.   class ViewController: NSViewController { // // Processing context // let context = IMPContext() // // Window for presenting the loaded image // var imageView:IMPImageView! var pannelScrollView = NSScrollView() // // Window for displaying the image histogram // var histogramView:IMPHistogramView! // // NSTableView - views of a list of colors from the palette // var paletteView:IMPPaletteListView! // // Main filter // var filter:IMPTestFilter! // // CLUT filter from Adobe Cube files // var lutFilter:IMPLutFilter? // // Analyzer of a cubic histogram of an image in RGB space // var histograCube:IMPHistogramCubeAnalyzer! // // Our solver for finding colors // var paletteSolver = IMPPaletteSolver() var paletteTypeChooser:NSSegmentedControl! override func viewDidLoad() { super.viewDidLoad() configurePannel() // // Initialize the objects we need // filter = IMPTestFilter(context: context) histograCube = IMPHistogramCubeAnalyzer(context: context) histograCube.addSolver(paletteSolver) imageView = IMPImageView(context: context, frame: view.bounds) imageView.filter = filter imageView.backgroundColor = IMPColor(color: IMPPrefs.colors.background) // // Add another handler to monitor the original image // (another one was added in the main filter IMPTestFilter) // filter.addSourceObserver { (source) -&amp;amp;amp;amp;amp;amp;amp;amp;gt; Void in // // to minimize calculations, the analyzer will compress the image to 1000px on the wide side // if let size = source.texture?.size { let scale = 1000/max(size.width,size.height) self.histograCube.downScaleFactor = scale.float } } // Add an observer to the filter to process the filtering results // filter.addDestinationObserver { (destination) -&amp;amp;amp;amp;amp;amp;amp;amp;gt; Void in // pass the image to the histogram indicator self.histogramView.source = destination // pass the result to the cubic histogram analyzer self.histograCube.source = destination } // // The results of updating the analyzer calculation are displayed in the color list window // histograCube.addUpdateObserver { (histogram) -&amp;amp;amp;amp;amp;amp;amp;amp;gt; Void in self.asyncChanges({ () -&amp;amp;amp;amp;amp;amp;amp;amp;gt; Void in self.paletteView.colorList = self.paletteSolver.colors }) } view.addSubview(imageView) .... IMPDocument.sharedInstance.addDocumentObserver { (file, type) -&amp;amp;amp;amp;amp;amp;amp;amp;gt; Void in if type == .Image { do{ // // Load the file and associate it with the filter source // self.imageView.source = try IMPImageProvider(context: self.imageView.context, file: file) self.asyncChanges({ () -&amp;amp;amp;amp;amp;amp;amp;amp;gt; Void in self.zoomFit() }) } catch let error as NSError { self.asyncChanges({ () -&amp;amp;amp;amp;amp;amp;amp;amp;gt; Void in let alert = NSAlert(error: error) alert.runModal() }) } } else if type == .LUT { do { // // Initialize the CLUT descriptor // var description = IMPImageProvider.LutDescription() // // Load CLUT // let lutProvider = try IMPImageProvider(context: self.context, cubeFile: file, description: &amp;amp;amp;amp;amp;amp;amp;amp;amp;description) if let lut = self.lutFilter{ // // If a CLUT filter has been added, update its LUT table from the file with the received descriptor // lut.update(lutProvider, description:description) } else{ // // Create a new LUT filter // self.lutFilter = IMPLutFilter(context: self.context, lut: lutProvider, description: description) } // // Add a LUT filter, if this filter has already been added nothing happens // self.filter.addFilter(self.lutFilter!) } catch let error as NSError { self.asyncChanges({ () -&amp;amp;amp;amp;amp;amp;amp;amp;gt; Void in let alert = NSAlert(error: error) alert.runModal() }) } } } ....  Gördüğünüz gibi, fotoğraf işleme daha basit hale geliyor ve ortalama kullanıcılar için daha erişilebilir hale geliyor; bu da neredeyse herkesin bu süreçte uzmanlaşmasını mümkün kılıyor.  Projenin tamamı   proje   indirilebilir, birleştirilebilir ve test edilebilir:   . Düzgün montaj için, JPEG dosyalarıyla (JFIF) çalışmaya yönelik mega kütüphane   yerel olarak kurulması gerekir. ImageMetalling deposundan ImageMetalling-08 olan libjpeg-turbo'nun  Şu anda bu format için desteğin en iyi uygulaması budur.

Read My Stories

Bu ses hikayenin orijinal dilinde üretilmiştir!

Bir Görüntünün Paletini ve Baskın Renklerini Belirlemeye Yönelik Uygulama Nasıl Oluşturulur

About Author

YORUMLAR

ETİKETLERİ ASIN

BU YAZI

Related Stories

Kullanıcı Odaklı Kripto Ürünleri Oluşturma: Müşteri Geri Bildiriminin Önemi

Benzersiz Bir Ekosistemi Güçlendiren Bitcoin UTXO Modeli

Kazanmak için Dokun: Telegram, Solana'dan Önce Sonraki 10 Milyar Kripto Kullanıcısına Katılabilir

Forumlardan Feed'lere: Sosyal Medya Algoritmaları Dijital Etkileşimi Nasıl Şekillendiriyor

Kullanıcı Odaklı Kripto Ürünleri Oluşturma: Müşteri Geri Bildiriminin Önemi

Benzersiz Bir Ekosistemi Güçlendiren Bitcoin UTXO Modeli

Kazanmak için Dokun: Telegram, Solana'dan Önce Sonraki 10 Milyar Kripto Kullanıcısına Katılabilir

Forumlardan Feed'lere: Sosyal Medya Algoritmaları Dijital Etkileşimi Nasıl Şekillendiriyor

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps