精华内容
下载资源
问答
  • 修复背光照片

    2013-02-27 16:40:11
    步骤:70%暖化→100%冰灵→皮肤美白,选择局部美白手动涂抹人物皮肤→100%去雾→局部磨皮手动涂抹掉面部噪点→眼部涂抹睫毛膏→25%自然亮白。

    步骤:70%暖化→100%冰灵→皮肤美白,选择局部美白手动涂抹人物皮肤→100%去雾→局部磨皮手动涂抹掉面部噪点→眼部涂抹睫毛膏→25%自然亮白。


    展开全文
  • 本教程主要是介绍图片的光感和层次的调整,调的时候主要是针对局部调整,需要用蒙版和画笔来配合。作者调得时候手法非常娴熟,色调用到恰到好处。非常值得借鉴和学习! 原图 最终效果 1.打开素材图片,提取高光...

    本教程主要是介绍图片的光感和层次的调整,调的时候主要是针对局部调整,需要用蒙版和画笔来配合。作者调得时候手法非常娴熟,色调用到恰到好处。非常值得借鉴和学习!

    原图

     

    最终效果

     

    1.打开素材图片,提取高光选区(Ctrl + Alt + ~),按Ctrl + Shift + I反选,按Ctrl + J复制,图层混合模式改为“柔光”。经过这一不操作,灰蒙蒙的图片得到了改观,为什么不直接复制一层而进行柔光模式了,大家可以去多试一下。

    2.新建空白图层,图层混合模式改为“正片叠底”,做黑白径向渐变,添加图层蒙版,在需要清晰的地方用黑色画笔涂抹,在涂抹的时候,要耕具实际情况不断的调节画笔的大小和不透明度。

     

    3.盖印图层(Ctrl + Shift + Alt + E),转为CMYK模式(图像/模式/CMYK),选择不合并,创建通道混合器调整层,分别对青色通道、黄色通道的颜色进行调节,数据的设置见下图通道混合器面版,图层混合模式改为“柔光”,用灰色画笔在蒙版处稍微提一下人物的肤色和左上角过暗的部位以及人物的裙子和衣服。

     

    4.创建通道混合器调整层,选择洋红通道,分别对洋红和黄色进行调节。用黑色和灰色画笔涂抹人物及人物周围以外的部位。这一步主要是调节人物及人物周围部位的色彩。使整张图片的色彩用冷暖对比

     

    5.盖印图层,转为RGB模式,选择不合并。

     

    6.复制一层,执行高斯模糊,数值调节为1.9像素

     

    7.执行图像/编辑/渐隐高斯模糊操作,模式选择滤色,然后降低不透明度,不透明度设置为45%

     8.添加图层蒙版,用黑色画笔、降低不透明度,在画面需要清晰的地方涂抹,然后降低图层的不透明度。第6、第7、第8步的操作主要目的是使整个画面变得柔和光亮。

    9.盖印图层,执行滤镜光照效果,选择全光源,把负片的数据调小一点,添加图层蒙版,用黑色画笔在图片不需要进行光照效果的地方进行涂抹。

     

    10.创建曲线调整层,做曲线调节,增强图片的对比度,用黑色画笔、降低不透明度在不需要在进行调节的地方吐沫。

     

    11.添加文字,对图片在上角过暗的部位进行补白,也起到画龙点睛的作用,完成最终效果。

     

     

     
    展开全文
  • 原文: 1. 什么是斑点 斑点通常是指与周围有着颜色和灰度差别的区域。在实际地图中,往往存在着...同时有时图像中的斑点也是我们关心的区域,比如在医学与生物领域,我们需要从一些X光照片或细胞显微照片中提取...

    原文:

    1. 什么是斑点

    斑点通常是指与周围有着颜色和灰度差别的区域。在实际地图中,往往存在着大量这样的斑点,如一颗树是一个斑点,一块草地是一个斑点,一栋房子也可以是一个斑点。由于斑点代表的是一个区域,相比单纯的角点,它的稳定性要好,抗噪声能力要强,所以它在图像配准上扮演了很重要的角色。

    同时有时图像中的斑点也是我们关心的区域,比如在医学与生物领域,我们需要从一些X光照片或细胞显微照片中提取一些具有特殊意义的斑点的位置或数量。

    比如下图中天空的飞机、向日葵的花盘、X线断层图像中的两个斑点。

    image image image 

    在视觉领域,斑点检测的主要思路都是检测出图像中比它周围像素灰度值大或比周围灰度值小的区域。一般有两种方法来实现这一目标:

    1. 基于求导的微分方法,这类的方法称为微分检测器;
    2. 基于局部极值的分水岭算法。

    这里我们重点介绍第一种方法,主要检测LOG斑点。而OpenCV中SimpleBlobDetector斑点检测算子就实现了第二种方法,我们这里也会介绍它的接口使用方法。

    2. LOG斑点检测

    2.1 基本原理

    利用高斯拉普通拉斯(Laplace of Gaussian,LOG)算子检测图像斑点是一种十分常用的方法,对于二维高斯函数:

     

    G(x,y;σ)=12πσ 2  exp(−x 2 +y 2 2σ 2  ) G(x,y;σ)=12πσ2exp(−x2+y22σ2)

     

     

     

    它的拉普拉斯变换为:

     

    ∇ 2 g=∂ 2 gx 2  +∂ 2 gy 2   ∇2g=∂2g∂x2+∂2g∂y2

     

     

     

    规范化的高斯拉普变换为:

     

    ∇ 2 norm =σ 2 ∇ 2 g=σ 2 (∂ 2 gx 2  +∂ 2 gy 2  )=−12πσ 2  [1−x 2 +y 2 σ 2  ]⋅exp(−x 2 +y 2 2σ 2  ) ∇norm2=σ2∇2g=σ2(∂2g∂x2+∂2g∂y2)=−12πσ2[1−x2+y2σ2]⋅exp(−x2+y22σ2)

     

     

     

    规范化算法子在二维图像上显示是一个圆对称函数,如下图所示。我们可以用这个算子来检测图像中的斑点,并且可以通过改变σ σ的值,可以检测不同尺寸的二维斑点。

    image  image

    2.2 LOG原理解释

    其实从更直观的角度去解释为什么LOG算子可以检测图像中的斑点是:

    图像与某一个二维函数进行卷积运算实际就是求取图像与这一函数的相似性。同理,图像与高斯拉普拉斯函数的卷积实际就是求取图像与高斯拉普拉斯函数的相似性。当图像中的斑点尺寸与高斯拉普拉斯函数的形状趋近一致时,图像的拉普拉斯响应达到最大。

    从概率的角度解释为:假设原图像是一个与位置有关的随机变量X的密度函数,而LOG为随机变量Y的密度函数,则随机变量X+Y的密度分布函数即为两个函数的卷积形式(这一部分的理论,可以参见本博客概率与统计相关文章)。如果想让X+Y能取到最大值,则X与Y能保持步调一致最好,即X上升时,Y也上升,X最大时,Y也最大。

    那么LOG算子是怎么被构想出来的呢?

    事实上我们知道Laplace可以用来检测图像中的局部极值点,但是对噪声敏感,所以在我们对图像进行Laplace卷积之前,我们用一个高斯低通滤波对图像进行卷积,目标是去除图像中的噪声点。这一过程 可以描述为:

    先对图像f(x,y) f(x,y)用方差为σ σ的高斯核进行高斯滤波,去除图像中的噪点。

     

    L(x,y;σ)=f(x,y)∗G(x,y;σ) L(x,y;σ)=f(x,y)∗G(x,y;σ)

     

     

     

    然后对图像的拉普拉斯图像则为:

     

    ∇ 2 =∂ 2 Lx 2  +∂ 2 Ly 2   ∇2=∂2L∂x2+∂2L∂y2

     

     

     

    而实际上有下面等式:

     

    ∇ 2 [G(x,y)∗f(x,y)]=∇ 2 [G(x,y)]∗f(x,y) ∇2[G(x,y)∗f(x,y)]=∇2[G(x,y)]∗f(x,y)

     

     

     

    所以,我们可以先求高斯核的拉普拉斯算子,再对图像进行卷积。也就是一开始描述的步骤。

    2.3 LOG算子的实现

    复制代码

    Mat Feat::getHOGKernel(Size& ksize, double sigma)
    {
        Mat kernel(ksize, CV_64F);
        Point centPoint = Point((ksize.width -1)/2, ((ksize.height -1)/2));
        // first calculate Gaussian
        for (int i=0; i < kernel.rows; i++)
        {
            double* pData = kernel.ptr<double>(i);
            for (int j = 0; j < kernel.cols; j++)
            {
                double param = -((i - centPoint.y) * (i - centPoint.y) + (j - centPoint.x) * (j - centPoint.x)) / (2*sigma*sigma);
                pData[j] = exp(param);
            }
        }
        double maxValue;
        minMaxLoc(kernel, NULL, &maxValue);
        for (int i=0; i < kernel.rows; i++)
        {
            double* pData = kernel.ptr<double>(i);
            for (int j = 0; j < kernel.cols; j++)
            {
                if (pData[j] < EPS* maxValue)
                {
                    pData[j] = 0;
                }
            }
        }
    
        double sumKernel = sum(kernel)[0];
        if (sumKernel != 0)
        {
            kernel = kernel / sumKernel;
        }
        // now calculate Laplacian
        for (int i=0; i < kernel.rows; i++)
        {
            double* pData = kernel.ptr<double>(i);
            for (int j = 0; j < kernel.cols; j++)
            {
                double addition = ((i - centPoint.y) * (i - centPoint.y) + (j - centPoint.x) * (j - centPoint.x) - 2*sigma*sigma)/(sigma*sigma*sigma*sigma);
                pData[j] *= addition;
            }
        }
        // make the filter sum to zero
        sumKernel = sum(kernel)[0];
        kernel -= (sumKernel/(ksize.width  * ksize.height));    
    
        return kernel;
    }

    复制代码

    2.4 多尺度检测

    我们注意到当σ σ尺度一定时,只能检测对应半径的斑点,那么检测的是多大半径的斑点呢,我们可以通过对规范化的二维拉普拉斯高斯算子求导:

    规范化的高斯拉普拉斯函数为:

     

    ∇ 2 norm =−12πσ 2  [1−x 2 +y 2 σ 2  ]⋅exp(−x 2 +y 2 2σ 2  ) ∇norm2=−12πσ2[1−x2+y2σ2]⋅exp(−x2+y22σ2)

     

     

     

    求∇ 2 norm  ∇norm2的极点值等价于求取下式:

     

    ∂(∇ 2 norm )∂σ =0 ∂(∇norm2)∂σ=0

     

     

     

    得到:

     

    (x 2 +y 2 −2σ 2 )⋅exp(−(x 2 +y 2 )2σ 2  ) (x2+y2−2σ2)⋅exp(−(x2+y2)2σ2)

     

     

     

     

    r 2 −2σ 2 =0 r2−2σ2=0

     

     

     

    对于图像中的斑点,在尺度σ=r/2  √  σ=r/2时,高斯拉普拉斯响应值达到最大。同理,如果图像中的圆形斑点黑白反向,那么,它的高斯拉普拉斯响应值在σ=r/2  √  σ=r/2时达到最小。将高斯拉普拉斯响应达到峰值时的尺度σ σ值,称为特征尺度。

    那么在多尺度的情况下,同时在空间和尺度上达到最大值(或最小值)的点就是我们所期望的斑点。对于二维图像I(x,y) I(x,y),计算图像在不同尺度下的离散拉普拉斯响应值,然后检查位置空间中的每个点;如果该点的拉普拉斯响应值都大小于或小于其他26个立方空间领域(9+8+9)的值,那么该点就是被检测到的图像斑点。

    image

    3 OpenCV进行斑点检测

    opencv中检测Blobs的类为SimpleBlobDetector,这个类在opencv中的定义如下:

    复制代码

    class SimpleBlobDetector : public FeatureDetector
    {
    public:
    struct Params
    {
        Params();
        float thresholdStep;
        float minThreshold;
        float maxThreshold;
        size_t minRepeatability;
        float minDistBetweenBlobs;
    
        bool filterByColor;
        uchar blobColor;
    
        bool filterByArea;
        float minArea, maxArea;
    
        bool filterByCircularity;
        float minCircularity, maxCircularity;
    
        bool filterByInertia;
        float minInertiaRatio, maxInertiaRatio;
    
        bool filterByConvexity;
        float minConvexity, maxConvexity;
    };
    
    SimpleBlobDetector(const SimpleBlobDetector::Params &parameters = SimpleBlobDetector::Params());
    
    protected:
        ...
    };

    复制代码

    算法的大致步骤如下:

    1. 对[minThreshold,maxThreshold)区间,以thresholdStep为间隔,做多次二值化。
    2. 对每张二值图片,使用findContours()提取连通域并计算每一个连通域的中心。
    3. 根据2得到的中心,全部放在一起。一些很接近的点[由theminDistBetweenBlobs控制多少才算接近]被归为一个group,对应一个bolb特征..
    4. 从3得到的那些点,估计最后的blob特征和相应半径,并以key points返回。

    同时该支持提取特征的方法,一共有5个选项,这里就不多加描述了,默认是提取黑色圆形的Blob特征。下面是一个示例

    复制代码

    int main(int argc, char** argv) 
    { 
        Mat image = imread(argv[1]); 
        vector<KeyPoint> keyPoints; 
        SimpleBlobDetector::Params params;
    
        SimpleBlobDetector blobDetect(params); 
        blobDetect.create("SimpleBlob"); 
        blobDetect.detect(image, keyPoints); 
        cout << keyPoints.size() << endl; 
        drawKeypoints(image, keyPoints, image, Scalar(255,0,0));
    
        namedWindow("blobs"); 
        imshow("blobs", image); 
        waitKey(); 
        return 0; 
    }

    复制代码

    image image

    总体来说,OpenCV的斑点检测效果还算不错,但是在有些图像的效果上明显不如LOG算子检测的检测效果。

    4. 扩展阅读

    一个与LOG滤波核近似的是高斯差分DOG滤波核,它的定义为:

     

    D(x,y,σ)=(G(x,y,kσ)–G(x,y,σ))∗I(x,y)=L(x,y,kσ)−L(x,y,σ) D(x,y,σ)=(G(x,y,kσ)–G(x,y,σ))∗I(x,y)=L(x,y,kσ)−L(x,y,σ)

     

     

     

    其中k k为两个相邻尺度间的比例因子。

    DOG可以看作为LOG的一个近似,但是它比LOG的效率更高。

    image

    前面介绍的微分算子在近圆的斑点检测方面效果很好,但是这些检测算子被限定于只能检测圆形斑点,而且不能估计斑点的方向,因为LOG算子等都是中心对称的。如果我们定义一种二维高斯核的变形,记它在X方向与Y方向上具有不同的方差,则这种算子可以用来检测带有方向的斑点。

     

    G(x,y)=A⋅exp(−[(ax 2 +2bxy+cy 2 )]) G(x,y)=A⋅exp(−[(ax2+2bxy+cy2)])

     

     

     

     

    a=cos 2 θ2σ 2 x  +sin 2 θ2σ 2 y  ,b=−sin2θ2σ 2 x  +sin2θ4σ 2 y  ,c=sin 2 θ2σ 2 x  +cos 2 θ2σ 2 y   a=cos2θ2σx2+sin2θ2σy2,b=−sin2θ2σx2+sin2θ4σy2,c=sin2θ2σx2+cos2θ2σy2

     

     

     

    其中A A是规一性因子。

    5. 参考资料

    1. 《现代数字图像 -- 处理技术提高与应用案例详解》

    2. 《图像局部不变性特征与描述》

    3.  Lindeberg, T. Feature Detection with Automatic Scale Selection

    4. Hui Kong. A Generalized Laplacian Of Gaussian Filter for Blob Detection and Its Applications.

    5. OpenCV2马拉松第20圈——blob特征检测原理与实现

    

    展开全文
  • 快速非局部去噪算法

    千次阅读 2018-05-17 10:39:24
    然而,对于真实数码照片,要想达到良好的去噪效果,且非易事。尤其是对于手机拍摄的照片,更是如此。如果你在光线不好的环境下,用手机前置摄像头拍照,往往会有很多的噪声。 我们可以在任何一本关于数字图像处理的...

    转载地址:https://blog.csdn.net/qq_26260209/article/details/45219167

    图像去噪是一个经典的课题。然而,对于真实数码照片,要想达到良好的去噪效果,且非易事。尤其是对于手机拍摄的照片,更是如此。如果你在光线不好的环境下,用手机前置摄像头拍照,往往会有很多的噪声。

       

            我们可以在任何一本关于数字图像处理的教材上找到多种图像去噪的方法。但是,这些经典的方法,对于真实图像去噪的效果很不好。这些方法都会让图像变得模糊而导致很差的视觉效果。尽管用双边滤波可以达到较高的信噪比,但是其视觉效果依然很差。


           后来,人们提出了一种有效的去噪算法,这就是非局部均值。非局部均值是一种基于快匹配来确定滤波权值的。即先确定一个块的大小,例如7x7,然后在确定一个搜索区域,例如15x15,在15x15这个搜索区域中的每一个点,计算7x7的窗口与当前滤波点7x7窗口的绝对差值和,然后在计算一个指数函数,所有的搜索点都用指数函数计算出一个权值,当然还有权值的归一化。根据这个权值进行点的滤波操作。更具体的实现代码如下:

    1. function [output]=NLmeansfilter(input,t,f,h)  
    2.   
    3.   
    4.  % Size of the image  
    5.  [m n]=size(input);  
    6.    
    7.    
    8.  % Memory for the output  
    9.  Output=zeros(m,n);  
    10.   
    11.  % Replicate the boundaries of the input image  
    12.  input2 = padarray(input,[f f],'symmetric');  
    13.    
    14.  % Used kernel  
    15.  kernel = make_kernel(f);  
    16.  kernel = kernel / sum(sum(kernel));  
    17.    
    18.  h=h*h;  
    19.    
    20.  for i=1:m  
    21.  for j=1:n  
    22.                    
    23.          i1 = i+ f;  
    24.          j1 = j+ f;  
    25.                   
    26.          W1= input2(i1-f:i1+f , j1-f:j1+f);  
    27.            
    28.          wmax=0;   
    29.          average=0;  
    30.          sweight=0;  
    31.            
    32.          rmin = max(i1-t,f+1);  
    33.          rmax = min(i1+t,m+f);  
    34.          smin = max(j1-t,f+1);  
    35.          smax = min(j1+t,n+f);  
    36.            
    37.          for r=rmin:1:rmax  
    38.          for s=smin:1:smax  
    39.                                                  
    40.                 if(r==i1 && s==j1) continue; end;  
    41.                                   
    42.                 W2= input2(r-f:r+f , s-f:s+f);                  
    43.                    
    44.                 d = sum(sum(kernel.*(W1-W2).*(W1-W2)));  
    45.                                                  
    46.                 w=exp(-d/h);                   
    47.                                    
    48.                 if w>wmax                  
    49.                     wmax=w;                     
    50.                 end  
    51.                   
    52.                 sweight = sweight + w;  
    53.                 average = average + w*input2(r,s);                                    
    54.          end   
    55.          end  
    56.                
    57.         average = average + wmax*input2(i1,j1);  
    58.         sweight = sweight + wmax;  
    59.                      
    60.         if sweight > 0  
    61.             output(i,j) = average / sweight;  
    62.         else  
    63.             output(i,j) = input(i,j);  
    64.         end                  
    65.  end  
    66.  end  
    67.    
    68. function [kernel] = make_kernel(f)                
    69.    
    70. kernel=zeros(2*f+1,2*f+1);     
    71. for d=1:f      
    72.   value= 1 / (2*d+1)^2 ;      
    73.   for i=-d:d  
    74.   for j=-d:d  
    75.     kernel(f+1-i,f+1-j)= kernel(f+1-i,f+1-j) + value ;  
    76.   end  
    77.   end  
    78. end  
    79. kernel = kernel ./ f;  
    80.   
    81.           


           非局部算法获得的信噪比比双边滤波略高,有时候还不如双边滤波。但是,非局部滤波是一种基于快的匹配度来计算滤波权值的,所以能获得比较好的视觉效果。然而,它的计算复杂度实在是太高了。最原始非局部均值算法是在整个图片中进行块搜索,根据块的匹配度来计算权值。实际执行过程,都会把搜索区域限定在一个局部的搜索窗口中,例如上面的代码演示的就是这个过程。

            根据快匹配的思路,人们提出了很多种有效的去噪算法,这包括BM3D去噪算法。它的去噪效果比非局部去噪效果更好。还有另外一些基于快匹配的思路,例如DCT。由于传统的非局部均值比较块的相似度时用的是时域差值比较,如果我们在DCT域去比较相似度会更合理一些。并且,网上早已经有基于DCT域非局部均值的PhotoShop插件,这个插件的速度相当的慢。对于一般720p的图像,在普通pc上都要半分钟。由此可见,这类算法,如果没有用GPU加速,要想实时,那是根本不可能的。

         于是,就有一些快速算法。主要的快速算法相关的文献如下:

         1. FAST IMAGE AND VIDEO  DENOISING VIA NON-LOCAL MEANS OF SIMILAR  NEIGHBORHOOD, Mona Mahmoudi and Guillermo Saporo

         2. FAST NON-NOCAL ALGORITHM FOR IMAGE DENOISING, Jin Wang,Yanwen Guo 等

         3. FAST NON-NOCAL ALGORITHM FOR IMAGE DENOISING, Venkateswarlu Karnati,Mithun Uliyar, Sumit Dey


         其中:

            第一篇文献的思路是用梯度和均值减少不必要的搜索点,其性能提高了不少,但还是没法处理实时视频。虽然他文献中说是拿来处理视频。

            第二篇文献的思路是用FFT来计算的,其文中声称处理30w像素只需要350ms,而相对以原始的非局部方法28.16s,加速了80倍。对这个结果,我个人持怀疑态度。首先,他文中描述的原始NL算法的时间28.16s就有问题。在我们机器上,跑上述matlab代码,需要2分钟。一种可能的解释是这篇文献的FFT代码可能是经过GPU加速过的。对于浙大的这篇文章,求实新闻网上曾津津乐道的报道过。

           第三篇文献的思路,是用积分图。单纯的积分图,明显不行。但这篇文章的作者用的是多分辨率的积分图。

         

           我觉得第三篇文献的思路是比较靠谱的,所以就实现了下。但是发现这篇文献的里面有一个公式5可能有点问题。如果按照公式5编程实现,效果相当的不好。于是,我根据文章的思路稍微改写了一下公式5,效果就可以了。今后一些列的改进和优化,我的实现最终处理结果在我的I3机器上,处理30w像素的时间是700ms。本来想移植到iphone上,但是700ms的处理时间也没法实时的处理视频,后来就放弃了。


    展开全文
  • 然而,对于真实数码照片,要想达到良好的去噪效果,且非易事。尤其是对于手机拍摄的照片,更是如此。如果你在光线不好的环境下,用手机前置摄像头拍照,往往会有很多的噪声。 我们可以在任何一本关于数字图像...
  • ps修复老照片

    2019-08-06 08:59:20
    二、新建一个图层,按Ctrl + Alt + Shift + E 盖印图层,选择画笔工具,把不透明度设为:10%左右,然后把照片上有色块的部分局部放大,用吸管工具吸取色块附近干净的肤色,用画笔涂抹色块,照片的色块较多,需要慢慢...
  • 点击进入如果说直方图是摄影师的...本篇文章,就将详细谈谈什么是RGB曲线,如何使用提亮压暗、黑白场、对比度,以及局部调整曲线等基本形态,调整一张照片的影调。同时,还会讲解如何把各种基本曲线形态组合起来,...
  • 教你用PS修复老照片

    万次阅读 2018-06-04 17:29:15
    原图素材虽然很旧,不过人物部分并没有怎么损坏,只是有一些色块和...二、新建一个图层,按Ctrl + Alt + Shift + E 盖印图层,选择画笔工具,把不透明度设为:10%左右,然后把照片上有色块的部分局部放大,用吸管...
  • 图像是用扫描仪直接扫描腐蚀材料照片得到的,然后将所得的图像进行二值化处理,统计整个试样表面不同大小的蚀坑数,定义并定量计算试样的点蚀率为9.73%.Frantziskonis等用干涉显微镜研究了2024铝合金试...
  • 在生物学实验中,免疫组化、组织切片、免疫荧光以及电镜等,小伙伴们经常需要进行拍照观察,获得不同倍数视野下的照片,观察特定区域。例如,下图论文中展示的效果也是我们自己论文中需实现的。图片来源:文章截图[1...
  • Photoshop修正并美化偏色的人物照片 虽然有些偏色图片可以一步修正不过图片局部还是有很多色块需要进一步处理可以用选区工具把色块部分选取出来然后用调色工具慢慢修正 原图 最终效果 1打开原图素材新建一个图层填充...
  • 在生物学实验中,免疫组化、组织切片、免疫荧光以及电镜等,小伙伴们经常需要进行拍照观察,获得不同倍数视野下的照片,观察特定区域。例如,下图论文中展示的效果也是我们自己论文中需实现的。图片来源:文章截图[1...
  • 天空是风光摄影中经常拍摄的题材,厚重的云层与湛蓝的天空产生的强烈对比会给观赏者带来无与伦比的震撼感觉。... 在Camera Raw 中精细调整照片局部的色彩时,可以使用“HSL/ 灰度”面板,单击Camera Raw
  • Photoshop修复模糊照片的多种方法

    千次阅读 2009-02-06 19:06:00
     菜菜:我最近出游拍的好多照片的表情和姿态都不错,可就是由于光线和对焦不是很好,照片有点模糊,真是太可惜了。 祁老师:是吗,让我看看。啊!问题不大,还有救,我教你几种方法,你就可以将它们变清晰。 局部...
  • 喜行与摄公号.....旅行丨摄影丨美图.关注如果说直方图是摄影师的“X片...本篇文章,就将详细谈谈什么是RGB曲线,如何使用提亮压暗、黑白场、对比度,以及局部调整曲线等基本形态,调整一张照片的影调。同时,还会...
  • 上篇主要讲了PS高低频精修人像的技术,原理就是复制两层分别做高频层和低频层,然后对高频层局部做修补,对低频层局部高斯模糊,最后高频层混合模式改为“线性”模式,就完成了高低频精修的主要步骤,麻烦点就是...
  • 如果说直方图是摄影师的...本篇文章,就将详细谈谈什么是RGB曲线,如何使用提亮压暗、黑白场、对比度,以及局部调整曲线等基本形态,调整一张照片的影调。同时,还会讲解如何把各种基本曲线形态组合起来,达到胶片...
  • 书的前半部分介绍影调控制的技巧,通过23个案例详细剖析了照片主体与环境影调控制、画面整体影调控制、高动态范围照片的制作、局部光线制作以及其他特殊光影效果的制作技巧。基本上涵盖了照片影调控制的所有知识点;...
  • 无后期,不摄影

    2020-10-19 08:47:25
    从而控制照片对比度和杂点,我们用天枰控制药各成分的含量,从而控制照片影调和色彩,我们经常在将底片放大成照片的过程中,用自制的黑色小纸片干涉相纸上接收到的光线的量,从而改变照片局部区域的亮度。...
  • 摄影初识之一

    2015-10-18 23:55:00
    照片的艺术化处理,包括增强效果(影调和色彩的改变,增加眩和补光等),特效处理(局部虚化/修饰/拼接,不同画种和风格处理等); 把照片作为素材,放进全新的创意中。 好照片 要有一个鲜明的主题 要有一个...
  • Photoshop经典效果1000例

    2018-03-23 10:33:10
    Photoshop经典效果1000例,视频教程。里面是百度云链接,大概有2.7G。 01.动感模糊 02.光影效果 03.画布效果 04.绘画效果 05.局部马赛克效果1 ...14.照片作旧 15.边框 16.为衣服上色 17.文章遮罩效果 ……
  • 渐变滤镜可以把渐变色彩自然的溶入照片之中,改变照片局部的颜色。 如明亮的天空变成灰色,灰灰的天空变成蓝色,橙色,红色等 ND2,8,16 灰色滤镜,有渐变的,也有全色的。减少的单位时间入量。比如可以在白天...
  • 计算机图形学 术语

    2015-08-06 15:36:12
    虽然全局光照模型可以产生和真实照片媲美的渲染结果,但因为其算法相对比较消耗时间,所以目前仍然无法应用于即时渲染领域(即时运算的3D应用程序,至少要每秒产生30帧画面)。 (RenderMan, POV-Ray, Aqsis)
  • 她的乳房X光照片显示出可疑的恒星图像。 计算机断层扫描显示有卵形病变。 切除病变。 组织病理学证实了乳腺肿瘤。 病变复发为特征。 总之,乳腺类瘤是罕见的,非转移性的但局部侵袭性的。 临床表达通常是非特异性的...
  • Corona Renderer渲染器(简称CR)是一款基于超写实照片效果的CPU渲染器,它可以通过插件的形式完整地集成在3dmax中,从2009年开始由Ondra Karlík 开发,是来自捷克的一家小团队推出的一款年轻且强大的基于CPU的照片...

空空如也

空空如也

1 2 3
收藏数 49
精华内容 19
关键字:

局部光照片