Фотопейзаж и компьютер

Маски, полученные автоматически, обычно содержат много мелких изгибов, что бывает полезно (Рис. 5.1а). Маски, сделанные вручную с растушевкой (Рис. 5.1б), имеют плавные переходы, в которых прозрачность меняется от 0 до 100 %. Попиксельные маски тоже имеют плавные переходы, но плавность достигается по-другому. Прозрачность пикселей маски всегда равна либо нулю, либо 100 %, а плавность перехода достигается изменением пропорции прозрачных и непрозрачных пикселей (Рис. 5.1в). Иногда исходная маска без растушевки, дополнительно преобразованная инструментом «искажение» (Рис. 5.1 г), дает хорошие результаты, если характер искажений соответствует фактуре изображения на области перехода.

При разложении по каналам цветового пространства изменению подвергается один из каналов. Например, изменяя яркость каналов sRGB по отдельности, можно управлять цветовым балансом или изменять насыщенность. Повышая резкость канала CIELAB L* с помощью нерезкой маски, можно в меньшей степени затронуть цветность (см. рисунок 5.2). И наоборот, повышая контраст остальных каналов этого ЦП, не изменяя L*, можно усилить насыщенность, не затрагивая яркость и контраст всего изображения.

Рис. 5.2. Представление изображения пейзажа в координатах CIELAB. Насыщенность изображения в каналах a* и b* увеличена.

При разложении картинки по пространственным частотам изменяются только те части изображения, которые представлены выбранным диапазоном частот. Например, выполняя тональное сжатие низкочастотной части HDR-изображения в более сильной степени, чем сжатие высокочастотной части, часто можно получить неплохой результат (уменьшить диапазон яркостей всей картинки при более полном сохранении контраста деталей).

При использовании разложения по градиентным полям можно корректировать только изменения яркости и цвета, усиливая эти изменения или ослабляя их. Таким образом удается, например, впечатать в снимок радугу или отражение луны на поверхности воды.

К другим способам разложить изображение на составляющие относятся следующие методы, цель которых – обнаружить структуру или интересные закономерности в большом массиве данных, в нашем случае, на множестве изображений различных пейзажей:

• анализ главных компонент (principal component analysis, PCA),

• анализ независимых компонент (independent component analysis, ICA),

• поиск наилучшей проекции (projection pursuit).

Поясним очень кратко, суть применения этих методов к изображениям пейзажей.

Выберем сначала цветовое пространство RGB. В этом пространстве пиксели одного изображения пейзажа образуют трехмерное множество, которое можно аппроксимировать эллипсоидом. Оси этого эллипсоида и будут служить главными компонентами (собственными векторами матрицы коэффициентов корреляции координат точек этого множества). А длины полуосей – собственными числами этой матрицы. Для изображений пейзажей оказывается, что направление самой длинной оси эллипсоида близко к направлению оси для координаты L*. Таким образом, метод главных компонент приблизительно осуществляет разложение изображения на яркость и цвет.

Рассмотрим теперь более интересное представление пейзажей в многомерном пространстве. Для этого соберем большое количество изображений разных пейзажей одинакового размера. Для одного изображения из этого множества возьмем из каждого пикселя значение только одной координаты, например, L*, и составим один вектор. Размерность этого вектора будет равна количеству пикселей в изображении. Для другого пейзажа из отобранного множества картинок получится другой вектор.

Ясно, что многие координаты этого вектора сильно связаны (коррелируют) друг с другом. Например, яркости некоторых пар соседних пикселей часто будут приблизительно равны для многих пейзажей из этого множества. А это значит, что множество точек пейзажей не распределено равномерно по некоторой области пространства, а образуют какую-то «тучу» нетривиальной (возможно, замысловатой) формы. Для изучения характера таких корреляций и применяются перечисленные выше методы.

Каждая точка полученного пространства соответствует определенной картинке с этим же количеством пикселей. Все пространство содержит все возможные картинки, которые можно составить из этого количества пикселей. Только вдумайтесь: там находятся иллюстрации всех картин всех художников всех жанров, всех времен и народов, из прошлого и из будущего. Все когда-либо снятые фотографии, и те, которые будут сняты в будущем. И ваши портреты, и мои, и наших далеких потомков. А также портреты всех других людей и всевозможных инопланетян. Изображения доисторических животных и растений. Пейзажи далеких планет.