Tonzuordnung: Tone Mapping: Erhellende Perspektiven in der Computer Vision
Von Fouad Sabry
()
Über dieses E-Book
Was ist Tonzuordnung
Tone Mapping ist eine Technik, die in der Bildverarbeitung und Computergrafik verwendet wird, um einen Farbsatz einem anderen zuzuordnen, um das Erscheinungsbild hochdynamischer Farben anzunähern. HDR-Bilder (HDR) in einem Medium, das über einen begrenzteren Dynamikbereich verfügt. Ausdrucke, CRT- oder LCD-Monitore und Projektoren verfügen alle über einen begrenzten Dynamikbereich, der nicht ausreicht, um das gesamte Spektrum der Lichtintensitäten in natürlichen Szenen wiederzugeben. Tone Mapping löst das Problem einer starken Kontrastreduzierung von der Helligkeit der Szene auf den darstellbaren Bereich und behält gleichzeitig die Bilddetails und die Farbdarstellung bei, die für die Würdigung des ursprünglichen Szeneninhalts wichtig sind.
Ihre Vorteile
(I) Einblicke und Validierungen zu den folgenden Themen:
Kapitel 1: Tone_mapping
Kapitel 2: Gamma_korrektur
Kapitel 3: Multi-exposure_HDR_capture
Kapitel 4: High-dynamic-range_rendering
Kapitel 5: Shadow_and_highlight_enhancement
Kapitel 6: High_dynamic_range
Kapitel 7: Tone_Reproduktion
Kapitel 8: Luminanz_HDR
Kapitel 9: Aurora_HDR
Kapitel 10: EasyHDR
(II) Beantwortung der öffentlichen Frage Fragen zum Thema Tone Mapping.
(III) Beispiele aus der Praxis für den Einsatz von Tone Mapping in vielen Bereichen.
Für wen dieses Buch gedacht ist
Profis, Studenten und Doktoranden, Enthusiasten, Hobbyisten und diejenigen, die über Grundkenntnisse oder Informationen für jede Art von Tone Mapping hinausgehen möchten.
Mehr von Fouad Sabry lesen
Wirtschaftswissenschaft [German]
Ähnlich wie Tonzuordnung
Titel in dieser Serie (100)
Homographie: Homographie: Transformationen in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenComputer Vision: Erkundung der Tiefen des Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenTonzuordnung: Tone Mapping: Erhellende Perspektiven in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenRadon-Transformation: Aufdecken verborgener Muster in visuellen Daten Bewertung: 0 von 5 Sternen0 BewertungenLärmminderung: Verbesserung der Klarheit, fortschrittliche Techniken zur Rauschunterdrückung in der Bildverarbeitung Bewertung: 0 von 5 Sternen0 BewertungenHistogrammausgleich: Verbesserung des Bildkontrasts für eine verbesserte visuelle Wahrnehmung Bewertung: 0 von 5 Sternen0 BewertungenKantenerkennung: Grenzen in der Computer Vision erkunden Bewertung: 0 von 5 Sternen0 BewertungenAnisotrope Diffusion: Verbesserung der Bildanalyse durch anisotrope Diffusion Bewertung: 0 von 5 Sternen0 BewertungenBildhistogramm: Visuelle Einblicke enthüllen und die Tiefen von Bildhistogrammen in der Computer Vision erkunden Bewertung: 0 von 5 Sternen0 BewertungenRetinex: Enthüllen Sie die Geheimnisse des computergestützten Sehens mit Retinex Bewertung: 0 von 5 Sternen0 BewertungenUnterwasser-Computervision: Erkundung der Tiefen der Computer Vision unter den Wellen Bewertung: 0 von 5 Sternen0 BewertungenAutomatisierte optische Inspektion: Fortschritte in der Computer-Vision-Technologie Bewertung: 0 von 5 Sternen0 BewertungenBlob-Erkennung: Aufdecken von Mustern in visuellen Daten Bewertung: 0 von 5 Sternen0 BewertungenBildkompression: Effiziente Techniken zur visuellen Datenoptimierung Bewertung: 0 von 5 Sternen0 BewertungenComputer-Stereo-Vision: Erforschung der Tiefenwahrnehmung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenHough-Transformation: Enthüllung der Magie der Hough-Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFarbmodell: Das Spektrum des Computer Vision verstehen: Farbmodelle erkunden Bewertung: 0 von 5 Sternen0 BewertungenAktive Kontur: Weiterentwicklung der Computer Vision mit aktiven Konturtechniken Bewertung: 0 von 5 Sternen0 BewertungenGamma-Korrektur: Verbesserung der visuellen Klarheit in der Computer Vision: Die Gammakorrekturtechnik Bewertung: 0 von 5 Sternen0 BewertungenBündelanpassung: Optimieren visueller Daten für eine präzise Rekonstruktion Bewertung: 0 von 5 Sternen0 BewertungenFarbanpassungsfunktion: Spektrale Empfindlichkeit in Computer Vision verstehen Bewertung: 0 von 5 Sternen0 BewertungenAdaptiver Filter: Verbesserung der Computer Vision durch adaptive Filterung Bewertung: 0 von 5 Sternen0 BewertungenAffine Transformation: Visuelle Perspektiven freischalten: Erforschung der affinen Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenInpainting: Überbrückung von Lücken in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenGemeinsame Fotoexpertengruppe: Erschließen Sie das Potenzial visueller Daten mit dem JPEG-Standard Bewertung: 0 von 5 Sternen0 BewertungenTrifokaler Tensor: Erforschung von Tiefe, Bewegung und Struktur in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenSchätzung der artikulierten Körperhaltung: Erschließung menschlicher Bewegung in Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenModell des menschlichen visuellen Systems: Wahrnehmung und Verarbeitung verstehen Bewertung: 0 von 5 Sternen0 BewertungenOptischer Fluss: Erforschung dynamischer visueller Muster in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenOrientiertes Gradienten-Histogramm: Enthüllung des visuellen Bereichs: Erkundung des Histogramms mit orientierten Farbverläufen in der Bildverarbeitung Bewertung: 0 von 5 Sternen0 Bewertungen
Ähnliche E-Books
Farbzuordnung: Erforschung der visuellen Wahrnehmung und Analyse in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBump-Mapping: Bump Mapping: Erforschung der Tiefe der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenSchattierung: Erforschung der Bildschattierung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenRendering mit hohem Dynamikbereich: Erschließung des visuellen Spektrums: Fortgeschrittene Techniken in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenPHOTOKOLLEGIUM 6: Farbdruck & Colormanagement in der digitalen Fotografie Bewertung: 0 von 5 Sternen0 BewertungenKantenglättung: Verbesserung der visuellen Klarheit in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenDistanznebel: Erkundung der visuellen Grenze: Einblicke in den Distanznebel der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenAnisotrope Filterung: Entschlüsselung der visuellen Komplexität in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenComputer-Vision-Grafikschnitte: Erforschung von Graphschnitten in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenGlobale Beleuchtung: Vision voranbringen, Einblicke in die globale Beleuchtung Bewertung: 0 von 5 Sternen0 BewertungenFarbmanagementsystem: Optimierung der visuellen Wahrnehmung in digitalen Umgebungen Bewertung: 0 von 5 Sternen0 BewertungenCanny Edge Detector: Enthüllung der Kunst der visuellen Wahrnehmung Bewertung: 0 von 5 Sternen0 BewertungenBildsegmentierung: Erkenntnisse durch Pixelpräzision erschließen Bewertung: 0 von 5 Sternen0 BewertungenHistogrammausgleich: Verbesserung des Bildkontrasts für eine verbesserte visuelle Wahrnehmung Bewertung: 0 von 5 Sternen0 BewertungenVertex-Computergrafik: Erkundung der Schnittstelle zwischen Vertex Computer Graphics und Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenRastergrafik-Editor: Visuelle Realitäten transformieren: Rastergrafik-Editoren in Computer Vision beherrschen Bewertung: 0 von 5 Sternen0 BewertungenRaytracing-Grafiken: Erforschung des fotorealistischen Renderings in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBildbearbeitung für Anfänger: 30 Top Tipps für die Bildbearbeitung von digitalen Bildern Bewertung: 0 von 5 Sternen0 BewertungenKantenerkennung: Grenzen in der Computer Vision erkunden Bewertung: 0 von 5 Sternen0 BewertungenGouraud-Schattierung: Gouraud-Shading: Erhellende Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBündelanpassung: Optimieren visueller Daten für eine präzise Rekonstruktion Bewertung: 0 von 5 Sternen0 BewertungenPhong-Reflexionsmodell: Lichtinteraktionen in der Bildverarbeitung verstehen Bewertung: 0 von 5 Sternen0 BewertungenPhong Schattierung: Erkundung der Tiefe des visuellen Renderings: Phong-Schattierung in der Bildverarbeitung Bewertung: 0 von 5 Sternen0 BewertungenComputer-Stereo-Vision: Erforschung der Tiefenwahrnehmung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenGamma-Korrektur: Verbesserung der visuellen Klarheit in der Computer Vision: Die Gammakorrekturtechnik Bewertung: 0 von 5 Sternen0 BewertungenErfolgreiche Spieleentwicklung: Moderne Licht- und Schattenspiele mit OpenGL Bewertung: 0 von 5 Sternen0 BewertungenBewegungsschätzung: Fortschritte und Anwendungen in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFarbprofil: Erforschung der visuellen Wahrnehmung und Analyse in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenModell des menschlichen visuellen Systems: Wahrnehmung und Verarbeitung verstehen Bewertung: 0 von 5 Sternen0 BewertungenAktives Erscheinungsmodell: Erschließung der Leistungsfähigkeit aktiver Darstellungsmodelle in der Computer Vision Bewertung: 0 von 5 Sternen0 Bewertungen
Künstliche Intelligenz (KI) & Semantik für Sie
ChatGPT: Begegnung mit einer neuen Welt: Lernen Sie Künstliche Intelligenz mit der Gratisversion ChatGPT 3.5 Bewertung: 0 von 5 Sternen0 BewertungenAufstieg der Roboter: Wie unsere Arbeitswelt gerade auf den Kopf gestellt wird - und wie wir darauf reagieren müssen Bewertung: 0 von 5 Sternen0 BewertungenDie Zukunft der Arbeit: Digitalisierung, Automatisierung, KI Bewertung: 0 von 5 Sternen0 BewertungenDigitalotopia: Sind wir bereit für die (R)Evolution der Wirklichkeit? Bewertung: 0 von 5 Sternen0 BewertungenEinstieg ins Machine Learning: Grundlagen, Prinzipien, erste Schritte Bewertung: 0 von 5 Sternen0 BewertungenChatGPT – Für Einsteiger: Schreibprofi mit KI, Zeit und Geld sparen ohne peinliche Fehler Bewertung: 0 von 5 Sternen0 BewertungenKI-Innovationen: Wie die Technologie die Grenzen verschiebt Künstliche Intelligenz verstehen und nutzen: Ein AI-Buch Bewertung: 0 von 5 Sternen0 BewertungenChatbotische Medien-Gestaltung leicht gemacht: Von der Idee zum viralen Hit Bewertung: 0 von 5 Sternen0 BewertungenKünstliche Intelligenz: Die vierte industrielle Revolution Bewertung: 0 von 5 Sternen0 BewertungenChatbotische Landingpages: Wie du deine Konkurrenz in den digitalen Staub schicken Bewertung: 0 von 5 Sternen0 BewertungenMenschlicher Geist und Künstliche Intelligenz: Die Entwicklung des Humanen inmitten einer digitalen Welt Bewertung: 0 von 5 Sternen0 BewertungenRoboter im Alltag: Maschinen (beinahe) wie Menschen Bewertung: 0 von 5 Sternen0 BewertungenChatGPT: Epische Reise des Erfolgs - 'Steigern Sie Ihren Reichtum': Mit Screenshots aus dem echten Leben - Erreichen Sie finanzielle Höhen Bewertung: 0 von 5 Sternen0 BewertungenWissen statt Glauben!: Das Weltbild des neuen Humanismus Bewertung: 0 von 5 Sternen0 BewertungenDie KI Bibel, mit künstlicher Intelligenz Geld verdienen: Echte Fallbeispiele und Anleitungen zum Umsetzen Bewertung: 1 von 5 Sternen1/5Künstliche Intelligenz in Sozialen Medien Bewertung: 0 von 5 Sternen0 BewertungenMeistern von ChatGPT: Entriegeln Sie die Kraft der KI für verbesserte Kommunikation und Beziehungen: German Bewertung: 0 von 5 Sternen0 BewertungenPsychologie des Sozialismus Bewertung: 0 von 5 Sternen0 Bewertungen
Rezensionen für Tonzuordnung
0 Bewertungen0 Rezensionen
Buchvorschau
Tonzuordnung - Fouad Sabry
Kapitel 1: Tone Mapping
Um den Eindruck von Bildern mit hohem Dynamikumfang in einem Medium mit geringerem Dynamikumfang zu erzielen, wird Tone Mapping in der Bildverarbeitung und Computergrafik eingesetzt. Weder Ausdrucke noch CRT- oder LCD-Monitore oder Projektoren sind aufgrund ihres begrenzten Dynamikumfangs in der Lage, den gesamten Bereich der Lichtintensitäten in realen Umgebungen genau wiederzugeben. Tone Mapping ist eine Technik, bei der die Bilddetails und das Farbbild erhalten bleiben, die für die Wertschätzung des ursprünglichen Szeneninhalts entscheidend sind, und gleichzeitig der dramatische Kontrast zwischen der Szenenhelligkeit und dem darstellbaren Bereich reduziert wird.
Inverses Tone Mapping ist eine Methode, um den Dynamikumfang eines Bildes zu erhöhen, indem die Helligkeitswerte in die entgegengesetzte Richtung verschoben werden.
Da es eine Herausforderung war, die große Bandbreite an Lichtverhältnissen in der realen Welt auf einem chemisch beschränkten Negativ einzufangen, verursachte das Aufkommen der filmbasierten Fotografie Probleme.
Frühe Filmentwickler versuchten, dieses Problem zu beheben, indem sie die Filmmaterialien und die Druckentwicklungssysteme so konzipierten, dass sie eine gewünschte S-förmige Tonwertkurve mit leicht erhöhtem Kontrast (ca. 15%) im mittleren Bereich und allmählich komprimierten Lichtern und Schatten ergaben [1].
Die Einrichtung von Luftverteidigungszonen, die die Belichtung und die Entwicklungszeit entsprechend der Menge der benötigten Schattendetails anpassen (und so die Lichtertöne steuern), vergrößerte den Tonwertumfang der Graustufen (und später die Erhöhung des Dynamikumfangs des Farbnegativfilms von seinen normalen sieben Blendenstufen auf 10.
Fotografen haben auch Abwedeln und Nachbelichten eingesetzt, um die Einschränkungen des Druckprozesses zu überwinden [2].
Die Entwicklung der Digitalfotografie bot die Möglichkeit, effektivere Antworten auf dieses Problem zu finden.
Im Jahr 1971 verwendeten Land und McCann eine frühe Version eines Algorithmus namens Retinex, der von Theorien der Helligkeitswahrnehmung inspiriert war [³]. Diese Methode ist inspiriert von den biologischen Anpassungsmechanismen des Auges an die Lichtverhältnisse.
Es wurde auch viel an Gamut-Mapping-Algorithmen für den Farbdruck geforscht.
Um vorherzusagen, wie Farben aussehen könnten, wandten sich die Forscher Computermodellen wie CIECAM02 und iCAM zu.
Trotzdem, auch wenn die Farb- und Tonzuordnungsalgorithmen unzureichend sind, gab es immer noch eine Nachfrage nach einem talentierten Künstler, genau wie im Schneideraum eines Kinos.
Mit dem Aufkommen der kontrastreichen Computergrafiktechnologie verlagerte sich die primäre Einschränkung von Displays von Farbe auf Helligkeit. Um HDR-Fotos (High Dynamic Range) für normale Monitore anzupassen, wurden viele Tone-Mapping-Operatoren erstellt. Die jüngsten Entwicklungen in diesem Bereich haben sich über die Verwendung von Helligkeit zur Erhöhung des Kontrasts hinaus auf Techniken wie die benutzergestützte Bildreplikation ausgeweitet. Display-gesteuerte Lösungen sind derzeit die Norm für die Bildwiedergabe, da moderne Displays ausgeklügelte Bildverarbeitungsalgorithmen enthalten, die die Energieeffizienz verbessern, den Farbraum und den Dynamikbereich erweitern und die Bildwiedergabe basierend auf Umgebungsfaktoren anpassen.
Der erklärte Zweck des Tone Mappings kann je nach Implementierung sehr unterschiedlich sein. Es gibt Anwendungen, bei denen es in erster Linie darum geht, Bilder zu erstellen, die lediglich optisch ansprechend sind, während andere mehr Wert darauf legen, so viele Bildelemente wie möglich genau nachzubilden oder den Kontrast zu erhöhen. Selbst wenn das Anzeigegerät nicht den vollständigen Bereich der Helligkeitswerte wiedergeben kann, kann das Ziel in realistischen Rendering-Anwendungen darin bestehen, eine wahrgenommene Übereinstimmung zwischen der realen Szene und dem präsentierten Bild zu erzielen.
In den letzten Jahren wurden verschiedene Tone-Mapping-Operatoren entwickelt.[4] Sie alle können in zwei Haupttypen unterteilt werden:
Nichtlineare Funktionen, die auf den globalen Variablen des Bildes wie Helligkeit und anderen globalen Faktoren basieren, bilden globale (oder räumlich einheitliche) Operatoren. Nachdem die optimale Funktion eines Bildes berechnet wurde, werden alle seine Pixel auf die gleiche Weise zugeordnet, unabhängig von den Werten ihrer Nachbarn. Diese Methoden sind schnell und einfach anzuwenden (sie können mit Nachschlagetabellen durchgeführt werden), aber sie können den Kontrast verringern. Reduzierter Kontrast und invertierte Farben sind zwei Beispiele für beliebte globale Tone-Mapping-Techniken.
Lokale (oder räumlich variable) Operatoren: Die Parameter der nichtlinearen Funktion variieren von Pixel zu Pixel, basierend auf den abgerufenen Features aus benachbarten Parametern. Mit anderen Worten, die Auswirkungen des Algorithmus variieren von Pixel zu Pixel je nach den Eigenschaften der Umgebung. Da das menschliche Sehvermögen in erster Linie empfindlich auf lokale Kontraste reagiert, sind diese Algorithmen komplexer als globale. Sie können Artefakte (z. B. Halo-Effekt und Klingeln) anzeigen. und die Ausgabe kann unnatürlich aussehen; Nichtsdestotrotz können sie (bei richtiger Anwendung) die beste Leistung erbringen.
Ein einfaches Beispiel für einen globalen Tone-Mapping-Filter ist {\displaystyle V_{\text{out}}={\frac {V_{\text{in}}}{V_{\text{in}}+1}}} (Reinhard), wobei Vin die Luminanz des Originalpixels und Vout die Luminanz des gefilterten Pixels ist.
Diese Funktion