Nano Hash - криптовалюты, майнинг, программирование

Сглаживание и гамма-компенсация

Яркость пикселей на экране компьютера обычно не связана линейно со значениями цифрового триплета RGB пикселя. Нелинейный отклик первых ЭЛТ требовал компенсирующего нелинейного кодирования, и мы продолжаем использовать такое кодирование сегодня.

Обычно мы создаем изображения на экране компьютера и тоже потребляем их там, так что все работает нормально. Но когда мы сглаживаем, нелинейность, называемая гаммой, означает, что мы не можем просто добавить альфа-значение 0,5 к 50% покрытому пикселю и ожидать, что он будет выглядеть правильно. Значение альфа 0,5 составляет всего 0,5 ^ 2,2 = 22% яркости, как альфа 1,0 с типичной гаммой 2,2.

Есть ли какие-либо широко распространенные передовые методы компенсации гамма-коррекции сглаживания? У вас есть метод домашнего животного, которым вы пользуетесь изо дня в день? Кто-нибудь видел какие-либо исследования результатов и человеческого восприятия качества графического вывода с помощью различных методов?

Я думал о стандартной компенсации X ^ (1 / 2.2), но это довольно интенсивно с точки зрения вычислений. Возможно, я смогу сделать это быстрее с помощью таблицы поиска на 256 записей.


Ответы:


1

Джим Блиннс - книга «Грязные пиксели» описывает быстрые и качественные вычисления композитинга с использованием 16-битной математики плюс таблицы поиска для точного перехода назад и вперед к линейному цветовому пространству. Этот парень работал над визуализацией НАСА, он знает свое дело.

31.03.2010

2

Я пытаюсь ответить, хотя в основном для справки, на актуальные вопросы:

Во-первых, это рекомендации МСЭ (http://www.itu.int/rec/T-REC-H.272-200701-I/en), который можно применить к программированию (но вы должны знать свое дело).

В главе 9 Джима Блинна «Нотация, нотация, нотация» дается очень подробный математический анализ и анализ ошибок восприятия, хотя он охватывает только композицию (затрагиваются и многие другие графические задачи).

Обозначение, которое он устанавливает, также может быть использовано для получения способа работы с гаммой или для проверки правильности данного способа. Очень удобный, мой любимый метод (в основном потому, что я открыл его самостоятельно, но позже нашел его книгу).

05.02.2014

3

Таблицы подстановки используются для такой работы довольно часто. Они маленькие и быстрые.

Но будь то поиск или какая-то формула, если конечным результатом является файл изображения и формат позволяет, лучше всего сохранить цветовой профиль или, по крайней мере, значение гаммы в файле для последующего просмотра, а не пытаться самостоятельно настраивать значения RGB. .

Причина: для типичных байтовых каналов R, G, B у вас есть 256 уникальных значений в каждом канале в каждом пикселе. Этого почти достаточно, чтобы хорошо выглядеть для человеческого глаза (я бы хотел, чтобы «байт» был определен как девять бит!) Любой вид математики, кроме тривиальной инверсии значений, будет отображать многие к одному для некоторых из этих значений. На выходе не будет 256 значений для каждого пикселя для R, G или B, но будет гораздо меньше. Это может привести к появлению контуров, неровностям, цветовому шуму и другим дефектам.

Помимо вопросов точности, если требуется какое-либо приличное качество, все компостирование, смешивание, смешивание, цветокоррекция, добавление фальшивых бликов, хромакеинг и т.д. должны выполняться в линейном пространстве RGB, где значения R, G и B пропорциональны физической интенсивности света. Математика изображения имитирует математику физического света. Но там, где важна максимальная скорость, есть способы обмануть.

12.02.2010
  • Девять битных байтов? Тебе так нравится восьмеричное? :-) 01.04.2010

  • 4

    При генерации изображений обычно работают в линейном цветовом пространстве (например, линейном RGB или одном из цветовых пространств CIE), а затем преобразуются в нелинейное пространство RGB в конце. Это преобразование можно ускорить аппаратно, с помощью таблиц поиска или даже с помощью сложной математики. (См. Ссылки на другие ответы.)

    При выполнении альфа-смешивания (например, рендеринг этого значка на этот фон) такой точности часто отказываются в пользу скорости. Результаты вычисляются непосредственно в нелинейном RGB-пространстве, используя альфа в качестве параметра. Это не «правильно», но в большинстве случаев этого достаточно. Особенно для таких вещей, как значки на рабочем столе.

    Если вы пытаетесь сделать более правильное смешивание, вы относитесь к нему как к исходному рендеру. Работайте в линейном пространстве (что может потребовать первоначального преобразования), а затем в конце преобразуйте его в нелинейное пространство отображения.

    В настоящее время во многих графических материалах в качестве нелинейного цветового пространства дисплея используется sRGB. Если я правильно помню, sRGB очень похож на гамму 2.2, но есть корректировки значений на нижнем уровне.

    05.02.2014
    Новые материалы

    Кластеризация: более глубокий взгляд
    Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..

    Как написать эффективное резюме
    Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..

    Частный метод Python: улучшение инкапсуляции и безопасности
    Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..

    Как я автоматизирую тестирование с помощью Jest
    Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..

    Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
    Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..

    Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
    В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..

    Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
    В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..