Ps 滤镜:自定

Ps菜单:滤镜/其它/自定

Filter/Others/Custom

自定 Custom滤镜根据自定义的数学算法(卷积)来改变图像中各像素点的亮度值,可用于实现各种效果,包括锐化、模糊、边缘检测等等。

该滤镜只对各像素的亮度值起作用,不改变像素的色相与饱和度。

◆ ◆

滤镜选项说明

卷积矩阵

Convolution matrix

正中间的数值框,代表要进行计算的像素(中称为"中心像素")。

输入要与该像素的亮度值相乘的值,值范围是 -999 到 +999 的整数。

其它的数值框代表相邻像素。

输入要与该位置的像素相乘的值。例如,要将紧邻中心像素右侧的像素亮度值乘 2,可在紧邻中间数值框右侧的数值框中输入 2。

根据设置的数值,中心像素新的亮度值将是中心像素的原亮度值乘以指定的值,再加上所有相邻像素的原亮度值乘以各自指定的值。

缩放

Scale

用于规范化中心像素的新亮度值。

值范围是 1 到 9999 之间的整数。

这个值去除卷积矩阵计算出来新的中心像素的亮度值,以防止像素值超出允许的范围(0 ~ 255)。

位移

Offset

在完成"缩放"计算后,再加上这个位移值(可以是负数),以调整最终的像素亮度。

存储

Save

载入

Load

可以保存创建的自定滤镜设置,并在其他图像中重用这些设置。

◆ ◆

卷积矩阵工作原理

卷积矩阵 Convolution matrix,也称为卷积核 Convolution kernel或滤波器 Filter。

1、卷积核的设置

卷积核是一个通常为 3x3、5x5 或更大尺寸的矩阵,其中的每个值(权重)指定了原图像中相应像素对新像素值的贡献程度。

2、亮度值的计算

中心像素:矩阵中心对应的权重乘以当前像素的亮度值。

相邻像素:矩阵中其他位置的权重分别乘以对应相邻像素的亮度值。

3、求和

将上述所有乘积的结果相加,得到当前像素的新亮度值。

4、归一化处理(如果适用)

有时,卷积核的权重之和不等于 1,这可能导致结果的亮度值超出正常范围(例如 0 ~ 255)。为了防止这种情况,通常需要将结果除以权重的总和,或通过添加一个位移量 Offset来调整亮度。

举一个简单的例子,如果使用以下 3x3 卷积核对图像进行处理:

0 -1 0

-1 5 -1

0 -1 0

这个卷积核常用于锐化图像,因为它强调了中心像素相对于其周围像素的亮度。

(1)中心像素的亮度值被乘以 5。

(2)直接相邻的四个像素(上、下、左、右)各自的亮度值被乘以 -1。

(3)四个角落的像素在这个例子中不参与计算(乘以 0)。

结果是,中心像素在视觉上比周围的更亮,如果周围像素与中心像素亮度相近,则中心像素会显得更亮,从而增强了图像的对比度,使细节更加突出。

◆ ◆

应用实例

锐化图像

中心为正值,周围为负值。

通过增加中心像素的权重,并从其直接邻居处减去一定量,来增强图像的对比度,使得边缘更加清晰。

模糊图像

中心为负值,周围为正值。

或者,中间的 9 个框全是 1,缩放为 9。

这种设置(又称为"均值滤波器")平均了中心像素与其周围像素的亮度值,产生了一种平滑的模糊效果。

浮雕效果

中心为 1,左上角为 -4,右下角为 4,位移值根据实际亮度设置。

边缘检测

可实现查找边缘照亮边缘滤镜的效果。

这种设置使得在图像的边缘处(即亮度变化显著的地方)产生较高的响应,而在亮度变化不大的区域响应较低,从而突出显示边缘。

"点赞有美意,赞赏是鼓励"

相关推荐
泰迪智能科技011 小时前
高校深度学习视觉应用平台产品介绍
人工智能·深度学习
盛派网络小助手2 小时前
微信 SDK 更新 Sample,NCF 文档和模板更新,更多更新日志,欢迎解锁
开发语言·人工智能·后端·架构·c#
Eric.Lee20212 小时前
Paddle OCR 中英文检测识别 - python 实现
人工智能·opencv·计算机视觉·ocr检测
cd_farsight2 小时前
nlp初学者怎么入门?需要学习哪些?
人工智能·自然语言处理
AI明说2 小时前
评估大语言模型在药物基因组学问答任务中的表现:PGxQA
人工智能·语言模型·自然语言处理·数智药师·数智药学
Focus_Liu2 小时前
NLP-UIE(Universal Information Extraction)
人工智能·自然语言处理
PowerBI学谦3 小时前
使用copilot轻松将电子邮件转为高效会议
人工智能·copilot
audyxiao0013 小时前
AI一周重要会议和活动概览
人工智能·计算机视觉·数据挖掘·多模态
Jeremy_lf3 小时前
【生成模型之三】ControlNet & Latent Diffusion Models论文详解
人工智能·深度学习·stable diffusion·aigc·扩散模型