Filtrare. Algoritm de ascuțire

Acest articol vorbește nu numai despre cele mai comune filtre de procesare a imaginii, ci descrie și algoritmii pentru funcționarea lor într-o formă clară. Articolul se adresează în primul rând programatorilor implicați în procesarea imaginilor.

Matricea de convoluție

Există multe filtre care utilizează matricea de convoluție; cele principale vor fi descrise mai jos.

O matrice de convoluție este o matrice de coeficienți care este „înmulțită” cu valoarea pixelului imaginii pentru a produce rezultatul dorit.
Mai jos este aplicarea matricei de convoluție:

Div este coeficientul de normalizare astfel încât intensitatea medie să rămână neschimbată.

În exemplu, matricea este 3x3, deși dimensiunea ar putea fi mai mare.

Filtru de estompare

Cel mai des folosit filtru bazat pe o matrice de convoluție este filtrul de estompare.

De obicei, matricea este umplută conform normalului (legea Gauss). Mai jos este o matrice de estompare 5x5 umplută cu o distribuție Gaussiană.

Coeficienții sunt deja normalizați, deci div-ul pentru această matrice este unul.

Puterea estomparii depinde de dimensiunea matricei.

Merită menționat condițiile la limită (această problemă este relevantă pentru toate filtrele matriceale). Pixelul din stânga sus nu are un „vecin” la dreapta sa, prin urmare, nu avem cu ce să înmulțim coeficientul matricei.

Există 2 soluții la această problemă:

1. Aplicarea unui filtru doar la imaginea „fereastră”, care are coordonatele din stânga colțul de sus, iar pentru dreapta jos . kernelSize – dimensiunea matricei; lățime, înălțime – dimensiunea imaginii.

Nu este Cel mai bun mod, deoarece filtrul nu este aplicat întregii imagini. Calitatea suferă destul de mult dacă dimensiunea filtrului este mare.

2. A doua metodă (adăugarea) necesită crearea unei imagini intermediare. Ideea este de a crea o imagine temporară cu dimensiuni (lățime + 2 * kernelSize / 2, înălțime + 2 * kernelSize / 2). Imaginea de intrare este copiată în centrul imaginii, iar marginile sunt umplute cu cei mai exteriori pixeli ai imaginii. Blur-ul este aplicat tamponului intermediar, iar apoi rezultatul este extras din acesta.

Această metodă nu are deficiențe de calitate, dar necesită calcule inutile.

Filtrul de estompare Gaussian are o complexitate de O(hi * wi * n *n), unde hi, wi sunt dimensiunile imaginii, n este dimensiunea matricei (nucleul filtrului). Acest algoritm poate fi optimizat cu o calitate acceptabilă.

Miezul pătrat (matricea) poate fi înlocuit cu două unidimensionale: orizontală și verticală. Pentru dimensiunea nucleului 5, acestea vor arăta astfel:

Filtrul se aplică în 2 treceri: mai întâi orizontal, apoi vertical la rezultat (sau invers).

Complexitate a acestui algoritm va fi O(hi * wi * n) + O(hi * wi * n) = 2 * O(hi * wi * n), care pentru dimensiunea nucleului mai mare de doi, este mai rapidă decât metoda tradițională cu matrice pătrată.

Filtru de claritate

Pentru a îmbunătăți claritatea, utilizați următoarea matrice:

Această matrice crește diferența de valori la granițe. Div pentru această matrice este 1.

ÎN programul GIMP Există un filtru „Convolution Matrix”, care simplifică căutarea transformării matricei de care aveți nevoie.

Mai mult informatii detaliate Puteți găsi informații despre filtre bazate pe matricea de convoluție în articol.

Filtru median

Filtrul median este de obicei folosit pentru a reduce zgomotul sau a „netezi” o imagine.

Filtrul funcționează cu matrice de diferite dimensiuni, dar spre deosebire de matricea de convoluție, dimensiunea matricei afectează doar numărul de pixeli luați în considerare.

Algoritm filtru median Următorul:

Pentru pixelul curent, pixelii care „cad” în matrice sunt sortați și este selectată valoarea medie din matricea sortată. Această valoare este rezultatul pentru pixelul curent.

Mai jos este lucrarea filtrului median pentru o dimensiune a nucleului de trei.

Filtrele de creștere și eroziune servesc la obținerea expansiunii sau, respectiv, a contracției morfologice. În termeni simpli, pentru imagini aceasta înseamnă selectarea pixelului cu intensitatea maximă sau minimă din vecinătate.

Ca urmare a acreției, obiectele luminoase devin mai mari, în timp ce eroziunea are ca rezultat obiectele întunecate devin mai mari.

Filtrul folosește o imagine de intrare și o matrice binară. Matricea binară determină forma vecinătății. De obicei, cartierul are o formă circulară.

Filtrul de acumulare poate fi folosit pentru a crește luminile și reflexiile luminoase.

Concluzie

Articolul a descris unele dintre filtrele de procesare a imaginii, a descris algoritmii și caracteristicile aplicației.

Imaginile formate din diverse sisteme opto-electronice și înregistrate folosind diverse receptoare sunt distorsionate de diferite tipuri de interferențe. Distorsiunile imaginii sunt introduse de toate componentele dispozitivului de imagistică, începând cu sistemul de iluminare (de exemplu, iluminarea neuniformă a unui obiect). Distorsiunile introduse sistem optic, sunt cunoscute în stadiul de proiectare și sunt numite aberații. Distorsiunile introduse de receptoarele electronice de radiație, cum ar fi matricele CCD, se numesc zgomot electronic. Interferența face dificilă analiza vizuală imaginile și prelucrarea lor automată.

Reducerea efectului interferenței se realizează prin filtrare. La filtrare, luminozitatea (semnalul) fiecărui punct al imaginii originale, distorsionată de zgomot, este înlocuită cu o altă valoare a luminozității, care este recunoscută ca fiind cel mai puțin distorsionată de zgomot. Pentru a efectua filtrarea, este necesar să se dezvolte principii pentru astfel de transformări, care se bazează pe faptul că intensitatea imaginii se modifică de-a lungul coordonatelor spațiale mai lent decât funcția de zgomot. În alte cazuri, dimpotrivă, schimbările bruște ale luminozității sunt semnul unui semnal util.

În metodele de filtrare pentru evaluare semnal real la un moment dat în cadru, un anumit set ( Cartier) puncte învecinate, profitând de o anumită similitudine a semnalului în aceste puncte. Conceptul de cartier este destul de condiționat. Un cartier poate fi format doar de vecinii cei mai apropiați în cadru, dar pot exista cartiere care conțin destul de mult și destul de puternice. puncte îndepărtate cadru. În acest caz, gradul de influență (ponderea) punctelor îndepărtate și apropiate asupra deciziilor luate de filtru la un punct dat din cadru va fi complet diferit. Astfel, ideologia de filtrare se bazează pe utilizarea rațională a datelor atât din punctul de operare, cât și din împrejurimi.

La rezolvarea problemelor de filtrare se folosesc modele probabilistice de imagine și zgomot și se aplică criterii de optimitate statistică. Acest lucru se datorează naturii aleatorii a zgomotului și dorinței de a obține diferența medie minimă între rezultatul procesării și semnalul ideal. Varietatea metodelor și algoritmilor de filtrare este asociată cu o mare varietate modele matematice semnale și interferențe, precum și diverse criterii de optimitate.

Fie valoarea luminozității imaginii – semnalul util la intersecție i-a linia și j a-a coloană, iar imaginea observată la intrarea filtrului este descrisă de model:

Iată valoarea interferenței în punctul cu coordonate (i,j), f() este o funcție care descrie interacțiunea dintre semnal și zgomot și euȘi J– numărul de rânduri și, respectiv, de coloane din cadru.

Figura 1 prezintă exemple de cartiere tipuri variate, descrise ca culegeri de puncte. Centrul cartierului, punctul de lucru în care se efectuează prelucrarea, este punctul cu coordonatele (i,j).

Orez. 1 Exemple de diferite tipuri de cartiere

În funcție de tipul de vecinătate, se face o distincție între filtrarea imaginilor cauzală (a), non-cauzală (b) și semi-cauzală (c). Conceptul de cauzalitate (relație cauză-efect) este asociat cu relația dintre coordonatele punctului curent și punctele incluse în vecinătate. Dacă ambele coordonate (numărul rândului și numărul coloanei) ale tuturor punctelor din vecinătate nu depășesc coordonatele corespunzătoare ale punctului curent, atunci vecinătatea și procesarea care o utilizează sunt numite cauzal. Dacă punctele unui cartier îndeplinesc principiul cauzalității, filtrarea bazată pe utilizarea unui astfel de cartier se numește non-cauzale. Dacă printre punctele din vecinătate există puncte ale căror coordonate nu depășesc punctul de operare într-o direcție, dar îl depășesc în cealaltă, atunci filtrarea este semicauzală filtrare.

Cu filtrarea liniară, efectul de ieșire este determinat de combinație liniară date de intrare:

În această expresie – rezultatul filtrării semnalului util la un punct cadru cu coordonate (i,j), S – set de puncte care formează o vecinătate - coeficienți de ponderare, a căror totalitate reprezintă răspuns la impuls bidimensional (IR). Dacă zona S este finit, atunci răspunsul la impuls are o lungime finită și filtrul se numește filtru FIR. În caz contrar, răspunsul la impuls este de lungime infinită, iar filtrul se numește filtru IIR. Răspunsul la impuls nu depinde de coordonatele punctului în care este determinat efectul de ieșire. Sunt numite proceduri de procesare a imaginilor care au proprietatea de a fi independente de coordonate omogen (izoplanatic).

Cel mai comun criteriu de optimitate utilizat pentru a evalua calitatea procesării este criteriul erorilor pătratice medii minime. În legătură cu filtrarea, scriem expresia acesteia sub forma:

care este o cerință suplimentară pentru răspunsul la impulsul filtrului.

Potenţial cele mai bune rezultate filtrarea se realizează folosind principiul non-cauzale, deoarece acest principiu se bazează pe utilizarea absolută a tuturor datelor inițiale la procesarea fiecărui punct al cadrului.

Rezultatul filtrului liniar pentru o anumită fereastră (pentru un pixel central dat) este descris prin următoarea formulă simplă:

$$ \begin(gather) \tag(1) \mbox(Im)" = \sum\limits_(i= -\textrm(hWinX))^(\textrm(hWinX))~\sum\limits_(j= - \textrm(hWinY))^(\textrm(hWinY)) (\mbox(Im)\cdot \mbox(Mask)), \end(gather) $$

unde $\mbox(hWinX) = [\mbox(WinX)/2]$, $\mbox(hWinY) = [\mbox(WinY)/2]$ sunt jumătate de lățime și jumătate de înălțime ale ferestrei de filtrare, respectiv (în cazul unei ferestre $3\times 3$ ambele valori sunt egale cu 1).

Rezultatul aplicării operației (1) la toți pixelii imaginii Im$$ se numește $\it(convoluția)$ a imaginii Im cu masca Mask.

Media mobilă în fereastră.

Cea mai simplă formă de fereastră liniară în domeniul spațial este \it(moving average) în fereastră. Rezultatul unei astfel de filtrări este valoarea așteptării matematice calculată pe toți pixelii ferestrei. Matematic, aceasta este echivalentă cu convoluția cu o mască ale cărei elemente sunt toate egale cu $1/n$, unde $n$ este numărul de elemente ale măștii. De exemplu, o mască medie mobilă de dimensiunea $3\x 3$ arată ca

$$ \frac(1)(9)\times \begin(vmatrix) 1&1&1\cr 1&1&1\cr 1&1&1 \end(vmatrix). $$

Să luăm în considerare un exemplu de filtrare a unei imagini cu semitonuri zgomotoase folosind un filtru de medie mobilă. Imaginile sunt zgomotoase cu zgomot aditiv gaussian (Fig. 2 - 8).

În fig. 1 - 6 arată exemple de filtrare a unei imagini cu semitonuri cu diferite grade de zgomot folosind un filtru mediu cu o dimensiune a ferestrei de $3\times 3$. După cum se poate vedea din exemplu, filtrul medie mobilă are o capacitate mai mică de a suprima componenta de zgomot în comparație cu filtrul median $3\times 3$ considerat anterior.

Să luăm în considerare o medie mobilă cu o fereastră mare de filtrare. În fig. 23 - 28 oferă un exemplu filtrare mediană Cu diferite dimensiuni deschideri.

După cum se poate observa din fig. - 12, pe măsură ce dimensiunea ferestrei crește, capacitatea filtrului median de a suprima componenta de zgomot crește. Totuși, în același timp, efectul de „defocalizare” aparentă a imaginii crește și el (Fig. 11, 12) din cauza estompării marginilor obiectelor vizibile. De asemenea, nu am observat acest efect de estompare, care este specific filtrelor liniare, în cazul filtrării de rang neliniar.

filtrare gaussiană.

În secțiunea anterioară am considerat cazul „degenerat” al filtrării liniare cu o mască omogenă. Între timp, însăși ideea de a combina o imagine cu o matrice de greutate este similară cu ideea discutată anterior de a introduce o matrice de greutate în filtre percentile ponderate. Puteți crește stabilitatea rezultatelor de filtrare la marginile zonelor dacă acordați punctelor mai apropiate din vecinătate o influență mai mare asupra rezultatului final decât celor îndepărtate. Un exemplu de implementare a acestei idei pentru o fereastră de dimensiune $3\times 3$ este o mască

$$ \frac(1)(16)\times \begin(vmatrix) 1&2&1\cr 2&4&2\cr 1&2&1 \end(vmatrix). $$

O astfel de mască se numește Gauss; în consecință, filtrul liniar care îl folosește se mai numește $\it(Gauss)$. Folosind aproximări discrete ale funcției gaussiene bidimensionale, pot fi obținute și alte nuclee gaussiene dimensiune mai mare. Rețineți că măștile de filtru liniar $\it(smoothing)$ sau $\it(filtering)$ trebuie să aibă suma tuturor elementelor egală cu $1$. Această $\it(condiție de normalizare)$ garantează un răspuns adecvat al filtrului la un semnal constant (imagine constantă Im$ = \const$).

În fig. 13 - 15 prezintă un exemplu de filtrare liniară gaussiană a unei imagini zgomotoase.

Filtrele digitale vă permit să suprapuneți imagini diverse efecte ex.: estompare, ascuțire, deformare, zgomot etc.

Filtru digital este un algoritm de procesare a imaginii. Grup mare filtrele digitale au același algoritm, dar efectul pe care filtrul îl impune asupra imaginii depinde de coeficienții utilizați în algoritm.

Filtrarea imaginilor este una dintre cele mai fundamentale operațiuni viziune computerizată, recunoașterea modelelor și procesarea imaginilor. De fapt, munca majorității mari a metodelor începe cu un fel de filtrare a imaginilor sursă.

Filtre liniare

Filtrele liniare sunt o familie de filtre care au o descriere matematică foarte simplă. În același timp, vă permit să obțineți o mare varietate de efecte. Vom presupune că imaginea inițială în semitonuri este dată A, și indică intensitățile pixelilor săi A(X, y). Filtru de linie determinat de o funcţie cu valoare reală F, specificat pe raster. Această funcție se numește nucleu de filtru, iar filtrarea în sine se realizează folosind operația de convoluție discretă (sumare ponderată):

Rezultatul este o imagine B. Formula de mai sus nu definește limitele de însumare. De obicei, nucleul de filtru este diferit de zero doar într-o anumită zonă N puncte (0, 0). În afara acestei vecinătăți F(i, j) este fie exact egal cu zero, fie foarte apropiat de acesta, astfel încât poate fi neglijat. Prin urmare, însumarea se efectuează peste ( i, j) Є N, și valoarea fiecărui pixel B(X, y) determinat de pixelii imaginii A care zac în fereastră N, centrat în punctul ( X, y) (notăm această mulțime N(X, y)). Nucleul de filtrare definit pe o vecinătate dreptunghiulară N, poate fi considerată ca o matrice m× n, unde lungimile laturilor sunt numere impare. Când se specifică un nucleu printr-o matrice M kl, ar trebui să fie centrat:

De asemenea, situația necesită o clarificare suplimentară atunci când pixelul ( X, y) este situat în vecinătatea marginilor imaginii. În acest caz A(X+i, y+j) poate corespunde unui pixel A, situat în afara limitelor imaginii A. Această problemă poate fi rezolvată în mai multe moduri:

§ nu filtrați astfel de pixeli prin decuparea imaginii B de-a lungul marginilor sau pictându-le, de exemplu, negru;

§ nu include pixelul corespunzator in sumare, distribuindu-i greutatea F(i, j) uniform între alți pixeli din vecinătate N(X, y);

§ determinați suplimentar valorile pixelilor dincolo de limitele imaginii folosind extrapolarea;

§ determinați în plus valorile pixelilor în afara limitelor imaginii folosind reflexia în oglindă.

Alegere metoda specifica trebuie realizată ținând cont de filtrul și caracteristicile specifice aplicație specifică. Fiind dezasamblat definiție generală filtre liniare, să trecem la exemple.

Filtre anti-aliasing

Rezultatul aplicării unui filtru anti-aliasing este de a estompa imaginea și de a elimina tranzițiile clare de culoare. Cel mai simplu filtru de netezire a razei dreptunghiulare r este specificat folosind o matrice de dimensiune (2 r+ 1) × (2 r+ 1), ale căror valori sunt egale:

,

iar suma tuturor elementelor matricei este, prin urmare, egală cu unu. La filtrarea cu acest nucleu, valoarea pixelilor este înlocuită cu valoarea medie a pixelilor dintr-un pătrat cu latura 2 r+1 în jurul lui. Un exemplu de filtrare folosind un filtru dreptunghiular este prezentat în Fig. 4.19.

A)

b)

Orez. 4.19. Un exemplu de utilizare a unui filtru anti-aliasing

În acest caz, imaginii originale i se aplică un filtru dreptunghiular de 3 pe 3 pixeli (Fig. 4.19, a). Miezul filtrului în acest caz arată astfel:

.

Rezultatul filtrării este prezentat în imaginea din dreapta (Fig. 4.19, b). Rețineți că suma tuturor elementelor nucleului de filtru are ca rezultat unul. Prin urmare, putem spune că atunci când utilizați un astfel de filtru, luminozitatea generală a întregii imagini nu se modifică. Cu toate acestea, ca urmare a medierii valorilor culorii pixelilor, contrastul imaginii scade, așa cum se poate observa în Fig. 4.19.

După cum putem vedea din exemplul de mai sus, filtrele anti-aliasing pot fi folosite pentru a elimina efectul de scară, precum și pentru reducerea zgomotului.

Zgomot– un defect în imagine introdus de fotosenzorii și electronicele dispozitivelor sau apărut în timpul utilizării dispozitive analogice. Zgomotul din imagine apare ca la întâmplare elemente raster localizate (puncte) având dimensiuni apropiate de dimensiunea pixelului. Zgomotul diferă de imagine prin faptul că este mai ușor sau umbra inchisa gri și culoare și/sau în culoare. Motivul apariției zgomotului în imagine este: granulația peliculei, murdăria, praful, zgârieturile, decojirea emulsiei fotografice. Dacă luăm în considerare dispozitive digitale atunci cauza zgomotului digital este: zgomotul termic al matricei, zgomotul de transfer de sarcină, zgomotul de cuantizare ADC, amplificarea semnalului în camera digitala, murdărie, praf pe senzor.

Aplicarea filtrării liniare cu miez dreptunghiular are dezavantaj semnificativ: pixeli la distanță r din cel prelucrat au acelaşi efect asupra rezultatului ca şi cele vecine. O reducere mai eficientă a zgomotului poate fi obținută dacă influența pixelilor unul asupra celuilalt scade odată cu distanța. Această proprietate are gaussian filtru cu nucleu:

Un filtru gaussian are un nucleu diferit de zero de dimensiune infinită. Cu toate acestea, nucleul de filtru scade foarte repede la zero pe măsură ce ne îndepărtăm de punctul (0, 0) și, prin urmare, în practică ne putem limita la convoluția cu o fereastră mărime micăîn jurul (0, 0) (de exemplu, luând raza ferestrei ca 3 σ ).

Filtrarea gaussiană este, de asemenea, netezită. Totuși, spre deosebire de un filtru dreptunghiular, imaginea unui punct cu filtrare gaussiană va fi o pată neclară simetrică, cu o scădere a luminozității de la mijloc spre margini, ceea ce este mult mai aproape de neclaritatea reală de la lentilele defocalizate.

După cum știți, există multe modalități de a modifica și edita imagini folosind metode digitale. Rezultatul procesării imaginii depinde de operațiunile pe care le puteți efectua cu imaginea după ce aceasta ajunge pe computer: puteți edita RGB-componente colorate pentru a obtine cele mai bune echilibrul culorilor. Puteți crește sau micșora luminozitatea imaginii, puteți edita claritatea acesteia sau o puteți estompa elemente individuale folosind diverse filtre grafice. Ne vom uita la efectele extrem de populare care sunt utilizate pe scară largă în grafica computerizată:

• Inversarea culorilor.
• Estompa.
• Creșteți claritatea.
• embosare.
• Efect de acuarelă.

Matrice – nucleu de convoluție

Dacă privim aceste efecte din punct de vedere algoritmic, nu vom vedea nimic complicat: aceste efecte sunt create folosind o matrice de numere. Această matrice se numește nucleu de convoluție.

Această matrice ( 3x3) conține trei linii de trei numere. Pentru a transforma un pixel de imagine, acesta este înmulțit cu valoarea din centrul nucleului, iar valorile pixelilor din jurul acestuia sunt înmulțite cu coeficienții corespondenți ai nucleului, după care toate valorile sunt însumate și vom obțineți o nouă valoare pentru pixelul modificat. Acest proces trebuie efectuată secvenţial cu fiecare pixel al imaginii editate.

Coeficienții nucleului determină modul în care se va schimba imaginea editată. Pentru a obține unele efecte, este necesar să se aplice secvenţial nu una, ci mai multe matrice imaginii.

Inversa culorile

Acesta este cel mai simplu mod de a edita o imagine: nici măcar nu avem nevoie de o matrice. Trebuie doar să schimbăm componentele de culoare cu cele opuse (mai multe detalii când implementăm filtrul în următoarea parte a capitolului).

Algoritm de estompare

Pentru a estompa imaginea, trebuie să citim valorile în memorie RGB-componentele culorii fiecărui pixel. După care nucleul de estompare va fi aplicat tuturor componentelor de culoare ale tuturor pixelilor imaginii editate:
Figura 1. Matrice pentru filtrul „Blur”.

Pentru a determina culoarea pixelului situat sub centrul nucleului, este necesar să se înmulțească greutățile nucleului cu valorile corespunzătoare de culoare ale imaginii editate. După aceasta, rezultatele sunt rezumate.

Imaginea rezultată este „încețoșată” în comparație cu cea originală, deoarece culoarea fiecărui pixel procesat s-a „împrăștiat” între pixelii vecini.

Pentru a crește nucleul de estompare, puteți:

• utilizați un nucleu mai mare (astfel încât culoarea va fi distribuită între Mai mult pixeli vecini);
• modificați coeficienții în așa fel încât să reducă influența coeficientului central;
• efectuați filtrarea imaginii de mai multe ori;

Algoritm de ascuțire

Când creăm efectul de claritate, efectuăm același algoritm, dar folosim un nucleu diferit, deoarece acum scopul nostru este să creștem claritatea imaginii. Miez G pentru a crește claritatea:
Figura 2. Matrice pentru filtrul „Sharpening”.
Ca și în cazul precedent, procesăm separat RGB-componente, după care formăm valorile de culoare ale pixelului procesat. Coeficienții negativi de ponderare sunt utilizați pentru a crește contrastul dintre pixelul central și vecinii săi.

Astfel, imaginea rezultată este mai clară decât cea originală. De fapt detalii suplimentare a apărut de nicăieri - este doar un contrast crescut între culorile pixelilor.

Algoritm de reliefare

Gofrarea se face într-un mod similar, dar în în acest caz, folosim nu o singură matrice, ci mai multe.
Figura 3.1 Matrice pentru filtrul „Gofrare”: pasul unu.
În timp ce miezurile de estompare și ascuțire au avut suma coeficienților egal cu unu, în acest caz, suma greutăților din miezul de gofrare este egală cu 0 . Dacă suma coeficienților nu este egală 0 , vom obține o abatere către o anumită culoare.

Valoarea de culoare rezultată va fi procesată în continuare (medie) și adusă la interval 0-255 (puteți vedea mai multe detalii în timpul implementării a acestui filtru). Modificarea valorilor poziției 1 Și -1 , putem schimba direcția luminii de fundal.
Figura 3.2. Matrice pentru filtrul „Gofrare”: pasul doi.

Algoritm de acuarelare

Numele filtrului de acuarelă spune totul: imaginea rezultată va arăta ca și cum ar fi fost pictată cu acuarele. În prima etapă a aplicării acestui filtru, vom netezi culorile imaginii editate.
Figura 4.1. Matrice pentru filtrul „Efect de acuarelă”: pasul unu.
În pasul următor vom ascuți tranzițiile pentru a finaliza efectul de acuarelă.
Figura 4.2. Matrice pentru filtrul „Efect de acuarelă”: pasul doi.
Asta e tot. Prin ajustarea ușoară a parametrilor matricei, putem obține atât un efect de acuarelă mai clar, cât și mai fin. br />