[数字媒体] Photoshop基础之图像校正、抠图(证件照)和融合

这篇博客是数字媒体系列的笔记,仅作为在线笔记供大家学习,后续有时间会深入分享PS、视频制作、动画制作等内容。希望您喜欢~


一.Excel证件照换背景

大家在找工作或面试过程中,通常会遇到证件照替换背景的问题,下面介绍Excel替换背景的一种简单方法。

大家试试Python编写代码,也挺有意思的。

假设存在一张图像,如下所示:

请添加图片描述

第一步,新建WPS Excel文件,然后导入图片。

在这里插入图片描述

如下图所示:

在这里插入图片描述

第二步,使用鼠标选中证件照,选择上方的“图片工具”=>“抠除背景”=>“智能抠除背景”。

在这里插入图片描述

处理效果如下图所示:

在这里插入图片描述

在这里插入图片描述

第三步,选中图片右键“设置对象格式”。

在这里插入图片描述

第四步,在“填充与线条”中选择合适的背景颜色即可。

在这里插入图片描述

最终效果如下图所示:

在这里插入图片描述


二.PS图像校正

假设存在如下所示的一张倾斜图片,我们需要对其进行校正。

请添加图片描述

第一步,文件打开图像或直接拖动图像至PS。

在这里插入图片描述

第二步,选择“透视裁剪工具”。

在这里插入图片描述

第三步,选中要校正的图像,如下图所示的奖状。

在这里插入图片描述

第四步,分别移动四个角,然后点击上面的√。按住Alt键可以缩放图像大小。

在这里插入图片描述

最终实现了图像校正,再去掉背景保存图片即可。

在这里插入图片描述


三.PS抠图

抠图和替换背景颜色是常见的PS用法,如下图所示,我们需要扣取中间的奖章并抠图,再与其它图片进行融合。怎么实现呢?

请添加图片描述

第一步,按照第一部分图像校正,提取图中的奖章。

在这里插入图片描述

在这里插入图片描述

显示效果如下图所示:

在这里插入图片描述

第二步,选择“魔术橡皮擦工具”,然后点击需要驱除背景颜色的区域。

在这里插入图片描述

处理后的效果如下图所示:

在这里插入图片描述

第三步,选择“背景橡皮擦工具”,然后处理图像的细节部分。

在这里插入图片描述

注意,右键我们可以设置橡皮擦处理图像的大小。

在这里插入图片描述

第四步,按住ALT键,然后将有污渍的背景进行祛除,Ctrl+Z可以撤销错误操作。

在这里插入图片描述

输出结果如下图所示:

在这里插入图片描述

第五步,如果边缘存在噪声,可以使用模糊工具处理。

在这里插入图片描述

在这里插入图片描述

第六步,保存透明背景图像。

在这里插入图片描述

最终结果如下图所示:

在这里插入图片描述


四.PS图像融合

接着我们想将两张图像融合,比如将上面的奖章融合到另一张图像中。

第一步,导入第一张图像(直接拖动)。

在这里插入图片描述

第二步,将第二张图像导入如“徽章”(背景透明),可以看到右下角它在另外一个图层。

在这里插入图片描述

第三步,调整图像大小和位置,按下回车键即可显示效果。

在这里插入图片描述

显示效果如下图所示:

在这里插入图片描述

第四步,调整图像的对比度。

在这里插入图片描述

调整亮度和对比度,让融合的图像色调尽量一致。

在这里插入图片描述

最终实现图像融合并保存图像。

在这里插入图片描述


五.总结

希望这篇文章对您有所帮助,如果喜欢,后面也会分享更多“数字媒体”相关的博客。最后祝大家在读博和科研的路上不断前行。项目学习再忙,也要花点时间读论文和思考,加油!这篇文章就写到这里,希望对您有所帮助。由于作者英语实在太差,论文的水平也很低,写得不好的地方还请海涵和批评。同时,也欢迎大家讨论,继续努力!感恩遇见,且看且珍惜。

哈哈,其实我是来秀CSDN奖状的。2022年即将离去,十月份会异常忙碌,加油!秀璋~下图其实空白处越多越忙碌,感恩前行。

在这里插入图片描述

(By:Eastmount 2022-09-27 周一夜于武汉 http://blog.csdn.net/eastmount/ )

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Eastmount

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值