03-PS图层混合模式

本文详细介绍了Photoshop中图层混合模式的各种类型,包括正常、溶解、变暗、正片叠底、颜色加深等模式,以及它们如何影响图像的亮度和颜色。这些模式可用于调整图像的亮度、对比度、色彩,实现图像的变亮、变暗、颜色融合等视觉效果。
摘要由CSDN通过智能技术生成

原图效果
在这里插入图片描述
在这里插入图片描述
调整复制的图层的曲线
在这里插入图片描述

图层模式菜单
在这里插入图片描述

1.组一

1.正常

正常模式下编辑每个像素,都将直接形成结果色,这是默认模式,也是图像的初始状态。
在此模式下,可以通过调节图层不透明度和图层填充值的参数,不同程度的显示下一层的内容
在这里插入图片描述

2.溶解

在这里插入图片描述

溶解模式是用结果色随机取代具有基色和混合颜色的像素,取代的程度取决于该像素的不透明度。

下一层较暗的像素被当前图层中较亮的像素所取代,达到与底色溶解在一起的效果。但是,根据任何像素位置的不透明度,结果色由基色或混合色的像素随机替换。因此,溶解模式最好是同PS中的一些着色工具使用效果比较好,如画笔工具,橡皮擦工具等。

2.组二

1.变暗

变暗模式在混合时,将绘制的颜色与基色之间的亮度进行比较,亮于基色的颜色都被替换,暗于基色的颜色保持不变。在变暗模式中,查看每个通道的颜色信息,并选择基色与混合色中较暗的颜色作为结果色。
在这里插入图片描述

2.正片叠底

正片叠底模式用于查看每个通道中颜色信息,利用它可以形成一种光线穿透图层的幻灯片效果。其实就是将基色与混合色相乘,然后再除以255,便得到了结果色的颜色值,结果色总是比原来的颜色更暗。

通俗来讲就是

RGB颜色模式一共有红绿蓝三个颜色通道,数值设置范围为0-255,每个颜色通道的数值越大,表现的颜色就越亮,数值越小颜色越暗,

将基色与混合色相乘然后除于最大的255,结果肯定是图像整体变暗。

注意:当任何颜色与黑色进行正片叠底模式操作时,得到的颜色仍为黑色,因为黑色的像素值为0;当任何颜色与白色进行正片叠底模式操作时,颜色保持不变,因为白色的像素值为255。
在这里插入图片描述

3.颜色加深

颜色加深模式用于查看每个通道的颜色信息,使基色变暗,从而显示当前图层的混合色。
在这里插入图片描述

4.线性加深

线性加深模式同样用于查看每个通道的颜色信息,不同的是,它通过降低其亮度使基色变暗来反映混合色。
如果混合色与基色呈白色,混合后将不会发生变化。
在这里插入图片描述

5.深色

深色混合模式依据当前图像混合色的饱和度直接覆盖基色中暗调区域的颜色。基色中包含的亮度信息不变,以混合色中的暗调信息所取代,从而得到结果色。
在这里插入图片描述

3.组三

1.变亮

变亮混合模式与变暗混合模式的结果相反。通过比较基色与混合色,把比混合色暗的像素替换,比混合色亮的像素不改变,从而使整个图像产生变亮的效果。
在这里插入图片描述

2.滤色

滤色混合模式与正片叠底模式相反,它查看每个通道的颜色信息,将图像的基色与混合色结合起来产生比两种颜色都浅的第三种颜色,就是将绘制的颜色与底色的互补色相乘,然后除以255得到的混合效果。通过该模式转换后的效果颜色通常很浅,像是被漂白一样,结果色总是较亮的颜色。对图像进行处理时有时候图片曝光不足,整体偏暗,可使用滤色混合模式,可以清楚的看到,图像整体会变亮
在这里插入图片描述

3.颜色减淡

查看每个通道中的颜色信息,并通过减小对比度使基色变亮以反映混合色。与黑色混合则不发生变化。
图层顺序影响结果, 亮的变亮较多,黑的变亮较少,降低对比度
在这里插入图片描述

4.线性减淡

查看每个通道中的颜色信息,并通过增加亮度使基色变亮以反映混合色。与白色混合时图像中的色彩信息降至最低;与黑色混合不会发生变化.

在这里插入图片描述

5.浅色

浅色混合模式依据当前图像混合色的饱和度直接覆盖基色中高光区域的颜色。基色中包含的暗调区域不变,以混合色中的高光色调所取代,从而得到结果色。

在这里插入图片描述

4.组四

1.叠加

叠加混合模式实际上是正片叠底模式和滤色模式的一种混合模式。该模式是将混合色与基色相互叠加,也就是说底层图像控制着上面的图层,可以使之变亮或变暗。比50%暗的区域将采用正片叠底模式变暗,比50%亮的区域则采用滤色模式变亮。

在这里插入图片描述

2.柔光

柔光混合模式的效果与发散的聚光灯照在图像上相似。该模式根据混合色的明暗来决定图像的最终效果是变亮还是变暗。如果混合色比基色更暗一些,那么结果色将更暗,使图像的亮度反差增大。如果混合色比基色更亮一些,那么结果色将更亮;

用纯黑色或纯白色绘画会产生明显较暗或较亮的区域,但不会产生纯黑色或纯白色。
在这里插入图片描述

3.强光

强光混合模式是正片叠底模式与滤色模式的组合。它可以产生强光照射的效果,根据当前图层颜色的明暗程度来决定最终的效果变亮还是变暗。如果混合色比基色的像素更亮一些,那么结果色更亮;如果混合色比基色的像素更暗一些,那么结果色更暗。这种模式实质上同柔光模式相似,区别在于它的效果要比柔光模式更强烈一些。在强光模式下,当前图层中比50%灰色亮的像素会使图像变亮;比50%灰色暗的像素会使图像变暗,但当前图层中纯黑色和纯白色将保持不变。

在这里插入图片描述

4.亮光

亮光混合模式通过增加或减小对比度来加深或减淡颜色的。如果当前图层中的像素比50%灰色亮,则通过减小对比度的方式使图像变亮;如果当前图层中的像素比50%灰色暗,则通过增加对比度的方式使图像变暗。亮光模式是颜色减淡模式与颜色加深模式的组合,它可以使混合后的颜色更饱和。
在这里插入图片描述

5.线性光

线性光混合模式是线性减淡模式与线性加深模式的组合。线性光模式通过增加或降低当前图层颜色亮度来加深或减淡颜色。如果当前图层中的像素比50%灰色亮,可通过增加亮度使图像变亮;如果当前图层中的像素比50%灰色暗,则通过减小亮度使图像变暗。与强光模式相比,线性光模式可使图像产生更高的对比度,也会使更多的区域变为黑色或白色。
在这里插入图片描述

6.点光

点光混合模式其实就是根据当前图层颜色来替换颜色。若当前图层颜色比50%的灰亮,则比当前图层颜色暗的像素被替换,而比当前图层颜色亮的像素不变;若当前图层颜色比50%的灰暗,则比当前图层颜色亮的像素被替换,而比当前图层颜色暗的像素不变。
在这里插入图片描述

7.实色混合

实色混合模式下当混合色比50%灰色亮时,基色变亮;如果混合色比50%灰色暗,则会使底层图像变暗。该模式通常会使图像产生色调分离的效果减小, 填充不透明度时,可减弱对比强度。
在这里插入图片描述

5.组五

1.差值

差值混合模式将混合色与基色的亮度进行对比,用较亮颜色的像素值减去较暗颜色的像素值,所得差值就是最后效果的像素值。
在这里插入图片描述

2.排除

排除混合模式与差值模式相似,但排除模式具有高对比和低饱和度的特点,比差值模式的效果要柔和,明亮。白色作为混合色时,图像反转基色而呈现;黑色作为混合色时,图像不发生变化。
在这里插入图片描述

3.减去

减去混合模式是基色的数值减去混合色,与差值模式类似,如果混合色与基色相同,那么结果色为黑色。
所看到的图像是,下面图层减去上面图层颜色的同时,也减去了上面图层的亮度,越亮减的越多,越暗减得越少。
在这里插入图片描述

4.划分

划分混合模式是查看每个通道的颜色信息,并用基色分割混合色。基色数值大于或等于混合色数值,混合出的颜色为白色。基色数值小于混合色,结果色比基色更暗。因此结果色对比非常强。白色与基色混合得到基色,黑色与基色混合得到白色。

计算公式:结果色 = (基色 / 混合色) * 255。
在这里插入图片描述

6.组六

1.色相

用基色的亮度和饱和度以及混合色的色相创建结果色。
在这里插入图片描述

2.饱和度

用基色的亮度和色相以及混合色的饱和度创建结果色。
在无 (0) 饱和度(灰色)的区域上用此模式绘画不会产生变化。
在这里插入图片描述

3.颜色

用基色的亮度以及混合色的色相和饱和度创建结果色。
这样可以保留图像中的灰阶,并且对于给单色图像上色和给彩色图像着色都会非常有用。
在这里插入图片描述

4.明度

用基色的色相和饱和度以及混合色的亮度创建结果色。此模式创建与“颜色”模式相反的效果。
在这里插入图片描述

总结

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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
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